Distribusi Weibull: Cara Memodelkan Data Waktu-ke-Kejadian

Saat Anda menganalisis berapa lama sesuatu bertahan (apakah itu masa pakai komponen elektronik, waktu kelangsungan hidup pasien, atau keandalan peralatan), Anda memerlukan distribusi yang mampu menangani kerumitan pola kegagalan. Distribusi Weibull tidak berasumsi bahwa kegagalan terjadi pada laju konstan seperti yang dilakukan model yang lebih sederhana. Sebaliknya, distribusi ini dapat memodelkan skenario di mana laju kegagalan meningkat seiring waktu (seperti proses aus), menurun pada awalnya (seperti cacat manufaktur awal yang tersaring), atau tetap stabil.

Jika konsep probabilitas masih baru bagi Anda, kursus Foundations of Probability in R kami membahas dasar-dasar statistik yang Anda perlukan untuk bekerja dengan distribusi tingkat lanjut. Tutorial ini akan memandu Anda melalui landasan matematis distribusi Weibull. Anda akan mempelajari cara mengestimasi parameternya dari data dan melihat bagaimana fleksibilitasnya membuatnya sangat berguna dalam analisis keandalan dan studi kelangsungan hidup. Pada akhirnya, Anda akan memahami bukan hanya teori di balik distribusi yang berguna ini, tetapi juga kapan dan bagaimana menerapkannya untuk tantangan analisis waktu-ke-kejadian Anda sendiri.

Apa Itu Distribusi Weibull?

Distribusi Weibull adalah distribusi probabilitas kontinu yang dirancang untuk memodelkan data waktu-ke-kejadian. Anda paling sering menjumpainya dalam analisis kegagalan, studi kelangsungan hidup, dan rekayasa keandalan di mana memahami "kapan sesuatu terjadi" adalah tujuannya. 

Yang membedakan Weibull dari alternatif yang lebih sederhana adalah kemampuannya beradaptasi dengan berbagai pola kegagalan. Sementara beberapa distribusi berasumsi bahwa kejadian terjadi pada laju yang stabil dan dapat diprediksi, Weibull dapat menangani situasi di mana kemungkinan kejadian berubah seiring waktu. Fleksibilitas ini membuatnya berguna ketika Anda bekerja dengan sistem atau proses yang kompleks di mana mekanisme dasarnya belum sepenuhnya dipahami.

Konteks Historis dan Prinsip-Prinsip Dasar

Kisah di balik distribusi ini dimulai dari matematikawan Swedia, Waloddi Weibull, yang mengembangkannya pada 1930-an saat meneliti kekuatan material dan kelelahan. Karyanya meletakkan dasar bagi rekayasa keandalan modern.

Distribusi ini hadir dalam dua bentuk utama yang melayani kebutuhan analitik berbeda. Weibull dua parameter menggunakan parameter bentuk (shape) dan skala untuk memodelkan skenario di mana kejadian dapat dimulai segera. Versi tiga parameter menambahkan parameter lokasi, menciptakan ambang minimum sebelum kejadian dapat terjadi—berguna untuk memodelkan sistem dengan penundaan bawaan atau periode "burn-in".

Weibull termasuk dalam keluarga distribusi terkait, dengan distribusi eksponensial muncul sebagai kasus khusus. Koneksi ini membantu menjelaskan mengapa Anda sering melihat model Weibull dan eksponensial dibandingkan dalam konteks keandalan. Fleksibilitas Weibull yang lebih luas memungkinkannya mendekati distribusi terkenal lainnya di bawah kondisi parameter tertentu, yang berkontribusi pada adopsinya yang luas.

Parameter Distribusi Weibull

Setelah membahas perkembangan historis dan perilaku dasarnya, mari kita telusuri parameter-parameter yang memberi fleksibilitas pada distribusi Weibull. Setiap parameter memberi tahu Anda sesuatu yang spesifik tentang bagaimana data Anda berperilaku.

Parameter bentuk (k atau β) mengendalikan karakter distribusi dan bagaimana fungsi hazard berperilaku. Ketika nilainya kurang dari 1, Anda melihat pola "infant mortality" di mana kegagalan awal terjadi karena cacat manufaktur. Ketika nilainya lebih besar dari 1, Anda melihat kegagalan akibat aus di mana sesuatu rusak karena penggunaan rutin seiring waktu.

Dampak parameter bentuk (k) pada perilaku distribusi Weibull. Perhatikan bagaimana k < 1 menciptakan probabilitas kegagalan awal yang tinggi (kurva biru), k = 1 menghasilkan laju kegagalan konstan (oranye), dan k > 1 menunjukkan laju kegagalan yang meningkat seiring waktu (hijau dan merah). Gambar oleh Penulis.

Parameter skala (λ atau η) merepresentasikan umur karakteristik. Ini adalah waktu ketika tepat 63,2% item akan gagal, terlepas dari nilai parameter bentuk. Anda dapat memandangnya sebagai umur khas distribusi, meskipun nilai rataan sebenarnya mungkin berbeda karena bentuk distribusinya.

Bagaimana parameter skala (λ) menggeser distribusi Weibull sepanjang sumbu waktu. Nilai λ yang lebih besar meregangkan distribusi ke kanan (umur karakteristik lebih panjang), sementara nilai yang lebih kecil memampatkannya ke kiri (umur karakteristik lebih pendek). Bentuknya tetap konsisten. Gambar oleh Penulis.

Dalam penerapan tiga parameter, parameter lokasi (θ atau γ) menggeser distribusi sepanjang sumbu waktu. Ini merepresentasikan masa pakai minimum yang terjamin sebelum kegagalan apa pun dapat dimulai, yang membantu saat Anda memodelkan sistem dengan periode burn-in atau komponen dengan masa garansi di mana kegagalan awal tidak mungkin terjadi.

Bidang yang berbeda menggunakan notasi yang berbeda, sehingga Anda mungkin melihat (k,λ) dalam rekayasa keandalan atau (β,η) dalam analisis kelangsungan hidup. Hubungan matematisnya tetap sama apa pun notasi yang Anda jumpai.

Karakterisasi Matematis dan Sifat Statistik

Landasan matematis distribusi Weibull menyediakan alat yang diperlukan untuk penerapan praktis. Mari kita telusuri fungsi-fungsi inti yang membuat distribusi ini berguna.

Fungsi dan metrik inti

Fungsi densitas probabilitas (PDF) menggambarkan peluang kegagalan terjadi pada waktu tertentu. Untuk distribusi Weibull, fungsinya adalah:

Fungsi ini menunjukkan bagaimana densitas probabilitas kegagalan berubah seiring waktu, dengan parameter bentuk k menentukan apakah kegagalan lebih mungkin terjadi di awal (k < 1), konstan seiring waktu (k = 1), atau meningkat seiring usia (k > 1).

Fungsi distribusi kumulatif (CDF) memberikan probabilitas bahwa kegagalan terjadi pada waktu tertentu:

Fungsi ini cocok untuk menghitung persentase item yang diperkirakan akan gagal dalam jangka waktu tertentu. Fungsi reliabilitas (1-CDF) memberikan sudut pandang pelengkap, menunjukkan probabilitas bertahan melampaui waktu t.

Fungsi hazard mengungkap laju kegagalan sesaat pada waktu tertentu:

Fungsi ini penting untuk memahami bagaimana risiko berubah seiring waktu. Ketika k < 1, hazard menurun (keandalan membaik), ketika k = 1, hazard tetap konstan, dan ketika k > 1, hazard meningkat (keandalan memburuk). Fungsi survival, identik dengan fungsi reliabilitas, merepresentasikan probabilitas bertahan melampaui waktu tertentu.

Momen statistik menggambarkan tendensi pusat dan variabilitas distribusi. Rataan melibatkan fungsi gamma dan bergantung pada kedua parameter, sehingga lebih kompleks daripada umur karakteristik. Varian mengukur penyebaran di sekitar rataan, sementara median sering memberikan interpretasi yang lebih intuitif daripada rataan untuk distribusi yang condong. Modus merepresentasikan waktu kegagalan yang paling mungkin, meskipun mungkin tidak ada untuk semua kombinasi parameter.

Fungsi pembangkit momen menangkap semua momen statistik dalam satu ekspresi, sementara entropi mengukur ketidakpastian atau konten informasi dari distribusi. Sifat-sifat ini, bersama dengan pola perilaku laju kegagalan, membuat distribusi Weibull cocok untuk memodelkan beragam fenomena dunia nyata ketika asumsi eksponensial sederhana tidak memadai.

Keandalan kondisional dan persentil

Perhitungan keandalan kondisional menjawab pertanyaan praktis seperti "Jika komponen ini sudah bertahan 1000 jam, berapa probabilitas ia akan bertahan 500 jam lagi?" Ini melibatkan penghitungan probabilitas bertahan untuk periode tambahan dengan syarat bertahan hingga titik saat ini. Perhitungan menggunakan hubungan berikut:

di mana R(t) adalah fungsi reliabilitas.

Persentil membantu mengestimasi metrik masa pakai penting yang mendorong keputusan bisnis. Umur B₁₀ merepresentasikan waktu ketika 10% item akan gagal, sementara umur B₉₀ menunjukkan ketika 90% item akan gagal. Persentil ini penting untuk analisis garansi, perencanaan pemeliharaan, dan penilaian risiko.

Fungsi titik persentil (CDF invers) menyediakan estimasi kuantil secara langsung dengan menyelesaikan F(t) = p untuk probabilitas p yang diinginkan. Fungsi ini mentransformasikan probabilitas kumulatif kembali menjadi nilai waktu, memungkinkan Anda menentukan waktu kegagalan spesifik untuk tingkat keandalan tertentu. Sebagian besar paket perangkat lunak statistik menyertakan fungsi bawaan untuk perhitungan ini, sehingga estimasi persentil menjadi mudah setelah Anda mengestimasi parameter Weibull.

Metodologi Estimasi Parameter

Memahami sifat matematis adalah satu hal, tetapi bagaimana Anda benar-benar menentukan parameter ini dari data Anda? Mengestimasi parameter Weibull dari data memerlukan pemilihan metode yang tepat untuk situasi dan karakteristik data Anda. Setiap pendekatan memiliki keunggulan dan keterbatasan yang berbeda.

Maximum likelihood estimation (MLE)

MLE memberikan pendekatan yang paling ketat secara statistik untuk estimasi parameter. Metode ini menemukan nilai parameter yang memaksimalkan kemungkinan mengamati data aktual Anda, sehingga efektif dengan dataset lengkap. Anggap saja seperti mencari parameter yang membuat data yang Anda amati "paling mungkin" terjadi.

Metode ini menangani data tersensor (di mana Anda tahu item bertahan hingga titik tertentu tetapi tidak mengetahui waktu kegagalan pastinya) melalui algoritme khusus. Ini berguna dalam pengujian keandalan di mana Anda tidak selalu bisa menunggu setiap item gagal. Sebagian besar perangkat lunak statistik menyertakan rutin MLE yang dirancang khusus untuk analisis Weibull. Meskipun kompleksitas komputasi meningkat seiring ukuran dataset, implementasi modern mampu menangani dataset dengan ratusan ribu observasi secara efisien.

Metode momen (MOM)

Pendekatan MOM mengestimasi parameter dengan mencocokkan momen teoretis dengan momen sampel dari data Anda. Meskipun kurang efisien secara statistik dibandingkan MLE, metode ini menawarkan kesederhanaan komputasi dan sering memberikan perkiraan awal yang baik untuk metode yang lebih kompleks.

Pendekatan ini bekerja baik ketika Anda memerlukan estimasi cepat atau saat berhadapan dengan data yang tidak sepenuhnya sesuai dengan asumsi MLE. Ini juga membantu untuk mendapatkan gambaran kasar tentang parameter Anda sebelum beralih ke analisis yang lebih canggih.

Kuadrat terkecil dan teknik grafis

Plot probabilitas Weibull mentransformasikan data ke koordinat logaritmik di mana distribusi Weibull tampak sebagai garis lurus, memungkinkan Anda memvalidasi kecocokan model secara visual sambil mengestimasi parameter melalui regresi linier. Metode ini menggunakan kertas grafik berskala khusus (kini direplikasi secara digital dalam perangkat lunak) dengan transformasi logaritma ganda yang melinearkan fungsi distribusi kumulatif Weibull.

Prosesnya melibatkan pemeringkatan data kegagalan Anda dari yang terkecil hingga terbesar, menghitung posisi peringkat median untuk setiap titik data (yang mengestimasi probabilitas kegagalan kumulatif), dan memplot waktu kegagalan terhadap probabilitas ini. Jika data Anda mengikuti distribusi Weibull, titik-titik tersebut akan membentuk garis lurus kira-kira yang kemiringannya sama dengan parameter bentuk dan posisinya menentukan parameter skala. Cara ini kuno, tetapi efektif dan umpan balik visualnya berharga untuk memahami data Anda. Ketika titik-titik menyimpang secara signifikan dari linearitas, itu menunjukkan model Weibull mungkin tidak tepat untuk dataset Anda, sehingga teknik ini bernilai untuk estimasi parameter sekaligus validasi model.

Tantangan tiga parameter

Mengestimasi parameter lokasi θ menghadirkan kesulitan tersendiri karena memengaruhi batas bawah distribusi. MLE standar dapat menghasilkan estimasi yang tidak andal ketika θ mendekati waktu kegagalan teramati minimum.

Metode profile likelihood mengatasi masalah estimasi ini dengan memperlakukan θ sebagai parameter gangguan, memberikan estimasi yang lebih stabil untuk parameter bentuk dan skala. Memang sedikit lebih kompleks, tetapi sering kali diperlukan untuk hasil yang andal.

Aplikasi Lintas Disiplin

Fleksibilitas distribusi Weibull terlihat jelas melalui penerapannya di berbagai bidang. Setiap domain memanfaatkan aspek-aspek tertentu dari fleksibilitas distribusi ini.

Rekayasa keandalan

Insinyur keandalan menggunakan analisis Weibull untuk pengujian umur dipercepat, di mana produk diuji dalam kondisi stres untuk memprediksi masa pakai penggunaan normal. Alih-alih menunggu bertahun-tahun untuk melihat berapa lama sesuatu bertahan, Anda dapat melakukan uji stres dan mengekstrapolasi ke kondisi normal.

Analisis garansi bergantung pada model Weibull untuk mengestimasi klaim di masa depan dan menetapkan periode cakupan yang sesuai. Perusahaan perlu mengetahui berapa banyak produk yang akan gagal dalam masa garansi untuk menentukan harga produk dengan tepat.

Penjadwalan pemeliharaan preventif mendapatkan manfaat dari kemampuan Weibull untuk memodelkan laju kegagalan yang berubah sepanjang siklus hidup peralatan. Tidak seperti model eksponensial yang berasumsi laju kegagalan konstan, Weibull dapat memberi tahu Anda kapan laju kegagalan mulai meningkat, membantu Anda menjadwalkan pemeliharaan sebelum terjadi kerusakan.

Ilmu kedokteran dan biologi

Analisis kelangsungan hidup dalam penelitian medis kerap menggunakan model Weibull untuk mempelajari efektivitas pengobatan dan prognosis pasien. Distribusi ini secara alami menangani data tersensor yang umum dalam uji klinis di mana pasien mungkin keluar dari studi sebelum mengalami kejadian yang diminati.

Regresi Weibull memperluas analisis dasar dengan memasukkan karakteristik pasien (usia, jenis perawatan, stadium penyakit) sebagai kovariat. Ini memberikan estimasi kelangsungan hidup yang dipersonalisasi yang penting untuk perencanaan perawatan, membantu dokter memberi pasien ekspektasi realistis tentang prognosis mereka.

Ilmu material dan kehutanan

Insinyur material menggunakan distribusi Weibull untuk memodelkan kekuatan material getas seperti keramik dan komposit, di mana titik terlemah menentukan kegagalan keseluruhan. Kemampuan distribusi ini untuk memodelkan nilai ekstrem membuatnya ideal untuk aplikasi di mana Anda peduli pada skenario terburuk.

Manajemen hutan menerapkan model Weibull pada distribusi diameter pohon, membantu memprediksi hasil panen dan merencanakan operasi kehutanan berkelanjutan. Ini adalah penerapan praktis yang membantu menyeimbangkan kepentingan ekonomi dan lingkungan.

Energi angin dan studi lingkungan

Walaupun artikel ini berfokus pada aplikasi waktu-ke-kejadian, distribusi Weibull juga memodelkan fenomena lain dalam rekayasa lingkungan. Penilaian sumber daya angin menggunakan Weibull untuk mencirikan pola kecepatan angin di lokasi turbin potensial, di mana parameter bentuk menunjukkan konsistensi angin untuk perencanaan produksi energi.

Topik Lanjutan dan Ekstensi

Seberguna apa pun penerapan standar ini, masalah modern sering kali memerlukan dorongan melampaui analisis Weibull dasar. 

Pemilihan model dan kesesuaian model

Memilih antara Weibull dan distribusi alternatif memerlukan pengujian sistematis menggunakan statistik goodness-of-fit seperti uji Kolmogorov-Smirnov dan Anderson-Darling. Uji ini mengkuantifikasi seberapa baik distribusi pilihan Anda cocok dengan pola data yang diamati, memberi Anda keyakinan atas pilihan model.

Diagnostik grafis melengkapi uji statistik dengan mengungkap pola yang mungkin terlewat oleh angka semata. Analisis residual membantu mengidentifikasi penyimpangan sistematis dari perilaku yang diharapkan, sementara kriteria informasi (AIC/BIC) menyeimbangkan kecocokan model terhadap kompleksitas. Intinya Anda menginginkan model yang pas dengan baik tanpa menjadi terlalu rumit.

Regresi dan model campuran

Regresi Weibull memasukkan variabel penjelas langsung ke parameter distribusi, memungkinkan Anda memodelkan bagaimana faktor seperti suhu, beban, atau karakteristik pasien memengaruhi perilaku kegagalan. Ekstensi ini berguna dalam pengujian keandalan dan penelitian medis di mana banyak faktor memengaruhi hasil.

Model Weibull campuran menangani populasi dengan subkelompok berbeda (seperti mode kegagalan yang berbeda) dengan menggabungkan beberapa distribusi Weibull. Bayangkan populasi di mana sebagian item gagal karena aus sementara yang lain gagal karena cacat acak. Anda memerlukan model berbeda untuk setiap mode kegagalan.

Aplikasi pembelajaran mesin semakin menggunakan model ini untuk pengenalan pola yang kompleks dan aplikasi jaringan saraf, menjembatani metode statistik tradisional dengan teknik AI modern.

Risiko bersaing dan model degradasi

Beberapa sistem menghadapi beberapa mode kegagalan secara bersamaan. Keausan mekanis, kegagalan listrik, dan degradasi lingkungan mungkin semuanya mengancam komponen yang sama. Model risiko bersaing menggunakan beberapa distribusi Weibull untuk merepresentasikan setiap mode kegagalan, membantu Anda memahami risiko mana yang paling kritis.

Model degradasi melacak bagaimana kinerja sistem menurun seiring waktu, menggunakan distribusi Weibull untuk memodelkan waktu hingga kinerja turun di bawah ambang yang dapat diterima. Ini berguna untuk sistem di mana Anda dapat mengukur degradasi sebelum terjadi kegagalan total.

Bentuk terkait dan khusus

Distribusi Weibull invers memodelkan situasi di mana nilai yang lebih besar cenderung lebih kecil kemungkinannya terjadi, seperti kekuatan minimum pada material atau waktu kelangsungan hidup terpendek dalam biologi. Varian ini berguna ketika asumsi Weibull tradisional tidak sesuai dengan pola data Anda.

Distribusi Weibull diskret mengadaptasi model kontinu untuk data hitungan, seperti jumlah siklus hingga gagal atau interval waktu diskret dalam studi kelangsungan hidup. Ini tidak terlalu umum, tetapi berguna saat data Anda hadir dalam potongan diskret alih-alih pengukuran kontinu.

Kesimpulan

Fleksibilitas distribusi Weibull membuatnya berharga untuk menganalisis kapan sesuatu terjadi seiring waktu. Distribusi ini menangani laju hazard yang meningkat, menurun, atau stabil dan bekerja baik dengan data yang tidak lengkap. Kursus Survival Analysis in Python dan Survival Analysis in R kami memungkinkan Anda berlatih dengan himpunan data dan metode yang telah teruji.

Arah penelitian masa depan mencakup pendekatan Bayesian yang memasukkan pengetahuan awal dengan lebih efektif, hibrida pembelajaran mesin yang menggabungkan pemodelan Weibull dengan jaringan saraf, dan penerapan big data yang meningkatkan skala metode tradisional ke dataset yang sangat besar.