BAB II LANDASAN TEORI - digilib.esaunggul.ac.id II.pdf · Karakteristik yang perlu diketahui dari...
Transcript of BAB II LANDASAN TEORI - digilib.esaunggul.ac.id II.pdf · Karakteristik yang perlu diketahui dari...
Sumber Input Antrian MekanismePelayanan
Unit-unit yangmembutuhkan
pelayananUnit-unit yangtelah dilayani
Sistem Antrian
(langganan)
BAB II
LANDASAN TEORI
2.1 Definisi Antrian Teori antrian adalah teori yang menyangkut studi matematis
dari antrian-antrian atau baris-baris penungguan (Tjutju, et al., 2004).
Antrian adalah suatu garis tunggu dari nasabah (satuan) yang
memerlukan layanan dari satu atau lebih pelayan (fasilitas pelayanan).
Studi matematikal dari kejadian atau gejala garis tunggu ini disebut teori
antrian (Siagian, 1987).
Proses yang terjadi pada model antrian dapat diperlihatkan
pada Gambar 2.1 (Tjutju, et al., 2004).
Kejadian garis tunggu timbul disebabkan oleh kebutuhan akan
layanan melebihi kemampuan (kapasitas) pelayanan atau fasilitas
layanan, sehingga nasabah yang ada tidak bisa segera mendapat layanan
disebabkan kesibukan pelayanan. Dalam kehidupan sehari-hari, kejadian
ini sering kita temukan misalnya seperti pada loket bioskop, loket kereta
api, loket-loket pada bank, dermaga di pelabuhan, loket jalan tol,
pelabuhan udara, telepon jarak jauh, tempat praktek dokter, tempat
pembayaran rekening listrik atau telepon dan banyak lagi yang lainnya.
Gambar 2.1 Sistem Antrian
Dalam banyak hal, tambahan fasilitas pelayanan dapat
diberikan untuk mengurangi antrian atau untuk mencegah terjadinya
antrian. sering timbulnya antrian yang panjang akan mengakibatkan
hilangnya langganan atau nasabah.
Jadi masalah yang dihadapi oleh tiap manajer adalah
bagaimana mengusahakan keseimbangan antara biaya tunggu (antrian),
terhadap biaya mencegah antrian itu sendiri guna memperoleh untung
yang maksimum. Suatu analisa dari sistem antrian ini akan dapat
memberi jawaban yang memadai secara umum.
2.2 Konsep-Konsep Dasar Teori Antrian
2.2.1 TujuanTujuan dasar model-model antrian adalah untuk
meminimumkan jumlah antrian yang terjadi dalam suatu perusahaan
agar perusahaan tidak kehilangan pelanggan dikarenakan antrian yang
panjang.
2.2.2 Sumber Masukan Karakteristik yang perlu diketahui dari sumber input ini
adalah ukurannya (jumlahnya), yaitu jumlah total unit yang memerlukan
pelayanan dari waktu ke waktu atau disebut jumlah total langganan
potensial. Ini bisa dianggap terbatas maupun tidak terbatas.
Pola statistik dari penurunan unit-unit yang memerlukan
pelayanan ini harus juga ditentukan. Dalam hal ini, asumsi yang biasa
digunakan adalah unit-unit ini diturunkan dengan mengikuti proses
Poisson, artinya sampai suatu waktu tertentu jumlah unit yang
diturunkan ini mempunyai distribusi Poisson. Ini adalah suatu kasus di
mana kedatangan pada sistem antrian terjadi secara random, tetapi
dengan tingkat rata-rata tertentu. Asumsi berikutnya adalah bahwa
distribusi kemungkinan dari waktu antar kedatangan (inter-arrival time)
adalah distribusi eksponensial.
Asumsi lain yang juga harus dispesifikasikan mengenai
kelakuan unit-unit (langganan) yang memerlukan pelayanan ini adalah
balking, yaitu bahwa unit-unit yang memerlukan pelayanan itu akan
menolak memasuki sistem antrian jika antrian itu terlalu panjang.
2.2.3 Sistem Antrian Sistem antrian adalah suatu proses kelahiran dan kematian
dengan suatu populasi yang terdiri dari para pelanggan yang sedang
menunggu mendapatkan pelayanan atau yang sedang dilayani. Suatu
kelahiran terjadi apabila tiba di suatu fasilitas pelayanan, sedangkan
apabila pelanggannya meninggalkan fasilitas tersebut maka terjadi suatu
kematian. Keadaan sistem adalah jumlah pelanggan dalam suatu fasilitas
pelayanan.
Sistem antrian pada dasarnya dicirikan oleh komponen-
komponen berikut ini:
1. Pola kedatangan Pola kedatangan adalah cara dimana individu-individu
dari populasi dimasuki sistem, yang biasanya dicirikan oleh
waktu antar kedatangan yaitu waktu antara kedatangan dua
pelanggan yang berurutan yang pada suatu fasilitas pelayanan.
Individu-individu mungkin datang dengan tingkat kedatangan
yang konstan atau acak.
Distribusi probabilitas poisson adalah salah satu pola
kedatangan yang paling sering (umum) bila data kedatangan
didistribusikan secara random. Hal ini terjadi karena distribusi
poisson menggambarkan jumlah kedatangan per unit waktu
bila sejumlah besar variabel-variabel random mempengaruhi
tingkat kedatangan.
Bila pola kedatangan individu mengikuti suatu
distribusi poisson maka waktu antar kedatangan atau
interrival time (yaitu waktu antar kedatangan setiap individu)
adalah random dan mengikuti distribusi eksponensial.
2. Pola pelayanan Pola pelayanan biasanya dicirikan oleh waktu pelayanan
(service time) yaitu waktu yang dibutuhkan seorang pelayan
untuk melayani para pelanggan. Waktu pelayanan ini dapat
bersifat diterministik (diketahui secara pasti) atau berupa
suatu variabel acak yang distribusi probabilitasnya dianggap
telah diketahui. Juga yang menarik adalah apakah seorang
pelanggan hanya dilayani oleh satu pelayan saja, sementara
pelanggan ini membutuhkan barisan pelayan. Bila tidak
disebutkan secara khusus maka anggapan dasarnya adalah
bahwa satu pelayanan saja dapat melayani secara tuntas
urusan seorang pelanggan.
Waktu pelayan adalah waktu yang digunakan untuk
melayani individu-individu dalam suatu sistem. Waktu ini
mungkin konstan atau random. Bila waktu pelayanan
mengikuti distribusi eksponensial atau distribusinya acak
maka waktu pelayanan akan mengikuti distribusi poisson.
Perbedaan distribusi-distribusi waktu pelayanan dapat
diliputi oleh model-model antrian dengan lebih mudah
dibandingkan perbedaan distribusi waktu kedatangan.
3. Disiplin antrian Disiplin antrian menunjukkan pedoman keputusan yang
digunakan untuk menyeleksi individu-individu yang
memasuki antrian untuk dilayani terlebih dahulu. Aturan-
aturan ini didasar pada yang pertama masuk, pertama keluar,
yang terakhir masuk, dan seterusnya. Untuk lebih jelasnya
berikut ini adalah disebutkan beberapa bentuk disiplin antrian:
a. First Come First Served adalah disiplin antrian yang
menerangkan bahwa pelanggan yang datang pertama
akan dilayani terlebih dahulu.
b. Last Come First Served adalah disiplin antrian yang
menyebutkan bahwa pelanggan yang terakhir datang
dalam antrian akan dilayani terlebih dahulu.
c. Service In Random Order adalah pemberian pelayanan
didasarkan pada pemilihan secara sembarang atau
berdasarkan pada peluang secara acak, tidak penting
siapa yang datang terlebih dahulu.
d. Emergency First yaitu pelayanan yang diberikan kepada
pelanggan yang menghadapi keadaan darurat yang perlu
ditangani secepatnya. Dalam hal ini tentunya tidak
melihat siapa yang datang terlebih dahulu atau yang
datang belakangan.
4. Kapasitas sistem
Kapasitas sistem adalah jumlah maksimum pelanggan,
mencakup yang sedang dilayani dan yang berada dalam
antrian, yang ditampung oleh fasilitas pelayanan pada saat
yang sama. Banyak sistem antrian yang dapat menampung
jumlah individu-individu yang relatif besar, tetapi ada
beberapa sistem yang mempunyai kapasitas yang terbatas.
Bila kapasitas antrian menjadi faktor pembatas besarnya
jumlah individu yang dapat dilayani dalam sistem secara
nyata, berarti sistem mempunyai kepanjangan antrian yang
terbatas.
2.2.4 Keluar (Exit)Sesudah seseorang selesai dilayani, dia keluar dari sistem.
Sesudah keluar dia mungkin bergabung dengan populasi asal dan
mempunyai probabilitas yang sama untuk memasuki sistem kembali,
atau dia mungkin bergabung dengan populasi lain yang mempunyai
probabilitas lebih kecil dalam hal kebutuhan pelayanan tersebut kembali.
2.3 Struktur Antrian Dalam struktur antrian dikenal dua istilah yaitu Chanel
(Single atau Multiple) dan Phase (Single atau Multiple). Istilah chanel
atau saluran menunjukkan jumlah fasilitas pelayanan. Sementara istilah
phase adalah jumlah stasiun-stasiun pelayanan, dimana pelanggan harus
melaluinya sebelum pelayanan dianggap lengkap. Terdapat empat model
struktur antrian dasar yang umum terjadi dalam seluruh sistem antrian,
yang selanjutnya akan dijelaskan dalam Gambar 2.2 – Gambar 2.5 (P.
Siagian, 1987).
1. Single Chanel – Single Phase
Gambar 2.2 Single Chanel – Single Phase
2. Single Chanel – Multiple Phase
Gambar 2.3 Single Chanel – Multiple Phase
3. Multiple chanel – Single Phase
Pelayanan 1
SumberPelanggan
PelangganDatang
PelangganPergi
Pelayanan 2
Gambar 2.4 Multiple Chanel – Single Phase
4. Multiple Chanel – Multiple Phase
SumberPelanggan
Pelayanan 1
Pelayanan 2
PelangganPergi
Antrian 1
Antrian 2
Gambar 2.5 Multiple Chanel – Multiple Phase
5. CampuranStruktur campuran ini adalah merupakan campuran dua
atau lebih struktur fasilitas service di atas. Struktur ini
dipergunakan misalnya oleh toko-toko besar, dimana
beberapa pelayanan toko yang melayani pembeli (Multiple
Chanel), namun pembayaran hanya pada seorang kasir (Single
Chanel). Ada pula yang mempergunakan struktur campuran
yang lain, misalnya pelayan/service terhadap pengunjung
rumah makan dan sebagainya.
2.4 Proses Kedatangan Konsumen Untuk dapat menguraikan proses kedatangan konsumen,
diambil asumsi-asumsi:
1. Interval waktu antara dua kedatangan yang berurutan saling
bebas dan juga merupakan variabel-variabel non negatif
dengan distribusi yang identik.
2. Didalam setiap interval waktu tersebut selalu ada peluang
untuk datangnya nasabah (pelanggan).
3. Didalam setiap waktu yang kecil, paling banyak ada satu
kedatangan.
Atau dengan kata lain sebagai berikut, jika banyaknya
kedatangan rata-rata konstan sebesar , maka didalam selang waktu (0, t
+ h) akan berlaku:
1. P ada tepat 1 kedatangan dalam interval (t, t + h) = h
2. P ada 0 kedatangan dalam interval (t, t + h) = 1 - h
3. P ada lebih dari 1 kedatangan dalam interval (t, t + h) = 0
Berdasarkan asumsi tersebut, maka akan dapat ditentukan
formulasi matematis untuk proses kedatangan, yaitu dengan terlebih
dahulu mendefinisikan bahwa Pn (t) = P ada tepat n kedatangan dengan
interval (0, t).
Hal ini akan diperoleh bentuk-bentuk berikut:
P0 (t, t + h) = Kemungkinan ada 0 kedatangan dalam interval (0, t +
h)
= P ada 0 kedatangan dalam (0, t + h)
= P ada 0 kedatangan dalam interval (0, t) dikali dengan
P ada 0 kemungkinan dalam interval (t, t + h)
= P0 (t) (1 - h)
atau: tPh
htPtP0
00
Jika diambil limit untuk h = 0, akan diperoleh:
tPtdtdP
00
Bila syarat batas P0 (0) = 1, artinya pada t = 0 tidak akan ada
kedatangan, maka diperoleh:
P0 (t) = e- .t
Dengan cara yang sama akan dapat ditentukan proses
kedatangan n konsumen dalam interval waktu (0, t + h), yaitu:
Pn (t, t + h) = Kemungkinan ada n kedatangan dalam interval (0, t +
h)
= P ada n kedatangan dalam interval (0, t) dikali dengan
P ada 0 kedatangan dalam interval (t, t + h)
= P ada n (n – 1) kedatangan dalam interval (0, t) dikali
dengan
P ada 1 kedatangan dalam interval (t, t + h)
= Pn (t) (1 - h) + Pn-1 (t) h
atau: tPtPnh
tPnhtPn1n
Pn (t)
t
Gambar 2.6 Grafik Distribusi Poisson
Jika diambil limit h = 0 maka diperoleh:
tPtPnh
tPnd1n
Dimana nilai n = 0, 1, 2, 3, …, n
Bila syarat batas P0 (0) = 1, artinya pada t = 0 akan ada
kedatangan, maka Pn (t) dapat ditentukan mulai dari n = 0 sampai
dengan n = 1.
te!nttPn
n atau
!xexP
x
Bentuk persamaan di atas, menyatakan bahwa besarnya
kemungkinan ada n kedatangan di dalam interval waktu (0, t) adalah
merupakan distribusi kemungkinan poisson dengan nilai rata-rata ( .t).
Grafik distribusi poisson dapat diperlihatkan dalam Gambar 2.6.
2.5 Proses Pelayanan Konsumen Yang dimaksud dengan waktu pelayanan adalah lamanya
waktu yang digunakan untuk melayani konsumen sampai selesai. Bila
waktu pelayanan yang diberikan oleh suatu fasilitas pelayanan
berdistribusi eksponensial dengan parameter dimana grafik distribusi
eksponensial diperlihatkan pada Gambar 2.7, maka bentuk distribusinya
secara matematis adalah:
F (t) = e- t, untuk t 0
F (t) = 0, untuk t < 0
t
F (t)
Gambar 2.7 Grafik Distribusi Eksponensial
Maka:
te1dyyftF , untuk t 0
te1dyyftF , untuk t < 0
Harga rata-rata dari distribusi eksponensial, E (t), diperoleh
dari:
0
tdtetdttfttF
Jika persamaan integral ini diturunkan maka:
t
00
t edxtEeettE
Apabila notasi Sn mempresentasikan waktu pelayanan yang
diberikan kepada konsumen ke-n, maka kemungkinan waktu pelayanan
untuk konsumen ke-n adalah:
P(Sn) t = t – e- t, untuk t 0
Dimana 1/ = rata-rata waktu pelayanan, e = konstanta
(2.71828)
2.6 Notasi yang Digunakan dalam Model AntrianUntuk menggambarkan suatu model antrian, maka digunakan
notasi yang sesuai dengan notasi G. Kendall (1953) memperkenalkan
notasi model antrian pelayanan banyak yang menyebutkan tiga
karakteristik antrian, yaitu distribusi kedatangan, distribusi kepergian,
dan jumlah saluran pelayanan. Kemudian A. Lee (1966) menambahkan
dua karakteristik lainnya yaitu disiplin pelayanan dan jumlah maksimum
dalam sistem. Pada akhirnya ditambah lagi dengan satu karakteristik
sehingga lengkapnya menjadi:
(a / b / c) : (d / e / f)
Dimana:
a = Distribusi kedatangan atau antar kedatangan
b = Distribusi kepergian atau distribusi waktu pelayanan
c = Jumlah stasiun pelayanan yang disusun secara paralel dan
independen antara satu dengan yang lainnya.
d = Disiplin pelayanan
e = Jumlah maksimum konsumen yang diperbolehkan berada dalam
sistem
f = Sumber populasi konsumen
Pada aplikasinya, persoalan notasi-notasi di atas sering
digantikan dengan simbol lain, yaitu:
a = Dapat diganti dengan M, yaitu dengan menunjukkan distribusi
kedatangan secara poisson atau distribusi antar kedatangan
eksponensial.
b = Dapat diganti dengan simbol M, menunjukkan waktu pelayanan
berdistribusi eksponensial atau diganti dengan simbol D,
menunjukkan waktu pelayanan secara deterministik. Atau notasi b
ini dapat diganti pula dengan simbol Ek, artinya waktu pelayanan
mempunyai parameter k (Erlang) atau berdistribusi Gamma. Atau
juga diganti dengan simbol GI, yang artinya distribusi waktu
pelayanan bersifat General Independent.
c = Dapat diganti dengan bilangan-bilangan positif yang menunjukkan
jumlah fasilitas pelayanan.
d = Dapat diganti dengan simbol-simbol seperti FCFS, LCFS, SIRO,
GD atau yang lain yang menunjukkan disiplin pelayanan.
e = Dapat diganti dengan N atau yang menunjukkan jumlah
maksimum pelanggan dalam sistem.
f = Dapat diganti dengan N atau tergantung dari sumber input atau
populasi.
2.7 Parameter dan Variabel Sistem Antrian Untuk menganalisa model antrian digunakan beberapa
parameter dan variabel yaitu sebagai berikut: (Tjutju et al, 2004)
N = Jumlah konsumen
Pn(t) = Probabilitas transien-state untuk jumlah n konsumen dalam
sistem pada saat t.
Pn = Probabilitas steady-state untuk jumlah n konsumen dalam
sistem.
= Tingkat kedatangan konsumen rata-rata (jumlah rata-rata
konsumen yang datang per satuan waktu).
= Tingkat pelayanan rata-rata (jumlah rata-rata konsumen
yang dapat dilayani per satuan waktu).
S = Jumlah fasilitas pelayanan
= Tingkat kegunaan/waktu sibuk pelayan.
Ws = Waktu rata-rata konsumen dalam sistem.
Wq = Waktu rata-rata konsumen menunggu dalam antrian.
Ls = Jumlah rata-rata konsumen dalam sistem.
Lq = Jumlah rata-rata konsumen dalam antrian.
2.8 Definisi Transien dan Steady StateDalam analisa masalah dengan memakai teori antrian ada
beberapa persyaratan yang harus diperhatikan agar hasil analisa yang
dibuat benar, maka selain penggunaan karakteristik yang dikemukakan
tadi sebagai modelnya, juga perlu diteliti status dari sistem yang akan
dianalisa. Sistem antrian yang akan dianalisa harus berada dalam kondisi
steady state/status mapan, artinya kondisi dari sistem yang akan
dianalisa tidak tergantung dari waktu. Kondisi ini akan tercapai setelah
sistem dioperasikan dalam jangka waktu yang cukup lama, selain itu
kondisi pada status mapan dapat diketahui jika rata-rata jumlah
kedatangan pada interval satuan waktu tertentu lebih kecil dari lamanya
waktu pelayanan rata-rata yang diberikan. Kebalikan dari kondisi status
mapan adalah kondisi transien, dimana sistem masih dalam kondisi yang
transien atau kondisi peralihan menuju ke kondisi yang steady state.
Suatu sistem antrian berada dalam kondisi yang transien jika
karakteristik operasional (tingkah lakunya) dari sistem masih berubah-
ubah sehingga sulit ditentukan arahnya, dan kondisi seperti ini tampak
pada saat sistem mulai dioperasikan.
Perlu diketahui bahwa setiap sistem antrian beroperasi sebagai
fungsi dari waktu misalnya antrian dengan laju kedatangan yang lebih
tinggi dari pada laju keberangkatan tidak akan pernah mencapai steady
state tanpa bergantung pada waktu yang berlalu, karena ukuran antrian
akan meningkat dengan waktu. Dengan keacakannya kondisi transien
dan steady state akan bisa berulang-ulang beberapa kali. Untuk itu kita
harus memutuskan dalam menganalisa sebuah sistem antrian, apakah
akan menganalisa berdasarkan kondisi transien atau steady state. Jalan
lain untuk menganalisa sistem yang tidak memperhatikan kondisi
transien dan steady state adalah dengan menggunakan simulasi
komputer.
2.9 Model-Model Antrian Model antrian yang dipakai atau digunakan oleh perusahaan
harus sesuai dengan kondisi perusahaan yang bersangkutan, dengan
maksud agar tidak terjadi kerancuan atau kesalahan dalam pemecahan
persoalan perusahaan (Tjutju et al, 2004).
2.9.1 Model-Model Single Server (S=1) Seperti yang telah dijelaskan, model-model antrian dapat
mempunyai pelayan tunggal, dapat juga mempunyai jumlah pelayan
yang banyak. Berikut ini adalah model-model antrian yang digunakan
apabila pelayannya hanya ada satu (S=1) dengan disiplin pelayanan
tertentu.
2.9.1.1 Input Poisson dan Waktu Pelayanan Eksponensial Model ini adalah kasus khusus dari proses kelahiran-kematian
yang mengkombinasikan proses kelahiran murni dengan proses
kematian murni. Jadi n untuk n=0, 1, 2, … Dan n untuk
n=1, 2, ….
Dari solusi steady state ( ) kita peroleh:
11
1P1
0
untuk n > 0
n
0n PP
Karena , maka:
nn 1P untuk n = 0, 1, 2, …
Dengan demikian, maka:
1LS
2
qL
111WS
qW
2.9.1.2 Input Poisson Dan Waktu Pelayanan Sembarang
Asumsi: waktu pelayanan rata-rata 1 dengan varians 2 .
Maka jika 1, didapat:
1P0
12L
222
q
qS LL
LW
1WW qS
2.9.1.3 Input Poisson dan Waktu Pelayanan Konstan Pada model ini, waktu pelayanan untuk setiap langganan
adalah konstan sehingga 02
Karena itu: 12
L2
q
Demikian juga untuk Ls, Wq, dan Ws. Perhatikan bahwa Lq
dan Wq harganya adalah setengah kali harga Lq dan Wq untuk model
waktu pelayanan eksponensial.
2.9.1.4 Input Poisson dan Waktu Pelayanan Erlang
Fungsi probabilitas kepadatan untuk distribusi Erlang adalah:
tK1KK
et!1K
KtF untuk 0t dimana dan K
adalah parameter-parameter distribusi yang berharga positif. Harga rata-
rata dan varians adalah 1 dan 2K1 . Jadi K adalah parameter
yang menentukan dispersi dari distribusi. Model ini adalah kasus khusus
dari model input poisson dan waktu pelayanan sembarangan, dimana
22 K1 . Karena itu:
22
22
q K2K1
12K
1
L
K2K1Wq
1WW qS
WLS
2.9.1.5 Input Poisson dan Waktu Pelayanan Eksponensial
dengan Antrian Terbatas Pada model ini panjang garis (line length) tidak boleh
melebihi sejumlah tertentu (dinyatakan dengan M). Setiap langganan
yang datang pada saat antrian sudah penuh, harus meninggalkan sistem
tanpa mendapat pelayanan. Jadi, model ini adalah kasus khusus dari
proses kelahiran-kematian, dimana:
Mnjika,01M...,,2,1,0njika,
n
dan n untuk n = 1, 2, ….
Steady State dicapai sebagai berikut:
1M0 11P
sehingga:
n1Mn 1
1P untuk n = 0, 1, 2, …, M
1M
1M
S 11M
1L
Dengan S = 1 maka 0Sq P1LL
Di sini tidak perlu
Ekspektasi waktu menunggu adalah:
SS
LW , qq
LW
Dimana:
M1M
0nn
0nnn P1PP
2.9.2 Model-Model Multiple Server (S>1)
2.9.2.1 Input Poisson dan Waktu Pelayanan Eksponensial Model ini mengasumsikan bahwa kedatangan terjadi menurut
input poisson dengan parameter , dan bahwa waktu pelayanan untuk
masing-masing unit mempunyai distribusi eksponensial dengan rata-rata
1 . Jadi, distribusi waktu pelayanan sama, tanpa memperhatikan
pelayanan mana dari sejumlah S pelayan yang melakukan pelayanan
untuk unit.
Tingkat pelayanan rata-rata untuk seluruh sistem antrian
adalah tingkat rata-rata dimana unit yang sudah dilayani meninggalkan
sistem, dan bergantung pada state sistem nE . Tingkat pelayanan rata-
rata per pelayanan yang sibuk adalah , karena itu tingkat pelayanan
keseluruhan adalah nn jika Sn . Jika Sn , berarti semua
pelayan sibuk sehingga Sn . Jadi, model ini adalah kasus khusus
dari proses kelahiran-kematian dengan n (untuk n=0, 1, 2, …)
dan
Snjika,SSn0jika,n
n
Jika S (tingkat kedatangan rata-rata lebih kecil dari
tingkat pelayanan rata-rata maksimum), maka hasil steady state-nya
adalah:
1S
0n Sn
SnSn0
S!S!n
1P
1S
0n
Sn0
S11
!S!n
1P
dan
SnjikaPS!S
Sn0jikaP!n
P
0Sn
n
0
n
n
Dengan S , maka
2
S0
q 1!SPL
LW 1WW qS
qqS L1WL
Untuk mendapatkan distribusi kemungkinan dari waktu
menunggu, asumsikan bahwa disiplin pelayanannya FCFS. Notasi
standar P(>t) digunakan untuk menyatakan probabilitas bahwa suatu
kedatangan random harus menunggu dalam antrian (sebelum dilayani)
adalah lebih besar dari t. Jelas bahwa penungguan dalam antrian ini
terjadi jika ada S atau lebih unit di dalam sistem.
1!SP
!SPP0P
S0
0j
jS
0Sn
n
1tSetP P(>0)
Jika variabel random WS adalah waktu menunggu termasuk
pelayanan dari suatu kedatangan random, maka (untuk t 0):
1Se1
1!SP1etWP
1StS0
St
Jika Wq adalah variabel waktu menunggu dalam antrian (tidak
termasuk waktu pelayanan) dari suatu kedatangan random, maka untuk
0t didapat:
1tSqq e0WP1tWP
Dimana: 1S
0nnq P0WP
Jika 01S maka 1S
e1 1St diganti
dengan t .
2.9.2.2 Input Poisson dan Waktu Pelayanan Eksponensial
dengan Antrian Terbatas Pada model ini panjang garis tidak boleh melebihi sejumlah
tertentu M. Jadi, merupakan kasus khusus dari proses kelahiran-
kematian, dimana:
Mnjika,0Mn0jika,
n
Snjika,SSn0jika,n
n
Jadi:
Mnjika,0
MnSjika,PS!S
M,Sminnjika,P!n
P 0Sn
n
0
n
n
Dimana:
M
1Sn
SnSM,Smin
0n
n0
S!S!n
1P
Jika SM , biasanya 0Lq dan M
0nnS PnL
Jika SM , maka
1SM11!S
PL SMSM2
S0
q
dan
1S
0nnq
1S
0nnS P1SLPnL
WS dan Wq dicari dengan cara yang sama seperti pada model
2.9.1.5.
2.9.2.3 Model Sumber Terbatas Model ini merupakan kasus-kasus dari proses kelahiran-
kematian, dimana:
Mnjika,0Mnjika,nM
n
Snjika,SSn0jika,n
n
Maka:
Mnjika0
MnSjikaS!S!nM
!MP
Sn0jika!n!nM
!MP
P nSn0
n0
n
Dimana:
M
Sn
nSn
1S
0n
n0
S!S!nM!M
!n!nM!M
1P
nM
Snq PSnL
1S
0nnq
1S
0nnS P1SLPnL
LWS ; Qq
LW dimana
LM
2.9.2.4 Model dengan State dimana Tingkat Pelayanan dan
atau Tingkat Kedatangan Bersifat Dependent Pada model single server, tingkat pelayanan rata-rata untuk
kasus ini diperoleh dengan mengalihkan tingkat pelayanan rata-rata
“normal”, yaitu tanpa tekanan, dengan nc dimana n adalah langganan
dalam sistem dan c adalah “koefisien tekanan”. Jika seluruh pelayan
(sejumlah S) sedang sibuk sehingga bekerja dengan tekanan, maka
tingkat pelayanan rata-ratanya harus dikalikan dengan (n/S)c karena n/S
merupakan jumlah langganan dalam sistem per pelayan. Dengan
demikian maka:
SnjikaSSn
Snjikan
1c
1n
Jika kemudian diasumsikan bahwa sistem antrian mempunyai
input Poisson dengan n (untuk n = 0, 1, 2, …) dan waktu
pelayanan eksponensial dengan n seperti di atas, maka modelnya akan
menjadi kasus khusus yang lain dari proses kelahiran-kematian. Hasil
steady state-nya adalah:
SnjikaPSS!n!S
SnjikaP!n
P
0Snc1c
n1
0
n1
n
Dimana:
Snc
nc11
c1S1S
0n
n1
0
!nS
!SS
!n
1P
Karena itu, maka:
Snc
nc11
c1S
0Sn
nq !nS
!SSPPSnL
1S
0nnq
1S
0nnS P1SLPnL
LW , S
SLW
Model ini dapat juga digeneralisasi untuk memungkinkan
tingkat kedatangan rata-rata “melakukan reaksi” terhadap garis panjang
antrian dengan cara yang sama dengan pada model single server, untuk
itu ditetapkan:
SnjikaSSn
Snjikan
1a
1n
1Snjika1nS
1Snjika
1b
1n
Proses kelahiran-kematian dengan parameter-parameter ini
menghasilkan Pn, Lq, dan Ls yang sama dengan di atas jika c = a + b.
2.10 Model Keputusan
Analisa teori antrian bukanlah suatu teknis optimasi langsung
seperti programa linier atau sejenisnya. Analisa pada teori antrian
dipakai untuk mendapatkan harga-harga dari sistem yang dianalisis,
misalnya parameter rata-rata jumlah kedatangan pada suatu interval
tertentu atau harga parameter rata-rata waktu pelayanan yang diberikan
pada setiap konsumen yang membentuk barisan antrian, atau juga
parameter waktu menunggu, parameter panjang antrian, dan parameter
utilitas fasilitas pelayanan, kedua parameter ini dibandingkan akan
menunjukkan kondisi dari sistem yang diambil.
Salah satu pendekatan yang dipakai untuk meningkatkan
performansi suatu sistem yaitu untuk mengoptimalkan hasil yang
diinginkan, optimasi parameter sistem dapat dilakukan dengan dua cara,
pertama model minimasi ongkos dan yang kedua model aspirasi. Model
minimasi ongkos dapat dipakai jika ongkos waktu pelayanan dan ongkos
waktu menunggu pelayanan ditentukan besarnya. Akan tetapi cara ini
umumnya sulit untuk dilakukan karena ongkos waktu menunggu bagi
setiap konsumen akan sangat berbeda besarnya, apalagi untuk sistem
dengan input yang sangat beraneka ragam. Cara yang kedua dikenal
dengan model level aspirasi. Model ini digunakan untuk menentukan
nilai optimal sistem. Nilai optimal dalam metode ini didesain secara
langsung dari harga-harga parameternya dengan anggapan bahwa
keputusan yang diambil adalah optimal jika memenuhi batas-batas
aspirasi yang diharapkan oleh pengambil keputusan atau pertimbangan
preferensi tertentu.
2.10.1 Model Ongkos
Model-model biaya, seperti diperlihatkan dalam Gambar 2.8,
pada dasarnya menyeimbangkan kedua jenis biaya yang bertentangan
berikut ini:
1. Biaya menunggu
Biaya menunggu mencakup biaya menganggurnya
karyawan, kehilangan penjualan, tingkat persediaan yang
berlebihan, kehilangan kontrak dan lain-lain. Biaya menunggu
tidak selalu mudah ditentukan, bahkan sangat sulit. Dalam
kasus-kasus tertentu seperti bila individu-individu yang
menunggu berasal dari sistem interval (misal persediaan)
biaya menunggu dapat langsung diukur.
2. Biaya pelayanan
Walaupun biaya menunggu dapat dikurangi dengan
cara menambahkan fasilitas pelayanan, tetapi hal ini akan
menaikkan biaya persediaan fasilitas pelayanan. Biaya
pelayanan dapat mencakup investasi awal dalam peralatan
atau fasilitas, biaya pemasangan fasilitas, latihan bagi
karyawan dan biaya-biaya variabel seperti gaji karyawan dan
pengeluaran tambahan untuk pemeliharaan.
Gambar 2.8 Model Keputusan Ongkos Total
Teori antrian dengan model ongkos dapat juga digunakan
untuk menentukan kecepatan pelayanan dan jumlah fasilitas pelayanan
yang optimal. Dalam menentukan kecepatan pelayanan dan jumlah
fasilitas pelayanan yang optimum diperlukan dua jenis ongkos, yaitu:
1. Ongkos pelayanan tiap pelanggan yang dikaitkan dengan
penggunaan fasilitas pelayanan per satuan waktu (C1)
2. Ongkos menunggu pelayanan per satuan waktu per konsumen
(C2)
Ada dua model optimum biaya yang digunakan dalam
menentukan biaya yang optimal, yaitu (Hamdy A. Taha,1996):
1. Laju Pelayanan Optimum
Menentukan nilai optimum dari tingkat pelayanan,
dengan model matematikanya adalah:
21 CCTC
1
2
CC
Keterangan:
C1 = Biaya pelanggan yang menunggu per unit waktu
C2 = Biaya operasi sarana pelayanan per unit waktu
TC = Biaya total
= Tingkat pelayanan rata-rata
= Tingkat kedatangan
Sehingga jumlah ongkos menunggu dan melayani per
satuan waktu dengan diketahui bahwa laju pelayanan adalah
sehingga:
S21 LCCCT
C1 = ongkos pelayanan per satuan waktu
C2 LS = ongkos menunggu pelanggan
2. Jumlah Pelayanan Optimum
Model ongkos yang akan dikembangkan ialah
menyangkut jumlah pelayanan optimal C. Dianggap bahwa
dan adalah tetap, sehingga:
cLCCccTC S21
Dan LS (c) berlaku untuk sistem dengan pelayanan
ganda. Karena c adalah diskrit maka pendeferensialan tidak
mungkin dilakukan. Meskipun demikian jumlah c optimum
tetap dapat ditemukan dengan substitusi langsung harga-harga
C secara berturut-turut sampai harga T{(c)} minimum dapat
ditentukan.
Untuk membuat prosedur perhitungan lebih efisien,
harus ditentukan syarat perlu untuk harga minimum fungsi
yang diketahui.
Syarat perlu itu adalah:
cTC1cCT dan cTC1cCTDari syarat itu dapat diketahui bahwa:
cLsLsCC
1c2
1 dan 1c2
1 LscLsCC
Dengan demikian hasil akhirnya adalah:
cLsLsCCLscLs 1c
2
11c
Ls(c) = ekspektasi jumlah pelanggan dalam sistem
Dimana harga 2
1
CC
memberikan petunjuk ke arah
mana pencarian harga c optimum.
2.10.2 Model Level Aspirasi
Model tingkat aspirasi menyadari kesulitan dalam
mengestimasi parameter biaya, dan karena itu model ini didasari oleh
analisis yang lebih sederhana. Model ini secara langsung memanfaatkan
karakteristik yang terdapat dalam sistem yang bersangkutan dalam
memutuskan nilai-nilai “optimal” dari parameter perancangan.
Optimalitas di sini dipandang dalam arti memenuhi tingkat aspirasi
tertentu yang ditentukan oleh pengambil keputusan. Tingkat aspirasi
didefinisikan sebagai batas atas dari nilai-nilai ukuran yang saling
bertentangan, yang ingin diseimbangkan oleh pengambil keputusan
tersebut.
Dalam model pelayan berganda dimana kita perlu
menentukan jumlah pelayan c yang optimum, dua ukuran yang
bertentangan adalah:
1. Waktu menunggu yang diperkirakan dalam sistem Ws.
2. Persentase waktu menganggur para pelayan X.
Kedua ukuran ini mencerminkan aspirasi pelanggan dan
pelayan. Anggaplah tingkat aspirasi (batas atas) untuk Ws dan X
diketahui dan . Maka metode tingkat aspirasi dapat diekspresikan
secara matematis sebagai berikut:
Tentukan jumlah pelayan sedemikian rupa sehingga
sW dan X
Ekspresi untuk Ws diketahui dari analisis model antrian.
Ekspresi untuk X diketahui:
c1100Pnc
c100X
c
0nn
Untuk membatasi dalam mengambil keputusan spesifik dalam
kasus metode tingkat aspirasi, kita dapat menghitung kisaran parameter
biaya C2 yang dihasilkan dari pemilihan c untuk tingkat aspirasi tertentu
seperti diperlihatkan dalam Gambar 2.9. Kita secara spesifik memilih C2
dan bukan C1, karena biasanya lebih sulit untuk mengestimasi biaya
menunggu dalam kebanyakan model-model antrian. Prosedur yang kami
berikan di sini karena itu mengasumsikan bahwa C1, biaya tambahan
yang berkaitan dengan memperoleh satu pelayan baru, dapat diestimasi
tanpa banyak kesulitan.
Gambar 2.9 Model Keputusan Tingkat Aspirasi
2.11 Pengujian Hasil Pengumpulan Data
2.11.1 Uji Keseragaman Data Selain pengujian kecukupan data, juga dilakukan pengujian
keseragaman data, yang tujuannya adalah untuk mengetahui apakah
data-data yang diambil sudah seragam atau belum. Yang harus
diperhatikan dalam pengujian keseragaman data ini adalah data yang
berada di dalam batas-batas kontrol, sehingga dimasukkan dalam
perhitungan. Sedangkan data-data yang berada di luar batas kontrol
harus dibuang karena berasal dari sistem sebab yang berbeda. Pada
perhitungan selanjutnya semua data dalam sub grup ini tidak ikut
diperhitungkan. Adapun langkah-langkahnya adalah sebagai berikut
(Ronald E. Walpole et al, 1995):
1. Hitung rata-rata dari harga rata-rata sub grup
kXX i
Dimana: Xi = harga rata-rata sub grup ke-i
k = banyak sub grup yang terbentuk
2. Hitung standar deviasi sebenarnya dari waktu
penyelesaian
1NXX 2
i
Dimana: N = jumlah pengamatan pendahuluan
3. Hitung standar deviasi harga rata-rata sub grup
nX
Dimana: n = besarnya sub grup
4. Tentukan batas kontrol atas (BKA) dan batas kontrol
bawah (BKB)
X2XBKA
X2XBKB
2.11.2 Uji Kecukupan Data Pengujian ini dilakukan untuk mengetahui apakah data yang
sudah terkumpul itu sudah mencukupi maka perlu dilakukan uji
kecukupan data. Jika menurut hasil perhitungan pada pengamatan belum
mencukupi maka harus dilakukan pengambilan data kembali. Dalam
pengujian ini dilakukan dengan membandingkan antara N’ (N hitung)
dengan N (jumlah pengamatan) dengan menggunakan tingkat ketelitian
( ) sebesar 5% dan tingkat keyakinan ( ) 95% dengan rumus
(Ronald E. Walpole et al, 1995):
2
i
2i
2i
XXXNZ
'N
Dimana:
N’ = banyaknya pengukuran yang diperlukan untuk suatu
tingkat ketelitian dan keyakinan tertentu. Tingkat
ketelitian ( ) sebesar 5% dan tingkat keyakinan
( ) 95% pengukur membolehkan hasil
pengukurannya menyimpang 5% dari rata-rata
sebenarnya dan kemungkinan berhasil mendapatkan
95%.
N = jumlah pengamatan pendahuluan yang dilakukan.
Xi = waktu penyelesaian teramati selama pengamatan
pendahuluan yang telah dilakukan.
Untuk menentukan nilai dari Z bisa dilakukan interpolasi dan
untuk menentukan besarnya nilai dapat dilihat dari tabel statistik.
Apabila N’ lebih kecil atau sama dengan N maka sampel yang
diambil telah mencukupi, tetapi apabila N’ lebih besar atau sama dengan
N maka sampel yang diambil belum mencukupi, sehingga harus
dilakukan pengumpulan data kembali sampai data benar-benar
mencukupi.
2.11.3 Pengujian Bentuk Distribusi Dalam memecahkan masalah antrian menggunakan teori
antrian, salah satu syarat yang harus diketahui adalah bentuk distribusi
kedatangan dan waktu pelayanan konsumen. Tujuannya adalah untuk
menentukan model antrian yang digunakan, untuk menganalisa bentuk
distribusi tes hipotesa “Goodness of Fit”. Sebelum dilakukan pengujian
bentuk distribusi, sebaiknya perlu diketahui gambaran data hasil
pengamatan dalam bentuk distribusi frekuensi.
Untuk membuat daftar kelas frekuensi dengan panjang kelas
yang sama dilakukan sebagai berikut (Ronald E Walpole et al, 1995):
1. Tentukan rentang dengan cara mengurangi data terbesar
dengan data terkecil.
2. Tentukan banyak kelas interval yang diperlukan, banyak
kelas sering biasanya diambil paling sedikit 5 kelas dan
paling banyak 15 kelas, dipilih menurut keperluan. Cara
lain untuk menentukan banyak kelas interval adalah
dengan menggunakan aturan sturges, yaitu:
Banyak kelas = 1 + (3.3) log n
Dimana n = banyaknya data dan hasil akhir dijadikan
bilangan bulat
3. Tentukan panjang kelas interval (p):
kelasbanyakgtanrenkelasPanjang
4. Menentukan titik tengah tiap interval kelas.
5. Titik tengah kelas interval ditentukan dengan
menjumlahkan batas kelas atas dan batas kelas bawah
setiap interval kelas, kemudian dibagi dua atau batas
kelas bawah ditambah lebar kelas interval dibagi dua,
rumusnya adalah sebagai berikut:
2BKABKBX ii
ti
Dimana: Xti = nilai tengah kelas ke-i
BKBi = batas kelas bawah ke-i
BKAi = batas kelas atas ke-i
i = 1, 2, 3, …, k
Untuk data yang telah disusun ke dalam daftar
distribusi frekuensi maka rata-ratanya dihitung dengan
rumus:
i
ii
fXtfX
Dimana: X = harga rata-rata
Fi = frekuensi dari kelas ke-i
Xti = nilai tengah kelas interval ke-i
2.11.4 Uji Kesesuaian (Goodness of Fit Test)Uji kesesuaian adalah suatu cara untuk memeriksa apakah
suatu himpunan data mentah tertentu sesuai dengan distribusi teoritis
tertentu dengan cara membandingkan secara grafik distribusi empiris
kumulatif dengan fungsi kepadatan kumulatif yang bersesuaian dengan
distribusi yang bersangkutan. Jika kedua fungsi tersebut tidak
memperhatikan deviasi berlebihan maka terdapat kemungkinan yang
cukup besar bahwa distribusi teoritis ini sesuai dengan data mentah
tersebut.
Uji Chi-Kuadrat
Uji chi-kuadrat berlaku untuk variabel acak diskrit kontinyu
yang didasari oleh perbandingan fungsi kepadatan probabilitas, dari
pada fungsi kepadatan kumulatif yang pengukuran jumlah deviasi antara
fungsi kepadatan empiris dan teoritis.
Langkah-langkah uji chi-kuadrat untuk uji kesesuaian sebagai
berikut (Ronald E. Walpole et al, 1995):
Menentukan hipotesa awal H0 melawan Hi
Dimana untuk pengujian distribusi kedatangan:
H0 = distribusi kedatangan pada interval waktu hasil
pengamatan mengikuti distribusi poisson.
Hi = distribusi kedatangan pada interval waktu hasil
pengamatan tidak mengikuti distribusi poisson.
Menentukan tingkat signifikasi/ketelitian tertentu ( )
ini sebagai simbol dari tipe 1 dalam pengujian
hipotesis artinya adalah menolak hipotesis yang
seharusnya diterima. Untuk taraf signifikasi ini biasanya
digunakan = 0.05 atau = 0.01.
Menentukan statistik uji yang dilakukan
k
1i i
2ii2
eef
Dimana:
fi = frekuensi hasil pengamatan pada kelas interval ke-i
ei = frekuensi ekspektasi (harapan) teoritis pada kelas
interval ke-i
k = jumlah kelas interval
N = banyaknya data/jumlah data pengamatan
Membandingkan 2hitung dengan 2
tabel:
Pengujian uji chi-kuadrat ini menggunakan derajat
kebebasan
v = k – m – 1, dimana:
k = banyaknya kelas interval (sel)
Bila frekuensi amatan dekat dengan frekuensi harapan
padanannya, maka nilai 2 akan kecil, menunjukkan kesesuaian yang
baik. Bila frekuensi amatan cukup berbeda dengan frekuensi harapan
maka nilai 2 akan besar dan kesesuaian jelek. Kesesuaian yang baik
akan mendukung permintaan H0, sedangkan kesesuaian yang jelek
mendukung penolakannya. Daerah kritis akan terjadi pada ujung kanan
distribusi chi-kuadrat. Untuk taraf keberartian , ditemukan nilai kritis
2 dari tabel L.5 maka 22 menyatakan daerah kritis. Patokan
keputusan yang diuraikan di sini sebaiknya tidak dipakai kecuali bila
tiap frekuensi harapan paling sedikit sebesar 5. Dalam hal kurang dari 5
maka mungkin diperlukan penggabungan sel yang berdampingan yang
mengakibatkan pengurangan dalam besarnya derajat kebebasan.