Bab 2 - MT - Model Antrian (Bagian 1)

MODEL ANTRIAN (BAGIAN 1)
2
OBJEKTIF :
1. Mahasiswa Mampu Melakukan Perhitungan Model Antrian.
2. Mahasiswa Mampu Menggunakan Software QM For Windows Dalam
Perhitungan Model Antrian.
2.1 Definisi Teori Antrian

Antrian adalah kejadian yang sering dijumpai dalam kehidupan sehari-
hari. Kita semua menunggu dalam antrian untuk membeli tiket film, melakukan
setoran bank, membayar belanjaan, mengirimkan paket, mendapatkan makanan
di kafetaria, memulai perjalanan di taman hiburan, dan lainnya. Antrian timbul
disebabkan oleh kebutuhan akan layanan melebihi kemampuan (kapasitas)
pelayanan atau fasilitas layanan, sehingga pengguna fasilitas yang tiba tidak bisa
segera mendapat layanan disebabkan kesibukan layanan. Jumlah waktu yang
terbuang oleh penduduk suatu negara dengan menunggu dalam antrian
merupakan faktor utama baik dalam kualitas hidup di sana maupun efisiensi
perekonomian negara. Contohnya seperti antrian kendaraan (termasuk kapal dan
truk) yang perlu menunggu untuk diturunkan dapat menunda pengiriman
berikutnya. Pesawat yang menunggu lepas landas atau mendarat dapat
mengganggu jadwal perjalanan selanjutnya. Penundaan dalam transmisi
telekomunikasi karena jalur jenuh dapat menyebabkan gangguan data.
Menyebabkan pekerjaan manufaktur menunggu untuk dilakukan dapat
mengganggu produksi selanjutnya. Menunda pekerjaan layanan di luar batas
waktunya dapat mengakibatkan hilangnya bisnis di masa depan.
Teori antrian adalah studi tentang menunggu dalam berbagai hal. Model
antrian digunakan untuk mewakili berbagai jenis sistem antrian (sistem yang
melibatkan beberapa jenis antrian) yang muncul dalam praktik. Rumus untuk
TOPIK 2. MODEL ANTRIAN (BAGIAN 1)
setiap model menunjukkan bagaimana sistem antrian yang sesuai harus bekerja,
termasuk jumlah rata-rata menunggu yang akan terjadi, dalam berbagai keadaan.
Oleh karena itu, model antrian ini sangat membantu untuk menentukan cara
pengoperasian sistem antrian yang paling efektif.
Untuk mempertahankan pelanggan, sebuah organisasi selalu berusaha
untuk memberikan pelayanan yang terbaik. Pelayanan yang terbaik tersebut
diantaranya adalah memberikan pelayanan yang cepat sehingga pelanggan
tidak dibiarkan menunggu (mengantri) terlalu lama. Namun menyediakan terlalu
banyak kapasitas layanan untuk mengoperasikan sistem melibatkan biaya yang
berlebihan. Tetapi tidak menyediakan kapasitas layanan yang cukup
mengakibatkan penantian yang berlebihan dan segala akibatnya yang tidak
menguntungkan. Model-model tersebut memungkinkan adanya keseimbangan
yang sesuai antara biaya layanan dan jumlah menunggu.
2.1.1 Sejarah Teori Antrian

Sistem antrian atau sering disebut sebagai Waiting Line Theory
diciptakan pada tahun 1909 oleh seorang matematikawan dan insinyur
berkebangsaan Denmark yang bernama A.K. Erlang. Teori ini pertama kali
diperkenalkan pada tahun 1913 yang dimulai dengan menggunakan konsep
dan struktur sistem antrian sebelum mengembangkan model
matematisnya. Teori antrian dirancang untuk memperkirakan berapa
banyak langganan menunggu dalam suatu garis antrian, kepanjangan garis
tunggu, seberapa sibuk fasilitas pelayanan, dan apa yang terjadi bila waktu
pelayanan atau pola kedatangan berubah.
2.1.2 Tujuan Antrian

Dalam sistem antrian ada dua jenis biaya yang timbul, yaitu biaya
karena orang mengantri, dan biaya karena menambah fasilitas layanan.
Biaya yang terjadi karena orang mengantri, antara lain berupa waktu yang
hilang karena menunggu. Sementara biaya menambah fasilitas layanan
berupa penambahan fasilitas layanan serta gaji tenaga kerja yang memberi
Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 2

pelayanan. Tujuan dasar model-model antrian adalah untuk

meminimumkan biaya total, yaitu :
1. Biaya langsung
Biaya karena menambah fasilitas layanan serta gaji tenaga kerja
yang memberi pelayanan. Contoh pembengkakan biaya akibat waktu ini
adalah pekerja yang di bayar perjam dan diharuskan melayani sejumlah
pelanggan, perusahaan harus membayar pekerja tersebut persatuan waktu.
2. Biaya tidak langsung
Biaya karena mengantri biaya yang timbul karena para individu
harus menunggu lama untuk dilayani sehingga mungkin membatalkan niat
memakai jasa layanan tersebut. Namun perlu diingat bahwa perusahaan
mungkin tidak bisa membuka fasilitas pelayanan yang besar untuk
pelayanan tertentu karena invvestasi untuk itu terlalu besar. Di sini
optimalisasi antara waktu dan biaya investasi juga perlu diperhitungkan.
2.1.3 Elemen Dasar Model Antrian

Pemain utama dalam situasi antrian adalah pelanggan dan server.
Pelanggan tiba di fasilitas (layanan) dari sumber. Pada saat kedatangan,
pelanggan dapat segera memulai layanan atau menunggu dalam antrian
jika fasilitas sedang sibuk. Saat fasilitas menyelesaikan layanan, secara
otomatis "menarik" pelanggan yang menunggu, jika ada, dari antrian. Jika
antrian kosong, fasilitas menjadi Idle sampai pelanggan baru datang. Dari
sudut pandang menganalisis antrian, kedatangan pelanggan diwakili oleh
waktu antar kedatangan (waktu antara kedatangan berturut-turut), dan
layanan diukur dengan waktu layanan per pelanggan. Umumnya, waktu
kedatangan dan pelayanan bersifat probabilistik (misalnya, pengoperasian
kantor pos) atau deterministik (misalnya, kedatangan pelamar untuk
wawancara kerja atau untuk janji dengan dokter). Ukuran antrian berperan
dalam analisis antrian.
Dalam model antrian memerlukan 3 jenis data, yaitu :
1. Tingkat kedatangan rata-rata langganan untuk mendapatkan
pelayanan.

2. Tingkat pelayanan rata-rata.

3. Jumlah fasilitas pelayanan
Sedangkan elemen-elemen yang membentuk sistem antrian adalah :

1. Populasi masukan (input) Yaitu jumlah total unit yang memerlukan
pelayanan dari waktu ke waktu atau disebut jumlah total langganan
potensial. Input dapat berupa populasi orang, barang, komponen atau
kertas kerja yang datang pada system untuk dilayani. Asumsi yang
digunakan untuk input dalam antrian adalah terbatas.
2. Pola Kedatangan (distribusi kedatangan) Arriver pattern (pola
kedatangan) adalah dengan cara bagaimana individu-individu dari
populasi memasuki system. Untuk pola kedatangan menggunakan
asumsi distribusi probabilitas poisson, yaitu salah satu dari pola-pola
kedatangan yang paling umum bila kedatangan didistribusikan secara
random. Ini terjadi karena distribusi poisson menggambarkan jumlah
kedatangan per unit waktu bila sejumlah besar variable-variabel
random mempengaruhi tingkat kedatangan. Bila pola kedatangan
individuindividu mengikuti suatu distribusi poisson, maka waktu antar
kedatangan atau inter arriver time (waktu kedatangan setiap individu)
adalah random dan mengikuti suatu distribusi exponential.
3. Disiplin antrian Disiplin antrian menunjukkan pedoman keputusan yang
digunakan untuk menyeleksi individu-individu yang memasuki antrian
untuk dilayani terlebih dahulu.
Macam-macam disiplin antrian :

a. First come first served (FCFS) atau First In First Out (FIFO) artinya, lebih
dulu datang (sampai), lebih dulu dilayani (kelua). Misalnya, antrian
pada loket pembelian tiket bioskop.
b. Shortest operating (service)-time (SOT) Yaitu antrian yang paling sedikit
akan dilayani terlebih dahulu.
c. Last come first served (LCFS) atau Last In First Out (LIFO) artinya, yang
tiba terakhir yang lebih dulu keluar. Misalnya, sistem antrian dalam
elevator untuk lantai yang sama.

d. Longest operating time (LOT), kebalikan dari Shortest operating

(service)-time (SOT). Yaitu antrian yang paling banyak akan dilayani
terlebih dahulu.
e. Service in random order (SIRO) artinya, panggilan didasarkan pada
peluang secara random, tidak soal siapa yang lebih dulu tiba.
f. Emergency First atau Critical Condition First artinya, prioritas
pelayanan diberikan kepada pelanggan yang mempunyai prioritas lebih
tinggi dibandingkan dengan pelanggan yang mempunyai prioritas lebih
rendah, meskipun yang terakhir ini kemungkinan sudah lebih dahulu
tiba dalam garis tunggu. Kejadian seperti ini kemungkinan disebabkan
oleh beberapa hal, misalnya seseorang yang dalam keadaan penyakit
lebih berat dibanding dengan orang lain dalam suatu tempat praktek
dokter.
4. Kepanjangan antrian ada yang terbatas dan tidak terbatas. Asumsi
untuk kepanjangan antrian ini yang akan kita gunakan adalah yang
terbatas (finite). Sistem antrian yang menampung jumlah individu-
individu yang besar ini mempunyai kapasitas yang terbatas dan model
antrian terbatas harus digunakan untuk menganalisa sistem tersebut.
5. Tingkat pelayanan waktu pelayanan (service time) adalah waktu yang
digunakan untuk melayani individu-individu dalam suatu sistem.
Apabila waktu pelayanan mengikuti distribusi exponensial atau
distribusi acak, waktu pelayanan (unit/jam) akan mengikuti distribusi
poisson.
6. Keluaran (exit) sesudah individu selesai dilayani, maka ia akan keluar
sistem.
2.1.4 Sistem Antrian

Sistem antrian dapat diklasifikasikan menjadi sistem yang berbeda-
beda dimana teori antrian sering diterapkan secara luas.
1. Sistem pelayanan komersial. Contoh : restoran, cafetaria, toko-toko,
salon, dan lainnya.

2. Sistem pelayanan bisnis industri. Contoh : lini produksi, sistem material

handling, sistem penggudangan.
3. Sistem pelayanan transportasi. Contoh : kereta api, bis, pesawat
terbang.
4. Sistem pelayanan social. Contoh : kantor tenaga kerja, kantor registrasi
SIM dan STNK.
Contoh Sistem Antrian

ANTRIAN/GARIS FASILITAS
SISTEM
TUNGGU PELAYANAN
Pesawat menunggu di
Lapangan terbang Landasan Pacu
landasan
Bank Nasabah (orang) Teller (kasir)
Fasilitas bongkar
Bongkar muat barang Kapal atau truk
muat
Pegawai
Perpustakaan Anggota
perpustakaan
Alat pencuci mobil
Car Wash Automatic Mobil Automatic
otomatis
Registrasi mahasiswa Mahasiswa Pusat Registrasi
Menonton bioskop Pelanggan Pelayanan tiket
2.1.5 Struktur Antrian

Struktur antrian merupakan proses dasar yang diasumsikan oleh
kebanyakan model antrian adalah sebagai berikut:
1. Pelanggan yang membutuhkan layanan dihasilkan dari waktu ke waktu
oleh sumber input.
2. Pelanggan ini memasuki sistem antrian dan bergabung dalam antrian
jika layanan tidak segera tersedia. Pada waktu-waktu tertentu, anggota
antrian dipilih untuk dilayani dengan beberapa aturan yang dikenal
sebagai disiplin antrian.

3. Layanan yang dibutuhkan kemudian dilakukan untuk pelanggan melalui

mekanisme layanan, setelah itu pelanggan meninggalkan sistem
antrian.
Customers Served
Input Service
Queue
Source Mechanism
Customers
Proses antrian pada umumnya dikelompokan ke dalam empat struktur

dasar menurut sifat-sifat fasilitas pelayanan, yaitu :
1. Single Channel – Single Phase (Satu saluran satu tahap)
Single Channel berarti hanya ada satu jalur yang memasuki sistem
pelayanan atau ada satu fasilitas pelayanan.
Gambar 2.1 Model Antrian Single Channel Single Phase

2. Single Channel – Multi Phase (Satu saluran banyak tahap)
Multi phase berarti ada dua atau lebih pelayanan yang dilaksanakan
secara berurutan dalam phase-phase. Contoh kasus dalam kehidupan
sehari-hari adalah pada antrian di laundry, pakaian-pakaian setelah
dicuci kemudian dijemur lalu disetrika dan terakhir dikemas.
Gambar 2.2 Model Antrian Single Channel Multi Phase

3. Multi Channel – Single Phase (Banyak saluran satu tahap)
Model ini biasanya seperti; pembelian tiket yang dilayani oleh lebih dari
satu loket, pelayanan potong rambut oleh beberapa tukang potong, dan
sebagainya.

Gambar 2.3 Model Antrian Multi Channel Single Phase

4. Multi Channel – Multi Phase (Banyak saluran banyak tahap)
Sistem ini terjadi jika ada dua atau lebih fasilitas pelayanan dengan
pelayanannya lebih dari satu phase, sebagai contoh dalam kehidupan
sehari-hari adalah 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 2.4 Model Antrian Multi Channel Multi Phase
2.2 Peran Distribusi Poisson dan Distribusi Eksponensial

Distribusi data adalah salah satu cabang ilmu statistik yang berfungsi
untuk memudahkan manusia untuk mengambil keputusan. Banyak macam
distribusi yang dikenal dalam statistika, antara lain distribusi Poisson dan
distribusi eksponensial. Berbagai distribusi tersebut dapat digunakan untuk
memudahkan manusia untuk menganalisis suatu data.
Distribusi Poisson dan distribusi eksponensial berkaitan erat dengan
sistem antrian. Distribusi poisson berfungsi untuk mengetahui jumlah kejadian
yang terjadi pada interval waktu tertentu, sedangkan distribusi eksponensial
berfungsi untuk mengetahui selang waktu yang kejadian yang konstan.

Penerapan distribusi Poisson misalnya banyaknya pengunjung suatu Toko

setiap senin pagi, sedangkan distribusi eksponensial berperan dalam
mengetahui jarak tenggang waktu pembeli membeli lampu sampai lampu
tersebut sudah tidak dapat berfungsi lagi. Dalam kebanyakan situasi antrian,
kedatangan terjadi secara acak. Keacakan berarti terjadinya suatu peristiwa
(misalnya, kedatangan pelanggan atau penyelesaian suatu layanan) tidak
dipengaruhi oleh lamanya waktu yang telah berlalu sejak terjadinya peristiwa
terakhir.
2.2.1 Distribusi Poisson

Distribusi Poisson merupakan distribusi probabilitas diskrit yang
digunakan untuk memodelkan jumlah kejadian adalam suatu interval tetap.
Interval tersebut mencakup; Waktu, Ruang, Area, Jarak dan Volume. Jika
kejadian tersebut terjadi secara acak dan antar kejadian saling bebas.
Proses Poisson memenuhi kondisi:
1. Peluang suatu kejadian (kedatangan atau keberangkatan) terjadi
antara waktu t dan t+s tergantung hanya pada jangka waktu s.
2. Peluang suatu kejadian terjadi selama jangka waktu sangat pendek h
adalah positif tapi kurang dari 1.
3. Paling banyak satu kejadian dapat terjadi selama jangka waktu sangat
pendek h.
t n e t
Poisson : pn t   , n = 0, 1, 2, …dimana En t  t
n!
Rumus :
𝜆𝑥 𝑒 −𝜆
P(X = x) =
𝑥!
Keterangan :
λ = rata-rata terjadinya suatu peristiwa (λ = n x p)
e = bilangan euler = 2,71828

Contoh Soal :
Ruang gawat darurat sebuah rumah sakit memiliki tingkat kedatangan
rata-rata pasien sebanyak 4 orang per hari. Kedatangan pasien mengikuti
proses poisson. Berapa probabilitas kedatangan 2 pasien per hari ?
Jawab :
t = 1; λ = 4; x = 2
𝑒 −𝜆 (𝜆𝑡)𝑥 𝑒 −4𝑥1 (4𝑥1)2
P(x = 2) = =
𝑥! 2!
(2,71828)−4 𝑥(4)2 (0,018)𝑥(16)
= =
2 2
= 0,1465 = 14,65%
Jadi, dari soal diatas dapat disimpulkan bahwa probabilitas kedatangan 2
pasien per hari adalah sebesar 14,65%.
2.2.2 Distribusi Eksponensial

Distribusi Eksponensial merupakan distribusi probabilitas kontinyu
yang digunakan untuk memodelkan waktu antar kedatangan dengan waktu
pelayanan.
Karakteristik Poisson:
1. Proses acak sempurna forgetfulness.
2. Rata-rata dan ragam sama.
t
Eksponensial : f t   e , t  0, dimana Et  1

Rumus :
P(X < x0) = 1 – e-λX0
Keterangan:
X = interval rata-rata
λ = parameter rata-rata
X0 = rata-rata sampel yang digunakan
e = bilangan euler = 2,71828

Contoh Soal :
Toko CD “Beat The Hits” tengah mengadakan diskon besar-besaran
sehingga kedatangan pengunjung yang berdistribusi eksponensial
meningkat dari biasanya 8,4 per 35 menit. Berapa probabiloitas
kedatangan pengunjung dalam kurun waktu 8 menit atau lebih ?
Jawab :
X0 = 8 menit
8,4
λ= = 0,24 menit
35 𝑚𝑒𝑛𝑖𝑡
P(X ≥ X0) = 1 - e-λX0
P(X ≥ 8) = 1 - e-(0,24)(8)
P(X ≥ 8) = 1 – 2,71828(-192)
P(X ≥ 8) = 0,85
Jadi, dari soal diatas dapat disimpulkan bahwa probabiloitas kedatangan
pengunjung dalam kurun waktu 8 menit atau lebih adalah sebesar 85%.
2.2.2.1 Proses Pure Birth and Pure Death.

Pure birth customer bertambah terus dalam sistem dan hampir tidak
meninggalkan sistem dalam suatu periode waktu tertentu. Contohnya
pembuatan sertifikasi kelahiran untuk bayi yang baru dilahirkan.
Pure birth proses acak dan dapat dijelaskan dengan distribusi Poisson.
Contohnya penarikan persediaan dari gudang.
n  t
pn t  
t  e
, n = 0, 1, 2, … (pure birth)
n!
 = laju kedatangan per satuan waktu
Ekspektasi jumlah kedatangan selama periode t = t.
Contoh Soal :
Bayi yang dilahirkan pada suatu daerah rata-rata, kelahiran setiap 12 menit
yang terdistribusi secara eksponensial. Hitunglah :
a. Jumlah rata-rata kelahiran per tahun.
b. Peluang tidak ada kelahiran pada suatu hari.

c. Peluang menerbitkan 50 buah surat kelahiran pada akhir 3 jam, dimana
sudah 40 surat kelahiran diterbitkan selama 2 jam terakhir.
Penyelesaian :
24 𝑥 60
𝜆= = 120 kelahiran/hari
12
a. Jumlah kelahiran per tahun :
λt = 120 x 365 = 43.800 kelahiran/tahun
b. Peluang tidak ada kelahiran pada suatu hari :
(120𝑥1)0 𝑒 −120𝑥1
𝑃0 (1) = =0
0!
c. Untuk menghitung peluang menerbitkan 50 surat kelahiran dimana
selama 2 jam sudah 40 surat diterbitkan, adalah menghitung peluang :
(50 – 40) = 10 surat kelahiran selama (3 – 2) = 1 jam
(5𝑥1)10 𝑒 −5𝑥1
𝑃10 (1) = = 0,01813 = 1,813%
10!
2.2.2.2 Pure Death

Sistem antrian dimana customer ditarik dari sistem dan hampir
tidak ada customer yang masuk ke dalam sistem dalam suatu periode
waktu tertentu.
t N  n e  t
pn t   , n = 1, 2, …, N
N  n !
N
p0 t   1   Pn t 
n 1
Contoh Soal :
Sebuah toko bunga memiliki persediaan 18 lusin bunga mawar pada
awal minggu. Rata-rata toko menjual 12 lusin bunga per hari yang
terdistrusi secara poisson. Pada saat persediaan tinggal 5 lusin pesanan
sebanyak 18 lusin ditempatkan untuk penyerahan pada awal minggu

berikutnya. Karena sifat bunga, semua bunga yang terjual pada minggu
tersebut dibuang. Tentukanlah :
a. Peluang untuk menempatkan pesanan pada setiap hari pada
minggu tersebut.
b. Jumlah rata-rata bunga yang dibuang pada akhir minggu.
Penyelesaian :
µ = 3 lusin/hari
a. Peluang untuk menempatkan pesanan pada akhir minggu ke t :
P n ≤ 5 (t) = P0 (t) + P1 (t) + … + P5 (t)
(3𝑡)18−𝑛 𝑒 −3𝑡
= P0 (1) + ∑𝑠𝑛=1 t = 1,2,…,5
(18−𝑛)!
t (hari) 1 2 3 4 5 6 7
µt 3 6 9 12 15 18 21
Pn≤5 (t) 0,000 0,008 0,1242 0,4240 0,7324 0,9083 0,975
b. E [n | t = 7] = ∑18
𝑛=0 𝑛 𝑃𝑛 (7) = 0,664 lusin.
2.3 Antrian Kombinasi Kedatangan dan Keberangkatan

Antrian kombinasi kedatangan dan keberangkatan merupakan sistem
proses penjumlahan dalam suatu sistem dimana keadaan sistem selalu
menghasilkan n bilangan bulat tak negatif. Keadaan sistem saat t didefinisikan
sebagai selisih antara banyaknya kedatangan dan keberangkatan pada saat t,
dinotasikan dengan N(t) yaitu banyaknya pelanggan yang berada pada sistem saat
t.
Antrian kombinasi kedatangan dan keberangkatan memiliki beberapa
server, yaitu :

1. Server paralel
sistem
server
Garis antrian/
menunggu 1
keberangkatan
Customer 2
X X X X
tiba
c
2. Server tunggal
sistem
Garis antrian/
server
menunggu
Customer
X X X X keberangkatan
tiba
3. Server seri
sistem
Garis antrian/
server
menunggu
Customer X X X X
tiba 1 2 3 keberangkatan
4. Server jaringan
sistem
server
Garis antrian/
menunggu  1 2 i

i
Customer  2 2
keberangkatan
X X X X 
tiba
c i

2.4 Model Poisson Umum

Bagian ini mengembangkan model antrian umum yang menggabungkan
kedatangan dan keberangkatan berdasarkan asumsi Poisson yaitu, waktu antar
kedatangan dan waktu servis mengikuti distribusi eksponensial. Model tersebut
adalah dasar untuk penurunan model Poisson khusus.
Pengembangan model umum didasarkan pada perilaku situasi antrian
jangka panjang atau kondisi mapan, yang dicapai setelah sistem beroperasi dalam
waktu yang cukup lama. Jenis analisis ini kontras dengan perilaku transien (atau
pemanasan) yang berlaku selama pengoperasian awal sistem. Salah satu alasan
untuk tidak membahas perilaku transien dalam bab ini adalah kompleksitas
analitisnya. Alasan lain adalah bahwa studi tentang kebanyakan situasi antrian
terjadi dalam kondisi steady-state.
Model umum mengasumsikan bahwa tingkat kedatangan dan
keberangkatan bergantung pada negara bagian, yang berarti bahwa keduanya
bergantung pada jumlah pelanggan di fasilitas layanan. Misalnya, di loket tol,
petugas cenderung mempercepat pengambilan tol pada jam-jam sibuk. Contoh
lain terjadi di bengkel dengan jumlah mesin tertentu di mana laju kerusakan
menurun seiring dengan bertambahnya jumlah mesin yang rusak (karena hanya
mesin yang berfungsi yang mampu menghasilkan kerusakan baru).
Keterangan :
n = Jumlah pelanggan dalam sistem (dalam antrian plus dalam layanan)
A, = Tingkat kedatangan yang diberikan n pelanggan dalam sistem
µn = Tingkat keberangkatan diberikan n pelanggan dalam sistem
Pn = Probabilitas keadaan mapan dari n pelanggan dalam sistem
Antrian Poisson dengan state-dependent arrival and departure rates.
n-1 n
n- n n+
n n+1
 
Gambar 2.5 Diagram laju transisi

  0
pn  n 1 n  2 p0
 n  n 1 1

, n= 1, 2, ... dan  pn  1
n0
Contoh Soal :
Perhatikan situasi antrian server tunggal dimana laju kedatangan konstan 3 per
jam dan keberangkatan konstan 8 perjam, untuk semua n  0.
n n
  3
pn    p0    p0  0.375n p0 , n = 0, 1, 2, ...
 8
p0  0.375 p0  0.3752 p0    1 atau

p0 1  0.375  0.3752    1 
 1 
Deret geometri : p0   1 p0 = 0.625 (0.63)
 1  0.375 
N 0 1 2 3 4 5 6 7 8
pn 0.625 0.234 0.088 0.033 0.012 0.005 0.002 0.001 0.000
Jadi, dari tabel di atas dapat dilihat probabilitas sesuai situasi antrian server
tunggal untuk semua n 0.

Penyelesaian dengan Software Qm for Windows :

1. Aktifkan program QM for Windows.
2. Klik menu Module, pilih Waiting Lines.
3. Klik menu File, pilih New, lalu pilih M/M/1.

4. Isi kolom Title dengan ABC (sifatnya optional) dan pilih kolom Cost Analysis
dengan No Costs.
5. Isi data pada M/M/1 sesuai dengan contoh soal. Lalu klik Solve.

6. Klik Solutions, pilih Table of Probabilities. Maka terlihat pada gambar di

bawah ini probabilitas yang dihasilkan untuk n≥0.
2.5 Antrian Poisson Khusus
sistem
server
Garis antrian/
menunggu 1
2 keberangkatan
Customer X X X X 
tiba
c
Antrian Poisson khusus dengan server paralel. Pelanggan yang

menunggu dipilih dari antrian untuk memulai layanan dengan server pertama
yang tersedia. Tingkat kedatangan di sistem adalah A pelanggan per unit
waktu. Semua server paralel identik, artinya tingkat layanan untuk server apa
pun adalah pelanggan u per unit waktu. Jumlah pelanggan dalam sistem
ditentukan untuk menyertakan mereka yang berada dalam layanan dan
mereka yang menunggu dalam antrian.
Diketahui:
a = Distribusi kedatangan
b = Distribusi keberangkatan (waktu layanan)

c = Jumlah server paralel (= 1, 2, ∞)

d = Disiplin antrian
e = Jumlah maksimum (finite atau infinite) yang diizinkan dalam sistem
f = Ukuran sumber panggilan (finite atau infinite)
Notasi standar untuk mewakili distribusi kedatangan dan

keberangkatan (simbol a dan b) adalah :
M = Markovian (atau Poisson) distribusi kedatangan atau keberangkatan (atau
distribusi waktu kedatangan atau waktu layanan yang setara
eksponensial).
D = Waktu konstan (deterministik).
Ek = Erlang atau gamma distribusi waktu (atau, setara, jumlah distribusi
eksponensial independen).
GI = Distribusi umum (generik) waktu antar kedatangan.
G = Distribusi umum (generik) waktu layanan
Notasi disiplin antrian (simbol d) termasuk :
FCFS = First Come, First Service
LCFS = Last Come, First Service
SIRO = Service in Random Order
GD = Disiplin umum yaitu, semua jenis disiplin ilmu
Untuk mengilustrasikan penggunaan notasi, model (M / D / 10) :( GD/

20/∞) menggunakan kedatangan Poisson atau waktu kedatangan
eksponensial, waktu layanan konstan, dan 10 server paralel. Disiplin antrian
adalah GD, dan ada batasan 20 pelanggan di seluruh sistem. Ukuran sumber
dari mana pelanggan datang tidak terbatas. Sebagai catatan sejarah, tiga
elemen pertama dari notasi (a/b/c) dirancang oleh D.G. Kendall pada tahun
1953 dan dalam literatur dikenal sebagai notasi Kendall Pada tahun 1966, A.
M. Lee menambahkan simbol d dan e pada notasi tersebut. Penulis ini
menambahkan elemen terakhir, simbol f, pada tahun 1968.
Sebelum menyajikan rincian antrian Poisson khusus, Steady State dari
kinerja situasi antrian umum dapat diturunkan dari probabilitas Steady State.

2.5.1 Pengukuran Kinerja Steady State

Ukuran steady-state adalah keadaan yang stabil dimana laju
kedatangan kurang dari laju pelayanan. Apabila probabilitas steadystate
dari Pn untuk n acak pelanggan dalam sistem ditentukan, dapat dihitung
ukuran-ukuran steady-state dari kerja dari situasi antrian.
Ukuran-ukuran kinerja kemudian dapat dipergunakan untuk
menganalisis operasi situasi antrian tersebut dengan maksud pembuatan
rekomendasi tentang perancang sistem. Keadaan steadystate dari
kinerja tercapai apabila yang menyatakan bahwa laju kedatangan kurang
dari laju pelayanan. Jika maka kedatangan terjadi dengan kelajuan yang
lebih cepat daripada yang ditampung oleh sistem, panjang antrian
diharapkan bertambah tanpa batas sehingga tidak terjadi steady-state.
Kinerja yang sama terjadi apabila :
Ukuran kinerja antrian :
 Ls = jumlah ekspektasi customer dalam sistem
 Lq = jumlah ekspektasi customer dalam antrian
 Ws = ekspektasi waktu dalam sistem
 Wq = ekspektasi waktu menunggu dalam antrian
 C = Jumlah yang diharapkan dari server sibuk

Ls 1
Pn Ls =  npn Ws 
eff
 Wq  Ws 

 Lq  eff Wq  c  Ls  Lq
n 0

eff   n pn
n0
Kita gunakan contoh rumus di atas untuk menghitung parameter

sistem :

eff   n p n = 3 kedatangan per jam.
n 0


Ls   npn  0  0.625  1 0.234  2  0.088  3  0.033  4  0.012  5  0.005
n0
 6  0.002  7  0.001  0.6
Ls 0.6
Ws    0.2 jam ;
eff 3
1 1
Wq  W s   0.2  =0.075 jam;
 8
Lq  ef Wq  3  0.075  0.225 customer;
persentase utilisasi =
c Ls  Lq 0.6  0.225
 100   100   100  37.5%
c 1 1
Contoh Soal :
Parkir pengunjung di Ozark College dibatasi hanya untuk lima tempat.
Mobil-mobil yang menggunakan ruang ini masuk menurut distribusi
Poisson dengan tarif enam mobil per jam. Waktu parkir didistribusikan
secara eksponen dengan rata-rata 30 menit. Pengunjung yang tidak
dapat menemukan ruang kosong pada saat kedatangan dapat menunggu
sementara di dalam tempat parkir sampai mobil yang diparkir pergi.
Ruang sementara itu hanya bisa menampung tiga mobil. Mobil lain yang
tidak dapat parkir atau menemukan ruang tunggu sementara harus pergi
ke tempat lain. Tentukan hal berikut:
a. Probabilitas, Pn dari n mobil dalam sistem.
b. Tingkat kedatangan efektif untuk mobil yang benar-benar
menggunakan lot.
c. Jumlah rata-rata mobil di tempat parkir.
d. Waktu rata-rata sebuah mobil menunggu tempat parkir di dalam
tempat parkir.
e. Jumlah rata-rata ruang parkir yang ditempati.
f. Rata-rata pemanfaatan tempat parkir.
Penyelesaian :

Pertama-tama kita perhatikan bahwa ruang parkir bertindak sebagai

server, sehingga sistem memiliki total c = 5 server paralel. Juga, kapasitas
maksimum sistem adalah 5 + 3 = 8 mobil.
Probabilitas Pn dapat ditentukan menggunakan
λn = 6 mobil / jam, n = 0, 1, 2,., 8
𝑛(60
30
) = 2𝑛 𝑐𝑎𝑟𝑠/ℎ𝑜𝑢𝑟, 𝑛 = 1,2,3,4,5
Pn = {
5(60
30
) = 10 𝑐𝑎𝑟𝑠/ℎ𝑜𝑢𝑟, 𝑛 = 6,7,8
Kita mendapatkan,
3𝑛
𝑃𝑜, 𝑛 = 1,2,3,4,5
𝑛!
Pn = { 3𝑛
𝑃𝑜, 𝑛 = 6,7,8
5! 5𝑛−5
Nilai Po dihitung dengan mengganti Pa n = 1,2, ..., 8, dalam persamaan

berikut :
Po + Pi + ... + Ps = 1
atau
3 32 33 34 35 36 37 38
Po + Po( + + + + + + 2
+ )= 1
1! 2! 3! 4! 5! 5! 5 5! 5 5! 53
Ini menghasilkan Po =. 04812 (verifikasi!). Dari Po, kita sekarang dapat

menghitung P1 melalui P8 sebagai :
N 1 2 3 4 5 6 7 8
Pn
0,14436 0,21654 0,21654 0,16240 0,09744 0,05847 0,03508 0,02105
Tingkat kedatangan efektif λeff dapat dihitung dengan mengamati

diagram skematik, di mana pelanggan Datang dari sumber dengan tarif
λ mobil per jam. Mobil yang tiba dapat memasuki tempat parkir atau
pergi ke tempat lain dengan tarif λeff atau λlost yang berarti mobil λ = λeff
+ λlost. Sebuah mobil tidak akan dapat memasuki tempat parkir jika sudah
ada 8 mobil didalam. Artinya proporsi mobil yang tidak dapat masuk
parkir adalah P8. Jadi,
λlost = λP8 6 x 02105 = 0,1263 mobil per jam
λeff = λ – λlost = 6 - 1263 = 5,8737 mobil per jam

λ λeff
Sumber Sistem
λlost
Gambar. Hubungan antara λ, λeff, dan λlost
Jumlah rata-rata mobil di lot (yang menunggu atau menempati ruang)

sama dengan Ls, angka rata-rata dalam sistem. Kita dapat menghitung
Ls dari Pn sebagai
Ls = 0P0 + 1P1 + ... + 8P8 = 3,1286 mobil
Sebuah mobil yang menunggu di ruang sementara sebenarnya adalah
mobil dalam antrian. Dengan demikian, waktu tunggu hingga suatu
ruang ditemukan adalah Wq. Untuk menentukan Wq kita menggunakan
1
Wq = Ws – Jadi,
𝜇
𝐿𝑠 3,1286
Ws = = = 0,53265 jam
λ𝑒𝑓𝑓 5,8737
Jumlah rata-rata tempat parkir yang terisi sama dengan rata-rata

jumlah pelayanan sibuk,
λ𝑒𝑓𝑓 5,8737
C = L s - Lq = = = 2,9368 jarak
𝜇 2
Dari C, didapatkan
𝑐 2,9368
Penggunaan tempat parkir = = = 0,58736
𝐶 5


3. Klik menu File, pilih New, lalu pilih M/M/s with a Finite System Size.

4. Isi kolom Title dengan ABC (sifatnya optional) dan kolom Cost
Analysis dengan No Costs.
5. Isi data pada M/M/s with a Finite System Size sesuai dengan contoh
soal. Lalu klik Solve.

6. Klik Solutions, pilih Waiting Lines Results. Maka terlihat pada

gambar di bawah ini nilai yang dihasilkan pada Average server
utilization (penggunaan tempat parker) sebesar 0,59, Ls
sebesar3,13, Wq sebesar 0,03, Ws sebesar 0,53 dan Effective
arrival rate ( 𝛌𝒆𝒇𝒇 ) sebesar 5,87.
7. Klik Solutions, pilih Table of Probabilities. Maka terlihat pada

gambar di bawah ini probabilitas yang dihasilkan untuk n = 1-8.
2.5.2 Model Antrian Satu Saluran Satu Tahap (M/M/I)

Single Channel berarti hanya ada satu jalur yang memasuki sistem
pelayanan atau ada satu fasilitas pelayanan. Single Phase berarti hanya
ada satu pelayanan. Single Phase menunjukan bahwa hanya ada satu
stasiun pelayan atau sekumpulan tunggal operasi yang dilaksanakan.

Tetapi di satu saluran satu tahap model antrian yang sangat sederhana
dimana terdapat satu sisi masuk dan satu sisi keluar (Single Channel
Single Phase), seperti : seorang tukang cukur, pembelian tiket kereta api
antar kota kecil yang dilayani oleh satu loket, pembelian tiket pada salah
satu loket penjualaan tiket bioskop, antrian kirim surat dikantor pos.
Gambar 2.6 Model Antrian Single Channel Single Phase

Rumus dari Single Channel Single Phase (Satu Saluran Satu Tahap) :
1. Waktu rata-rata dalam antrian (Wq) = λ/(µ(µ- λ))
2. Waktu rata-rata dalam sistem (W) = 1/(µ- λ)
3. Jumlah individu rata-rata dalam antrian (Lq) = λ2/(µ(µ- λ))
4. Jumlah individu rata-rata dalam sistem (L) = λ/(µ- λ)
5. Tingkat kegunaan (U) = λ/µ
6. Probabilitas jumlah individu dalam sistem untuk pelanggan ke-n
(Pn) = (1- λ/µ)( λ/µ)n
Untuk adanya….. Pelanggan (Pn) = (1- λ/µ) - (λ/µ)n +1
Contoh Kasus :
Penumpang kereta api datang pada sebuah loket mengikuti distribusi
Poisson dengan tingkat rata-rata 20 per jam. Misalkan secara rata-rata
setiap penumpang dilayani 2 menit dan waktu layanan mengikuti
distribusi eksponensial. Setelah sistem dalam steady state, carilah :
a) P4 ;
b) L ;
c) Lq ;
d) W ;
e) Wq ;
f) Po atau I ;
g) Berapa probabilitas pengantri tidak mendapat tempat duduk jika
kursi yang disediakan di depan loket hanya 3?

Penyelesaian :
Tingkat kedatangan rata-rata λ = 20 per jam, dan tingkat pelayanan
rata-rata µ = 30 per jam. Sehingga R = 2/3.
2 2 16
a) P4 = (1 − ) ( )4 = = 0,066
3 3 243
2/3
b) L = = 2 penumpang
1−2/3
4/9
c) Lq = = 1,33 penumpang
1−2/3
1 1
d) W = = jam = 6 menit
30−20 10
20
e) Wq = = 4 menit
30 (30−20)
f) Po atau I = 1 – 2/3 = 0,33

g) Pn ≥ 5 = (2/3)5 = 0,1317 atau 13%
Jadi, dari soal di atas dapat disimpulkan bahwa probabilitas
pengantri tidak mendapat tempat duduk jika kursi yang disediakan di
depan loket hanya 3 adalah sebesar 13%.


3. Klik menu File, pilih New, lalu pilih M/M/1 (exponential service times).

4. Isi kolom Title dengan ABC (sifatnya optional) dan kolom Cost Analysis
dengan No Costs.
5. Isi data pada M/M/1 (exponential service times) sesuai dengan contoh soal.
Lalu klik Solve.

6. Klik Solutions, pilih Waiting Lines Results. Maka terlihat pada gambar di
bawah ini nilai yang dihasilkan pada Lq sebesar 1,33, Ls sebesar 2, Wq
sebesar 0,07 jam atau 4 menit dan Ws sebesar 0,1 jam atau 6 menit.
7. Klik Solutions, pilih Table of Probabilities. Maka terlihat pada gambar di

bawah ini probabilitas yang dihasilkan untuk n sesuai angka pada contoh
soal.
2.5.3 Multi Channel Single Phase (M/M/C) atau (M/M/S)

Perkiraan prestasi dari sistem antrian dapat digambarkan
dengan misalnya : rata-rata jumlah kedatangan dalam antrian, rata-
rata waktu tunggu dari suatu kedatangan dan persentase waktu luang
dari pelayanan.

Ukuran prestasi ini dapat digunakan untuk memutuskan jumlah

pelayanan yang harus diberikan, perubahan yang harus dilakukan
dalam kecepatan pelayanan atau perubahan lain dalam sistem antrian.
Dengan sasaran pelayanan, jumlah pelayan dapat ditentukan tanpa
berpatokan pada biaya waktu tunggu, sebagai contoh, model ini
adalah pembelian tiket yang dilayani oleh lebih dari satu loket,
pelayanan potong rambut oleh beberapa tukang potong, dan
sebagainya.
Gambar 2.7 Model Antrian Multi Channel Single Phase

Tabel 2.1
Simbol Yang Digunakan Dalam Antrian Multi Channel Single Phase
Notasi Penjelasan Satuan
Tingkat kedatangan rata-
𝜆 Unit/jam
rata
1
Waktu antar kedatangan Jam/unit
𝜆
Tingkat pelayanan rata-
µ Unit/jam
rata
1 Waktu pelayanan rata-
Jam/unit
µ rata
Deviasi standar tingkat
Ꝺ Unit/jam
pelayanan
Jumlah individu dalam
n Unit
sistem

Tabel 2.2
Simbol Yang Digunakan Dalam Antrian Multi Channel Single
Phase
Jumlah individu rata-rata dalam
Nq Unit
antrian
Nt Jumlah individu total Unit
Tq Waktu rata-rata dalam antrian Jam
Tt Waktu rata-rata total Jam
Unit
S Jumlah fasilitas pelayanan
pelayanan
Tingkat kegunaan fasilitas
R Rasio
pelayanan
Tabel 2.3
Simbol Yang Digunakan Dalam Antrian Multi Channel Single Phase
Q Kepanjangan maksimum sistem Unit
Probabilitas jumlah n individu dalam Frekfensi

Pn
sistem relative
Probabilitas tidak ada individu dalam Frekfensi
Po
sistem relative
Probabilitas menunggu dalam Frekfensi
Pw
antrian relative
Biaya pelayanan persatuan waktu
Cs Rp/jam/server
per fasilitas
Biaya untuk menunggu per satuan
Cw Rp/jam/server
waktu per individu

Ct Biaya total = Scs + cw Rp/jam
Tabel 2.4
Rumus Yang Digunakan Dalam Antrian Multi Channel Single Phase
Notasi Rumus
𝜆
Tingkat kegunaan R R=
𝐶𝑥µ
Rata-rata banyaknya pengantri 2

𝑃𝑜 (𝜆/µ) .𝜆/𝑐 𝑥 µ
Lq Lq = 2
dalam antrian 𝐶!(1−(𝜆/𝑐.µ))
Rata-rata banyaknya pengantri L = Lq + λ/µ

L
dalam sistem
Rata-rata waktu mengantri
Wq Wq = Lq/ λ
dalam antrian
Rata-rata waktu mengantri
w w = Wq + 1/µ
dalam sistem
Po =
Probabilitas tidak adanya
Po 1
2 2
pengantri dalam sistem ∑𝑐−1
(𝜆/µ)
+
(𝜆/µ)
𝑛=0 𝑛! 𝑐 (1−(𝜆/𝑐.µ))
2
(𝜆/µ)
Probabilitas orang ke-n P(n ≤ c) = . 𝑃𝑜
𝑎!
Pn 2
mengantri dalam sistem (𝜆/µ)
P(n ˃ c) = 𝐶! .𝐶 𝑎=4 .𝑃𝑜
 Asumsi-asumsi dalam Multi Channel Single Phase (infinite)

 Jumlah antrian tidak dibatasi
 Kedatangan mengikuti distribusi poisson
 Waktu pelayanan mengikuti distribusi exponential negative
 First come, first served
 Saluran dikalikan dengan tingkat pelayanan > dari tingkat
kedatangan.

 Ciri ciri Distribusi Poisson :

 Tingkat kedatangan rata-rata dapat diduga berdasarkan data masa
lalu
 Tingkat kedatangan rata-rata persatuan waktu adalah konstan
 Banyaknya kedatangan dalam suatu selang waktu tidak
dipengaruhi apa yang terjadi pada selang waktu sebelumnya
 Probabilitas suatu kedatangan dalam selang waktu yang sangat
pendek adalah sangat kecil sehingga probabilitas > dari satu
kedatangan dalam selang waktu yang pendek akan mendekati 0
(nol)
Contoh Kasus :
Seorang pemilik toko buku di Kwitang Senen ingin mengetahui dan
menganalisis pelayanan kasirnya. Ia menyewa seorang konsultan untuk
menganalisis antrian di kasir toko buku. Diketahui toko buku tersebut
mempunyai 3 kasir untuk melayani pembeli. Diketahui waktu rata-rata untuk
melayani seorang pembeli 5 menit/orang mengikuti aturan distribusi
eksponential negative. Tingkat kedatangannya 21 orang per jam mengikuti
distribusi poisson. Konsultan tersebut diminta untu memecahkan persoalan
ini:
a. Rasio Pelayanan (R)
b. Proporsi waktu menganggur CSO
c. Rata-rata banyaknya pengantri dalam antrian.
d. Rata-rata banyaknya pengantri dalam system.
e. Rata-rata waktu menunggu dalam antrian.
f. Rata-rata waktu mengunggu dalam system.
g. Probabilitas adanya orang ke-5.
h. Probabilitas adanya 5 orang.
i. Analisis dari penelitian konsultan tersebut.

Sebelum menjawab kasus tersebut perlu Anda analisis terlebih dahulu apa
kasusnya.
Diketahui : C = 3 unit
µ = 5 menit/ orang
λ = 21 orang/ jam
Dari kasus tersebut diketahui bahwa satuan untuk µ masih dalam bentuk
menit/orang. Untuk menjawab pertanyaan-pertanyaan di bawah ini, µ =
5 menit/ orang harus kita ubah satuannya ke dalam orang/jam dengan
cara:
1 jam = 60 menit
= 60 menit : 5 menit
maka diperoleh, µ = 12 orang/jam
Penyelesaian :
a. Rasio Pelayanan (R)
λ 21
R = = = 0,5833 → 58,33 %
C×µ 3 𝑥 12
b. Proporsi waktu menganggur kasir

1
Po = (λ/μ)𝑛 (λ/μ)𝑐
∑𝑐−1
𝑛=0 𝑛! +𝐶!(1−(λ/c.μ))
1
= (21/12)0 (21/12)1 (21/12)2
+ +
0! 1! 3!(1−(21/2x12))
= 0,1556
c. Rata-rata banyaknya pengantri dalam antrian.
Po (λ / µ)𝑐 . λ / c × µ
Lq =
C! (1 – (λ / c .µ))2
0,1556 (21 / 12)2 𝑥 0,5833

=
3! (1 – 0,5833)2
= 0,4671
d. Rata-rata banyaknya pengantri dalam system.
L = Lq + λ / µ
L = 0,4671+ 21 / 12

= 2,2171
e. Rata-rata waktu menunggu dalam antrian.
Wq = Lq / λ
Wq = 0,4671/ 21
= 0,02224
f. Rata-rata waktu mengunggu dalam system.
W = Wq + 1 / µ
W = 0,02224 + 1 / 12
= 0,10577
g. Probabilitas adanya orang ke-5.
(λ/µ)𝑛
P (5 > c) = . 𝑃𝑜
𝐶! . 𝐶 𝑛−𝑐
(21 / 12)5
= 𝑥 0,2
3!𝑥 35−3
= 0,04731
h. Probabilitas adanya 4 orang. Untuk mengetahui probabilitas adanya
4 orang pembeli, dihitung satu-per satu dengan rumus:
1
Po = (λ / µ)𝑛 (λ /µ)𝑐
∑𝑐−1
𝑛=0 𝑛! + 𝐶!(1−(λ/c.μ))
(λ / µ)𝑛
P (n > c) = . 𝑃𝑜
𝐶! . 𝐶 𝑛−𝑐
dan hasil dari probabilitas pengantri 0 sampai 4 dijumlahkan.

P (adanya 4 orang) = P(0) + P(1) + P(2) + P(3) + P(4)
= 0,1556 + 0,27237 + 0,23833 + 0,13902 +
0,08110
= 0,88642
Jadi, berdasarkan hasil perhitungan konsultan atas antrian yang terjadi
pada Toko Buku Kwitang diketahui bahwa rasio keefektifan sebesar
0,5833 atau 58,33 %.


3. Klik menu File, pilih New, lalu pilih M/M/s.

4. Isi kolom Title dengan ABC (sifatnya optional) dan pilih kolom Cost
Analysis dengan No Costs.
5. Isi data pada M/M/s sesuai dengan contoh soal. Lalu klik Solve.

6. Klik Solutions, pilih Waiting Lines Results. Maka terlihat pada

gambar di bawah ini nilai yang dihasilkan pada Average server
utilization (R) = 0,58 = 58%, Lq sebesar 0,47 , Ls sebesar 2,22, Wq
sebesar 0,02 dan Ws sebesar 0,11.
7. Klik Solutions, pilih Table of Probabilities. Maka terlihat pada

gambar di bawah ini probabilitas yang dihasilkan untuk n sesuai
angka pada contoh soal.

2.5.4 Satu Saluran Banyak Tahap (Single Channel-Multi Phase)

Multi phase berarti ada dua atau lebih pelayanan yang dilaksanakan secara
berurutan dalam phase-phase. Contoh kasus dalam kehidupan sehari-hari
adalah pada antrian di laundry, pakaian-pakaian setelah dicuci kemudia
dijemur lalu disetrika dan terakhir dikemas.
Gambar 2.8 Model Antrian Single Channel Multi Phase
2.5.5 Banyak Saluran Banyak Tahap (Multi Channel-Multi Phase)

Sistem ini terjadi jika ada dua atau lebih fasilitas pelayanan dengan
pelayanannya lebih dari satu phase, sebagai contoh dalam kehidupan sehari-
hari adalah 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 2.9 Model Antrian Multi Channel Multi Phase

Referensi :
Herjanto, Eddy. ―Manajemen Operasi. Edisi ketiga.Grasindo.Jakarta.2006
Levin, Richard I., et al. (1992). Quantitative Approaches to Management, eight edition,
New York, McGraw-Hill International Editions.
Toha, Hamdy A. (1997). Operations Research: an introduction, Prentice Hall, NJ.
Bustani, Henry. 2005. Fundamental Operation Research. Jakarta: Gramedia Pustaka
Utama
Herjanto, Eddy. ―Manajemen Operasi. Edisi ketiga.Grasindo.Jakarta.2006
Levin, Richard I., et al. (1992). Quantitative Approaches to Management, eight edition,
New York, McGraw-Hill International Editions.
Hamda A. Taha. 2007. Operations Research : An Introduction Eight Edition. Pearson
Education, Inc. Pearson Prentice Hall. Pearson Education, Inc. Upper Saddle River,
NJ 07458.
Hotniar. Riset Operasional Buku Gunadarma
Hiller, Federick. Introduction Operations Research Eleventh Edition. New York,
McGraw-Hill International Editions.

Bab 2 - MT - Model Antrian (Bagian 1)

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Bab 2 - MT - Model Antrian (Bagian 1)

Diunggah oleh

Hak Cipta:

Format Tersedia

MODEL ANTRIAN (BAGIAN 1)

2.1 Definisi Teori Antrian

2.1.1 Sejarah Teori Antrian

2.1.2 Tujuan Antrian

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 2

pelayanan. Tujuan dasar model-model antrian adalah untuk

2.1.3 Elemen Dasar Model Antrian

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 3

2. Tingkat pelayanan rata-rata.

Sedangkan elemen-elemen yang membentuk sistem antrian adalah :

Macam-macam disiplin antrian :

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 4

d. Longest operating time (LOT), kebalikan dari Shortest operating

2.1.4 Sistem Antrian

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 5

2. Sistem pelayanan bisnis industri. Contoh : lini produksi, sistem material

Contoh Sistem Antrian

2.1.5 Struktur Antrian

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 6

3. Layanan yang dibutuhkan kemudian dilakukan untuk pelanggan melalui

Proses antrian pada umumnya dikelompokan ke dalam empat struktur

Gambar 2.1 Model Antrian Single Channel Single Phase

Gambar 2.2 Model Antrian Single Channel Multi Phase

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 7

Gambar 2.3 Model Antrian Multi Channel Single Phase

Gambar 2.4 Model Antrian Multi Channel Multi Phase

2.2 Peran Distribusi Poisson dan Distribusi Eksponensial

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 8

Penerapan distribusi Poisson misalnya banyaknya pengunjung suatu Toko

2.2.1 Distribusi Poisson

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 9

2.2.2 Distribusi Eksponensial

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 10

P(X ≥ X0) = 1 - e-λX0

2.2.2.1 Proses Pure Birth and Pure Death.

b. Peluang tidak ada kelahiran pada suatu hari.

2.2.2.2 Pure Death

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 12

2.3 Antrian Kombinasi Kedatangan dan Keberangkatan

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 13

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 14

2.4 Model Poisson Umum

Antrian Poisson dengan state-dependent arrival and departure rates.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 15

p0  0.375 p0  0.3752 p0    1 atau

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 16

Penyelesaian dengan Software Qm for Windows :

3. Klik menu File, pilih New, lalu pilih M/M/1.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 17

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 18

6. Klik Solutions, pilih Table of Probabilities. Maka terlihat pada gambar di

2.5 Antrian Poisson Khusus

Antrian Poisson khusus dengan server paralel. Pelanggan yang

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 19

c = Jumlah server paralel (= 1, 2, ∞)

Notasi standar untuk mewakili distribusi kedatangan dan

Untuk mengilustrasikan penggunaan notasi, model (M / D / 10) :( GD/

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 20

2.5.1 Pengukuran Kinerja Steady State

Kita gunakan contoh rumus di atas untuk menghitung parameter

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 21

Lq  ef Wq  3  0.075  0.225 customer;

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 22