Edisi Agustus 2014 Volume VIII No.

2 ISSN 1979-8911

APLIKASI PROSES POISSON PERIODIK

(STUDI KASUS: ANTRIAN NASABAH BANK BRI)

Rini Cahyandari, Agus Tinus Setianto

Jurusan Matematika, Fakultas Sains dan Teknologi, UIN Sunan Gunung Djati Bandung
Jl. AH. Nasution 105 Cibiru Bandung, 40614
e-mail: rcahyandari@yahoo.com

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
Pada umumnya aplikasi proses Poisson di
dunia nyata mengasumsikan bahwa
banyaknya kejadian pada interval waktu yang
panjangnya 𝑡, yang tidak saling tumpang
tindih memiliki distribusi yang sama.
Sehingga laju kejadian pada interval waktu
berapapun, yang dinotasikan 𝜆, dianggap
konstan (homogen). Secara teoritis proses
Poisson ini disebut proses Poisson homogen.
Akan tetapi, sering dijumpai bahwa asumsi 𝜆
homogen kurang tepat. Laju kejadian pada
interval waktu yang panjangnya 𝑡 dan tidak
saling tumpang tindih biasanya berupa fungsi
dari waktu 𝑡, yang disebut fungsi intensitas
𝜆(𝑡). Proses Poisson ini disebut proses
Poisson nonhomogen. Akan tetapi pada
aplikasi kedatangan pelanggan, umumnya
kedatangannya lebih tepat dianggap periodik.
Fungsi intensitasnya adalah fungsi periodik
dan prosesnya disebut sebagai proses Poisson
periodik.
Dalam aplikasi proses Poisson periodik
permasalahan yang timbul adalah bagaimana
menduga karakteristik-karakteristik proses
𝜆(𝑡), fungsi intensitas global yang
merupakan laju rata-rata keseluruhan, dan
periode. I Wayan Mangku (2002) telah
menemukan estimator yang berguna untuk
menduga 𝜆(𝑡), fungsi intensitas global dan
peiodenya secara non parametris karena
bentuk fungsinya tidak diketahui. Karena
penemuan estimator fungsi intensitas lokal,
fungsi intensitas global dan periode lebih
terfokus pada segi teoritisnya, maka perlu
dibahas tentang aplikasi dalam kehidupan
sehari-hari. Oleh karenanya pada makalah ini
akan dibahas tentang penentuan laju
kedatangan 𝜆 dan intensitas global . Studi
Kasus yang diambil adalah data antrian
nasabah bank BRI Cabang Ujung Berung
Bandung.
Permasalahan dalam makalah ini dibatasi,
antara lain:
1. Studi kasus yang digunakan adalah data
antrian nasabah bank BRI Cabang Ujung
Berung Bandung yang memenuhi asumsi
yang dibutuhkan.
2. Lama pengamatan yang dilakukan yaitu
selama 2 hari (20-21 Juni 2012) dan

56
 Edisi Agustus 2014 Volume VIII No. 2 ISSN 1979-8911

perhari pengamatan dilakukan selama 2 (iv) PN (h)  2  o(h)

jam (09.00-11.00) .
3. Sistem yang digunakan yaitu sistem 3. Proses Poisson Nonhomogen
pelayanan empat loket ( Single Channel Berdasarkan intensitasnya, proses Poisson
Multiserver) dibagi dua, yaitu Poisson homogen jika
4. Analisa data dilakukan dengan intensitasnya konstan dan dinotasikan
menggunakan software MATLAB dengan  , dan Poisson nonhomogen jika
intensitasnya berupa fungsi terhadap waktu,
2. Proses Poisson Homogen dikenal dengan istilah fungsi intensitas dan
Definisi 1: dinotasikan dengan  (t ) .
Proses menghitung N (t ), t  0dapat Definisi 3:
dikatakan sebagai proses Poisson homogen Proses menghitung N (t ), t  0dapat
dengan laju 𝜆, 𝜆 > 0 jika: dikatakan sebagai proses Poisson
(i) N(0) = 0 nonhomogen dengan fungsi intensitas
(ii) Proses memiliki kenaikan bebas  (t ), t  0 jika:
(iii) Banyaknya kejadian pada sebuah
(i) N(0) = 0
interval yang panjangnya t berdistribusi
(ii) N (t ), t  0 memiliki kenaikan bebas
Poisson dengan rataan 𝜆𝑡. Sehingga
(iii) PN (t  h)  N (t )  2  o(h)
untuk semua s,t ≥ 0
(iv) PN (t  h)  N (t )  1   (t )h  o(h)
−𝜆𝑡
(𝜆𝑡)𝑛
𝑃{𝑁(𝑡 + 𝑠) − 𝑁(𝑠) = 𝑛} = 𝑒
𝑛! 4. Proses Poisson Periodik
Definisi 4:
di mana 𝑛 = 0,1, …
Proses Poisson periodik adalah suatu proses
Definisi 2:
Poisson dengan fungsi intensitas berupa
Proses menghitung N (t ), t  0dapat
fungsi periodik, di mana fungsi intensitas
dikatakan sebagai proses Poisson homogen
lokal 𝜆(𝑡) mendefinisikan laju kedatangan
dengan laju 𝜆, 𝜆 > 0 jika:
pada waktu t. Misalkan 𝑁 adalah suatu proses
(i) N(0) = 0
Poisson Periodik dengan fungsi intensitas 𝜆
(ii) Proses memiliki kenaikan bebas dan
yang diamati pada suatu interval [0, 𝑛].
stasioner
Pembatasan hanya dibatasi untuk kasus
(iii) PN (h)  1  h  o(h)
periode 𝜏 dari fungsi intensitas 𝜆 yang

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

𝜆 Lama pelayanan akan berbeda pada tiap-tiap

𝐿𝑠 = 𝐿𝑞 +
𝜇 pelanggan, atau lama pelayanan sama
dengan selisih waktu masuk pelanggan
Distribusi Waktu Antar Kedatangan
dengan waktu keluar dari pelayanan. Untuk
Pendekatan distribusi tingkat kedatangan
itu pada tabel distribusi frekuensi, tingkat
dalam antrian secara teoritis yang lazim
pelayanan adalah jumlah pelanggan yang
digunakan adalah distribusi Poisson, di mana
dilayani pada interval waktu tertentu.
model matematis yang telah dirumuskan
Pendekatan pelayanan secara teoritis yang
untuk distribusi ini adalah:
lazim digunakan adalah distribusi
𝑒 −𝜆 𝜆𝑥
𝑃(𝑋 = 𝑥) = Eksponensial. Secara matematis
𝑥!
di mana: e = 2,71…

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

𝑓𝑖 = frekuensi Hasil Pengamatan dapat digambarkan sebagai berikut:

𝑓1 = frekuensi hasil teoritis
Sedangkan jumlah 𝐶ℎ𝑖 − 𝐾𝑢𝑎𝑑𝑟𝑎𝑡(𝛼𝑖2 )
adalah:
𝑖=𝑛
𝑗𝑢𝑚𝑙𝑎ℎ𝐶ℎ𝑖 − 𝐾𝑢𝑎𝑑𝑟𝑎𝑡(𝛼𝑖2 ) = ∑(𝛼𝑖2 )
𝑖=1
Selanjutnya jumlah Chi Kuadrat digunakan
untuk mengetahui apakah distribusi frekuensi
hasil pengamatan dan distribusi frekuensi
1. Terdapat 4 teller yang aktif dalam
melayani transaksi baik penyetoran uang
maupun pengambilan uang nasabah.
2. Kapasitas antriannya tidak terbatas.
3. Sistem antriannya menggunakan disiplin
antrian FIFO (first in first out).
4. Nasabah yang datang langsung dapat
mengambil nomor antrian di mesin
antrian. Disinilah mulai diperhitungkan

60
 Edisi Agustus 2014 Volume VIII No. 2 ISSN 1979-8911

waktu kedatangan nasabah (nasabah

masuk ke sistem antrian).
5. Setelah nasabah memasuki ruangan,
nasabah membentuk suatu antrian atau
baris tunggu. Baris tunggu ini terjadi di  Banyak Data 𝑛 = 77
teller yang ada, diwakili oleh nomor Banyak Kelas
antrian yang dikeluarkan oleh mesin 𝐾 = 1 + 3.3 log 𝑛
antrian otomatis dari pihak Bank = 1 + 3.3 𝑙𝑜𝑔 77 = 7,3 ≈ 7
BRI Cabang Ujung Berung  Interval Kelas 𝐼𝐾 =
Bandung. Nasabah menunggu sampai 𝐷𝑎𝑡𝑎𝑇𝑒𝑟𝑏𝑒𝑠𝑎𝑟−𝐷𝑎𝑡𝑎𝑇𝑒𝑟𝑘𝑒𝑐𝑖𝑙 361−1
= =
𝐾 7
nomor antriannya dipanggil untuk
51.428 ≈ 51
melakukan transaksi. Tahap ini
Tabel 2 Data Distribusi Frekuensi
merupakan waktu yang diperhitungkan
Kedatangan (Rabu, 20 Juni 2012)
sebagai waktu tunggu nasabah di dalam
No 𝐼𝐾 𝑥𝑖 𝑓𝑖 𝑓𝑖 𝑥𝑖
sistem.
6. Tahap selanjutnya yaitu proses transaksi. 1 0 – 51 25.5 31 790,5
Pada tahap ini dicatat waktu yang
2 52 – 103 77.5 24 1860
dibutuhkan seorang teller dalam melayani
setiap nasabah. 3 104 – 155 129.5 11 8024.5
7. Setelah proses transaksi selesai, nasabah
4 156 – 207 181.5 6 1089
meninggalkan ruangan (sistem).
7. Uji Distribusi 5 208 – 259 233.5 3 700.5
a. Distribusi Waktu Antar Kedatangan
6 260 – 311 285.5 1 285.5
Langkah-Langkah Uji Distribusi Waktu
Kedatangan : 7 312 – 363 337.5 1 337.5
 Mengurutkan Data
Jumlah 77 6487.5
Tabel 1 Waktu Antar Kedatangan yang
Telah Diurutkan (Rabu, 20 juni 2012)
Pengujian Distribusi Waktu Antar
Kedatangan Menggunakan Uji Chi-Kuadrat:
 Hipotesis

61
 Edisi Agustus 2014 Volume VIII No. 2 ISSN 1979-8911

𝐻0 : Data berdistribusi Eksponensial

𝐻1 : Data tidak berdistribusi

Eksponensial
 Taraf signifikan alpha (𝛼): 0.05
 Derajat Kebebasan
Jadi diperoleh 𝒳 2 ℎ𝑖𝑡𝑢𝑛𝑔 = 2.20
(𝑑𝑘): 𝐾 − 1 = 7 − 1 = 6
 Chi-Kuadrat tabel
 Menentukan Kriteria pengujian
𝒳 2 𝑡𝑎𝑏𝑒𝑙 = 𝒳 2 𝛼;𝑑𝑘 = 𝒳 2 0.05;6
𝐻0 Ditolak jika
= 12.592
𝒳 2 ℎ𝑖𝑡𝑢𝑛𝑔 ≥ 𝒳 2 𝑡𝑎𝑏𝑒𝑙
 Kesimpulan :
𝐻0 Diterima jika
Dapat dilihat bahwa
𝒳 2 ℎ𝑖𝑡𝑢𝑛𝑔 < 𝒳 2 𝑡𝑎𝑏𝑒𝑙
𝒳 2 ℎ𝑖𝑡𝑢𝑛𝑔 = 2.20 dan
 Distribusi probabilitas Eksponensial :
𝒳 2 𝑡𝑎𝑏𝑒𝑙 = 12.592
∆𝑡 − 𝑡𝑡
𝐸𝑋𝑃 = 𝑒 𝑠
𝑡𝑠
Artinya :
di mana :
𝒳 2 ℎ𝑖𝑡𝑢𝑛𝑔 < 𝒳 2 𝑡𝑎𝑏𝑒𝑙
∆𝑡 = 𝐼𝐾 = 52
2.20 < 12.59

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

 Mengurutkan Data Pengujian Distribusi Waktu Pelayanan

Tabel 4 Data Waktu Pelayanan Periode 5 Menggunakan Uji Chi-Kuadrat:
Menit yang Telah Diurutkan  Hipotesis
(Rabu, 20 Juni 2012) 𝐻0 : Data berdistribusi Poisson

𝐻1 : Data tidak berdistribusi Poisson

 Taraf signifikan alpha (𝛼): 0.05

 Banyak data 𝑛 = 24  Derajat Kebebasan

 Range (𝑑𝑘): 𝐾 − 1 = 6 − 1 = 5

R = data terbesar – data terkecil  Menentukan Kriteria pengujian

=6–1=5 𝐻0 Ditolak jika

 Banyak Kelas 𝒳 2 ℎ𝑖𝑡𝑢𝑛𝑔 ≥ 𝒳 2 𝑡𝑎𝑏𝑒𝑙

 𝐾 = 1 + 3.3 log 𝑛 𝐻0 Diterima jika

= 1 + 3.3 𝑙𝑜𝑔 24 = 5.55 ≈ 6 𝒳 2 ℎ𝑖𝑡𝑢𝑛𝑔 < 𝒳 2 𝑡𝑎𝑏𝑒𝑙
 Interval Kelas  Distribusi probabilitas Poisson : 𝑃 =
𝑅 5 𝑒 − 𝜆 𝜆 𝑥𝑖
𝐼 = 𝐾 = 6 = 0.83 3 ≈ 1 𝑃𝑖 (𝑥𝑖 ) = 𝑥𝑖 !

Tabel 5 Data Distribusi Frekuensi Di mana :

Pelayanan (Rabu, 20 Juni 2012) 𝑒 = 2.71 …

∑ 𝑓 𝑖 𝑥𝑖 77
𝑓𝑖 𝑥𝑖 𝜆= = 24 = 3.208 ≈ 3
No I𝐾 𝑥𝑖 𝑓𝑖 ∑ 𝑓𝑖

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

Jadi diperoleh 𝒳 2 ℎ𝑖𝑡𝑢𝑛𝑔 = 12.50 pelayanan bersifat Memoriless, fasilitas

 Chi-Kuadrat tabel pelayanan 4, disiplin pelayanan FIFO,

𝒳 2 𝑡𝑎𝑏𝑒𝑙 = 𝒳 2 𝛼;𝑑𝑘 = 𝒳 2 0.05;6 fasilitas antrian tak terhingga, dan sumber

= 12.592 input tak terhingga.

 Kesimpulan : Jika 𝑐 = 4, maka analisisnya sebagai berikut:

Dapat dilihat bahwa 1. Rata-rata nasabah yang datang per
2
𝒳 ℎ𝑖𝑡𝑢𝑛𝑔 = 12.50 dan satuan waktu
𝒳 2 𝑡𝑎𝑏𝑒𝑙 = 12.592 𝜆=
𝑏𝑎𝑛𝑦𝑎𝑘 𝑝𝑒𝑙𝑎𝑛𝑔𝑔𝑎𝑛 𝑦𝑎𝑛𝑔 𝑑𝑎𝑡𝑎𝑛𝑔
𝑙𝑎𝑚𝑎 𝑤𝑎𝑘𝑡𝑢 𝑝𝑒𝑛𝑔𝑎𝑚𝑎𝑡𝑎𝑛

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

Dengan demikian dapat diketahui bahwa Jika 𝜆 < 𝑐 𝜇, maka

1
model untuk sistem antrian tersebut yaitu 𝑃0 =
𝜆 𝜆
(M/M/4): FIFO/∞/∞). Artinya adalah sistem ( 𝜇 )𝑛 ( 𝜇 )𝑐 𝑐𝜇
[∑𝑐−1
𝑛=0 𝑛! ] + .
antrian dengan pola kedatangan dan 𝑐! 𝑐𝜇− 𝜆

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

Jika 𝜆 < 𝑐 𝜇, maka 9. Uji Intensitas Lokal dan Intensitas

Global
1 Intensitas lokal di sekitar s dapat dihampiri
𝑃0 =
𝜆 𝜆
( 𝜇 )𝑛 ( 𝜇 )𝑐 𝑐𝜇
dengan,
[∑𝑐−1 𝑛! ] +
𝑛=0 . 1
𝑐! 𝑐𝜇− 𝜆
𝑁([𝑠 − ℎ𝑛 , 𝑠 + ℎ𝑛 ])
2ℎ𝑛
di mana 𝜆 = 1, 𝑐 = 5, 𝜇 = 1
Di mana:
maka peluang tidak ada nasabah dalam
ℎ𝑛 : banyak kejadian pada waktu ke s 𝑠 −
sistem adalah:
1
ℎ𝑛 : banyaknya kejadian interval waktu 𝑠
𝑃0 = 1 1 1 1 1 1 =
( )0 ( )1 ( )2 ( )3 ( )4 ( )5 5.1
[ 1 + 1 + 1 + 1 + 1 ]+ 1 . dan 𝑠 − 1
0! 1! 2! 3! 4! 5! 5.1− 1
𝑠 + ℎ𝑛 : banyaknya kejadian interval
1
= 0.37
2.67 waktu 𝑠 dan 𝑠 + 1

Dari ketiga analisis di atas dapat dilihat

perbandingannya untuk masing-masing
fasilitas pelayanannya (𝑐) yang ditunjukan
pada tabel 7
Tabel 7 Optimalisasi Antrian
(Rabu, 20 Juni 2012)

Sehingga dapat disimpulkan bahwa untuk

kondisi antrian nasabah di hari-hari
biasa (normal) pelayanan dengan tiga teller
Tabel 8 Hasil Uji Intensitas Lokal (Rabu,
lebih optimal dan dapat menguntungkan
20 Juni 2012)
pihak Bank dikarenakan tidak terlalu banyak
teller dan nasabah pun tidak terlalu
mengantri.

66
Edisi Agustus 2014 Volume VIII No. 2 ISSN 1979-8911

Untuk intensitas global dikarenakan nilai

limitnya tidak ada, maka nilai dari intensitas
globalnya yaitu :
1
è = 𝑁([0, 𝑛])
𝑛

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
besar, yang berarti panjang interval
pengamatan makin besar. Nilai dari
masing-masing intensitas lokal
periode pun tidak jauh dari nilai intensitas
globalnya, di mana nilai dari intensitas
pelayanannya adalah
orang/menit dengan periode = 5 menit.
Daftar Pustaka
[1] Farid, Tati. Penduga Komponen
Periodik dari Fungsi Intensitas
Proses Poisson Periodik dengan
Trend Fungsi Pangkat. Program
Magister Institut Pertanian Bogor,
Bogor. 2008
[2] Hamdi, A. Taha. Riset
Operasi Suatu Pengantar, Jilid Dua.
Tanggerang: Binarupa Aksara. 1996
[3] Kakiay, Thomas J. Dasar
Teori Antrian, ANDI, Yogyakarta. 2004
[4] Mangku, I. W. Panduan
ISSN 1979-8911
Belajar Mandiri Proses Stokastik.
Bogor: Departemen Matematika
tiap FMIPA-IPB. 2005
[5] Ross, Sheldon. Stochastic
Processes (Second Edition).
1 Jhon Wiley and Sons Inc. 1996
[6] Siagan P. Penelitian dan
Operasional. UI press: Jakarta. 1986
[7] Syamsuri. Thesis: Penduga
Turunan Pertama Dari Fungsi
Intensitas Suatu Proses Poisson
Periodik. Program Magister
UIN Jakarta, Jakarta. 2008
[8] Taufik Halim. Estimasi Fungsi
Intensitas Dan Periode Poisson
Siklik Dengan Menggunakan
Metode Simulasi. Program Sarjana
Institut Teknologi Surabaya,
Surabaya. 2004
[9] Wahyujati, Ajie. Riset Operasional
2-Model Antrian. 2006
68