Perpustakaan Digital ITB

Industri penerbangan membutuhkan program perawatan yang efektif untuk memastikan keselamatan dan mengurangi biaya akibat waktu henti pesawat. Analisis keandalan menggunakan distribusi Weibull memungkinkan estimasi peluang kegagalan komponen dari data time-to-failure (TTF) untuk menentukan batas penggunaan yang aman. Namun, metode tradisional seperti Maximum Likelihood Estimation (MLE) dan Bayesian Estimation sering kali tidak akurat pada data terbatas. Penelitian ini mengusulkan metode machine learning, yaitu Random Forest, untuk meningkatkan akurasi dan robustness estimasi parameter Weibull, yang meliputi parameter bentuk (?), skala (?), dan lokasi (?), dalam kondisi data terbatas. Penelitian ini membandingkan performa model Random Forest dengan MLE dan Bayesian Estimation melalui tiga skenario parameter Weibull: ? < 1, ? = 1, dan ? > 1. Hasil menunjukkan bahwa Random Forest memberikan estimasi yang lebih akurat dan robust untuk ketiga parameter Weibull dibandingkan metode tradisional. Metode ini terbukti lebih konsisten dalam menangkap karakteristik distribusi Weibull meskipun data TTF terbatas dan dipilih secara acak. Temuan ini memperkuat penggunaan Random Forest sebagai metode alternatif untuk estimasi parameter Weibull dengan data terbatas.