1

BAB I
PENDAHULUAN
A. Latar Belakang
Matematika adalah salah satu dari ilmu pengetahuan yang mempunyai
peranan penting dalam kehidupan manusia dan mengalami perkembangan seiring
dengan berkembangnya zaman. Oleh karena bidang cakupan persoalan
matematika itu beraneka ragam bentuknya, maka metematika dikelompokkan
dalam berbagai cabang ilmu matematika.
Salah satu cabang ilmu matematika yang cukup penting dan merupakan
matematika terapan yaitu mengenai teori antrian (garis tunggu). Antri atau
menunggu untuk mendapatkan pelayanan adalah salah satu masalah klasik yang
dihadapi oleh kehidupan bermasyarakat maupun dalam suatu kegiatan produksi. 1
Adapun ayat yang berkaitan dengan menunggu terdapat dalam Q.S. Yunus/10:
102., sebagai berikut:
    
    
   
  
Terjemahnya:
“Mereka tidak menunggu-nunggu kecuali (kejadian-kejadian) yang sama
dengan kejadian-kejadian (yang menimpa) orang-orang yang Telah terdahulu
sebelum mereka. Katakanlah: "Maka tunggulah, Sesungguhnya akupun
termasuk orang-orang yang menunggu bersama kamu".2
1

Eddy Hejanto, Sains Manajemen Analisis Kuantitatif untuk Pengambilan Keputusan, (Jakarta:
Grasindo), h. 99
2
Departemen Agama R,I., Al Qur’an dan Terjemahannya. (Jakarta: Yayasan Penyelenggara
Penterjemah/Pentafsir Al Qur’an, 1971), h. 322.

2

Maksud dari ayat tersebut terkait pernyataan di atas yaitu seseorang akan
menunggu untuk mendapatkan pelayanan seperti yang terjadi pada seorang yang telah
dilayani terlebih dahulu untuk mendapatkan pelayanan.
Antrian terjadi karena adanya ketidak-seimbangan antara kecepatan
kedatangan anggota masyarakat yang membutuhkan pelayanan yang diberikan oleh
pelayanan publik. Ketimpangan ini juga mungkin dapat dikarenakan adanya
keterbatasan fasilitas pelayanannya. Sistem ini dinamakan sistem antrian. Fenomena
seperti ini dapat terjadi di depan loket untuk mendapatkan tiket bioskop, pada pintu
jalan tol, bank, dan pada kasir supermarket. Antrian belum tentu orang tetapi juga
bisa barang, misalnya bahan mentah yang akan diproses untuk dijadikan produksi,
komuditi ekspor yang akan dimuat di kapal, data yang akan diperoleh di Pusat
Komputer, serta mobil yang akan diperbaiki di bengkel. 3
Masalah yang sering terjadi dalam sistem antrian adalah akibat dari adanya
perbedaan antara jumlah permintaan layanan dengan kapasitas pelayanannya, yaitu
munculnya efek waktu tunggu yang lama, antriannya yang panjang, dan utilitas
pelayan yang semakin tinggi dan terkadang tidak rasional. Hal ini dapat merugikan
kedua belah pihak, baik yang membutuhkan pelayanan (pelanggan) maupun sistem
pemberi layanan (pelayan). Semakin lama dan semakin panjang antriannya, akan
semakin banyak waktu pelanggan yang terbuang percuma, sehingga sangat mungkin
pelanggan akan pergi ke tempat lain yang mempunyai pelayanan untuk urusan yang

3

Johannes Supranto, Riset Operasi untuk Pengambilan
Indonesia, 1988), h. 328.

Keputusan, (Jakarta:Universitas

3

sama dan mempunyai cara layanan yang lebih baik. Disisi lain, kebijaksanaan
penambahan jumlah pelayan untuk memperkecil lama dan panjang antrian, berarti
pula menambah biaya pelayanan, terutama untuk membayar gaji pegawai yang tidak
selalu aktif di sepanjang waktu kerjanya. Dengan demikian pemberi pelayanan akan
cenderung memperkecil jumlah pelayan sehingga biaya operasionalnya dapat ditekan,
namun di pihak lain (pelanggan) harus menanggung resiko dengan lambatnya
pelayanan karena kurangnya kapasitas pelayanannya. Jadi, optimasi sistem antrian
yang diharapkan adalah bahwa sistem akan mempunyai keseimbangan ekonomis
antara jumlah permintaan layanan dengan kapasitas pelayan. 4
Pelopor penyusunan Teori tentang antrian adalah

A.K Erlang, seorang

insinyur dari Denmark pada tahun 1909. Beliau bekerja di perusahaan telepon dan
melakukan percobaan yang melibatkan fluktuasi permintaan sambungan telepon serta
pengaruhnya pada peralatan telepon switching.
Penelitian Beliau hanya memperlakukan perhitungan keterlambatan dari
seorang operator, kemudian pada tahun 1917 penelitian dilanjutkan untuk
menghitung kesibukan beberapa operator. Setelah perang dunia kedua, studi awal
sudah berkembang di lingkungan antrian yang lebih umum. 5
KUD Mina Sipurio merupakan salah satu Koperasi Unit Desa yang berada di
Kabupaten Barru. KUD ini melayani usaha dan pemodalan. Dalam rangka
pertumbuhan KUD Mina Sipurio, maka usaha yang diperhitungkan untuk

h.6-7

4

Nur Iriawan, Diktat Teori Antrian, (Surabaya: Institut Teknologi Sepuluh Nopember, 2003)

5

Aminuddin, Prinsip-Prinsip Riset Operasi, (Jakarta: Erlangga, 2005 ) h. 169

4

dilaksanakan dan dikembangkan untuk periode tahunan adalah unit usaha listrik,
simpan pinjam, dan perikanan. Sejak tahun 1999, Koperasi ini bekerja sama dengan
PLN untuk melayani pembayaran rekening listrik. Dalam hubungan ini dapat dilihat
Firman Allah SWT dalam Q.S. Al Hadiid /57:18:

ّ ‫يرةً َو‬
َ‫ّللاُ يَ ْق ِبضُ َويَ ْب ُسطُ َوإِلَ ْي ِه تُرْ َجعُون‬
َ ِ‫ُضب ِعفَهُ لَهُ أَضْ َعبفب ً َكث‬
َ ‫ّللا قَرْ ضب ً َح َسنب ً فَي‬
َ ّ ُ‫َّمن َذا الَّ ِذي يُ ْق ِرض‬
‫ُضب َع ُ لَ ُ ْي َولَ ُ ْي أَجْ ٌرر َك ِري ٌري‬
َ ‫ّللا قَرْ ضب ً َح َسنب ً ي‬
ِ ‫إِ َّن ْال ُ َّ ِّد قِينَ َو ْال ُ َّ ِّد قَب‬
َ َّ ‫ث َوأَ ْق َرضُوا‬
Terjemahnya:
“Sesungguhnya orang-orang yang membenarkan (Allah dan Rasul-Nya) baik lakilaki maupun perempuan dan meminjamkan kepada Allah pinjaman yang baik,
niscaya akan dilipatgandakan (pembayarannya) kepada mereka, dan bagi mereka
pahala yang banyak”. 6
Maksud ayat tersebut terkait dengan pernyataan di atas barang siapa yang
membenarkan Allah dan Rasul-Nya dan meminjamkan kepada Allah pinjaman yang
baik, insya Allah akan dilipat-gandakan pembayaran dengan pahala yang banyak.
Salah satu cara yang dapat dilakukan adalah melayani pelanggan dalam pembayaran
rekening listrik.
Masalah yang sering timbul di KUD Mina Sipurio adalah ketidaknyamanan
para pelanggan karena harus menghabiskan waktu yang cukup lama untuk mengantri.
Bahkan penolakan dan pembatalan sering terjadi. Penolakan terjadi karena pada
sistem antrian kapasitasnya sudah penuh. Pembatalan terjadi karena pelanggan
meninggalkan sistem akibat alasan tertentu, seperti terlalu panjangnya antrian,

6

Departemen Agama R,I., Al Qur’an dan Terjemahannya. (Jakarta: Yayasan Penyelenggara
Penterjemah/Pentafsir Al Qur’an, 1971), h. 903

5

kepentingan intern pelanggan dan lain-lain. Oleh karena itu, waktu merupakan
sumber daya yang sangat berharga, maka efesiensi dalam pelayanan pada waktuwaktu tertentu merupakan topik penting untuk dianalisis. Dalam hubungan ini dapat
dilihat Firman Allah SWT dalam Q.S. Al-Baqarah/2:123:

َ‫س َشيْئب ً َوالَ يُ ْقبَ ُل ِم ْن َب َع ْ ٌرل َوالَ تَنفَ ُع َب َشفَب َعتٌر َوالَ هُ ْي يُن َ رُون‬
ٍ ‫َواتَّقُواْ يَوْ مب ً الَّ تَجْ ِزي نَ ْفسٌر عَن نَّ ْف‬
Terjemahnya:
“Dan takutlah kamu kepada suatu hari di waktu seseorang tidak dapat menggantikan
seseorang lain sedikitpun dan tidak akan diterima suatu tebusan daripadanya dan
tidak akan memberi manfaat sesuatu syafa'at kepadanya dan tidak (pula) mereka
akan ditolong”.7
Maksud ayat tersebut terkait dengan pernyataan di atas adalah ada suatu
waktu seseorang tidak dapat menggantikan orang lain, artinya dosa dan pahala
seseorang tidak dapat dipindah tangankan kepada orang lain, tidak akan diterima
suatu tebusan darinya , tidak akan memberi manfaat kepadanya dan tidak akan
ditolong. Kecuali seseorang menggunakan waktu dengan sebaik-baiknya sehingga
bermanfaat bagi dirinya sendiri dan orang lain.
Dari uraian tersebut, Penulis mengangkat judul yang berkaitan dengan hal itu
yaitu “Implementasi Model Antrian pada Pembayaran Rekening Listrik dalam
Peningkatan Kualitas Layanan (Studi Kasus pada KUD Mina Sipurio di Barru)”.

7

Departemen Agama R,I., Al Qur’an dan Terjemahannya. (Jakarta: Yayasan Penyelenggara
Penterjemah/Pentafsir Al Qur’an, 1971), h. 32

6

B. Rumusan Masalah
Berdasarkan latar belakang tersebut, dapat dirumuskan masalah yaitu:
Bagaimana mengimplementasikan model antrian pada pembayaran rekening listrik
yang terdapat di KUD Mina Sipurio di Barru?
C. Tujuan Penelitian
Berdasarkan permasalahan tersebut, maka tujuan dari penelitian ini adalah
untuk mengetahui implementasi model antrian pada pembayaran rekening listrik
yang terdapat di KUD Mina Sipurio di Barru.
D. Batasan Masalah
1. Penelitian dilakukan pada KUD Mina Sipurio yang terdapat di Barru selama 3
hari tanggal pembayaran rekening listrik.
2. Ruang lingkup penelitian hanya mencakup kedatangan, pelayanan, disiplin
antrian, dan jumlah fasilitas pelayanan yang tersedia.
3. Model antrian yang digunakan adalah model antrian tunggal.
E. Manfaat Penelitian
Sesuai tujuan tersebut, penelitian ini diharapkan dapat bermanfaat:
1. Bagi Penulis
Membantu penulis dalam menerapkan ilmu yang telah didapat dalam bangku
perkuliahan dan mempersiapkan diri agar dapat bersaing di dunia kerja.

7

2. Bagi Jurusan
Dapat dijadikan sebagai bahan studi kasus bagi pembaca dan acuan bagi
mahasiswa, serta dapat dijadikan bahan referensi bagi pihak perpustakaan
sebagai bahan bacaan dan dapat menambah ilmu pengetahuan bagi pembaca.
3. Bagi KUD Mina Sipurio
Sebagai masukan dan memberikan informasi yang dapat membantu dalam
pengambilan kebijakan dalam peningkatan efektifitas pelayanan kepada
masyarakat.
4. Bagi Universitas Islam Negeri (UIN) Alauddin Makassar
Hasil penelitian ini akan menambah pembendaharaan skripsi perpustakaan
UIN Alauddin Makassar, sehingga dapat bermanfaat bagi mahasiswa UIN
Alauddin Makassar dan umum.
F. Sistematika Penulisan
Secara umum, komposisi penulisan skripsi terdiri atas tiga bagian, yaitu
bagian awal, bagian pokok atau isi, dan bagian akhir. Bagian awal skripsi memuat
halaman sampul, halaman judul, abstrak, halaman persetujuan pembimbing,
halaman motto dan persembahan, halaman pengantar, dan daftar isi.
Bagian pokok atau isi dibagi menjadi 5 bab, yaitu sebagai berikut :
1. Bab I Pendahuluan
Pada bab pendahuluan ini dikemukakan tentang latar belakang, rumusan masalah,
tujuan penelitian, batasan masalah, manfaat penelitian dan sistematika skripsi.

8

2. Bab II Landasan Teori
Landasan teori berisi tentang teori-teori yang digunakan sebagai pedoman dalam
memecahkan permasalahan dalam skripsi ini.
3. Bab III Metode Penelitian
Pada bab ini berisi metode penelitian, metode pengumpulan data, dan pengolahan
data.
4. Bab IV Hasil Penelitian dan Pembahasan
Bab ini berisi tentang hasil penelitian dan pembahasan, sebagai jawaban dari
permasalahan.
5. Bab V Penutup
Penutup berisi kesimpulan yang diperoleh dari hasil penelitian dan saran.
Bagian akhir dari skripsi ini adalah daftar pustaka, lampiran-lampiran, dan
riwayat hidup singkat penulis. 8

8

A. Kadir Gassing dan Halim Wahyuddin, Pedoman Penulisan Karya Tulis Ilmiah, Makalah,
Skripsi, Tesis, dan Disertasi, (Makassar: Alauddin Press, 2009) h. 16-17

9

BAB II
LANDASAN TEORI
A. Distribusi Probabilitas
Distribusi probabilitas mewakili suatu model teoritis mengenai frekuensi
relatif variabel acak. Hubungan antara distribusi probabilitas dengan variabel
acak yang diwakili memberi kesempatan untuk mengklasifikasi distribusi
sebagai tersendiri (diskrit) atau berkelanjutan (kontinu). 9
Berdasarkan data yang diperoleh, salah satu distribusi probabilitas yang
diskrit adalah distribusi Poisson, sedangkan salah satu distribusi probabilitas
kontinu adalah distribusi Chi-Kuadrat dan distribusi Eksponensial. 10
1. Distribusi Poisson
Distribusi Poisson termasuk salah satu distribusi probabilitas dengan
variable random diskrit. Distribusi ini digunakan pada n yang kecil. Oleh
karena itu sering disebut sebagai hukum nilai kecil.
Distribusi Poisson mula-mula ditemukan oleh seorang ahli
matematika berkebangsaan Perancis bernama Simeon Denis Poisson (17811840).
Distribusi Poisson sering digunakan pada penelitian operasional
untuk menentukan probabilitas peristiwa yang jarang terjadi dalam periode
9

Evans dan Lindsay, An Introduction to Six Sigma & Process Improvement Pengantar Six Sigma,
(Jakarta: Salemba Empat, 2007), h. 163.
10
Eko Budiarto, Biostatistika untuk Kedokteran dan Kesehatan Masyarakat, (Jakarta: Buku
Kedokteran EGC, 2001) h. 116.

10

yang pendek. 11 Misalnya, banyak orang yang lewat di depan pasar setiap
hari, tetapi jarang terjadi seseorang yang menemukan barang hilang dan
mengembalikan kepada pemiliknya atau melaporkannya kepada polisi.
Contoh lain, operator telepon banyak menerima permintaan nomor untuk
disambungkan, diharapkan jarang terjadi salah sambung tiap menit. Banyak
kendaraan yang lewat pada salah satu persimpangan jalan, namun
diharapkan bahwa jarang terjadi kecelakaan dalam pengamatan tiap hari.
Cara menguji bentuk distribusi Poisson dapat menggunakan uji chikuadrat.12
Untuk menentukan probabilitas dengan menggunakan distribusi Poisson harus
mengikuti beberapa syarat berikut:
1) Terjadinya peristiwa sangat jarang terjadi dalam periode pendek.
2) Probabilitas setiap periode selalu konstan.
3) Untuk terjadinya beberapa peristiwa dalam periode yang sangat pendek hampir
mendekati nol.
4) Merupakan peristiwa yang independen.13
Distribusi Poisson diasumsikan dengan kedatangan pelanggan bersifat acak
dan kedatangan pelanggan antar interval waktu saling tidak mempengaruhi. 14

11

Eko Budiarto, Biostatistika untuk Kedokteran dan Kesehatan Masyarakat, (Jakarta: Buku
Kedokteran EGC, 2001) h. 127.
12
Muhammad Arif Tiro, Statistika Sebaran Bebas Edisi Kedua, (Makassar:Andira Publisher,
2004) h. 119-120.
13
Eko Budiarto, Biostatistika untuk Kedokteran dan Kesehatan Masyarakat, (Jakarta: Buku
Kedokteran EGC, 2001) h. 127.

11

Distribusi peluang peubah acak Poisson x yang menyatakan banyaknya
sukses yang terjadi dalam suatu selang waktu atau daerah tertentu dinyatakan
dengan ? mempunyai fungsi massa peluang adalah:
?

?−??
? ? = ?! Dengan ? = 0,1,2,3,....

(2.1)

dimana: ? ? = peluang bahwa ada x kedatangan dalam sistem
?

= tingkat kedatangan rata-rata

?

= bilangan Euler (e = 2,71828)

?

= variabel acak diskrit yang menyatakan banyaknya
kedatangan per interval waktu15

2. Distribusi Eksponensial
Distribusi Eksponensial banyak digunakan dalam teori realibitas yang
menghipotesiskan bahwa laju kegagalan adalah konstan terhadap keseluruhan
waktu suatu item. Distribusi ini juga digunakan pada peubah acak waktu tunggu
dari teori antrian. 16 Rumus distribusi Eksponensial sebagai berikut:
? ? = ?? −??

(2.2)

dimana: ? ? = peluang bahwa ada t waktu pelayanan dalam sistem
? = tingkat pelayanan rata-rata
? = bilangan Euler (e = 2,71828)

14

Siswanto, Operation Research Jilid 2 (Jakarta: Erlangga, 2007) h. 219.
Myers, Raymon H. dan Walpole, Ronald E., Probability and Statistic for Engineer and
Scientists, (Bandung: ITB, 1995) h. 152.
16
Sigit Nugroho, Dasar-dasar Metode Statistika, (Jakarta: Grasindo) h 92.
15

12

? = variabel acak diskrit yang menyatakan banyaknya pelayanan per
interval waktu
3. Distribusi Chi-Kuadrat
Analisis Chi-Kuadrat adalah suatu teknik yang dapat digunakan untuk
menguji ukuran jarak frekuensi pengamatan dengan frekuensi harapan. Distribusi
Chi-Kuadrat banyak digunakan dalam sejumlah prosedur statistik inferensial. 17
Statistik Chi-Kuadrat disimbolkan dengan ? 2 dan dapat dihitung dengan
menggunakan rumus:
?

2

dimana: ? 2

=

(??−?(??))
?(??)

2

(2.3)

= ukuran jarak antara frekuensi pengamatan dengan frekuensi
harapan

??

= Frekuensi pengamatan kategori ke-i

?(?? ) = Frekuensi harapan kategori ke-i
Statistik ini mempunyai distribusi Chi-Kuadrat dengan derajat kebebasan
?? = ? − 1, dimana ? = banyaknya kelompok atau kategori. 18
Distribusi Chi-Kuadrat merupakan distribusi penting, baik ditinjau dari
aspek teoritis maupun praktis. Dalam banyak situasi, membandingkan
sekumpulan frekuensi pengamatan dengan frekuensi teoritis yang biasa juga
disebut frekuensi harapan. Frekuensi pengamatan diperoleh secara empiris dengan
17

Harinaldi, Prinsip-Prinsip untuk Teknik dan Sains, (Jakarta: Erlangga, 2005), h. 105
Muhammad Arif Tiro dan Baharuddin Ilyas, Statistika Terapan untuk Ilmu Ekonomi dan Ilmu
Sosial Edisi Kedua, (Makassar:Andira Publisher, 2007) h. 215.
18

13

pengamatan langsung atau dengan eksperimen. Frekuensi teoritis diturunkan
berdasarkan suatu hipotesis atau spekulasi teoritis yang bebas dari data. Misalkan
?0 dapat dirumuskan bahwa tidak ada perbedaan antara frekuensi pengamatan
dan frekuensi harapan. ?1 dirumuskan dengan membuat ingkaran terhadap ?0 .
Jika frekuensi pengamatan berbeda secara signifikan dengan frekuensi harapan,
berarti data menunjukkan alasan untuk menolak teori yang menjadi dasar
perumusan ?0 . Frekuensi teoritis disebut frekuensi harapan karena sesuai dengan
peristiwa yang diharapkan apabila teori tersebut benar. 19
Pemanfaatan sebaran chi-kuadrat dalam pengujian yang menyangkut
sebaran Poisson dapat pula dilakukan untuk pengujian rata-rata. Misalkan ada
? (? > 1) sebaran Poisson dengan parameter ?1 , ?2 , … , ?? . Dari setiap populasi
diambil sampel acak yang berturut-turut berukuran ?1 , ?2 , … , dan ?? untuk
menghitung banyaknya peristiwa yang mengikuti sebaran Poisson. Jika
banyaknya peristiwa berturut-turut dinyatakan dengan ?1 , ?2 , … , ?? , maka rataratanya adalah:

?=

?1 + ?2 + … + ??
.
?

(2.4)

Statistik yang digunakan untuk menguji hipotesis tersebut adalah:
?

19

2

=

? (?? − ?)
?=1
?

2

(2.5)

Muhammad Arif Tiro dan Baharuddin Ilyas, Statistika Terapan untuk Ilmu Ekonomi dan Ilmu
Sosial Edisi Kedua, (Makassar:Andira Publisher, 2007) h. 219-220.

14

Dimana: ? 2 = ukuran jarak antara frekuensi pengamatan dengan frekuensi
harapan
??

= tingkat kedatangan atau tingkat pelayanan

? = rata-rata tingkat kedatangan atau rata-rata tingkat pelayanan
Kesimpulan menolak ?0 diambil apabila ? 2 > ? 2
apabila ? 2 ≤ ? 2

1−? (?−1)

1−? (?−1)

dan menerima ?0

.20

B. Pengujian Hipotesis
Hipotesis adalah pernyataan yang diterima sementara dan masih perlu
diuji. Hipotesis dinyatakan sebagai suatu kebenaran sementara, dan merupakan
dasar kerja serta panduan dalam analisis data. Kedudukan hipotesis sangat penting
dalam banyak penelitian, karena dengan hipotesis, peneliti memiliki arah yang
jelas untuk mengumpulkan dan menganalisis data, serta menginterpretasi hasil
analisis. Hipotesis sebagai jawaban sementara yang dibangun berdasarkan kajian
konsep dan teori, hasil penelitian terdahulu, atau pengamatan sementara peneliti
pada gejala lapangan yang akan diteliti21.
Langkah-langkah pengujian hipotesis sebagai berikut:
1. Merumuskan ?0 dan ?1 dengan jelas sesuai dengan persoalan yang dihadapi.
Pasangan hipotesis harus dapat teruji dengan data yang akan dikumpulkan
atau data yang sudah dimiliki.
20

Muhammad Arif Tiro, Statistika Sebaran Bebas Edisi Kedua, (Makassar:Andira Publisher,
2004) h. 122
21
Muhammad Arif Tiro, Dasar-Dasar Statistika, (Makassar: State University of Makassar Press,
2004) h. 220

15

2. Memilih uji statistik yang sesuai dengan asumsi sebaran populasi dan skala
pengukuran data. Berdasarkan ini, uji statistik yang dipilih harus yang terkuat
untuk mengurangi peluang terjadinya kesalahan dalam pengambilan keputusan.
3. Menetapkan taraf kesignifikanan ?. Nilai yang biasa digunakan yaitu ? = 0.01
atau ? = 0.05. Pengertian, misalnya ? = 0.01 atau 1%, dalam bahasa peluang
berarti kira-kira 1 diantara setiap 100 kesimpulan bahwa kita akan menolak ?0
yang sebenarnya harus diterima. Berarti

tingkat keyakinan 99% dimana

keputusan yang diambil untuk menolak ?0 adalah tepat.
4. Menghitung statistik uji berdasarkan data. Perhitungan dilakukan dengan
mengganti peubah acak dalam statistik dengan nilai-nilai pengamatan yang telah
diperoleh. Perhitungan dapat dilakukan secara manual, kalau data tidak terlalu
banyak, tetapi untuk sampel yang cukup besar dianjurkan untuk menggunakan
komputer, tetapi tidak semua uji hipotesis dapat dihitung secara langsung oleh
paket statistika yang ada. Hasil komputer umumnya masih perlu diolah kembali
secara manual untuk mendapatkan hasil yang diperlukan. Pengolahan manual ini
tentu sudah menjadi ringan, karena perhitungan dengan data yang banyak sudah
dilakukan oleh komputer.
5. Menentukan nilai kritis atau daerah kritis pengujian. Nilai kritis bergantung
kepada asumsi sebaran populasi dan hipotesis yang akan diuji.
6. Membuat kesimpulan dengan jalan membandingkan nilai statistik dengan nilai
kritis. Jika nilai statistik jatuh pada daerah kritis, berarti ?0 ditolak, dan jika jatuh

16

di luar daerah kritis, maka ?0 diterima. Cara menentukan nilai kritis biasanya
merajuk kepada tabel khusus yang sesuai dengan statistik uji yang digunakan. 22
C. Pengertian Antrian
Teori antrian dikenal dalam dunia ilmiah sebagai queueing theory atau
waiting line theory, yaitu teori yang membahas tentang seluk beluk antri yang
dilakukan oleh orang atau barang atas kehendak manusia.23
Ada dua fungsi dasar model antrian, yaitu meminimumkan biaya langsung
dengan biaya tak langsung. Biaya langsung adalah biaya yang timbul akibat
lamanya waktu pelayanan yang secara langsung membebani pihak perusahaan.
Contoh pembengkakan biaya akibat waktu ini adalah pekerja yang dibayar per
jam dan diharuskan melayani sejumlah pelanggan, perusahaan harus membayar
pekerja tersebut per satuan waktu. Hal ini tentu membebani perusahaan.
Sementara biaya tak langsung terjadi apabila pelanggan harus menunggu lama
sehingga mungkin membatalkan niat memakai jasa perusahaan tersebut.
Perusahaan mungkin tidak bisa membuka fasilitas pelayanan yang besar untuk
pelayanan tertentu karena investasi untuk itu akan terlalu besar. Rata-rata lama
waktu menunggu sangat tergantung kepada rata-rata tingkat kecepatan
pelayanan.24

22

Muhammad Arif Tiro, Dasar-Dasar Statistika, (Makassar: State University of Makassar Press,
2004) h. 225-228.
23
Suyadi Prawirosentono. Riset Operasi dan Ekonofisika. (Jakarta: Bumi Aksara. 2005) h. 148.
24
Hendri Bustani, Fundamental Operation Research, (Jakarta: Gramedia Pustaka Utama, 2005)
h. 144.

17

D. Komponen Dasar Antrian
Sebuah sistem pelayanan yang normal jalan operasionalnya paling tidak
akan mempunyai aksi dan interaksi yang berkelanjutan di dalamnya. Aksi yang
datang ke dalam sistem antrian. Keseimbangan aksi dan interaksi inilah yang
diharapkan terjadi di dalam sistem antrian sehingga antriannya akan dapat
dikatakan berjalan normal. Hal ini dapat ditandai dari panjang antriannya yang
tidak akan membosankan entiti pembawa aksi dan tidak pula merepotkan
pengaturannya oleh pemberi interaksi. Untuk dapat lebih mempelajari dan
menjaga kelanjutan aksi dan interaksi maka harus diketahui struktur dasar antrian.
Komponen sistem antrian adalah:
1. Komponen Pelanggan
Pelanggan adalah sebuah objek (orang atau barang) yang datang
kedalam sistem antrian dan memberikan aksi berupa permintaan pelayanan.
Objek ini menuntut adanya interaksi objek yang ada di dalam sistem antrian
dengan cara menggunakan waktunya selama suatu jangka waktu tertentu.
Kemudian, jika interaksi yang diberikan oleh sistem tersebut sudah dapat
menstabilkan aksi yang muncul, maka objek ini akan meninggalkan sistem.
2. Komponen Pelayan
Pelayan adalah sebuah objek pelengkap sistem antrian yang digunakan
oleh sistem antrian untuk memberikan interaksi pada tuntutan pelanggan.
Jumlah pelanggan dapat tunggal dapat juga jamak, dan terdiri dari beberapa
pelayan lain. Banyaknya pelayan dapat diukur dari banyaknya pelanggan yang

18

mendapat pelayanan secara simultan pada saat yang sama. Sehingga menurut
banyaknya pelayan, maka sistem antrian dapat dikelompokkaan dalam dua hal
yang berbeda, yaitu sistem antrian dengan jumlah pelayan tertentu (terbatas)
dan sistem antrian dengan jumlah pelayanan tak terbatas.
Ada 3 aspek yang harus diperhatikan dalam mekanisme pelayanan, yaitu:
1) Tersedianya pelayanan
Mekanisme pelayanan tidak selalu tersedia untuk setiap saat. Misalnya
dalam pertunjukan bioskop, loket penjualan karcis masuk hanya dibuka pada
waktu tertentu antara satu pertunjukan dengan pertunjukan berikutnya. Sehingga
pada saat loket ditutup, mekanisme pelayanan terhenti dan petugas pelayanan
(pelayan) istirahat.
2) Kapasitas pelayanan
Kapasitas dari mekanisme pelayanan diukur berdasarkan jumlah
langganan yang dapat dilayani secara bersama–sama. Kapasitas pelayanan tidak
selalu sama untuk setiap saat, ada yang tetap, tapi ada juga yang berubah–ubah.
Karena itu, fasilitas pelayanan dapat memiliki satu atau lebih saluran.
3)

Lamanya pelayanan
Lamanya pelayanan adalah waktu yang dibutuhkan untuk melayani
seorang pelanggan atau satu-satuan. Ini harus dinyatakan secara pasti. Oleh
karena itu, waktu pelayanan boleh tetap dari waktu ke waktu untuk semua
pelanggana atau boleh juga berupa variabel acak. Umumnya dan untuk keperluan

19

analisis, waktu pelayanan dianggap sebagai variabel acak yang terpencar secara
bebas dan sama serta tidak tergantung pada waktu kedatangan.
3. Komponen Pola Kedatangan Pelanggan
Pola kedatangan pelanggan akan dapat menggambarkan pola proses
kedatangan aksi ke dalam sistem antrian. Proses ini mempunyai satuan
pengamatan banyaknya kedatangan dalam satuan waktu tertentu, misalnya 5
orang per lima menit. Biasanya pola kedatangan direalisasikan dengan
menggunakan fungsi distribusi statistik tertentu, seperti Poisson jika interes
diberikan pada jumlahan aksi yang terjadi dalam satu periode waktu dan
sebaliknya Eksponensial jika interes diberikan pada interval waktu untuk satu
kedatangan aksi.
Beberapa asumsi yang sering digunakan dalam proses ini, antara lain:
a. Pada setiap saat, rata-rata terdapat k pelanggan yang datang membawa aksi
ke dalam sistem antrian.
b. Rata-rata kecepatan kedatangan pelanggan ke dalam sistem antrian tidak
berubah seiring dengan berubahnya
4. Komponen Pola Pelayanan
Pola pelayanan akan dapat menggambarkan pola kecepatan suatu
interaksi diberikan oleh pelayan dalam sistem antrian. Semakin pola pelayanan
ini memberikan gambaran kecepatan pelayanan, semakin kecil akan terjadi
antrian pelanggan di dalam sistem antrian. Proses ini mempunyai satuan

20

pengamatan seperti dalam komponen pola kedatangan. Seperti halnya pada pola
kedatangan asumsi-asumsi terjadi juga pada pola pelayanan.
5. Komponen Sumber Input
Komponen ini menyatakan ukuran dan dari mana populasi pelanggan
sistem antrian tersebut berasal. Berdasarkan pada ukurannya, sumber input ini
dapat dibedakan menjadi dua macam, yaitu populasi terbatas dan populasi tidak
terbatas. Populasi terbatas adalah bahwa tidak semua pelanggan yang
mempunyai aksi yang sama dapat masuk ke sistem antrian ini untuk memperoleh
pelayanan dari sistem ini. Hal ini karena adanya batasan-batasan sistem yang
secara khusus diberikan. Biasanya apabila dalam suatu kasus tidak ada
spesifikasi yang diberikan, maka dianggap bahwa sumber inputnya adalah tidak
terbatas.
Terkait dengan populasi sebagai sumber input sistem antrian yang tidak
terbatas, secara logika akan memungkinkan muncul pemikiran kemampuan daya
tampung sistem antrian tersebut menyediakan tempat antri yang tak terbatas pula.
Hal ini biasanya sangat jarang terpenuhi. Sehingga dari sudut pandang
kemampuan ini, maka sistem antrian dengan daya tampung pelanggan yang antri
terbatas dan daya tampung tak terbatas.
Inti dari analisa antrian adalah antri itu sendiri. Timbulnya antrian
terutama tergantung dari sifat kedatangan dan proses pelayanan. Jika tak ada
antrian berarti terdapat pelayan yang menganggur atau kelebihan fasilitas
pelayanan.

21

6. Komponen Disiplin Antrian
Komponen ini menyatakan aturan yang digunakan oleh sistem antrian
untuk memilih pelanggan yang sedang mengantrikan aksinya untuk dilayani. Ada
5 macam disiplin antrian, yaitu:
1) First Come First Served (FCFS) atau First In First Out (FIFO). Aturan ini
memberikan kesempatan pelanggan untuk datang lebih awal ke dalam sistem
antrian dan sistem selalu memberikan jaminan bahwa pemberian pelayanan
oleh pelayan sistem antriannya dengan terurut dari siapa yang datang lebih
awal. Misalnya, antrian pada loket pembelian tiket bioskop.
2) Last Come First Served (LCFS) atau Last In First Out (LIFO). Aturan LIFO
memberlakukan cara pelayanan yang berkebalikan dengan FIFO, yaitu
pelanggan yang datang terakhir akan diberi jaminan akan dilayani terlebih
dahulu. Artinya yang tiba terakhir yang lebih dulu keluar. Misalnya, sistem
antrian dalam elevator untuk lantai yang sama.
3) Service In Random Out (SIRO) atau Random Service Selectin (RSS).
Disiplin ini menunjukkan bahwa sistem tidak menghargai pelanggan yang
datang lebih awal. System ini lebih mengutamakan prinsip keberuntungan
pada pelanggan yang sudah datang untuk dapat memperoleh pelayanan lebih
dulu. Artinya pelanggan yang lebih beruntung, walaupun dating lebih akhir
dibandingkan dengan yang lain dapat memperoleh pelayanan terlebih
dahulu.

22

4) Priority Queueing Discipline. Aturan ini lebih mengutamakan pelayanan dengan
memposisikan kriteria prioritas yang dijadikan pertimbangan lebih dulu. Pada
antrian demikian, pelanggan yang mempunyai prioritas lebih tinggi harus
memperoleh pelayanan lebih dulu. Sebaliknya, pelanggan yang mempunyai
prioritas paling rendah, walaupun pelanggan tersebut datang paling dulu, maka
akan dilayani paling akhir setelah semua pelanggan dengan prioritas yang lebih
tinggi telah selesai dilayani. Jika terdapat dua atau lebih pelanggan dengan
prioritas yang sama, maka pelayanannya akan dilakukan dengan cara FIFO.
Kejadian seperti ini kemungkinan disebabkan oleh beberapa hal, misalnya
seseorang yang dalam keadaan penyakit lebih berat dibanding dengan orang lain
dalam suatu tempat praktek dokter.
5) Campuran antara salah satu dari tiga yang pertama dengan yang keempat. Atutan
ke empat ini telah secara otomatis ditunjukkan oleh aturan ke empat sendiri, yaitu
prioritas bercampur dengan FIFO seperti yang telah dijelaskan di atas. Antrian
yang lain bisa juga terjadi mempunyai aturan pelayanan campuran antara aturan
prioritas dengan LIFO. Pada antrian semacam ini prioritas didahulukan dan
kemudian aturan LIFO menyusul untuk diterapkan pada pelanggan-pelanggan
yang mempunyai priorits yang sama dan pada saat yang sama membutuhkan
pelayanan. Demikian juga untuk sistem dengan aturan campuran antara prioritas
dan SIRO. Pemberlakuan aturan SIRO hanya diperuntukkan jika terdapat
beberapa pelanggan dengan prioritas yang sama menunggu untuk memperoleh
pelayanan.

23

Komponen-komponen sistem antrian tersebut dapat menyusun sistem
antrian dengan membentuk kombinasinya. Sehingga akan dapat dilihat pada
banyak variasi sistem antrian dengan model antrian yang berbeda-beda. Secara
global, hubungan antara komponen-komponen tersebut dapat dilihat dalam
Gambar 2.1.25
Sistem Antrian

Pelanggan Datang
Populasi

Mekanisme

Keluar

Antrian
Pelayanan

Gambar 2.1. Proses Dasar Antrian.
E. Struktur Antrian
Ada 4 model struktur antrian dasar yang umum terjadi dalam seluruh
sistem antrian, yaitu:
1. Single Channel Single Phase
Single Channel berarti hanya ada satu jalur yang memasuki sistem pelayanan
atau ada satu fasilitas pelayanan. Single Phase berarti hanya ada satu
pelayanan.

25

Nur Iriawan, op. cit., h. 12-17

24

individu-individu

antri

fasilitas

individu-individu

pelayanan

yang telah dilayani

Gambar 2.2. Model Single Channel Single Phase
2. Single Channel Multi Phase
Istilah Multi Phase menunjukkan ada dua atau lebih pelayanan yang dilaksanakan
secara berurutan (dalam hasephase). Sebagai contoh : mengurus ijin usaha melalui
beberapa orang pejabat Pemerintah.

Sumber

M

S

M

S

Populasi

Phase 1

Phase 2

Gambar 2.3. Model Single Channel Multi Phase
Keterangan :
M= antrian
S = fasilitas pelayanan

keluar

25

3. Multi Channel Single Phase
Sistem Multi Channel Single Phase terjadi kapan saja di mana ada dua atau lebih
fasilitas pelayanan dialiri oleh antrian tunggal, sebagai contoh model ini adalah
antrian pada teller sebuah bank.

S
M
Sumber populasi

keluar
S

Gambar 2.4. Model Multi Channel Single Phase
4. Multi Channel Multi Phase
Sistem Multi Channel Multi Phase ditunjukkan dalam Gambar 2.5. Sebagai
contoh, pelayanan kepada pasien di rumah sakit mulai dari pendaftaran, diagnosa,
penyembuhan sampai pembayaran. Setiap sistem-sistem ini mempunyai beberapa
fasilitas pelayanan pada setiap tahapnya. 26

26

155-156.

Pangestu Subagyo, dkk.. Dasar–Dasar Operations Research. (Yogyakarta: BPFE. 2000) h.

26

S
Sumber populasi

M

S

M

keluar
S

Phase 1

M

S

Phase 2

Gambar 2.5. Model Multi Channel Multi Phase.
5. Campuran
Struktur campuran ini adalah merupakan campuran dari dua atau lebih
struktur fasilitas pelayanan tersebut di atas. Struktur ini dipergunakan
misalnya oleh toko-toko besar, dimana ada beberapa pelayan toko yang
melayani pembeli (Multi Channel), namun pembayaran hanya kepada satu
kasir saja (Single Channel). Adapula yang mempergunakan struktur campuran
yang lain, misalnya pelayanan terhadap pengunjung rumah makan dan lain
sebagainya. 27
F. Karaktristik Model Antrian
Pada pengelompokkan model–model antrian yang berbeda–beda akan
digunakan suatu notasi yang disebut dengan Notasi Kendall. Notasi ini sering
dipergunakan karena beberapa alasan. Diantaranya, karena notasi tersebut
merupakan alat yang efisien untuk mengidentifikasi tidak hanya model–model
27

Johannes Supranto, op. cit ., h. 334.

27

antrian, tetapi juga asumsi-asumsi yang harus dipenuhi. Dua parameter utama
model antrian adalah tingkat kedatangan dengan notasi ? dan tingkat pelayanan
dengan notasi ?, rata-rata kedatangan pelanggan diasumsikan mengikuti distribusi
Poisson, sedangkan rata-rata pelayanan diasumsikan mengikuti distribusi
Eksponensial. 28
Sistem antrian adalah suatu proses pelayanan/produksi yang menimbulkan
adanya antrian. Dalam sistem antrian, proses kedatangan maupun proses kepergian
pelanggan karena telah selesainya pelayanan akan mengikuti aturan dan kaidah
proses kelahiran dan kematian (birth-death process). Antara kejadian kedatangan dan
kejadian kepergian pelanggan tidak harus berurutan, ketidak-pastian ini selalu
dijamin oleh sistem antrian ini.
Karena adanya proses ketidakpastian tersebut, maka proses kedatangan dan
pelayanan secara probabilistik akan memberikan gambaran bahwa perubahan ukuran
banyaknya pelanggan di dalam sistem antrian sebagai fungsi dari peubah waktu.
Secara umum, kedatangan maupun pelayanan seorang pelanggan ke dan dari dalam
sistem antrian terjadi secara acak. Banyaknya kedatangan maupun banyaknya
pelayanan dalam proses selama sistem berjalan tergantung pada ukuran banyaknya
pelanggan di dalam sistem antrian pada saat tertentu. Dengan demikian laju
pertambahan maupun laju pengurangan pelanggan ke dan dari dalam sistem sangat

28

Siswanto, Operations Research Jilid 2,( Jakarta: Erlangga, 2007), h. 247

28

tergantung pada ukuran banyaknya pelanggan yang berasal dari sumber input dan
pelanggan yang sedang berada dalam sistem tersebut pada saat tertentu.29
Untuk memudahkan dalam memahami karaktristik suatu sistem antrian
digunakan notasi Kendall Lee yaitu format umum, (a/b/c);(d/e/f). Notasi ini
dikenalkan pertama kali oleh DG Kendall dalam bentuk (a/b/c) dan selanjutnya AM.
Lee menambah simbol d, e, dan f pada notasi Kendall.
Notasi tersebut mempunyai arti sebagai berikut, di mana :
a = distribusi kedatangan, yaitu jumlah kedatangan pertambahan waktu.
b = distribusi waktu pelayanan, yaitu selang waktu antara satuan–satuan yang
dilayani.
c = jumlah saluran pelayanan paralel dalam sistem.
d = disiplin pelayanan.
e = jumlah maksimum yang diperkenankan berada dalam sistem dalam
pelayanan ditambah garis tunggu).
f = besarnya populasi masukan.
Keterangan :
1. Untuk huruf a menggambarkan pola data proses kedatangan pelanggan, bagian ini
dapat berupaa simbol:
M = waktu antar kedatangan pelanggan merupakan peubah acak yang bebas
stokastik identik yang menuruti distribusi kedatangan Poisson atau distribusi

29

Nur Iriawan, op. cit., h. 35

29

eksponensial
D = Antar kedatangan atau waktu pelayanan tetap
Ek = waktu antar kedatangan pelanggan merupakan peubah acak yang
bebas stokastik identik yang memiliki pola distribusi Erlang
G = waktu antar kedatangan pelanggan memiliki distribusi tertentu
2. Untuk huruf b menggambarkan pola data proses kecepatan pelayanan, yang dapat
berupa simbol:
M = waktu antar pelayanan merupakan peubah acak yang bebas stokastik
identik yang menuruti distribusi Poisson atau distribusi eksponensial
D = lama waktu pelayanan tetap
Ek = lama waktu pelayanan merupakan peubah acak yang bebas
stokastik identik yang memiliki pola distribusi Erlang
GI = lama waktu pelayanan memiliki distribusi tertentu
3. Untuk huruf c menggambarkan banyaknya pelayan yang bekerja secara paralel.
4. Untuk huruf d menggambarkan disiplin antrian yang digunakan sebagai berikut:
FIFO atau FCFS = First In First Out atau First Come First Served.
LIFO atau LCFS = Last In First Out atau Last Come First Served.
SIRO = Service In Random Order.
G D = General Service Disciplint

30

5. Untuk huruf e menggambarkan maksimum banyaknya pelanggan yang diijinkan
berada di dalam sistem antrian. Jika maksimum banyaknya pelanggan tidak
dibatasi, maka gunakan notasi ∞.
6. Huruf f menggambarkan ukuran populasi dari mana pelanggan berasal. Jika
ukuran populasi tersebut sangat besar atau banyaknya tak terhingga, maka
digunakan notasi ∞.30
Karakteristik dari sistem antrian untuk model (M/M/1);(FIFO/∞/∞) adalah
mempunyai satu pelayanan dengan mengasumsikan bahwa pola waktu antar
kedatangan maupun pola waktu lama pelayanan merupakan peubah acak yang
memiliki pola sebaran Eksponensial, pelayanan adalah satu atau seorang, disiplin
antrian adalah First In First Out, tidak berhingga jumlah langganan boleh masuk
dalam sistem antrian, dan ukuran (besarnya) populasi masukan adalah tak berhingga.
Anggap bahwa ? adalah tingkatan kedatangan rata-rata dan ? adalah kecepatan
pelayanan rata-rata. Sistem ini merupakan bentuk khusus dari proses kelahiran dan
kematian, yaitu dengan menganggap bahwa tingkat kedatangan dengan kecepatan
pelayanannya di setiap saat adalah serba sama. Anggapan ini direpresentasikan
dengan memberikan nilai ?? = ? dan ?? = ?, ? = 0,1,2, ….
Sistem antrian ini mempunyai koefisien ? ? :

?? =

30

? ?
?

= ?? , untuk ? = 0, 1, 2,....

Nur Iriawan, op. cit. h. 18-19.

(2.6)

31

Setelah nilai ? ? diketahui, maka ukuran performansi sistemnya akan dapat
dihitung. Berikut ini adalah performansi sistem untuk model antrian M/M/1:
1) Intensitas Antrian




(2.8)

Dimana: ? = intensitas antrian
? = tingkat kedatangan rata-rata
? = kecepatan pelayanan rata-rata
Kecepatan pelayanan rata-rata (?) harus selalu lebih besar daripada tingkat
kedatangan rata-rata (?). Karena apabila kecepatan pelayanan rata-rata (?) lebih
kecil daripada tingkat kedatangan rata-rata (?), berarti jumlah yang antri akan
terus bertambah dan bertambah sehingga jika hal ini terjadi berarti sistem tidak
benar.
2) Periode Sibuk
Kalau mekanisme pelayanan sibuk, dapat dikatakan bahwa sistem antrian
sedang dalam periode sibuk. Peluang bahwa sistem antrian sedang dalam keadaan
sibuk dinamakan peluang periode sibuk.
Peluang periode sibuk dari sistem antrian dengan pelayanan tunggal sama
dengan intensitas antrian. Karena itu, bila f (b) merupakan fungsi peluang periode
sibuk, maka :

f (b)   


(2.9)

32

3) Peluang Banyaknya Pelanggan di dalam Sistem
a. Peluang tidak ada pelanggan di sistem (n = 0) dapat dihitung sebagai berikut:

−1
? =0 ??

?0 =
=

1

−1

1−?

=


−1
?=0 ??

=1−?

?

=1−?

(2.10)

Jika tingkat kedatangan melebihi rata-rata kecepatan pelayanan, maka lama
kelamaan jumlah pelanggan yang antri semakin panjang dan tak terbatas.
b. Peluang terdapat n (n = 1, 2,….) pelanggan yang berada di sistem antrian
dapat dihitung sebagai berikut:
?? = ?? ?0 = ?? ?0 :
?? = ?? (1 − ?)

(2.11)

4) Peluang Banyaknya Pelanggan di Dalam Antrian
a. Peluang tidak ada pelanggan yang antri di dalam antrian dapat dihitung
sebagai berikut:

q0  P0  P1

 (1   )   (1   )
 1 

(2.12)

b. Sedangkan untuk peluang terdapat ? (? = 1, 2, 3, ....) pelanggan yang antri di
dalam antrian dapat dihitung sebagai berikut:

33

qn  Pn1
  n1 (1   )

(2.13)

5) Rata-rata Banyaknya Pelanggan di Sistem
Banyaknya pelanggan di dalam sistem (?? ) didekati dengan perbandingan
antara tingkat kesibukan dengan peluang tidak ada pelanggan yang antri di
sistem, maka:

?? =

?
?
?
1−?

=

?
?
? ?
?−?

?
??
?
=
=
? − ? ?(? − ?)
?
?
= ?−?

(2.14)

6) Rata–rata Banyaknya Pelanggan di Antrian
Banyaknya pelanggan di antrian (?? ) terganung pada waktu menunggu dalam
antrian ( Wa ) dan tingkat kedatangan,31 maka:
?? = ? Wa
= ?

?
?(? − ?)
2

?
= ?(?−?)

31

Siswanto, Operations Research Jilid 2,( Jakarta: Erlangga, 2007), h. 227

(2.15)

34

7) Rata-rata Waktu Menunggu dalam Sistem ( Ws )
Rata-rata waktu menunggu dalam sistem dipengaruhi oleh hubungan 2
faktor, yakni jumlah pelanggan yang antri dalam sistem ( Ls ) dibandingkan
dengan tingkat kedatangan dalam sistem (  ).32 Jadi, rata-rata waktu menunggu
dalam sistem adalah:
Ws 

Ls

padahal Ls 

Jadi, Ws 


 

x


 

1

1
 

(2.16)

8) Rata-rata Waktu Menunggu dalam Antrian ( Wa )
Rata-rata waktu menunggu dalam antrian ( Wa ) dipengaruhi oleh jumlah
rata-rata banyaknya pelanggan di dalam antrian ( La ) dibandingkan dengan tingkat
kedatangan dalam antrian (  ).33
Wa 

La

Jadi, Wa 

32

padahal La 

2
 (   )


1
2

x
 (   )
 (   ) 

(2.17)

Vidyadhar G. Kulnarni, Modeling, Analysis, Design, and Control of Stochastic System, (USA:
Springer, 1999) h. 268.
33
Nur Iriawan, op. cit. h. 45-48.

35

BAB III
METODE PENELITIAN
A. Jenis Penelitian
Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian
deskriptif yaitu penelitian yang dilakukan oleh seorang peneliti untuk
memberikan gambaran secermat mungkin mengenai suatu individu, keadaan,
gejala atau kelompok tertentu. Dalam penelitian ini gambaran yang dimaksud
adalah model antrian tunggal.
B. Lokasi Penelitian
Dalam rangka mendapatkan data dalam penulisan ini, maka penulis
memilih KUD Mina Sipurio yang terletak di Kabupaten Barru sebagai tempat
untuk melakukan penelitian.
C. Jenis dan Sumber Data
Jenis dan sumber data yang digunakan dalam penelitian ini adalah data
primer, yaitu data yang diperoleh dari pengamatan langsung pada KUD Mina
Sipurio. Pengamatan dilakukan selama tiga hari, yaitu pada hari Rabu, tanggal 05,
12, dan 19 Oktober 2011.
D. Metode Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data kuantitatif, yaitu
jumlah kedatangan dan rata-rata waktu pelayanan. Pencatatan lama waktu
berdasarkan perhitungan dengan memakai stopwatch yaitu mulai dari pelanggan

36

datang, pelanggan dilayani, sampai pelanggan selesai dilayani. Pengambilan data
tingkat kedatangan dilakukan dengan mengelompokkan banyaknya pelanggan
yang datang ke dalam kelas interval dengan lebar kelas sepuluh menit.
Pengelompokan bertujuan agar tidak terjadi penumpukan yang terlalu besar
dalam antrian.
Pengambilan data waktu pelayanan dilakukan di loket, jadi waktu yang
dicatat adalah waktu yang dibutuhkan seorang pelayan untuk melayani seorang
pelanggan.
E. Pengolahan Data
Pengolahan data adalah proses untuk memperoleh data/angka ringkasan
yang berasal dari sekelompok data mentah dengan menggunakan rumus
tertentu.34 Langkah-langkah yang digunakan dalam mengolah data dalam
penelitian ini adalah sebagai berikut:
1. Mengumpulkan data kedatangan pelanggan dengan merangkum data
pelanggan yang datang dan rata-rata waktu pelayanan dengan interval waktu
lima menit.
2. Menganalisis tingkat kedatangan dengan uji kesesuaian Poisson menggunakan
rumus distribusi Poisson dengan asumsi bahwa jumlah kedatangan adalah
acak dan kedatangan pelanggan antara interval waktu saling tidak
mempengaruhi.

34

Rasdiyan Rasyad, Metode Statistik Deskriptif Untuk Umum, (Jakarta: Grasindo) h. 14

37

3. Menganalisis

waktu

pelayanan

dengan

uji

kesesuaian

Eksponensial

menggunakan rumus distribusi Eksponensial.
4. Melakukan uji Chi-Kuadrat untuk menguji apakah frekuensi yang diamati
menyimpang secara significance dari suatu distribusi frekuensi yang diharapkan.
Dan prosedur uji hipotesisnya dijelaskan sebagai berikut:
a. ?0 : Sampel yang diambil berasal dari populasi yang berdistribusi
Eksponensial atau berdistribusi Poisson.
?1 : Sampel yang diambil berasal dari populasi yang tidak berdistribusi
Eksponensial atau berdistribusi Poisson.
b. Menentukan daerah kritis pada tingkat signifikansi ?. Pada skripsi ini nilai ?
yang dipilih adalah 0.05 (5%).
c. Menghitung nilai statistik uji ? 2 . ?0 ditolak jika nilai statistik ? 2 lebih besar
dari nilai kritis ? 2

1−? (?−1)

, dengan derajat bebas ? − 1, dimana ? adalah

jumlah parameter yang diestimasi dari data mentah untuk dipergunakan dalam
mendefinisikan distribusi teoritis yang bersangkutan.
5. Menggunakan teori antrian untuk menganalisis tingkat kedatangan rata-rata ? ,
kecepatan pelayanan rata-rata (µ), menentukan peluang pelayanan dalam keadaan
sibuk (?), menentukan peluang semua pelayanan menganggur (?0 ), rata-rata
banyaknya pelanggan di sistem (?? ), rata-rata banyaknya pelanggan di antrian
(?? ), rata-rata waktu menunggu dalam sistem (?? ), Rata-rata waktu menunggu
dalam antrian ?? .

38

BAB IV
HASIL DAN PEMBAHASAN
A. Hasil Penelitian
1. Data Kedatangan Pelanggan dan Data Rata-rata Waktu Pelayanan
Tabel 4.1. Kedatangan Pelanggan dan Rata-rata Waktu Pelayanan Pada
Hari Rabu, 05 Oktober 2011 Per-Interval Waktu Sepuluh Menit
No.

Interval Kedatangan

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

08:26:00 - 08:36:00
08:36:01 - 08:46:00
08:46:01 - 08:56:00
08:56:01 - 09:06:00
09:06:01 - 09:16:00
09:16:01 - 09:26:00
09:26:01 - 09:36:00
09:36:01 - 09:46:00
09:46:01 - 09:56:00
09:56:01 - 10:06:00
10:06:01 - 10:16:00
10:16:01 - 10:26:00
10:26:01 - 10:36:00
10:36:01 - 10:46:00
10:46:01 - 10:56:00
Jumlah
?1

Jumlah
Kedatangan
8
5
3
7
5
5
7
9
6
7
6
7
6
1
8
90
6

Waktu
Pelayanan
12.946
7.917
19.667
25.384
10.050
7.416
14.550
31.232
13.400
11.933
19.450
17.583
6.883
2.283
17.501
209.195
2.324

Rata-rata Waktu
Pelayanan
1.618
1.583
5.556
3.626
2.010
1.483
2.079
3.470
2.233
1.705
3.242
2.512
1.147
2.283
2.188
36.735
2.449

39

Tabel 4.2. Kedatangan Pelanggan dan Rata-rata Waktu Pelayanan Pada
Hari Rabu, 12 Oktober 2011 Per-Interval Waktu Sepuluh Menit
No.

Interval Kedatangan

1
2
3
4
5
6
7
8
9
10
11
12
13

08:47:00 - 08:57:00
08:57:01 - 09:07:00
09:07:01 - 09:17:00
09:17:01 - 09:27:00
09:27:01 - 09:37:00
09:37:01 - 09:47:00
09:47:01 - 09:57:00
09:57:01 - 10:07:00
10:07:01 - 10:17:00
10:17:01 - 10:27:00
10:27:01 - 10:37:00
10:37:01 - 10:47:00
10:47:01 - 10:57:00
Jumlah
?2

Jumlah
Kedatangan
8
4
1
9
5
4
5
3
2
6
4
4
9
64
4.923

Waktu
Pelayanan
12.066
11.850
1.433
27.000
14.666
5.549
9.317
9.383
5.267
16.983
11.783
10.167
26.867
162.331
2.536

Rata-rata Waktu
Pelayanan
1.508
2.963
1.433
3.000
2.933
1.387
1.863
3.128
2.634
2.831
2.946
2.542
2.985
32.153
2.473

Tabel 4.3. Kedatangan Pelanggan dan Rata-rata Waktu Pelayanan Pada
Hari Rabu, 19 Oktober 2011 Per-Interval Waktu Sepuluh Menit
No.

Interval Kedatangan

1
2
3
4
5
6
7
8
9
10
11
12

08:26:00 - 08:36:00
08:36:01 - 08:46:00
08:46:01 - 08:56:00
08:56:01 - 09:06:00
09:06:01 - 09:16:00
09:16:01 - 09:26:00
09:26:01 - 09:36:00
09:36:01 - 09:46:00
09:46:01 - 09:56:00
09:56:01 - 10:06:00
10:06:01 - 10:16:00
10:16:01 - 10:26:00

Jumlah
Kedatangan
5
4
12
5
5
5
4
6
3
7
4
10

Waktu
Pelayanan
8.616
3.616
14.567
6.117
16.884
13.017
6.484
9.204
3.933
9.284
6.834
16.933

Rata-rata Waktu
Pelayanan
1.723
0.904
1.214
1.223
3.377
2.603
1.621
1.534
1.311
1.326
1.709
1.693

40

No.

Interval Kedatangan

13
14
15
16

10:26:01 - 10:36:00
10:36:01 - 10:46:00
10:46:01 - 10:56:00
10:56:01 - 11:06:00
Jumlah
?3

Jumlah
Kedatangan
5
5
5
5
90
5.625

Waktu
Pelayanan
11.450
13.283
7.583
7,100
154.905
1.721

Rata-rata Waktu
Pelayanan
2.290
2.657
1.517
1.420
28.122
1.758

2. Analisis Tingkat Kedatangan
Menganalisis tingkat kedatangan dengan uji kesesuaian poisson menggunakan
rumus distribusi Poisson, Fungsi peluang poisson digunakan untuk menggambarkan
tingkat kedatangan dengan asumsi bahwa jumlah kedatangan adalah acak dan
kedatangan pelanggan antara interval waktu saling tidak mempengaruhi. Rata-rata
tingkat kedatangan pelanggan λ pada Tanggal 05 Oktober 2011, yaitu:
?

= 8+5+3+7+5+5+7+9+6+7+6+7+6+1+8
15

?=6
Berdasarkan Probabilitas tepat terjadinya ? kedatangan dalam distribusi
Poisson dapat diketahui dengan rumus:
P ? =

? −? ??
?!

Berdasarkan rata-rata tingkat kedatangan yaitu 6, fungsi massa peluang sebaran
Poisson sama dengan:
P ? =

? −? ??
?!

41

P 0 =

2.718282 −6 60
0!

= 0.002, sehingga diharapkan 90x(0.002)=0.18 pelanggan yang

datang jika tidak ada pelanggan yang dilayani
P 1 =

2.718282 −6 61
1!

= 0.015, sehingga diharapkan 90x(0.015)=1.35 pelanggan yang

datang jika 1 pelanggan yang dilayani
P 2 =

2.718282 −6 62
2!

= 0.045, sehingga diharapkan 90x(0.045)=4.05 pelanggan yang

datang jika 2 pelanggan yang dilayani
P 3 =

2.718282 −6 63
3!

= 0.089, sehingga diharapkan 90x(0.089)=8.01 pelanggan yang

datang jika 2 pelanggan yang dilayani
P 4 =

2.718282 −6 64
4!

= 0.134, sehingga diharapkan 90x(0.134)=12.06 pelanggan

yang datang jika 4 pelanggan yang dilayani
P 5 =

2.718282 −6 65
5!

= 0.161, sehingga diharapkan 90x(0.161)=14.49 pelanggan

yang datang jika 5 pelanggan yang dilayani
P 6 =

2.718282 −6 66
6!

= 0.161, sehingga diharapkan 90x(0.161)=14.49 pelanggan

yang datang jika 6 pelanggan yang dilayani
P 7 =

2.718282 −6 67
7!

= 0.138, sehingga diharapkan 90x(0.138)=12.42 pelanggan

yang datang jika 7 pelanggan yang dilayani
P 8 =

2.718282 −6 6
8!

= 0.103, sehingga diharapkan 90x(0.103)=9,27 pelanggan yang

datang jika 8 pelanggan yang dilayani

42

P 9 =

2.718282 −6 69
9!

= 0,069, sehingga diharapkan 90x(0,069)=6.21 pelanggan yang

datang jika 9 pelanggan yang dilayani
P 10 =

2.718282 −6 610
10 !

= 0.041, sehingga diharapkan 90x(0.041)=3.69 pelanggan

yang datang jika 10 pelanggan yang dilayani
P 11 =

2.7182 82 −6 611
11 !

= 0.023, sehingga diharapkan 90x(0.023)=2.07 pelanggan

yang datang jika 11 pelanggan yang dilayani
P 12 =

2.718282 −6 612
12 !

= 0.011, sehingga diharapkan 90x(0.011)=0.99 pelanggan

yang datang jika 12 pelanggan yang dilayani
P 13 =

2.718282 −6 613
13 !

= 0.005, sehingga diharapkan 90x(0.005)=0.45 pelanggan

yang datang jika 13 pelanggan yang dilayani
P 14 =

2.718282 −6 614
14 !

= 0.002, sehingga diharapkan 90x(0.002)=0.18 pelanggan

yang datang jika 14 pelanggan yang dilayani
Pada Lampiran I memuat frekuensi harapan 0.18 dan 0.45 (kurang dari 5).
Frekuensi harapan yang terlalu kecil akan mengakibatkan nilai chi-kuadrat terlalu
besar, sehingga tidak mencerminkan penyimpangan yang wajar antara frekuensi
tingkat kedatangan dan frekuensi harapan.
Rata-rata tingkat kedatangan pelanggan λ pada Tanggal 12 Oktober 2011,
yaitu:
?=

8+4+1+9+5+4+5+3+2+6+4+4+9
13

43

? = 4.923
Berdasarkan Probabilitas tepat terjadinya ? kedatangan dalam distribusi
Poisson dapat diketahui dengan rumus:
P ? =

? −? ??
?!

Berdasarkan rata-rata tingkat kedatangan yaitu 4,923, fungsi massa peluang sebaran
Poisson sama dengan:
? −? ??
P ? =
?!
P 0 =

2.718282 −4.923 4.923 0
0!

=

0,007

sehingga

diharapkan

64x(0,007)=0,048

pelanggan yang datang jika tidak ada pelanggan yang dilayani
P 1 =

2.718282 −4.923 4.923 1
1!

= 0.036,

sehingga

diharapkan

64x(0.036)=2.304

pelanggan yang datang jika 1 pelanggan yang dilayani
P 2 =

2.718282 −4.923 4.923 2
2!

= 0.088,

sehingga

diharapkan

64x(0.088)=5.632

pelanggan yang datang jika 2 pelanggan yang dilayani
P 3 =

2.718282 −4.923 4.923 3
3!

= 0.145,

sehingga

diharapkan

64x(0.145)=9.28

pelanggan yang datang jika 3 pelanggan yang dilayani
P 4 =

2.718282 −4.923 4.923 4
4!

= 0.178,

sehingga

diharapkan

pelanggan yang datang jika 4 pelanggan yang dilayani

64x(0.178)=11.392

44

P 5 =

2.718282 −4.923 4.923 5
5!

= 0.175,

sehingga

diharapkan

64x(0.175)=11.2

pelanggan yang datang jika 5 pelanggan yang dilayani
P 6 =

2.718282 −4.923 4.923 6
6!

= 0.144,

sehingga

diharapkan

64x(0.144)=9.216

pelanggan yang datang jika 6 pelanggan yang dilayani
P 7 =

2.718282 −4.923 4.923 7
7!

= 0.101,

sehingga

diharapkan

64x(0.101)=6.464

pelanggan yang datang jika 7 pelanggan yang dilayani
P 8 =

2.718282 −4.923 4.923 8
8!

= 0.062,

sehingga

diharapkan

64x(0.062)=3.968

pelanggan yang datang jika 8 pelanggan yang dilayani
P 9 =

2.718282 −4.923 4.923
9!

= 0,034,

sehingga

diharapkan

64x(0,034)=2.176

pelanggan yang datang jika 9 pelanggan yang dilayani
P 10 =

2.718282 −4.923 4.923 10
10 !

= 0.017,

sehingga

diharapkan

64x(0.017)=1.088

pelanggan yang datang jika 10 pelanggan yang dilayani
P 11 =

2.718282 −4.923 4.923 11
11 !

= 0.008,

sehingga

diharapkan

64x(0.008)=0.512

pelanggan yang datang jika 11 pelanggan yang dilayani
P 12 =

2.718282 −4.923 4.923 12
12 !

= 0.003,

sehingga

diharapkan

64x(0.003)=0.192

pelanggan yang datang jika 12 pelanggan yang dilayani
P 13 =

2.718282 −4.923 4.923 13
13 !

= 0.001,

sehingga

diharapkan

pelanggan yang datang jika 13 pelanggan yang dilayani

64x(0.001)=0.064

45

Pada Lampiran I memuat frekuensi harapan 0.064 dan 0,192 (kurang dari 5).
Frekuensi harapan yang terlalu kecil akan mengakibatkan nilai chi-kuadrat terlalu
besar, sehingga tidak mencerminkan penyimpangan yang wajar antara frekuensi
tingkat kedatangan dan frekuensi harapan.
Rata-rata tingkat kedatangan pelanggan ? pada Tanggal 19 Oktober 2011,
yaitu:
?

= 5+4+12+5+5+5+4+6+3+7+4+10+5+5+5+5
16

? = 5.625
Berdasarkan Probabilitas tepat terjadinya ? kedatangan dalam distribusi
Poisson dapat diketahui dengan rumus:
P ?

=

?−??
?!

?

(4.1)

Berdasarkan rata-rata tingkat kedatangan yaitu 5.625, fungsi massa peluang sebaran
Poisson sama dengan:
? −? ??
P ? =
?!
P 0 =

2.718282 −5.625 5.625 0
0!

= 0.004, sehingga diharapkan 90x(0.004)=0.36 pelanggan

yang datang jika tidak ada pelanggan yang dilayani
P 1 =

2.718282 −5.625 5.625 1
1!

= 0.020, sehingga diharapkan 90x(0.020)= 1.8 pelanggan

yang datang jika 1 pelanggan yang dilayani

46

P 2 =

2.718282 −5.625 5.625 2
2!

= 0.057,

sehingga

diharapkan

90x(0.057)=

5.13

90x(0.107)=

9.63

90x(0.150)=

13.5

pelanggan yang datang jika 2 pelanggan yang dilayani
P 3 =

2.718282 −5.625 5.625 3
3!

= 0.107,

sehingga

diharapkan

pelanggan yang datang jika 3 pelanggan yang dilayani
P 4 =

2.718282 −5.625 5.625 4
4!

= 0.150,

sehingga

diharapkan

pelanggan yang datang jika 4 pelanggan yang dilayani
P 5 =

2.718282 −5.625 5.625 5
5!

= 0.169,

sehingga

diharapkan

90x(0.169)=

15.21

90x(0.159)=

14.31

90x(0.128)=

11.52

pelanggan yang datang jika 5 pelanggan yang dilayani
P 6 =

2.718282 −5.625 5.625 6
6!

= 0.159

sehingga

diharapkan

pelanggan yang datang jika 6 pelanggan yang dilayani
P 7 =

2.718282 −5.625 5.625 7
7!

= 0.128,

sehingga

diharapkan

pelanggan yang datang jika 7 pelanggan yang dilayani
P 8 =

2.718282 −5.625 5.625
8!

= 0.090, sehingga diharapkan 90x(0.090)= 8.1 pelanggan

yang datang jika 8 pelanggan yang dilayani
P 9 =

2.718282 −5.625 5.625 59
9!

= 0.056,

sehingga

diharapkan

90x(0.056)=

5.04

90x(0.032)=

2.88

pelanggan yang datang jika 9 pelanggan yang dilayani
P 10 =

2.718282 −5.625 5.625 10
10!

= 0.032,

sehingga

diharapkan

pelanggan yang datang jika 10 pelanggan yang dilayani

47

P 11 =

2.718282 −5.625 5.625 11
11!

= 0.016,

sehingga

diharapkan

90x(0.016)=

1.44

90x(0.008)=

0.72

90x(0.003)=

0.27

90x(0.001)=

0.09

pelanggan yang datang jika 11 pelanggan yang dilayani
P 12 =

2.718282 −5.625 5.625 12
12!

= 0.008,

sehingga

diharapkan

pelanggan yang datang jika 12 pelanggan yang dilayani
P 13 =

2.718282 −5.625 5.625 13
13!

= 0.003,

sehingga

diharapkan

pelanggan yang datang jika 13 pelanggan yang dilayani
P 14 =

2.718282 −5.625 5.625 13
14!

= 0.001,

sehingga

diharapkan

pelanggan yang datang jika 14 pelanggan yang dilayani
P 15 =

2.718282 −5.625 5.625 13
15!

= 0, sehingga diharapkan 90x(0)=0 pelanggan yang

datang jika 15 pelanggan yang dilayani
Pada Lampiran 1 memuat frekuensi harapan 0 dan 0,09 (kurang dari 5).
Frekuensi harapan yang terlalu kecil akan mengakibatkan nilai chi-kuadrat terlalu
besar, sehingga tidak mencerminkan penyimpangan yang wajar antara frekuensi
tingkat kedatangan dan frekuensi harapan.
3. Analisis Waktu Pelayanan
Menganalisis waktu pelayanan dengan uji kesesuaian Eksponensial
dengan menggunakan rumus distribusi Eksponensial:

f (t )  e t

(4.2)

Rata-rata waktu pelayanan µ pada Tanggal 05 Oktober 2011 terlebih
dahulu ditentukan nilai kemungkinan waktu pelayanan yang diharapkan dengan

48

menggunakan rumus distribusi Eksponensial dan mengambil t = 1 pada rumus
distribusi Eksponensial. Waktu pelayanan dalam distribusi Eksponensial dapat
diketahui dengan rumus:

f (t )  e t
? 1 = 1.618x2.71828−1.618
= 0,321
? 1 = 1.583x2.71828−1.583
= 0,325
? 1 = 5.556x2.71828−5.556
= 0,021
? 1 = 3.626x2.71828−3.626
= 0,097
? 1 = 2.01x2.71828−2.01
= 0,269
? 1 = 1.483x2.71828−1.483
= 0,337
? 1 = 2.079x2.71828−2.079
= 0,260
? 1 = 3.470x2.71828−3.470
= 0,108

49

? 1 = 2.233x2.71828−2.233
= 0,239
? 1 = 1.705x2.71828−1.705
= 0,310
? 1 = 3.242x2.71828−3.242
= 0,128
? 1 = 2.512x2.71828−2.512
= 0,204
? 1 = 1.147x2.71828−1.147
= 0,364
? 1 = 2.200x2.71828−2.200
= 0,233
? 1 = 2.108x2.71828−2.108
= 0,245
Rata-rata waktu pelayanan µ pada Tanggal 12 Oktober 2011 terlebih dahulu
ditentukan

nilai

kemungkinan

waktu

pelayanan

yang

diharapkan

dengan

menggunakan rumus distribusi Eksponensial dan mengambil t = 1 pada rumus
distribusi Eksponensial. Waktu pelayanan dalam distribusi Eksponensial dapat
diketahui dengan rumus:

f (t )  e t

50

? 1 = 1.508x2.71828−1.508
= 0,334
? 1 = 2.963x2.71828−2.963
= 0,153
? 1 = 1.433x2.71828−1.433
= 0,342
? 1 = 3x2.71828−3
= 0,149
? 1 = 2.933x2.71828−2.933
= 0,156
? 1 = 1.387x2.71828−1.387
= 0,347
? 1 = 1.863x2.71828−1.863
= 0,289
? 1 = 3.128x2.71828−3.128
= 0,0.137
? 1 = 2.634x2.71828−2.634
= 0,189
? 1 = 2.831x2.71828−2.831
= 0,167

51

? 1 = 2.946x2.71828−2.946
= 0,155
? 1 = 2.542x2.71828−2.542
= 0,200
? 1 = 2.985 x 2.71828−2.985
= 0,151
Rata-rata waktu pelayanan µ pada Tanggal 19 Oktober 2011 terlebih dahulu
ditentukan

nilai

kemungkinan

waktu

pelayanan

yang

diharapkan

dengan

menggunakan rumus distribusi Eksponensial dan mengambil t = 1 pada rumus
distribusi Eksponensial. Waktu pelayanan dalam distribusi Eksponensial dapat
diketahui dengan rumus:

f (t )  e t
? 1 = 1.723x2.71828−1.723
= 0,308
? 1 = 0.904x2.71828−0.904
= 0,366
? 1 = 1.214x2.71828−1.214
= 0,361
? 1 = 1.223x2.71828−1.223
= 0,360

52

? 1 = 3.377x2.71828−3.377
= 0,115
? 1 = 2.603x2.71828−2.603
= 0,193
? 1 = 1.621x2.71828−1.621
= 0,320
? 1 = 1.534x2.71828−1.534
= 0,331
? 1 = 1.311x2.71828−1.311
= 0,353
? 1 = 1.326x2.71828−1.326
= 0,352
? 1 = 1.709x2.71828−1.709
= 0,309
? 1 = 1.693x2.71828−1.693
= 0,302
? 1 = 2.29x2.71828−2.29
= 0,232
? 1 = 2.657x2.71828−2.657
= 0,186

53

? 1 = 1.517x2.71828−1.517
= 0,333
? 1 = 1.42x2.71828−1.42
= 0,343
4. Uji Chi-Kuadrat
Kedatangan bersifat independen, jadi tingkat kedatangan pelanggan
menggunakan distribusi Poisson. Untuk menentukan nilai χ2 dari tingkat
kedatangan pelanggan pada tanggal 05 Oktober 2011, maka digunakan rumus:
2

χ =
=

(xi − x)2
x
2

(3−6)
(7−6)
(5−6)
(5−6)
+ (5−6)
+
+
+
+
+
6
6
6
6
6

2

+ (6−6)
+ (7−6)
+ (6−6)
+ (7−6)
+ (6−6)
+ (1−6)
+
6
6
6
6
6
6

(8−6)
6
(9−6)
6

2

2

2

2

2

(7−6)
6

2

2

2

2

2

2

2

+

2

(8−6)
6

= 0,667 + 0.167 + 1,500 + 0,167 + 0,167 + 0,167 + 0,167 + 1,500 + 0 +
0,167 + 0 + 0,167 + 0 + 4,167 + 0,667

= 9,67
dan prosedur uji hipotesisnya dijelaskan sebagai berikut:
a. H0 : rata-rata tingkat kedatangan pelanggan berdistribusi Poisson.
H1 : rata-rata tingkat kedatangan pelanggan tidak berdistribusi Poisson.
b. Menentukan daerah kritis pada tingkat signifikansi α. Pada skripsi ini nilai α
yang dipilih adalah 0.05 (5%).

54

c. Menghitung nilai statistik uji χ2 , H0 ditolak jika χ2 > χ2

1−α (k−1)

,

Berdasarkan nilai batas kritis χ2 dengan taraf nyata α = 0.05 dan k = 15
maka χ2

1−α k−1

= χ2 0.95

14

= 23,7. Sehingga nilai statistik χ2 kurang dari nilai

χ2 yakni 9,67 < 23,7. Maka H0 diterima dengan asumsi bahwa pola

kritis

kedatangan pelanggan berdistribusi Poisson.
Untuk menentukan nilai χ2 dari tingkat kedatangan pelanggan pada tanggal 12
Oktober 2011, maka digunakan rumus:
2

χ =

(xi − x)2
x
2

=

(8−4,923)
4,923

2

(4−4,923)
4,923

2

(4−4,923)
4,923

+

(4−4,923)
4,923

2

2

+

(5−4,923)
4,923

+

(4−4,923)
4,923

2

+

2

(1−4,923)
4,923

2

+

(3−4,923)
4,923

+

(9−4,923)
4,923

+

+

2

9−4,923)
4,923

2

(2−4,923)
4,923

2

+

(5−4,923)
4,923

+

(6−4,923)
4,923

2

+
+

2

= 1,923 + 0,173 + 3,126 + 3,376 + 1,204 + 0,173 + 1,204 + 0,751 +
1,736 + 0,236 + 0,173 + 0,173 + 3,376
= 17,624
dan prosedur uji hipotesisnya dijelaskan sebagai berikut:
a. H0 : rata-rata tingkat kedatangan pelanggan berdistribusi Poisson.
H1 : rata-rata tingkat kedatangan pelanggan tidak berdistribusi Poisson.
b. Menentukan daerah kritis pada tingkat signifikansi α. Pada skripsi ini nilai α yang
dipilih adalah 0.05 (5%).

55

c. Menghitung nilai statistik uji χ2 , H0 ditolak jika χ2 > χ2

1−α (k−1)

,

Berdasarkan nilai batas kritis χ2 dengan taraf nyata α = 0.05 dan k = 13
maka χ2
kritis

1−α k−1

= χ2 0.95

12

= 21,0. Sehingga nilai statistik χ2 kurang dari nilai

χ2 yakni 17,624 < 21,0. Maka H0 diterima dengan asumsi bahwa pola

kedatangan pelanggan berdistribusi Poisson.
Untuk menentukan nilai χ2 dari tingkat kedatangan pelanggan pada tanggal 19
Oktober 2011, maka digunakan rumus:
2

χ =

=

(xi − x)2
x
(5−5.625)2
5.625
(5−5.625)2
5.625
(4−5.625)2
5.625

+
+
+

(4−5.625)2
5.625
(4−5.625)2
5.625

+
+

(10−5.625)2
5.625

(12−5.625)2
5.625
(6−5.625)2

+

5.625

+

(5−5.625)2
5.625

+

(5−5.625)2
5.625

(3−5.625)2

+

5.625

+

(5−5.625)2
5.625

+

(5−5.625)2
5.625

(7−5.625)2

+

5.625

+

+

(5−5.625)2
5.625

+

(5−5.625)2
5.625

= 0,069 + 0,469 + 7.225 + 0,069 + 0,069 + 0.069 + 0.469 + 0,025 +
1,225 + 0,336 + 0.469 + 3.403 + 0,069 + 0,069 + 0,069 + 0,069
= 14.173
dan prosedur uji hipotesisnya dijelaskan sebagai berikut:
a.

H0 : rata-rata tingkat kedatangan pelanggan berdistribus Poisson
H1 : rata-rata tingkat kedatangan pelanggan tidak berdistribus Poisson

56

b. Menentukan daerah kritis pada tingkat signifikansi α. Pada skripsi ini nilai α yang
dipilih adalah 0.05 (5%).
c. Menghitung nilai statistik uji χ2 , H0 ditolak jika χ2 > χ2

1−α (k−1)

.

Berdasarkan nilai batas kritis χ2 dengan taraf nyata α = 0.05 dan k = 16
maka χ2
kritis

1−α k−1

= χ2 0.95

15

= 25,0. Sehingga nilai statistik χ2 kurang dari nilai

χ2 yakni 14.173 < 25,0. Maka H0 diterima dengan asumsi bahwa pola

kedatangan pelanggan berdistribusi Poisson.
Untuk menghitung nilai χ2 dari rata-rata waktu pelayanan, terlebih dahulu
ditentukan

nilai

kemungkinan

waktu

pelayanan

yang

diharapkan

dengan

menggunakan rumus distribusi Eksponensial dan mengambil t = 1 pada rumus
distribusi Eksponensial.
Untuk menentukan nilai χ2 dari rata-rata waktu pelayanan pada tanggal 05
Oktober 2011, maka digunakan rumus:
χ2 =

=

(xi − x)2
x
1,618−2,324

2

2,324
2,010−2,324

2

2,324
2,233−2,324

2

2,324
1,147−2,324
2,324

2

+
+
+
+

1,583−2,324

2

2,324
1,483−2,324

2

2,324
1,705−2,324

2

2,324
2,200−2,324
2,324

2

+
+
+
+

5,556−2,324

2

2,324
2,079−2,324

2

2,324
3,242−2,324

2

2,324
2,108−2,324
2,324

2

+
+
+

3,626−2,324

2

2,324
3,470−2,324

2

2,324
2,512−2,324
2,324

2

+
+
+

57

χ2 = 0,214 + 0,236 + 4,495 + 0,729 + 0,042 + 0,304 + 0,026 + 0,565 +
3,563 + 0,165 + 0,363 + 0,015 + 0,596 + 6,616 + 0,020
= 17,949
dan prosedur uji hipotesisnya dijelaskan sebagai berikut:
a.

H0 : rata-rata waktu pelayanan berdistribusi Eksponensial
H1 : rata-rata waktu pelayanan tidak berdistribusi Eksponensial

b.

Menentukan daerah kritis pada tingkat signifikansi α. Pada skripsi ini nilai α
yang dipilih adalah 0.05 (5%).

c. Menghitung nilai statistik uji χ2 , H0 ditolak jika χ2 > χ2

1−α (k−1)

.

Berdasarkan nilai batas kritis χ2 dengan taraf nyata α = 0.05 dan k = 15,
maka χ2

1−α k−1

= χ2 0.95

14

= 23,7. Sehingga nilai statistik χ2 kurang dari nilai

kritis χ2 yakni 17,949 < 23,7. Maka H0 diterima dengan asumsi bahwa rata-rata
waktu pelayanan berdistribusi Eksponensial.
Untuk menentukan nilai χ2 dari rata-rata waktu pelayanan pada tanggal 12
Oktober 2011, maka digunakan rumus:
2

χ =

(xi − x)2
x

58

2

χ =

1,508 − 2,536

2

+

2,536
2,933 − 2,536
2,536

2

2,634 − 2,536
2,536

2

2,985 − 2,536
2,536

2,963 − 2,536

2

+

2,536
1,387 − 2,536
2,536

2

+

2,831 − 2,536
2,536

2

+

1,433 − 2,536

2

+

2,536
1,863 − 2,536
2,536

2

+

2,946 − 2,536
2,536

2

+

3 − 2,536

2

2,536

+

3,128 − 2,536
2,536

2

+

2,542 − 2,536
2,536

2

+

+

+

2

= 0,417 + 0,072 + 0,480 + 0,085 + 0,062 + 0,521 + 0,719 + 0,138 +
3,787 + 0,034 + 0,066 + 1,420 + 0,079
= 7,88
dan prosedur uji hipotesisnya dijelaskan sebagai berikut:
a.

H0 : rata-rata waktu pelayanan berdistribusi Eksponensial
H1 : rata-rata waktu pelayanan tidak berdistribusi Eksponensial

b.

Menentukan daerah kritis pada tingkat signifikansi α. Pada skripsi ini nilai α
yang dipilih adalah 0.05 (5%).

c.

Menghitung nilai statistik uji χ2 , H0 ditolak jika χ2 > χ2

1−α (k−1)

,

Berdasarkan nilai batas kritis χ2 dengan taraf nyata α = 0.05 dan k = 13,
maka χ2

1−α k−1

= χ2 0.95

12

= 21,0. Sehingga nilai statistik χ2 kurang dari nilai

kritis χ2 yakni 7,88 < 21,0. Maka H0 diterima dengan asumsi bahwa rata-rata
waktu pelayanan berdistribusi Eksponensial.
Untuk menentukan nilai χ2 dari rata-rata waktu pelayanan pada tanggal 19
Oktober 2011, maka digunakan rumus:

59

χ2 =

(xi − x)2
x

=

1.723−1.721
1.721

2

3.377−1.721
1.721

2

1.311−1.721
1.721

2

2.290−1.721
1.721

2

0.904−1.721
1.721

+

2

+

2.603−1.721
1.721

2

+

1.326−1.721
1.721

2

+

2.657−1.721
1.721

2

1.214−1.721
1.721

+

2

+

1.621−1.721
1.721

2

+

1.709−1.721
1.721

2

+

1,517−1.721
1.721

2

+

1.223−1.721
1.721

2

+

1.534−1.721
1.721

2

+

1.693−1.721
1.721

2

+

1.420−1.721
1.721

2

+

+
+

= 2.324 + 0.387 + 0.149 + 0.144 + 1.593 + 0.452 + 5.810 + 0.020 +
0.098 + 0.091 + 8.367 + 4.555 + 0.188 + 0.509 + 0.024 + 0.053
= 24,230
dan prosedur uji hipotesisnya dijelaskan sebagai berikut:
a. H0 : rata-rata waktu pelayanan berdistribusi Eksponensial
H1 : rata-rata waktu pelayanan tidak berdistribusi Eksponensial
b. Menentukan daerah kritis pada tingkat signifikansi α. Pada skripsi ini nilai α yang
dipilih adalah 0.05 (5%).
c. Menghitung nilai statistik uji χ2 , H0 ditolak jika χ2 > χ2

1−α (k−1)

Berdasarkan nilai batas kritis χ2 dengan taraf nyata α = 0.05 dan k = 16,
maka χ2

1−α k−1

= χ2 0.95

15

= 25,0. Sehingga nilai statistik χ2 kurang dari nilai

kritis χ2 yakni 24,230 < 25,0. Maka H0 diterima dengan asumsi bahwa rata-rata
waktu pelayanan berdistribusi Eksponensial.

60

5. Hasil Perhitungan dengan Menggunakan Model Antrian (M/M/1)
Berdasarkan analisis terhadap tingkat kedatangan dan waktu pelayanan,
model antrian di KUD Mina Sipurio adalah model antrian dengan pola
kedatangan berdistribusi poisson dan waktu pelayanan berdistribusi eksponensial.
a.

Tingkat kedatangan rata-rata:
λ=

a
b

Dimana: a = jumlah pelanggan selama pengamatan
b = waktu pengamatan
λ=

a
b



244
8

  30,5 pelanggan per jam
  0,508 pelanggan per menit
b.

Kecepatan pelayanan rata-rata:
μ=

1
c

Dimana: c = rata-rata waktu pelayanan
μ=

1
,
c

μ=

1
2,194

c=

x1 + x2 + x3 1,721 + 2,536 + 2,324
=
= 2,194
3
3

µ = 0,456 pelanggan per menit

61

c. Menentukan peluang pelayanan dalam keadaan sibuk:
ρ=

ρ=

μ
0,508
0,456

ρ = 1,114 pelanggan per menit
d. Menentukan peluang semua pelayanan menganggur:
P0 = 1 − ρ
P0 = 1 − 1,114
P0 = −0,114 pelanggan per menit
e. Rata-rata banyaknya pelanggan di dalam sistem:
Ls =

Ls =

μ−λ
0,508
0,456 − 0,508

Ls = -9,769 pelanggan per menit
f. Rata-rata banyaknya pelanggan di dalam antrian:
La =

2

μ(μ −  )

0,5082
La =
0,456(0,456 − 0,508)
La = −10,883 pelanggan per menit

62

g. Rata-rata waktu menunggu dalam sistem:
Ws =

1
μ− 

Ws =

1
0,456 − 0,508

Ws = −19,230 pelanggan per menit
h. Rata-rata waktu menunggu dalam antrian:
Wa =

Wa =

μ(μ −  )
0,508
0,456(0,456 − 0,508)

Wa = −21, 424 pelanggan per menit
B. Pembahasan
Model antrian (M/M/1) adalah model antrian yang mempunyai satu
pelayanan dengan mengasumsikan bahwa tingkat kedatangan berdistribusi Poisson
dan kecepatan pelayanan berdistribusi Eksponensial, disiplin antriannya adalah
yang pertama datang, pertama dilayani. Sistem antrian M/M/1 disebut juga sistem
pelayanan tunggal dengan kapasitas tak terhingga yang memiliki distribusi Poisson
untuk kedatangannya dan distribusi Eksponensial untuk waktu pelayanannya.
Tingkat kedatangan pelanggan dianalisis dengan uji kesesuaian Poisson
menggunakan rumus distribusi Poisson dengan asumsi bahwa jumlah kedatangan
adalah acak dan kedatangan pelanggan per interval waktu saling tidak
mempengaruhi. Dan data waktu pelayanan rata-rata dianalisis dengan uji

63

kesesuaian Eksponensial menggunakan rumus distribusi Eksponensial, waktu yang
dibutuhkan untuk menyelesaikan pelayanan terhadap seorang pelanggan tidak
dapat diramalkan dan tidak bergantung pada waktu yang dihabiskan pelanggan
untuk menunggu pelayanan, dapat di lihat pada Lampiran 1 dan Lampiran 2.
Berdasarkan analisis terhadap tingkat kedatangan dan waktu pelayanan
tersebut, diketahui kecepatan pelayanan rata-rata lebih kecil daripada tingkat
kedatangan, sehingga peluang semua pelayanan menganggur, rata-rata banyaknya
pelanggan di dalam sistem, rata-rata banyaknya pelanggan di dalam antrian, rata-rata
waktu menunggu dalam sistem, dan rata-rata waktu menunggu dalam antrian
menghasilkan nilai minus. Hal ini mengakibatkan jumlah yang antri akan terus
bertambah dan bertambah. Semakin lama dan semakin panjang antrian, akan semakin
banyak waktu pelanggan yang terbuang percuma.

64

BAB V
PENUTUP
A. Kesimpulan
Berdasarkan hasil dan pembahasan, maka dapat disimpulkan bahwa
implementasi model antrian saluran tunggal dengan seorang pelayan pada KUD
Mina Sipurio kurang baik dilihat dari rata-rata banyaknya pelanggan di dalam
sistem yaitu 10 pelanggan per menit, rata-rata banyaknya pelanggan di dalam
antrian yaitu 4 pelanggan per menit, sedangkan rata-rata waktu menunggu dalam
sistem yaitu 19 pelanggan per menit, dan rata-rata waktu menunggu dalam antrian
yaitu 11 pelanggan per menit.
B. Saran
Tingkat kedatangan pelanggan dan kecepatan pelayanan untuk selalu di
analisa, sehingga dapat ditentukan kebijakan untuk mengantisipasi antrian yang
terjadi demi memberi pelayanan yang terbaik bagi pelanggan. Pada pelayanan
kedatangan sebaiknya diberikan nomor antrian dan diberitahukan interval waktu
untuk dilayani sehingga pelanggan tidak terlalu lama antri untuk menunggu dan
antrian pun tidak menumpuk.

65

DAFTAR PUSTAKA
Aminuddin, Prinsip-prinsip Riset Operasi. Jakarta: Erlangga, 2005
Eko Budiarto, Biostatistika untuk Kedokteran dan Kesehatan Masyarakat. Jakarta:
Buku Kedokteran EGC. 2001
Bustani, Hendri. Fundamental Operation Research. Jakarta: Gramedia Pustaka
Utama. 2005
Departemen Agama R.I., Al Qur’an dan Terjemahannya. Jakarta: Yayasan
Penyelenggara
Penterjemah/Pentafsir
Al
Qur’an.
1971
Evans dan Lindsay. An Introduction to Six Sigma & Process Improvement Pengantar
Six Sigma. Jakarta: Salemba Empat. 2007
Gassing, A. Kadir dan Halim Wahyuddin. Pedoman Penulisan Karya Tulis Ilmiah,
Makalah, Skripsi, Tesis, dan Disertasi. Makassar: Alauddin Press. 2009
Harinaldi. Prinsip-Prinsip untuk Teknik dan Sains. Jakarta: Erlangga. 2005
Hejanto, Eddy. Sains Manajemen Analisis Kuantitatif untuk Pengambilan Keputusan.
Jakarta: Grasindo.
Iriawan, Nur. Diktat Teori Antrian, Surabaya: Institut Teknologi Sepuluh Nopember.
2003
Kulnarni,Vidyadhar G. Modeling, Analysis, Design, and Control of Stochastic
System. USA: Springer. 1999
Myers, Raymon H. dan Walpole, Ronald E. Probability and Statistic for Engineer
and Scientists. Bandung: ITB. 1995
Prawirosentono, Suyadi. Riset Operasi dan Ekonofisika. Jakarta: Bumi Aksara. 2005.
Rasyad, Rasdiyan. Metode Statistik Deskriptif Untuk Umum. Jakarta: Grasindo.
Sigit Nugroho. Dasar-dasar Metode Statistika. Jakarta: Grasindo.
Siswanto. Operations Research Jilid 2. Jakarta: Erlangga. 2007
Subagyo, Pangestu, dkk.. Dasar–Dasar Operations Research. Yogyakarta: BPFE.
2000.

66

Supranto, Johannes. Riset Operasi untuk Pengambilan Keputusan.
Universitas Indonesia, 1988.

Jakarta:

Tiro, Muhammad Arif. Dasar-dasar Statistika. Edisi Revisi; Makassar: Badan
Penerbit Universitas Negeri Makassar, 2000.
Tiro, Muhammad Arif. Statistika Sebaran Bebas Edisi Kedua. Makassar: Andira
Publisher, 2004.
Tiro, Muhammad Arif dan Baharuddin Ilyas. Statistika Terapan untuk Ilmu Ekonomi
dan Ilmu Sosial Edisi Kedua. Makassar: Andira Publisher, 2004.

67

68

Lampiran 1
Data dan Frekuensi Harapan Kedatangan Pelanggan pada
Hari Rabu, 05 Oktober 2011 Per-Interval Waktu Sepuluh Menit
No.

Interval Kedatangan

? ℎ??????

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

08:26:00 - 08:36:00
08:36:01 - 08:46:00
08:46:01 - 08:56:00
08:56:01 - 09:06:00
09:06:01 - 09:16:00
09:16:01 - 09:26:00
09:26:01 - 09:36:00
09:36:01 - 09:46:00
09:46:01 - 09:56:00
09:56:01 - 10:06:00
10:06:01 - 10:16:00
10:16:01 - 10:26:00
10:26:01 - 10:36:00
10:36:01 - 10:46:00
10:46:01 - 10:56:00
Jumlah

8
5
3
7
5
5
7
9
6
7
6
7
6
1
8
90

0,18
1,35
4,05
8,01
12,06
14,49
14,49
12,42
9,27
6,21
3,69
2,07
0,99
0,45
0,18
89,91

69

Data dan Frekuensi Harapan Kedatangan Pelanggan pada
Hari Rabu, 12 Oktober 2011 Per-Interval Waktu Sepuluh Menit
No.

Interval Kedatangan

1
2
3
4
5
6
7
8
9
10
11
12
13

08:47:00 - 08:57:00
08:57:01 - 09:07:00
09:07:01 - 09:17:00
09:17:01 - 09:27:00
09:27:01 - 09:37:00
09:37:01 - 09:47:00
09:47:01 - 09:57:00
09:57:01 - 10:07:00
10:07:01 - 10:17:00
10:17:01 - 10:27:00
10:27:01 - 10:37:00
10:37:01 - 10:47:00
10:47:01 - 10:57:00
Jumlah

8
4
1
9
5
4
5
3
2
6
4
4
9
64

? ℎ??????
2,304
5,632
9,28
11,392
11,2
9,216
6,464
3,968
2,176
1,088
0,512
0,192
0,064
63,936

70

Data dan Frekuensi Harapan Kedatangan Pelanggan pada
Hari Rabu, 19 Oktober 2011 Per-Interval Waktu Sepuluh Menit
No.

Interval Kedatangan

? ℎ??????

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

08:26:00 - 08:36:00
08:36:01 - 08:46:00
08:46:01 - 08:56:00
08:56:01 - 09:06:00
09:06:01 - 09:16:00
09:16:01 - 09:26:00
09:26:01 - 09:36:00
09:36:01 - 09:46:00
09:46:01 - 09:56:00
09:56:01 - 10:06:00
10:06:01 - 10:16:00
10:16:01 - 10:26:00
10:26:01 - 10:36:00
10:36:01 - 10:46:00
10:46:01 - 10:56:00
10:56:01 - 11:06:00
Jumlah

5
4
12
5
5
5
4
6
3
7
4
10
5
5
5
5
90

0,36
1,8
5,13
9,63
13,5
15,21
14,31
11,52
8,1
5,04
2,88
1,44
0,72
0,27
0,09
0
90

71

Lampiran 2
Data dan Frekuensi Harapan Kecepatan Pelayanan pada
Hari Rabu, 05 Oktober 2011 Per-Interval Waktu Sepuluh Menit
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Interval Kedatangan
08:26:00 - 08:36:00
08:36:01 - 08:46:00
08:46:01 - 08:56:00
08:56:01 - 09:06:00
09:06:01 - 09:16:00
09:16:01 - 09:26:00
09:26:01 - 09:36:00
09:36:01 - 09:46:00
09:46:01 - 09:56:00
09:56:01 - 10:06:00
10:06:01 - 10:16:00
10:16:01 - 10:26:00
10:26:01 - 10:36:00
10:36:01 - 10:46:00
10:46:01 - 10:56:00
Jumlah

?
1.618
1.583
5.556
3.626
2.010
1.483
2.079
3.470
2.233
1.705
3.242
2.512
1.147
2.283
2.188
36.735

?ℎ??????
0,321
0,325
0,021
0,097
0,269
0,337
0,260
0,108
0,239
0,310
0,128
0,204
0,364
0,233
0,245
3,461

72

Data dan Frekuensi Harapan Kecepatan Pelayanan pada
Hari Rabu, 12 Oktober 2011 Per-Interval Waktu Sepuluh Menit
No.
1
2
3
4
5
6
7
8
9
10
11
12
13

Interval Kedatangan
08:26:00 - 08:36:00
08:36:01 - 08:46:00
08:46:01 - 08:56:00
08:56:01 - 09:06:00
09:06:01 - 09:16:00
09:16:01 - 09:26:00
09:26:01 - 09:36:00
09:36:01 - 09:46:00
09:46:01 - 09:56:00
09:56:01 - 10:06:00
10:06:01 - 10:16:00
10:16:01 - 10:26:00
10:26:01 - 10:36:00
Jumlah

?
1.508
2.963
1.433
3.000
2.933
1.387
1.863
3.128
2.634
2.831
2.946
2.542
2.985
32.153

?ℎ??????
0,334
0,153
0,342
0,149
0,156
0,347
0,289
0,137
0,189
0,167
0,155
0,200
0,151
2.769

73

Data dan Frekuensi Harapan Kecepatan Pelayanan pada
Hari Rabu, 19 Oktober 2011 Per-Interval Waktu Sepuluh Menit
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

Interval Kedatangan
08:26:00 - 08:36:00
08:36:01 - 08:46:00
08:46:01 - 08:56:00
08:56:01 - 09:06:00
09:06:01 - 09:16:00
09:16:01 - 09:26:00
09:26:01 - 09:36:00
09:36:01 - 09:46:00
09:46:01 - 09:56:00
09:56:01 - 10:06:00
10:06:01 - 10:16:00
10:16:01 - 10:26:00
10:26:01 - 10:36:00
10:36:01 - 10:46:00
10:46:01 - 10:56:00
10:56:01 - 11:06:00
Jumlah

?
1.723
0.904
1.214
1.223
3.377
2.603
1.621
1.534
1.311
1.326
1.709
1.693
2.290
2.657
1.517
1.420
28.122

?ℎ??????
0,308
0,366
0,361
0,360
0,115
0,193
0,320
0,331
0,353
0,352
0,309
0,302
0,232
0,186
1,333
0,343
4.764

74

75

76

RIWAYAT HIDUP
Eka Mukarramah, Lahir pada tanggal 09 Feberuari
1989 di Kabupaten Barru, anak pertama dari lima bersaudara,
pasangan Syafruddin dengan Hj. St. Rosma.
RIWAYAT PENDIDIKAN
1. Sekolah Dasar Negeri (SDN) Mangempang Kel. Mangempang Kec. Barru Kab.
Barru tahun 1995 - 2001
2. Madrasah Ibtidaiyyah Negeri (MIN) Mangempang Kel. Mangempang Kec. Barru
Kab. Barru tahun 1997 - 2001
3. Madrasah Tsanawiyah Negeri (MTsN) Mangempang Kel. Mangempang Kec.
Barru Kab. Barru tahun 2001 - 2004
4. Sekolah Menengah Atas Negeri (SMAN) 1 Barru Kec. Barru Kab. Barru tahun
2004 – 2007
Pada tahun 2007 melanjutkan pendidikan pada Perguruan Tinggi Negeri yakni
Universitas Islam Negeri (UIN) Alauddin Makassar pada Fakultas Sains dan
Teknologi Jurusan Matematika.
Atas rahmat Allah SWT, penulis berhasil menyelesaikan studi dengan judul skripsi
“Implementasi Model Antrian pada Pembayaran Rekening Listrik dalam
Peningkatan Kualitas Pelayanan (Studi Kasus Pada KUD Mina Sipurio di Barru)”

Email: aleapurple@gmail.com dan alea_violet@yahoo.co.id

Sign up to vote on this title
UsefulNot useful