MODUL PERKULIAHAN

Rekayasa Trafik

MAMPU
MENJELASKAN DAN MEMAHAMI
DISTRIBUSI POISSON
Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh
Fakultas
Teknik
Teknik Elektro
9 Daryanto

Abstract Kompetensi
Distribusi poisson diberi nama sesuai dengan Mahasiswa/i mampu
penemunya yaitu Siemon D. Poisson.Distribusiini
menjelaskan dan memahami
merupakan distribusi probabilitas untuk variabel
diskrit acak yang mempunyai nilai 0,1, 2,3 dan distribusi possion
seterusnya. Suatu bentuk dari distribusi ini a
dalah rumus pendekatan peluang poisson untuk
peluang binomial yang dapat digunakan untuk
pendekatan probabilitas binomial dalam situasi
tertentu.Rumus poisson dapat digunakan untuk
menghitung probabilitas dari jumlah
kedatangan, misalnya :
probabilitas jumlah kedatangan nasabah pada
suatu bank pada jam kantor. Distribusi p
oisson ini digunakan untuk menghitung
probabilitas menurut satuan waktu.
 PENDAHULUAN

SEJARAH DISTRIBUSI POISSON

Distribusi poisson disebut juga distribusi peristiwa yang jarang terjadi, ditemukan oleh S.D.
Poisson (1781–1841), seorang ahli matematika berkebangsaan Perancis. Distribusi Poisson
termasuk distribusi teoritis yang memakai variabel random diskrit.
Menurut Walpole (1995), distribusi poisson adalah distribusi peluang acak poisson X, yang
menyatakan banyaknya sukses yang terjadi dalam suatu selang. konsep probabilita telah
digunakan secara luas dalam hampir setiap bidang ilmu. Penerapan konsep probabilita yang
paling menonjol adalah dalam ilmu asuransi untuk menghitung besarnya resiko yang akan
ditanggung. Selain itu dalam teori pengambilan keputusan pun konsep probabilita merupakan
suatu dasar yang penting. Distribusi-distribusi probabilita juga banyak dimanfaatkan dalam
berbagai ilmu pengetahuan seperti dalam manajemen, kedokteran, biologi dan sebagainya.
Distribusi (sebaran) yang diperoleh adalah distribusi empiris yaitu distribusi yang berdasarkan
dunia nyata. Secara teoritis, distribusi probabilita yang tersedia cukup banyak, akan tetapi
dalam praktek, distribusi probabilita yang paling sering digunakan adalah distribusi Binominal,
distribusi Poisson, dan distribusi Normal. Pada tahap aplikasi, suatu distribusi empiris
diasumsikan mengikuti suatu distribusi teoritis tertentu. Dengan demikian sifat-sifat distribusi
teoritis dapat digunakan dalam analisis. Distribusi pada bagian ini adalah distribusi teoritis
yang sering digunakan dalam ilmu statistik dan pengujian hipotesis. Untuk kali ini, penulis
akan memaparkan tentang kegunaan dan penerapan distribusi poisson dalam kehidupan
sehari-hari. Distribusi poisson dijumpai pada permasalahan-permasalahan yang melibatkan
perhitungan cacah, permasalahan transmisi digital.

PENGERTIAN DISTRIBUSI POISSON

Distribusi Poisson adalah distribusi nilai-nilai bagi suatu variabel random x (x diskrit), yaitu
banyaknya hasil percobaan yang terjadi dalam suatu interval waktu tertentu atau disuatu
daerah tertentu(Hassan,2001). Distribusi Poisson disebut juga distribusi peristiwa yang
jarang terjadi, ditemukan oleh S.D.Poisson (1781– 1841), seorang ahli matematika
berkebangsaan Prancis. Distribusi Poisson termasuk distribusi teoretis yang memakai
variabel random diskrit.

PROSES POSSION
Proses Poisson merupakan point proccess yang terpenting.
Seperti telah disebutkan di bagian depan, sebagaimana halnya point proccess,karakteristik
proses Poisson dicirikan oleh tiga hal:
a)Stasioner
b)lndependen dan
c)Simple.

Sifat dasar proses Poisson, selain sebagai suatu point proccess adalah:
a)Number representation-nya terdistribusi Poisson
b)lnterval Representation -nyaterdistribusi Eksponensial
c)Point process memunculkan DUA buah variabel random Nt dan Xt. Dua buah variabel
random ini memiliki makna adanya Number Representation dan lnterval representation.
d)Number Representation dan Interval Representotion masing–masing mungkin saja
memiliki distribusi yang berbeda

CIRI-CIRI DISTRIBUSI POISSON

Menurut Walpole dan Myers (1990), distribusi poisson merupakan percobaan yang
menghasilkan nilai-nilai bagi variabel random yang bernilai numerik, yaitu banyaknya sukses
selama interval waktu tertentu atau dalam daerah tertentu. Panjang interval waktu tersebut
dapat berapa saja, semenit, sehari, seminggu atau setahun. Menurut Benson (2008),
percobaan poisson memiliki ciri-ciri sebagai berikut:
1.Banyaknya hasil percobaan yang terjadi pada suatu selang tertentu atau daerah tertentu
tidak bergantung pada banyaknya hasil percobaan pada selang waktu atau daerah lain.
2.Probabilitas terjadinya satu hasil percobaan selama selang waktu tertentu yang singkat
sekali atau daerah lain yang kecil, sebanding dengan panjang selang waktu atau daerah lain,
juga tidak tergantung pada banyaknya hasil percobaan yang terjadi di luar selang waktu atau
daerah lain.
3.Probabilita bahwa lebih dari satu hasil percobaan akan terjadi dalam selang waktu yang
singkat atau daerah kecil dapat diabaikan.

Suatu distribusi mengikuti pola distribusi poisson jika mengikuti aturan berikut ini:
a.Tidak terdapat dua kejadian yang terjadi bersamaan.
b Proses kedatangan bersifat acak
c.Rata-rata jumlah kedatangan per interval waktu sudah diketahui dari pengamatan
sebelumnya.
d.Bila interval waktu dibagi kedalam interval yang lebih kecil, maka pernyataan-pernyataan
berikut harus dipenuhi:
- Probabilita tepat satu kedatangan adalah sangat kecil dan konstan.
- Probabilita dua kedatangan atau lebih selama interval waktu tersebut angkanya sangat kecil
sehingga mendekati nol.
-Jumlah kedatangan pada interval waktu tersebut tidak tergantung pada kedatangan di
interval waktu sebelum dan sesudahnya.

JENIS-JENIS DISTRIBUSI POISSON

Ada beberapa jenis dari distrbusi poisson. Distribusi poisson terdiri dari
•Probabilitas Poisson,
•Probabilitas Distribusi Poisson Kumulatif, dan
•Distribusi Poisson sebagai Pendekatan Distribusi Binomial.
Setiap jenis dari distribusi poisson memilki karakter masing-masing berikut dengan metode
dan fungsi yang berbeda.

FUNGSI DISTRIBUSI POISSON

Distribusi Poisson banyak digunakan dalam hal berikut. a. Menghitung probabilitas terjadinya
peristiwa menurut satuan waktu, ruang atau isi, luas, panjang tertentu, seperti menghitung
probabilitas dari: 1) banyaknya penggunaan telepon per menit atau banyaknya mobil yang
lewat selama 5 menit di suatu ruas jalan; 2) banyaknya bakteri dalam 1 tetes atau 1 liter air;
3) banyaknya kesalahan ketik per halaman sebuah buku; 4) banyaknya kecelakaan mobil di
jalan tol selama minggu pertama bulan Oktober. b. Menghitung distribusi binomial apabila nilai
n besar (n ≥ 30) dan p kecil (p < 0,1)

RUMUS DISTRIBUSI POISSON

Rumus Pendekatan Peluang Poisson untuk Binomial Pendekatan Peluang Poisson untuk
Peluang Binomial dilakukan untuk mendekatkan probabilitas,probabilitas dari kelas sukses (x)
dari n percobaan Binomial dalam situasi dimana n sangat besar dan probabilitas kelas sukses
(p) sangat kecil.
Aturan yang diikuti oleh kebanyakan ahli statistika
adalah bahwa n cukup besar dan p cukup kecil, jikan adalah 20 atau lebih dari 20 dan p
adalah 0.

RUMUS DISTRIBUSI POISSON

Distribusi poisson merupakan turunan langsung dari distribusi binomial bila jumlah percobaan
lebih dari 20 amatan dan probabilitas p ≤ 0,05 dalam hal demikian, rata-rata binomial akan
diganti dengan rata-rata poisson.
Distribusi poisson dapat digunakan untuk menggambarkan kejadian yang jarang terjadi (rare
events) atau kejadian yang berhubungan dengan lamanya waktu tunggu (waiting time).
Distribusi Poisson digunakan dalam Menghitung probabilitas terjadinya peristiwa menurut
satuan waktu, ruang atau isi, luas, panjang yang bersifat random atau acak. Penerapan
ditribusi ini sering kita jumpai dalam kehidupan sehari-hari dan sangat melekat pada setiap
kegiatan, seperti:
·Kedatangan bus atau pelanggan.
·Kedatangan pasien dirumah sakit.
·Kedatangan mobil di pom bensin.
·Kedatangan mahasiswa di perpustakaan.
·Jumlah panggilan telepon yang masuk.
·Banyaknya pemakaian telepon per jam.
·Banyaknya mobil yang lewat di suatu ruas jalan.
·Jumlah kecelakaan pada suatu jalan raya setiap harinya.
·Banyaknya kesalahan ketik per halaman sebuah buku.
·Antrian nasabah dalam suatu bank atau pelayanan tertentu.
Proses antrian merupakan contoh nyata proses poisson yang banyak terjadi pada berbagai
fasilitas pelayanan saat ini. Proses antrian merupakan suatu proses yang berhubungan
dengan kedatangan pelanggan pada suatu fasilitas pelayanan, menunggu dalam baris antrian
jika belum dapat dilayani, kemudian seorang pelanggan akan meninggalkan sarana
pelayanan tersebut setelah selesai pelayanan. Contohnya seperti antrian layanan pada suatu
bank, yaitu nasabah yang mengantri untuk mendapatkan pelayanan.
Beberapa kasus antrian yang terjadi saat ini, yaitu untuk memperoleh data waktu antar
kedatangan, seperti panggilan telpon, koneksi server internet, dan lalulintas kendaraan di
jalan tol pada arus mudik dan arus balik lebaran serta kedatangan pelanggan di kantor pos
pada menjelang tahun baru dan lebaran akan mudah didapatkan dengan menggunakan
distribusi peluang poisson. Karena kedatangan bersifat bebas dan tidak terpengaruh oleh
kedatangan sebelum ataupun sesudahnya. Asumsi dari distribusi peluang poisson adalah
kedatangan pelanggan yang bersifat acak.

Rumus pendekatannya adalah : P ( x ; μ ) = e – μ . μ X

X!
Dimana : e = 2.71828
μ = rata – rata keberhasilan = n . p
x = Banyaknya unsur berhasil dalam sampel
n = Jumlah / ukuran populasi
p = probabilitas kelas sukses

Contoh soal
Sebuah mesin memproduksi rata-rata 2 persen produk yang cacat. Dalam sebuah sampel
acak sebanyak 60 produk, tentukan probabilitas terdapat 3 produk cacat dalam sampel itu.
Jawab :

n = 60 ; p = 2/100 = 0,02 ; μ = n.p = 60 x 0,02 = 1,2

P(x;μ)=e–μ .μX = P(x =3) = e – μ . μ 3

X! 3!

=0,0867

Latihan Soal
1.Dua ratus penumpang telah memesan tiket untuk sebuah penerbangan luar negeri. Jika
probabilitas penumpang yang telah mempunyai tiket tidak akan datang adalah 0.01 maka
berapakah peluang ada 3 orang yang tidak datang.

2.Jika rata – rata kedatangan λ = 72 setiap jam, berapakah peluang dari x = 4 kedatangan
dan t = 3menit. Gunakan proses poisson.!
Jawaban:

1.Dik : n = 200, P = 0.01, X = 3, μ = n . p = 200 . 0.01=2

P(x;μ)=e–μ.μX
X!

–2 3
= 2.71828 . 2 = 0.1804 atau 18.04 %
3!

2. Dik : λ = 72 kedatangan setiap jam atau 72 / jam maka 1 jam atau 60 menit adalah unit
waktunya. Berarti 3 menit adalah 3 / 60 = 1 / 20 unit waktu maka t = 1 / 20 dan x = 4

–λ . t x
P(x)=e .(λ.t)
X!

–72 . ( 1/ 20 ) 4
P(x)=e . ( 72 . 1 / 20 )
4!
= 0.191 atau 19.1 %

Waktu Pembicaraan TeIepon

Berdasar pengukuran yang telah dilakukan selama puluhan tahun pada jaringan
telekomunikasi, pdf (probobility density function) dari waktu pembicaraan telepon (interval
representation) adalah merupakan distribusi eksponensial negatif .

Maka waktu rata-rata pembicaraan telepon, merupakan nilai harapan atau

moment pertama dari fungsi densitas:

Dan momen kedua yang tidak lain merupakan variansi dari waktu pembicaraan telepon
adalah sama dengan :

Periode Paket
ATM (Asynchronous Transfer Mode)
Pada suatu sistem komunikasi yang menggunakan protokol tertentu, misal ATM
(Asynchronous Transfer Mode), ukuran paket adalah konstan, dengan demikian Ukuran
paket yang tetap menunjukkan bahwa holding time-nya terdistribusi konstan.
Setiap paket ATM terdiri dari 424 bit.
Misal paket ATM ditransmisikan dengan kecepatan 42,4 kbps. lnterval waktu yang dialami
paket selama transmisi adalah =h = (424bit) / (42400 bit per detik) = 10 milidetik.
Maka waktu rata-rata keberadaan paket selama transmisi, merupakan nilai harapan atau
moment pertama dari fungsi densitas:

Dan momen kedua yang tidak lain merupakan variansi dari waktu keberadaan paket
selama transmisi adalah sama dengan:

Waktu Mengantri
Salah satu GoS yang penting pada jaringan antrian (queueing network) adalah waktu
mengantri atau waktu tunggu (waiting time). Distribusi waktu antrian Ws(t) yang diukur
terhadap sejumlah pelanggan secara random selalu memiliki nilai positif > 0, karena ada
sebagian paket yang langsung terlayani di jaringan.
Maka distribusi waktu antri untuk pelanggan yang waktu antrinya > 0 ditulis sebagai W+ (t)
adalah:

Probabilitas bahwa waktu antri adalah positif = 1-ws(t) , ditulis dengan notasi D (=
probabilitas terjadinya delay).
Maka:

Jika kita perhatikan moment pertama, atau nilai rata-ratanya saja:

.
D w=W
Notasi w (huruf kecil) adalah menunjukkan waktu mengantri rata-rata untuk paket yang
mengantri saja , dan
Notasi w (huruf besar) adalah sama dengan waktu mengantri rata-rata semua paket, yang
tidak mengantri maupun yang mengantri.
Berlaku untuk jaringan antrian: probabilitas terjadinya delay dikalikan waktu antri mengantri
rata-rata untuk paket yang mengantri saja adalah sama dengan waktu mengantri rata-rata
semua paket (yang tidak mengantri maupun yang mengantri).

Probabilitas Terjadinya Loss

Perlu dipahami proses terjadinya loss di jaringan telekomunikasi. Mungkin ada

pertanyaan, kenapa pada suatu system berkapasitas c bisa terjadi loss padahal trafik
telekomunikasi sebesar A selalu lebih
kecil dibanding c ?

Trafik Rata-rata < Kapasitas Sistem, Tetapi ada Loss.

Penerapan Telekomunikasi Distribusi Kontinyu Pada Rekayasa Trafik

Perhitungan probabilitas kedatangan paket yang diamati sebagai suatu point process,
mengikuti prinsip dasar dari berbagai distribusi.
Berikut ini diberikan contoh - contoh fungsi distribusi terkait dengan perhitungan
probabilitas kedatangan paket.
Berlaku untuk trafik yang datang dan dilayani suatu server memiliki beberapa fundamental
Properties sebagai berikut:
a.Stationary,
b.lndependent at all time instants (epochs),
c.Simple
d.Continous. Misal paket yang pertama telah datang pada t1 dan sukses dilayani
server

b.Probabilitas bahwa paket yang ke-k datang pada waktu (t1 + t) adalah akan mengikuti
distribusi erlang-k.
c.Probabilitas bahwa pada periode {t1, t1 + t detik} telah datang x paket akan mengikuti
distribusi poisson.

Penerapan Distribusi Diskrit pada Rekayasa Trafik TeIekomunikasi

Misal probabilitas bahwa request yang datang pada suatu web
server gagal dilayani = p,
probabilita s request yang datang pada suatu web server berhasil dilayani = q = (1-p).
Maka probablitas bahwa dari sejumlah n request yang datang pada suatu web server
terdapat x request yang berhasil dilayani oleh server adarah akan mengikuti distribusi
binomial.

Probabilitas request yang datang pada suatu web server ke (n+1) datang dan gagal dilayani
server, setelah n request berturut-turut datang dan sukses dilayani server adalah mengikuti
distribusi geometric.

Ilustrasi Berbagai Distribusi poisson

Contoh Soal (1) Perhitungan Dasar Trafik

1)Hitunglah intensitas trafik (dengan satuan erlang) pada 3 soal di bawah ini :
a. suatu radio-link yangberkapasitas 6 saluran, dengan pengukuran selama 45
menit, setiap saluran rata-rata holded selama 35 menit.
b.suatu digital switch yang selama pengukuran selama 20 menit , mengolah sebanyak
25.000 call yang memiliki mean holding time =3 menit.
c.suatu web server yang mempunyai servic rate = 1 Mbps, jika selama 10 menit pengukuran
menerima 600 request, setiap request memerlukan rata-rata
10.000 packet data @ 1000 bit per paket.
Jawab :
1.a. A = 6 saluran x 35 menit/45 menit = 3750 Erlang
1.b. A = 25.000 call x 3 menit/call x 1/20 menit =
1.c. A = 600 request x 10.000 paket/request x 1000 bit
1Mbit/detik (10 x 60detik)
= 10 Erlang.

Contoh Soal (2) Proses Poisson

Bila kedatangan request mengikuti suatu distribusi poisson , hitung probabilitas bahwa
dalam perioda 1 menit, terdapat 5 request datang dalam 10 detik pertama DAN 6 request
datang pada 5 detik terakhir. Misal request datang pada suatu web server dengan laju 30
request per menit.
(laju kedatangan request per satuan waktu, T = waktu pengamatan ketika melihat adanya
sejumlah request datang, x = jumlah request selama perioda T)

Jawab Proses Poisson

λ = 30 request/60 detik = 0,5
P{N(10)} = ( λ = 0.5 ; x = 5 ; t = 10)
=

Jadi Probabilitas bahwa dalam periode 1 menit ada 5 request datang dalam 10 detik
pertama dan 6 request datang dalam 5 detik terakhir =
P{N(10)} x P {N(60) – N(55)} = ( λ = 0.5 ; x = 6 ; t = 10)

Contoh soal (3) Binomial dan geometrik

1.Misalkan request-request pada suatu web server adalah saling bebas. Jika probabilitas
suatu request akan sukses = p = 0.2 dan probabilitas tidak sukses = q = 1-p. Hitung
probabilitas bahwa dari 10 request, terdapat 4 request sukses. Untuk soal ini hitung juga
rata-rata terjadi request sukses dari 1000 request yang masuk.

2.Jika pada suatu web server, peluang satu request akan sukses pada usaha pertama = 0.1
Hitunglah berapa probabilitas bahwa suatu request berturut-turut 3 kali sukses terus , dan
baru gagal pada usaha ke 3. Hitunglah, berapa rata-rata jumlah request yang harus
dilakukan dan terus-menerus sukses, sebelum merasakan gagal.
Jawaban soal (3) Binomial dan geometrik
1.Binomial: Dari n percobaan terdapat x gagal :

Rata-rata = E = 0.2 x 1000 = 200.

2.Geometrik

sukses terus,baru pada usaha ke 4, terjadi kegagalan P = (0.1)(0.1)(0.1)(0.9) = 0.0009

Kesimpulan

Distribusi poisson merupakan bagian dari ditribusi teoritis atau distribusi diskret dimana sifat-
sifat distribusi teoritis dapat digunakan dalam analisis yang sering digunakan dalam ilmu
statistik untuk pendugaan dan pengujian hipotesis. Distribusi poisson merupakan percobaan
yang menghasilkan nilai-nilai bagi variabel random yang bernilai numerik, yaitu banyaknya
sukses selama interval waktu tertentu atau dalam daerah tertentu. Dari pembahasan diatas,
dapat diketahui bahwa percobaan distribusi poisson sangat berguna peranannya dalam
kehidupan sehari-hari. Baik untuk kejadian yang jarang terjadi maupun kejadian yang
berhubungan dengan lamanya waktu tunggu yang bersifat random atau acak. Dengan
percobaan distribusi poisson kita dapat mengetahui proses kedatangan atau proses antrian
dalam suatu pelayanan tertentu, misalnya kedatangan bus, antrian nasabah dalam suatu
bank, dan lain sebagainya.