Analisis Reliabilitas

BAB 1. FUNGSI RELIABILITAS DAN FUNGSI HAZARD

Peluang bahwa suatu produk atau jasa akan beroperasi dengan baik dalam jangka
waktu tertentu (durabilitas) pada kondisi pengoperasian sesuai dengan desain (suhu,
tekanan, dll.) tanpa ada kerusakan. Reliabilitas digunakan sebagai ukuran keberhasilan
suatu sistem bekerja sebagaimana mestinya dengan baik.
Anggap n0 adalah banyak komponen yang diuji. Selama interval waktu (t - ∆t, t)
didapatkan nf(t) yakni banyak komponen yang rusak (failed components) dan ns(t) yakni
banyak komponen yang tetap baik (surviving component), [nf(t) + ns(t) = n0]. Reliabilitas
didefinisikan sebagai fungsi peluang kumulatif dari sukses pada saat t, maka reliabilitas
R(t) ditulis,
ns (t ) n (t )
R(t )   s
ns (t )  n f (t ) n0 (t )

Dengan kata lain, jika t adalah variabel random yang menunjukkan waktu untuk
rusak (time to failure/TTF), maka fungsi reliabilitas pada saat t adalah R(t )  P(t  t ).
Distribusi kumulatif untuk fungsi kerusakan F(t) adalah komplemen R(t), jadi
R(t )  F (t )  1. Jika TTF t mempunyai fungsi kepekatan peluang (probability density
function/p.d.f) f(t), maka
t
R(t )  1  F (t )  1   f ( ) d .
0

dR(t )
  f (t ) .
dt
Misal: jika distribusi TTF adalah eksponensial dengan parameter λ, maka f (t )  et .
Dan fungsi reliabilitasnya adalah
t
R(t )  1  F (t )  1   e  d  e t .
0

Sehingga, peluang kerusakan dari satu komponen pada interval waktu [t1, t2] dalam bentuk
fungsi reliabilitas dinyatakan sebagai,
t2

 f (t ) dt  R(t )  R(t ) .
t1
1 2

Laju kerusakan (failure rate) pada interval waktu [t1, t2] didefinisikan sebagai peluang
bahwa kerusakan per unit waktu terjadi pada interval tsb dan tidak ada kerusakan yang
terjadi sebelum t1. Laju kerusakan dinyatakan sebagai,

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 1

Analisis Reliabilitas

R(t1 )  R(t2 ) R(t )  R(t  t )

atau
(t2  t1 ) R(t1 ) t R(t )
di mana t1 = t dan t2 = t + ∆t.
Fungsi hazard didefinisikan sebagai limit dari laju kerusakan di mana ∆t
mendekati 0. Dengan kata lain, fungsi hazard adalah laju kerusakan sesaat (instantaneous
failure rate) yang dinyatakan dengan
R(t )  R(t  t ) 1  d  f (t )
h(t )  lim    R(t )   .
t 0 t R(t ) R(t )  dt  R(t )
Contoh 1.1:
Sebuah perusahaan bola lampu Interval Waktu (Jam) Banyak Kerusakan

ingin mengestimasi rata-rata hidup

0 – 1000 100
(the mean life) dari produknya. 200 1001 – 2000 40
bola lampu diamati untuk menguji 2001 – 3000 20
reliabilitasnya dan dicatat banyak 3001 – 4000 15
bola lampu yg mati (failure) tiap 4001 – 5000 10

interval waktu 1000 jam. Berikut 5001 – 6000 8

datanya, 6001 – 7000 7

Total 200

Jawab:
Misalkan: Estimasi fungsi massa kerusakan fe(t), estimasi fungsi hazard he(t), estimasi
fungsi kumulatif peluang Fe(t), dan estimasi fungsi reliabilitas Re(t), dimana subskrip e =
n f (t ) n f (t ) f e (t )
estimasi, maka f e (t )  , he (t )  , Re (t )  , Fe (t )  1  Re (t ) .
n0 t ns (t) t he (t)
Hasil perhitungan

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 2

Analisis Reliabilitas

Fungsi Hazard
Fungsi hazard / laju hazard (hazard rate) adalah peluang bersyarat dari kerusakan
dalam interval waktu t hingga (t + ∆t), yakni bahwa tidak ada kerusakan pada saat t,
f (t )
h(t )  . Fungsi kumulatif hazard adalah peluang bersyarat dari kerusakan dalam
R(t )
t
interval 0 hingga t, H (t )   h( ) d ( ) .
0

Kegunaan fungsi hazard: untuk mengestimasi waku terjadinya kerusakan (atau

waktu antar kerusakan), mengestimasi jumlah kru yang akan berperan dalam perbaikan
sistem, mengestimasi ketersediaan sistem, mengestimasi biaya garansi dan mengkaji
kerusakan terhadap waktu.

1. Hazard Konstan
Laju kerusakan konstan terjadi di akhir periode kerusakan awal. Fungsi hazard
 t 
konstan, h(t), ditulis sebagai h(t )   . Maka f (t )  h(t ) exp    h( ) d   e t ,
 0 
t
F (t )    e   1  e t dan R(t )  1  F (t )  1  (1  et )  et .
0

Contoh 1.2:
Sebuah perusahaan melakukan Uji Hidup Operasional (Operational Life Test/OLT) pada
kapasitor keramik dan menemukan bahwa kapasitor tsb mempunyai laju kerusakan konstan
(dinyatakan dalam fungsi hazard) dengan nilai 3.10-8 kerusakan/jam. Berapakah reliabilitas
sebuah kapasitor setelah digunakan selama setahun (10 4 jam)? Untuk menerima kiriman
kapasitor tsb, konsumen memutuskan untuk melakukan tes selama 5000 jam dari 2000
sampel kapasitor. Berapa kapasitor yang diduga rusak selama test?
Jawab:
h(t )  3 108 kerusakan/jam
t

R(t )  e 0
8

310 dt 8
 e 310 t

4
R(104 )  e310  0,99970
8
ns (5000jam)  R(5000) n0  e310 5000
 2000 = 1999 kapasitor
 n f  2000  1999  1 kapasitor.

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 3

Analisis Reliabilitas

2. Hazard Linier Positif

Komponen menunjukkan laju kerusakan linier positif ketika komponen tsb aus.
Laju kerusakan linier positif dinyatakan, h(t )  t , di mana λ konstan. Pdf, f(t), adalah
t 2 t 2 t 2
  
distribusi Rayleigh, dengan: f (t )  te 2
, F (t )  1  e 2
dan R(t )  e 2
.

 2 
Rata-rata  ; Varians  1  
2  4
Contoh 1.3:
Rolling resistance adalah suatu ukuran dari banyaknya energi yang hilang dalam
ban ketika menahan dikarenakan arah yang berlawanan (gaya gesek). Sebuah perusahaan
ban memperkenalkan material baru yang secara signifikan tidak hanya mampu
mengembangkan rolling resistance tetapi juga menambah laju penggunaan dari ban.
Analisis uji laboratorium dari 150 ban menunjukkan bahwa laju kerusakan dari ban baru
adalah linier positif terhadap waktu dengan h(t )  0,5 108 t. Tentukan reliabilitas ban
setelah penggunaan satu tahun. Berapa rata-rata waktu untuk mengganti ban karena aus?
Jawab:
Reliabilitas setelah satu tahun penggunaan:
t 2 (0,5108 )(104 )2
 
R(t )  e 2
e 2
 0, 7788 .
 
Rata-rata waktu untuk mengganti ban adalah t    17724 jam.
2 2  0,5 108

3. Model Weibull
Bentuk non-linier dari fungsi hazard digunakan ketika secara jelas tidak dapat
direpresantikan secara linier terhadap waktu dengan fungsi hazard yang dikenal dengan
  1
Model Weibull, h(t )  t , untuk  dan  bernilai positif . Fungsi f(t) diberikan,


 t
f (t )  t  1e  , t 0,

di mana: θ = parameter skala  (sifat umur produk/characteristic life)
γ = parameter bentuk  bentuk distribusi.
Jika γ = 1 maka f(t) adalah density eksponensial, jika γ = 2 maka f(t) adalah distribusi
Rayleigh, jika γ = 3,43938 maka akan mendekati distribusi Normal.

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 4

Analisis Reliabilitas

Fungsi kerusakan kumulatif dan Reliabilitas:

 
 t
t

F (t )     1e  d  1  e  , dg t  0.
0

t
R(t )  e  , dg t  0.
Ketika γ > 1, laju hazard adalah fungsi monoton naik tanpa batas atas yang
menggambarkan wilayah aus dari kurva bathub. Ketika γ = 1 laju kerusakan menjadi
konstan dan ketika γ < 1, fungsi hazard adalah fungsi menurun.
Rata-rata dan varians dari distribusi Weibull adalah
1
 1 2 
  2   1  
2

E[T ]    1   , dan Var[T ]   

  1       1    
   
       
di mana Γ(n) adalah fungsi Gamma,
 
  n   x e n 1  x
dx dan x
n 1  x 
e dx    n  n .
0 0

Contoh 1.4:
Metode Prot digunakan untuk menentukan batas lelah (fatigue limit) dari baja batangan.
Uji tsb menggunakan level tekanan berjenjang yang diterapkan proses daur ulang hingga
dinyatakan gagal. Jumlah gagal daur ulang yang diamati mengikuti distribusi Weibull
dengan θ = 250 (pengukuran pada 105 daur ulang) dan γ = 2. Berapa reliabilitas batangan
pada 106 daur ulang? Berapa fungsi hazard yang bersesuaian? Berapa waktu hidup duga
(expected life dalam daur ulang) untuk batangan baja jenis ini?
Jawab:
a. Reliabilitas dan fungsi hazard dari Model Weibull,
10 
2

R(10 /10 )  e
6 5 250
 e0,4  0, 6703.
2
h(106 /105 )  10  0, 08 kerusakan.
250
b. Nilai hidup duga dari batangan baja jenis ini,

 1
1
 1
1
E[T ]    1    (250) 2  1    (15,8114)(0,8862)  14, 013.


   2
Jadi, harapan hidup dari baja batangan mencapai ≈ 14x10 5 kali daur ulang.

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 5

Analisis Reliabilitas

4. Model Normal

1  1  t   2 
Pdf Normal adalah f (t )  exp     ,   t   .
 2  2    
Fungsi kumulatif dan reliabilitasnya berturut-turut adalah
t
1  1     2 
F (t )  P(t  t )   exp      d ,
  2  2    
R(t )  1  F (t ).

1  z2  
Pdf Normal baku adalah  ( z )  exp    ,    z  , dengan z  .
2  2  

 1  z2
dan fungsi distribusi kumulatifnya adalah ( )   exp    dz .

2  2 
Jika waktu kerusakan suatu komponen t~N(μ, σ), maka suatu komponen akan rusak pada
 t  t 
saat t dinyatakan P(t  t )  P  t     .
     
Fungsi hazard,
t 
 
f (t )   
h(t )   .
R(t ) R(t )
Contoh 1.5:
Sebuah komponen mempunyai waktu kerusakan berdistribusi normal dengan μ = 40000
putaran dan σ = 2000 putaran. Tentukan fungsi reliabilitas dan fungsi hazard pada 38000
putaran!
Jawab:
R(t )  1  F (t )  1  P(t  t )
 38000  40000 
R(38000)  1  P(t  38000)  1  P  z    1  P  z  1, 0 
 2000 
 1  0,1587  0,8413.

 38000  40000 
z   2000
h(38000) 
f (38000)
  2000 
R(38000) 0,8413
 (1, 0) 0, 242
   0, 0001438 kerusakan per putaran.
0,8413  2000 0,8413  2000

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 6

Analisis Reliabilitas

5. Model Log-Normal
Pdf Lognormal,

1  1  ln t   2 
f (t )  exp     ,      ,   0, t  0.
 t 2  2    
Rata-rata dan variansi dari T yang berdistribusi Lognormal adalah
 2 
Var (T )  [e2   ][e  1].
2 2
E (T )  exp     dan
 2 

Fungsi distribusi kumulatif, reliabilitas dan fungsi hazard untuk Model Lognormal:
t 1 1  ln    2   ln t   
F (t )   exp      d atau F (t )  P(T  t )  P  z 
0
 2  2       

 ln t   
 
 ln t    f (t )   .
R(t )  1  F (t )  P(T  t )  P  z  , dan h (t )  
   R(t ) t R(t )

Contoh 1.6:
Waktu kerusakan suatu komponen berdistribusi Lognormal dg μ = 6 dan σ = 2. Cari
reliabilitas komponen tsb dan laju kerusakannya untuk hidup 200 satuan waktu.
Jawab:
 ln 200  6 
R(200)  P  z    P[ z  0,35]  0, 6386.
 2
 ln 200  6 
   (0,35)
h(200)    
2 0,3752

200  2  0, 6386 200  2  0, 6386 200  2  0, 6386
 0, 001472 kerusakan persatuan waktu.

6. Model Gamma
Digunakan untuk menggambarkan waktu kerusakan dari suatu komponen yang
mempunyai kerusakan i tahap, 1 < i ≤ n. Atau kerusakan suatu sistem yang terjadi ketika n
sub-kerusakan yang independen terjadi.
Dua parameter distribusi gamma: parameter bentuk (γ) dan paramater skala (θ).
• Jika 0 < γ < 1, laju kerusakan turun monoton dari tak hingga ke 1/θ.
• Jika γ > 1, laju kerusakan naik monoton dari 1/θ ke tak hingga, pdf memiliki puncak
(tunggal) pada saat t = θ (γ – 1).
• Jika γ = 1, laju kerusakan konstan dan sama dengan 1/θ.

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 7

Analisis Reliabilitas

Pdf , distribusi kumulatif dan fungsi Reliabilitasnya berturut-turut sebagai berikut:

t  
t  1 t 
 1
 1    1  
f (t )   e , F (t )   

e d dan R(t )  

  e d .
 ( ) 0  ( ) t ( )
  
Jika parameter γ adalah integer n, distribusi gamma menjadi distribusi Erlang, sehingga
distribusi kumulatif, fungsi Reliabilitas dan fungsi hazardnya berturut-turut adalah:
n 1
 t 
k k
t 1 t 
   
   
t t
 n 1 
F (t )  1  e   k 0   , R(t )  e   k 0  
n 1
dan h(t )  k
.
k! k! t
 
n 1 
(n  1)! k 0  
k!
Rata-rata dan varians fungsi Gamma adalah E (T )   dan Var (T )   2 .
Contoh 1.7:
Suatu sistem mesin membutuhkan suplai arus stabil yang disupport oleh baterai utama
dengan waktu hidup T1 yang berdistribusi eksponensial dengan rataan 120 jam. Baterai
utama, ditopang oleh 2 baterai identik rataan hidup T2, dan T3 secara berurutan. Ketika
baterai utama rusak, maka baterai ke-2 menggantikan perannya. Baterai ke-3 digunakan
jika dan hanya jika baterai ke-2 rusak. Dengan kata lain, baterai tsb independen tapi
digunakan berurutan. Tentukan reliabilitas dan laju kerusakan untuk sistem mesin pd t =
280 jam. Berapakah rata-rata waktu hidup sistem?
Jawab:
T = T1 + T2 + T3  T berdistribusi gamma dengan γ = n = 3 dan θ = 120 jam.
k
 280 
280  
R(280)  e 120  k 0 
31 120 
 0,5872.
k!
31 31
1  280  1  280 
   
f (t ) 120  120  120  120 
h(t )   k
  0, 003746 kerusakan per jam.
R(t )  280  2!(6, 0556)
 
(3  1)! k 0 
31 120 

k!
E (T )    3(120)  360 jam.

7. Model Beta
Digunakan untuk interval waktu kerusakan terbatas, misal (0,1) atau semua interval
ditransformasi ke dalam interval (0,1).

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 8

Analisis Reliabilitas

P.d.f. Model Beta:

 (   )  1
 t (1  t )  1 , 0  t  1,  ,   0.
f (t )   ( )(  )

 0, lainnya.

Rata-rata dan varians distribusi Beta berturut-turut:

 
E (T )  dan Var (T )  .
          1
2

Mean Time to Failure (MTTF)

Salah satu ukuran reliabilitas suatu sistem adalah rata-rata waktu sampai rusak
(mean time to failure /MTTF). MTTF digunakan untuk suatu sistem yang tidak dapat
diperbaiki lagi. Sedangkan sistem yang masih dapat diperbaiki disebut MTBF (mean time
between failure). Misal diamati waktu rusak n sistem identik yg tidak dapat diperbaiki lagi
(nonrepairable). Asumsikan bahwa TTF adalah t1, t2, …, tn. Maka estimasi MTTF adalah,

ˆ  1 n t .
MTTF
n i 1
i

Karena ti adalah variabel random, maka nilai harapannya adalah

  dR(t )  
MTTF   t f (t ) dt   t dt    t dR(t )   R(t ) dt.
0 0 dt 0 0

 1
Untuk laju hazard konstan, MTTF   e t dt  . Untuk laju kerusakan linier positif,
0 
 t 2
   1
1
 1
MTTF   e 2
dt     2  . Untuk Model Weibull, MTTF     1   .
0
2 2 2  
Contoh 1.8:
MTTF untuk pengontrol robot dijamin akan dioperasikan dalam kondisi yang berbeda
adalah 20000 jam (dihitung dalam 103). Fungsi hazard pengontrol tsb mengikuti model
Weibull dengan θ = 100 dan γ = 1,5. Apakah pengontrol tsb mencapai MTTF tsb? Jika
tidak, berapa nilai karakteristik hidup agar mencapai jaminan MTTF?
Jawab:
1

Dari sampel, MTTF  1001,5  1  1,51   19,383 .

Ukuran  103 jam  MTTF  19,383 1000 jam  19383 jam. Jadi MTTFnya 19383 jam
dan tidak mencapai angka yang telah dijaminkan. Agar tercapai 20000 jam maka,

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 9

Analisis Reliabilitas

1 1

20    1   20 20
1,5 1
atau  1,5
   22,1573
 1  1,5  0,902636
1,5 1

  22,15731,5  104, 298.

Mean Residual Life (MRL)

Ukuran karakteristik reliabilitas dari produk, komponen, sistem adalah fungsi MRL, L(t).

1
R(t ) t
Didefinisikan sebagai: L(t )  E[T  t | T  t ], t  0 , atau L(t )   f ( )d  t.

Contoh 1.9:
Sebuah perusahaan menggunakan kompresor putar untuk penyediaan cairan pendingin.
Data eksperimen menunjukkan bahwa waktu kerusakan (antara 0 – 1 tahun) dari
kompresor mengikuti distribusi Beta dengan α = 4, β = 2. Berapa MRL dari kompresor
bahwa akan bertahan hingga 5 bulan?
Jawab:
(6) 3 t
f (t )  t (1  t )  20(t 3  t 4 )  R(t )  1  F (t )  1   20( 3   4 ) d ,
(4)(2) 0

5
Untuk t  5 bulan   0, 416.
12
0,416
R(0, 416)  1  20  (t 3  t 4 ) dt  0,9.
0

20 1
0,9 0,416
L(0, 416)  t (t 3  t 4 ) dt  0, 416  0, 288.

Atau MRL  0, 288 12 bulan  3, 46 bulan.

Latihan:
1. Suatu uji batas lelas mesin (dalam putaran) diterapkan pada 100 polimer dan masing-
masing diberi beban yang sama. Berikut adalah banyaknya polimer yang rusak ketika t
putaran:
Banyak Putaran x 105 Kumulatif Banyak Polimer yang Rusak
10 35
20 59
30 72
40 84
Rusak
50 93
60 100

Hitung fe(t), Re(t), he(t) dan Fe(t)!

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 10

Analisis Reliabilitas

2. Tentukan f(t), h(t), R(t) dan MTTF, jika diasumsikan bahwa:

( )

⁄
3. Tentukan f(t), F(t), R(t) dan MTTF, jika diasumsikan bahwa: ( )

Jika 200 unit diletakkan dalam satu operasi pada waktu yang bersamaan, berapa banyak
kerusakan yang diharapkan selama satu tahun beroperasi?
4. Diketahui kerusakan dari daya rem suatu sistem mengikuti fungsi hazard berikut:
( ) ( )
Berapakah reliabilitas daya rem pada saat t = 104 jam? Jika 20 sistem dipilih untuk diuji
pada saat yang bersamaan, berapa banyak yang akan tetap berfungsi pada saat t = 103
jam? Berapa banyak kerusakan yang diharapkan selama satu tahun beroperasi?
5. Waktu kerusakan dari daya rem mesin baru diteliti dan mengikuti distribusi Gamma
( )
dengan pdf : ( ) . Untuk γ = 2 dan λ = 0,0002, tentukan estimasi
( )

banyaknya kerusakan pada satu tahun kerusakan? Tentukan MTTF? Tentukan

Reliabilitas pada t = 1000 jam?
6. Laju kerusakan dari suatu sistem hidrolik mengikuti fungsi hazard berikut:

( ) ( ) .

a. Berapakah reliabilitas pada saat t = 105 jam? Tentukan MTTF nya!

b. Jika 10 sistem dipilih untuk diuji pada saat yang bersamaan, berapa banyak yang
akan tetap berfungsi pada saat t = 103 jam? Berapa banyak kerusakan yang
diharapkan selama satu tahun beroperasi?
7. Misal t menunjukkan waktu sampai terjadi kerusakan dari suatu komponen yang
mempunyai p.d.f sebagai berikut:

( )

Berapakah reliabilitas komponen pada saat t=3x104 jam? Tentukan fungsi hazard
komponen ini! Tentukan MTTF nya!
8. Waktu kerusakan dari suatu komponen mengikuti suatu distribusi Pareto dengan suatu

pdf ( )

Tentukan MTTF komponen dan fungsi MRLnya!

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 11

Analisis Reliabilitas

BAB 2. EVALUASI RELIABILITAS SISTEM

Sistem adalah suatu kumpulan komponen yang disusun berdasarkan desain khusus
untuk mencapai fungsi yang diinginkan dengan performa yang dapat diterima dan ukuran
reliabilitasnya. Jadi, jenis komponen yang digunakan, kualitas, dan desain konfigurasinya
disusun sedemikian rupa akan berpengaruh terhadap performa sistem dan reliabilitasnya.
Sistem yang dikonfigurasi, reliabilitasnya harus dievaluasi dan dibandingkan dengan level
reliabilitas yang ditentukan. Jika tidak terpenuhi, maka sistem harus dikonfigurasi ulang
dan kemudian reliabilitasnya dievaluasi kembali. Sehingga, reliabilitas sistem perlu untuk
terus dievaluasi seiring berubahnya konfigurasi.

1. Sistem Seri
Sistem seri adalah susunan dari n komponen (atau sub-sistem) yang terhubung
secara seri. Kerusakan satu komponen akan menghasilkan kerusakan seluruh sistem. Untuk
menentukan reliabilitas pada sistem seri, asumsikan bahwa peluang sukses dari setiap unit
dalam sistem diketahui ketika sistem dievaluasi. Asumsikan juga notasi berikut:
xi  unit ke  i yang beroperasi
xi  kerusakan pada unit ke  i
P  xi   peluang bahwa unit i beroperasi
P  xi  = peluang bahwa unit i tidak beroperasi (rusak)
R  reliabilitas sistem
Pf  unreliabilitas sistem  Pf  1  R 

Karena kesuksesan sistem yang terdiri atas n komponen mengharuskan semua unit
beroperasi, maka reliabilitas sistem dinyatakan,
R  P  x1 x2 xn   P  x1  P  x2 | x1  P  x3 | x1 x2  P  xn | x1x2 x3 xn1 
n
Jika kerusakan komponen independen, maka R  P  x1  P  x2  P  x3  P  xn    P  xi 
i 1

Reliabilitas sistem dapat ditentukan dengan menghitung peluang sistem rusak dan
menguranginya dari unit, yakni R  1  Pf . Sistem rusak jika ada komponen yang rusak.

Jadi,
Pf  P  x1  x2   xn    P  x1  + P  x2  + +P  xn     P  x1 x2  +P  x1 x3  + 
  1 P  x1 x2 xn  .
n 1


Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 12

Analisis Reliabilitas

Contoh 2.1:
Suatu sistem seri yang terdiri atas 3 komponen dan peluang komponen 1, 2, dan 3
beroperasi adalah 0,9, 0,8, dan 0,75. Estimasi reliabilitas sistem!
R  0,9  0,8  0, 75  0,54. Atau
Pf   P  x1  + P  x2  + P  x3     P  x1 x2  +P  x1 x3  +P  x1 x3     P  x1 x2 x3  
 0,55  0, 095  0, 005  0, 46.
R  1  Pf  1  0, 46  0,54.

2. Sistem Paralel
Dalam sistem paralel, komponen atau unit terhubungkan secara paralel sehingga
kerusakan satu atau lebih bagian masih memungkinkan bagian lain untuk beroperasi
dengan baik. Dengan kata lain, reliabilitas sistem paralel adalah peluang bahwa bagian
masih beroperasi. Reliabilitas sistem paralel didefinisikan sebagai,

R  P  x1  x2   xn    P  x1  + P  x2  + +P  xn     P  x1 x2   P  x1 x3   Pi  j  xi x j  

  1 P  x1 x2  xn 
n 1

Atau R  1  Pf  1  P  x1 x2 xn   1   P  x1  P  x2 | x1  P  x3 | x1 x2  

Jika komponen bersifat independen,

n n
R  1   P  x1  P  x2  P  x3  P  xn    1   P  xi =1- 1  P  xi  .
i 1 i 1

Jika komponen identik, R  1  (1  p)n , p adalah peluang bahwa komponen beroperasi.

Contoh 2.2:
Suatu sistem paralel yang terdiri atas 3 komponen dan peluang komponen 1, 2, dan 3
beroperasi adalah 0,9, 0,8, dan 0,75. Estimasi reliabilitas sistem!
R   P  x1  + P  x2  + P  x3     P  x1 x2  +P  x1 x3  +P  x1 x3     P  x1 x2 x3  
 2, 45  1,995  0,54  0,995
n
R  1   P  xi   1   (1  0,9)(1  0,8)(1  0, 75)   0,995
i 1

3. Sistem Paralel-Seri
Sistem paralel-seri terdiri atas m jalur paralel. Masing-masing jalur mempunyai n unit yang
terhubung secara seri.

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 13

Analisis Reliabilitas

Ambil P( xij ) sebagai reliabilitas dari komponen j ( j  1, 2,..., n) dalam jalur i (i  1, 2,..., m),
dan xij sebagai indikator bahwa komponen j pada jalur i beroperasi. Reliabilitas jalur i adalah

Pi   P  xij 
n
; i  1, 2,..., m dan j  1, 2,..., n
j 1

Unreliabilitas jalur i adalah Pi dan reliabilitas sistem adalah

m  
R  1   Pi atau R  1   1   P  xij  
m n

i 1 i 1  j 1 
Jika semua unit identik dan reliabilitas satu unit adalah p, maka reliabilitas sistem menjadi,
R  1  (1  p n )m

4. Sistem Seri-Paralel
Sistem seri-paralel yang umum terdiri atas n sub-sistem yang dirangkai secara seri
dengan m unit secara paralel dlm setiap sub-sistem.
Diturunkan dari sistem paralel-seri, didapatkan reliabilitas sistem seri-paralel
n  

R   1   1  P  xij   
m

i 1  j 1 
P  xij  adalah peluang bahwa komponen j dalam sub-sistem i beroperasi.
Jika semua unit identik dan reliabilitas satu unit adalah p, maka reliabilitas sistem seri-paralel
n
menjadi, R  1  (1  p) m 

5. Paralel-Campuran
Sistem paralel-campuran tidak mempunyai susunan unit yang spesifik, namun demikian,
unit terkonfigurasi secara paralel dan seri.
Contoh 2.3:
Diberikan 6 unit identik yang masing-masing mempunyai reliabilitas 0,85, tentukan
reliabilitas dari 3 sistem yang dihasilkan dari susunan unit dalam paralel-seri, seri-paralel,
dan paralel-campuran!

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 14

Analisis Reliabilitas

Jawab:
a. Paralel-Seri
karena m  2 dan n  3, R  1  (1  p n ) m  1  (1  0,853 ) 2  0,8511.
b. Seri-Paralel
m 3
karena m  3 dan n  2, R  1  (1  p) n   1  (1  0,85) 2   0,934007.
c. Paralel-Campuran
R  1  (1  0,852 ) 2 1  (1  0,85) 2   0,924726

6. Sistem F: Terurut k dari n

Suatu sistem yang tetap berfungsi hingga minimal ada k komponen yang rusak. Di
mana k komponen tsb harus berurutan dalam sistem (consecutive-k-out-of-n: F system)
Contoh 2.4:
Sistem telekomunikasi dengan n stasiun relay. Stasiun tsb diberi nama secara berurutan
dari stasiun 1 hingga n. Anggap bahwa sinyal yang dipancarkan oleh stasiun 1 dapat
diterima oleh stasiun 2 dan 3, dan sinyal dari stasiun 2 dapat diterima oleh stasiun 3 dan 4,
dan seterusnya. Jadi, ketika stasiun 2 gagal menerima sinyal, maka sistem telekomunikasi
tetap dapat mentransmisi sinyal dari stasiun 1 ke stasiun n. Namun, jika stasiun 2 dan 3
gagal, maka sinyal tidak dapat ditransmisi langsung ke stasiun 4, sehingga sistem
dikatakan rusak.
Beberapa notasi:
n  banyak komponen dlm sistem
k  jumlah minimum komponen rusak secara berurutan yg menyebabkan sistem rusak
p  peluang bhw sebuah komponen berfungsi
R  p, k , n   reliabilitas dr Sistem F: Terurut k dari n

xi  lokasi komponen i
X  vektor lokasi komponen
Y  variabel random yang mengindikasikan indeks pertama 0 dlm X
M  variabel random yang mengindikasikan indeks pertama 1 setelah posisi Y dlm X
 a   bilangan integer terbesar yang kurang dari sama dengan a
k p  1  1  p 
k

6.1. Sistem F: Terurut 2 dari n

Reliabilitas dari Sistem F: Terurut 2 dari n: R  p, 2, n  .

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 15

Analisis Reliabilitas

 n 1 / 2

R  p, 2, n   P sistem berfungsi   P sistem berfungsi dan j komponen rusak 

j 0

reliabilitas di atas tidak untuk bentuk j   n  1 / 2  .

 n 1 / 2

 n  j  1
atau R  p, 2, n     1  p  p .
j n j

j 0  j 
Contoh 2.5:
Misal 4 komponen tersusun seri. Tiap komponen mempunyai reliabilitas p. Sistem rusak
jika 2 komponen berurutan rusak. Sistem ini mengikuti sistem F: Teurut 2 dari n. Tentukan
reliabilitas sistem jika p = 0,95!
2
 4  j  1 5  4  3
R  p, 2, n      1  p  p    1  p  p    1  p  p    1  p  p
4 j
j 0 4 3 2 2

j 0  j   
0  
1  
2
 3p  2 p
2 3

Jika p=0,95, maka R  0,95, 2, 4   3(0,95)2  2(0,95)3  0,99275.

7. Sistem Kompleks
Sistem telekomunikasi, jaringan komputer, sistem utilitas tenaga listrik, dan sistem
distribusi utilitas air adalah beberapa contoh sistem yang kompleks.

Metode Dekomposisi
Dimulai dengan memilih sebuah komponen kunci dasar (keystone), x, yang
digunakan untuk menghubungkan/mengikat secara bersama-sama struktur reliabilitas dari
suatu sistem. Reliabilitas kemudian dinyatakan dalam bentuk keystone berdasarkan
teorema jumlah peluang, yakni R  P(sistem baik | x) P( x)  P(sistem baik | x ) P( x ),
di mana:
P(sistem baik | x) : peluang bahwa sistem berfungsi dengan syarat keystone berfungsi.
P(sistem baik | x ) : peluang bahwa sistem berfungsi dengan syarat keystone tidak berfungsi.

Contoh 2.6:

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 16

Analisis Reliabilitas

Misal: komponen B adalah keystone, maka Reliabilitas sistem:

R  P(sistem baik | B) P( B)  P(sistem baik | B ) P( B )
Jika B berfungsi, maka Jika B tidak berfungsi, maka

P(sistem baik | B)  P( D)  P( E )  P( D) P( E )
P(sistem baik | B )  P( A) P( D)  P(C ) P( E )  P( A) P( D) P(C ) P( E )
R  [ P( D)  P( E )  P( D) P( E )]P( B)  [ P( A) P( D)  P(C ) P( E )  P( A) P( D) P(C ) P( E )][1  P( B)]
Jika semua komponen mpy peluang yg sama, p, maka R  4 p 2  3 p 3  p 4  p
5

Misal: komponen A adalah keystone, maka Reliabilitas sistem:

R  P(sistem baik | A) P( A)  P(sistem baik | A) P( A)
Jika A berfungsi, maka:

P(sistem baik | A)  1  (1  p)[1  p(1  (1  p) 2 )]  p  2 p 2  3 p3  p 4

Jika A tidak berfungsi:

P(sistem baik | A)  P(subsistem baik | C ) P(C )  P(subsistem baik | C ) P(C )

Jika C berfungsi, maka

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 17

Analisis Reliabilitas

P(subsistem baik | C )  1  (1  p)(1  p 2 )

Jika C tidak berfungsi, maka:

P(subsistem baik | C )  p[1  (1  p)2 ]

P(sistem baik | A)  P(subsistem baik | C ) P(C )  P(subsistem baik | C ) P(C )

 [1  (1  p)(1  p 2 )] p  [ p(1  (1  p)2 ](1  p)  3 p 2  2 p3.

Jadi R  [ p  2 p 2  3 p3  p 4 ] p  [3 p 2  2 p3 ](1  p)  4 p 2  3 p3  p 4  p5 .

Latihan:
1. Tentukan reliabilitas sistem dari sistem yang diberikan seperti gambar berikut :
a. b.

2. Tentukan reliabilitas sistem dari sistem yang diberikan seperti gambar berikut :
Jika diketahui:
Reliabilitas komponen a=Ra= 0,85.
Reliabilitas komponen b=Rb= 0,90.
Reliabilitas komponen c=Rc= 0,82.
Reliabilitas komponen d=Rd= 0,87.
Reliabilitas komponen e=Re = 0,92.
Reliabilitas komponen f=Rf = 0,95.

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 18

Analisis Reliabilitas

3. Misal diberikan sistem seperti gambar berikut :

a. Tentukan reliabilitas sistem jika semua komponen identik dan peluang rusak adalah
q.
b. Tentukan reliabilitas sistem, jika disyaratkan sekurang-kurangnya 2 dari 3,
komponen ke 3 sampai ke 5 harus berfungsi baik dan sekurang-kurangnya 2 dari 4,
komponen ke 9 sampai ke 12 harus berfungsi baik agar sistem dapat berfungsi baik!
4. Tentukan reliabilitas sistem dari sistem yang diberikan seperti gambar berikut:

Jika diketahui:
Reliabilitas komponen A = 0,95.
Reliabilitas komponen B = 0,90.
Reliabilitas komponen C = 0,87.
Reliabilitas komponen D = 0,92.
Reliabilitas komponen E = 0,89.

a. Ambil A sebagai keystone.

b. Ambil A sebagai keystone.

5. Misal diberikan sistem seperti gambar berikut :

Tentukan reliabilitas sistem, jika diketahui reliabilitas komponen 1 sampai 4 adalah R a

dan komponen 5 sampai 8 adalah Rb, serta disyaratkan sekurang-kurangnya 2 dari 4,
komponen ke 5 sampai ke 8 harus berfungsi baik agar sistem dapat berfungsi baik!

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 19

Analisis Reliabilitas

BAB 3. RELIABILITAS DEPENDEN WAKTU DAN KERUSAKAN

Dalam Bab 3, dijelaskan tentang reliabilitas dependen waktu untuk sistem yang tidak
dapat diperbaiki dan yang dapat diperbaiki. Selain itu disajikan tentang estimasi reliabilitas
sistem bergantung kerusakan, yakni kerusakan komponen mempengaruhi tingkat
kerusakan komponen lain dalam sistem. Bagian terakhir, dijelaskan tentang rata-rata waktu
sampai terjadi kerusakan (MTTF), rata-rata waktu antara kerusakan (MTBF) dan
ketersediaan.

Sistem yang tidak dapat diperbaiki

1. Sistem Seri
Ambil n komponen independen yang diatur secara seri dengan reliabilitas 1 untuk
setiap komponen pada waktu t=0 yaitu ( ) ( ). Reliabilitas sistem pada
waktu t adalah probabilitas bahwa semua komponen bertahan sampai waktu t, jadi

( ) ( ) ( ) ( ) ∏ ( )

Berikut adalah reliabilitas dari suatu sistem seri ketika komponen mempunyai laju hazard:
 konstan ( ) , maka reliabilitas sistem adalah

( ) ∑
∏

 meningkat secara linier yaitu ( ) , maka reliabilitas sistem adalah

⁄ ∑
( ) ∏

 Weibull yaitu ( ) ( ) , maka reliabilitas sistem adalah

( ) [ ∑ ]

 konstan untuk r komponen dan Weibull untuk n-r komponen, maka

( ) ∏ ∏ [ ∑ ∑ ]

Contoh 3.1:
Suatu sistem seri terdiri dari 5 komponen, 3 diantaranya mempunyai laju kerusakan
konstan yaitu Sedangkan 2 komponen sisanya

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 20

Analisis Reliabilitas

menunjukkan hazard Weibull yang mempunyai parameter- parameter:

dan Tentukan reliabilitas sistem pada t=1000 jam.
Jawab:
Reliabilitas sistem pada waktu t adalah

( ) [ ∑ ∑ ] * ( ) +

Jadi reliabilitas sistem pada waktu t=1000 jam adalah ( )

2. Sistem Paralel
Suatu sistem paralel rusak jika dan hanya jika semua komponen paralel rusak.
Reliabilitas dari suatu sistem paralel dengan n komponen diekspresikan sebagai
( ) ( ) ( ̅ ̅ ̅ )
Jika komponen-komponen independen dan hazard konstan, maka reliabilitas sistem:

( ) ∏( )

Sistem dengan dua komponen yang disusun paralel, mempunyai reliabilitas sistem, yaitu:
( ) ( )( ) ( )

( ) ( )
( )
Adapun laju hazard efektif (laju kerusakan) dari sistem adalah
( )
( )
( ) ( )

Contoh 3.2:
Suatu sistem paralel dengan 2 komponen mempunyai laju hazard konstan yaitu
dan kerusakan per jam. Tentukan reliabilitas dan laju hazard
efektif dari sistem pada t=1000 jam. Apa efek dari dan pada ( ) di t=800 jam?
Jawab:
Dari persamaan (3.10) diperoleh
( ) .
Laju hazard efektif pada t=1000 jam sebagai berikut:

( )
( )

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 21

Analisis Reliabilitas

( ) kerusakan per jam.

Reliabilitas dari suatu sistem paralel untuk laju hazard:

 meningkat secara linier terhadap waktu adalah

⁄
( ) ∏( )

 mengikuti model Weibull adalah

( ) ∏( )

Contoh 3.3:
Tentukan reliabilitas dari suau tu sistem paralel dengan 3 komponen pada waktu t=100 jam
ketika komponen-komponen menunjukkan laju hazard meningkat secara linier. Koefisien-
koefisien dari laju hazard adalah
.
Jawab:
Menggunakan persamaan (3.15) diperoleh

( )

* + * +

( )

3. Sistem k-out-of-n
Reliabilitas sistem k-out-of-n dengan komponen-komponen yang mempunyai laju hazard:
 konstan adalah

( ) ∑ ( )( ) ( )

∑( ) ( ) ∑( ) ( )

 meningkat secara linier terhadap waktu adalah

⁄ ⁄
( ) ∑( ) ( )

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 22

Analisis Reliabilitas

 mengikuti model Weibull adalah

( ) ∑( ) ( )

Contoh 3.4:
Pandang suatu sistem 2-out-of-3 dengan komponen-komponen yang mempunyai laju
hazard konstan dengan parameter Apa reliabilitas sistemnya? Jika
kerusakan per jam, tentukan reliabilitas pada waktu t=1000 jam.
Jawab:
Menggunakan persamaan (3.18) diperoleh

( ) ∑( ) ( ) ( ) ( ) ( )

Substitusi , maka ( )

Contoh 3.5:
Dalam suatu sistem 2-out-of-n dengan komponen-komponen yang mempunyai laju hazard
konstan kerusakan per jam, tentukan banyaknya komponen untuk sistem
sedemikian sehingga reliabilitas 0,966 dicapai pada waktu t=1000 jam.
Jawab:
Reliabilitas sembarang komponen dalam sistem adalah ( ) .

Sehingga, ∑ ( )( ) ( )

*( ) ( ) ( )( )( ) +

( ) ( )( )
( ) ( )( )
Dari persamaan di atas, komponen. Artinya, paling banyak 2 komponen yang akan
digunakan untuk mencapai reliabilitas yang diinginkan atas periode waktu 1000 jam.

Mean Time to Failure (MTTF)

MTTF didefinisikan sebagai harapan waktu kerusakan T, yakni

( ) ∫ ( ) ∫ ( )

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 23

Analisis Reliabilitas

Simpangan baku dari TTF didefinisikan sebagai √∫ ( )

Tabel 3.1. MTTF untuk konfigurasi dan laju hazard yang berbeda
Konfi- Hazard MTTF
gurasi Rate

∑
Seri
(n unit √ ∑
dalam
seri)
(∑ ) Γ( )

∑ ∑ ∑ ∑ ∑ ∑

[ ]

Paralel
∑√ ∑ ∑ √ ∑ ∑ ∑ √
(n units ( ) ( )
dalam
paralel)
√ [ ( )√ ( )√ ( )√ ]

Γ( ) [∑ ∑ ∑ ( ) ( ) [∑ ] ]

k-out-of-n ∫ ∑ ( )( ) ( )

Contoh 3.6:
Suatu sistem seri terdiri dari 6 komponen, memiliki parameter bentuk yang sama (=1,75)
dari suatu distribusi Weibull. Parameter skala komponen-komponen tersebut adalah
dan . Tentukan MTTF sistem.
Jawab:
Dengan menggunakan persamaan (3.28) diperoleh

( ) ( )

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 24

Analisis Reliabilitas

Contoh 3.7:
Suatu sistem redudan aktif terdiri dari 4 komponen paralel identik yang masing-masing
mempunyai laju hazard meningkat secara linier, dengan kerusakan per
jam. Tentukan MTTF dari sistem.
Jawab:
Dengan , maka MTTF sistem tersebut:

√ [ √ √ √ ]

Contoh 3.8:
Selesaikan contoh 3.7 ketika sistem terdiri dari 3 komponen dalam paralel dan laju hazard
masing-masing adalah:
( ) , ( ) , ( ) .

Jawab:

Γ( ) [( ) ( ) ( ) ( )

( ) ( ) ( ) ]

Contoh 3.9:
Tentukan MTTF dari sistem 2-out-of-4 dengan komponen-komponen independen yang
masing-masing mempunyai hazard konstan kerusakan per jam.
Jawab:
Pertama, turunkan ekspresi reliabilitas sistem dan estimasi MTTF nya melalui ∫ ( ) .

( ) ∑( )[ ] [ ]

( ) ( ) ( ) ( ) ( ) ( )

∫ ( ) jam.

Contoh 3.10:
Tentukan MTTF untuk sistem 2-out-of-4 dengan komponen-komponen independen yang
masing-masing memiliki hazard meningkat secara linier dengan parameter .

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 25

Analisis Reliabilitas

Jawab:
Reliabilitas untuk sistem tersebut adalah:

( ) ⁄ ⁄ ⁄ ⁄ ⁄
( )( ) ( ) ( )( ) ( ) ( )( )

⁄ ⁄ ⁄
( ) ( )
⁄

MTTF dari sistem tersebut adalah:

∫ ( ) √ √ √ jam.

Contoh 3.11:
Tentukan MTTF untuk sistem 2-out-of-4 jika komponen-komponen independen, identik
dan menunjukkan hazard Weibull dengan parameter dan
Jawab:
Reliabilitas untuk sistem tersebut adalah:

( ) ( )( ) ( ) ( )( ) ( ) ( )( )

∫ ( ) [ ( ) Γ( ) ( ) Γ( ) ( ) Γ ( )]

[ ] jam.

Contoh 3.12:
Tentukan MTTF dari sistem struktur reliabilitas kompleks yang ditunjukkan dalam
Gambar 3.2. Anggap bahwa komponen-komponen independen, identik dan mempunyai
laju kerusakan konstan kerusakan per jam.

Gambar 3.2. Struktur reliabilitas kompleks

Jawab:
Reliabilitas sistem tersebut adalah ( ) ,

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 26

Analisis Reliabilitas

dan MTTF sistem tersebut adalah

∫ ( )

jam tahun.

Sistem yang dapat diperbaiki

1. Proses Renewal Bolak-balik
Pandang suatu sistem yang dapat diperbaiki dan mempunyai distribusi waktu
kerusakan dengan suatu fungsi densitas probabilitas ( ) dan suatu distribusi waktu
perbaikan dengan suatu fungsi densitas probabilitas ( ). Ketika sistem rusak, diperbaiki
dan dikembalikan ke kondisi kerja awalnya. Proses kerusakan dan perbaikan tersebut
berulang. Proses ini disebut sebagai proses renewal bolak-balik. Fungsi densitas yang
mendasari ( ) dari proses renewal adalah
( =
di mana ( dan adalah transformasi Laplace dari fungsi-fungsi densitas
yang sesuai.
Transformasi Laplace dari persamaan densitas renewal adalah
( ) ( ) ( )
=
( ) ( ) ( )
Komponen (atau sistem) mungkin berfungsi pada waktu t jika salah satu komponen (atau
sistem) tidak rusak selama selang waktu (0,t) dengan probabilitas ( ) atau perbaikan
terakhir terjadi pada waktu x, , dan komponen (atau sistem) terus menerus

berfungsi dengan baik sejak waktu itu dengan probabilitas ∫ ( ) ( ) . Jadi,

ketersediaan komponen (atau sistem) pada waktu adalah jumlahan dari dua probabilitas,

( ) ( ) ∫ ( ) ( )

Dengan transformasi Laplace diperoleh

( ) ( ) ( ) ( )
( ) ( )[ ( )] ( )* +
( ) ( ) ( ) ( ) [ ( ) ( )]

Titik ketersediaan (point availability), ( ), diperoleh melalui invers Laplace dari ( )

Keadaan ketersediaan secara terus menerus (steady-state availability), dinotasikan dengan
dengan ( ) ( ). Atau dapat dinyatakan dengan

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 27

Analisis Reliabilitas

( )

( )( )

Contoh 3.13:
Waktu kerusakan dari sistem mengikuti suatu distribusi Weibull dengan pdf berbentuk

( ) [ ( ) ]

dan waktu perbaikannya mengikuti suatu distribusi Eksponensial dengan pdf

( )
Tentukan point availability dari sistem ( ) dan nilai steady-state availability.
Jawab:

Nilai steady-state availability dapat diestimasi dengan menggunakan MTBF dan MTTR.

Γ( ) dan

Jika , dan , maka

Pointwise availability dari suatu sistem pada waktu t didefinisikan sebagai

probabilitas sistem dalam keadaan bekerja (beroperasi dengan baik) pada waktu t. Limit
availability dari suatu sistem yang mempunyai laju kerusakan konstan dan laju
perbaikan adalah

Tidak tersedianya (unavailability) dari sistem, yakni ̅( ) ( ). Dan limit

unavailability adalah ̅ di mana .

Untuk mengestimasi unavailability ̅( ) ketika laju kerusakan adalah waktu dependen,

banyak kerusakan yang diharapkan, , selama interval ( ) adalah

∫ ( ) ̅( ) ( )

Secara penaksiran sama dengan probabilitas menjadi tidak bekerja pada waktu sepanjang
( )
. Dengan demikian ̅( ) ( )

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 28

Analisis Reliabilitas

Latihan:
1. Suatu sistem terdiri dari 3 komponen seri yang dihubungkan dalam seri dengan 4
komponen dalam paralel. Komponen-komponen adalah identik, dan laju kerusakan
setiap komponen mengikuti suatu model Weibull dengan parameter dan
. Turunkan suatu ekspresi reliabilitas sistem. Tentukan MTTF dan laju
hazard efektif dari sistem!
2. Pandang suatu sistem dengan 3 komponen dalam seri. Komponen-komponen
mempunyai laju kerusakan konstan . Laju kerusakan komponen ketiga
adalah tiga kali laju kerusakan komponen kedua, dan laju kerusakan komponen kedua
adalah dua kali laju kerusakan komponen pertama.
Diinginkan untuk mencapai suatu relabititas sistem 0,95 pada waktu t = 100 jam.
Tentukan:
a. Laju kerusakan komponen
b. MTTF sistem
c. Probabilitas mempunyai 0, 1, 2 kerusakan dalam 100 jam operasi.
d. Laju kerusakan komponen jika suatu reliabilitas 0,95 diinginkan pada MTTF.

3. Suatu sistem dikonfigurasikan menggunakan 4 komponen yang ditunjukkan dalam

gambar berikut:

Anggap bahwa komponen mempunyai laju hazard

( ) kerusakan per jam.
( ) kerusakan per jam.
( ) kerusakan per jam.
( ) kerusakan per jam.
Tentukan ekspresi reliabilitas sistem.
Tentukan reliabilitas sistem pada waktu t = 1000 jam.

4. Dalam suatu sistem 3 out of n dengan komponen-komponen suatu laju kerusakan

meningkatkan secara linier ( ) kerusakan perjam. Tentukan banyak
komponen untuk sistem sedemikian sehingga reliabilitas 0,98 dicapai pada
jam. Tentukan MTTF.

5. Suatu chip komputer mempunyai 200.000 transistor dihubungkan dalam paralel dan k
transistor dibutuhkan untuk mengoperasikan chip dengan baik untuk melakukan
fungsinya. Anggap bahwa setiap transistor mempunyai model kerusakan konstan
( ) . Berapa nilai k yang menjamin suatu reliabilitas chip 0,95 pada t = 10.000
jam.

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 29

Analisis Reliabilitas

BAB 4. METODE ESTIMASI PARAMETER DARI DISTRIBUSI

WAKTU KERUSAKAN

Ide utama dari metode momen adalah menyamakan karakteristik sampel tertentu
seperti mean dan varians untuk nilai-nilai yang diharapkan populasi yang bersesuaian
dan kemudian menyelesaikan persamaan yang dihasilkan untuk mendapatkan nilai
perkiraan parameter tidak diketahui.
Jika mewakili himpunan data, maka momen ke k sampel adalah

Jika adalah parameter yang tidak diketahui dari populasi, maka estimator
momen ̂ ̂ ̂ diperoleh dengan menyamakan momen sampel m yang pertama
dengan momen populasi m yang pertama yang bersesuaian dan menyelesaikan untuk
.

Contoh 4.1:
Misal bahwa mewakili suatu sampel random dari suatu distribusi
Eksponensial dengan parameter . Bagaimana estimasi ?

Jawab:
Pdf dari distribusi Eksponensial adalah ( ) dan [ ] . Menggunakan
∑
momen pertama sampel [ ] .

Jadi estimasi dari adalah ̂ .

∑

Contoh 4.2:
Sebuah produsen sistem data wireless menggunakan sinar inframerah yang ditransmisikan
antara perangkat yang dipasang pada bagian luar gedung untuk menyediakan link data
kecepatan tinggi. Ukuran sinar inframerah memiliki efek langsung pada reliabilitas sistem
dan kemampuannya untuk mengurangi efek dari kondisi cuaca seperti salju dan kabut yang
menghalangi jalur sinar tsb. Data ditransmisikan secara kontinyu menggunakan sinar
inframerah dan waktu sampai terjadi kerusakan dalam jam (tidak menerima data yang
ditransmisikan) dicatat sebagai berikut:
47, 81, 127, 183, 188, 221, 253, 311, 323, 360, 489, 496, 511, 725, 772, 880,
1,509, 1,675, 1,806, 2,008, 2,026, 2,040, 2,869, 3,104, 3,205.

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 30

Analisis Reliabilitas

Dengan asumsi bahwa waktu kerusakan mengikuti distribusi eksponensial, tentukan

parameter distribusi menggunakan metode momen. Perkirakan reliabilitas sistem saat =
1000 jam. (Perhatikan bahwa data di atas dihasilkan dari sebuah distribusi eksponensial
dengan parameter 1/ = 1000).
Jawab:
Parameter dari distribusi Eksponensial adalah

̂
∑

atau ̂

Ini sangat dekat dengan nilai parameter yang sama yang digunakan dalam menghasilkan
data. Jelas, selama meningkatnya jumlah observasi, parameter yang diestimasi ( ̂ ) dengan
cepat mendekati parameter dari distribusi waktu kerusakan yang sebenarnya.

Contoh 4.3
Misal adalah suatu sampel random dari suatu distribusi gamma yang
mempunyai pdf :

( ) ⁄
( )

Gunakan metode momen untuk mendapatkan estimasi parameter

Jawab:
Sebagaimana yang telah ditunjukkan dalam Bab 1, mean dan varians dari distribusi
gamma, berturut-turut adalah: [ ] dan ( ) [ ] ( [ ]) .
[ ] diganti dengan estimator dan [ ] diganti dengan estimator , diperoleh
̂ ̂ dan ̂̂ .
Penyelesaian dua persamaan di atas secara simultan menghasilkan
( )
̂ ̂
( )
Contoh 4.4:
Sebuah produsen komputer pribadi melakukan suatu uji burn-in pada 20 monitor komputer
dan mendapatkan (dalam jam) sebagai berikut: 130, 150, 180, 40, 90, 125, 44, 128,
55, 102, 126, 77, 95, 43, 170, 130, 112, 106, 93, 71.
Asumsikan bahwa populasi dari waktu kerusakan yang utama mengikuti distribusi gamma
dengan parameter . Tentukan estimasi parameter- parameter ini!

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 31

Analisis Reliabilitas

Jawab:
Mula-mula, tentukan dan sebagai berikut:
∑
∑

Selanjutnya, tentukan estimasi parameter-parameternya:

( ) ( )
̂ ̂
( )

Jadi rata-rata suatu monitor hidup yang diharapkan adalah ̂ ̂ jam.

Contoh 4.5:
Gunakan metode momen untuk mengestimasi parameter dan dari distribusi normal.
Jawab:
Pdf dari distribusi normal:
( )
( )
√
Momen pertama dan momen kedua dari distribusi di atas berturut-turut adalah

( ) ( )
∫ ∫
√ √
Dengan menggunakan transformasi , kemudian mengintegralkannya (lihat
kembali catatan mata kuliah Statistika Matematika II) maka diperoleh nilai-nilai dan
sebagai berikut:

∑ ∑

Jadi estimasi untuk parameter dan adalah

̂ ∑ ̂ ∑ ( ∑ ) ∑( ̅)

Metode momen merupakan metode sederhana untuk memperkirakan parameter

distribusi waktu kerusakan yang tersedia yaitu distribusi yang mendasari diketahui.
Kesalahan dalam memperkirakan parameter adalah minimum ketika distri-
busi yang mendasari simetris dengan tidak ada skewness dan ketika waktu kerusakan tidak
tersensor atau terpotong.

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 32

Analisis Reliabilitas

Selang Kepercayaan
Setelah penentuan estimasi titik parameter distribusi, selanjutnya menentukan
selang kepercayaan yang mana parameter yang diperkirakan dekat dengan nilai-nilai
sebenarnya dari populasi. Selang kepercayaan untuk parameter adalah
[ ]
di mana LCL adalah batas bawah kepercayaan dan UCL adalah batas atas kepercayaan.
Misalkan sampel random diambil dari suatu populasi dengan
mean dan varians . Misal ̅ adalah estimator titik untuk . Jika n besar (n≥30),
maka ̅ kira-kira memiliki suatu distribusi normal dengan mean dan varians , atau
̅
memiliki suatu distribusi normal standar. Untuk sembarang nilai dapat
⁄√

ditemukan suatu nilai ⁄ sedemikian sehingga [ ⁄ ⁄ ]

Atau dapat ditulis
̅
* ⁄ ⁄ + [ ⁄ ̅ ⁄ ]
⁄√ √ √

[ ̅ ⁄ ̅ ⁄ ]
√ √
Sehingga diperoleh selang

( ̅ ⁄ ̅ ⁄ )
√ √
membentuk selang kepercayaan dari parameter yang diestimasi ̅ untuk dengan koefisien
kepercayaan .

Contoh 4.6:
Pandang waktu kerusakan dari contoh 4.4. Tentukan suatu selang kepercayaan untuk mean
waktu kerusakan dengan koefisien kepercayaan 0,95.
Jawab:
Dari data diperoleh ̅ dan adalah estimasi dari standar deviasi .
Karena ukuran sampel kecil (< 30), lebih tepat menggunakan distribusi t daripada
distribusi normal dalam menentukan selang kepercayaan. Jadi selang kepercayaan adalah
̅ ⁄ ( ) Dari tabel diperoleh dan substitusi s
√

untuk , didapat atau

√

(84,39 , 122,31).

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 33

Analisis Reliabilitas

Dengan kata lain, dengan tingkat kepercayaan 95% bahwa mean waktu kerusakan yang
sebenarnya terletak antara 84,39 dan 122,31 jam.

Latihan:

1. Diberikan data waktu kerusakan berikut :

40, 45, 55, 68, 78, 85, 94, 99, 120, 140, 160 dan 175 jam.
a. Anggap bahwa data tersebut suatu distribusi eksponensial, turunkan ekspresi suatu
fungsi laju kerusakan.
b. Gunakan metode moment untuk mengestimasi parameter dari distribusi eksponensial.
c. Tentukan reliabilitas komponen yang dimiliki populasi yang sama dari unit yang diuji
pada waktu t=49 jam.

2. Kisaran parameter dari distribusi Beta memungkinkan untuk model berbagai data waktu
kerusakan. Oleh karena itu, distribusi Beta secara luas banyak digunakan dalam aplikasi
teknik reliabilitas. Pdf dari distribusi Beta adalah
( )
( ) ( )
( ) ( )

di mana adalah parameter bentuk. Rata-rata dan

standar deviasi dari distribusi adalah:

( )( )
[ ]
( ) ( )
Berikut adalah data waktu kerusakan yang diperoleh dari suatu uji laboratorium:
50, 100, 130, 140, 142, 150, 160, 172, 179, 200, 220 hari
a. Gunakan metode moment untuk mengestimasi parameter dari distribusi Beta.
b. Turunkan ekspresi ( ) ( ) ( ) ( ).

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 34

Analisis Reliabilitas

BAB 5. MODEL RELIABILITAS PARAMETRIK

Perhitungan Laju Hazard dengan Penyensoran

Sebagaimana dibahas di bab 1, laju hazard untuk suatu interval waktu adalah rasio
antara banyaknya kerusakan yang terjadi selama interval waktu dan banyaknya yang hidup
pada awal interval dibagi dengan panjang interval. Unit tersensor selama interval tidak
boleh dihitung sebagai bagian dari unit rusak selama selang waktu tersebut. Jika tidak, laju
hazard akan meningkat. Contoh berikut menggambarkan perhitungan yang diperlukan
untuk laju hazard dan kumulatif hazard.

Contoh 5.1:
Dua ratus kapasitor keramik dikenakan uji hidup sangat dipercepat. Waktu kerusakan dari
beberapa kapasitor tersensor karena peralatan yang digunakan selama pengujian kapasitor
ini rusak selama tes. Banyaknya unit yang bertahan hidup dan yang tersensor ditunjukkan
dalam tabel 5.1. Hitung baik laju hazard dan kumulatif hazard.
Jawab:
Laju hazard pada waktu ti dihitung sebagai
( )
( )
( )
di mana h(ti) = Laju bahaya saat ti
Nf ( ) = Jumlah unit rusak selama interval
Ns ( ) = Jumlah korban pada awal interval
= Panjang interval waktu (ti−1, ti).
Nf (Δti) tidak termasuk unit yang tersensor. Rata-rata laju hazard konstan adalah 0,0319.
Waktu kerusakan rata-rata adalah 31,35 jam.
Tabel 5.1. Laju Hazard dan Kumulatif Hazard
Interval Banyak unit Banyak unit yang Survive sampai Laju Hazard Kumulatif
Waktu yang rusak tersensor akhir interval × 10−1 × 10−1
1−10 0 3 197 0,0000 0,0000
10−20 6 8 183 0,0304 0,0304
20−30 7 9 167 0,0382 0,0686
30−40 6 8 153 0,0359 0,1045
40−50 6 15 132 0,0392 0,1437
50−60 5 20 107 0,0373 0,1810
60−70 4 18 85 0,0373 0,2183
70−80 3 20 62 0,0352 0,2535
80−90 2 30 30 0,0322 0,2857
90−100 1 29 0 0,0333 0,3190

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 35

Analisis Reliabilitas

Distribusi Eksponensial
Distribusi eksponensial memiliki laju kerusakan konstan, sering digunakan dalam
praktek. Berikut adalah cara menilai validitas menggunakan distribusi eksponensial
sebagai model waktu kerusakan. Misal
t1 = saat kerusakan pertama
ti = waktu antara kerusakan ke i-1 dan ke i (i = 2,3, ...) atau waktu sampai kerusakan ke i
(tergantung pada waktu yang diamati)
r = banyaknya kerusakan selama tes (dengan asumsi tidak ada sensor)
T = jumlah waktu antara kerusakan, ∑ , dan
X = variabel acak untuk mewakili waktu untuk kerusakan.
Untuk pemeriksaan apakah waktu kerusakan mengikuti distribusi eksponensial atau tidak,
digunakan uji Bartlett yang mempunyai statistik uji

* ( ) (∑ )+
( )
di mana statistik Br berdistribusi Khi-kuadrat dengan derajat kebebasan r-1.
Uji Bartlett tidak menolak hipotesis yaitu distribusi Eksponensial dapat digunakan untuk
memodelkan suatu data waktu kerusakan yang diberikan jika nilai Br, terletak di antara dua
nilai kritis dari dua ekor uji Khi-kuadrat dengan tingkat signifikasi 100 (1-α ) persen. Nilai
kritis yang lebih rendah adalah ( ) dan nilai titik atas adalah ( ) .

Contoh 5.2:
Dua puluh transistor diuji pada lima volt dan 100oC. Ketika transistor rusak, waktu
kerusakan dicatat dan unit yang rusak diganti dengan yang baru. Waktu antara kerusakan
(dalam jam) dicatat dalam urutan meningkat seperti yang ditunjukkan dalam Tabel 5.2. Uji
validitas menggunakan laju hazard konstan untuk transistor ini.
Tabel 5.2 Waktu antara Kerusakan dari Transistor
Times between failures in hours (ti)
200 9,000 26,000 36,000 48,000
400 13,000 29,000 39,000 50,000
2,000 20,000 32,000 42,000 54,000
6,000 24,000 34,000 43,000 60,000

Jawab:
Karena semua transistor rusak selama pengujian, waktu kerusakan dapat diasumsikan
berasal dari sampel 20 transistor, dan setiap ti adalah nilai variabel random, X, waktu

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 36

Analisis Reliabilitas

sampai terjadi kerusakan:

∑ ∑

* ( ) +
( )
( )
Nilai-nilai kritis untuk uji dua sisi dengan α = 0,10 adalah
Jadi, B20 tidak menolak hipotesis yakni waktu kerusakan dapat
dimodelkan dengan distribusi Eksponensial.

Contoh 5.3: (Tersensor tipe 2)

Dalam uji yang serupa dengan contoh sebelumnya, dilakukan uji kerusakan dipercepat
(suhu 200oC dan 2,0 volt) terhadap 20 transistor. Uji dihentikan pada saat terjadi kerusakan
kesepuluh. Data waktu antara kerusakan (dalam jam) dari 10 transistor yang rusak sebagai
berikut 600, 700, 1000, 2000, 2500, 2800, 3000, 3100, 3300, 3600. Tentukan apakah data
kerusakan tsb mengikuti distribusi Eksponensial.
Jawab:

∑ ∑

* ( ) +
( )
( )

Nilai-nilai kritis untuk uji dua sisi dengan α = 0,10 adalah

dan
Jadi B10 menolak hipotesis bahwa waktu kerusakan dapat dimodelkan dengan distribusi
eksponensial. Namun, pada saat tingkat signifikansi 98 persen, nilai-nilai kritis uji dua sisi
menjadi dan Uji tidak menolak hipotesis bahwa waktu
kerusakan dapat dimodelkan dengan distribusi Eksponensial.

Pengujian untuk Waktu Kerusakan Singkat Secara Abnormal

Waktu kerusakan singkat (Short failure times) dapat terjadi karena cacat
manufaktur seperti kasus kerusakan aneh. Waktu kerusakan tidak benar-benar mewakili
waktu kerusakan populasi. Oleh karenanya, penting untuk menentukan apakah waktu

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 37

Analisis Reliabilitas

kerusakan singkat secara abnormal sebelum melakukan kesesuaian data untuk distribusi
Eksponensial. Jika waktu kerusakan singkat secara abnormal, data tsb harus dibuang dan
tidak dipertimbangkan dalam menentukan parameter distribusi waktu kerusakan.
Ambil (t1, t2,...,tr) suatu barisan r variabel random independen dan identik
terdistribusi Eksponensial yang mewakili waktu antara kerusakan untuk r kerusakan yang
pertama. Kemudian kuantitas 2ti / θ adalah berdistribusi Khi Kuadrat dengan dua derajat
kebebasan, di mana θ adalah rata-rata dari distribusi Eksponensial. Jika t adalah waktu
untuk kerusakan pertama yang mengikuti distribusi Eksponensial dengan mean = θ, maka

( )

Variabel acak y= 2t/θ berdistribusi dengan dua derajat bebas, dengan

( )

Jumlah dari dua atau lebih variabel random independen berdistribusi adalah variabel
baru yang mengikuti dengan derajat kebebasan sama dengan jumlah derajat kebebasan

dari variabel-variabel random individu (Kapur dan Lamberson,1977). Maka ∑

adalah dengan derajat kebebasan . Jadi

θ
∑ ( )
θ
Ini berarti bahwa distribusi F dapat dibentuk sebagai
( )
∑
dimana t1, waktu kerusakan singkat, mengikuti distribusi F dengan derajat kebebasan 2 dan
2r -2. Jika t1 kecil, maka rasio F menjadi sangat kecil yaitu,
( )
∑
Ketidaksamaan ini ekuivalen dengan
∑
( )
Catatan bahwa data kerusakan harus diurutkan sesuai dengan pengaturan waktu kerusakan
meningkat. Dengan kata lain, waktu kerusakan tersingkat terdaftar pertama, diikuti oleh
waktu kerusakan tersingkat kedua, dan seterusnya.

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 38

Analisis Reliabilitas

Contoh 5.4:
Pandang data kerusakan yang mewakili siklus kerusakan pada 20 bilah turbin. Pengujian
dilakukan dengan memperlakukan turbin ke beban dipercepat, menggantinya dengan turbin
baru pada kerusakan dan mencatat waktu kerusakan. Berikut adalah data kerusakan sidu
turbin: 120, 1300, 1680, 1990, 2010, 2112, 2192, 2215, 2290, 2581,
2689, 2892, 2999, 3565, 3873, 4256, 4368, 4657, 4933, 5832.
Apakah waktu kerusakan pertama merupakan waktu kerusakan singkat secara abnormal?
Jawab:
Total waktu kerusakan (kecuali yang pertama) adalah ∑ dan .

( )
Nilai kritis F pada keyakinan 95 persen adalah . Jadi kerusakan pertama
bukan merupakan representasi dari sisa data. Dengan kata lain, hipotesis bahwa waktu
kerusakan pertama tidak merupakan waktu kerusakan singkat secara abnormal harus
ditolak.

Pengujian untuk Waktu Kerusakan Lama secara Abnormal

Mengikuti prosedur di atas, waktu kerusakan tab dipandang sebagai waktu
kerusakan lama secara abnormal jika
( )
∑
Jika tr adalah waktu kerusakan terbesar, maka persamaan di atas dapat ditulis
( )
∑

Contoh 5.5:
Ujilah apakah waktu kerusakan terakhir adalah lama secara abnomal pada tingkat
signifikansi 5 persen, untuk data waktu kerusakan berikut:
30000, 34500, 37450, 39950, 43760, 46585, 49970, 54430, 57600, 59990,
63200, 66600, 70000, 73120, 75690, 77990, 80330, 84450, 88960, 99550.
Jawab:
Untuk memeriksa apakah waktu kerusakan dari unit waktu 99550 adalah lama secara
abnormal, maka ditentukan

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 39

Analisis Reliabilitas

Karena , maka waktu kerusakan terakhir (99550) adalah tidak

lama secara abnormal.

Misalkan n unit akan dilakukan pengujian dan waktu kerusakan unit secara teliti
dicatat. Sebut, t1, t2, ...., tn. Karena semua unit telah rusak dan tidak ada yang tersensor,
maka estimasi maksimum likelihood (MLE) dari λ adalah ̂ dimana ̂ adalah
∑

estimator maksimum likelihood dari laju kerusakan.

Rata-rata μ dari distribusi eksponensial adalah 1 / λ dan MLE dari μ adalah
∑
̂ ̅
λ
̂ disebut sebagai estimator maksimum likelihood dari rata-rata hidup.

Contoh 5.6:
Anggap bahwa data dalam Contoh 5.2 merupakan waktu kerusakan unit yang diuji.
Tentukan rata-rata hidup transistor dari populasi ini.
Jawab:

Hal ini dapat menunjukkan bahwa ̂ memiliki distribusi Khi-kuadrat dengan derajat
kebebasan 2n. Karena dan ̂ ̂ , maka selang kepercayaan 100(1-α persen
untuk ̂ (dengan asumsi hidup minimum nol) yaitu
̂ ̂

di mana adalah titik persentase 100α dari distribusi Khi-kuadrat dengan derajat
kebebasan 2n yaitu, [ ]
̂ ̂
Selang kepercayaan dari rata-rata hidup sesuai adalah .

Jika n besar (n ≥ 25), perkiraan selang untuk λ dengan pendekatan ̂ oleh distribusi normal
yang mempunyai rata-rata λ dan varians . Dengan demikian diperoleh
̂ ̂
̂ ̂
√ √

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 40

Analisis Reliabilitas

dimana adalah titik 100 (α /2) % , [ ( )] dari distribusi normal

standar.
Contoh 5.7:
Tentukan selang kepercayaan dua sisi 95% untuk rata-rata hidup transistor pada contoh
5.6.
Jawab:
̂ = 28380 jam, pada tingkat kepercayaan 95%, ; ,

batas μ: atau jam.

Contoh 5.8:
Seorang insinyur mekanik melakukan uji kelelahan untuk menentukan harapan hidup dari
batang yang terbuat dari jenis baja khusus dengan memperlakukan 25 bahan percobaan ke
beban aksial yang menyebabkan tegangan 9000 pon per inci persegi. Banyak siklus dicatat
pada waktu kerusakan dari setiap bahan percobaan. Anggap bahwa uji tsb dijalankan pada
10 siklus per menit, tentukan reliabilitas dari batang yang terbuat dari baja ini pada 10 jam.
Hasil uji tersebut (banyak siklus kerusakan) sebagai berikut:
200, 280, 340, 460, 590, 720, 850, 990, 1200, 1420, 1950, 2460, 2590, 3520, 4560,
5570, 6590, 7600, 8630, 9650, 10660, 11670, 12680, 13685, 14690.
Jawab:
Pertama-tama dilakukan pemeriksaan apakah data kerusakan dapat diwakili oleh distribusi
eksponensial, dengan menggunakan B25. Selanjutnya dilakukan penentuan siklus antara
kerusakan dari data sebagai berikut:
Tabel 5.3 Jumlah Siklus Kerusakan dan Antar Kerusakan
No. Siklus Siklus Antara No. Siklus Siklus Antara
Batang Kerusakan Kerusakan Batang Kerusakan Kerusakan
1 200 200 14 3520 930
2 280 80 15 4560 1040
3 340 60 16 5570 1010
4 460 120 17 6590 1020
5 590 130 18 7600 1010
6 720 130 19 8630 1030
7 850 130 20 9650 1020
8 990 140 21 10660 1010
9 1200 210 22 11670 1010
10 1420 220 23 12680 1010
11 1950 530 24 13685 1005
12 2460 510 25 14690 1005
13 2590 130

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 41

Analisis Reliabilitas

∑ ∑

* +

Nilai-nilai kritis untuk uji dua sisi dengan α = 0,10 adalah dan

. Oleh karena itu statistik B25 tidak bertentangan dengan hipotesis bahwa
waktu kerusakan dapat dimodelkan dengan distribusi Eksponensial. Reliabilitas batang
pada 10 jam adalah ( ) , di mana

( )

Data Tersensor Tipe 1

Anggap bahwa n unit diambil untuk diuji dan waktu kerusakan ti dari unit yang rusak
dicatat dan diurutkan dalam urutan naik. Misal T waktu penyensoran dari uji. Dengan
demikian, di mana adalah waktu
penyensoran dari unit tersensor i. Dengan menggunakan metode MLE untuk λ diperoleh
̂
∑ ∑
Dan rata-rata hidup unit dapat diperkirakan sebagai

̂ [∑ ∑ ]
̂

Statistik ̂ memiliki diatribusi Khi-kuadrat dengan derajat kebebasan 2r. Mean dan

varians dari ̂ berturut-turut adalah ̂ ( )dan ̂ ( ) (Lee, 1992). Selang

kepercayaan 100(1-α % untuk λ adalah
̂ ̂

Selang kepercayaan untuk rata-rata hidup, μ, adalah

̂ ̂

Jika n besar n ≥ 25 , distribusi ̂ dapat didekati dengan distribusi normal dengan mean λ
dan varians ̂ ( )

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 42

Analisis Reliabilitas

Selang Kepercayaan 100(1-α % adalah

̂ ̂
̂ ̂
√ √

Contoh 5.9:
Seorang produsen ujung cutter memperkenalkan material cutter keramik yang baru. Untuk
mengestimasi harapan hidup dari sebuah cutter, produsen menempatkan 10 unit yang diuji
terus menerus dan dipantau pemakaian alat tsb. Suatu kerusakan cutter terjadi ketika
pemakaian melebihi suatu nilai yang telah ditentukan. Karena keterbatasan anggaran,
produsen memutuskan untuk menjalankan uji selama 50000 menit. Waktu sampai terjadi
kerusakan cutter dicatat, yakni sebagai berikut:
3000, 7000, 12000, 18000, 20000, 30000.
Tentukan rata-rata hidup dari sebuah cutter yang terbuat dari bahan ini. Tentukan selang
kepercayaan 90% untuk harapan hidup? Tentukan pula reliabilitas pada 60000 menit?
Jawab:
Hasil pemeriksaan data waktu antara kerusakan (dari Tabel 5.4) diperoleh

∑ ∑

Tabel 5.4 Waktu Kerusakan dan Antara Kerusakan Cutters

No. Waktu Waktu Antara No. Waktu Waktu Antara
Batang Kerusakan Kerusakan Batang Kerusakan Kerusakan
1 3000 3000 4 18000 6000
2 7000 4000 5 20000 2000
3 12000 5000 6 30000 10000

Statistik Khi-kuadrat adalah dan Jadi, data mengikuti

distribusi Eksponensial. Estimasi μ diperoleh:

̂ [ ]

dan selang kepercayaan 90% untuk μ adalah

̂ ̂

Peluang bahwa cutter akan bertahan selama 60000 menit adalah

̂
̂( )
di mana ̂ ( ) adalah estimasi reliabilitas pada waktu t.

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 43

Analisis Reliabilitas

Data dengan Penyensoran Tipe 2

Misalkan n unit ditempatkan untuk diuji pada waktu nol dan waktu kerusakannya
dicatat dalam urutan naik. Misalkan bahwa tes dihentikan ketika r dari n unit rusak. Waktu
kerusakan dari n unit, , di mana ti adalah waktu
kerusakan unit i dan adalah waktu penyensoran dari unit tersensor i yang mana
merupakan waktu penyensoran dari uji. MLE dari λ dan μ untuk penyensoran tipe 2
menghasilkan persamaan yang sama seperti penyensoran tipe 1.
Pemeriksa situasi penyensoran secara random ketika n unit menjalani suatu uji
reliabilitas pada waktu nol. Uji dihentikan pada waktu T. Misalkan r adalah banyaknya unit
yang rusak sebelum T dan n-r adalah banyaknya unit yang bertahan sampai waktu uji T
atau peralatan uji rusak selama T sedangkan unit sedang beroperasi. Data tsb dikumpulkan
dan diamati sebagai berikut: . Tanda + menunjukkan
penyensoran. Waktu kerusakan dan waktu sensor disusun dalam urutan
. Menggunakan metode MLE diperoleh
̂
∑ ∑
Hasilnya sama seperti pada penyensoran tipe 1. Ketika semua pengamatan tersensor, maka
estimasi untuk μ adalah ̂ ∑ Dalam praktek nilai estimasi ini kurang baik,
uji reliabilitas yang dirancang dianggap buruk. Metode untuk menangani semua data yang
tersensor akan dibahas dalam bab berikutnya.
Ketika banyaknya unit yang diuji besar (n ≥ 25), distribusi dari ̂ adalah sekitar

normal dengan mean λ dan varians (Lee, 1980): (̂)

∑ ( )

di mana Ti adalah waktu bahwa komponen ke i berada dalam pengamatan (waktu sampai
kerusakan atau akhir test). Jika Ti tidak diketahui karena adanya penghentian abnormal dari

pengujian, maka varians dapat diperkirakan sebagai ̂ ( ̂) , di mana r adalah

banyaknya komponen rusak sebelum berakhirnya pengujian.

Selang kepercayaan 100(1-α % adalah ̂ √ ̂ ( ̂) ̂ √ ̂ ( ̂ ) dan

distribusi ̂ diperkirakan dengan distribusi normal dengan rata-rata μ dan estimasi varians
̂
diperkirakan dari ̂ ( ̂) ∑ ( )
. Jika Ti diketahui, maka ̂ ( ̂) .

Batas-batas μ adalah ̂ √ ̂ ( ̂) ̂ √ ̂ ( ̂) .

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 44

Analisis Reliabilitas

Selang Kepercayaan untuk ̂

Hasil asimtotik yang diturunkan oleh Bain dan Engelhardt (1991) menunjukkan
bahwa untuk ̂ penyensoran hebat kira-kira mengikuti suatu distribusi Khi-kuadrat
dengan df (derajat kebebasan) 2(r - 1), dan mengikuti distribusi Khi-kuadrat dengan df
(n -1) ketika sampel lengkap.
Agar supaya perhitungan transisi ini akurat, Bain dan Engelhardt (1991)
menyarankan pendekatan berikut: ( ) di mana [( ) ].
Selang konfidensi 100(1-α % untuk ̂ dapat dihitung dengan menggunakan

( )
̂ ̂* + ̂ ̂* +

Superscripts L dan U masing-masing menunjukkan batas bawah dan atas.

Contoh 5.10: (Sampel Lengkap)

Sepuluh unit diuji sampai rusak. Data (waktu kerusakan) adalah
20, 22, 24, 25, 26, 27, 30, 35, 42, 52.
Tentukan selang kepercayaan 90% untuk ̂ dari data di atas.
Jawab:
Karena ini adalah sampel lengkap, maka ̂ kira-kira mengikuti suatu distribusi Khi-kuadrat
dengan derajat kebebasan (n-1):
dan

[( ) ( ) ]

̂ ̂* + [ ]

̂ ̂* + [ ]

Contoh 5.11: (Sampel Tersensor)

Tiga puluh unit dalam pengujian yang mana dihentikan setelah 22 unit terjadi kerusakan.
Waktu kerusakan adalah 18,5; 20; 20,5; 21,5; 22; 22,5; 23,5; 24; 24,3; 24,6; 25;
25,3; 25,6; 26; 26,3; 26,7; 27; 28; 29; 30; 32; 33.
Tentukan selang kepercayaan 90% untuk ̂ dari data di atas.
Jawab:
̂ kira-kira mengikuti suatu distribusi chi-kuadrat dengan df :

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 45

Analisis Reliabilitas

[( ) ( ) ]
[( ) ]
( ) ( )
dan

Batas atas dan bawah dari selang kepercayaan untuk ̂ adalah

̂ [ ] ̂ [ ]
( ) ( )

Inferensi untuk ̂
Bias dari ̂ adalah fungsi dari dan γ dan tidak mudah dinilai. Untungnya, pada
umumnya, tidak sangat bias dan penggunaan suatu ̂ yang tidak bias memberikan suatu
estimasi yang beralasan dari ̂ .
Selang kepercayaan untuk ̂ dapat dibangun dengan menggunakan distribusi
√ ̂ (̂ ). Dapat ditunjukkan bahwa 100(1 - α % selang kepercayaan untuk ̂

adalah ̂ ( (√ ̂)) ̂ ( (√ ̂))

Bain dan Engelhardt (1991) memberikan tabel dengan titik-titik persentase Uα sedemikian
sehingga ( ) . Sebagai alternatif U0,05 dan U0,95 dapat dihitung dengan
menggunakan pendekatan berikut

( ) ( ) ( ) ( )
( ) ( )

Contoh 5.12: (Sampel Lengkap)

Tentukan selang kepercayaan 90% untuk ̂ yang diestimasi dari data dalam contoh 5.10.
Jawab:
Dihitung nilai dari distribusi :

( ) ( )
( )

( ) ( )
( )
Batas bawah dan atas untuk ̂ diperkirakan sebagai
̂ ( (√ ̂)) ( (√ ))

̂ ( (√ ̂)) ( (√ ))

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 46

Analisis Reliabilitas

Untuk sampel tersensor, Uα adalah fungsi dari dan n , beberapa hasil yang
ditabulasikan untuk Uα disediakan oleh Bain dan Engelhardt (1991). Sebagai alternatif,
U0,05 dan U0,95 untuk sampel tersensor dapat dihitung dengan menggunakan pendekatan
berikut ( ):

( )

( )
Ekspresi ini adalah valid untuk dan .

Contoh 5.13: (Sampel tersensor)

Tentukan selang kepercayaan 90% untuk menduga ̂ dari data dalam contoh 5.11.

Jawab:
Pada contoh 5.11, n = 30 dan .
;
̂ ( (√ ̂)) ( (√ ))

̂ ( (√ ̂)) ( (√ ))

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 47

Analisis Reliabilitas

DAFTAR PUSTAKA

1. Elsayed, A. 1996. Reliability Engineering, Addison Wesley, Longman, Inc.

2. Crowder, M.I., Kimber, A.C., Smith, R.L., dan Swetting, T.J., 1991, Statistical Analysis
of Reliability Data. Chapman and Hall, London.
3. Mc Cormick, Reliability and Risk Analysis, Academic Press, New York, 1981.
4. Sinha, S.K., dan Kale, B.K., Life Testing and Reliability Estimation, Wiley, Eastern,
1980.
5. Lewis, E., Introduction to Reliability Engineering, Wiley, 1987.
6. Barlow, R.E., dan Proschan, F., Mathematical Theory of Reliability, Wiley, New York,
1965.

Dra. Umu Sa’adah, [Link]; Darmanto, [Link] Page 48