BAB II

PERHITUNGAN KEANDALAN VS KERUSAKAN

2.1 Defenisi Keandalan

Keandalan didefinisikan sebagai probabilitas komponen, peralatan, mesin,
atau sistem tetap beroperasi dengan baik sesuai dengan fungsi yang diharapkan
dalam interval waktu dan kondisi tertentu.
Dalam menyatakan berfungsi tidaknya suatu fasilitas/peralatan tertentu,
kita bisa menyatakannya dalam nilai keandalan dari fasilitas/peralatan tersebut.
Keandalan menyatakan konsep kesuksesan operasi atau kinerja dan ketiadaan
kerusakan. Ketidakandalan menyatakan kebalikannya. Teori keandalan
menguraikan kegunaan interdisiplin, probabilitas, statistik, dan pemodelan
stokastik, dikombinasikan dengan pengetahuan rekayasa ke dalam desain dan
pengetahuan ilmu mekanisme kerusakan, untuk mempelajari berbagai aspek
keandalan (Blischke & Murthy, 2000). Meningkatnya persaingan bisnis antar
perusahaan dan permintaan konsumen yang membutuhkan produk dengan kualitas
tinggi dan jadwal penyerahan tepat waktu, telah mendorong kebutuhan peralatan
(equipment) atau mesin (machine) pada tingkat keandalan (reliability) yang
tinggi.
Suatu peralatan dinyatakan memiliki dua state yaitu “baik” dan “rusak”
yang merupakan proses probabilistik sehingga jika keandalan berharga 1, maka
sistem dapat dipastikan dalam keadaan baik dan jika berharga 0, dipastikan
sistem dalam keadaan rusak. Jika keandalan adalah R (t) maka keandalan
berkisar 0 ≤ R (t) ≤ 1 sehingga dapat digambarkan sebagai berikut :

Gambar 2.2. Fungsi Keandalan sebagai fungsi waktu (Nachnul Ansori dan M.
Imron Mustajib, 2013)

Dimana :
R (t) = Fungsi keandalan
F (t) = Probabilitas kerusakan
T = Lamanya suatu peralatan beroprasi sampai dengan rusak yang
merupakan fariabel acak.
R (t) = P { alat dapat berfungsi } pada saat t
= P{ T } (mesin dapat berfungsi)
= 1 – P { T> t }
=1-F(t)
Jadi keandalan dapat dihitung dengan rumus :
∞
RT = ∫ (t( dt).................................................................................................(1)
1
= 1 – F (t) untuk 0 ≤ R (t) ≤ 1
Dimana:
R (t) = Fungsi Keandalan
F (t) = Probabilitas Kerusakan
Untuk t → 0, R(t) →1, berarti sistem keadaan baik
Untuk t →∞, R(t) →0, berarti sistem keadaan rusak

2.2 Fungsi Keandalan

Seperti yang sudah disebutkan di atas bahwa keandalan merupakan
probabilitas kinerja dari sistem/alat untuk memenuhi fungsi-fungsi yang diharapkan
dalam selang waktu tertentu. Sedang fungsi keandalan adalah suatu fungsi
matematis yang menggambarkan fungsi kerusakan.
Variabel utama dalam fungsi keandalan adalah waktu terjadinya
kerusakan (time failure). Fungsi tersebut dirumuskan sebagai berikut :
∞
RT = ∫ (t( dt)= p (x> t)..........................................................................(2)
1
Dimana :
R(t) merupakan probabilitas peralatan dapat beroperasi hingga waktu t.
Probabilitas suatu perawatan mengalami kerusakan sebelum jangka waktu
disebut sebagai CDF (Cumulative Distribution Failure) dengan rumusan : F (t)
=P(x≤t)
Sehingga dari kedua persamaan diatas dapat dirumuskan bahwa
probabilitas keandalan suatu peralatan hingga waktu t di rumuskan
R (t) = 1 – F (t)
t
(t) = ( - ∫ λ (t) dt ¿
1

2.3 Kerusakan
Karakteristik kerusakan peralatan pada umumnya tidak sama meskipun
dioperasikan pada waktu yang sama. Karena kerusakan suatu alat atau
komponen tergantung pada variabel waktu untuk mengetahui variabel waktu
kerusakan digunakan fungsi padat probabilitas (Nachnul Ansori dan M. Imron
Mustajib, 2013).

2.4 Model Distribusi Probabilitas Keandalan

Waktu terjadinya kerusakan tiap peralatan merupakan variabel random.
Sebelum menghitung nilai probabilitas keandalan suatu mesin atau peralatan maka
perlu diketahui secara statistik distribusi kerusakan peralatan tersebut. Distribusi
kerusakan digunakan untuk menentukan kerusakan komponen berdasarkan
interval waktu kerusakannya. Menurut Gasperrsz (2002) distribusi kegagalan
adalah cara untuk mengetahui seberapa besar kegagalan terjadi.
2.4.1 Distribusi Normal
Distribusi normal mempunyai laju kerusakan yang naik sejak
bertambahnya umur alat, yang berarti probabilitas kerusakan alat atau komponen
naik sesuai dengan bertambahnya umur komponen tersebut. Distribusi normal
mempunyai dua parameter yaitu rata-rata dan standar deviasi.
Adapun fungsi-fungsi distribusi normal dinyatakan sebagai berikut:

Fungsi kepadatan probabilitas :

∞
1
f ( t )= ∫
σ √2 π 1
exp−¿ ¿ dt.............................................................................(3)

𝜇 = Rata-rata dari variabel acak

Dengan ketentuan : - ~ < t < ~

𝜎 = Standar deviasi distribusi

Fungsi Keandalannya:
∞
1
R ( t )= ∫ exp−¿ ¿.................................................................................(4)
σ √2 π 1

Laju Kerusakannya:
λ (t)exp−¿ ¿ ¿............................................................................................(5)

2.5 Distribusi Eksponensial

Distribusi eksponensial mempunyai laju kerusakan yang konstan, tidak
tergantung pada waktu. Dengan demikian probabilitas terjadinya kerusakan pada

eksponensial memiliki satu parameter yaitu 𝛽.

suatu komponen atau alat tidak tergantung pada umur alat tersebut. Distribusi

Adapun fungsi-fungsi distribusi eksponensial dinyatakan sebagai berikut :

F (t) = 1 - 𝑒(𝜆−𝑡) ...................................................................................

 Fungsi kemungkinan kumulatifnya :

(6)

 Fungsi kemungkinan kepadatannya adalah :

f (t) = λ𝑒(𝜆.𝑡) ..........................................................................................
(7)
Dengan ketentuan : t > 0
λ = Rata-rata nilai kedatangan kerusakan

 Fungsi laju kerusakannya :

r (t) = λ..................................................................................................(8)
Dimana untuk t > 0
α = Parameter skala dengan α > 0
β = Parameter bentuk dengan β >0
Dimana θ = Rata-rata Waktu Antar Kerusakan (MTTF)
  Fungsi keandalannya yaitu :
R(t) = 𝑒(−𝜆.𝑡) ...............................................................................................
(9)

Pola grafik dari masing-masing fungsi pada distribusi eksponensial

mendekati bentuk pola berikut :

Gambar 2.4. Pola Grafik Fungsi Distribusi Eksponensial Sumber : Seiichi N,

1988

2.6 Distribusi Weibull

Distribusi ini merupakan distribusi yang paling sering untuk menganalisis
data kerusakan, karena distribusi weibull dapat memenuhi beberapa periode
kerusakan yang terjadi, yaitu periode awal (early failure), periode normal dan
periode pengausan (wear out).
Periode tersebut tergantung dari nilai parameter bentuk fungsi
distribusi weibull. Distribusi weibull mempunyai laju kerusakan menurun untuk β >
1. Fungsi-fungsi distribusi weibull adalah sebagai berikut ( R a h a r d i a n ,
Riastuti, & Zakiyuddin, 2024):
Fungsi kepadatan kerusakan :
t- γ
f ( t)=
β t- γ β-1 -( ɳ )
( ) e ......................................................................... (10)
ɳ ɳ

Dimana β = oarameter bentuk, ɳ = parameter skala dan y = parameter lokasi.

Fungsi laju kegagalan λ (t) menurut fungsi Weibull yaitu:
f (t) β t- γ β-1
λ (t )= = ( ) ......................................................................... (11)
R (t) ɳ ɳ
MTTF T dari Weibull yaitu
1
= ɳ . Γ ( + 1) ................................................................................... (12)
β
2.7 Distribusi Lognormal
Distribusi ini berguna untuk menggambarkan distribusi kerusakan untuk
kondisi yang bervariasi. Disini time failure (t) dari suatu komponen diasumsikan
memiliki distribusi lognormal bila y=ln(t), mengikuti distribusi normal dengan
rata-rata µ dan variansinya adalah s.
Fungsi padat peluang dari distribusi lognormal adalah:
F(t) =
β
t.s√2ɳ {1
}
exp - 2 [ ln t- t 0 ] ² ( 2.28 ) ..............................................................
2s
(13)
Fungsi keandalan distribusi lognormal adalah:

R (t) = l – ф ln
1
s [ ( )]t
μ
...................................................................................... (14)

Laju kegagalannya adalah:

f (t)
λ (t) = ......................................................................................................... (15)
R (t)
MTTF distribusi LogNormal adalah:
MTTF = exp ( μ+ ( 0,5.s ² ) )................................................................................ (16)

2.8 Distribusi Normal

Fungsi probabilitasnya

[ ]
∞
1 -(t-π)²
δ√ ( 2π ) ∫
F (t) = exp dt; ...........................................................................
t
2δ²
(17)
Fungsi keandalannya:

[ ]
∞
1 -(t-µ)²
R (t) = ∫
δ√ ( 2π ) t
exp
2δ²
dt.............................................................................
(18)
Laju kerusakannya:
exp [−( t−μ )2 l 2 δ ² ]
λ (t) = ∞ ...................................................................................
∫ exp [−( t−μ )2 l 2 δ ² ]
t
(19)

2.9 Mean Time to Failure (MTTF)

Mean Time to Repair (MTTR) merupakan rata-rata waktu untuk
melakukan perbaikan yang dibutuhkan oleh suatu komponen. MTTF hanya
digunakan pada komponen ata alat yang sering kali mengalami kerusakan dan
harus diganti dengan komponen atau alat yang masih baru atau baik. Rata-rata
waktu kerusakan dapat dirumuskan sebagai berikut (Rahardian et al., 2024):
∞

E [T] = ∫ t.f. ( t ) dt
0
 |
∞ ∞
dR ∞
= -∫ t dt= -tR ( t ) + ∫ R ( t ) dt ..................................................... (20)
0 dt 0 0
Karena R (∞) adalah 0, sehingga diperoleh:
∞

E [T] = ∫ R ( t ) dt............................................................................................... (21)

0

2.10 Mean Time To Repair (MTTR)

Mean Time to Repair (MTTR) merupakan rata-rata waktu untuk
melakukan perbaikan yang dibutuhkan oleh suatu komponen (Fatma, Ponda, &
Kuswara, 2020).
MTTR dapat dirumuskan sebagai berikut:
∞

E [T] = ∫ R ( t ) dt............................................................................................... (22)

0

2.11 Mean Time Between Failure (MTTBF)

Mean Time Between Failure (MTBF) merupakan rata-rata interval waktu
kerusakan yang terjadi saat mesin atau komponen selesai diperbaiki hingga mesin atau
komponen tersebut mengalami kerusakan kembali (Fatma et al., 2020). Contoh pada
mesin bubut mungkin memiliki waktu rata-rata kegagalan 300.000 jam. Perhitungan
MTTBF dapat digunakan sebagai satu acuan dasar ketika hendak melakukan perancangan
suatu produksi baru. MTTBF dapat dikembangkan sebagai hasil dari pengujian intensive
berdasarkan pada pengalaman produl nyata, atau yang diramalkan dengan penelitian
faktor yang sudah diketahui.
MTTBF dapat dirumuskan sebagai berikut:
MTTBF = MTTF + MTTR
 DAFTAR PUSTAKA

Fatma, N. F., Ponda, H., & Kuswara, R. A. (2020). Analisis Preventive

Maintenance Dengan Metode Menghitung Mean Time Between Failure
(Mtbf) Dan Mean Time To Repair (Mttr) (Studi Kasus Pt. Gajah Tunggal
Tbk). Heuristic, 17(2), 87–94. [Link]
Rahardian, K., Riastuti, R., & Zakiyuddin, A. (2024). Prediksi Sisa Umur Layan
dan Analisa Resiko pada Power Transformer Menggunakan pendekatan
Distribusi Weibull dan Risk Priority Number. MALCOM: Indonesian
Journal of Machine Learning and Computer Science, 4(1), 308–316.
[Link]
 RESUME JURNAL

Judul Analisis pemeliharaan preventif

dengan menggunakan metode Mean
Time Between Failure (MTBF) dan
Mean Time to Repair (MTTR) pada
PT. Gajah Tunggal TBK.
Penulis Nur Fadillah Fatma, Henri Ponda,
Rizky Aditya
Latar Belakang Penelitian Latar belakang masalah dalam
penelitian ini Penelitian ini dilakukan
untuk menganalisis preventive
maintenance pada PT. Gajah Tunggal
TBK dengan menggunakan metode
perhitungan Mean Time Between
Failure (MTBF) dan Mean Time to
Repair (MTTR). Data kerusakan AC
Panel dan Motor Blower pada mesin
[Link].01 selama tahun 2018 telah
dihitung, menunjukkan MTBF sebesar
19,587 menit dan MTTR sebesar 259
menit. Berdasarkan hasil ini,
direkomendasikan untuk melakukan
preventive maintenance dengan
membersihkan filter AC panel dan
motor blower setiap dua minggu
sekali. Analisis ini bertujuan untuk
meningkatkan kinerja perusahaan
dengan meminimalisir downtime,
mengurangi breakdown, dan
mengurangi biaya perbaikan mesin.
Tujuan Tujuan dari penelitian ini adalah untuk
menganalisis preventive maintenance
pada PT. Gajah Tunggal TBK dengan
menggunakan metode perhitungan
Mean Time Between Failure (MTBF)
dan Mean Time to Repair (MTTR).
Analisis ini bertujuan untuk
meningkatkan kinerja perusahaan
dengan meminimalisir downtime,
mengurangi breakdown, dan
mengurangi biaya perbaikan mesin.
Metode Metode yang digunakan untuk
menganalisis preventive maintenance
di PT. Gajah Tunggal TBK adalah
dengan menghitung Mean Time
Between Failure (MTBF) dan Mean
Time to Repair (MTTR).
Kesimpulan Berdasarkan penelitian ini, kesimpulan
yang dapat diambil adalah:
[Link] Jadwal Preventive
Maintenance: Perusahaan perlu
merubah jadwal preventive
maintenance untuk Cleaning AC Panel
dan Motor Blower berdasarkan
analisis data kegagalan mesin.
Perubahan jadwal ini bertujuan untuk
meminimalisir downtime, mengurangi
breakdown, dan mengurangi biaya
perbaikan mesin.
2. Fokus pada Mesin dengan Tingkat
Kegagalan Tinggi: Data kerusakan
menunjukkan bahwa mesin memiliki
tingkat kegagalan tertinggi. Oleh
karena itu, langkah-langkah perbaikan
dapat difokuskan pada mesin tersebut
untuk meningkatkan efektivitas
preventive maintenance.
[Link] Perhitungan MTBF dan
MTTR: Hasil perhitungan
menunjukkan Mean Time Between
Failure (MTBF) sebesar 19,587 menit
dan Mean Time To Repair (MTTR)
sebesar 259 menit. Berdasarkan hasil
ini, direkomendasikan untuk
melakukan preventive maintenance
dengan membersihkan filter AC panel
dan motor blower setiap dua minggu
sekali.

Judul Prediksi sisa umur dan analisis risiko

transformator daya dengan
menggunakan pendekatan distribusi
Weibull dan Risk Priority Number
Penulis Krisnandha Rahardian, Rini Riastuti
dan Ahmad Zaki Yuddin
Latar Belakang Penelitian Berbagai penelitian telah dilakukan
untuk memprediksi dan mengevaluasi
kondisi serta kegagalan transformator
daya menggunakan metode-metode
seperti analisis senyawa furan, FMEA,
penilaian risiko, dan algoritma deep
learning. Penelitian-penelitian ini
bertujuan untuk meningkatkan kinerja
 dan keandalan transformator daya di
berbagai industri.
Tujuan Tujuan dari penelitian yang dibahas
dalam paper tersebut adalah untuk
melakukan prediksi sisa umur dan
analisis risiko pada transformator daya
menggunakan distribusi Weibull dan
pendekatan Risk Priority Number.
Selain itu, penelitian juga bertujuan
untuk mengevaluasi kondisi
transformator daya, menunjukkan
bahwa transformator dalam kondisi
baik dan dapat diandalkan, serta
memberikan rekomendasi untuk
menjaga dan menjalankan preventive
maintenance guna memastikan
operasional yang aman.
Metode Metode yang digunakan dalam
penelitian ini meliputi pendekatan
distribusi Weibull untuk prediksi sisa
umur transformator daya dan
pendekatan Risk Priority Number
untuk analisis risiko. Selain itu,
penelitian juga menggunakan analisis
Failure Modes and Effects Analysis
(FMEA) untuk menganalisis penyebab
dan model kegagalan yang mungkin
terjadi pada sistem transformator daya.
Kesimpulan Berdasarkan penelitian yang
dilakukan, dapat disimpulkan bahwa
prediksi sisa umur dan analisis risiko
pada transformator daya dilakukan
menggunakan distribusi Weibull dan
pendekatan Risk Priority Number.
Hasil analisis menunjukkan bahwa
transformator dalam kondisi baik dan
dapat diandalkan, dengan estimasi sisa
umur peralatan sebesar 22.9 tahun dan
keandalan sebesar 80%. Tidak ada
anomali signifikan yang dapat
berdampak pada keselamatan
operasional. Disarankan untuk tetap
menjaga dan menjalankan preventive
maintenance guna memastikan
operasional yang aman.