Sering kali manajer dihadapkan pada pilihan tentang dua kelompok yang dapat berupa input,
output atau konsumen. Dengan uji chi-squares dapat diketahui perbedaan antar dua kelompok.
Manajer juga dihadapkan pada persoalan optimasi biaya pelayanan dengan tingkat biaya antrian.
Sedangkan untuk menyelesaikan masalah yang rumit dengan sistem yang tidak teratur, kita dapat
menggunakan model simulasi.
2
1. CHI KUADRAT ( χ )
Uji statistik Chi Kuadrat dipakai untuk menyelidiki ada atau tidaknya hubungan antara dua
kelompok dimana masing-masing kelompok mempunyai kategori. Berikut contoh sederhana
dimana dua kelompok dengan dua kategori yang diselidiki dapat dinyatakan dalam bentuk
2
matrik χ yakni dua baris dua kolom.
Kelompok I
1 3 Jumlah
Kelompok II I a b a+b=e
II c d c+d=f
Uji Jumlah g h g+h=e+f=n
statistiknya
2
2 n(|ad−b|−1 /2 n )
χ=
efgh
Hipotesis yang diuji adalah bahwa kelompok I bebas (tak ada hubungan) dengan kelompok
II.
Ho : Tak ada hubungan antara kategori adal kelompok I dengan kategori dalam kelompok II
H1 : Ada hubungan
2 2 2 2
Tolak Ho apabila χ > χ tabel dengan derajat kebebasan 1. Jika χ < χ tabel ,
maka hipotesis H1 diterima.
Contoh 1:
Data berikut ini adalah preferensi konsumen terhadap warna tas: hitam dan cokelat.
Apabila terbukti ada hubungan atau ketergantungan antara kategori satu dengan kategori
lainnya, kita ingin mengetahui seberapa kuat hubungan tersebut. Untuk itu kita hitung
dengan rumus koefisien kontingensi (C) yang rumusnya adalah:
x2 6 , 11
C= 2
√ x +n
m−1
→C=
√
6 ,11+ 190
=0 ,176
C maks=
√m
m = banyaknya klasifikasi terkecil dari kategori tersebut.
Untuk matriks 2 x 2, m = 2
2−1 1
C maks=
√ √ 2
= =0 , 707
2
Seberapa kuat preferensi konsumen dipengaruhi oleh warna tas, dapat dilihat melalui
perbandingan C = 0,176 dengan C = 0,176 dengan
C maks = 0,707.
TABEL KONTINGENSI
2
Aplikasi yang amat berguna dari uji χ terdapat pada hubungan antara data observasi dengan
data yang diharapkan dalam tabel dua arah (dua kategori) dinamakan tabel kontingensi.
Contoh 2:
Misalkan kita ingin mengetahui apakah daya penyesuaian perkawinan (marriage adjustment)
tergantung pada (dipengaruhi) oleh tingkat pendidikan. Untuk keperluan ini kita mensurvei 400
orang dengan tingkat pendidikan sekolah tinggi, sekolah menengah, dan sekolah dasar. Hasil
tabulasi tabel kontingensi tampak sebagai berikut.
Jadi H0 ditolak, berarti menerima H1, artinya ada hubungan antara tingkat pendidikan dengan
tingkat penyesuaian dalam perkawinan.
2. ANALISIS ANTRIAN
Analisis antrian diperkenalkan oleh A.K. Erlang (1913) yang mempelajari fluktuasi
permintaan fasilitas telepon, dan keterlambatan pelayanan. Analisis antrian sekarang
berkembang ke berbagai aktivitas antara lain bank, supermarket, jasa pos, dan sebagainya.
Pada prinsipnya analisis antrian memberikan informasi probabilitas yang dinamakan
operating charecteristics yang dapat membuat para pengambil keputusan untuk
merencanakan fasilitas pelayanan antrian guna mengatasi permintaan pelayanan yang
fluktuatif secara random, sehingga terjadi keseimbangan antara biaya peayanan dengan
biaya menunggu. Dalam setiap sturktur antrian terdapat banyak model.
A. BIAYA ANTRIAN
Kebanyakan masalah antrian terpusat pada pertanyaan untuk mendapatkan tingkat
pelayanan yang ideal, yang dapat dilakukan oleh perusahaan. Contoh bank memutuskan
berapa orang petugas konter harus dibuka untuk melayani pelanggan dalam sehari.
Sehingga nanti dicari biaya terkecil antara pengeluaran biaya pelayanan yang baik
dengan biaya pelanggan menunggu. Hubungan biaya dengan tingkat pelayanan
digambarkan dengan grafik berikut:
Biaya menunggu
Contoh soal 1:
Kasus sebuah perusahaan yang melayani pelanggan untuk memasang muffler
rata-rata 3 buah per jam atau sekitar 1 buah per 20 menit. Pelanggan yang
memerlukan pelayanan ini, tiba di took rata-rata 2 mobil per jam. Pemilik took
adalah lulusan S2 Manajemen, Merasakan bahwa ketujuh asumsi untuk model
antrian satu saluran dipenuhi. Dia lalu menghitung
λ = 2 kedatangan mobil per jam
μ = 3 mobil dilayani perjam
λ 2
L= = =2
μ−λ 3−2 mobil rata-rata di dalam sistem
λ 2
W= = =2
μ−λ 3−2 1jam rata-rata mobil menghasilkan waktu antri dan
dilayani di dalam sistem
2 2
λ 2 4
Lq = = = ; 1, 33
μ (μ−λ ) 3(3−2 ) 3 mobil menunggu secara rata-rata
λ 2 2
W q= = =
μ( μ− λ) 3(3−2) 3 jam = 40 menit = rata-rata waktu menunggu
per mobil
Untuk diingat bahwa W dan Wq adalah didalam jam, sebab λ ditentukan
sabagai jumlah kedatangan per jam.
λ 2
ρ= = =0 , 67
μ 3 persentase waktu kesibukan mekanik, atau probabilitas
kesibukan pelayanan
λ 2
ρ0 =1− =1− =0 , 33
μ 3 probabilitas ada 0 mobil didalam sistem
Contoh soal 2:
Pertimbangan situasi untuk toko soal 1 tadi. Pemilik mengestimasi biaya pelanggan
menunggu dalam pengertian ketidakpuasan pelangan dan kehilangan jasa baik adalah
sebesar $ 10 per jam atau waktu yang digunakan menunggu dalam antrian. Oleh karena rata-
rata satu mobil mempunyai 2/3 jam menunggu dan ada kira-kira 16 mobil dilayani per hari
(2 per jam kali 8 jam per hari); total jumlah jam yang digunakan pelanggan menunggu untuk
2 32 2
×16= atau 10
memasang saringan tiap hari adalah 3 3 3 jam.
Oleh karena itu dalam hal ini,
2
λW q C w=(8 )(2)( )($ 10 )=$ 106 , 67
Biaya total menunggu = (8 jam per hari) 3
Satu-satunya biaya lain yang pemilik perusahaan dapat mengidentifikasi dalam antrian ini
adalah tingkat pembayaran mekanik (tukang) yang dibayar $ 7 per jam.
Biaya harian total pelanggan = (8 jam per hari) mC s=8 (1)($ 7)=$ 56
Biaya harian total sistem dengan konfigurasi ini adalah biaya total menunggu dan biaya
pelayanan yang memberikan:
Biaya total harian sistem antrian = $ 106 ,67+$ 56=162 ,67
Pemilik perusahaan mendapatkan bahwa pesaingnya mempunyai mekanik yang dapat
merakit lebih efisien dengan kecepatan 4 jam dengan pembayaran $ 9 per jam. Teknisi
tersebut ‘dibajaknya” untuk bekerja padanya.
Analisis menjadi:
λ=2 mobil datang per jam
μ=4 mobil diservis per jam
λ 2
L= = =1
μ−λ 4−2 mobil rata-rata di dalam sistem
λ 2
L= = =1/2
μ−λ 4−2 jam rata-rata dalam sistem rata-rata
λ2 22 4 1
Lq = = = =
μ (μ−λ ) 4 (4−2) 8 2 jam mobol rata-rata menunggu dalam antrian
λ 2 2 1
W q= = = =
μ( μ− λ) 4 (4−2 ) 8 4 jam = 15 menit rata-rata waktu menunggu per mobil
dalam antrian
λ 2
ρ= = =0,5
μ 4 persentase waktu mekanik sibuk
λ 1
ρ0 =1− =1− =0,5
μ 2 probabilitas ada 0 mobil didalam sistem
Terbukti kecepatan mekanik baru akan menghasilkan antrian yang lebih pendek dan waktu
tunggu yang lebih singkat.
5. Simulasi dan analisis denga melakukan eksperimen untuk sampel (waktu) tertentu
Selanjutnya dengan menggunakan bilangan acak dan petokan pada Tabel 3., kita susun
hasil simulasi pada Tabel 4. Misalkan hari pertama, bilangan acaknya adalah 52 maka
sesuai dengan Tabel 3., angka 52 berada pada interval 36 – 65 sehingga permintaan yang
sesuai dengan angka ini adalah 3 unit. Dan seterusnya sampai pada hari ke-10.
Analisis terhadap 10 hari simulasi menunjukkan bahwa permintaan ban rata-rata adalah
3,9 ban per hari. Jadi menurut hasil simulasi pemilik toko harus menyediakan ban
mendekati angka 3,9 ban per hari, cukup berbeda dengan hitungan rata-rata yang
diharapkan 2,9 ban per hari. Hal ini disebabkan sedikit/pendeknya waktu simulasi. Jika
simulasi mungkin akan lebih baik karena hasil analisisnya akan mendekati nilai
expectednya.
Jadi, simulasi cukup beresiko (bisa dari kenyataan) jika hanya dilakukan dalam jangka
waktu yang pendek. Akurasi simulasi dapat ditingkatkan dengan menambah durasi yang
cukup, dan selain masalah waktu, juga bisa dilakukan dengan menambah variable
lainnya yang relevan.
Dalam kurun waktu tersebut, pemilik toko telah melakukan 50 kali pemesanan dan ternyata ada
jeda waktu barang tiba bervariasi antara 1 sampai 3hari. Tercatat frekuensi data waktu tiba
pesanan pada Tabel 6. dan berikut konversinya ke bentuk distribusi probabilitas dan interval
bilangan acaknya.
Tabel 6. Distribusi Probabilitas dan Interval Bilangan Acak Waktu Tiba Pesanan
Waktu Tiba Frekuensi Probabilitas Probabilitas Interval
(hari) (pemesanan) Kumulatif Bilangan Acak
1 10 0,20 0,20 01-20
2 25 0,50 0,70 21-70
3 15 0,30 1,00 71-100
Jumlah 50 1,00
Pemilik toko ingin mengetahui gambaran persediaan dan biayanya dengan melakukan simulasi
bila disetting banyaknya barang dalam setiap pemesanan (order quality, Q) adalah 10 unit, dan
pesanan dilakukan jika batas persediaan (reorder point, ROP) tidak lebih dari 5 unit. Artinya jika
stok ban tinggal 5 unit atau kurang, maka dilakukan pemesanan. Pertanyaannya adalah:
1. Berapa unit rata-rata persediaan akhir setiap hari?
2. Berapa kali rata-rata melakukan pemesanan?
3. Berapa unit rata-rata kehilangan penjualan akibat tidak adanya persediaan?
Misalkan simulasi dilakukan dalam waktu 10 hari (Tabel 7.), dengan proses sebagai berikut:
1. Mulai dengan kondisi tidak ada pemesanan (barang diterima=0) karena persediaa masih
lengkap (10 unit) pada awal hari ke-1.
2. Bangkitkan bilangan acak untuk menentukan permintaan harian. Misalkan untuk hari ke-1,
bilangan acak 06, maka demand simulasi = 1 (lihat table 5.).
3. Jika demand lebih besar dari inventori awal, kelebihannya dihitung sebagai lost sales dan
keadaan inventori akhir=0. Sebaliknya, jika demand sama atau lebih kecil dari inventori
awal, maka selisihnya dihitung sebagai inventori akhir. Bandingkan inventori akhir dengan
ROP, apakah perlu melakukan pemesanan atau tidak.
4. Jika perlu pemesanan, bangkitkan bilangan acak untuk menentukan waktu tiba barang,
kemudian tambahkan ke inventori awal sesuai waktu tibanya.
Tabel 7. Simulasi 10 Hari Permintaan Ban A (Q=10; ROP=5)
Hari Unit Inv. Bil. Demand Lost Inv. Akhir Pesan/ Bil. Waktu
Ke- Diterima Awal Acak Sales Tidak=0 Acak Tiba
, Ya=1
(1) (2) (3) (4) (5) (6) (7)=(3)-(5) (8) (9) (10)
1 .. 10 06 1 0 9 0
2 0 9 63 3 0 6 0
3 0 6 57 3 0 3 1 02 1
4 0 3 94 5 2 0 0
5 10 10 52 3 0 7 0 33 2
6 0 7 69 3 0 4 1
7 0 4 32 2 0 2 0
8 0 2 30 2 0 0 0
9 10 10 48 3 0 7 0
10 0 7 88 4 0 3 1 14 1
TOTAL 2 41 3
RATA-RATA 0,2 4,1 0,3
Misalkan biaya pemesana $ 10 per order, biaya menyimpan barang $ 0,03 per unit per hari; dan
biaya ketiadaan stok $ 8 per lost sales. Maka biaya inventori seluruhnya per hari adalah = total
biaya pemesanan + total biaya penyimpanan + total biaya ketiadaan stok
= $ 10 per order × 0,3 order/hari + $ 0,03 per unit/hari × 4,1 unit/hari + $ 8 per unit/hari × 0,2
unit/hari
= $ 4,72
Semakin panjang durasi simulasi, hasilnya akan semakin representative. tetapi analisis ini
hanyalah scenario simulasi dengan setting Q = 10 unit dan ROP = 5 unit. Simulasi yang lebih
lengkap dapat dilakukan untuk berbagai kombinasi nilai Q dan ROP lainnya, sehingga dapat
dipilih setting Qdan ROP dengan total biaya yang lebih rendah.
REFERENSI
Render, B., Stair, Jr, R. M. (2000). Quantitative Analysis for Management. 7th ed. Prentice-Hall,
Inc.: New Jersey.
Usman, Wan. 2014. Metode Kuantitatif. Tangerang Selatan : Universitas Terbuka.