LAPORAN ANALISIS RELIABILITAS

DISTRIBUTION ANALYSIS ( RIGHT CENSORED DATA )

MENGGUNAKAN SOFTWARE MINITAB 14

DISUSUN OLEH :

NAMA : FATHIKATUL ARNANDA

NIM : B2A012006

SEMESTER : V (LIMA)

PROGRAM STUDI S1 STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS MUHAMMADIYAH SEMARANG

A. Distribution Analysis

Distribution analysis pada minitab digunakan untuk mengetahui karakteristik

lamanya hidup suatu produk. Misalnya, ketika ingin mengestimasi berapa lama
suatu barang atau produk dapat bertahan dalam kondisi yang berbeda atau berapa
lama pasien akan bertahan setelah menjalani proses operasi.
Tujuannya adalah untuk mengetahui distribusi kegagalan pada suatu produk.
Dapat dilakukan dengan mengestimasi percentil, probabilitas kelangsungan hidup,
dan parameter distribusi. Kita dapat menggunakan estimasi parametrik atau estimasi
nonparametrik.
Ada dua hal yang perlu di pertimbangkan untuk memilih distribusi apa yang
akan dipilih, yaitu Pertama apakah data tersebut dapat diasumsikan dalam distribusi
parametrik dan Kedua, type tersensor.
Menggunakan analisis distribusi parametrik ketika data dapat diasumsikan
mengikuti distribusi parametrik. Dan menggunakan analisis distribusi nonparametrik
ketika tidak dapat mengasumsikan data mengikuti distribusi parametrik.
Setelah memilih distribusi analisis apa yang ingin digunakan, kita harus
memilih ingin menggunakan Right censoring atau Arbitrary censoring.
Menggunakan right censoring ketika memiliki kegagalan yang tepat dan data yang
tepat disensor. Dan menggunakan arbitrary censoring ketika data mencakup
kegagalan yang tepat, dan memiliki skema sensor yang bervariasi ( right censoring,
left censoring dan interval censoring ).

B. Metode Estimasi

Apabila data telah mengikuti asumsi distribusi parametrik maka dapat

digunakan estimasi Maksimum Likelihood dan Least Square. Dan jika data tidak
mengikuti asumsi distribusi parametrik maka dapat menggunakan Kaplan-Meier,
Actuarial dan Turnbull. Dapat dilihat pada gambar di bawah ini :
C. Distribusi Analisis Data
Data yang Anda dikumpulkan untuk perintah analisis distribusi adalah
berapa kali kegagalan untuk individu. Misalnya, ketika mungkin kita akan
mengumpulkan kali kegagalan untuk unit berjalan pada suhu tertentu. Kita mungkin
juga mengumpulkan sampel kali kegagalan di bawah temperatur yang berbeda, atau
di bawah kombinasi yang berbeda dari variabel stres. Misalkan dilakukan
pengamatan terhadap kipas angin untuk mengetahui persentase penggemar yang
gagal dalam jangka waktu tiga tahun garansi. Tabel ini menjelaskan jenis
pengamatan yang dilakukan :
Jenis Pengamatan Deskripsi Contoh
Exact failure time Kita tahu pesis apabila Kipas angin gagal tepat
terjadi kegagalan 500 hari
Right Censored Kita hanya tahu bahwa Kipas angin tidak belum
kegagalan terjadi gagal di 500 hari
setelah waktu tertentu
Left Censored Kita hanya tahu bahwa Kipas angin gagal
kegagalan terjadi kadang-kadang sebelum
sebelum waktu tertentu 500 hari
Interval Censored Kita hanya tahu bahwa Kipas angin gagal
kegagalan terjadi antara kadang-kadang antara
dua kali waktu tertentu 475 dan 500 hari
 D. Distribusi Analisis Data Right Censored
Data Right Censored dapat secara tunggal atau multiply sensor. Tunggal
disensor berarti yang item disensor semua berlari untuk jumlah waktu yang sama,
dan semua kegagalan yang tepat terjadi lebih awal dari waktu sensor. Multiply
sensor berarti bahwa item yang disensor pada waktu yang berbeda, dengan
kegagalan kali bercampur dengan saat-saat menyensor.
Data Multiply disensor lebih sering terjadi di lapangan, di mana unit masuk
ke layanan diwaktu yang berbeda. Data tunggal disensor lebih sering terjadi pada
kasus yang dikendalikan. Dua contoh ini, kolom Bulan mengandung kali kegagalan,
dan Sensor kolom berisi indikator yang mengatakan apakah kegagalan yang
disensor (C) atau tepat waktu kegagalan (F):

Bulan Sensor Bulan Sensor

50 F 50 F
Unit-unit ini belum 53 F 50 F Data sensor tunggal
gagal dan putus adalah khusus
60 C 53 F
penelitian sebelum waktu disensor pada 70
selesai. Data multiply 65 C 53 F
bulan, yang berarti
sensor karena waktu 70 F 60 F setiap pengamatan yang
menyensor (C) lebih besar dari atau
bercampur dengan 70 F 65 F
sama dengan 70 bulan
kegagalan kali (F). 50 F 70 C dianggap disensor.
53 F 70 C
. .
. .
Dst dst
 Data tunggal tersensor dapat berupa:
- waktu disensor, yang berarti menjalankan studi untuk jangka waktu tertentu.
Semua unit masih berjalan pada saat akhir adalah waktu disensor. Hal ini
dikenal sebagai Tipe I menyensor di sebelah kanan.
- kegagalan disensor, yang berarti menjalankan studi sampai mengamati
ditentukan jumlah kegagalan. Semua unit berjalan dari kegagalan ditentukan
terakhir seterusnya adalah Kegagalan disensor. Hal ini dikenal sebagai Tipe II
menyensor di sebelah kanan.

E. Distribution ID Plot
 Goodness of fit statistik
MINITAB menyediakan Goodness of fit statistik Anderson Darling
untuk maksimum likelihood dan metode estimasi kuadrat (Least Squares
Estimation) dan koefisien korelasi Pearson untuk metode estimasi kuadrat
terkecil membantu membandingkan distribusi model yang cocok.
Anderson darling statistik adalah ukuran seberapa jauh plot poin jatuh
dari pas baris dalam plot probabilitas. Statistik adalah jarak kuadrat tertimbang
dari plot menunjuk ke baris dilengkapi dengan bobot yang lebih besar di ekor
distribusi. Minitab menggunakan Anderson Darling statistik yang sesuai, karena
statistik berubah ketika berbeda metode titik plot yang digunakan. Anderson
Darling statistik kecil menunjukkan bahwa distribusi sesuai dengan data yang
lebih baik.
Untuk estimasi kuadrat terkecil, Minitab menghitung koefisien korelasi
Pearson. Jika distribusi sesuai dengan data dengan baik, maka plot poin pada
plot probabilitas akan jatuh pada garis lurus. Korelasi mengukur kekuatan
hubungan linear antara X dan Y variabel di sebidang probabilitas. Korelasi akan
berkisar antara 0 dan 1, dan nilai-nilai yang lebih tinggi menunjukkan distribusi
baik.
 Gunakan koefisien Anderson-Sayang statistik dan korelasi Pearson untuk
membandingkan fit distribusi yang berbeda.

 Contoh Distribusi ID Plot Right Censoring

Misalkan Anda bekerja untuk sebuah perusahaan yang memproduksi
gulungan mesin untuk turbin rakitan. Gulungan mesin dapat terurai pada tingkat
yang tidak dapat diterima di suhu tinggi. Anda ingin tahu pada waktu suhu tinggi
mengingat di mana 1% mesin gulungan gagal. Anda berencana untuk
mendapatkan informasi ini dengan menggunakan Parametric yang Distribusi
Analisis kanan perintah Penyensoran, yang mengharuskan Anda untuk
menentukan distribusi untuk data Anda. Distribusi ID Plot Right Censoring
dapat membantu Anda memilih distribusi itu.
Pertama Anda mengumpulkan kali kegagalan untuk gulungan mesin pada dua
suhu. Pada bagian pertama sampel, Anda menguji 50 gulungan pada 80 ° C;
dalam sampel kedua, Anda menguji 40 gulungan di 100 ° C. Beberapa unit
keluar dari tes untuk alasan yang tidak terkait. Dalam lembar kerja MINITAB,
Anda menggunakan kolom menyensor indikator untuk menentukan mana waktu
adalah kegagalan yang sebenarnya (1) dan yang dikeluarkan dari unit tes
sebelum kegagalan disensor (0).

 Langkah-langkah penyelesaiannya sebagai berikut :

1. Buka lembar kerja RELIABLE.MTW.
2. Pilih Stat  Reliability/Survival  Distribution ID Plot—Right Cens

3. Pada Variabel, masukkan Temp80 Temp100.

4. Klik Sensor. Pilih Gunakan menyensor kolom dan masukkan Cens80 Cens100
dalam kotak.

5. Klik OK pada setiap kotak dialog.

 Hasil Output Minitab
  Hasil Interpretasi
Poin jatuh sekitar pada garis lurus pada kemungkinan alur cerita
lognormal, sehingga distribusi lognormal basis e akan menjadi pilihan yang baik
ketika menjalankan analisis distribusi parametrik. Anda juga dapat
membandingkan nilai Anderson Darling Goodness of fit untuk menentukan
distribusi paling sesuai dengan data. Anderson Darling statistik kecil berarti
bahwa distribusi menyediakan lebih cocok. Di sini, Anderson Darling nilai
untuk distribusi lognormal basis e lebih rendah dari nilai Anderson Darling
untuk distribusi lainnya, sehingga mendukung kesimpulan Anda bahwa
distribusi lognormal basis e paling cocok.

F. Disrtibution Overview Plot

 Contoh distribution overview plot dengan right-censored data
Misalkan Anda bekerja untuk sebuah perusahaan yang memproduksi
gulungan mesin untuk turbin rakitan. Gulungan mesin dapat terurai pada
tingkat yang tidak dapat diterima di suhu tinggi. Anda ingin tahu, pada suhu
tinggi tertentu, pada waktu apa melakukan 1% dari
gulungan mesin gagal. Anda berencana untuk mendapatkan informasi ini
dengan menggunakan perintah Parametric Penyensoran distribusi Analisis
kanan, tetapi pertama-tama Anda ingin memiliki cepat melihat data Anda
dari perspektif yang berbeda. Pertama Anda mengumpulkan data untuk kali
kegagalan untuk gulungan mesin pada dua suhu. Di sampel pertama, Anda
menguji 50 gulungan pada 80 ° C; dalam sampel kedua, Anda menguji 40
gulungan pada 100 ° C Beberapa unit putus tes karena hal lain yang
menyebabkan kegagalan. Unit-unit ini dianggap tepat disensor karena
kegagalan mereka tidak karena penyebab yang menarik. Dalam worksheet
MINITAB, Anda menggunakan kolom menyensor indikator untuk
menentukan waktu yaitu kegagalan yang sebenarnya (1) dan yang unit
disensor dihapus dari tes sebelum kegagalan (0).
 Langkah-langkahnya sebagai berikut :

1. Buka lembar kerja RELIABLE.MTW

2. Pilih Stat  Reliability/Survival  Distribution Overview Plot—
Right Cens
3. Pada Variabel, masukkan Temp80 Temp100.
4. Dari Distribusi, pilih Lognormal basis e.
5. Klik Sensor. Pilih Gunakan menyensor kolom dan masukkan Cens80
Cens100 dalam kotak.
6. Klik OK pada setiap kotak dialog.

 Hasil output Minitab

 Hasil Interpretasi
Keempat plot menggambarkan tingkat kegagalan gulungan mesin di dua
suhu berbeda. Dengan plot ini, Anda dapat menentukan berapa banyak
semakin besar kemungkinan bahwa gulungan mesin akan gagal jika berjalan
pada 100 ° C dibandingkan dengan 80 ° C.
G. Parametrik Analisis Distribusi
 Contoh parametric analisis distribusi dengan exact failure/right-censored
Misalkan Anda bekerja untuk sebuah perusahaan yang memproduksi
gulungan mesin untuk turbin rakitan. Gulungan mesin dapat terurai pada
tingkat yang tidak dapat diterima di suhu tinggi. Anda memutuskan untuk
melihat kegagalan kali untuk gulungan mesin pada dua temperatur, 80 dan
100 ° C. Anda ingin mengetahui informasi berikut untuk setiap suhu:
- waktu di mana berbagai persentase gulungan gagal. Anda sangat tertarik
pada persentil 0.1st.
- proporsi lilitan yang bertahan melewati 70 bulan.

Anda juga ingin menarik dua plot: plot probabilitas untuk melihat
apakah distribusi lognormal menyediakan cocok untuk data Anda, dan plot
hidup. Dalam sampel pertama, Anda mengumpulkan kali kegagalan (dalam
bulan) selama 50 gulungan pada 80 ° C; di sampel kedua, Anda
mengumpulkan kali gagal selama 40 gulungan pada 100 ° C. Beberapa
gulungan keluar dari tes untuk alasan yang tidak terkait. Dalam worksheet
MINITAB, Anda menggunakan kolom menyensor indikator untuk
menentukan mana waktu adalah kegagalan yang sebenarnya (1) dan yang
dikeluarkan dari unit tes sebelum kegagalan disensor (0).

 Langkah-langkahnya sebagai berikut :

1. Buka lembar kerja RELIABLE.MTW.

2. Pilih Stat  Reliability/Survival  Parametric Dist Analysis–Right
Cens
3. Pada Variabel, masukkan Temp80 Temp100.
4. Dari distribusi Diasumsikan, pilih Lognormal basis e.
5. Klik Sensor. Pilih Gunakan menyensor kolom dan masukkan Cens80
Cens100 dalam kotak. Klik OK.
6. Klik Perkiraan. Dalam persentil Perkiraan untuk ini persen tambahan,
 masukkan .1.
7. Di Perkiraan probabilitas kelangsungan hidup untuk kali ini (nilai),
masukkan 70. Klik OK.
8. Klik Grafik. Periksa survival plot. Klik OK pada setiap kotak dialog.

 Hasil Output Minitab

  Hasil Interpretasi
Untuk melihat waktu di mana berbagai persentase gulungan gagal,
melihat Tabel Persentil. Pada 80 ° C, misalnya, dibutuhkan 19,3281 bulan
untuk 1% kesalahan dari gulungan . kamu dapat menemukan .1st persentil,
yang Anda minta, dalam Tabel Persentil. Pada 80 ° C, 1% dari gulungan
gagal oleh 13,3317 bulan; pada 100 ° C, .1% dari gulungan gagal oleh
3,9350 bulan. Jadi peningkatan suhu menurun persentil oleh sekitar 9,5
bulan. Berapa proporsi gulungan yang Anda harapkan untuk tetap berjalan
melewati 70 bulan? Di Tabel Survival Probabilitas Anda menemukan
jawaban Anda. Pada 80 ° C, 37,43% bertahan hidup masa lalu 70 bulan;
pada 100 ° C, 19,82% bertahan hidup.

H. Nonparametric Distribution Analysis With Exact Failure/Right Censored

 Contoh nonparametric distribution analysis with exact failure/right censored

Misalkan Anda bekerja untuk sebuah perusahaan yang memproduksi
gulungan mesin untuk turbin rakitan. Gulungan mesin dapat terurai pada tingkat
yang tidak dapat diterima di tinggi suhu. Anda memutuskan untuk melihat
kegagalan kali untuk gulungan mesin di dua temperatur, 80 dan 100 ° C. Anda
ingin mengetahui informasi berikut untuk masing-masing
suhu:
- waktu di mana setengah dari gulungan gagal
- proporsi lilitan yang bertahan melewati berbagai waktu
Anda juga ingin tahu apakah kurva survival pada dua suhu yang signifikan
berbeda. Dalam sampel pertama, Anda mengumpulkan kali gagal untuk 50
gulungan pada 80 ° C; di kedua sampel, Anda mengumpulkan kali gagal selama
40 gulungan pada 100 ° C. Beberapa gulungan putus tes untuk alasan yang tidak
terkait. Dalam worksheet MINITAB, Anda menggunakan kolom menyensor
indikator untuk menentukan mana waktu adalah kegagalan yang sebenarnya (1)
 dan yang unit disensor dihapus dari tes sebelum kegagalan (0).

 Langkah-langkahnya sebagai berikut :

1. Buka lembar kerja RELIABLE.MTW.

2. Pilih Stat  Reliability/Survival  Nonparametric Dist Analysis–Right
Cens.
3. Pada Variabel, masukkan Temp80 Temp100.

4. Klik Sensor. Pilih Gunakan menyensor kolom dan masukkan Cens80 Cens100
dalam kotak. Klik OK.
5.Klik Grafik. Periksa Kelangsungan Hidup plot dan Tampilan interval
kepercayaan pada plot. Klik OK di setiap kotak dialog.

 Hasil Output Minitab

 Hasil Interpretasi

Perkiraan waktu kegagalan rata-rata untuk Temp80 adalah 55 bulan dan

38 bulan untuk Temp100. Jadi peningkatan suhu menurun waktu kegagalan
median oleh sekitar 17 bulan. Perkiraan kelangsungan ditampilkan dalam tabel
Perkiraan Kaplan-Meier. Sebagai contoh, pada 80 ° C, 0.9000 dari gulungan
bertahan hidup melewati 31 bulan, sementara pada 100 ° C, 0.9000 dari
gulungan bertahan hidup melewati 14 bulan. Apakah kurva survival untuk
Temp80 dan Temp100 berbeda nyata? Di Test Tabel statistik, nilai-p <a
menunjukkan bahwa kurva survival berbeda secara signifikan.
Dalam hal ini, p-nilai kecil (0,0055 dan 0,003) menunjukkan bahwa perubahan
20 ° C memainkan peran penting dalam pemecahan gulungan.