Anda di halaman 1dari 11

Model simulasi Create by Luke

Model Teori Antrian


Create by Luke

Pendahuluan
Teori antrian adalah teori yang menyangkut studi matematis dari antrian -
antrian atau baris baris penungguan.
Contoh contoh kasus antrian :
1. Para pembelanja yang berdiri didepan kounter di supermarket.
2. Mobil-mobil yang menunggu di lampu merah.
3. Pasien yang menunggu diklinik rawat jalan.
4. Pesawat yang menunggu lepas landas dibandara udara.
5. mesin-mesin rusak yang menunggu untuk diperbaiki oleh petugas
perbaikan mesin.
6. Surat yang menunggu diketik oleh seorang sekretaris.
7. Program yang menunggu untuk diproses oleh komputer digital.
Fenomena menunggu adalah hasil langsung dari keacakan dalam operasi
sarana pelayanan secara umum, kedatangan pelangan dan waktu pelayanan
tidak diketahui sebelumnya karena jika bisa diketahui, pengoperasian sarana
tersebut dapat dijadwalkan sedemikian rupa sehingga akan sepenuhnya
menghilangkan keharusan untuk menunggu.
Tujuan mempelajari pengoprasian sebuah sarana pelayanan dalam kondisi
acaka dalah untuk memperoleh beberapa karakteristik yang mengukur kinerja
sistem yang sedang dipelajari.
Dalam model antrian, interaksi antara pelanggan dan pelayan adalah
berkaitan dengan periode waktu yang diperoleh pelanggan untuk menyelesaikan
sebuah pelayanan, dalam antrian kedatangan pelanggan umumnya disebut
sebagai distribusi kedatangan (arrival distribution) dan distribusi waktu
pelayanan (service time distribution)
Faktor faktor penting dalam pengembangan model antrian :
• Cara memilih pelanggan dari antrian untuk memulai pelayanan
¾ FCFS ( first come first served)
Model simulasi Create by Luke

¾ LCFS ( last come first served)


¾ SIRO ( served in random order)
• Berkaitan dengan rancangan sarana dan pelaksanaan pelayanan
¾ Parralel served
¾ Serial served
¾ Random served
• Berkaitan dengan rancangan sarana tersebut dan pelaksanaan
pelayanan.
• Berkaitan dengan ukuran antrian yang diijinkan.
• Berkaitan dengan sifat sumber yang meminta pelayanan.

Unsur unsur dasar model antrian bergantung pada faktor :


1. Distribusi kedatangan( kedatangan tunggal atau kelompok )
2. Distribusi waktu pelayanan ( pelayanan tunggal atau kelompok )
3. Rancangan sarana pelayanan (stasiun serial, paralel atau jaringan )
4. Peraturan pelayanan(FCFS, LCFS, SIRO) dan prioritas utama.
5. Ukuran antrian( terhingga atau tidak hingga )
6. Sumber pemanggilan(terhingga atau tidak terhingga)
7. Perilaku manusia( perpindahan, penolakan atau pembatalan).

Peran Distribusi Poisson dan Eksponensial


Siatuasi antrian dimana kedatangan dan keberangkatan(kejadian) yang timbul
selama interval waktu dikendalikan dengan kondisi berikut :
Kondisi 1 :Probabilitas dari sebuah kejadian( kedatangan atau keberangkatan)
yang timbul antara t dan t +s bergantung hanya pada panjang s, yang berarti
bahwa probabilitas tidak bergantung pada t atau jumlah kejadian yang timbul
selama periode waktu (0,t).
Kondisi 2 : Probabilitas kejadian yang timbul selama interval waktu yang sangat
kecil h adalah positif tapi kurang dari satu.
Kondisi 3 : Paling banyak satu kejadian dapat timbul selama interval waktu yang
sangat kecil h.
Model simulasi Create by Luke

Ketiga kondisi diatas menjabarkan sebuah proses dimana julah kejadian selama
satu interval waktu yang diberikan adalah Poisson, dan karena itu interval waktu
antara beberapa kejadian yang berturut turut adalah eksponensial. Dengan
kasus demikian, kita katakan bahwa kondisi kondisi tersebut mewakili proses
Poisson.
Didefinisikan :

pn(t) = probabilitas kejadian n yang timbul selama waktu t


Berdasarkan kondisi 1, probabilitas tidak adanya kejadian yang timbul selama
t + h adalah

p0(t + h) = p0(t)p0(h)
Untuk h > 0 dan cukup kecil, kondisi 2 menunjukan bahwa 0 < p0(h) < 1
berdasarkan kondisi ini, persamaan diatas memiliki pemecahan :

p0(t) = e-αt ,t≥0

dimana α adalah konstanta positif.


Diperlihatkan bahwa untuk proses yang dijabarkan dengan pn (t) , interval waktu
antara beberapa kejadian yang berturut turut adalah eksponensial. Dengan
menggunakan hubungan yang diketahui antara eksponensial dan poisson, kita
lalu menyimpulkan bahwa pn(t) pastilah poisson.
Anggaplah
f(t) = fungsi kepadatan probabilitas (pdf) dari interval waktu t anta
pemunculan kejadian yang berturut turut, t > 0.
Misalkan bahwa t adalah interval waktu sejak pemunculan kejadian terakhir,
maka pernyataan probabilitas berikut ini berlaku :
P{waktu antar kejadian melebihi T } = P {Tidak ada kejadian sebelum T }

Pernyataan ini dapat diterjemahkan :


~

∫ f (t )dt = p (T )
T
0
Model simulasi Create by Luke

dengan mensubtitusikan p0(t) sebagaimana diturunkan diatas, kita memperoleh

∫ f (t ) dt = e
−αt
, T>0
T

atau

∫ f (t ) dt = 1 − e
−α t
,T>0
T

Dengen mengambil turunan dari kedua ruas kita peroleh :

f(t) = αe-αt , T ≥ 0 (eksponensial )

yang merupakan sebuah disrtibusi eksponensial dengan mean E{t} = 1/α unit
waktu.

Dengan diketahui bahwa f(t) merupakan sebuah distribusi eksponensial, maka


pn(t) adalah distribusi Poison, yaitu :

(αt)n e−αt
pn (t) = , n = 0, 1, 2, … (Poisson)
n!
Nilai mean dari n selama periode waktu tertentu t adalah E{n|t} = αt kejadian. Ini
berarti bahwa α mewakili laju timbulnya kejadian.

Kesimpulan dari hasil diatas adalah bahwa interval waktu antara beberapa
kejadian yang berturut turut adalah eksponensial dengan mean 1/ α unit waktu,
maka jumlah kejadian dalam satu periode waktu tertentu pastilah poisson
dengan laju pemunculan rata-rata(kejadian per unit waktu) α , demikian pula
sabaliknya.
Model simulasi Create by Luke

Dispribusi poisson merupakan proses yang sepenuhnya acak(completely


random process) karena memiliki sifat bahwa interval waktu yang tersisa sampai
pemunculan berikutnya tidak tergantung pada interval waktu yang telah berlalu
dari pemunculan kejadian terakhir.

Ciri unik dari distribusi poisson adalah bahwa ini merupakan satu satunya
distribusi dengan mean sama dengan variannya.

Contoh soal :

Sebuah mesin selalu memiliki unit cadangan untuk digunakan sebagai pengganti
jika terjadi kerusakan. Waktu kerusakan mesin atau unit cadangannya itu adalah
ekponensial dengan mean 10 jam. Kerusakan terjadi dengan laju 0.1 kejadian
perjam, berapakah probabilitas kerusakan terjadi dalam 5 jam ?

Jawab

Mean = 1/ α = 10 sehingga α = 0.1

Untuk distribusi eksponensial :

F(t) = 0.1 e-0.1t, t>0

Untuk distribusi Poisson :

(0.1T)n e−0.1T
pn (T) = n = 0, 1, 2, 3, . . .
n!
Anggaplah kita akan menghitung probabilitas bahwa kerusakan akan terjadi
dalam 5 jam. Probabilitas ini diketahui :

5
P{t < 5} = ∫ f (t )dt
0

= 1 – e-0.5 = 0.393
Model simulasi Create by Luke

Alternatif lain, probabilitas bahwa kegagalan akan terjadi setelah 6 jam dari
sekarang dengan diketahui kerusakan terakhir terjadi 3 jam yang lalu,
memanfaatkan sifat forgetfullnes dari distribusi eksponensial dan diketahui :

P{t > 9 | t > 3} = e −0.1x 6 = 0.549

Hubunngan antara Poison dengan Eksponensial diperlihatkan dengan


menghitung probabilitas bahwa tidak ada kerusakan yang akan terjadi selama
periode 1 hari (24 jam); yaitu :

(αt)n e−αt
pn (t) = ,
n!

(0.1x24)0 e−0.1x24 −2.4


p0 (24) = = e = 0.091
0!
Amati bahwa po(24) adalah setara dengan memiliki waktu antara dua kegagalan
yang setidaknya 24 jam yaitu :

P{t > T }= ∫
T
f (t ) dt = e −αt

∫ 0.1e
− 0.1t
P{t > 24 } = dt = e − 2.4
T

Contoh Soal :

Sebuah mesin selalu memiliki unit cadangan untuk digunakan sebagai pengganti
jika terjadi kerusakan. Waktu kerusakan mesin atau unit cadangannya itu adalah
Model simulasi Create by Luke

ekponensial dengan mean 15 jam. Kerusakan terjadi dengan laju 0.2 kejadian
perjam ditanyakan :

™ Berapakah probabilitas kerusakan terjadi dalam 7 jam ?

™ Jika kerusakan terjadi setelah 8 jam dari sekarang dan dengan diketahui
bahwa kerusakan terjadi 4 jam yang lalu, tentukan probabilitasnya

™ Tentukan hubungan antara poison dan eksponensial untuk menghitung


bahwa tadak ada probabilitas yang akan terjadi selama periode 1 hari

Proses kelahiran murni dan kematian murni

Dalam bagian ini, kita mempertimbangkan dua proses khusus yaitu :

™ Para pelanggan tiba dan tidak pernah kembali lagi atau disebut kelahiran
murni (pure birth)

™ Proses kedatangan dan penarikan terjadi dengan cara yang sepenuhnya


random ini disebut kematian murni(pure death).

Model Kelahiran murni

Pertimbangkan situasi pengeluaran akte kelahiran untuk bayi bayi yang baru
lahir. Akte kelahiran ini umumnya disimpan dikantor pusat yang diadministrasi
oleh instansi pemerintah. Terdapat alas an untuk mempercayai bahwa kelahiran
bayi bayi yang baru, dan karena itu pengeluaran akte kelahiran, merupakan
proses yang sepenuhnya acak yang dapat dijabarkan dengan distribusi posison.
Dengan materi sebelumnya dan mengasumsikan bahwa λ adalah laju
pengeluaran akte kelahiran, proses kelahiran murni untuk memiiki n
kedatangan(akte kelahiran) selama periode t dapat dijabarkan dengan distribusi
poison berikut ini :
Model simulasi Create by Luke

(λt)n e−λt
pn (t) = , n = 0, 1, 2, … (Kelahiran murni)
n!
dimana λ adalah laju kedatangan per unit waktu dengan jumlah kedatangan
yang diperkirakan selama t sebesar λt

Contoh :

Misalkan bahwa kelahiran dalam suatu keadaan tersebar sepanjang waktu


sesuai distribusi eksponensial dengan satu kelahiran terjadi setiap 7 menit
secara rata rata.

Jawab

Karena waktu antara kedatangan(antar kelahiran) rata rata adalah 7 menit, laju
kelahiran dalam keadaan ini dihitung sebagai :

24 x60
λ= = 205,7 kelahiran/hari
7

jumlah kelahiran dalam keadaan pertahun diketahui

λt = 205.7 x 365 = 75.080 kelahiran / tahun

Probabilitas tidak adanya kelahiran dalam satu hari tertentu adalah sebesar

(205.7x1)0 e−205.7x1
p0 (1) = ≈0
0!
anggaplah bahwa kita ingin menghitung probabilitas pengeluaran 45 akte
kelahiran diakhir periode yang terdiri dari 3 jam dengan diketahui bahwa 35 akte
dikeluarkan dalam 2 jam pertama. Kita amati bahwa karena kelahiran terjadi
sesuai proses poisson, probabilitas yang diperlukan berkurang 45 – 35 = 10
Model simulasi Create by Luke

kelahiran dalam satu ( = 3 –2 )jam. Dengan demikian diketahui λ = 60/7 =8.57


kelahiran/jam, kita peroleh

(8.57x1)0 e−8.57x1
p10 (1) = = 0.11172
0!
Rumus antrian serupa dengan yang diberikan diatas umumnya melibatkan
perhitungan yang membosankan, karena itu perhitungan ini digunakan program
komputer yang bias memodel kan masalah berikut. Hasil yang akan dilihat
adalah pn(t) dan kumulatif pn(t) untuk berbagai nilai n.

Model Kematian murni

Pertimbangan situasi penyimpanan N unit barang diawal minggu untuk


memenuhi permintaan pelanggan selama minggu tersebut. Jika kita
mengasumsikan bahwa permintaan perlanggan terjadi dengan laju μ unit perhari
dan bahwa proses permintaan tersebut sepenuhnya acak, probabilitas untuk
memperoleh n unit yang tersisa dalam sediaan setelah waktu t diketahui dengan
distribusi truncated poisson berikut :

( μt ) N − n e− μt
pn (t ) = , n = 1, 2, …, N
( N − n)!

N
pn (t) = 1− ∑ pn (t) ( Kematian Murni )
n=1

Contoh :

Diawal setiap minggu, 15 unit barang sediaan disimpan untuk dipergunakan


selama seminggu tersebut. Penarikan dari sediaan hanya terjadi selama 6 hari
pertama(kantor ditutup pada hari minggu) dan mngikuti distribusi poison dengan
mean 3 unit/hari. Ketika tingkat sediaan mencapai 5 unit, pesanan baru sebesar
Model simulasi Create by Luke

15 unit diajukan untuk dikirimkan pada awal minggu berikutnya. Karena sifat
barang tersebut, semua unit yang tersisa diakhir minggu dibuang.

Jawab.

Kita dapat menganalisis situasi ini dengan sejumlah cara. Seperti kita mengenali
bahwa laju konsumsi adalah μ = 3 unit per hari. Anggaplah kita berminat untuk
menghitung probabilitas 5 unit(titik pemesanan ulang) di hari t, yaitu

( 3t )15 − 5 e − 3 t
p 5 (t ) = , t = 1, 2, …, 6
(15 − 5 )!

sebagai ilustrasi dari perhitungan ini, hasil yang diperoleh secara komputer :
dengan menggunakan μt = 3, 6, 9, …dan 18.

.t(hari) 1 2 3 4 5 6

μt 3 6 9 12 15 18

P5(t) 0.0008 0.0413 0.1186 0.1048 0.0486 0.015

Catat bahwa p5(t) mewakili probabilitas pengajuan pemesanan ulang pada hari
t. probabilitas ini memuncak di t = 3 daan lalu menurun sementara kita berlanjut
melewati minggu tersebut. Jika kita berminat untuk menghitung probabilitas
pemesanan ulang sebelum dan pada hari t, kita harus menghitung probabilitas
kumulatif untuk memiliki 5 unit atau kurang pada hari t, yaitu :

Pn≤ 5 (t) = p0(t) + p1(t) + …+ p5(t)

Dengan menggunakan komputer didapatkan


Model simulasi Create by Luke

.t(hari) 1 2 3 4 5 6

μt 3 6 9 12 15 18

pn≤5(t) 0.0011 0.0839 0.4126 0.7576 0.9301 0.9847

Kita dapat melihat dari table bahwa probabilitas pengajuan pesanan sebelum
dan pada hari t meningkat secara monoton dengan t.

Satu butir informasi lain yang penting dalam menganalisis situasi ini adalah
menentukan jumlah unit sediaan rata-rata yang akan dibuang diakhir minggu. Ini
dilakukna dengan menghitung jumlah unit yang diperkirakan tersedia dihari 6;
yaitu :

15
E{n| t = 6 } = ∑ np (6)
n=0
n

Table berikut meringkas perhitungan dengan diketahui μt = 18

n 0 1 2 3 4 5 6 7 8 9 10 11

Pn( .079 .065 .050 .036 .024 .01 .008 .004 .001 .000 .000 .000
6) 2 5 9 8 5 5 3 2 8 7 2 1

Dan pn(6) ≅ 0; untuk n = 12, 13, 14 dan 15 jadi dengan menghitung rata rata kita
memperoleh :

E{n | t = 6 } = 0.5537 unit

Ini berarti bahwa, secara rata rata, kurang dari satu unit akan dibuang pada
setiap akhir minggu.