BAB IV

ANALISA DAN PEMBAHASAN

Pada bab ini akan dibahas mengenai situasi masalah, rumusan masalah, tujuan
penelitian, batasan penelitian, asumsi penelitian, tinjauan pustaka, serta pengumpulan
dan pengolahan data

4.1 Situasi Masalah

Sebuah perusahaan yang bergerak dibidang manufaktur, jasa atau perdagangan
barang jadi pasti memiliki sistem distribusi yang digunakan untuk menyalurkan barang
kepada konsumen. Menurut Daryanto (2011:63) Distribusi adalah suatu perangkat
organisasi yang saling bergantung dalam menyediakan satu produk untuk digunakan
atau dikonsumsi oleh konsumen.
Pada PT. Ajinomoto Indonesia sebagian produk yang dihasilkan akan dipasarkan di
dalam negeri yaitu dengan presentase 80% untuk konsumsi domestik dan 20% untuk
ekspor ke berbagai negara. Produk yang dikonsumsi untuk domestik ditangani oleh PT.
Ajinomoto Indonesia dengan pendistribusiannya oleh PT. Ajinomoto Sales Indonesia
(ASI) pada Departemen EDC (East Distribution Center), sedangkan produk ekspor
ditangani oleh PT. Ajinex International.
Departemen EDC (East Distribution Center) merupakan tempat menyimpan
barang jadi yang telah dinyatakan siap untuk didistribusikan. Sistem pendistribusian
produk PT. Ajinomoto Indonesia menerapkan metode FEFO (First Expired First Out),
dimana produk yang memiliki expired date yang lebih tua yang akan dikeluarkan
terlebih dahulu. Terdapat dua macam aktivitas distribusi barang jadi yang ada pada
departemen EDC yaitu proses Inbound dan Outbound. Proses inbound yaitu aktivitas
penerimaan barang yang kemudian akan disimpan pada gudang EDC, sedangkan proses
outbound adalah aktivitas pengeluaran barang yang akan dikirimkan ke berbagai daerah
yang ada di Indonesia.
Dalam aktivitas penerimaan dan pengiriman barang dalam negeri dilakukan
menggunakan jalur darat dengan transportasi berupa truk. Departemen EDC
menetapkan waktu tertentu untuk melayani truk yang masuk dalam kawasan
perusahaan. Waktu yang telah ditetapkan yaitu mulai pukul 07.00 – 16.00 WIB. Jika
terdapat truk yang datang melebihi batas waktu yang telah ditentukan maka truk tidak
boleh masuk ke dalam perusahaan dan harus menunggu diluar kawasan perusahaan.
Apabila semakin banyak truk yang datang dan belum dilayani maka hal tersebut dapat
mengganggu warga yang tinggal di daerah sekitar perusahaan karena dapat
mempersempit jalan yang ada untuk dilewati kendaraan umum. Sedangkan untuk truk
yang sudah memasuki kawasan perusahaan namun belum dilayani maka pekerja di EDC
akan menyelasaikan semua truk yang ada untuk pengiriman barang sehingga akan
menambah jam kerja para pekerja atau dapat dikatakan lembur.
Dengan adanya antrean truk yang panjang dan belum mendapat pelayanan akan
menimbulkan wasting time dan kewalahan dalam menyelesaikan pelayanan untuk
pendistribusian barang. Untuk itu maka penulis melakukan pengamatan mengenai
kinerja sistem antrean dengan model antrean Multi Channel – Single Phase pada
kegiatan outbound yang ada pada departemen EDC apakah sudah baik atau perlu
dilakukan perbaikan di masa mendatang.

4.2 Rumusan Masalah

Berdasarkan situasi masalah yang ada maka dapat dibuat perumusan masalah yang
ada pada PT. Ajinomoto Indonesia:
1. Bagaimana kinerja sistem antrean truk pada jalur outbound di Departemen EDC
(East Distribution Center) PT. Ajinomoto Indonesia?
2. Bagaimana model antrean Multi Channel – Single Phase dapat memberikan hasil
yang optimal pada pelayanan kedatangan truk?

4.3 Tujuan Penelitian

Berikut ini merupakan tujuan penelitian yang ada pada PT. Ajinomoto Indonesia:
1. Untuk mengetahui kinerja sistem antrean truk pada jalur outbound di Departemen
EDC (East Distribution Center) PT. Ajinomoto Indonesia
2. Untuk mengetahui pelayanan yang optimal pada model sistem antrean yang
digunakan Departemen EDC (East Distribution Center) PT. Ajinomoto Indonesia

4.4 Batasan Penelitian

Berikut ini merupakan batasan yang digunakan dalam melakukan penelitian pada
PT. Ajinomoto Indonesia:
1. Pengamatan yang dilakukan pada sistem antrean transportasi truk yang akan
masuk pada jalur outbound.
 2. Data yang didapatkan merupakan data selama tiga hari yaitu pada tanggal 13
Agustus 2018 – 15 Agustus 2018.

4.5 Asumsi
Asumsi yang digunakan dalam melakukan penelitian ini antara lain:
1. Data yang diambil selama tiga hari yaitu pada tanggal 13 Agustus – 15 Agustus
2018 dapat mewakili sistem antrean yang diterapkan di PT. Ajinomoto Indonesia.
2. Waktu pelayanan berbeda, tergantung dari jenis barang yang ada di dalam truk.
3. Data yang didapatkan merupakan data truk untuk jalur outbound.

4.6 Tinjauan Pustaka

4.6.1 Teori Antrean
Menurut Kakiav, Thomas J (2004), Antrean adalah sebuah aktifitas dimana
konsumen menunggu untuk memperoleh layanan. Antrean timbul disebabkan oleh
kebutuhan akan layanan melebihi kemampuan kapasitas pelayanan atas fasilitas
layanan, sehingga pengguna fasilitas yang tiba tidak bisa segera mendapatkan layanan.
Menurut Siagian (1987), Antrean adalah suatu garis tunggu dari nasabah (satuan)
yang memerlukan layanan dari satu atau lebih pelayan (fasilitas layanan). Ilmu
penegtahuan tentang bentuk antrean yang sering disebut sebagai teori antrean (queuing
theory), merupakan sebuah bagian penting operasi dan juga alat yang sangat berharga
bagi manajemen operasi.
Berdasarkan pengertian antrean diatas maka dapat disimpulkan bahwa antrean
adalah suatu kegiatan yang berhubungan dengan kedatangan pelanggan pada suatu
fasilitas layanan kemudian menunggu untuk memperoleh suatu layanan. Teori tentang
antrean ditemukan dan dikembangkan oleh Agner Krorup Erlang, seorang insinyur dari
Denmark yang bekerja pada perusahaan telepon di Kopenhagen pada tahun 1910 yang
dicatat dalam bukunya yang berjudul Solution of Problem in The Theory of Probability
of Significant in Automatic Telephone Exchange. A. K. Erlang melakukan eksperimen
tentang fluktuasi permintaan fasilitas (mesin pompa) telepon yang berhubungan dengan
automatic dialing equipment yaitu peralatan penyambungan telepon secara otomatis.
Dengan banyaknya kontribusi A.K Erlang untuk menciptakan teori antrean maka beliau
dijuluki sebagai Bapak Antrean Dunia.
Tujuan dari teori antrean adalah meneliti kegiatan dari suatu sistem antrean dalam
fasilitas pelayanan. Untuk itu pengukuran yang logis akan ditinjau dari dua bagian,
yaitu berapa lama para pelanggan harus menunggu yang dalam hal ini diuraikan melalui
waktu rata – rata yang dibutuhkan oleh pelanggan untuk menunggu hingga
mendapatkan pelayanan dan berapa lama waktu mengganggur server. Sehingga, teori
antrean merupakan sebuah bagian penting dan bermanfaat karena dapat mencapai
keseimbangan antara biaya pelayanan dengan biaya yang disebabkan oleh waktu
menunggu.

4.6.2 Proses Antrean

4.6.2.1 Pengertian Proses Antrean
Menurut Bronson (1996), Proses antrean (queueing process) adalah suatu proses
yang berhubungan dengan kedatangan seorang pelanggan pada suatu fasilitas
pelayanan, kemudian menunggu dalam suatu baris (antrean). Proses ini dimulai pada
saat pelanggan yang memerlukan pelayanan mulai datang dari suatu populasi yang
disebut sumber input.
Sistem antrean adalah himpunan pelanggan, pelayan, dan suatu aturan yang
mengatur kedatangan para pelanggan dan pelayanannya. Menurut Wospakrik (1996)
sistem antrean merupakan proses kelahiran – kematian dengan suatu populasi yang
terdiri atas para pelanggan yang sedang menunggu pelayanan atau sedang dilayani.
Kelahiran terjadi jika seorang pelanggan memasuki fasilitas (mesin pompa) pelayanan,
sedangkan kematian terjadi jika pelanggan meninggalkan fasilitas (mesin pompa)
pelayanan. Keadaan sistem adalah jumlah pelanggan dalam suatu fasilitas (mesin
pompa) pelayanan

Gambar 2.1 Sistem Antrean

4.6.2.2 Unsur - Unsur Dasar dalam Proses Antrean
Dalam buku yang telah dituliskan oleh Hamdy A. Taha (1997:176) dijelaskan
bahwa suatu sistem antrean bergantung pada tujuh komponen yaitu pola kedatangan,
pola kepergian, kapasitas disiplin, desain pelayanan, disiplin pelayanan, sumber
pemanggilan, perilaku manusia. Komponen – komponen dasar dalam proses antrean
tersebut diuraikan sebagai berikut:
a. Pola kedatangan
Pola kedatangan dapat diketahui secara pasti atau berupa suatu variabel acak
(random) yang distribusi peluangnya dianggap telah diketahui.
b. Pola kepergian
Pola kepergian biasanya dicirikan oleh waktu pelayanan, yaitu waktu yang
dibutuhkan oleh seorang pelayan untuk melayani seorang pelanggan.
c. Kapasitas sistem
Kapasitas sistem yaitu banyaknya pelanggan, baik pelanggan yang sedang berada
dalam, pelayanan maupun dalam antrean, yang ditampung oleh fasilitas pelayanan
pada waktu yang sama
d. Desain pelayanan
Desain pelayanan dapat di klasifikasikan dalam channel dan phase yang akan
membentuk suatu struktur antrean yang berbeda – beda. Ada 4 model struktur
antrean dasar yang umum terjadi dalam seluruh sistem antrean yaitu system antrean
jalur satu jenis layanan (single channel, single phase), sistem antrean jalur tunggal
tahapan berganda (single channel, multi phase), sistem antrean jalur berganda satu
tahap (multi channel, single phase), dan sistem antrean jalur berganda dengan
tahapan berganda (multi channel, multi phase). Berikut ini merupakan penjelasan
lebih lanjut dari empat model struktur antrean dasar yang umum terjadi dalam
seluruh sistem antrean.
1. Single Channel – Single Phase
Single Channel berarti bahwa hanya ada satu server untuk memasuki
sistem pelayanan atau ada satu pelayanan. Single Channel menunjukkan bahwa
hanya ada satu stasiun pelayanan sehingga yang telah menerima pelayanan
dapat langsung keluar dari sistem antrean. Contoh penerapan antrean model ini
yaitu pada tukang tambal ban yang hanya terdapat satu server pelayanan.
 Gambar 2.2 Sistem Antrean Single Channel – Single Phase

2. Single Channel – Multi Phase

Single Channel karena memiliki satu jenis server pelayanan. Multi Phase
berarti ada dua atau lebih pelayanan yang dilaksanakan secara berurutan dalam
phase – phase agar hasilnya sempurna. Contoh penerapan antrean model ini
yaitu pada drive thru makanan di suatu tempat makan yang setelah melakukan
pemilihan menu yang akan dipesan kemudian lanjut pada proses pembayaran
dan setelah itu pengambilan makanan yang telah dipesan.

Gambar 2.3 Sistem Antrean Single Channel – Multi phase

3. Multi Channel – Single Phase

Sistem antrean ini terjadi jika ada dua atau lebih fasilitas (mesin pompa)
pelayanan dilewati oleh suatu antrean tunggal. Sistem ini memiliki lebih dari
satu server pelayanan atau fasilitas pelayanan sedangkan sistem pelayanan
hanya memiliki satu fase. Contoh penerapan antrean model ini yaitu sarana
pelayanan pada kasir swalayan yang memiliki lebih dari satu fasilitas
pelayanan.
 Gambar 2.4 Sistem Antrean Multi Channel – Single phase

4. Multi Channel – Multi Phase

Sistem ini mempunyai beberapa fasilitas pelayanan pada setiap tahap,
sehingga lebih dari satu individu dapat dilayani pada satu waktu. Contoh
penerapan antrean model ini yaitu pelayanan kepada pasien di rumah sakit dari
pendaftaran, diagnosa, tindakan medis sampai pembayaran.setiap sistem –
sistem ini mempunyai beberapa fasilitas pelayanan pada setiap tahap, sehingga
lebih dari satu individu dapat dilayani pada suatu waktu.

Gambar 2.5 Sistem Antrean Multi Channel – Multi phase

e. Disiplin pelayanan
Disiplin pelayanan adalah suatu aturan yang dikenalkan dalam memilih pelanggan
dari barisan antrean untuk segera dilayani. Adapun pembagian disiplin pelayanan
yaitu:
1. First Come First Served (FCFS) atau First in First Out (FIFO)
Suatu peraturan dimana yang akan dilayani adalah pelanggan yang datang
terlebih dahulu.
 2. Last Come First Served (LCFS) atau Last in First Out (LIFO)
Jenis ini merupakan antrean dimana yang datang paling akhir adalah yang
dilayani paling akhir adalah yang dilayani paling awal atau paling dahulu.
3. Service In Random Order (SIRO) atau Random Selection for Services (RSS)
Pelayanan atau panggilan didasarkan pada peluang secara random, tidak
mempermasalahkan siapa yang dahulu tiba.
4. Priority Service (PS)
Prioritas pelayanan diberikan kepada mereka yang mempunyai prioritas paling
tinggi dibandingkan dengan mereka yang memiliki prioritas paling rendah,
meskipun yang terakhir ini sudah lebih dahulu tiba dalam garis tunggu.
f. Sumber pemanggilan
Banyaknya populasi yang membutuhkan pelayanan dalam suatu sistem antrean.
Ukuran sumber pemanggilan dapat terbatas maupun tidak terbatas. Sumber
pemanggilan terbatas misalnya mahasiswa yang akan melakukan registrasi ulang di
suatu universitas, dimana jumlah mahasiswa yang akan melakukan registrasi sudah
pasti. Sedangkan, sumber pemanggilan yang tak terbatas misalnya pelanggan cuci
mobil yang antre untuk melakukan pelayanan berupa pencucian mobil yang
jumlahnya tak terbatas.
g. Perilaku manusia
Perilaku – perilaku yang mempengaruhi suatu sistem antrean ketika manusia
mempunyai peran dalam sistem baik sebagai pelanggan maupun pelayan. Menurut
Gross dan Harris (1998), perilaku manusia dalam sistem antrean jika berperan
sebagai adalah sebagai berikut:
1. Reneging (pembatalan) adalah meninggalkan antrean sebelum dilayani.
2. Balking adalah orang yang langsung pergi ketika melihat panjangnya antrean,
menolak untuk memasuki antrean.
3. Jockeying adalah orang yang berpindah – pindah dari satu antrean ke antrean
lain karena ingin dilayani dengan cepat.

4.6.3 Model Antrean

Dalam mengoptimalkan pelayanan dapat ditentukan dari waktu pelayanan,
banyaknya jalur antrean, jumlah pelayanan yang tepat dengan menggunakan model –
model antrean. Heizer dan Render mengemukakan bahwa secara umum ada empat
model yang paling sering digunakan dalam menentukan sistem antrean.
1. Model Antrean [M/M/1]:[GD/∞/∞] (Single Chanel Single Phase atau antrean
Server tunggal)
Pada model ini sistem antrean yang digunakan menggunakan pola kedatangan
berdistribusi poisson dan pola pelayanan berdistribusi eksponensial dengan jumlah
server satu, kapasitas sistem tak terbatas, sumber pemanggilan tak terbatas serta disiplin
pelayanan. [M/M/1]:[GD/∞/∞] adalam model antrean dengan satu server, yang dapat
digunakan sebagai pendekatan untuk berbagai sistem antrean sederhana.
Kasus yang paling sering terjadi adalah antrean single channel, atau pelayan
tunggal. Dalam model ini, kedatangan (pelanggan) akan membentuk satu jalur antrean
yang kemudian dilayani oleh satu stasiun pelayanan. Menurut Heizer dan Render (2001)
model ini dapat dihitung menggunakan rumus – rumus sebagai berikut:
λ = rata-rata kedatangan per periode

µ = rata-rata orang yang bisa dilayani per periode.

Rata-rata banyaknya pelanggan di dalam sistem

𝜆
Ls = 𝜇−𝜆

Rata-rata waktu yang dihabiskan pelanggan di dalam sistem (waktu dalam antrean

ditambah dengan waktu pelayanan)

1
Ws = 𝜇−𝜆

Rata-rata banyaknya pelangan di dalam antrean

𝜆2
Lq = 𝜇(𝜇−𝜆)

Tingkat utilisasi sistem antrean dan probabilitas tidak ada pelanggan dalam sistem

𝜆 𝜆
𝜌= 𝑃𝑜 =1-
𝜇 𝜇

2. Model Antrean [M/M/c]:[GD/∞/∞] (Multi Chanel Single Phase atau model

antrean Server berganda)
Menurut Heizer dan Render (2001) sistem antrean multiple channel menunjukkan
bahwa ada dua atau lebih channel pelayanan yang tersedia untuk melayani pelanggan
yang datang. Rumus – rumus yang dapat digunakan untuk menghitung model antrean
ini yaitu sebagai berikut:
 M = jumlah channel yang dibuka (harus lebih besar daripada 1)

𝜆 = rata-rata tingkat kedatangan

𝜇 = rata-rata waktu pelayanan pada setiap channel.

Probabilitas tidak ada pelanggan dalam sistem

1
Po = 1 𝜆 𝑛 1 𝜆 𝑀 𝑀𝜇
[∑𝑀−1
𝑛=0 𝑛! (𝜇) ]+ ( )
𝑀! 𝜇 𝑀𝜇−𝜆

Rata-rata banyaknya pelanggan di dalam sistem

𝜆 𝑀
𝜆𝜇( ) 𝜆
𝜇
Ls = (𝑀−1)!(𝑀𝜇−𝜆)2 Po + 𝜇

Rata-rata waktu yang dihabiskan pelanggan di dalam sistem (waktu dalam antrean

ditambah dengan waktu pelayanan)

𝜆 𝑀
𝜇( ) 1 𝐿𝑠
𝜇
Ws = (𝑀−1)!(𝑀𝜇−𝜆)2 Po + 𝜇 = 𝜆

Rata-rata banyaknya pelanggan di dalam antrean

𝜆
Lq = Ls - 𝜇

Rata-rata waktu yang dihabiskan setiap pelanggan di dalam antrean

1 𝐿𝑞
Wq = Ws - 𝜇 = 𝜆

3. Model Antrean Constant Service (M/D/I)

Beberapa sistem pelayanan mempunyai waktu pelayanan yang konstan. Hal ini
dapat dilihat pada jasa cuci mobil otomatis yang memiliki waktu konstan dalam setiap
pelayanannya. . Rumus – rumus yang dapat digunakan untuk menghitung model antrean
ini yaitu sebagai berikut:
Rata-rata banyaknya pelanggan di dalam sistem

𝜆
Ls = Lq + 𝜇
Rata-rata waktu yang dihabiskan setiap pelanggan di dalam antrean
1
Ws = Wq + 𝜇

Rata-rata banyaknya pelanggan di dalam antrean

𝜆2
Lq = 2𝜇(𝜇−𝜆)

Rata-rata banyaknya pelanggan di dalam antrean

𝜆2
Wq = 2𝜇(𝜇−𝜆)

4. Model Antrean Limited Population

Model antrean ini digunakan ketika ada populasi terbatas dari pelanggan potensial
untuk mendapatkan fasilitas pelayanan. Berbeda dari ketiga model yang lainnya, model
ini terdapat hubungan saling ketergantungan antara panjang antrean dan tingkat
kedatangan. Berikut ini merupakan rumus – rumus dari model antrean limited
population:
𝑇
Faktor pelayanan (X) = 𝑇+𝑈

Rata-rata jumlah yang menunggu (L) = N (1 – F)

𝐿(𝑇+𝑈) 𝑇(1−𝐹)
Rata – rata waktu menunggu (W) = atau
𝑁−𝐿 𝑋𝐹

Rata-rata jumlah yang keluar dari antrean (J) = N.F (1- X)

Rata-rata jumlah yang dilayani (H) = F.N.X

Jumlah populasi (N) = J + L + H

Keterangan:

D = probabilitas sebuah unit harus menunggu diantrean

F = faktor efisiensi

H = rata-rata unit yang dilayani

J = rata-rata unit yang keluar dari antrean

L = rata-rata jumlah unit yang menunggu untuk dilayani

M = Jumlah stasiun pelayanan

N = Jumlah pelanggan potensial

T = rata-rata waktu pelayanan

U = rata-rata waktu yang dibutuhkan antara unit pelayanan

W = rata-rata waktu satu unit berada dalam antrean.

4.6.4 Distribusi Eksponensial dan Distribusi Poisson

4.6.4.1 Distribusi Eksponensial
Menurut Djauhari (1997) Distribusi eksponensial digunakan untuk menggambarkan
distribusi waktu pada fasilitas jasa, dimana waktu pelayanan tersebut diasumsikan
bersifat bebas. Artinya, waktu untuk melayani pendatang tidak bergantung pada lama
waktu yang telah dihabiskan untuk melayani pendatang sebelumnya, dan tidak
bergantung pada jumlah pendatang yang menunggu untuk dilayani.
4.6.4.2 Distribusi Poisson
Menurut Hamdy A. Taha (1997) Distribusi poisson adalah proses yang sepenuhnya
acak karena memiliki sifat bahwa interval waktu yang tersisa sampai pemunculan
kejadian berikutnya sepenuhnya tidak bergantung pada interval waktu yang telah berlalu
dari pemunculan kejadian terakhir.

4.6.5 Pengujian Distribusi Data

Menurut Harisanti (2009) data digunakan untuk mengetahui bentuk fungsi dari
populasi. Salah satu pengujian distribusi data yaitu menggunakan uji Kolmogorov –
Smirnov. Uji hipotesisnya sebagai berikut:
1. 𝐻0 : Data mengikuti distribusi tertentu
2. 𝐻1 : Data tidak mengikuti distribusi tertentu
Pengujian distribusi data nilai yang dihitung ada P – value sebagai nilai kritis
untuk menolak hipotesis nol 𝐻0 yang bernilai benar. P – value dihitung berdasarkan
nilai peluang, yang berlandaskan dengan uji statistik yang digunakan sebagai indikator
dalam pengambilan keputusan. Jika P – value < α, maka 𝐻0 ditolak dengan risiko
kesalahan sebesar P – value. Semakin kecil nilai P – value, maka semakin kecil peluang
untuk membuat kesalahan dengan menolak 𝐻0 . Adapun nilai α sebesar 0; 0,5; dan 0,1
tergantung dari tingkat kekritisan dari penelitian.
Menurut Harisanti (2009) Jika P - value bernilai kecil, maka hal itu menunjukkan
konsistensi atau derajat yang relatif kecil antara data dan hipotesis nol (𝐻0 ) dan akan
relatif besar dari hipotesis (𝐻1 ) yang berarti data mendukung hipotesis alternatif. Oleh
karena itu, semakin kecil nilai P - value dibandingkan nilai α, maka besar peluang
resiko salah untuk menolak 𝐻0 secara nilai juga akan semakin kecil. Namun
sesungguhnya tergantung pada seberapa besar nilai P - value yang masa dapat ditolerir
sangat tergantung dari tingkat kekritisan penelitian dan penggunaan hasil penelitian
Penjelasan mengenai cara pengujian data akan dijelaskan secara umum adalah
seperti berikut:
1. Uji Kolmogorov-Smirnov
Uji Kolmogorov-Smirnov digunakan untuk menaksir kesesuaian (Fit Curve) dari
suatu persebaran data, serta dapat memberikan informasi tentang adanya
ketidaksesuaian model (Lack of fit) jika P - value < 0,05. Selain itu, uji Kolmogorov
Smirnov berfungsi untuk memberikan pendekatan nilai maksimumnya adalah 1,00 dan
nilai minimumnya adalah 0,00, karna itu nilai P - value hanya untuk pendekatan, maka
uji ini tidak mampu menunjukan spesifikasi P - value yang sebenarnya dari sebaran
empiris yang diamati tersebut. Jika data berasal dari distribusi normal, maka titik-titik
distribusi datanya akan membentuk seperti garis lurus dengan nilai koefisien yang
sangat besar. Adapun bila datanya berasal dari distribusi lain, maka plot antara data dan
nilai peluang akan menunjukan sebuah bentuk kurva, dengan nilai koefesien kolerasi
yang tidak terlalu besar. Sehingga 𝐻0 akan ditolak pada taraf α tertentu, bila koefisien >
critical value disamping pengambilan keputusan memalului pendekatan P - value.
Asumsi untuk uji ini adalah data terdiri atas hasil pengamatan bebas yang merupakan
sebuah sampel acak berukuran n dari suatu distribusi yang belum diketahui. Adapun
prosedur pengujiannya adalah sebagai berikut (Daniel, 1989),
1. Menentukan Hipotesis :
𝐻0 = Data yang diamati berdistribusi tertentu
𝐻1 = Data yang diamati tidak berdistribusi tertentu
2. Menentukan Taraf Signifikansi : Taraf siginifikansi yang digunakan adalah 𝛼 = 5%
3. Statistik Uji D = Sup | S(x) – 𝐹0 (x) |
dengan :
S(x) = distribusi kumulatif sampel dari populasi
𝐹0 (x)=distribusi kumulatif data teoritis dari distribusi yang di hipotesiskan
4. Kriteria Uji yang digunakan : 𝐻0 ditolak jika p - value < nilai 𝛼
4.6.6 Notasi Kendali
Terdapat banyak variasi yang mungkin dari model antrean. Ciri – ciri dari masing –
masing model akan diringkas dalam notasi kendali yang diperluas, notasi itu dituliskan:
[a / b / c / d / e / f]
Notasi Kendall yang asli adalah : [a / b / c]
Keterangan :
a : distribusi kedatangan
b : distribusi pelayanan
untuk a dan b, M menunjukkan Poisson,
Ek menunjukkan Erlang, dan
D berarti deterministik atau konstan.
c : banyaknya pelayanan
d : disiplin antrean, seperti FIFO, LIFO, prioritas dan random
e : jumlah maksimum pengantre dalam sistem (antre dan dilayani)

4.6.7 Mengukur Kinerja Antrean

Dengan menganalisis antrean akan diperoleh banyak ukuran kinerja sebuah sistem
antrean. Heizer dan Render (2005) juga menambahkan komponen dasar antrean yaitu
mengukur kinerja antrean. Model antrean membantu para manajer membuat keputusan
untuk menyeimbangkan biaya pelayanan dengan menggunakan biaya antrean meliputi
berikut ini:
a. Waktu rata – rata yang dihabiskan oleh pelanggan dalam antrean
b. Panjang antrean rata – rata
c. Waktu rata – rata yang dihabiskan oleh pelanggan dalam sistem (waktu tunggu
ditambah waktu pelayanan)
d. Jumlah pelanggan rata – rata dalam sistem
e. Probabilitas fasilitas pelayanan akan kosong
f. Faktor utilisasi sistem
g. Probabilitas sejumlah pelanggan berada dalam sistem

4.7 Pengumpulan dan Pengolahan Data

4.7.1 Pengumpulan Data
Berikut ini merupakan data kedatangan truk yang datang untuk membawa barang
masuk ke dalam departemen EDC (East Distribution Center). Data yang didapatkan
merupakan data pengamatan selama 3 hari pada tanggal 13, 14, dan 15 Agustus 2018
yang dapat dilihat pada Tabel 4.1.
Tabel 4.1 Data Kedatangan Truk
No Hari Tanggal Kedatangan Truk Total Jam Kerja
1 Senin !3 Agustus 2018 52
2 Selasa 14 Agustus 2018 36 8 jam
3 Rabu 15 Agustus 2018 55
Jumlah 143 8 Jam

Tabel 4.2 Data Kedatangan Truk Per Shift Waktu

No Hari/Tanggal Periode Waktu (Jam) Kedatangan Truk
1 Senin 07.00 – 09.00 13
2 13/08/2018 09.00 – 11.00 15
3 12.00 – 14.00 11
4 14.00 – 16.00 13
5 Selasa 07.00 – 09.00 12
6 14/08/2018 09.00 – 11.00 7
7 12.00 – 14.00 10
8 14.00 – 16.00 7
9 Rabu 07.00 – 09.00 17
10 15/08/2018 09.00 – 11.00 13
11 12.00 – 14.00 14
12 14.00 – 16.00 11
Berdasarkan Tabel 4.2 diatas dapat dilihat bahwa jumlah truk yang datang per
harinya berbeda-beda pada setiap jamnya karena itu tergantung dari jumlah permintaan
akan barang yang keluar dari Departemen EDC (East Distribution Center).

4.7.2 Pengolahan Data

4.7.2.1 Tingkat kedatangan dan pelayanan truk
Tingkat kedatangan truk per shift waktu dapat dicari dengan cara menjumlahkan
kedatangan truk tiap shift waktu yang ditentukan kemudian dibagi dengan 3 hari kerja.
Rata – rata banyak kedatangan truk per shift waktu (𝜆) dapat dicari dengan cara sebagai
berikut:
𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑡𝑟𝑢𝑘 𝑗𝑎𝑚 𝑡𝑒𝑟𝑡𝑒𝑛𝑡𝑢 𝑠𝑒𝑙𝑎𝑚𝑎 3 ℎ𝑎𝑟𝑖
𝜆= 𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 ℎ𝑎𝑟𝑖 𝑡𝑒𝑟𝑠𝑒𝑏𝑢𝑡

Berikut ini merupakan data rata – rata kedatangan truk per shift waktu yang dapat
dilihat pada Tabel 4.3.
 Tabel 4.3 Rata – rata Tingkat Kedatangan Truk
Peride Waktu (Jam) Rata – Rata Banyak Kedatangan Truk
07.00 – 09.00 14
09.00 – 11.00 12
12.00 – 14.00 12
14.00 – 16.00 11
Jumlah 49

Contoh perhitungan rata – rata banyak kedatangan pada periode waktu 07.00 –
09.00 sebagai berikut:

𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 𝑡𝑟𝑢𝑘 𝑗𝑎𝑚 𝑡𝑒𝑟𝑡𝑒𝑛𝑡𝑢 𝑠𝑒𝑙𝑎𝑚𝑎 3 ℎ𝑎𝑟𝑖 13+12+17

𝜆= = = 14 truk
𝐵𝑎𝑛𝑦𝑎𝑘𝑛𝑦𝑎 ℎ𝑎𝑟𝑖 𝑡𝑒𝑟𝑠𝑒𝑏𝑢𝑡 3

Jadi rata – rata kedatangan truk pada waktu 07.00 – 09.00 adalah 14 truk.
Dapat diketahui pada Tabel 4.3 bahwa tingkat kedatangan truk paling tinggi
terletak pada pukul 07.00 – 09.00 WIB den gan jumlah rata – rata 14 truk, sedangkan
tingkat kedatangan truk yang paling rendah dengan rata – rata 11 truk terletak pada
pukul 14.00 – 16.00 WIB.
Rata – rata banyak kedatangan truk pada Departemen EDC dapat dilihat pada
gambar grafik berikut ini:

Rata - rata Banyak Kedatangan Truk

15
10
5 Series 1

0
07.00 - 09.00 09.00 - 11.00 12.00 - 14.00 14.00 - 16.00

Gambar 4.1 Grafik Rata – rata Banyak Kedatangan Truk

Tingkat kemampuan rata – rata untuk melayani kebutuhan pelanggan dalam setiap
kedatangan disebut kemampuan pelayanan. Tingkat kemampuan untuk melayani setiap
kedatangan truk tidak sama karena setiap truk membutuhkan pelayanan yang berbeda –
beda tergantung dari jumlah dan jenis barang/produk yang dibawa. Tingkat pelayanan
(𝜇) per shift waktu di departemen EDC ini dapat dihitung sebagai berikut:

𝑗𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑑𝑎𝑡𝑎𝑛𝑔𝑎𝑛 𝑝𝑒𝑙𝑎𝑛𝑔𝑔𝑎𝑛 49

𝜇= = = 12,25
𝑡𝑜𝑡𝑎𝑙 𝑏𝑎𝑡𝑐ℎ 4
Jadi, tingkat pelayanan (𝜇) per shift yaitu 12,25 apabila dibulatkan menjadi 13 truk per
shift waktu.

Tabel 4.4 Rata – rata Tingkat Pelayanan

Periode Waktu Rata – rata Kedatangan Truk Total Jam Kerja Tingkat Pelayanan Truk
(Jam)
07.00 – 09.00 14
09.00 – 11.00 12
12.00 – 14.00 12 8 Jam 13
14.00 – 16.00 11
Jumlah 8 Jam 13 per shift waktu

4.7.2.2 Perhitungan Steady – State

Dari data kedatangan pelanggan per shift waktu pada Tabel 4.2 maka dapat
𝜆
dihitung steady – state menggunakan rumus 𝜌 = < 1, artinya rata – rata jumlah
𝑐.𝜇

kedatangan truk lebih kecil daripada rata – rata laju pelayanan. Hal ini juga dapat
diartikan suatu kondisi dimana jumlah truk yang datang masih mampu dilayani secara
efektif dan begitu juga sebaliknya jika laju kedatangan truk terlalu banyak sehingga
server tidak mampu melayani semuanya maka akan terjadi penumpukan antrean truk.
Berikut merupakan hasil perhitungan steady – state dapat dilihat pada Tabel 4.5.
Tabel 4.5 Perhitungan Steady – State
Periode Waktu 𝜌 untuk 2 server
07.00 – 09.00 0,538
09.00 – 11.00 0,462
12.00 – 14.00 0,462
14.00 – 16.00 0,423

Perhitungan steady-state pada periode waktu 07.00-09.00 sebagai berikut:

𝜆 14
𝜌 untuk 2 server = = = 0,538
𝑐.𝜇 2.13

Perhitungan steady-state pada periode waktu 09.00-11.00 sebagai berikut:

𝜆 12
𝜌 untuk 2 server = 𝑐.𝜇 = 2.13 = 0,462

Perhitungan steady-state pada periode waktu 12.00-14.00 sebagai berikut:

𝜆 12
𝜌 untuk 2 server = 𝑐.𝜇 = 2.13 = 0,462

Perhitungan steady-state pada periode waktu 14.00-16.00 sebagai berikut:

𝜆 11
𝜌 untuk 2 server = 𝑐.𝜇 = 2.13 = 0,423
 Dari hasil yang didapatkan karena ukuran antrean sudah steady-state yaitu 𝜌 < 1
maka data tersebut dapat dihitung dengan sistem antrean dengan model server berganda
Multi Channel Single Phase. Jika hasil telah menunjukkan bahwa ukuran antrean sudah
steady – state sehingga sistem pelayanan truk yang ada pada jalur outbound
Departemen EDC sudah baik dan hasil yang diperoleh dapat digunakan untuk
menentukan ukuran kinerja sistem.

4.7.2.3 Menguji frekuensi kedatangan menggunakan Kolmogorove - Smirnov

Uji Kolmogorove – Smirnov digunakan untuk mengetahui data kedatangan truk
termasuk distribusi poisson atau tidak maka data dilakukan pengujian terlebih dahulu.
Berikut ini langkah-langkah pengujian menggunakan tes satu sampel Kolmogorove –
Smirnov:
1. Menguji distribusi kedatangan yang masuk sistem antrean
Untuk menguji distribusi kedatangan yang masuk sistem antrean maka
menggunakan data kedatangan truk per shift nya. Hal – hal yang harus diperhatikan
dalam langkah – langkah pengujian adalah
a. H0 : Ukuran kedatangan truk berdistribusi poisson
b. H1 : Ukuran kedatangan truk tidak berdistribusi poisson
c. 𝛼 : 0,05
d. Wilayah kritik : H0 ditolak jika angka signifikan < 𝛼
2. Langkah – langkah dengan menggunakan Software SPSS:
a. Memasukkan data kedatangan truk dapat dilihat pada Gambar 4.2

Gambar 4.2 Memasukkan data ke SPSS

b. Menganalisa data dengan cara klik analyze kemudian pilih nonparametric test
lalu pilih legacy dialogs dan memilih yang 1 – sample K – S. Analisa data dapat
dilihat pada Gambar 4.3

Gambar 4.3 Menganalisa data

c. Menguji distribusi poisson dengan cara pada pilihan test distribusi pilih poisson
yang dapat dilihat pada Gambar 4.4

Gambar 4.4 Menguji distribusi poisson

 d. Hasil dari pengujian poisson dapat dilihat pada Gambar 4.5

Gambar 4.5 Hasil uji distribusi poisson

Berdasarkan pengujian distribusi yang telah telah dilakukan, hasil pengujian

kesesuaian kedatangan truk diperoleh angka signifikan lebih besar ∝ yaitu 0,997 > 0,05
jadi H0 diterima. Kesimpulan dari pengujian diatas didapat bahwa kedatangan truk
berdistribusi poisson dengan rata – rata 11,83
Pada penelitian di departemen EDC ini untuk ukuran antrean sudah steady – state
dan laju pelayanan berdistribusi poisson. Maka dari itu dapat dilanjutkan untuk
menghitung sistem antrean dengan model server berganda Multi Channel Single Phase.

4.7.2.4 Perhitungan sistem antrean dengan model server berganda Multi Channel
Single Phase
Berikut ini merupakan perhitungan dari sistem antrean truk dengan menggunakan
model server berganda Multi Channel Single Phase.
1. Jam 07.00 – 09.00 dengan diketahui: c = 2, 𝜆 = 14, 𝜇 = 13
 Probabilitas server mengganggur atau tidak ada pelanggan dalam sistem
Probabilitas server tidak melayani dapat dihitung dengan menggunakan rumus
1 1
Po = 1 𝜆 𝑛 1 𝜆 𝑀 𝑀𝜇
= 1 14 0 1 14 1 1 14 2 2(13)
= 0,4285
[∑𝑀−1
𝑛=0 𝑛! (𝜇) ] + 𝑀! (𝜇) 𝑀𝜇−𝜆 [ ( ) + ( ) ]+ ( )
0! 13 1! 13 2! 13 2(13)−14

Jadi, probabilitas server menganggur adalah sebesar 42,85% 0,4285

 Tingkat utilitas pelayanan departemen EDC
Tingkat utilitas pelayanan departemen EDC dapat dihitung menggunakan rumus:
𝜆 14
𝜌 = 𝑐.𝜇 = 2.13 = 0,5385, jadi tingkat utilitas pelayanan sebesar 53,85%

 Probabilitas server yang melayani dan truk sedang menunggu

Probabilitas server yang melayani dapat dihitung menggunakan rumus:
 1 𝜆 𝑐 c.μ 1 14 2 2.13
Pn = ( ) P = ( ) 0,4285 = 0,5399, jadi probabilitas server
𝑐! 𝜇 c.μ−λ o 2! 13 2.13−14

yang melayani sebesar 0,5399 atau 53,99%

 Rata – rata banyaknya truk dalam sistem
𝜆 𝑀
𝜆𝜇( ) 𝜆
𝜇
Ls = (𝑀−1)!(𝑀𝜇−𝜆)2 Po + 𝜇
14 2
14.13( ) 14
13
=(2−1)!(2.13−14)2 0,4285+ 13 = 1,7052

Jadi, rata – rata banyaknya truk yang menunggu dalam antrean 1,7052 atau jika
dibulatkan menjadi 2 truk.
 Rata – rata banyaknya truk di dalam antrean
𝜆
Lq = Ls - 𝜇
14
= 1,7052 - 13 = 0,6282

Dengan menggunakan rumus diatas maka didapatkan Lq = 0,6282. Jadi rata – rata
banyaknya truk yang menunggu dalam antrean yaitu 0,6282 atau jika dibulatkan
menjadi 1 truk.
 Rata – rata waktu yang dihabiskan truk di dalam sistem
𝜆 𝑀
𝜇( ) 1 𝐿𝑠
𝜇
Ws = (𝑀−1)!(𝑀𝜇−𝜆)2 Po + 𝜇 = 𝜆

14 2
12( ) 1 𝐿𝑠 1,7052
13
= (2−1)!(2.13−14)2 Po + 13 = = = 0,1218
𝜆 14

Jadi, rata waktu yang dihabiskan truk di dalam antrean atau sedang dilayani dalam
sistem adalah 0,1218 jam atau 438,48 detik.
 Rata – rata waktu yang dihabiskan truk di dalam antrean
1 𝐿𝑞
Wq = Ws - 𝜇 = 𝜆
1 𝐿𝑞 1
= Ws - 𝜇 = = 0,1218 - 13 = 0,0449
𝜆

Jadi, rata – rata waktu yang dihabiskan truk di dalam antrean adalah 0,0449 jam
atau 161,64 detik
2. Jam 09.00 – 11.00 dengan diketahui: c = 2, 𝜆 = 12, 𝜇 = 13
 Probabilitas server mengganggur atau tidak ada pelanggan dalam sistem
Ptobabilitas server tidak melayani dapat dihitung dengan menggunakan rumus
1 1
Po = 1 𝜆 𝑛 1 𝜆 𝑀 𝑀𝜇
= 1 12 0 1 12 1 1 12 2 2(13)
= 0,5833
[∑𝑀−1
𝑛=0 𝑛! (𝜇) ] + 𝑀! (𝜇) 𝑀𝜇−𝜆 [ ( ) + ( ) ]+ ( )
0! 13 1! 13 2! 13 2(13)−12
 Jadi, probabilitas server menggangur adalah sebesar 58,33% atau 0,5833
 Tingkat utilitas pelayanan departemen EDC
Tingkat utilitas pelayanan departemen EDC dapat dihitung menggunakan rumus:
𝜆 12
𝜌 = 𝑐.𝜇 = 2.13 = 0,4615 , jadi tingkat utilitas pelayanan sebesar 46,15%

 Probabilitas server yang melayani dan truk sedang menunggu

Probabilitas server yang melayani dapat dihitung menggunakan rumus:
1 𝜆 𝑐 c.μ 1 12 2 2.13
Pn = ( ) P = ( ) 0,5833 = 0,4600, jadi probabilitas server
𝑐! 𝜇 c.μ−λ o 2! 13 2.13−12

yang melayani sebesar 0,4600 atau 46,00%

 Rata – rata banyaknya truk dalam sistem
𝜆 𝑀
𝜆𝜇( ) 𝜆
𝜇
Ls = (𝑀−1)!(𝑀𝜇−𝜆)2 Po + 𝜇
12 2
12.13( ) 12
13
(2−1)!(2 13−12)2
0,5833 + 13 = 1,4695

Jadi, rata – rata banyaknya truk yang menunggu dalam antrean 1,4695 atau jika
dibulatkan menjadi 2 truk.
 Rata – rata banyaknya truk di dalam antrean
𝜆
Lq = Ls -
𝜇
12
= 1,4695 - 13 = 0,5464

Dengan menggunakan rumus diatas maka didapatkan Lq = 0,5464. Jadi rata – rata
banyaknya truk yang menunggu dalam antrean yaitu 0,5464 atau jika dibulatkan
menjadi 1 truk.
 Rata – rata waktu yang dihabiskan truk di dalam sistem
𝜆 𝑀
𝜇( ) 1 𝐿𝑠
𝜇
Ws = (𝑀−1)!(𝑀𝜇−𝜆)2 Po + 𝜇 = 𝜆

14 2
12( ) 1 𝐿𝑠 1,4695
13
= (2−1)!(2.13−14)2 0,5833 + 13 = = = 0,12246
𝜆 12

Jadi, rata waktu yang dihabiskan truk di dalam antrean atau sedang dilayani dalam
sistem adalah 0,12246jam atau 440,856 detik.
 Rata – rata waktu yang dihabiskan truk di dalam antrean
1 𝐿𝑞
Wq = Ws - 𝜇 = 𝜆
1 𝐿𝑞 1
= Ws - 𝜇 = = 0,12246- 12 = 0,03916
𝜆
 Jadi, rata – rata waktu yang dihabiskan truk di dalam antrean adalah 0,4631 jam
atau 140,976 detik
3. Jam 12.00 – 14.00 dengan diketahui: c = 2, 𝜆 = 12, 𝜇 = 12
 Probabilitas server mengganggur atau tidak ada pelanggan dalam sistem
Ptobabilitas server tidak melayani dapat dihitung dengan menggunakan rumus
1 1
Po = 1 𝜆 𝑛 1 𝜆 𝑀 𝑀𝜇
= 1 12 0 1 12 1 1 12 2 2(13)
= 0,5833
[∑𝑀−1
𝑛=0 𝑛! (𝜇) ] + 𝑀! (𝜇) 𝑀𝜇−𝜆 [ ( ) + ( ) ]+ ( )
0! 13 1! 13 2! 13 2(13)−12

Jadi, probabilitas server menggangur adalah sebesar 58,33% atau 0,5833

 Tingkat utilitas pelayanan departemen EDC
Tingkat utilitas pelayanan departemen EDC dapat dihitung menggunakan rumus:
𝜆 12
𝜌 = 𝑐.𝜇 = 2.13 = 0,4615 , jadi tingkat utilitas pelayanan sebesar 46,15%

 Probabilitas server yang melayani dan truk sedang menunggu

Probabilitas server yang melayani dapat dihitung menggunakan rumus:
1 𝜆 𝑐 c.μ 1 12 2 2.13
Pn = 𝑐! (𝜇) P = 2! (13) 0,5833 = 0,4600, jadi probabilitas sever yang
c.μ−λ o 2.13−12

melayani sebesar 0,4600 atau 46,00%

 Rata – rata banyaknya truk dalam sistem
𝜆 𝑀
𝜆𝜇( ) 𝜆
𝜇
Ls = (𝑀−1)!(𝑀𝜇−𝜆)2 Po + 𝜇
12 2
12.13( ) 12
13
(2−1)!(2 13−12)2
0,5833 + 13 = 1,4695

Jadi, rata – rata banyaknya truk yang menunggu dalam antrean 1,4695 atau jika
dibulatkan menjadi 2 truk.
 Rata – rata banyaknya truk di dalam antrean
𝜆
Lq = Ls - 𝜇
12
= 1,4695 - 13 = 0,5464

Dengan menggunakan rumus diatas maka didapatkan Lq = 0,5464. Jadi rata – rata
banyaknya truk yang menunggu dalam antrean yaitu 0,5464 atau jika dibulatkan
menjadi 1 truk.
 Rata – rata waktu yang dihabiskan truk di dalam sistem
𝜆 𝑀
𝜇( ) 1 𝐿𝑠
𝜇
Ws = (𝑀−1)!(𝑀𝜇−𝜆)2 Po + 𝜇 = 𝜆
 14 2
12( ) 1 𝐿𝑠 1,4695
13
= (2−1)!(2.13−14)2 0,5833 + 13 = = = 0,12246
𝜆 12

Jadi, rata waktu yang dihabiskan truk di dalam antrean atau sedang dilayani dalam
sistem adalah 0,12246 jam atau 440,856 detik.
 Rata – rata waktu yang dihabiskan truk di dalam antrean
1 𝐿𝑞
Wq = Ws - 𝜇 = 𝜆
1 𝐿𝑞 1
= Ws - 𝜇 = = 0,12246- 12 = 0,03916
𝜆

Jadi, rata – rata waktu yang dihabiskan truk di dalam antrean adalah 0,4631 jam
atau 140,976 detik
4. Jam 14.00 – 16.00 dengan diketahui: c = 2, 𝜆 = 11, 𝜇 = 13
 Probabilitas server mengganggur atau tidak ada pelanggan dalam sistem
Probabilitas server tidak melayani dapat dihitung dengan menggunakan rumus
1 1
Po = 1 𝜆 𝑛 1 𝜆 𝑀 𝑀𝜇
= 1 11 0 1 11 1 1 11 2 2(13)
= 0,6627
[∑𝑀−1
𝑛=0 𝑛! (𝜇) ] + 𝑀! (𝜇) 𝑀𝜇−𝜆 [ ( ) + ( ) ]+ ( )
0! 13 2! 13 2! 13 2(13)−11

Jadi, probabilitas server menganggur adalah 66,27% atau 0,6627

 Tingkat utilitas pelayanan departemen EDC
Tingkat utilitas pelayanan departemen EDC dapat dihitung menggunakan rumus:
𝜆 11
𝜌 = 𝑐.𝜇 = 2.13 = 0,4231, jadi tingkat utilitas pelayanan 42,31%

 Probabilitas server yang melayani dan truk sedang menunggu

Probabilitas server yang melayani dapat dihitung menggunakan rumus:
1 λ c c.μ 1 11 2 2.11
Pn = ( ) P = ( ) 0,6627 = 0,3480, jadi probabilitas server
c! μ c.μ−λ o 2! 13 2.13−11

yang melayani sebesar 0,3480 atau 34,80%

 Rata – rata banyaknya truk dalam sistem
𝜆 𝑀
𝜆𝜇( ) 𝜆
𝜇
Ls = (𝑀−1)!(𝑀𝜇−𝜆)2 Po + 𝜇
11 2
11.13( ) 11
13
(2−1)!(2.13−11)2
0,6627+ 13 = 1,14781

Jadi, rata – rata banyaknya truk yang menunggu dalam antrean 1,14781 atau jika
dibulatkan menjadi 2 truk.
 Rata – rata banyaknya truk di dalam antrean
𝜆
Lq = Ls - 𝜇
 11
= 1,14781- 13 = 0,3016

Dengan menggunakan rumus diatas maka didapatkan Lq = 0,3016. Jadi rata – rata
banyaknya truk yang menunggu dalam antrean yaitu 0,3016 atau jika dibulatkan
menjadi 1 truk.
 Rata – rata waktu yang dihabiskan truk di dalam sistem
𝜆 𝑀
𝜇( ) 1 𝐿𝑠
𝜇
Ws = (𝑀−1)!(𝑀𝜇−𝜆)2 Po + 𝜇 = 𝜆

11 2
13( ) 1 𝐿𝑠 1,14781
13
= (2−1)!(2.13−11)2 Po + 13 = = = 0,08829
𝜆 13

Jadi, rata waktu yang dihabiskan truk di dalam antrean atau sedang dilayani dalam
sistem adalah 0,08829 jam atau 317,844 detik.
 Rata – rata waktu yang dihabiskan truk di dalam antrean
1 𝐿𝑞
Wq = Ws - 𝜇 = 𝜆
1 𝐿𝑞 1
= Ws - 𝜇 = = 0,08829 - 13 = 0,02742
𝜆

Jadi, rata – rata waktu yang dihabiskan truk di dalam antrean adalah 0,02742 jam
atau 98,712 detik

4.8 Analisa dan Pembahasan

Berdasarkan hasil yang telah dilakukan, jenis antrean truk yang diterapkan oleh
Departemen EDC (East Distribution Center) ini adalah jenis antrean model Multi
Channel Single Phase, dimana terdapat beberapa server yang ada namun hanya ada satu
fase pelayanan yang dilewati truk. Waktu yang dibutuhkan untuk melayani truk tidak
sama dengan truk yang lainnya karena itu tergantung dari jumlah muatan barang yang
dibawa dari jenis produknya. Disiplin pelayanan yang diberikan untuk sistem antrean
kedatangan truk adalah FEFO (First expired First Out)
Dari Tabel 4.1 dapat dilihat bahwa jumlah truk yang datang setiap harinya
berbeda – beda. Tingkat kedatangan truk yang paling tinggi yaitu terletak pada pukul
07.00 – 09.00 WIB dengan jumlah rata – rata truk sebesar 14 truk, sedangkan tingkat
kedatangan truk yang paling rendah terlah pada pukul 14.00 – 16.00 WIB.
Perhitungan Steady – State menunjukan bahwa model antrean yang digunakan
menggunakan model server berganda Multi Channel Single Phase. Berikut ini
merupakan table hasil perhitungan manual dengan menggunakan model antrean Multi
Channel Single Phase yang dapat dilihat pada Tabel 4.6.
 Tabel 4.6 Hasil Perhitungan Manual Model Antrean Multi Channel Single Phase
No. Waktu Po 𝜌 Pn Ls Lq Ws Wq
Pelayanan
1 07.00 – 42,85 % 53,85% 53,99% 1,7052(2) 0,6282 (1) 438,48 161,64
09.00 detik detik
WIB
2 09.00 – 58,33% 46,15% 46,00% 1,4695 (2) 0,5464 (1) 440,856 140,976
11.00 detik detik
WIB
3. 12.00 – 58,33% 46,15% 46,00% 1,4695 (2) 0,5464 (1) 440,856 140,976
14.00 detik detik
WIB
4. 14.00 – 66,27% 42,31% 34,80% 1,1478 (2) 0,3016 (1) 317,844 98,712
16.00 detik detik
WIB

Pada sistem antrean menggunakan 2 server yang memiliki tingkat perhitungan

paling tinggi karena memiliki jumlah rata- rata kedatangan truk paling banyak yaitu
pada pukul 07.00 – 09.00 sebesar 14 truk. Tingkat utilitas server atau tingkat
kesibukannya terdapat pada pukul 07.00 – 09.00 yaitu sebersar 58,33%. Rata – rata
banyaknya truk dalam sistem sebesar 1,7052 atau 2 truk. Rata – rata banyaknya truk di
dalam antrean 0,6282 atau 1 truk. Rata – rata waktu yang dihabiskan truk di dalam
sistem yaitu 438,48 detik. Rata – rata waktu yang dihabiskan truk di dalam antrean
adalah 161,64 detik.