ABSTRAK
Distribusi Pareto diterapkan secara luas dalam ilmu aktuaria, distribusi kekayaan, keuangan, dan bidang lain di mana data menunjukkan perilaku 80% masalah yang terkait dengan 20% alasan. Bagan kendali Bayesian (CC) semakin dikenal sebagai salah satu alat statistik paling efisien untuk pemantauan proses yang menawarkan kontrol yang ditingkatkan atas variasi proses dengan menggunakan pengetahuan sebelumnya tentang distribusi parameter proses. Dengan demikian, metodologi Bayesian sangat efektif untuk mengatasi ketidakpastian parametrik dalam proses manufaktur ketika pengetahuan sebelumnya tersedia. CC Bayesian menawarkan pengganti yang andal untuk CC Klasik dengan memanfaatkan informasi sebelumnya. Artikel ini memperkenalkan Bayesian Exponentially Weighted Moving Average (EWMA) CC yang dirancang untuk memantau parameter bentuk proses Lifetime Pareto Distribution (LPD). Di sini, kami menggabungkan pendekatan prediktif sebelumnya dan parameter bentuk diestimasi. Distribusi posterior parameter bentuk diturunkan dan estimasi Bayesian (BE) dihitung. Kinerja Bayesian EWMA CC yang diusulkan dievaluasi terhadap bagan EWMA Klasik, menggunakan metrik kinerja seperti panjang lari rata-rata (ARL) dan Simpangan Baku Panjang Lari (SDRL), yang diperoleh dari simulasi Monte Carlo. Hasilnya menunjukkan bahwa Bayesian CC lebih efektif dalam menangani ketidakpastian parameter dan mendeteksi pergeseran proses kecil, di berbagai pergeseran dalam parameter bentuk dan ukuran sampel. Selain itu, data sebelumnya dan pendapat ahli digunakan untuk mengekstraksi distribusi prediktif sebelumnya dan memperoleh hiperparameter. Dalam aplikasi praktis, hiperparameter ditentukan secara numerik, menawarkan kerangka kerja Bayesian yang komprehensif untuk pemantauan proses. Kegunaan praktis Bayesian EWMA CC ditunjukkan, dengan penekanan khusus pada fleksibilitasnya dalam skenario dunia nyata, seperti memantau data waktu bertahan hidup dalam pengaturan perawatan kesehatan.