2 ISSN 1979-8911
ABSTRAK
Pada umumnya aplikasi proses Poisson mengasumsikan bahwa banyaknya kejadian pada suatu
interval waktu yang panjangnya t dan tidak saling tumpang tindih, memiliki distribusi yang sama.
Sehingga laju kejadian yang dinotasikan dengan 𝜆 dianggap konstan, dan prosesnya dinamakan
proses Poisson homogen. Akan tetapi, sering dijumpai dalam kehidupan sehari-hari bahwa laju
kejadian 𝜆 konstan sebenarnya kurang tepat dikarenakan laju kejadian biasanya berupa fungsi dari
waktu t yang disebut dengan fungsi intensitas 𝜆(𝑡) dan prosesnya dinamakan proses Poisson
nonhomogen. Selanjutnya, pada contoh kasus kedatangan pelanggan, fungsi intensitasnya lebih
tepat dianggap fungsi periodik sehingga prosesnya dinamakan proses Poisson periodik. I Wayan
Mangku (2002) secara teoritis telah menemukan estimator yang berguna untuk menduga 𝜆(𝑡),
fungsi intensitas global dan periodenya secara non parametris karena bentuk fungsinya tidak
diketahui. Dalam aplikasi proses Poisson periodik permasalahan yang timbul adalah bagaimana
menduga karakteristik-karakteristik proses Poisson periodik seperti fungsi intensitas 𝜆(𝑡), fungsi
intensitas global yang merupakan laju rata-rata keseluruhan, dan periode. Sebagai studi kasus, akan
diambil data antrian nasabah bank BRI Cabang Ujung Berung Bandung, di mana pengamatan
dilakukan selama 2 hari dan sistem yang digunakan yaitu sistem pelayanan empat loket ( Single
Channel Multiserver)
Keyword: Proses Poisson Nonhomogen, Poisson Periodik, Fungsi Intensitas, Model Antrian Single
Channel Multiserver, Uji Chi Kuadrat
ABSTRACT
In general, the application of the Poisson process assumes that the number of occurrences in a time
interval of length t and do not overlap , have the same distribution. So that the rate of event is
denoted by λ assumed to be constant , and the process is called homogeneous Poisson process .
However , in daily life that the event rate constant λ is not appropriate because the event rate is
usually a function of time t is called the intensity function λ (t) and the process is called a
nonhomogeneous Poisson process . Furthermore , in the case of customer arrival , the intensity
function more appropriately considered a periodic function so that the process is called a Poisson
process periodically. I Wayan Mangku (2002 ) theoretically have found useful estimator to
estimate λ (t) , the global intensity function and its period is non-parametric because the function
is unknown . In the application periodic Poisson process, problem that arises is how to suppose the
characteristics such periodic Poisson process intensity function λ (t) , which is a function of the
55
Edisi Agustus 2014 Volume VIII No. 2 ISSN 1979-8911
intensity of the global average rate overall , and period . As a case study , would have taken the
data queue of bank customers BRI Branch Ujunng Berung Bandung , where the observations were
made for 2 days and the system used is four counter service system ( Single Channel Multiserver
)
Keyword: Nonhomogeneous Poisson Process, Periodic Poisson Process, Intensity Fuction, Queue
Model (Single Channel Multiserver), Chi-Square Test
Poisson periodik seperti fungsi intensitas
1. Pendahuluan 𝜆(𝑡), fungsi intensitas global yang
Pada umumnya aplikasi proses Poisson di merupakan laju rata-rata keseluruhan, dan
dunia nyata mengasumsikan bahwa periode. I Wayan Mangku (2002) telah
banyaknya kejadian pada interval waktu yang menemukan estimator yang berguna untuk
panjangnya 𝑡, yang tidak saling tumpang menduga 𝜆(𝑡), fungsi intensitas global dan
tindih memiliki distribusi yang sama. peiodenya secara non parametris karena
Sehingga laju kejadian pada interval waktu bentuk fungsinya tidak diketahui. Karena
berapapun, yang dinotasikan 𝜆, dianggap penemuan estimator fungsi intensitas lokal,
konstan (homogen). Secara teoritis proses fungsi intensitas global dan periode lebih
Poisson ini disebut proses Poisson homogen. terfokus pada segi teoritisnya, maka perlu
Akan tetapi, sering dijumpai bahwa asumsi 𝜆 dibahas tentang aplikasi dalam kehidupan
homogen kurang tepat. Laju kejadian pada sehari-hari. Oleh karenanya pada makalah ini
interval waktu yang panjangnya 𝑡 dan tidak akan dibahas tentang penentuan laju
saling tumpang tindih biasanya berupa fungsi kedatangan 𝜆 dan intensitas global . Studi
dari waktu 𝑡, yang disebut fungsi intensitas Kasus yang diambil adalah data antrian
𝜆(𝑡). Proses Poisson ini disebut proses nasabah bank BRI Cabang Ujung Berung
Poisson nonhomogen. Akan tetapi pada Bandung.
aplikasi kedatangan pelanggan, umumnya Permasalahan dalam makalah ini dibatasi,
kedatangannya lebih tepat dianggap periodik. antara lain:
Fungsi intensitasnya adalah fungsi periodik 1. Studi kasus yang digunakan adalah data
dan prosesnya disebut sebagai proses Poisson antrian nasabah bank BRI Cabang Ujung
periodik. Berung Bandung yang memenuhi asumsi
Dalam aplikasi proses Poisson periodik yang dibutuhkan.
permasalahan yang timbul adalah bagaimana 2. Lama pengamatan yang dilakukan yaitu
menduga karakteristik-karakteristik proses selama 2 hari (20-21 Juni 2012) dan
56
Edisi Agustus 2014 Volume VIII No. 2 ISSN 1979-8911
57
Edisi Agustus 2014 Volume VIII No. 2 ISSN 1979-8911
diketahui. Karena 𝑁 adalah suatu proses kejadian proses Poisson tersebut dalam
Poisson periodik yang memiliki fungsi selang waktu [0, 𝑛].
intensitas 𝜆 dengan periode 𝜏 > 0, dimana 𝜏 Secara matematis, intensitas global pada
diketahui, maka berlaku [0, 𝑛] dapat didefinisikan sebagai berikut:
𝜆 = 𝜆(𝑠) = 𝜆(𝑠 + 𝑘𝜏)
1
untuk semua 𝑠 𝜖 ℝ dan 𝑘 ∈ ℤ, dengan ℤ 𝜃 = 𝑁([0, 𝑛])
𝑛
adalah himpunan bilangan bulat. Konstanta
terkecil 𝜏 yang memenuhi persamaan di atas 5. Model Antrian M/M/c : FIFO/~/~
disebut periode dari fungsi intensitas 𝜆 Model antrian M/M/c : FIFO/~/~ disebut juga
tersebut. sistem antrian saluran ganda, untuk melayani
Definisi 5: para nasabah dipasang sebanyak c fasilitas
Intensitas lokal dari suatu proses Poisson pelayanan secara paralel sehingga nasabah
nonhomogen 𝑁 dengan fungsi intensitas λ dalam antrian dapat dilayani oleh lebih dari
pada titik s ϵ ℝ adalah λ(s), yaitu nilai λ di fasilitas pelayanan. Model antrian ini dibuat
s. Fungsi intensitas lokal λ dari proses untuk menurunkan tingkat antrian dalam
Poisson ini didefinisikan dengan: sistem dengan membuat saluran pekerja lebih
efektif sehingga mempercepat tingkat
1
𝑁([𝑠 − ℎ𝑛 , 𝑠 + ℎ𝑛 ]) pelayanan karena pada model ini
2ℎ𝑛
Definisi 6: menambahkan jumlah saluran pelayanan
Misalkan 𝑁(0, n]) adalah proses Poisson sebanyak c, dan karakteristik dari model ini
yaitu kedatangan Poisson, waktu pelayanan
pada interval [0, n]. Fungsi intensitas global
Eksponensial, dan antrian tak hingga.
θ dari proses Poisson ini didefinisikan
dengan:
Parameter antrian:
E𝑁([0, n]) a. Kecepatan rata-rata kedatangan (𝜆)
θ = lim
n→∞ n
b. Kecepatan rata-rata pelayanan ( 𝜇)
jika limit di atas ada. Jika nilai limit tidak ada
c. Probabilitas tidak ada pelanggan dalam
maka pendekatan yang dipakai pada
sistem (𝑃0 )
penaksiran intensitas global dari suatu proses
Poisson ialah menaksir rata-rata terjadinya
58
Edisi Agustus 2014 Volume VIII No. 2 ISSN 1979-8911
1 𝜆 = 𝜇
𝑃0 =
𝜆 𝜆
(𝜇 )𝑛 (𝜇 )𝑐 𝑐𝜇
X = nilai tengah
[∑𝑐−1
𝑛=0 𝑛! ] + 𝑐! . 𝑐 𝜇 − 𝜆 Frekuensi harapan
𝐸𝑖 = 𝑛𝑃
d. Waktu sibuk ( 𝜌)
di mana: P = probabilitas
𝜆
𝜌= n = jumlah sampel
𝑐𝜇
Distribusi Waktu Pelayanan
e. Jumlah pelanggan yang menunggu
Distribusi frekuensi tingkat pelayanan
dalam antrian (𝐿𝑞 )
merupakan frekuensi lama pelayanan
𝜆 2
(𝜇 ) 𝜌 terhadap pelanggan pada proses pelayanan.
𝐿𝑞 = 𝑃0
𝑐! (1 − 𝜌)2 Lama pelayanan diketahui dari selisih waktu
f. Jumlah pelanggan yang menunggu keluar dari pelayanan dengan waktu masuk
dalam sistem (𝐿𝑠 ) untuk dilayani. Waktu keluar yang dimaksud
𝐿𝑞 merupakan waktu akhir dilayani oleh kasir.
𝑊𝑞 =
𝜆 Secara eksplisit adalah sebagai berikut:
g. Waktu rata-rata menunggu seorang
𝑡 = 𝑡𝑖 − 𝑡𝑗
pelanggan dalam antrian (𝑊𝑞 )
di mana:
1
𝑊𝑠 = 𝑊𝑞 + t = lamanya pelayanan atau waktu pelayanan
𝜆
𝑡𝑖 = waktu akhir dilayani
h. Waktu rata-rata menunggu seorang
pelanggan dalam sistem (𝑊𝑠 ) 𝑡𝑗 = waktu masuk pelayanan
59
Edisi Agustus 2014 Volume VIII No. 2 ISSN 1979-8911
kemungkinan pelanggan yang dilayani dalam teoritis tersebut cocok atau tidak. Untuk itu
waktu 𝑡 tertentu adalah: perlu hipotesis awal:
Δ𝑡 (−𝑡 ) 𝐻0 : Distribusi frekuensi hasil
𝐸𝑥𝑝 = e 𝑡𝑠
𝑡𝑠 pengamatan sama dengan
di mana: distribusi frekuensi teoritis
Exp = fungsi waktu pelayanan pada waktu t
𝐻1 : Distribusi frekuensi hasil
dan juga f(t) ini digunakan sebagai
pengamatan tidak sama dengan
probabilitas
distribusi frekuensi teoritis
Δ𝑡 = interval waktu pelayanan
𝑡𝑠 = rata-rata waktu pelayanan. dengan daerah penolakan adalah ∝ = 5%.
Uji Kecocokan (Chi-Square) 2
Pernyataan 𝐻0 diterima jika 𝛼ℎ𝑖𝑡𝑢𝑛𝑔 <
Untuk mengetahui cocok tidaknya antara 2
𝛼(𝛼,𝑑𝑘)
distribusi frekuensi hasil pengamatan dengan
di mana:
hasil model-model yang telah dikembangkan, 2
𝛼(𝛼,𝑑𝑘) = Jumlah Chi Kuadrat hasil tabel
K. Pearson memprakirakan kecocokan
dk = Derajat kebebasan sama dengan
tersebut dengan pendekatan Chi Kuadrat.
k-1
Model Chi Kuadrat yang telah
k = banyak kelas.
dikembangkann tersebut adalah sebagai
berikut:
6. Studi Kasus
(𝑓𝑖 − 𝑓1 )2
𝐶ℎ𝑖 − 𝐾𝑢𝑎𝑑𝑟𝑎𝑡(𝛼𝑖2 ) = Secara umum sistem antrian pada transaksi
𝑓1
di mana: nasabah di Bank BRI Ujung Berung Bandung
60
Edisi Agustus 2014 Volume VIII No. 2 ISSN 1979-8911
61
Edisi Agustus 2014 Volume VIII No. 2 ISSN 1979-8911
𝑡𝑠 =
∑ 𝑓 𝑖 𝑥𝑖
=
6487.5
= 84.25 ≈ 84 Maka 𝐻0 diterima.
∑ 𝑓𝑖 77
Jadi, pola waktu antar kedatangan
𝑡 = 𝑥𝑖 = 𝑛𝑖𝑙𝑎𝑖 𝑡𝑒𝑛𝑔𝑎ℎ
berdistribusi Eksponensial.
𝑒 = 2.71 …
Frekuensi Teoritis
𝐸𝑖 = 𝑛 ∙ 𝐸𝑋𝑃𝑖
Chi-Kuadrat
(𝑓𝑖 −𝐸𝑖 )2
𝒳2 = ∑ 𝐸𝑖
Gambar 1 Grafik Distribusi Waktu Antar
Kedatangan (Rabu, 20 Juni 2012)
Tabel 3 Data Uji Chi-Kuadrat Frekuensi
Kedatangan (Rabu, 20 Juni 2012)
b. Distribusi Waktu Pelayanan
Langkah-Langkah Uji Distribusi Waktu
Pelayanan :
62
Edisi Agustus 2014 Volume VIII No. 2 ISSN 1979-8911
Range (𝑑𝑘): 𝐾 − 1 = 6 − 1 = 5
1 1 1 2 2 𝑥𝑖 = 𝑛𝑖𝑙𝑎𝑖 𝑡𝑒𝑛𝑔𝑎ℎ
Frekuensi Teoritis 𝐸𝑖 = 𝑛 ∙ 𝑃𝑖 (𝑥𝑖 )
2 2 2 10 20
(𝑓𝑖 −𝐸𝑖 )2
Chi-Kuadrat 𝒳2 = ∑ 𝐸𝑖
3 3 3 3 9
Tabel 6 Data Uji Chi-Kuadrat Frekuensi
4 4 4 3 12 Pelayanan (Rabu, 20 Juni 2012)
5 5 5 2 10
6 6 6 4 24
Jumlah 24 77
63
Edisi Agustus 2014 Volume VIII No. 2 ISSN 1979-8911
Artinya : 77
= 120
𝒳 2 ℎ𝑖𝑡𝑢𝑛𝑔 < 𝒳 2 𝑡𝑎𝑏𝑒𝑙
= 0.64 ≈ 1 𝑜𝑟𝑎𝑛𝑔/𝑚𝑒𝑛𝑖𝑡
12.50 < 12.59 2. Rata-rata nasabah yang dilayani per
Maka 𝐻0 diterima. satuan waktu
Jadi, pola waktu pelayanan berdistribusi 1
𝜇 = 𝑟𝑎𝑡𝑎−𝑟𝑎𝑡𝑎 𝑤𝑎𝑘𝑡𝑢 𝑝𝑒𝑙𝑎𝑦𝑎𝑛𝑎𝑛
Poisson.
𝑟𝑎𝑡𝑎 − 𝑟𝑎𝑡𝑎 𝑤𝑎𝑘𝑡𝑢 𝑝𝑒𝑙𝑎𝑦𝑎𝑛𝑎𝑛
𝑙𝑎𝑚𝑎 𝑝𝑒𝑙𝑎𝑦𝑎𝑛𝑎𝑛
=
𝑤𝑎𝑘𝑡𝑢 𝑝𝑒𝑛𝑔𝑎𝑚𝑎𝑡𝑎𝑛
119
= 120 = 0.99
1
Maka 𝜇 = 𝑟𝑎𝑡𝑎−𝑟𝑎𝑡𝑎 𝑤𝑎𝑘𝑡𝑢 𝑝𝑒𝑙𝑎𝑦𝑎𝑛𝑎𝑛
Gambar 2 Grafik Distribusi Waktu
1
Pelayanan (Rabu, 20 Juni 2012) = 0.99
= 1.01 ≈ 1 𝑜𝑟𝑎𝑛𝑔/𝑚𝑒𝑛𝑖𝑡
8. Analisis Model 3. Peluang teller sibuk
Dari hasil pengujian diperoleh waktu 𝜆 1 1
𝜌= = = = 0.25
antar kedatangan berdistribusi Eksponensial 𝑐 𝜇 4.1 4
dan waktu pelayanan berdistribusi Poisson. 4. Peluang tidak ada nasabah dalam sistem
64
Edisi Agustus 2014 Volume VIII No. 2 ISSN 1979-8911
di mana 𝜆 = 1, 𝑐 = 4, 𝜇 = 1 1
= 0.06 + = 0.06 + 1
1
maka peluang tidak ada nasabah dalam = 1.06 ≈ 1 𝑜𝑟𝑎𝑛𝑔/𝑚𝑒𝑛𝑖𝑡
sistem adalah:
1 1 Jika 𝑐 = 3, model yang digunakan yaitu
𝑃0 = =
1 1 49
( 1 )𝑛 ( 1 )4 4.1 (M/M/3):(FIFO/∞/∞) maka analisis sebagai
[∑4−1 18
𝑛=0 𝑛! ] + 4! . 4.1 − 1
berikut:
= 0.36 1. Peluang teller sibuk
5. Rata-rata nasabah yang diharapkan 𝜆 1
𝜌= =
𝑐 𝜇 3.1
menunggu dalam antrian
1
𝜆 = 3 = 0.33
𝑃0 ( 𝜇 )𝑐 𝜌
𝐿𝑞 = . 2. Peluang tidak ada nasabah dalam sistem
𝑐! (1 − 𝜌)2
Jika 𝜆 < 𝑐 𝜇, maka
1
0.36 (1)1 0.25 1
= . 𝑃0 =
4! (1 − 0.25)2 𝜆 𝜆
( 𝜇 )𝑛 ( 𝜇 )𝑐 𝑐𝜇
= 0.06 ≈ 0 [∑𝑐−1
𝑛=0 𝑛! ] + .
𝑐! 𝑐𝜇− 𝜆
Jadi, rata-rata tidak ada nasabah yang
ngantri di teller. di mana 𝜆 = 1, 𝑐 = 3, 𝜇 = 1
6. Rata-rata waktu menunggu dalam maka peluang tidak ada nasabah dalam
antrian sistem adalah:
𝐿𝑞 𝑃0 =
1
=
𝑊𝑞 = 1 1 1
( )0 ( )1 ( )2
1
( )3 3.1
𝜆 [ 1 + 1 + 1 ]++ 1 .
0! 1! 2! 3! 3.1− 1
0.06
= = 0.06/𝑚𝑒𝑛𝑖𝑡 1
1
= 0.36
2.75
7. Rata-rata waktu di dalam sistem
Jika 𝑐 = 5, model yang digunakan yaitu
1
𝑊𝑠 = 𝑊𝑞 + (M/M/5):(FIFO/∞/∞). Maka analisis
𝜇
1 modelnya sebagai berikut:
= 0.06 + = 0.06 + 1 = 1.06
1 1. Peluang teller sibuk
8. Rata-rata nasabah yang ada dalam 𝜆
𝜌=
sistem antrian 𝑐𝜇
1 1
𝜆 = 5.1 = 5 = 0.20
𝐿𝑠 = 𝐿𝑞 +
𝜇
2. Peluang tidak ada nasabah dalam sistem
65
Edisi Agustus 2014 Volume VIII No. 2 ISSN 1979-8911
66
Edisi Agustus 2014 Volume VIII No. 2 ISSN 1979-8911
1
= 75 = 0.625 ≈ 1
120
Maka nilai dari intensitas globalnya adalah
1 𝑜𝑟𝑎𝑛𝑔/𝑚𝑒𝑛𝑖𝑡.
Dilakukan dengan cara yang sama untuk hari
pengamatan kedua, yaitu tanggal 21 Juni
2012. Akan tetapi, pada makalah ini hasilnya
tidak dicantumkan.
10. Kesimpulan
1. Hasil pengamatan memperoleh model
antrian M/M/4 : FIFO/∞/∞ yaitu model
antrian dengan pola kedatangan dan
pelayanan bersifat Memoriless, fasilitas
pelayanan c dengan c = 4, disiplin
pelayanan FIFO, fasilitas antrian tak
terhingga, dan sumber input tak terhingga.
Dengan menggunakan model tersebut
diperoleh pelayanan dengan tiga teller
lebih optimal dan dapat menguntungkan
pihak bank dikarenakan tidak terlalu
banyak server dan pelanggan pun tidak
terlalu mengantri.
2. Berdasarkan hasil analisis, penaksir fungsi
intensitas lokal tersebut memang benar
dan baik untuk jumlah pengamatan yang
67
Edisi Agustus 2014 Volume VIII No. 2 ISSN 1979-8911
68