DIKTAT

PENGANTAR STOKHASTIK

Oleh

Drs. Yerizon, M. Si
Dra. Minora Longgom Nasution

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI PADANG
2003

i
 Definisi 4.4.2
Persamaan forward Kolmogorov untuk proses kelahiran dan kematian adalah
dPi 0 (t )
Pi'0 (t )  = - λ0 Pi0(t) + μ1 Pi1(t)
dt

Pij' (t ) = λj-1 Pi,j-1(t) - (λj + μj)Pij(t) + μj+1 Pi,j+1(t) (j = 1, 2, ...)

dengan kondisi awal

Pii(0) = 1, Pij(0) = 0 (i ≠ j

Kita akan bahas perhitungan secara numerik dari peluang transisi untuk rantai Markov state
berhinga yang umum. Untuk menjelaskan persamaan diferensial dalam teorema 4.4.2 , kita
analogikan modelnya seperti tangki air. Misalkan sebuah tangki mempunyai ketinggian air
x(t) pada waktu t, di mana air yang masuk adalah I perunit waktu dan air yang keluar O
perunit waktu. Persamaan diferensial yang berhubungan dengan x(t) adalah
dx(t )
 I O
dt
Jika ada dua tangki air yang bertingkat maka persamaan diferensialnya adalah
dx1 (t ) dx 2 (t )
 I1  O1 ,  I 2  O2 (O1  I 2 )
dt dt
dimana x1(t) dan x2(t) tinggi air pada tangki 1 dan 2 pada waktu t.
Contoh (Proses Pertumbuhan Linear)
Suatu proses kelahiran dan kematian Proses Pertumbuhan Linear jika
λ k  kλ , μ k 1  (k  1)μ (k = 0, 1, 2, …)
Contoh dari proses seperti ini ditemukan dalam reproduksi dan pertumbuhan populasi.
Dengan menetapkan λ0 = 0 dan hanya state 0 sebagai state menyerap, maka kita punya
persamaan maju Kolmogorov:

Pi'0 (t )  μPi1 (t )

Pij' (t )  ( j  1)λPi, j 1 (t )  j (λ  μ ) Pij (t )  ( j  1)μPi, j 1 (t ) (j = 1, 2, …)

Dengan mengasumsikan X(0) = i ≥ 1, maka ekspektasi pada waktu t adalah


M (t )  E[ X (t )]   jPij (t )
j 0

Jika dikalikan persamaan Pij' (t ) dengan j pada kedua sisi dan menjumlahkannya atas j

maka diperoleh

M ' (t )  (λ  μ)M (t )

65
dengan kondisi awal M(0) = i. Solusi dari persamaan ini adalah

M (t )  ie (λ  μ )t
Limit dari M(t) untuk t →∞ adalah
0 (   )

lim M (t )  i (   )
t    (   )

Ini berarti bahwa jika rata-rata kelahiran λ lebih besar dari rata-rata kematian, maka rata-
rata populasi divergen. Jika rata-rata kelahiran λ sama dengan rata-rata kematian, maka
rata-rata populasi tidak pernah berubah. Jika rata-rata kelahiran λ lebih kecil dari rata-rata
kematian, maka rata-rata populasi akan konvergen menuju 0 yaitu lenyap..

Teorema 4.4.1
Untuk proses kelahiran dan kematian {X(t), t ≥ 0}dengan parameter {λk, μk+1 > 0, k = 0,
1, 2, 3, ….}, jika X(t) = i maka waktu antar kedatangan berdistribusi eksponensial
dengan parameter λi+ μi > 0, dimana peluang pindah ke state i - 1 atau i + 1 adalah μi /
(λi + μi ) atau λi / (λi + μi ).

Catatan. Bila i = 0 maka peluang perpindahan state hanya state 1 (yaitu μ0 = 0 berakibat μ0
/ (λ0 + μ0) = 0 dan λ0 / (λ0 + μ0 ) = 1)

Teorema 4.4.2
Untuk proses kelahiran dan kematian {X(t), t ≥ 0}dengan parameter {λk, μk+1 > 0, k = 0,
1, 2, 3, ….}, dengan semua parameter positif yaitu
λk > 0, μk+1 > 0, (k = 0, 1, 2, 3, ….)
maka terdapat limit peluang
p j  lim Pij (t ) , (i, j = 0, 1, 2, 3, ….)
t 0

yang bebas dari state awal jika dan hanya jika

 λ k 1
j
  
j  0 k 1 μ k

j
dimana  .  1 untuk j = 0.
k 1

Limit peluang tersebut diberikan oleh

1
  j λ   j λ 
p0     k 1  dan p j    k 1  p0
 j  0 k 1 μ k  k 1 μ k 

66
 Teorema 4.4.3
Untuk proses kelahiran dan kematian {X(t), t ≥ 0}dengan parameter {λk, μk+1 > 0, k =
0, 1, 2, ….N} di mana N berhingga, dengan semua parameter positif yaitu
λk > 0, μk+1 > 0, (k = 0, 1, 2, … N-1)
maka terdapat limit peluang
 N j 1

   λ k 1  , ( j  0)
 j  0 k 1 μ k 
p j  lim Pij (t ) =   
t    j λ k 1 
   μ  p0 , ( j  1,2,..., N )
 k 1 k 
j
yang bebas dari state awal i dimana  .  1 untuk j = 0.
k 1

Latihan
1. Hitung mean dan variansi dari proses Yule di mana X(0) = 1.
2. Misalkan proses kelahiran murni pada state 0, 1, …, N dengan λk = (N-k)λ untuk k = 0,
1, …, N dan X(0) = 0. Tentukan Pn(t) = P{X(t) = n}.
3. Tentukan peluang transisi untuk untuk proses kematian murni digambarkan dengan
X(0) = 3, μ3 = 1, μ2 = 2 dan μ1 = 3.
4. Untuk proses kematian linear dengan X(0) = N = 5 dan α = 2, tentukan P{X(t) = 2}.
5. Tentukan distribusi stasioner, bila ada, untuk proses kelahiran dan kematian yang
mempunyai parameter konstant λn = λ dan μn = μ untuk n = 1, 2, ….

67
 BAB 5
MODEL ANTRIAN
5.1 Proses Antrian
Kita sering melihat orang menunggu untuk dilayani, seperti di super market, bank
dan sebagainya. Hal ini dapat kita lihat secara langsung, namun ada yang tidak bisa dilihat
seperti panggilan telepon karena sibuk, pesawat yang menunggu untuk mendarat karena
lalu lintas udara yang sibuk. Suatu trasaksi harus menunggu untuk diproses karena prosesor
sedang sibuk.
Model antrian adalah model stokhastik yang membentuk garis tunggu atau antrian.
Kita akan meninjau model antrian ini dengan menggunakan pengembangan dari proses
stokhastik yang telah dijabarkan pada bagian terdahulu. Khususnya banyak model antrian
yang dapat dianalisa dengan menggunakan proses kelahiran dan kematian.
5.2 Model Antrian Pelayan Tunggal
Di sini kita akan membahas model antrian dengan kedatangan Poisson (Poisson
Arrival) dan pelayanan eksponensial (Exponential Service). Kita asumsikan pelanggan tak
hingga dan disiplin antrian FCFS.
Misalkan F(t) = 1 – e-λt adalah distribusi waktu antar kedatangan dari kedatangan
pelanggan. Maka untuk h > 0, kita kita punya
F(h) = 1 – e-λh = λh + o(h)
Yaitu rata-rata kedatangan (birth) untuk proses kelahiran dan kematian adalah
λk = λ (k = 0, 1, 2, …)
Dengan catatan bahwa rata-rata waktu antar kedatangan adalah 1/λ.
Misalkan G(t) = 1 – e-μt adalah distribusi waktu antar kedatangan dari kedatangan
pelanggan. Maka untuk h > 0, kita kita punya
G(h) = 1 – e-μh = μh + o(h)
Yaitu rata-rata pelayanan (death) untuk proses kelahiran dan kematian adalah
μk+1 = μ (k = 0, 1, 2, …)
Dengan catatan bahwa rata-rata waktu pelayanan adalah 1/μ.
Selanjutnya kita akan membahas model antrian M/M/1 dengan rata-rata kedatangan λk = λ
dan rata-rata pelayanan μk+1 = μ.
5.2.1 Model Antrian M/M/1/∞
Kita asumsikan rata-rata kedatangan λk = λ dan rata-rata pelayanan μk+1 = μ. Menurut
teorema 4.4 syarat perlu dan cukup agar limit peluang p j  lim Pij (t ) ada adalah
t 0

 j λ  λj 
k 1 
     (ρ)  
j
 
μ
j  0 k 1 k μ
j 0   j 0

68
 j
dimana  .  1 untuk j = 0. Dalam hal ini kita asumsikan
k 1

λ
ρ  1 atau λ < μ
μ
di mana
λ [rata  rata kedatangan ] 1/μ [rata  rata waktu pelayanan]
ρ   
μ [rata - rata pelayanan] 1/λ [rata - rata waktu antar kedatangan ]
yang disebut dengan intensitas lalu lintas (traffic intensity) dalam teori antrian. Disini syarat
cukup dan perlu yang harus dipenuhi adalah ρ < 1 yaitu [rata-rata waktu antar kedatangan =
1/λ] > [rata-rata waktu pelayanan = 1/μ]. Jika ρ ≥ 1 maka tidak terdapat limit peluang pj (j =
0, 1, 2, …), karena panjang antrian menjadi takhingga.
Misalkan {X(t), t ≥ 0} adalah sebuah proses kelahiran dan kematian yang
menggambarkan sebuah model antrian M/M/1/∞. Prilaku dalam keadaan “steady-state”
dinyatakan dengan X(∞) = X. Maka menurut teorema 4.4 terdapat limit peluang
pj = (1 – ρ)ρj, (j = 0, 1, 2, …)
yang berdistribusi geometric X ~ GEO(1 – ρ). Perlu dicatat bahwa pj berarti limit peluang
dengan terdapat j pelanggan dalam sistem , yaitu ada (j-1) pelanggan menunggu untuk
dilayani dan seorang pelanggan telah dilayani dalam “steady-state”. Mean dan variansi dari
X diberikan dengan
 ρ
L  E[X]   j(1 - ρ)ρ j 
j 1 1 ρ

ρ
Var(X)  E[X 2 ] - E[X] 2 
(1 - ρ) 2
Misalkan Lq adalah rata-rata banyaknya pelanggan dalam sebuah antrian yaitu rata-rata
banyaknya pelanggan menunggu untuk dilayani. Jika ada j pelanggan dalam sistem maka j -
1 pelanggan menunggu untuk dilayani. Maka kita punya,
   ρ2
L q   (j  1)p j   j p j   p j  L  ρ 
j 1 j 1 j 1 1 ρ

dimana
P{pelayan bebas dalam keadaan “steady state} = p0 = 1 – ρ

P{pelayan sibuk dalam keadaan “steady state} =  p j = ρ
j 1

Kita menyebut ρ sebagai faktor utilisasi (utilization factor) karena P{Pelayan sibuk} = ρ.

69
Contoh.
Pemrosesan kata (word processing) dalam sebuah kantor dapat diformulasikan dalam
model antrian M/M/1/∞. Asumsikan rata-rata waktu kedatangan pemrosesan kata adalah 25
menit dan rata-rata waktu pelayanan adalah 15 menit. Hitunglah.
a. Peluang bahwa pemrosesan kata sibuk.
b. Rata-rata waktu tunggu.
c. Jika permintaan untuk pemrosesan kata naik dan rata-rata waktu yang dihabiskan
sistem di atas 45 menit, kita seharusnya memperkenalkan pemrosesan kata yang lain.
Jawab.
a. Dari soal diketahui bahwa 1/λ = 25 menit, 1/μ = 15 menit. Intesintas lalu lintas
ρ = λ/μ = 3/5. Maka P{sibuk} = ρ = 3/5.
ρ
b. Wq  = 22,5 menit.
μ(1  ρ)
c. Asumsikan bahwa λ tak diketahui, maka kita punya ketaksamaan
ρ 1/μ 15
Wq  = =  45
μ(1  ρ) 1  λ/μ 1  15λ
yang berakibat 1/λ ≤ 22,5 menit. Yaitu jika rata-rata waktu untuk pemrosesan lebih kecil
atau sama dengan 22,5 menit maka kita seharusnya memperkenalkan pemrosesan kata yang
lain.
5.2.2 Model Antrian M / M / 1 / N
Dalam bagian ini kita asumsikan bahwa kapasitas maksimum dari sistem antrian adalah
hingga yaitu sebanyak N. Yaitu maksimum (N-1) pelanggan menunggu untuk dilayani dan
satu orang sedang dilayani.
Untuk model antrian M/M/1/N, semua parameter positif yaitu,
λk = λ > 0, μk+1 = μ > 0, (k = 0, 1, 2, … N-1)
maka terdapat limit peluang
 (1  ρ)ρ j
 , (   1; j  0, 1, 2, ..., N)
 N 1
p j  1  ρ
 1 , (   1; j  0, 1, 2, ..., N)
 N  1

di mana ρ = λ/μ adalah intensitas lalulintas dari antrian.

Rata-rata jumlah pelanggan dalam sistem dan dalam antrian secara berturut-turut adalah
Untuk ρ  1,
N 1  (N  1)ρ N  Nρ N 1
L   jp j  ρ
j 0 (1  ρ)(1  ρ N 1 )

70
 N
L q   (j - 1)p j  L  (1  p0 )
j 1

Untuk ρ = 1,
N N
L   jp j 
j 0 2

N N(N - 1)
L q   (j - 1)p j  L  (1  p0 ) 
j 1 2(N  1)

Misalkan U dan V berturut-turut adalah waktu tunggu dalam antrian dan waktu pelayanan
dan U+V adalah waktu yang dihabiskan dalam sistem tersebut. Peluang bersyarat bahwa
seorang pelanggan ingin bergabung dalam antrian jika sudah terdapat j pelanggan dalam
antrian adalah
pj
qj  , (j = 0, 1, 2, …, N-1)
1  pN
karena kita tidak dapat bergabung jika sudah terdapat N pelanggan dalam antrian. Peluang
bahwa seorang pelanggan telah bergabung dalam antrian sebelum pelanggan ke (n+1) telah
selesai dilayani sampai waktu t adalah
t μ(μx) n e μx n ( t) n  μt
1  dx   e , (n = 0, 1, …, N-1)
0 n! k  0 k!

yang mana peluang keberhasilannya berdistribusi gamma GAM(μ, n+1). Distribusi dari (U
+ V) diberikan dengan kedua persamaan di atas yaitu
N 1 j ( t ) k
P{U  V  t}  1   q j  e  μt
j 0 k 0 k!

Kemudian dstribusi dari U adalah

N 2 j ( t ) k
P{U  t}  1   q j 1  e  μt
j 0 k 0 k!

Rata-rata waktu yang dihabiskan dalam antrian adalah

N 1 j 1
W = E[U + V] =  q j
j 0 

1  ( N  1)  N  N N 1
 , (   1)
  (1   )(1   N
)
=
 N 1, (   1)
 2

Rata-rata waktu waktu tunggu dalam antrian adalah

71