1.

Antrian Non Poisson

Model antrian non-Poisson merupakan model antrian dimana proses kedatangan dan atau
keberangkatan tidak mengikuti asumsi Poisson sehingga mengarah pada hasil analisis
yang sangat kompleks dan kemungkinan lebih sulit ditelusuri. Kita telah mengetahui
bahwa (a / b / c) : ( d / e / f ), dimana:
a : menyatakan distribusi kedatangan.
b : menyatakan distribusi waktu pelayanan (atau keberangkatan).
c : menyatakan jumlah pelayanan paralel.
d : menyatakan disiplin pelayanan.
e : menyatakan jumlah maksimum yang diizinkan dalam sistem.
f : menyatakan jumlah yang ingin memasuki sistem(ukuran sumber pemanggilan).
Dengan notasi baku mengganti simbol-simbol di atas sesuai dengan kode berikut :
M : menyatakan distribusi kedatangan atau keberangkatan Poisson (atau Markov, atau
distribusi antar-kedatangan atau waktu pelayanan eksponensial yang setara).
D : menyatakan waktu antar-kedatangan atau waktu pelayanan yang konstan atau
deterministik.
Ek: menyatakan distribusi Erlsngian atau gamma dari distribusi waktu antar-kedatangan
atau waktu pelayanan dengan parameter k.
GI : menyatakan distribusi independen umum dari kedatangan (atau waktu antar-
kedatangan).
G : menyatakan distribusi umum dari keberangkatan (atau waktu pelayanan).
a. Model Antrian (M/D/1) : (GD/~/~)
Model ini sebenarnya tidak banyak berbeda dengan model (M/M/I) : (GD/~/~), yaitu
Model antrian ini mempunyai karakteristik bahwa dalam antrian tersebut terdapat
tingkat kedatangan dengan distribusi poisson, mempunyai distibusi waktu pelayanan
yang eksponensial yang memiliki satu pelayan/fasilitas pelayanan. Sedangkan
untuk model (M/D/1):GD/~/~) yaitu Model antrian ini mempunyai karakteristik
bahwa dalam antrian tersebut terdapat tingkat kedatangan dengan distribusi poisson,
mempunyai distibusi waktu pelayanan yang diskrit yang memiliki satu
pelayan/fasilitas pelayanan.
Model antrian non-Poisson dengan (M/D/1): (GD/∞/∞) dimana waktu pelayanan
dijabarkan dengan sebuah distribusi probabilitas umum dengan mean E{t} dan varians
var{t} mendekati konstan (var{t} = 0). Model ini memberikan ukuran-ukuran dasar
dari kinerja, termasuk Ls , Lq , Ws , dan Wq, dimana:
Ls: menyatakan jumlah pelanggan yang diperkirakan dalam sistem.
Lq : menyatakan jumlah pelanggan yang diperkirakan dalam antrian.
Ws: menyatakan waktu menunggu yang diperkirakan dalam sistem.
Wq: menyatakan waktu menunggu yang diperkirakan dalam antrian.
dan rumus P – K yang telah disederhanakan menjadi:
 ρ2
Ls =ρ+
2 ( 1− ρ )
λ
dimana ρ= dan μ adalah laju pelayanan konstan.
μ
ρ2
Sehingga, Lq=L s−ρ=
2(1−ρ)
L ρ ρ 2
1 λ 1 ρ
W s= s = + = + 2 = +
λ λ 2 λ (1−ρ ) μ 2 μ ( 1− ρ ) μ 2 μ ( 1−ρ )
L ρ2 ρ
W q= q = =
λ 2 λ(1−ρ) 2 μ(1− ρ)

 Sintaks model antrian (M/D/1) : (GD/~/~)

MD1=function(lambda,x,fx)
{
#Mencari Mean dan Varians
et=sum(x*fx)
et2=sum(x^2*fx)
vart=et2-(et^2)

#Rumus P-K
rho=lambda*et
Ls=rho+(lambda^2*(et^2+vart))/(2*(1-rho))
Lq=Ls-rho
Ws=Ls/lambda
Wq=Lq/lambda

#Cetak Output
cat('===========================================\n')
cat('banyaknya pelanggan dalam sistem (Ls) = ',Ls,'\n')
cat('banyaknya pelanggan dalam antrian (Lq) =',Lq,'\n')
cat('waktu tunggu pelanggan dalam sistem (Ws) =',Ws,'\n')
cat('Waktu tunggu pelanggan dalam antrian (Wq)
=',Wq,'\n')
cat('===========================================\n')

 Contoh Kasus (soal no. 15.40 c)

Dalam sebuah sarana jasa pembersihan mobil, mobil tiba sesuai dengan distribusi
poisson dengan mean 4 per jam. Waktu pelayanan diketahui berdistribusi diskrit dengan
nilai nilai sama dengan 5,10,15 dan probabilitas masig masing ¼, ½, ¼. Apa kesimpulan
yang dipereh berdasarkan model tersebut ?

µ = 4 mobil/jam
 Sintaks untuk penyelesaian kasus
> MD1=function(lambda,x,fx)
{
et=sum(x*fx)
et2=sum(x^2*fx)
vart=et2-(et^2)
  Output

=====================================================
banyaknya pelanggan dalam sistem (Ls) = 6.333333
banyaknya pelanggan dalam antrian (Lq) = 5.666667
waktu tunggu pelanggan dalam sistem (Ws) = 1.583333
Waktu tunggu pelanggan dalam antrian (Wq) = 1.416667
=====================================================

 Interpretasi
Berdasarkan permasalahan tersebut yang merupakan model antrian non poisson
(M/D/I:GD/∞/∞) menghasilkan output perhitungan sebagai berikut :
Banyaknya Pelanggan yang dilayani dalam sistem (Ls) sebanyak 6.333333  6 mobil
Banyaknya Pelanggan yang sedang dalam antrian (Lq)= 5.666667  6 mobil
Waktu tunggu Pelanggan dilayani dalam sistem (Ws) adalah 1.583333 jam
Waktu tunggu Pelanggan dalam antrian (Wq) adalah 1.416667 jam

b. Model Antrian (M/G/1) : (GD/~/~)

Model (M/G/1):(GD//) adalah suatu formula yang akan diperoleh pada situasi
pelayanan tunggal yang memenuhi tiga asumsi berikut:
1. Kedatangan Poisson dengan rata-rata kedatangan .
 2. Distribusi waktu pelayanan umum atau general dengan ekspektasi rata-rata
pelayanan

λ
3. Keadaan steady state dengan = E{t} < 1 atau  1
µ
Pada formula P-K akan diperoleh ukuran kinerja sistem untuk model (M/G/1) :
(GD/∞/∞) sebagai berikut:
Jumlah pelanggan yang diperkirakan dalam sistem :

Model antrian non-Poisson dengan (M/G/1): (GD/∞/∞) dimana waktu pelayanan

dijabarkan dengan sebuah distribusi probabilitas umum dengan mean E{t} dan varians
var{t}. Sayangnya, analisis situasi ini agak dibatasi dalam arti bahwa analisis ini tidak
memberikan ekspresi analitis yang dapat ditelusuri untuk probabilitas pn.Sebaliknya,
hasil-hasil dari model ini hanya memberikan ukuran-ukuran dasar dari kinerja, termasuk
Ls , Lq , Ws , dan Wq, dimana:
Ls: menyatakan jumlah pelanggan yang diperkirakan dalam sistem.
Lq : menyatakan jumlah pelanggan yang diperkirakan dalam antrian.
Ws: menyatakan waktu menunggu yang diperkirakan dalam sistem.
Wq: menyatakan waktu menunggu yang diperkirakan dalam antrian.
Anggaplah λ adalah laju kedatangan di sebuah sarana dengan satu pelayanan, dan
diketahui E{t} dan var{t} sebagai mean dan varians dari distribusi waktu pelayanan, dapat
diperlihatkan menggunakan analisis rantai probabilitas/Markov yang canggih bahwa:
λ2 ( E2 { t }+ var { t } )
Ls =λ E { t } +
2 ( 1−λ E { t } )
dimana λE { t }< 1. Ekspresi ini dikenal sebagai rumus Pollaczek-Khintchine (P – K). Dari
rumus ini, kita dapat memperoleh ukuran-ukuran kinerja lainnya, seperti:
Ls
W s=
λ
Lq=L s−λ E {t }
Lq
W q=
λ
1
catat bahwa laju pelayanan μ= , diperoleh dari : λE { t }=ρ<1sehingga,
E {t }
λ
λE { t }=
μ
 1
E { t }=
μ
1
μ= dan nilai λ eff =λ dalam model tersebut.
E {t }

 Sintaks model antrian (M/D/1) : (GD/~/~)

MG1=function(lambda,et,vart)
{
#Rumus P-K
rho=lambda*et
Ls=rho+(lambda^2*(et^2+vart))/(2*(1-rho))
Lq=Ls-rho
Ws=Ls/lambda
Wq=Lq/lambda

#Cetak Output
cat('===========================================\n')
cat('banyaknya pelanggan dalam sistem (Ls) = ',Ls,'\n')
cat('banyaknya pelanggan dalam antrian (Lq) =',Lq,'\n')
cat('waktu tunggu pelanggan dalam sistem (Ws) =',Ws,'\n')
cat('Waktu tunggu pelanggan dalam antrian (Wq) =',Wq,'\n')
cat('===========================================\n')
}

 Contoh Kasus (Contoh 15.6.1)

Dalam sebuah sarana jasa pembersihan mobil, mobil tiba sesuai dengan distribusi poisson
dengan mean 4 per jam. Waktu pelayanan diketahui konstan untuk semua mobil. Siklus
mencuci tersebut berlangsung tepat 10 menit. Apa kesimpulan yang dipereh berdasarkan
model tersebut ?

 Sintaks untuk penyelesaian kasus

> MG1=function(lambda,et,vart)
{
rho=lambda*et
Ls=rho+(lambda^2*(et^2+vart))/(2*(1-rho))
Lq=Ls-rho
Ws=Ls/lambda
Wq=Lq/lambda
cat('=================================================\n')
cat('banyaknya pelanggan dalam sistem (Ls) = ',Ls,'\n')
cat('banyaknya pelanggan dalam antrian (Lq) =',Lq,'\n')
cat('waktu tunggu pelanggan dalam sistem (Ws) =',Ws,'\n')
cat('Waktu tunggu pelanggan dalam antrian (Wq) =',Wq,'\n')
cat('=================================================\n')
}
> MG1(4,10/60,0)
  Output

=====================================================
banyaknya pelanggan dalam sistem (Ls) = 1.333333
banyaknya pelanggan dalam antrian (Lq) = 0.6666667
waktu tunggu pelanggan dalam sistem (Ws) = 0.3333333
Waktu tunggu pelanggan dalam antrian (Wq) = 0.1666667
=====================================================

 Interpretasi
Berdasarkan permasalahan tersebut yang merupakan merupakan model antrian non
poisson (M/D/I:GD/∞/∞) menghasilkan output perhitungan sebagai berikut.
Banyaknya Pelanggan yang dilayani dalam sistem (Ls) sebanyak 1.333333  2 mobil
Banyaknya Pelanggan yang sedang dalam antrian (Lq)=0.6666667  2 mobil
Waktu tunggu Pelanggan dilayani dalam sistem (Ws) adalah 0.3333333 jam
Waktu tunggu Pelanggan dalam antrian (Wq) adalah 0.1666667 jam

c. Model Antrian (M/U/1) : (GD/~/~)

Model (M/U/1):GD/~/~) yaitu Model antrian ini mempunyai karakteristik bahwa dalam
antrian tersebut terdapat tingkat kedatangan dengan distribusi poisson, mempunyai
distibusi waktu pelayanan yang diskrit yang memiliki satu pelayan/fasilitas pelayanan.

 Sintaks model antrian (M/U/1) : (GD/~/~)

MU1=function(lambda,a,b)
{
#Mencari Mean dan Varians
et=(a+b)/2
vart=(b-a)^2/12

#Rumus P-K
rho=lambda*et
Ls=rho+(lambda^2*(et^2+vart))/(2*(1-rho))
Lq=Ls-rho
Ws=Ls/lambda
Wq=Lq/lambda

#Cetak Output
cat('===========================================\n')
cat('banyaknya pelanggan dalam sistem (Ls) = ',Ls,'\n')
cat('banyaknya pelanggan dalam antrian (Lq) =',Lq,'\n')
cat('waktu tunggu pelanggan dalam sistem (Ws) =',Ws,'\n')
 cat('Waktu tunggu pelanggan dalam antrian (Wq) =',Wq,'\n')
cat('===========================================\n')
}

 Contoh Kasus (soal no. 15.40 a)

Dalam sebuah sarana jasa pembersihan mobil, mobil tiba sesuai dengan distribusi poisson
dengan mean 4 per jam. Waktu pelayanan diketahui berdistribusi seragam dari t=5 menit
sampai t=15 menit. Apa kesimpulan yang dipereh berdasarkan model tersebut ?

λ=4

a= 5 dan b=15

 Sintaks untuk penyelesaian kasus

> MU1=function(lambda,a,b)
{
et=(a+b)/2
vart=(b-a)^2/12
rho=lambda*et
Ls=rho+(lambda^2*(et^2+vart))/(2*(1-rho))
Lq=Ls-rho
Ws=Ls/lambda
Wq=Lq/lambda
cat('===========================================\n')
cat('banyaknya pelanggan dalam sistem (Ls) = ',Ls,'\n')
cat('banyaknya pelanggan dalam antrian (Lq) =',Lq,'\n')
cat('waktu tunggu pelanggan dalam sistem (Ws) =',Ws,'\n')
cat('Waktu tunggu pelanggan dalam antrian (Wq) =',Wq,'\n')
cat('===========================================\n')
}
> MU1(4,5/60,15/60)

 Output
=====================================================
banyaknya pelanggan dalam sistem (Ls) = 1.388889
banyaknya pelanggan dalam antrian (Lq) = 0.7222222
waktu tunggu pelanggan dalam sistem (Ws) = 0.3472222
Waktu tunggu pelanggan dalam antrian (Wq) = 0.1805556
=====================================================

 Interpretasi
Berdasarkan permasalahan tersebut yang merupakan merupakan model antrian non
poisson (M/U/I:GD/∞/∞) menghasilkan output perhitungan sebagai berikut.
 Banyaknya Pelanggan yang dilayani dalam sistem (Ls) sebanyak 1.388889  2 mobil
Banyaknya Pelanggan yang sedang dalam antrian (Lq)=0.7222222  1 mobil
Waktu tunggu Pelanggan dilayani dalam sistem (Ws) adalah 0.3472222 jam
Waktu tunggu Pelanggan dalam antrian (Wq) adalah 0.1805556 jam

d. Model Antrian (M/N/1) : (GD/~/~)

Sedangkan untuk model (M/N/1):GD/~/~) yaitu Model antrian ini mempunyai

karakteristik bahwa dalam antrian tersebut terdapat tingkat kedatangan dengan distribusi
poisson, mempunyai waktu pelayanan yang berdistribusi Normal yang memiliki satu
pelayan/fasilitas pelayanan.

 Sintaks model antrian (M/N/1) : (GD/~/~)

MN1=function(lambda,miu,sigma2)
{
#Mencari Mean dan Varians
et=miu
vart=sigma2

#Rumus P-K
rho=lambda*et
Ls=rho+(lambda^2*(et^2+vart))/(2*(1-rho))
Lq=Ls-rho
Ws=Ls/lambda
Wq=Lq/lambda

#Cetak Output
cat('===========================================\n')
cat('banyaknya pelanggan dalam sistem (Ls) = ',Ls,'\n')
cat('banyaknya pelanggan dalam antrian (Lq) =',Lq,'\n')
cat('waktu tunggu pelanggan dalam sistem (Ws) =',Ws,'\n')
cat('Waktu tunggu pelanggan dalam antrian (Wq) =',Wq,'\n')
cat('===========================================\n')
}

 Contoh Kasus (soal no. 15.40 b)

Dalam sebuah sarana jasa pembersihan mobil, mobil tiba sesuai dengan distribusi poisson
dengan mean 4 per jam. Waktu pelayanan diketahui berdistribusi normal dengan mean 9
menit, varian 4 menit2. Apa kesimpulan yang dipereh berdasarkan model tersebut ?

µ= 9dan Var (t) =4 ;=4

 Sintaks untuk penyelesaian kasus

 > MN1=function(lambda,miu,sigma2)
{
et=miu
vart=sigma2
rho=lambda*et
Ls=rho+(lambda^2*(et^2+vart))/(2*(1-rho))
Lq=Ls-rho
Ws=Ls/lambda
Wq=Lq/lambda
cat('===========================================\n')
cat('banyaknya pelanggan dalam sistem (Ls) = ',Ls,'\n')
cat('banyaknya pelanggan dalam antrian (Lq) =',Lq,'\n')
cat('waktu tunggu pelanggan dalam sistem (Ws) =',Ws,'\n')
cat('Waktu tunggu pelanggan dalam antrian (Wq) =',Wq,'\n')
cat('===========================================\n')
}
> MN1(4,9/60,4/3600)

 Output

========================================================
banyaknya pelanggan dalam sistem (Ls) = 1.072222
banyaknya pelanggan dalam antrian (Lq) = 0.4722222
waktu tunggu pelanggan dalam sistem (Ws) = 0.2680556
Waktu tunggu pelanggan dalam antrian (Wq) = 0.1180556
========================================================

 Interpretasi
Berdasarkan permasalahan tersebut yang merupakan merupakan model antrian non
poisson (M/N/I:GD/∞/∞) menghasilkan output perhitungan sebagai berikut.
Banyaknya Pelanggan yang dilayani dalam sistem (Ls) sebanyak 1.072  1 mobil
Banyaknya Pelanggan yang sedang dalam antrian (Lq)=0.4722222  1 mobil
Waktu tunggu Pelanggan dilayani dalam sistem (Ws) adalah 0.2680556 jam
Waktu tunggu Pelanggan dalam antrian (Wq) adalah 0.1180556 jam

2. Model Antrian Prioritas

a. Antrian Prioritas Model (Mi/Gi/1) : (NPRP/~/~)

Model ini mengasumsikan bahwa semua pelanggan memiliki distribusi waktu

pelayanan yang sama tanpa bergantung pada prioritas mereka dan bahwa ke semua
jalur c memiliki distribusi pelayanan eksponensial yang identuk dengan laju
pelayanan µ. Kedatangan di antrian prioritas ke-1 terjadi sesuai dengan distribusi
poisson dengan laju kedatangan λk k=1,2,...,m. Dalam model-model antrian dengan
prioritas, diasumsikan bahwa beberapa antrian yang paralel dibentuk di depan sebuah
sarana pelayanan dengan setiap antrian diperuntukkan bagi para pelanggan dengan
prioritas tertentu. Jika sarana tersebut memiliki m antrian, kita mengasumsikan
bahwa antrian 1 memiliki prioritas pelayanan tertinggi, dan antrian m adalah untuk
para pelanggan dengan prioritas terendah. Laju kedatangan dan pelayanan dapat
bervariasi untuk antrian dengan prioritas berbeda. (Taha, H. A.,1996)
Pada tingkat kedatangan dapat ditentukan bahwa setiap pelanggan yang berada
dalam antrian harus dilayani berdasarkan ”yang pertama datang, juga pertama
dilayani” (FCFS). Dalam prioritas pelayanan terdapat dua aturan yang dapat diikuti,
yaitu:
Aturan Preemptive, menunjukkan dimana pelayanan pelanggan dengan prioritas
lebih rendah dapat diinterupsi demi seorang pelanggan yang baru tiba dan memiliki
prioritas yang lebih tinggi.
Aturan Non-Preemptive (NP), menunjukkan pelayanan dimana seorang pelanggan,
begitu dilayani, hanya akan meninggalkan sarana pelayanan tersebut setelah
pelayanan diselesaikan dan tanpa bergantung pada prioritas para pelanggan yang
baru tiba.
Aturan preemptive umumnya tidak menguraikan sistem antriannya secara
mendalam, sedangkan pada sistem antrian non-preemptive diuraikan melalui
pelayanan tunggal dan pelayananmajemuk.Pada model pelayanan tunggal dapat
ditentukan untuk menggunakan distribusi Poisson sebagai tingkat kedatangan pada
sistem antrian, sementara pelayanan menggunakan distribusi bebas (arbitrary
distribution).Pada kasus pelayanan majemuk sudah ditentukan bahwa kedatangan
dan pelayanan mengikuti distribusi Poisson.
Dimana :

ρk =λk Ek { t }
k
Sk =∑ ρi <1; k=1,2 , … , m
i=1

S0=0

Perlu diperhatikan bahwa Wq, waktu menunggu yang diperkirakan dalam antrian untuk setiap
pelanggan tanpa bergantung pada prioritas, diketahui :
m
λk k
W q =∑ W
k=1 λ q

Dimana :
m
λk
adalah bobot relative dari W qk hasil serupa berlaku untuk W.
λ=∑ λ k dan
k λ
 Sintaks model antrian (Mi/Gi/1) : (NPRP/~/~)

MG_NP=function(lambda,et,vart)
{m=length(lambda)
k=seq(1:m)

rho=lambda*et
S=cumsum(rho)
A=sum(lambda*(et^2+vart))

S0=0
Wq=rep(0,m)
Wq[1]=A/(2*(1-0)*(1-S[1]));
for (i in 2:m) {
Wq[i]=A/(2*(1-S[i-1])*(1-S[i]));
}

Ws=Wq+et
Lq=lambda*Wq
Ls=Lq+rho

Wq_total=sum(Lq)/sum(lambda)
Ws_total=sum(Ls)/sum(lambda)

Hasil=cbind(k,lambda,et,vart,rho,S,Ls,Lq,Ws,Wq)
colnames(Hasil)=c("Prioritas","Lambda","E{t}","Var{t}","rho","Sk","Ls","Lq","Ws","W
q")
print(Hasil)
 }

 Contoh Kasus (soal no. 15.44)

Pesanan pekerjaan yangtiba di sebuah fasilitas prduksi dibagi menjadi tiga kelompok.
Kelompok 1 akan menerima prioritas tertnggiuntuk pengolahan, kelompok 3 hanya diproses
jika tidak ada pesanan yang menunggu dari kelompok 1 dan 2. Diasumsikan pekerjaan yang
sudah diijinkan masuk ke dalam fasilitas tersebut harus diselesaikan sebelum pekerjaan baru
diterima. Pesanan pesanan dari kelompok 1,2,3 terjadi menuru distribusi Poisson dengan
mean masing masing 4,3, dan 2 per hari. Diketahui disribusi waktu servis eksponensial
dengan kecepatan servis masing masing 10,9, dan 10 per hari.

λ1=10; λ2 = 9; λ3= 5

μ1=4;μ2=3;μ3=1

 Sintaks untuk penyelesaian kasus

> MG_NP=function(lambda,et,vart)
{
m=length(lambda)
k=seq(1:m)
rho=lambda*et
S=cumsum(rho)
A=sum(lambda*(et^2+vart))
S0=0
Wq=rep(0,m)
Wq[1]=A/(2*(1-0)*(1-S[1]));
for (i in 2:m) {
Wq[i]=A/(2*(1-S[i-1])*(1-S[i]));
}
Ws=Wq+et
Lq=lambda*Wq
Ls=Lq+rho
Wq_total=sum(Lq)/sum(lambda)
Ws_total=sum(Ls)/sum(lambda)
Hasil=cbind(k,lambda,et,vart,rho,S,Ls,Lq,Ws,Wq)
colnames(Hasil)=c("Prioritas","Lambda","E{t}","Var{t}","rho","Sk","Ls","Lq","Ws","Wq")
print(Hasil)
}

> lambda=c(4,3,2)
> miu=c(10,9,10)
> et=1/miu
> vart=1/miu^2
> MG_NP(lambda,et,vart)

 Output
 Prioritas Lambda E{t} Var{t} rho Sk Ls
[1,] 1 4 0.1000000 0.01000000 0.4000000 0.4000000 1.046914
[2,] 2 3 0.1111111 0.01234568 0.3333333 0.7333333 2.152778
[3,] 3 2 0.1000000 0.01000000 0.2000000 0.9333333 11.116667

Lq Ws Wq
[1,] 0.6469136 0.2617284 0.1617284
[2,] 1.8194444 0.7175926 0.6064815
[3,] 10.9166667 5.5583333 5.4583333

 Interpretasi
Dengan contoh kasus seperti yang telah disebutkan di atas, model antrian yang digunakan
ialah (Mi/Gi/1) : (NPRP/~/~). Dalam situasi antrian ini, kta memiliki tiga antrian
prioritas nonpreemtif. Asumsikan bahwa antrian 1, 2, dan 3 mewakili tiga kategori
pekerjaan dalam urutan yang diberikan dalam deskripsi masalah ini. Dari output R,
didapatkan bahwa ρ1= λ 1 E {t 1 } = 4 x 0,1 = 0,4 ; ρ2= λ 2 E {t 2 } = 3 x 0,111 = 0,333 ; ρ3
= λ 3 E {t 3 } = 2 x 0,1 = 0,2. Kita juga memiliki S1= ρ1= 0,4 ; S2= ρ1 + ρ2= 0,733 ; S3=
k
ρ1 + ρ2+ ρ3= 0,933 yang berdasar pada rumus Sk = ∑ ρk < 1 dengan k = 1,2,3. Karena
l=1
Sk < 1 maka sistem ini dapat mencapai kondisi steady-state.

Didapatkan pula waktu menunggu yang diperkirakan dalam setiap antrian ialah
berturut-turut W 1q = 0.1617284 ; W 2q = 0.6064815; dan W 3q = 5.4583333 dan waktu
menunggu yang diperkirakan dalam setiap sistem ialah berturut-turut W 1s =
2 3
0.2617284 ; W s = 0.7175926; dan W s = 5.5583333. Sedangkan banyaknya jumlah pekerjaan
yang menunggu untuk di proses dalam setiap antrian L1q= 0.1617284 ; L2q= 0.6064815; dan
L3q= 5.4583333 dan banyaknya jumlah pekerjaan yang menunggu untuk di proses dalam
setiap sistem L1s = 1.046914 ; L2s = 2.152778; dan L3s = 11.116667.

b. Antrian Prioritas Model (Mi/M/c) : (NPRP/~/~)

 Teori
Model ini mengasumsikan bahwasemua pelanggan memiliki distribusi waktu
pelayana yang sama tanpa bergantung pada prioritas mereka dan bahwa ke semua
jalur c memiliki distribusi pelayanan eksponensial yang identuk dengan laju
pelayanan µ. kedatangan di antrian prioritas ke-1 terjadi sesuai dengan distribusi
poisson dengan laju kedatangan λk k=1,2,...,m.
Dalam model-model antrian dengan prioritas, diasumsikan bahwa beberapa
antrian yang paralel dibentuk di depan sebuah sarana pelayanan dengan setiap antrian
 diperuntukkan bagi para pelanggan dengan prioritas tertentu. Jika sarana tersebut
memiliki m antrian, kita mengasumsikan bahwa antrian 1 memiliki prioritas
pelayanan tertinggi, dan antrian m adalah untuk para pelanggan dengan prioritas
terendah. Laju kedatangan dan pelayanan dapat bervariasi untuk antrian dengan
prioritas berbeda. (Taha, H. A.,1996)
Pada tingkat kedatangan dapat ditentukan bahwa setiap pelanggan yang berada
dalam antrian harus dilayani berdasarkan ”yang pertama datang, juga pertama
dilayani” (FCFS). Dalam prioritas pelayanan terdapat dua aturan yang dapat diikuti,
yaitu:
 Aturan Preemptive, menunjukkan dimana pelayanan pelanggan dengan
prioritas lebih rendah dapat diinterupsi demi seorang pelanggan yang
baru tiba dan memiliki prioritas yang lebih tinggi.
 Aturan Non-Preemptive (NP), menunjukkan pelayanan dimana seorang
pelanggan, begitu dilayani, hanya akan meninggalkan sarana pelayanan
tersebut setelah pelayanan diselesaikan dan tanpa bergantung pada
prioritas para pelanggan yang baru tiba.
Aturan preemptive umumnya tidak menguraikan sistem antriannya secara mendalam,
sedangkan pada sistem antrian non-preemptive diuraikan melalui pelayanan tunggal
dan pelayananmajemuk.Pada model pelayanan tunggal dapat ditentukan untuk
menggunakan distribusi Poisson sebagai tingkat kedatangan pada sistem antrian,
sementara pelayanan menggunakan distribusi bebas (arbitrary distribution).Pada
kasus pelayanan majemuk sudah ditentukan bahwa kedatangan dan pelayanan
mengikuti distribusi Poisson.
 Sintaks model antrian (Mi/M/c) : (NPRP/~/~)

> MiMc_NP=function(lambda,miu,c)
{
m=length(lambda)
k=seq(1:m)
rho=sum(lambda)/miu
S=cumsum(lambda/(c*miu))
a0=1
a=rep(0,c)
for (n in 1:c-1) {
a[n]=(rho^n)/factorial(n);
}
A=a0+sum(a)
E=1/((c*miu)*((rho^-c)*(c-rho)*factorial(c-1)*A+1))
S0=0
Wq=rep(0,m)
Wq[1]=E/((1-S0)*(1-S[1]));
for (i in 2:m) {
Wq[i]=E/((1-S[i-1])*(1-S[i]));
}
Ws=Wq+(1/miu)
 Lq=lambda*Wq
Ls=Lq+rho
Wq_total=sum(lambda*Wq)/sum(lambda)
Ws_total=sum(lambda*Ws)/sum(lambda)
cat('====================================================\n')
cat(' Model Antrian Prioritas Pelayanan Majemuk\n')
+ cat('====================================================\n')
cat('Deskripsi Sistem \n')
Deskripsi=cbind(k,lambda,S)
colnames(Deskripsi)=c("Prioritas","Lambda","Sk")
print(Deskripsi)
cat('\n')
cat('Ukuran Kinerja Sistem Setiap Prioritas\n')
Hasil=cbind(k,Ls,Lq,Ws,Wq)
colnames(Hasil)=c("Prioritas", "Ls", "Lq", "Ws", "Wq")
print(Hasil)
cat('\n')
cat('Wq Tanpa Melihat Prioritas=',Wq_total,'\n')
cat('Ws Tanpa Melihat Prioritas=',Ws_total,'\n')
cat('=====================================================\n')}

 Contoh Kasus (Contoh 15.7.2 Hal.212)

Sebuah Jalur Perakitan dengan dua stasiun dioperasikan dengan system ban berjalan.
Ukuran produk yang dirakit tidak memungkinkan penyimpanan lebih satu unit dalam
setiap stasiun. Produk tiba ke jalur perakitan tersebut dari satu sarana produksi lain
sesuai distribussi poisson dengan mean 10 per jam. Waktu perakitan di stasiun 1 dan
2 adalah eksponensial dengan mean 5 menit masing-masing. Semua barang yang tiba
dan tidak dapat langsung dimasukkan ke dalam jalar perakitan tersebut dialihkan ke
jalur jalur perakitan lainnya.

 Sintaks untuk penyelesaian kasus

> MiMc_NP=function(lambda,miu,c)
{
m=length(lambda)
k=seq(1:m)
rho=sum(lambda)/miu
S=cumsum(lambda/(c*miu))
a0=1
a=rep(0,c)
for (n in 1:c-1) {
a[n]=(rho^n)/factorial(n);
}
A=a0+sum(a)
E=1/((c*miu)*((rho^-c)*(c-rho)*factorial(c-1)*A+1))
S0=0
Wq=rep(0,m)
Wq[1]=E/((1-S0)*(1-S[1]));
 for (i in 2:m) {
Wq[i]=E/((1-S[i-1])*(1-S[i]));
}
Ws=Wq+(1/miu)
Lq=lambda*Wq
Ls=Lq+rho
Wq_total=sum(lambda*Wq)/sum(lambda)
Ws_total=sum(lambda*Ws)/sum(lambda)
cat('=====================================================\n')
cat(' Model Antrian Prioritas Pelayanan Majemuk\n')
+ cat('=====================================================\n')
cat('Deskripsi Sistem \n')
Deskripsi=cbind(k,lambda,S)
colnames(Deskripsi)=c("Prioritas","Lambda","Sk")
print(Deskripsi)
cat('\n')
cat('Ukuran Kinerja Sistem Setiap Prioritas\n')
Hasil=cbind(k,Ls,Lq,Ws,Wq)
colnames(Hasil)=c("Prioritas", "Ls", "Lq", "Ws", "Wq")

print(Hasil)
cat('\n')
cat('Wq Tanpa Melihat Prioritas=',Wq_total,'\n')
cat('Ws Tanpa Melihat Prioritas=',Ws_total,'\n')
cat('====================================================\n')
}
> MiMc_NP(lambda,10,2)

 Output

==========================================================
Model Antrian Prioritas Pelayanan Majemuk
==========================================================
Deskripsi Sistem
Prioritas Lambda Sk
[1,] 1 2 0.10
[2,] 2 5 0.35
[3,] 3 10 0.85

Ukuran Kinerja Sistem Setiap Prioritas

Prioritas Ls Lq Ws Wq
[1,] 1 1.786787 0.08678679 0.1433934 0.04339339
[2,] 2 2.033795 0.33379533 0.1667591 0.06675907
[3,] 3 5.705544 4.00554401 0.5005544 0.40055440

Wq Tanpa Melihat Prioritas= 0.2603604

Ws Tanpa Melihat Prioritas= 0.3603604
=========================================================

 Interpretasi
 Dengan contoh kasus seperti yang telah disebutkan di atas, model antrian yang digunakan
ialah (Mi/M/c) : (NPRP/~/~). Dapat diperkirakan bahwa tanpa melihat prioritas maka
waktu pelanggan dalam sistem (waktu tunggu ditambah waktu dilayani) untuk setiap
pelanggan yaitu 0.3603604 hari, dan untuk waktu tunggu pelanggan sendiri untuk
setiap pelanggan yaitu 0.2603604 hari.

Didapatkan pula waktu menunggu yang diperkirakan dalam setiap antrian ialah
berturut-turut W 1q = 0.04339339 ; W 2q = 0.06675907; dan W 3q = 0.40055440 dan waktu
menunggu yang diperkirakan dalam setiap sistem ialah berturut-turut W 1s =
2 3
0.1433934 ; W s = 0.1667591; dan W s = 0.5005544. Sedangkan banyaknya jumlah pekerjaan
yang menunggu untuk di proses dalam setiap antrian L1q= 0.08678679 ; L2q= 0.33379533;
dan L3q= 4.00554401 dan banyaknya jumlah pekerjaan yang menunggu untuk di proses
dalam setiap sistem L1s = 1.786787; L2s = 2.033795; dan L3s = 5.705544.

3. Antrian Serial Dua Stasiun dengan Kapasitas Antrian Nol (M/M/2) : (GD/0/~)
 Teori
Model ini mengharuskan pertama-tama keadaan sistem di setiap saat diidentiikasi.
Setiap stasiun dapat bebas, sibuk atau terhalang (stasiun dikatakan terhalang jika
pelanggan dalam stasiun 1 telah menyelesaikan pelayanannya sebelum stasiun 2
bebas). Pada model ini stasiun disusun seri, sehingga pelanggan harus melewati
kedua stasiun secara urut. Model antrian ini mempunyai karakteristik bahwa dalam
antrian tersebut terdapat tingkat kedatangan dengan distribusi poisson, mempunyai
waktu pelayanan juga yang berdistribusi poisson.
 Sintaks model antrian (M/M/2) : (GD/0/~)

> MM2S=function(lambda,miu)
{
rho=lambda/miu
A=3*rho^2+4*rho+2
P00=2/A
P01=2*rho/A
P10=(rho^2+2*rho)/A
P11=(rho^2)/A
lambda.eff=(P00+P01)*lambda
Ls=(5*rho^2+4*rho)/A
Lq=0
Ws=Ls/lambda.eff
Wq=0
cat('==================================================\n')
cat('banyaknya pelanggan dalam sistem (Ls) = ',Ls,'\n')
cat('banyaknya pelanggan dalam antrian (Lq) =',Lq,'\n')
cat('waktu tunggu pelanggan dalam sistem (Ws) =',Ws,'\n')
cat('Waktu tunggu pelanggan dalam antrian (Wq) =',Wq,'\n')
cat('==================================================\n')
}

 Contoh Kasus
Untuk mengilustrasikan perhitungan dalam model ini anggaplah bahwa kita memiliki
3 antrian prioritas dengan laju kedatangan lambda 1=2, lambda2=5, dan lambda 3=10
perhari. Terdapat dua pelayan dan laju pelayanan adalah 10 per hari. Baik
kedatangan maupun keberangkatan mengikuti distribusi Poisson.

 Sintaks untuk penyelesaian kasus

> MM2S=function(lambda,miu)
{
rho=lambda/miu
A=3*rho^2+4*rho+2
P00=2/A
P01=2*rho/A
P10=(rho^2+2*rho)/A
P11=(rho^2)/A
lambda.eff=(P00+P01)*lambda
Ls=(5*rho^2+4*rho)/A
Lq=0
Ws=Ls/lambda.eff
Wq=0
cat('==================================================\n')
cat('banyaknya pelanggan dalam sistem (Ls) = ',Ls,'\n')
cat('banyaknya pelanggan dalam antrian (Lq) =',Lq,'\n')
cat('waktu tunggu pelanggan dalam sistem (Ws) =',Ws,'\n')
cat('Waktu tunggu pelanggan dalam antrian (Wq) =',Wq,'\n')
cat('==================================================\n')
}
> MM2S(10,12)

 Output

==================================================
banyaknya pelanggan dalam sistem (Ls) = 0.917603
banyaknya pelanggan dalam antrian (Lq) = 0
waktu tunggu pelanggan dalam sistem (Ws) = 0.1856061
Waktu tunggu pelanggan dalam antrian (Wq) = 0
==================================================

 Interpretasi
Dengan model antrian (M/M/2: GD/0/) maka disimpulkan bahwa banyaknya
pelanggan dalam sistem sebanyak 0.917603 dan waktu yang dibutuhkan pelanggan
dalam sisitem yaitu sebesar 0.1856061 jam.