TK 160823030

SIMULASI ANTRIAN METODE MONTE CARLO PADA
PERAWATAN MEDIS DI RUMAH SAKIT
SKRIPSI
OTTO OCTAVIANUS PASARIBU

160823030
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2018

SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat
mencapai gelar Sarjana Sains
OTTO OCTAVIANUS PASARIBU

160823030
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
MEDAN
2018

PERSETUJUAN
Judul : SIMULASI ANTRIAN METODE MONTE CARLO PADA

Kategori : SKRIPSI
Nama : OTTO OCTAVIANUS PASARIBU
Nomor Induk Mahasiswa : 160823030
Program Studi : SARJANA (S1) MATEMATIKA
Departemen : MATEMATIKA
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN
ALAM (FMIPA) UNIVERSITAS SUMATERA
UTARA
Disetujui di
Medan, Oktober 2018
Disetujui Oleh:
Departemen Matematika FMIPA USU
Ketua, Pembimbing
Dr. Suyanto, M.Kom Dr. Suyanto, M.Kom

NIP. 19590813 198601 1 002 NIP. 19590813 198601 1 002

PERNYATAAN

SKRIPSI
Saya mengakui bahwa Skripsi ini adalah hasil kerja saya sendiri. Kecuali
Beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Oktober 2018
Otto Octavianus Pasaribu

160823030
ii

PENGHARGAAN
Puji syukur kepada Tuhan Yang Maha Esa, Karena berkat rahmat dan karunia-
Nya sehingga penulis dapat menyelesaikan skripsi ini. Adapun judul skripsi
adalah “Simulasi Antrian Metode Monte Carlo pada Perawatan Medis di Rumah
Sakit”, sebagai salah satu syarat memperoleh gelar sarjana sains.
Pada kesempatan ini, penulis mengucapkan terima kasih kepada Bapak
Oloan Pasaribu dan Ibu Alinda Panggabean beserta saudara-saudara yang selalu
memberikan dukungan baik moril dan materil, do’a yang tiada henti serta
limpahan kasih sayang yang tiada terhingga sampai detik ini. Penulis juga
mengucapkan terima kasih sebesar-besarnya kepada:
1. Bapak Dr. Suyanto, M.Kom, selaku ketua Departemen Matematika FMIPA

USU dan juga sebagai dosen pembimbing skripsi yang telah menyediakan
tenaga, pikiran dan waktunya untuk mengarahkan penulis dalam proses
penyusunan skripsi ini.
2. Bapak Drs. Rosman Siregar, M.Si selaku sekertaris Departemen

Matematika FMIPA USU.
3. Bapak Drs. Ujian Sinulingga, M.Si dan Ibu Dr. Mardiningsih, M.Si selaku
dosen pembanding skripsi.
4. Para pihak Rumah Sakit atas bantuannya dalam mengizinkan penulis

untuk mengambil data dalam penyelesaian skripsi ini.
5. Penulis juga mengucapkan terima kasih kepada teman-teman Matematika

Ekstensi Stambuk 2016 yang telah banyak membantu dengan kebaikan
yang berlipat ganda.
Medan, Oktober 2018
Penulis
Otto Octavianus Pasaribu
iii

ABSTRAK
Pada penelitian ini pihak Rumah Sakit menetapkan standar pelayanan

yaitu 7 menit, namun setelah dilakukan observasi pasien mengantri lebih lama
dari standar yang ditetapkan. Sistem antrian bagian pendaftaran merupakan sistem
antrian tandem yang terdiri dari Loket dan Klinik DM&HT. Tujuan dari penelitian
skripsi ini yaitu memberikan gambaran model antrian, menentukan ukuran
keefektifan dan mencari solusi optimal. Data yang dianalisis yaitu data hari sibuk
pada hari Rabu 04 Juli 2018 sampai hari Jumat 06 Juli 2018 pukul 08.00 sampai
11.00. Pengambilan data dilakukan dengan dua metode yaitu wawancara dan
observasi. Data kedatangan dan pelayanan yang diperoleh kemudian
dikelompokkan per 5 menit. Selanjutnya pemeriksaan steady state, uji distribusi
Poisson, menentukan model antrian dan menghitung ukuran keefektifan. Ukuran
keefektifan antrian pada bagian pendaftaran dapat dihitung menggunakan model
(M/M/1):(GD/ / ). Apabila data tidak steady state, maka ukuran keefektifan
dicari dengan simulasi Monte Carlo.
Kata Kunci: antrian tandem, steady state, (M/M/1):(GD/ / ), simulasi Monte

Carlo.
iv
MONTE CARLO METHOD QUEUE SIMULATION
ON MEDICAL CARE IN HOSPITALS
ABSTRSCT
In this thesis research, the Hospital set a service standard of 7 minutes,

but after observation the patient is queuing longer than the standard set. The
registration queue system is a tandem queue system which consists of DM & HT
counters and clinics. The purpose of this thesis research is to provide an overview
of the queue model, determine the size of effectiveness and find optimal solutions.
The analyzed data are busy day data on Wednesday 04 July 2018 until Friday 06
July 2018 at 08.00 to 11.00. Data retrieval is done by two methods, namely
interviews and observation. The arrival and service data obtained are then grouped
per 5 minutes. Next, steady state checks, tests Poisson distribution, determines the
queue model and calculates the effectiveness measure. The size of the
effectiveness of the queue in the registration section can be calculated using the
model (M / M / 1) :( GD / ∞ / ∞). If the data is not steady state, then the
effectiveness measure is searched by Monte Carlo simulation.
Keywords: tandem queue, steady state, (M / M / 1) :( GD / ∞ / ∞), Monte Carlo

simulation
v
DAFTAR ISI
Halaman
PERSETUJUAN i
PERNYATAAN ii
PENGHARGAAN iii
ABSTRAK iv
ABSTRACT v
DAFTAR ISI ........................................................................................................ vi
DAFTAR SIMBOL viii
DAFTAR TABEL ix
DAFTAR GAMBAR xi
DAFTAR GRAFIK xii
DAFTAR LAMPIRAN xiii
BAB 1 PENDAHULUAN 1
1.1 Latar Belakang 1
1.2 Rumusan Masalah 4
1.3 Batasan Masalah 4
1.4 Tujuan Penelitian 4
1.5 Manfaat Penelitian 4
1.6 Tinjauan Pustaka 5
1.7 Metodologi Penelitian 7
1.8 Tabel Kegiatan 9
1.9 Kerangka Antrian 10
BAB 2 LANDASAN TEORI 11

2.1 Teori Probabilitas 11
2.1.1 Variabel Acak 12
2.1.1.1 Variabel acak diskrit 12
2.1.1.2 Variabel acak kontinu 14
2.1.2 Distribusi Poisson ` 15
2.1.3 Distribusi Eksponensial 15
2.2 Teori Antrian 16
2.2.1 Konsep Dasar Teori Antrian 16
2.2.2 Struktur Dasar Model Antrian 16
2.2.3 Faktor Sistem Antrian 19
2.2.4 Notasi Kendall 21
2.2.5 Tingkat Kedatangan 22
2.2.6 Tingkat Pelayanan 24
2.3 Model-Model Antrian 24
vi
2.3.1 Proses Kelahiran dan Kematian (Birth and Death) 24
2.3.2 Model Kelahiran Murni 27
2.3.3 Model Kematian Murni 29
2.3.4 Solusi Steady State dari Kinerja Sistem Antrian 31
2.3.5 Antrian Poisson Khusus (M/M/1):(GD/ / ) 34
2.3.6 Antrian Poisson Khusus (M/M/c):(GD/ / ) 37
2.3.7 Antrian dua Stasiun Seri (Tandem) 41
2.4 Uji Distribusi Kolmogorov-Smirnov 44
2.5 Simulasi Monte Carlo 44
2.6 Software SPSS 45
BAB 3 HASIL DAN PEMBAHASAN 48

3.1 Hasil Penelitian 48
3.1.1 Hasil Penelitian pada Hari Rabu, 04 Juli 2018 48
3.1.1.1 Pemeriksaan Kondisi Steady State 48
3.1.1.2 Uji Kecocokan Distribusi 54
3.1.2 Hasil Penelitian pada Hari Kamis,05 Juli 2018 58
3.1.3 Hasil Penelitian pada Hari Jumat,06 Juli 2018 68
3.2 Pembahasan 76
3.2.1 Menentukan Model Antrian 76
3.2.2 Menentukan Ukuran Keefektifan Kinerja Sistem Antrian 76
3.2.2.1 Ukuran Keefektifan pada Hari Rabu 76
3.2.2.2 Ukuran Keefektifan pada Hari Kamis 81
3.2.2.3 Ukuran Keefektifan pada Hari Jumat 84
3.2.3 Optimasi Sistem Antrian pada Bagian Loket dan Klinik
DM&HT 87
3.2.3.1 Optimasi Sistem Antrian pada Hari Rabu 87
3.2.3.2 Optimasi Sistem Antrian pada Hari Kamis 89
3.2.3.3 Optimasi Sistem Antrian pada Hari Jumat 90
BAB 4 KESIMPULAN DAN SARAN 92

4.1 Kesimpulan 92
4.2 Saran 92
DAFTAR PUSTAKA
LAMPIRAN
vii
DAFTAR SIMBOL
= Laju kedatangan pasien

= Laju kedatangan saat 1 pasien di Loket
= Laju kedatangan saat 1 pasien di Klinik DM&HT
= Laju kedatangan efektif pada sistem
= Laju kedatangan saat dalam sistem
= Laju pelayanan pasien
= Laju pelayanan saat 1 pasien di Loket
= Laju pelayanan saat 1 pasien di Klinik DM&HT
= Laju pelayanan saat dalam sistem
= Banyaknya dalam sistem
= Fungsi densitas probabilitas pada interval waktu t
= Probabilitas terjadi kejadian saat waktu t
= Elemen penambahan waktu
= Banyaknya kejadian yang dapat diabaikan saat
= Total jumlah pasien yang datang
= Banyaknya interval waktu
= Banyaknya pasien yang datang pada interval
= Banyaknya server
= Tingkat kegunaan atau kesibukan sistem
= Probabilitas server menganggur atau tidak ada pelanggan
= Rata-rata banyaknya pasien dalam antrian atau rata-rata panjang antrian
= Rata-rata banyaknya pasien dalam sistem
= Rata-rata waktu menunggu dalam antrian
= Rata-rata waktu menunggu dalam sistem
= Keadaan dimana ada kejadian calling unit pada sistem antrian
viii
DAFTAR TABEL
Nomor Judul Halaman Tabel
Tabel 1.1 Tabel Kegiatan 9

Tabel 2.1 Probabilitas kejadian mutually exclusive 26
Tabel 2.2 Probabilitas 42
Tabel 3.1 Kedatangan pasien berdasarkan interval 5 menit 49
Tabel 3.2 Pelayanan pasien berdasarkan interval 5 menit 50
Tabel 3.4 Tingkat kegunaan dan kondisi steady state 51
Tabel 3.5 Kedatangan pasien berdasarkan interal per 5 menit setelah
dilakukan pengurangan 52
Tabel 3.6 Pelayanan pasien berdasarkan interval per 5 menit setelah
Tabel 3.8 Hasil perhitungan fungsi probabilitas distribusi Poisson 54
Tabel 3.9 Hasil perhitungan fungsi probabilitas data observasi 55
Tabel 3.10 Hasil semua data frekuensi 55
Tabel 3.15 Kedatangan pasien berdasarkan interal per 5 menit setelah
Tabel 3.16 Pelayanan pasien berdasarkan interval per 5 menit setelah
Tabel 3.28 Ulangan ukuran keefektifan di Loket 77
Tabel 3.29 Ulangan ukuran keefektifan di Klinik DM&HT 79
Tabel 3.30 Ulangan ukuran keefektifan di Klinik DM&HT 82
ix
Tabel 3.31 Nilai semua ukuran keefektifan sistem antrian 86
Tabel 3.32 Hasil semua optimasi sistem antrian 91
x
xi
DAFTAR GAMBAR
Nomor Judul Halaman Gambar
Gambar 1.1 Standar pelayanan pendaftaran pasien 3

Gambar 1.2 Kerangka Penelitian 10
Gambar 2.1 Konsep dari sebuah variabel acak 12
Gambar 2.2 Struktur antrian 17
Gambar 2.3 Model single channel single phase 17
Gambar 2.4 Model multiple channel single phase 18
Gambar 2.5 Model single chanel multiple phase 18
Gambar 2.6 Model multiple channel multiple phase 18
Gambar 2.7 Proses Poisson berdasarkan interval waktu 22
Gambar 2.8 Diagram tingkat perpindahan model (M/M/c):(GD/ / ) 37
Gambar 2.9 Sistem antrian dua stasiun seri 41
Gambar 3.1 Output uji Kolmogorov-Smirnov laju kedatangan 56
Gambar 3.2 Output uji Kolmogorov-Smirnov laju pelayanan 57
xi
xii
DAFTAR Grafik
Nomor Judul Halaman Grafik
Grafik 3.1 Rata-rata waktu menunggu dalam antrian 78

Grafik 3.2 Rata-rata panjang antrian 78
xii
xiii
DAFTAR LAMPIRAN
Nomor Judul Halaman Lampiran
Lampiran 1 Data Primer Hasil Observasi Pasien pada Hari Rabu 96

Lampiran 2 Data Primer Hasil Observasi Pasien pada Hari Kamis 99
Lampiran 3 Data Primer Hasil Observasi Pasien pada Hari Jumat 102
Lampiran 4 Data Primer Pasien pada Hari Rabu 105
Lampiran 5 Data Primer Pasien pada Hari Kamis 107
Lampiran 6 Data Primer Pasien pada Hari Jumat 110
Lampiran 7 Tabel Kolmogorov-Smirnov 112
Lampiran 8 Simulasi Monte Carlo di Loket pada Hari Rabu 113
Lampiran 9 Simulasi Monte Carlo di Klinik DM&HT pada Hari Rabu 119
Lampiran 10 Simulasi Monte Carlo di Klinik DM&HT pada Hari Kamis 123
Lampiran 11 Optimasi Sistem Antrian pada Hari Rabu 127
Lampiran 12 Optimasi Sistem Antrian pada Hari Kamis 131
Lampiran 13 Optimasi Sistem Antrian pada Hari Jumat 136
Lampiran 14 Pengajuan Surat Izin Penelitian di Rumah Sakit 144
Lampiran 15 Surat Izin Penelitian dari Rumah Sakit 145
xiii
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Antrian adalah kata umum yang berupa garis tunggu atau tindakan
bergabung dengan sebuah garis. Hal ini terbentuk ketika jumlah pelanggan yang
datang lebih besar dari jumlah pelanggan yang dilayani selama periode waktu
tertentu. Daftar tunggu yang panjang atau waktu tunggu di bidang kesehatan
masyarakat adalah masalah yang terkenal di sebagian besar negara di seluruh
dunia. Hal ini menjelaskan penggunaan sistem antrian untuk mengurangi waktu
tunggu pasien. Antrian yang terlalu panjang dapat membuat konsumen bosan
untuk mengantri, terkadang dapat pula membuat konsumen keluar dari antrian
dan tidak menunggu lagi. Namun sebaliknya jika tidak ada antrian maka dapat
menyebabkan server menganggur karena tidak ada konsumen yang akan dilayani.
Rata-rata lamanya waktu menunggu (waiting time) sangat tergantung
kepada rata-rata tingkat kecepatan pelayanan (rate of service). Teori tentang
antrian pertama sekali ditemukan dan dikembangkan oleh A.K. Erlang dalam
menentukan sirkuit jaringan telepon yang optimum, dimana suatu antrian adalah
suatu garis tunggu dari pelanggan atau nasabah yang memerlukan pelayanan dari
satu atau lebih pelayanan (fasilitas pelayanan).
Simulasi digunakan untuk meniru realitas yang ada atau sedang
dipertimbangkan. Simulasi paling efektif digunakan sebagai tahapan dalam
analisis antrian. Simulasi dijalankan untuk pasien yang datang ke departemen,
parameter yang sesuai seperti waktu tunggu, waktu pelayanan, rasio waktu
layanan tunggu.
Simulasi Monte Carlo merupakan suatu metode yang bagus untuk
mengatasi masalah ketidakpastian dan untuk mengevaluasi secara berulang suatu
model matematika dengan membangkitkan data yang di set di dalam sistem
komputer menggunakan himpunan bilangan acak sebagai masukan dengan tujuan
untuk mencerminkan dengan baik keadaan yang sebenarnya.

2
faktor ketidakpastian yang ada dalam masalah simulasi tidaklah mudah

untuk menyelesaikan modelnya. Simulasi sangat cocok untuk mengamati sistem
yang tidak pasti. Teknik Monte Carlo menggunakan pemilihan angka secara
random dari distibusi probabilitas untuk menjalankan simulasi. Dalam simulasi
antrian, pendekatan Monte Carlo diguakan untuk menghasilkan variabel input
seperti waktu antar kedatangan, waktu pelayanan, dan variabel input lainnya
sesuai dengan distribusi yang diinginkan. Kesulitan menyelesaian persoalan
secara analitik disebabkan oleh adanya komponen yang berupa variabel random.
Metode Monte Carlo ini bersifat statis artinya teknik ini tidak memperhatikan
perubahan-perubahan nilai dari variabel-variabel yang ada jika terjadi di waktu
yang berbeda.
Tujuan menggunakan Simulasi Monte Carlo adalah untuk menentukan
bagaimana variabel acak dapat mempengaruhi sensitivitas, performa atau
reliabilitas dari sistem yang sedang dimodelkan. Simulasi Monte Carlo
digolongkan sebagai metode sampling karena input dibangkitkan secara acak dari
suatu distribusi kepekatan peluang untuk proses sampling dari suatu populasi
nyata.
Sistem antrian ini mengikuti sistem antrian tandem atau seri. Antrian
dengan model seri diuraikan melalui suatu distribusi tertentu yang menunjukkan
kedatangan pasien pada suatu tempat yang menggunakan sistem antrian tersebut.
Pasien harus melalui semua stasiun secara berurutan agar mendapatkan layanan
secara tuntas (Kakiay,2004:189). Sistem antrian seri untuk pasien di RSU. Dr.
F.L. Tobing Sibolga meliputi 2 stasien. Stasiun 1 Loket pendaftaran dan stasiun 2
Klinik. Pada bagian pendaftaran pihak RSU Dr. F.L. Tobing Sibolga menetapkan
standar pelayanan yaitu 7 menit.
Standar pelayanan pendaftaran selama 7 menit untuk setiap pasien
tertempel di papan informasi depan ruangan rekam medis. Berdasarkan hal ini,
peneliti tertarik meneliti fasilitas pelayanan untuk mengetahui apakah sistem
antrian yang ada telah memenuhi standar pelayanan pendaftaran.

3
Gambar 1.1 Standar pelayanan pendaftaran pasien
Pada penelitian fasilitas pelayanan dari sistem antrian diperlukan

pengukuran logis ditinjau dari dua bagian, yaitu:
1. Berapa lama para pasien harus menunggu, yang dalam hal ini dapat diuraikan
melalui rata-rata waktu yang dibutuhkan oleh pasien untuk menunggu hingga
mendapatkan pelayanan. Apabila waktu menunggu rata-rata pasien untuk
dilayani kurang dari 7 menit maka sistem antrian sudah ideal dan sebaliknya.
2. Berapa persenkah dari waktu yang disediakan untuk memberikan fasilitas
pelayanan dalam kondisi menganggur. Apabila persentase fasilitas pelayanan
dalam kondisi mengganggur kurang dari 10%, maka sistem pelayanan bisa
dikatakan bekerja secara optimal.
Hasil penelitian sistem antrian pada pelayanan pasien ini dapat dijadikan
sebagai masukan untuk pengambilan keputusan secara baik bagi pihak Rumah
Sakit. Oleh karena itu penyedia layanan Rumah Sakit agar dapat melayani pasien
dengan baik tanpa harus menunggu lama. Tujuannya agar dapat memberikan rasa
nyaman dan rasa puas terhadap pasien yang sedang berobat di Rumah Sakit. Hal
ini yang melatarbelakangi penulis mengangkat permasalahan ini dalam satu karya
ilmiah berupa skripsi yang berjudul “Simulasi Antrian Metode Monte Carlo
Pada Perawatan Medis di Rumah Sakit”.

4
1.2 RUMUSAN MASALAH
Berdasarkan latar belakang diatas, maka dapat diambil perumusan masalah

sebagai berikut:
1. Bagaimana model sistem antrian pada pelayanan pasien di Rumah Sakit?
2. Bagaimana simulasi metode monte carlo dapat mengatasi masalah antrian
pada pelayanan medis di Rumah Sakit?
3. Bagaimana ukuran keefektifan model antrian yang optimal untuk ptoses
pelayanan pasien di Rumah Sakit?
1.3 BATASAN MASALAH
Batasan-batasan masalah dalam penelitian ini adalah:
1. Di banyak Rumah Sakit masih sering terlihat bahwa pasien menunggu

dalam waktu yang lama bila permintaan akan layanan melebihi kapasitas
layanan tersebut.
2. Peneliti berfokus hanya pada masalah antrian yang terjadi di bagian Loket
pendaftaran dan Klinik DM&HT.
1.4 TUJUAN PENELITIAN
Tujuan dilakukannya penelitian ini adalah

1. Untuk mengetahui model dari sistem antrian pada pelayanan pasien di
Rumah Sakit.
2. Mendeskripsikan hasil dari analisis yang berupa ukuran-ukuran
keefektifan dan solusi optimal sistem antrian pada pelayanan pasien.
1.5 MANFAAT PENELITIAN
Manfaat penelitian ini antara lain:

1. Menambah wawasan dan sebagai tambahan referensi tentang penelitian
yang berkaitan dengan Teori Antrian.
2. Mempermudah proses pelayanan pasien perawatan medis di Rumah Sakit
dengan menggunakan metode antrian dan Simulasi Monte Carlo.

5
3. Hasil penelitian ini diharapkan dapat mengurangi lama waktu mengantri

yang terjadi dalam masalah antrian di kehidupan sehari-hari dengan
menggunakan metode Monte Carlo.
1.6 TINJAUAN PUSTAKA
Richard Bronson (1982) dalam bukunya yang berjudul “Teori dan Soal-soal
Operation Researh” menyatakan bahwa suatu proses antrian (queueing process)
adalah suatu proses yang berhubungan dengan kedatangan seseorang pelanggan
pada suatu fasilitas pelayanan, kemudian menunggu dalam suatu baris (antrian)
jika semua pelayannya sibuk, dan akhirnya meninggalkan fasilitas tersebut.
Sebuah sistem antrian adalah suatu himpunan pelanggan, pelayan dan suatu aturan
yang mengatur kedatangan pada pelanggan dan pemrosesan masalahnya.
Yang (1981) dalam jurnalnya yang berjudul “M/M/1 Queue Model With
Uncertain Parameters by Monte Carlo Simulation” menyatakan bahwa melalui
simulasi monte carlo, ditemukan bahwa suatu ketidakpastian dapat menyebabkan
beberapa resiko dan hasil yang tidak dapat diterima. Banyak yang berubah saat
parameternya menjadi tidak pasti, simulasi Monte Carlo dengan simulasi skala
besar merupakan metode yang baik untuk mengatasi masalah ketidakpastian.
Rizki Satria, Rini Sovia, dan Rima Liana Gema dalam jurnal mereka yang
berjudul “Pemodelan dan Simulasi Analisa Sistem Antrian Pelayanan Nasabah di
PT Sarana Sumatera Barat Ventura SSBV Menggunakan Metode Monte Carlo”
menyatakan bahwa waktu pelayanan antrian yang ada jauh berbeda dengan waktu
yang dihasilkan dengan menggunakan metode Monte Carlo sistem antrian Multi
Channel Single Phase dan waktu pelayanan yang lama pada SSBV menjadi lebih
singkat sehingga waktu tunggu yang dihadapi nasabah dapat teratasi bila
menggunakan metode Monte Carlo sistem antrian Multi Channel Single Phase
maka antrian yang panjang menjadi berkuran dan kinerja pelayanan menjadi lebih
efektif dan efisien.
P.Umarani and S.Shanmugasundaram dalam jurnal mereka yang berjudul “A
Study on M/M/C Queueing Model Under Monte Carlo Simulation in a Hospital”
menyatakan bahwa distribusi probabilitas untuk waktu kedatangan pasien dan
waktu pelayanan dari data yang dikumpulkan dan waktu tunggu rata-rata dengan

6
mensimulasikan jumlah pasien. Dengan penambahan satu perawat medis,

misalkan satu dokter lagi maka waktu tunggu rata-rata telah dihitung kembali
dengan sumber daya tambahan tersebut dapat mengurangi waktu tunggu rata-rata
mengantri.
Suad Husnan (1982) dalam bukunya yang berjudul “Teori Antrian”
menyatakan bahwa suatu cara yang tepat untuk mengatasi masalah antrian ini
adalah dengan menggunakan metode simulasi keseluruhan masalah untuk
merancang suatu percobaan yang akan menirukan semirip mungkin keadaan yang
sebenarnya dan kemudian mengamati apa yang akan terjadi. Metode simulasi ini
merupakan salah satu metode yang efektif untuk memecahkan masalah antrian
jenis ini.
Khosnevis (1994) mendefinisikan simulasi sebagai pendekatan
eksperimental. Keterbatasan metode analistis dalam mengatasi sistem dinamis
yang kompleks membuat simulasi sebagai alternatif yang baik.
Sri Mulyono (2002) dalam bukunya yang berjudul “Riset Operasi”
menyatakan bahwa dalam simulasi, variable random dinyatakan dalam distribusi
probabilitas, sehingga sebagian besar model simulasi adalah model probabilistik.
Arti istilah Monte Carlo sering dianggap sama dengan simulasi probabilistik,
namun Monte Carlo sampling secara lebih tegas berarti teknik memilih angka
secara random dari distribusi probabilitas untuk menjalankan simulasi.
Winda Nur Cahyo (2008) menyatakan bahwa Simulasi Monte Carlo adalah
salah satu metode simulasi sederhana yang dapat dibangun secara cepat dengan
hanya menggunakan spreadsheet (misalnya Microsoft Excel). Pembangunan
model simulasi Monte Carlo didasarkan pada probabilitas yang diperoleh data
historis sebuah kejadian dan frekuensinya, dimana:
(1.1)
dengan:
: Probabilitas kejadian i
: Frekuensi kejadian i
n : Jumlah frekuensi semua kejadian.
Tetapi dalam simulasi Monte Carlo, probabilitas juga dapat ditentukan

dengan mengukur probabilitas sebuah kejadian terhadap suatu distribusi tertentu.

7
Bilangan acak yang digunakan dalam simulasi Monte Carlo ini merupakan sebuah
representasi dari situasi yang tidak pasti dalam sebuah sistem nyata.
Menurut kakiay (2004), faktor-faktor yang berpengaruh terhadap system
antrian ada 6 yaitu distribusi pelayanan, distribusi kedatangan fasilitas pelayanan,
disiplin pelayanan ukuran kinerja dalam antrian dan sumber pemanggilan.
Karakteristik atau asumsi dari suatu model antrian dapat dirangkum dalam sebuah
notasi yang telah dibakukan. Format notasi buku antrian menurut Taha (1996)
adalah sebagai berikut:
(a/b/c) : (d/e/f)
Dimana symbol symbol tersebut adalah unsur – unsur dasar dari model antrian
sebagai berikut:
a = distribusi kedatangan
b = distribusi pelayanan
c = jumlah pelyanan pararel
d = peraturan pelayanan
e = jumlah maksimum yang diizinkan dalam system
f = ukuran sumber pemanggilan
1.7 METODOLOGI PENELITIAN
1. Studi literatur dan referensi, yaitu mempelajari buku-buku dan makalah-

makalah dari pustaka yang berhubungan dengan antrian dan simulasi.
2. Observasi ke tempat penelitian dan memahami informasi dari teori yang
berkaitan dengan topik penelitian.
3. Pengumpulan data antrian yang ada dalam pelayanan berupa waktu
kedatangan pasien dan waktu pelayanan pasien, lalu dikelompokkan per 5
menit. Pengelompokkan berdasarkan interval waktu tersebut dilakukan
selama 3 jam penelitian.
4. Data yang di dapat harus memenuhi Steady State ( dimana
merupakan rata-rata waktu antar kedatangan dan merupakan rata-rata

waktu pelayanan. Jika maka data waktu pelayanan dan waktu
kedatangan sudah mencapai kondisi stabil. Namun jika maka harus

8
dilakukan simulasi Monte Carlo untuk memperoleh ukuran keefektifan

sistem antrian.
5. Melakukan uji kecocokan distribusi terhadap pola kedatangan dan pola
pelayanan dengan uji Kolmogorov Smirnov. Jika hipotesis untuk distribusi
jumlah kedatangan diterima maka distribusinya mengikuti distribusi
Eksponensial. Jika hipotesisnya salah maka distribusi kedatangan
mengkuti distribusi General.
6. Melakukan uji distribusi, secara umum model antrian diasumsikan jika
rata-rata laju kedatangan dan rata-rata laju pelayanan mengikuti distribusi
Poisson, maka waktu antar kedatangan dan waktu antar pelayanan
berdistribusi Eksponensial (Gross & Harris, 2008:16). Pengujian distribusi
Poisson pada penelitian ini menggunakan uji Kolmogorov-Smirnov.
Menurut Siegel (1956:50), langkah-langkah dalam uji Kolmogorov-
Smirnov yaitu:
1) Menentukan hipotesis
: Data berdistribussi Poisson
: Data tidak berdistribussi Poisson
2) Mengatur skor-skor yang diobservasi dalam suatu distribusi kumulatif
dengan memasangkan setiap interval dengan interval yang
sebanding.
3) Untuk tiap-tiap tahap pada distribusi kumulatif, dilakukan pengurangan
dengan .
4) Untuk perhitungan digunakan rumus:
| |
dimana,
= Distribusi sampling
= Fungsi distribusi frekuensi kumulatif dari suatu distribusi
dibawah asumsi .
= Distribusi frekuensi kumulatif yang diobservasi dari suatu
sampel acak dengan N observasi.

9
5) Menentukan dengan mengacu pada tabel nilai kritis dari D pada

tes satu sampel Kolmogorov-Smirnov. Jika nilai p atau
, maka ditolak, sehingga data tidak berdistribusi Poisson.

8. Menentukan model antrian yang sesuai berdasarkan notasi Kendall.
9. Menentukan ukuran kinerja sistem, yaitu jumlah pasien yang diperkirakan
dalam antrian (Lq), jumlah pasien yang diperkirakan dalam sistem (Ls),
waktu menunggu dalam antrian (Wq), dan waktu menunggu dalam sistem
(Ws). Perhitungan ukuran keefektifan tersebut dilakukan dengan optimasi
sistem antrian.
10. Pengolahan dan analisis data dengan menggunakan teknik simulasi
antrian.
11. Menyimpulkan hasil dan informasi dari penyelesaian permasalahan yang
telah diselesaikan.
1.8 Tabel Kegiatan
Agar kinerja dapat diselesaikan tepat waktu, perlu dibuat suatu tabel kegiatan
yang merupakan tahapan-tahapan kegiatan yang akan dilakukan.
Adapun tabel kegiatan seperti Tabel 1.1
Tabel 1.1 Tabel Kegiatan
Bulan
No. Kegiatan
Feb Mar Apr Mei Jun Jul
1. Tahap Persiapan Penelitian
a. Penyusunan dan
Pengajuan Judul
b. Pengajuan Proposal
c. Perijinan Penelitian
2. Tahap Pelaksanaan
a. Pengumpulan Data
b. Analisis Data
3. Tahap Penyusunan Laporan

10
1.9 KERANGKA ANTRIAN
Agar permasalahan dapat diselesaikan dengan optimal, perlu dibuat suatu

kerangka penelitian yang merupakan proses urutan kegiatan dalam pemecahan
masalah.
Adapun kerangka penelitian seperti pada Gambar 1.1.
Mulai
Input Data
Data Waktu antar Kedatangan Data Waktu Pelayanan
Pemeriksaan Steady State
Uji Kecocokan Distribusi Kolmogorov- Uji Kecocokan Distribusi Kolmogorov-

Smirnov untuk Pola Kedatangan Smirnov untuk Pola Pelayanan
Data Data
Berdistribusi Berdistribusi
Model Model Model Model

General Poisson Eksponensial General
Penentuan Model Antrian
Menentukan Ukuran Kinerja Sistem Antrian Menentukan Ukuran Kinerja Sistem Antrian
Menggunakan Model Matematika Menggunakan Simulasi Monte Carlo
Analisis Hasil Penelitian
Pengambilan Keputusan
Selesai
Gambar 1.2 Kerangka Penelitian

11
BAB 2
LANDASAN TEORI
2.1 Teori Probabilitas
Probabilitas adalah sebuah bilangan yang terletak diantara 0 dan 1 yang

berkaitan dengan suatu kejadian tertentu. Jika kejadian itu pasti terjadi, maka
probabilitas kejadian adalah 1 dan jika kejadian itu mustahil terjadi, maka
probabilitasnya adalah 0 (Harinaldi, 2005: 46).
Menurut Hines & Montgomery (1989: 11), probabilitas didefinisikan

sebagai suatu fungsi himpunan dimana elemen-elemen daerah asal adalah
himpunan-himpunan dan elemen-elemen dari range bilangan riil. Jika kejadian A
adalah sebuah elemen pada daerah asal fungsi ini, P(A) menunjukkan elemen-
elemen yang berkaitan dengan range-nya.
Berikut ini merupakan beberapa definisi dan teorema tentang teori

probabilitas, diantaranya:
Definisi 2.1 (Bain & Engelhardt, 1992: 9)
Untuk suatu percobaan dengan S sebagai ruang sampel dan mewakili

kejadian yang mungkin. Fungsi yang berhubungan dengan nilai riil P(A) dengan
tiap kejadian A disebut fungsi peluang dan P(A) disebut peluang dari A jika syarat
berikut terpenuhi:
(2.1)
(2.2)
(⋃ ) ∑
Jika adalah kejadian yang saling lepas (mutually exclusive) satu sama
lain, sedemikian sehingga

12
Teorema 2.1 (Walpole, 1995: 90)
Bila suatu percobaan mempunyai N hasil percobaan yang berbeda, dan

masing-masing mempunyai kemungkinan yang sama untuk terjadi, dan bila tepat
n diantara hasil percobaan itu menyusun kejadian A, maka probabilitas kejadian A
adalah
(2.4)
2.1.1 Variabel Acak
Variabel acak adalah suatu fungsi yang memetakan setiap anggota ruang
sampel S ke bilangan rill. Anggota ruang sampel dinotasikan dengan e dan fungsi
yang memetakan anggota e ke bilangan riil x dinotasikan dengan X. Hasil
pemetaan yaitu sebuah bilangan riil x untuk setiap e dari ruang sampel yang
dinotasikan dengan x=X(e). Berikut Gambar 2.1 yang menggambarkan sifat
fungsi X:
S 𝑅𝑥
X
e X(e)
(a) (b)
Gambar 2.1 Konsep dari sebuah variabel acak
(a) S adalah ruang sampel dari e (b) : ruang range dari X
Berikut definisi dalam teori probabilitas tentang variabel acak yang

digunakan pada penelitian skripsi ini:
Sebuah variabel acak X adalah fungsi yang didefinisikan atas ruang sampel
S yang menghubungkan ∈ dengan bilangan riil = X( ).
Variabel acak dibedakan menjadi dua yaitu variabel acak diskrit dan
variabel acak kontinu. Berikut definisi mengenai kedua jenis variabel acak
tersebut:
2.1.1.1 Variabel acak diskrit
Variabel acak diskrit adalah variabel acak yang memiliki nilai yang dapat
dicacah atau countable (Harinaldi, 2005: 62). Berikut definisi dan teorema yang
menjelaskan tentang variabel acak diskrit:

13
Jika nilai-nilai yang mungkin dari variabel acak X dapat dihitung,

atau maka X disebut variabel acak diskrit. Fungsi
[ ] (2.5)
Menyatakan bahwa probabilitas X = x disebut fungsi densitas probabilitas.
Teorema 2.2 (Bain & Engelhardt, 1992: 57)
Sebuah fungsi ( ) adalah fungsi densitas probabilitas diskrit jika dan hanya
jika fungsi tersebut memenuhi syarat
(2.6)
Untuk semua nilai , dan
Bukti:
Syarat (2.6) mengikuti fakta dimana nilai dari fungsi densitas probabilitas diskrit
adalah sebuah probabilitas dan tidak negatif. Karena menunjukkan
semua nilai yang mungkin dari X maka kejadian [ = 1],[ = 2],… merupakan
partisi lengkap dari ruang sampel.
Dengan demikian,
∑ ∑ [ ]
Untuk semua . Hal ini mengakibatkan fungsi densitas probabilitas harus

memenuhi syarat (2.6) dan (2.7) dan fungsi yang memenuhi syarat-syarat tersebut
akan memberikan probabilitas yang sesuai dengan definisi (2.1).
Fungsi distribusi kumulatif dari variabel acak X didefinisikan dengan
[ ] untuk semua bilangan rill (2.8)
Jika X adalah variabel acak diskrit dengan fungsi densitas probabilitas ( ), maka
nilai harapan dari X didefinisikan sebagai

14
2.1.1.2 Variabel acak kontinu
Variabel acak kontinu merupakan variabel acak yang memiliki nilai yang tak
terhingga banyaknya, sepanjang sebuah interval tidak terputus. Variabel acak
kontinu biasanya diperoleh dari hasil pengukuran (Harinaldi, 2005: 62). Berikut
ini merupakan beberapa definisi dan teorema tentang variabel acak kontinu
diantaranya yaitu:
Variabel acak X dikatakan variabel acak kontinu jika ada fungsi f(x) yang
merupakan fungsi densitas probabilitas dari X. Dengan demikian, fungsi distribusi
kumulatifnya dapat direpresentasikan sebaga
∫ (2.10)
Teorema 2.3 (Bain & Engelhardt, 1992: 65)
Sebuah fungsi f(x) merupakan fungsi densitas probabilitas untuk suatu variabel
acak kontinu X jika dan hanya jika fungsi tersebut memenuhi syarat
(2.11)
Untuk semua riil x, dan
∫ (2.12)
Apabila X merupakan variabel acak kontinu dengan fungsi densitas probabilitas

maka nilai harapan dari X didefinisikan dengan
∫ (2.13)
jika integral pada persamaan (2.13) benar-benar terpusat atau konvergen. Jika
sebaliknya, maka E(X) tidak ada.

15
2.1.2 Distribusi Poisson
Distribusi Poisson adalah distribusi nilai-nilai bagi suatu variabel acak

diskrit, yaitu banyaknya hasil percobaan yang terjadi didalam suatu interval waktu
tertentu atau suatu daerah tertentu (Hasan, 2002: 54). Berikut ini merupakan
definisi tentang fungsi distribusi probabilitas Poisson yaitu:
Variabel acak diskrit X dikatakan memiliki distribusi Poisson dengan

parameter > 0 jika memiliki fungsi densitas probabilitas diskrit yang berbentuk
(2.14)
Keterangan:
x = hasil yang mungkin dari variabel acak diskrit X
e = konstanta dasar (basis) logaritma natural = 2,71828…
μ = nilai harapan dari X, dimana X adalah variabel acak diskrit
2.1.3 Distribusi Eksponensial
Distribusi Eksponensial digunakan untuk menggambarkan distribusi waktu.

Misalnya pada fasilitas jasa, dengan asumsi bahwa waktu pelayanan bersifat acak.
Artinya waktu untuk melayani customer tidak tergantung pada lama waktu yang
telah dihabiskan untuk melayani customer sebelumnya dan tidak bergantung pada
jumlah customer yang menunggu untuk dilayani. Berikut ini merupakan definisi
yang menjelaskan tentang distribusi Eksponensial:
Definisi 2.9 (Djauhari, 1990: 175-176)
Variabel acak X dikatakan berdistribusi Eksponensial dengan parameter λ jika

memiliki fungsi kepadatan probabilitas sebagai berikut:
{ (2.16)
dimana x menyatakan waktu yang dibutuhkan sampai terjadi satu kali sukses
dengan λ adalah rata-rata banyaknya sukses dalam selang waktu satuan.
Fungsi distribusi kumulatif Eksponensial merupakan integral dari

persamaan (2.16), sehingga diperoleh
∫
{ (2.17)

16
2.2 Teori Antrian
Pembahasan teori antrian lebih difokuskan pada upaya penguraian waktu tunggu
yang terjadi dalam barisan antrian. Antrian dapat dilihat dalam berbagai situasi
yang terjadi dalam kehidupan sehari-hari. Sebagai contoh, kendaraan yang
menunggu pada traffic light atau pasien yang menunggu untuk diperiksa.
2.2.1 Konsep Dasar Teori Antrian
Teori antrian dikemukakan dan dikembangkan oleh A. K. Erlang, seorang

insinyur Denmark pada tahun 1910. Erlang melakukan eksperimen tentang
fluktuasi permintaan fasilitas telepon yang berhubungan dengan automatic dialing
equipment, yaitu peralatan penyambungan telepon secara otomatis. Dalam waktu-
waktu yang sibuk operator sangat kewalahan untuk melayani para penelepon,
sehingga para penelepon atau customer harus mengantri menunggu giliran yang
mungkin cukup lama.
Rata-rata customer mengantri tergantung pada rata-rata kecepatan

pelayanan. Rata-rata pelayanan merupakan banyaknya pelayanan yang dapat
diberikan dalam waktu tertentu. Lamanya waktu pelayanan dapat bersifat acak
ataupun seragam. Sama halnya dengan kedatangan customer dapat bersifat
seragam (uniform) selama dalam periode tertentu atau secara acak. Hal ini karena
customer tidak datang pada waktu yang sama, demikian juga dengan waktu
pelayanannya. Oleh karena itu, digunakan teori probabilitas untuk menentukan
ukuran-ukuran keefektifan sistem antrian berdasarkan laju kedatangan dan
pelayanan customer.
Kedatangan customer untuk mendapatkan pelayanan akan mengalami

suatu proses antrian. Proses antrian merupakan suatu proses yang berhubungan
dengan kedatangan customer pada suatu fasilitas pelayanan, menunggu dalam
baris antrian jika belum dapat dilayani, dilayani dan akhirnya meninggalkan
fasilitas tersebut sesudah dilayani (Kakiay, 2004: 10). Proses antrian terjadi pada
sistem antrian yang mana merupakan suatu himpunan customer, pelayan dan suatu
aturan yang mengatur pelayanan kepada customer.
2.2.2 Struktur Dasar Model Antrian
Proses dasar yang dianggap oleh model antrian ialah bahwa customer yang
memerlukan pelayanan berasal dari suatu populasi yang disebut sumber masukan
(input source). Customer memasuki sistem antrian (queuing system) dan
menggabungkan diri atau membentuk suatu antrian. Pada waktu tertentu, anggota
dalam antrean dipilih untuk memperoleh pelayanan dengan menggunakan aturan
tertentu yang disebut disiplin pelayanan (service discipline). Pelayanan yang
diperlukan oleh customer kemudian dilakukan oleh mekanisme pelayanan (service

17
mechanism). Setelah pelayanan diperoleh, maka customer meninggalkan sistem

(Supranto, 2013: 325). Proses ini dapat dilihat pada gambar berikut:
Desain sarana pelayanan dapat diklasifikasikan dalam channel dan phase

yang akan membentuk struktur antrian yang berbeda-beda. Istilah channel
menunjukkan jumlah jalur untuk memasuki sistem pelayanan atau jumlah fasilitas
pelayanan. Istilah phase berarti banyaknya stasiun-stasiun pelayanan, dimana
customer harus melaluinya sebelum pelayanan dinyatakan lengkap. Ada beberapa
struktur model antrian yang biasa digunakan dalam sistem antrian, diantaranya
yaitu:
a. Single Channel Single Phase
Single Channel Single Phase adalah suatu sistem antrian dimana customer
hanya dilayani oleh satu penyedia layanan (server) dan melalui satu phase
pelayanan. Desain dari sistem antrian ini merupakan desain yang paling
sederhana. Sebagai contoh yaitu minimarket yang hanya memiliki satu kasir atau
praktek seorang dokter gigi.
b. Multiple Channel Single Phase
Multiple Channel Single Phase adalah suatu sistem antrian yang memiliki
dua atau lebih fasilitas pelayanan (server) yang terdiri dari antrian tunggal.
Misalnya, supermarket yang memiliki beberapa kasir atau pelayan pembelian tiket
yang dilayani lebih dari satu loket.

18
c. Single Channel Multiple Phase
Single Channel Multiple Phase adalah suatu sistem antrian yang memiliki
dua atau lebih pelayanan yang dilaksanakan secara berurutan. Misalnya, tempat
pencucian mobil atau mengurus surat izin usaha melalui beberapa orang pejabat
Pemerintahan.
c. Multiple Channel Multiple Phase
Multiple Channel Multiple Phase adalah suatu sistem antrian yang

memiliki beberapa phase, dimana setiap phase dilayani beberapa server. Hal ini
berarti ada lebih dari satu customer yang dilayani pada waktu yang bersamaan
disetiap phase. Sebagai contoh salah satunya yaitu pelayanan kepada pasien di
Rumah Sakit. Rumah Sakit mempunyai beberapa perawat yang akan memeriksa
pasien secara teratur dan kontinu (sebagai suatu urutan pekerjaan). Secara
skematis akan terlihat sebagai berikut:

19
2.2.3 Faktor Sistem Antrian
Terdapat beberapa faktor penting yang berpengaruh terhadap barisan

antrian dan pelayanannya, antara lain:
a. Distribusi Kedatangan
Pada sistem antrian, distribusi kedatangan merupakan faktor penting yang

berpengaruh besar terhadap kelancaran pelayanan. Distribusi kedatangan terbagi
menjadi dua, diantaranya:
1) Kedatangan secara individu (single arrivals)

2) Kedatangan secara kelompok (bulk arrivals)
Distribusi kedatangan diasumsikan bahwa kedatangan customer mengikuti

suatu proses dengan distribusi probabilitas tertentu. Distribusi probabilitas yang
sering digunakan ialah distribusi Poisson, dimana kedatangan bersifat bebas, tidak
terpengaruh oleh kedatangan sebelum ataupun sesudahnya. Asumsi distribusi
Poisson menunjukkan bahwa kedatangan customer sifatnya acak dan mempunyai
nilai rata-rata kedatangan sebesar lamda (λ) (Kakiay, 2004: 11).
b. Distribusi Pelayanan
Distribusi pelayanan berkaitan dengan banyaknya fasilitas pelayanan yang

dapat disediakan. Distribusi pelayanan terbagi menjadi dua komponen penting,
yaitu:
1) Pelayanan secara individu (single arrivals)

2) Pelayanan secara kelompok (bulk arrivals)
Distribusi probabilitas yang biasa digunakan pada ditribusi waktu

pelayanan yaitu distribusi Poisson. Lain halnya dengan waktu antar pelayanan
yang diasumsikan berdistribusi Eksponensial. Distribusi Eksponensial merupakan
distribusi acak yang variabelnya berdiri sendiri tanpa memori masa lalu. Artinya,
waktu antar pelayanan tidak bergantung dengan pelayanan sebelumnya. Rata-rata
laju pelayanan dengan simbol μ (mu) merupakan banyaknya customer yang dapat
dilayani dalam satuan waktu.
c. Fasilitas Pelayanan
Fasilitas pelayanan berkaitan erat dengan baris antrian yang akan dibentuk.
Desain fasilitas pelayanan ini dapat dibagi dalam tiga bentuk, yaitu:

20
1) Bentuk series
Fasilitas pelayanan dengan bentuk series merupakan fasilitas pelayanan

yang berurutan dalam satu garis lurus.
2) Bentuk paralel atau sejajar
Fasilitas pelayanan dengan bentuk paralel merupakan fasilitas pelayanan

yang dilakukan secara bercabang dengan fungsi yang sama.
3) Bentuk network station atau antrean jaringan
Fasilitas pelayanan dengan bentuk network station merupakan fasilitas

pelayanan series dan paralel yang terjadi secara bersama-sama.
d. Disiplin Pelayanan
Menurut Kakiay (2004: 12), disiplin antrian merupakan aturan dimana para
customer dilayani, atau disiplin pelayanan (service discipline) yang memuat
urutan (order) para customer menerima layanan. Aturan pelayanan menurut
kedatangan ini dapat didasarkan pada:
1) First Come First Served (FCFS)
FCFS merupakan suatu peraturan dimana yang akan dilayani terlebih

dahulu adalah customer yang datang pertama. Misalnya, antrian di loket-loket
penjualan karcis kereta api.
2) Last Come First Served (LCFS)
LCFS merupakan antrian dimana yang datang paling akhir akan dilayani
paling awal. Misalnya, pada sistem bongkar muat barang di dalam truk, dimana
barang yang masuk terakhir justru akan keluar terlebih dahulu.
3) Service in Random Order (SIRO)
SIRO merupakan antrian dimana pelayanan dilakukan secara acak.

Misalnya arisan, dimana pelayanan atau service dilaksanakan berdasarkan
undian (random).
4) Prioritas pelayanan, yang berarti pelayanan dilakukan khusus pada customer

utama (VIP customer)
Prioritas pelayanan adalah antrian dimana pelayanan didasarkan pada

prioritas khusus. Misalnya, dalam suatu pesta dimana tamu-tamu yang
dikategorikan VIP akan dilayani terlebih dahulu.

21
d. Disiplin Pelayanan
Kapasitas antrian merupakan besarnya sistem antrian dapat menampung

banyaknya individu-individu atau customer. Ada dua desain yang dapat dipilih
untuk menentukan besarnya antrian. Desain pertama yaitu ukuran kedatangan
customer tidak terbatas (infinite queue), sedangkan desain kedua yaitu ukuran
kedatangan secara terbatas (finite queue).
f. Sumber Pemanggilan
Sumber pemanggilan pada fasilitas pelayanan dapat berupa mesin maupun

manusia. Bila ada sejumlah mesin yang rusak maka sumber pemanggilan akan
berkurang dan tidak dapat melayani customer. Sumber pemanggilan dibedakan
menjadi dua yaitu sumber pemanggilan terbatas (finite calling source) dan tidak
terbatas (infinite calling source).
2.2.4 Notasi Kendall
Karakteristik dan asumsi dari model antrian dirangkum dalam bentuk

notasi. Menurut Kakiay (2004: 17-18), bentuk kombinasi proses kedatangan
dengan pelayanan pada umumnya dikenal sebagai standar universal. Standar
universal disebut notasi Kendall yaitu:
(a/b/c) : (d/e/f)
Dimana simbol a, b, c, d, e dan f merupakan unsur-unsur model baris

antrian. Penjelasan dari simbol-simbol tersebut adalah sebagai berikut:
a : Distribusi kedatangan (Arrival Distribution)
b : Distribusi waktu pelayanan atau keberangkatan
c : Banyaknya server dalam paralel (dimana c = 1, 2, 3, . . ∞)
d : Disiplin antrian, seperti FCFS, LCFS, SIRO.
e : Jumlah maksimum yang diizinkan dalam sistem (Queue and System)
f : Banyaknya customer yang ingin memasuki sistem sebagai sumber
Notasi standar ini dapat diganti dengan kode-kode yang sebenarnya dari
distribusi-distribusi yang terjadi dan bentuk lainnya, seperti:
M : Distribusi kedatangan atau pelayanan dari proses Poisson.

D : Desterministic inter arrival atau service time (waktu pelayanan)
k : Banyaknya server dalam bentuk paralel atau seri
N : Jumlah maksimum customer dalam sistem
: Erlang distribusi untuk waktu antar kedatangan dan pelayanan
G : Distribusi umum dari service time atau keberangkatan (departure)
GI : Distribusi umum yang independen dari proses kedatangan

22
GD : General Discipline (disiplin umum) dalam antrian (FCFS, LCFS, dll)

NPD : Non-Preemptive Discipline
PRD : Preemptive Discipline
Berikut ini merupakan contoh notasi Kendall yang digunakan untuk

menentukan model antrian:
(M/M/k):(GD/ / )
Hal ini berarti:M = Distribution of Poisson Arrival atau kedatangan berdistribusi

Poisson
M = Waktu pelayanan berdistribusi Poisson
k = Banyaknya server k
GD = General Discipline
= Kapasitas customer dan sumber pemanggilan tidak terbatas
2.2.5 Tingkat Kedatangan

Menurut pengamatan A. K. Erlang di Copenhagen Telephone, pola
permintaan customer telepon yang meminta sambungan dalam kurun waktu yang
tidak terputus (continuous of time) dapat dibagi dalam beberapa interval waktu
yang sama. Dalam hal ini, permintaan customer terdistribusi secara acak pada
masing-masing interval waktu tetap dalam kurun waktu yang tidak terputus
disebut proses Poisson (Siswanto, 2007: 218). Berikut ilustrasi proses Poisson
pada kedatangan customer dan interval waktu tetap dalam suatu kurun waktu:
Berdasarkan Gambar 2.7 terdapat 10 customer yang datang antara jam

06.00-10.00. Pada interval ada 6 customer yang datang, sedangkan pada
interval tidak ada yang datang sama sekali. Inilah contoh fenomena yang
diamati oleh A. K. Erlang dengan mengikuti proses Poisson. Dalam hal ini,
diasumsikan:
1) Kedatangan customer bersifat acak

2) Kedatangan customer antar interval waktu tidak saling mempengaruhi

23
Dalam Gambar 2.7, kurun waktu observasi tersebut dibagi menjadi empat
interval waktu tetap. Jika I menandai banyaknya interval waktu maka
Dimana adalah interval ke-i
Dalam kasus ini = 1 interval dengan 6 kedatangan; = 1 interval

dengan 1 kedatangan; = 1 interval dengan 0 kedatangan; dan = 1 interval
dengan 3 kedatangan. Dengan demikian diperoleh bahwa banyaknya interval yaitu
4 atau =4. Selanjutnya, jika N menandai banyaknya customer yang datang selama
I interval dan di interval ada customer, maka banyaknya customer selama
kurun waktu I adalah:
dimana, adalah banyaknya customer yang datang di interval . Dalam kasus

ini, = 6 + 1 + 0 + 3 = 10.
Jadi, di dalam setiap interval yang sama tersebut customer datang secara
acak (random). Jika pada setiap interval tersebut dibagi menjadi n sub interval
dengan asumsi dan proses yang sama, maka kedatangan pada setiap interval
waktu tetap dapat dinyatakan dengan distribusi Poisson (Siswanto, 2007: 219).
Dengan demikian, rata-rata laju kedatangan customer pada setiap interval waktu
tersebut dapat diestimasi dengan:
(2.20)
Menggunakan persamaan (2.20), rata-rata laju kedatangan (arrival rate)

pada contoh Gambar 2.7 diperoleh:
Artinya setiap jam rata-rata 2,5 customer datang, maka rata-rata interval
kedatangan antara satu customer dengan customer yang lain adalah:

24
Dengan demikian, jika λ menyatakan rata-rata laju kedatangan customer per

interval waktu, maka 1/ menyatakan rata-rata waktu antar kedatangan customer.
2.2.6 Tingkat Pelayanan
Rata-rata waktu pelayanan (mean server rate) diberi simbol (mu)

merupakan banyaknya customer yang dapat dilayani dalam satuan waktu. Lain
halnya dengan rata-rata waktu yang dipergunakan untuk melayani setiap customer
diberi simbol 1/ satuan (Kakiay, 2004: 11). Misalnya, kapasitas fasilitas suatu
pelayanan mampu melayani 4 customer per jam. Artinya rata-rata tingkat
pelayanan adalah = 4 customer/jam, maka rata-rata waktu pelayanan setiap
customer adalah:
Selanjutnya, apabila rata-rata waktu antar pelayanan 1/ dalam satuan

waktu per customer mengikuti distribusi Eksponensial, maka rata-rata pelayanan
( ) dalam customer per satuan waktu mengikuti distribusi Poisson (Siswanto,
2007: 221).
2.3 Model-Model Antrian
Bagian ini membahas sejumlah model antrian yang mencakup berbagai

operasi pelayanan. Pembahasan ini terdiri dari: proses kelahiran dan kematian
murni; model kelahiran murni; model kematian murni; solusi steady state dari
kinerja sistem antrian; antrian Poisson khusus (M/M/1):(GD/ / ); antrian Poisson
khusus (M/M/c):(GD/ / ); dan antrian tandem atau seri.
2.3.1 Proses Kelahiran dan Kematian (Birth and Death)
Kebanyakan model dasar antrian menganggap bahwa kedatangan (input)

dan keberangkatan (output) dari sistem antrian terjadi menurut proses birth-death
(kelahiran-kematian). Kelahiran adalah kedatangan calling unit yang baru dalam
sistem antrian, sedangkan kematian adalah keberangkatan unit yang telah dilayani.
Proses kelahiran dan kematian terjadi secara acak yang rata-rata terjadinya
bergantung pada keadaan yang sedang berlangsung (current state) dari sistem (
Dimyati & Dimyati, 2002: 356).
Berikut ini merupakan penjelasan tentang proses kelahiran dan kematian:

25
1) Birth Postulate
Sistem pada state ( =0,1,2 ...) pada saat t, probabilitas bahwa tepat ada
satu kelahiran selama interval waktu t sampai dengan ( Δ ) adalah [
Δ Δ )], dimana positif konstan.
2) Death Postulate
Sistem pada state ( =0,1,2 ...) pada saat t, probabilitas bahwa tepat ada
satu kematian selama interval waktu t sampai dengan ( Δ ) adalah [
Δ Δ )], dimana =0 dan positif konstan untuk n > 0.
3) Multiple Jump Postulate
Sistem pada state ( =0,1,2 ...) pada saat t, probabilitas bahwa jumlah
kombinasi kelahiran dan kematian lebih dari satu selama interval waktu t
sampai ( Δ ) adalah Δ ) (keterangan: Δ ) adalah fungsi dari Δ yang
mendekati nol). Dengan demikian, fungsi tersebut memenuhi persamaan:
Sebagai akibat postulate ketiga, maka postulate pertama diasumsikan tepat

ada 1 kelahiran dan tanpa kematian. Hal yang sama berlaku juga untuk postulate
kedua yaitu ada 1 kematian dan tanpa kelahiran.
Proses kelahiran dan kematian selama interval waktu t sampai dengan

( +Δ ) harus terjadi salah satu dari kejadian mutually exclusive (saling
meniadakan) berikut:
1) Tepat ada 1 kelahiran tanpa kematian
2) Tepat ada 1 kematian tanpa kelahiran
3) Jumlah kelahiran dan kematian lebih besar dari 1
4) Tidak ada kelahiran atau kematian
Jumlah probabilitas kejadian tersebut adalah 1, sehingga probabilitas

terjadi kejadian (4) adalah:
[ ]

26
Dengan demikian, sistem dengan state ( =0,1,2 ...) pada saat t probabilitas
bahwa tidak terjadi kelahiran dan kematian pada interval waktu t sampai dengan
( Δ ) adalah:
[ ]
Probabilitas kejadian dapat mencapai state pada saat t sampai ( +Δ )

dengan n > 0 yaitu:
Tabel 2.1 Probabilitas kejadian mutually exclusive

State Kejadian dari t
Pada saat sampai Probabilitas
t Kelahiran Kematian
1 0 [ ]
0 1 [ ]
1 1
0 0 [ ]
Berdasarkan Tabel 2.1 dengan 4 probabilitas kejadian mutually exclusive

maka diperoleh:
[ ] [ ]
[ ]
Selanjutnya, proses penggabungan Δ )
[ ]
Kedua ruas kemudian dikurangi dengan dan dibagi dengan , maka

didapatkan:
[ ]
Untuk positif, maka berlaku:
[ ] { [ ] }
dengan mengingat kembali tentang definisi turunan berikut:

27
Maka persamaan (2.21), menjadi:
(2.22)
Jika maka nilai sehingga persamaan (2.22)

menjadi:
(2.23)
2.3.2 Proses Kelahiran murni
Asumsikan Bahwa dan untuk seluruh Ini

menunjukkan bahwa kematian tidak akan pernah terjadi, sehingga prosesnya
menjadi proses kelahiran murni dengan tingkat kedatangan konstan. Persamaan
differensial dari persamaan (2.22) untuk kelahiran murni menjadi:
,untuk n=0 (2.24)
,untuk n=1,2,… (2.25)
Selanjutnya, diasumsikan bahwa sistem dalam state pada saat t = 0, maka

didapatkan:
, untuk n=0
Jika n = 1, maka dengan menggunakan persamaan (2.25) diperoleh:
Mengalikan kedua ruas dengan , maka diperoleh:

28
( )
Kedua ruas tersebut kemudian diintegralkan, sehingga didapatkan
, karena adalah fungsi probabilitas maka nilai c yang

memenuhi adalah 0. Jadi didapatkan nilai yaitu:
(2.26)
Jika n=2, maka dengan menggunakan persamaan (2.25) diperoleh:
Selanjutnya mengalikan kedua ruas dengan , maka diperoleh
( )
Mengintegralkan kedua ruas tersebut, sehingga didapatkan
, karena adalah fungsi probabilitas maka c= 0. Jadi

didapatkan nilai yaitu
(2.27)
Berdasarkan persamaan (2.26) dan (2.27), maka dapat diambil rumus

umum yaitu:
(2.28)

29
Mengingat kembali bahwa distribusi kemungkinan untuk n adalah distribusi

Poisson dengan parameter . Oleh karena itu, harga rata-rata dan variansi dari
panjang garis pada saat t adalah dengan rata-rata laju kedatangan .
Selanjutnya, misalkan n merupakan kedatangan customer digantikan dengan

simbol x, maka probabilitas untuk x customer yaitu:
(2.29)
2.3.3 Model Kematian murni
Asumsikan bahwa untuk dan untuk

. Asumsikan juga bahwa sistem dalam keadaan state pada saat t = 0. Pada
asumsi pertama menyatakan kelahiran tidak pernah terjadi, sehingga hanya
terdapat kematian murni dengan tingkat pelayanan konstan sampai berakhir pada
state (Dimyati & Dimyati, 2002: 360). Dengan demikian proses ini ekuivalen
dengan kelahiran murni, kecuali proses ini bergerak dalam arah berlawanan, dan
berhenti setelah N kejadian.
Persamaan diferensial untuk proses kematian murni yaitu:
untuk (2.30)
untuk (2.31)
Mengingat bahwa (N-n) adalah jumlah kejadian kematian yang telah terjadi dalam
proses. Oleh karena itu, probabilitas bahwa tidak ada kejadian terjadi pada saat t
adalah:
(2.32)
Selanjutnya mencari probabilitas bahwa ( ) kejadian telah terjadi, dimana

. Misalkan , maka dengan menggunakan persamaan
(2.30) diperoleh:

30
Kedua ruas tersebut kemudian dikalikan dengan , maka didapatkan
( )
Selanjutnya kedua ruas diintegralkan, sehingga didapatkan
karena adalah fungsi probabilitas maka c = 0
Jadi diperoleh nilai yaitu
(2.33)
Jika n = N-2, maka dengan menggunakan persamaan (2.30) diperoleh
Kedua ruas tersebut kemudian dikalikan dengan , maka didapatkan
( )
Selanjutnya kedua ruas diintegralkan, sehingga diperoleh
karena adalah fungsi probabilitas maka c =

0. Jadi diperoleh nilai yaitu
(2.34)

31
Berdasarkan persamaan (2.33) dan (2.34), maka diperoleh rumus umum

probabilitas untuk kematian murni yaitu:
(2.35)
2.3.4 Solusi Steady State dari Kinerja Sistem Antrian
Menurut Dimyati & Dimyati (2002: 361-362), jika sistem antrian mencapai
kondisi steady state maka probabilitas { } menjadi konstan dan independen
terhadap waktu. Solusi steady state untuk bisa didapatkan dengan 2
pendekatan, antara lain:
1) Dengan menyelesaikan dalam kasus transien dengan → ∞

2) Dengan menetapkan
Solusi transien tidak dapat digunakan untuk proses kelahiran dan kematian, maka
digunakan pendekatan yang kedua. Dengan mengasumsikan bahwa:
Sehingga
{ }
Untuk maka persamaan (2.22) dan (2.23) menjadi:
jika n > 0 (2.36)
jika n = 0 (2.37)
Jika n = 0, maka dengan menggunakan persamaan (2.37) diperoleh:
(2.38)
Selanjutnya dengan menggunakan persamaan (2.36) untuk n = 1, maka diperoleh
(2.39)

32
Mensubstitusikan persamaan (2.38) ke dalam persamaan (2.39), sehingga

persamaannya menjadi
(2.40)
Berdasarkan persamaan (2.38) dan (2.40), maka diperoleh rumus umum yaitu :
(2.41)
Berlaku untuk
Nilai ditentukan dengan menggunakan persamaan berikut ini:
Ukuran-ukuran steady state dari kinerja sistem antrian dengan c= pelayanan

paralel diperoleh,
Terdapat hubungan yang kuat antara , , , dan , sehingga salah satu

ukuran secara otomasis dapat ditentukan dari ukuran lainnya. Anggap adalah
rata-rata laju kedatangan efektif (tidak bergantung dengan jumlah sistem n), maka
(2.45)
(2.46)
Hubungan langsung dari ukuran keefektifan juga terdapat antara dan ,

berdasarkan definisi

33
{ }
{ } { }
Diketahui bahwa μ adalah rata-rata laju pelayanan, maka waktu pelayanan yang
diperkirakan adalah 1/ . Dengan demikian diperoleh,
(2.47)
Selanjutnya mengalikan kedua sisi persamaan (2.47) dengan , diperoleh
(2.48)
Pemanfaatan yang diperkirakan dari sebuah sarana pelayanan didefinisikan

sebagai fungsi dari banyaknya rata-rata pelayan (server) yang sibuk. Karena
selisih antara dan harus sama dengan banyaknya pelayan yang sibuk, maka
diperoleh
{ } ̅ (2.49)
Persentase pemanfaatan sebuah sarana pelayanan dengan c pelayan yang paralel

dapat dihitung sebagai
̅
Persentase pemanfaatan x 100% (2.50)
Solusi steady state dari kinerja sistem antrian diatas diturunkan dengan
asumsi bahwa parameter-parameter dan adalah sedemikian sehingga
kondisi steady state tercapai. Asumsi ini berlaku jika,
(2.51)
Kondisi stabil (steady state) dapat terpenuhi jika < 1 yang berarti λ < μ. Jika
nilai > 1 maka kedatangan terjadi dengan laju yang lebih cepat dari pada yang
dapat dilayani server. Hal ini berarti panjang antrian yang diharapkan bertambah

34
tanpa batas sehingga tidak steady state. Demikian juga jika = 1, maka
kedatangan terjadi dengan laju yang sama dengan laju pelayanan.
2.3.5 Antrian Poisson Khusus (M/M/1) : (GD/ )
Proses kelahiran-kematian yang telah dijelaskan pada bagian sebelumnya

digunakan untuk menganalisis ukuran keefektifan sistem antrian
(M/M/1):(GD/ / ). Mengingat kembali bahwa sistem antrian (M/M/1):(GD/ / )
memiliki waktu antar kedatangan Eksponensial (asumsikan rata-rata kedatangan
per satuan waktu λ) dan satu server dengan waktu antar pelayanan Eksponensial
(asumsikan setiap customer waktu pelayanannya Eksponensial dengan rata-rata μ)
(Winston, 2004: 1072).
Pada bagian 2.3.1, memperlihatkan bahwa sistem antrean

(M/M/1):(GD/ / ) dimodelkan sebagai proses kelahiran-kematian dengan
parameter berikut:
dengan menganggap = / . Selanjutnya, mengekspresikan ke dalam

persamaan (2.41) yang telah digeneralisasi menjadi:
( ) (2.52)
Selanjutnya, nilai dicari dengan menggunakan persamaan (2.42) yaitu jumlah

semua untuk sama dengan 1, maka diperoleh
[ ]
Persamaan tersebut merupakan deret geometri, maka dapat disubstitusikan ke

dalam rumus deret geometri tak hingga yang didefinisikan dengan:
maka diperoleh,

35
* +
(2.53)
Selanjutnya mensubstitusikan persamaan (2.53) ke dalam persamaan (2.52),

sehingga diperoleh rumus umum yaitu:
(2.54)
Yang merupakan sebuah distribusi geometris.
Persyaratan matematis diperlukan untuk memastikan konvergensi

dari serial geometris [ ]. Pada intinya, berarti bahwa
yang menyatakan bahwa laju kedatangan harus lebih kecil dari laju
pelayanan agar sistem mencapai kondisi steady state. Dengan demikian, dapat
diturunkan ukuran-ukuran keefektifan model antrian (M/M/1):(GD/ / ) sebagai
berikut:
[ ]
[ ]
Terlihat bahwa ∑ merupakan turunan sederhana dari ∑

terhadap . Selanjutnya dengan menggunakan definisi deret geometri , maka
diperoleh:

36
akibatnya,
* +
∑
Persamaan (2.56) kemudian disubstitusikan ke dalam persamaan (2.55), sehingga

persamaannya menjadi:
Ukuran keefektifan rata-rata waktu customer menunggu dalam sistem

dapat dicari dengan mensubstitusikan persamaan (2.57) ke persamaan (2.45)
seperti berikut ini:
(2.58)
Rata-rata waktu customer menunggu dalam antrian dapat dicari dengan

cara mensubstitusikan persamaan (2.58) ke dalam persamaan (2.47), maka
diperoleh

37
(2.59)
Selanjutnya, menentukan rata-rata banyaknya customer dalam antrian yaitu

dengan cara mensubstitusikan persamaan (2.59) ke persamaan (2.46), sehingga
diperoleh
(2.60)
Dengan demikian, banyak pelayanan yang sibuk atau kepadatan customer ( )̅

dapat dicari dengan mensubstitusikan persamaan (2.57) dan (2.60) ke dalam
persamaan (2.49), sehingga diperoleh
̅ (2.61)
2.3.6 Antrian Poisson Khusus (M/M/c) : (GD/ )
Pada model (M/M/c):(GD/ / ) kedatangan customer berdistribusi Poisson

dengan rata-rata λ. Selain itu, terdapat c (server) dimana setiap server independen
dan diidentifikasi waktu antar pelayanan (1/μ) berdistribusi Eksponensial (Gross
& Harris, 2008: 66-67). Berikut ini merupakan diagram yang menggambarkan
tentang model (M/M/c):(GD/ / ):
Gambar 2.8 Diagram tingkat perpindahan model (M/M/c):(GD/ / )
Seperti antrian (M/M/1):(GD/ / ), antrian (M/M/c):(GD/ / ) dapat

dimodelkan sebagai proses kelahiran-kematian (Gambar 2.8). Dalam model ini,
rata-rata laju kedatangan (λ) dan rata-rata laju pelayanan (μ) customer konstan.
Selain itu juga terdapat maksimum c (server), sehingga customer dapat dilayani

38
secara bersamaan. Selanjutnya dari pembahasan pada bagian sebelumnya, yaitu

solusi steady state dari kinerja sistem antrian dapat disimpulkan bahwa .
Pengaruh penggunaan c server yang paralel adalah mempercepat laju

pelayanan dengan memungkinkan dilakukannya beberapa pelayanan secara
bersamaan. Jika banyaknya customer dalam sistem sebanyak n, sama dengan atau
lebih besar dari c, maka laju pelayanannya dapat dirumuskan sebagai berikut:
Perhitungan untuk dapat dijabarkan sebagai,
( )
(2.62)
Dan untuk yaitu,
(2.63)
Jadi, dari persamaan (2.62) dan persamaan (2.63) diperoleh
( )
{ (2.64)
( )
dengan menganggap bahwa = / . Nilai didapatkan dengan cara

mensubstitusikan persamaan (2.64) ke dalam persamaan ∑ seperti
berikut:
{∑ ∑ }

39
{∑ ∑ }
Jika dimisalkan , maka diperoleh
{∑ ∑( ) }
Karena ∑ ( ) merupakan deret geometritak hingga, maka
{∑ ( )}
Selanjutnya, menentukan ukuran keefektifan yang terdiri dari , , , dan

. Nilai dapat dicari dengan meggunakan persamaan (2.44) berikut
Jika dimisalkan k = n – c dan mensubstitusikan persamaan (2.64) ke persamaan

(2.44), maka diperoleh
∑ ( )
Dimana
∑ ( ) ∑( ) [ ]
( ) ( ) ( )

40
Maka,
( )
[ ]
( )
[ ]
* + (2.66)
Selanjutnya, menentukan nilai dengan cara mensubstitusikan persamaan (2.66)

ke dalam persamaan (2.48), sehingga didapatkan
* + (2.67)
Nilai dapat ditentukan dengan mensubstitusikan persamaan (2.66) ke dalam

persamaan (2.46), seperti berikut
[ ]
(2.68)
Nilai ditentukan dengan mensubstitusi persamaan (2.68) ke dalam persamaan

(2.47), maka diperoleh

41
(2.69)
Dengan demikian, dapat dicari banyaknya pelayanan yang sibuk atau kepadatan
customer ( ̅) dengan mensubstitusikan persamaan (2.66) dan (2.67) ke dalam
persamaan (2.49), sehingga didapatkan
̅ ,* + - ,* + - (2.70)
2.3.7 Antrian dua Stasiun Seri (Tandem)
Antrian model seri diuraikan melalui distribusi tertentu yang menunjukkan

kedatangan customer pada suatu tempat dengan menggunakan sistem antrian
tersebut. Customer harus melalui semua stasiun secara berurutan agar
mendapatkan layanan secara tuntas (Kakiay, 2004: 189).
Sistem antrian seri yang melalui dua stasiun dapat digambarkan sebagai
berikut:
Gambar 2.9 Sistem antrian dua stasiun seri
Pada sistem antrian dua stasiun seri, antrian tidak diizinkan di depan stasiun-1
atau stasiun-2. Setiap customer yang datang harus melalui stasiun-1 dan kemudian
masuk stasiun-2 agar dapat dilayani dengan tuntas. Waktu antar pelayanan
mengikuti distribusi Eksponensial, sedangkan laju kedatangan mengikuti
distribusi Poisson.
Pengembangan model antrian seri mengharuskan pertama-tama keadaan

sistem di setiap saat diidentifikasi. Hal ini dapat dicapai apabila setiap stasiun
mungkin bisa berisi, ada customer atau mungkin pula kosong. Dengan kata lain
setiap stasiun mungkin bebas (free), bekerja (busy) atau customer ditahan
(blocked) di stasiun-1 jika stasiun-2 masih ada customer yang dilayani.
Dengan demikian dapat diberikan pernyataan dengan simbol 0, 1, b yang

menandakan bebas (free), sibuk (busy), dan ditahan (blocked). Anggaplah i dan j
mewakili keadaan stasiun-1 dan stasiun-2. Maka keadaan dalam sistem antrian ini
dapat ditunjukkan sebagai berikut :

42
{ } { }
Selanjutnya, mendefinisikan sebagai probabilitas bahwa sistem tersebut

berada dalam keadaan (i, j) pada waktu t. Probabilitas transisi antara t dan t+h (h
adalah sebuah kenaikan positif dalam waktu) yang diringkas dalam Tabel 2.2.
Kotak yang kosong menunjukkan bahwa transisi antara keadaan yang ditunjukkan
di t dan t+h adalah tidak mungkin (=0).
Tabel 2.2 Probabilitas (

Keadaan di t+h
Keadaan di t
(0,0) (0,1) (1,0) (1,1) (b,1)

(0,0) 1- h
(0,1) h(1- h) 1- h- h h(1- h)
(1,0) h(1- h) 1- h
(1,1) h(1- h) h h
(b,1) h(1- h) 1- h
Masing-masing kotak diatas menjelaskan besarnya transisi probabilitas dari

ke . Sebagai contoh pada kotak ke besar
probabilitasnya adalah μh(1-λh). Artinya, terdapat pelayanan di stasiun-2 tetapi
tidak terdapat kedatangan di stasiun-1.
Berdasarkan Tabel 2.2, dengan mengabaikan maka diperoleh persamaan

sebagai berikut:
Selanjutnya mengambil limit yang sesuai dan mengikuti persamaan steady state,
maka perumusan pada persamaan diatas dapat diuraikan menjadi:

43
Salah satu persamaan diatas berlebihan, sehingga dengan menambahkan kondisi
dapat dicari pemecahan untuk yaitu:
(2.71)
(2.72)
(2.73)
(2.74)
Dimana
Ekspektasi jumlah customer didalam sistem antrean dapat dinyatakan

dengan:
( ) ( ) ( )
(2.75)
Dengan demikian, dapat ditentukan nilai atau rata-rata waktu menunggu

customer dalam sistem menggunakan persamaan (2.45) sebagai berikut:
diperoleh dari maka
( )
(2.76)

44
2.4 Uji Distribusi Kolmogorov-Smirnov
Pengujian Kolmogorov-Smirnov merupakan salah satu uji pembanding

dalam statistik non parametrik. Pengujian ini dapat dinyatakan sebagai suatu cara
untuk menguji apakah terdapat perbedaan yang signifikan antara observasi
distribusi frekuensi dengan teoritis distribusi frekuensi. Dengan demikian,
pengujian Kolmogorov-Smirnov merupakan suatu perhitungan goodness of-fit
untuk teori distribusi frekuensi (Kakiay, 2004: 143).
Misalkan merupakan fungsi distribusi frekuensi kumulatif yang

diharapkan (frekuensi teoritis) dari suatu distribusi Poisson dan merupakan
distribusi frekuensi kumulatif yang diobservasi dari sampel acak dengan N
observasi. Berdasarkan distribusi teoritis dibawah asumsi , maka diharapkan
untuk setiap harga X, harus jelas mendekati . Artinya, dibawah
asumsi selisih antara dan menghasilkan nilai yang kecil dan ada
dalam batas-batas kesalahan acak (Siegel, 1956: 48).
Tes Kolmogorov-Smirnov memusatkan perhatian pada penyimpangan

(deviasi) terbesar. Nilai terbesar dinamakan deviasi maksimum,
yang dirumuskan:
| | (2.77)
Tes Kolmogorov-Smirnov ini memperlihatkan dan mengerjakan suatu

observasi terpisah dari yang lain. Dengan demikian, tes Kolmogorov-Smirnov
tidak akan kehilangan informasi karena adanya penggabungan kategori. Hal ini
yang menjadi alasan untuk menggunakan Kolmogorov-Smirnov sebagai uji
distribusi. Selain itu, tes Kolmogorov-Smirnov dapat digunakan untuk menguji
sampel yang sangat kecil. Fakta ini menunjukkan bahwa Tes Kolmogorov-
Smirnov kekuatannya lebih besar dibandingkan dengan tes lainnya seperti .
2.5 Simulasi Monte Carlo
Simulasi Monte Carlo merupakan suatu pendekatan yang membentuk

kembali distribusi peluang berdasarkan pada pilihan atau pengadaan bilangan
acak. Penerapan simulasi Monte Carlo pada sistem antrian karena beberapa
asumsi yang diperlukan sulit terpenuhi. Misalnya, keadaan sistem antrian yang
belum steady state atau laju kedatangan dan pelayanan yang tidak berdistribusi
Poisson.
Teknik simulasi Monte Carlo merupakan suatu teknik untuk memilih

angka-angka secara acak dari distribusi probabilitas yang digunakan dalam suatu

45
percobaan (komputer) (Taylor, 2008: 242). Adapun langkah-langkah simulasi

Monte Carlo dengan bantuan software MS. Excel adalah sebagai berikut:
1. Menetapkan distribusi probabilitas untuk masing-masing waktu kedatangan

dan waktu pelayanan.
2. Menghitung distribusi kumulatif pada masing-masing probabilitas.
3. Menetapkan suatu interval angka acak untuk masing-masing variabel.
4. Gunakan fasilitas yang telah disediakan pada software MS. Excel untuk
pemilihan angka acak.
5. Selanjutnya, cari rata-rata panjang antrian dan rata-rata waktu menunggu
dalam antrian.
2.6 Software SPSS
Berikut merupakan langkah-langkah uji Kolmogorov-Smirnov dengan

menggunakan software SPSS:
1. Input data ke spreadsheets Data View SPSS dilanjutkan dengan input

paremeter deskripsi ke spreadsheets Data Variable SPSS

46
2. Klik Analyze → Nonparametric Test → Legacy Dialogs → 1-Sample K-S.
3. Muncul kotak One-Sample Kolmogorov-Smirnov Test. Data yang akan diuji

terletak di kiri dan dipindahkan ke kanan dengan tanda panah. Selanjutnya,
pada Test Distribution pilih Poisson dan klik OK.

47
4. Hasilnya akan muncul seperti berikut ini:
Intepretasi dari hasil output 4 adalah sebagai berikut:
a. N merupakan jumlah data sample yang diuji pada Kolmogorov-Smirnov

menggunakan SPSS.
b. Poisson Parameter Mean merupakan parameter (rata-rata laju kedatangan

atau pelayanan) customer per satuan waktu.
c. Most Extreme Differences Absolute merupakan nilai statistik D pada Uji

Kolmogorov-Smirnov. Nilai D pada uji Kolmogorov-Smirnov diatas
sebesar 0,109.
d. Kolmogorov-Smirnov Z pada hasil output tersebut sebesar 0,654. Hal ini

berarti p-value > 0,05, sehingga diterima dan data terdistribusi secara
normal.
e. Asymp. Sig. (2-tailed) merupakan p-value yang dihasilkan dari uji . Pada
hasil output nilai Asymp. Sig. (2-tailed) sebesar 0,786, sehingga memenuhi
asumsi normalitas karena nilainya diatas 0,05.

48
BAB 3
HASIL DAN PEMBAHASAN
Bab ini menguraikan hasil penelitian dan pembahasan untuk menjawab

pertanyaan pada perumusan masalah. Hal-hal yang dijelaskan dalam bab ini
mencakup pemeriksaan steady state, uji distribusi, menentukan model antrian,
perhitungan ukuran keefektifan dan optimasi sistem antrian.
3.1 Hasil Penelitian
Hasil penelitian diperoleh data waktu kedatangan dan waktu pelayanan

pasien di bagian Loket dan Klinik DM&HT. Data yang digunakan untuk analisis
yaitu data pada hari Rabu, Kamis, dan Jumat. Hal ini disebabkan karena pada hari
tersebut terjadi penumpukan pasien yang lebih banyak dari biasanya. Selanjutnya,
data primer pada bagian Loket dan Klinik DM&HT tersebut dikelompokkan
masing-masing per 5 menit selama 3 jam penelitian.
Disiplin antrian pada Loket dan Klinik DM&HT memiliki disiplin antrian
First Come Frist Served (FCFS), dimana pasien yang pertama kali datang adalah
pasien yang pertama kali di layani.
3.1.1 Hasil Penelitian pada Hari Rabu, 04 Juli 2018
Data primer yang diperoleh pada hari Rabu dikelompokkan per 5 menit
selama 3 jam untuk mencari nilai rata-rata laju kedatangan ( ) dan rata-rata laju
pelayanan ( ). Selanjutnya, pemeriksaan solusi steady state dan kemudian
dilakukan uji distribusinya. Hal ini dilakukan pada loket dan Klinik DM&HT,
berikut analisis untuk loket dan DM&HT:
3.1.1.1 Pemeriksaan Kondisi Steady State
Analisis data yang utama adalah menghitung ukuran steady state yaitu jika
tingkat kegunaan . Hal ini berarti rata-rata laju kedatangan pasien di
loket kurang dari rata-rata laju pelayanan pada loket tersebut. Sebelum
menghitung ukuran steady state ( ) maka perlu diketahui nilai rata-rata laju
kedatangan ( ) dan rata-rata laju pelayanan ( ).

49
1) Laju kedatangan pasien di Loket
Data kedatangan pasien di Loket berdasarkan waktu yang tertera pada

nomor antrian pendaftaran. Namor antrian pendaftaran pasien di ambil di
mesin antrian yang telah disediakan. Data kedatangan pasien yang di peroleh
di Loket per 5 menit selama 3 jam terdapat pada lampiran 4.A.
Berdasarkan data yang diperoleh pada lampiran 4.A kemudian dicari

nilai rata-rata laju kedatangan pasien per 5 menit. Sebelum menghitung rata-
rata laju kedatangan pasien terlebih dahulu data dikelompokkan berdasarkan
interval waktu. Berikut pengelompokkan data kedatangan pasien di loket
berdasarkan interval waktu:
Tabel 3.1 Kedatangan pasien berdasarkan per 5 menit

Frekuensi Banyaknya
Banyaknya
Interval atau pasien yang
kedatangan
dengan banyaknya datang selama
pasien pada
kedatangan interval kutun waktu
interval
0 0 0
1 4 4
2 10 20
3 9 27
4 7 28
5 4 20
6 1 6
7 1 7
∑ =36 ∑ =112
Berdasarkan Tabel 3.1 dapat dihitung rata-rata laju kedatangan pasien per
5 menit dengan menggunakan persamaan (2.20), maka diperoleh
∑
∑
Jadi, rata-rata laju kedatangan pasien di Loket per 5 menit sebanyak 3,111
pasien. Dengan demikian rata-rata laju kedatangan pasien per menit sebanyak
0,622 pasien.

50
2) Laju pelayanan pasien di Loket
Data pelayanan pasien di Loket diperoleh dari hasil observasi pada saat
pasien selesai mengumpulkan berkas dan di berikan ke Klinik DM&HT.
Apabila terdapat pasien yang belum melengkapi syarat pendaftaran, maka
pasien tidak tercata pada observasi. Data pelayanan pasien per 5 menit di
Loket yang sudah melengkapi dan mengumpulkan syarat pendaftaran terdapat
pada lampiran 4.B.
Data pelayanan pasien di Loket diperoleh pada lampiran 4.B untuk

mencari nilai rata-rata laju pelayanan berdasarkan interval waktu. Berikut
pengelompokkan data pelayanan pasien di Loket berdasarkan interval waktu
Tabel 3.2 Pelayanan pasien berdasarkan per 5 menit

Frekuensi Banyaknya
Banyaknya
kedatangan
pasien pada
interval
0 1 0
1 8 8
2 8 16
3 9 27
4 7 28
5 2 10
6 0 0
7 1 7
∑ = 36 ∑ = 96
Berdasarkan Tabel 3.2 dapat dihitung rata-rata laju pelayanan pasien per
5 menit menggunakan persamaan (2.20), maka diperoleh
∑
∑
Jadi, rata-rata laju pelayanan pasien di Loket per 5 menit sebanyak 2,667
pasien. Dengan demikian, rata-rata laju pelayanan pasien per menit sebanyak
0,533 pasien.
Data pelayanan pasien di Loket merupakan data kedatangan pasien di

Klinik DM&HT. Oleh karena itu pasien/menit, artinya
nilai rata-rata laju kedatangan pasien di Klinik DM&HT sama dengan nilai
rata-rata laju pelayanan di Loket.

51
3) Laju pelayanan pasien di Klinik DM&HT
Data pelayanan pasien di Klinik DM&HT diperoleh dari hasil observasi

pada saat nama pasien dipanggil oleh petugas untuk memasuki ruangan. Data
pelayanan pasien per 5 menit di Klinik DM&HT dari hasil observasi terdapat
pada lampiran 4.C.
Data yang diperoleh pada lampiran 4.C untuk mencari nilai rata-rata laju
pelayanan berdasarkan interval waktu. Berikut pengelompokan data
pelayanan pasien di Klinik DM&HT berdasarkan interval waktu:

Frekuensi Banyaknya
Banyaknya
kedatangan
pasien pada
interval
0 7 0
1 9 9
2 7 14
3 6 18
4 5 20
5 2 10
∑ = 36 ∑ = 71
∑
∑
Jadi, rata-rata laju pelayanan pasien di Klinik DM&HT per 5 menit sebanyak
1,972 pasien. Dengan demikian, rata-rata laju pelayanan pasien per menit
sebanyak 0,394 pasien.
Nilai dan yang diperoleh kemudian dikelompokkan

dalam satu tabel tingkat kegunaan dan kondisi steady state seperti berikut:
Tabel 3.4 Tingkat kegunaan dan kondisi steady state

Steady
Nama C
state
Loket 1 0,622 0,533 1,167 Belum
Klinik DM&HT 1 0,533 0,394 1,353 Belum

52
Berdasarkan tabel 3.4 dapat disimpulkan bahwa sistem antrian di Loket

dan Klinik DM&HT belum stabil. Hal ini karena Klinik dan DM&HT
tersebut masih belum steady state atau dikatakan dalam kondisi transien.
Transien adalah suatu keadaan sistem antrian yang baru mulai beroperasi
dimana state sistem masih dipengaruhi state awal dan waktu antar
kedatangan.
Selanjutnya dilakukan perhitungan kembali untuk melihat kapan sistem

antrian di Loket dan Klinik DM&HT mencapai kondisi stabil. Hal ini dapat
dilakukan dengan cara merubah rata-rata laju kedatangan atau rata-rata laju
pelayanan. Artinya, memperkecil nilai atau hingga tercapai kondisi
steady state. Terdapat beberapa langkah yang dilakukan untuk
memenuhi kondisi steady state, yang pertama data pada lampiran 4.A
dikurangi satu per satu. Hasil dari pengurangan data lampiran 4.A dapat
dilihat pada lampiran 4.D.
Berdasarkan lampiran 4.D data kedatangan pasien di Loket

dikurangi dari pukul 09:38:13 sampai 10:59:11 (lampiran 1.A).
selanjutnya, dilakukan perhitungan ulang rata-rata laju kedatangan
pasien di Loket seperti berikut:

setelah dilakukan pengurangan
Frekuensi Banyaknya
Banyaknya
kedatangan
pasien pada
interval
0 17 0
1 0 0
2 4 8
3 5 15
4 6 24
5 3 15
6 0 0
7 1 7
∑ = 36 ∑ = 69

53
Berdasarkan Tabel 3.5 diperoleh nilai rata-rata laju kedatangan pasien di

Loket menggunakan persamaan (2.20) seperti berikut:
∑
∑
Setelah diperoleh rata-rata laju kedatangan dengan nilai yang lebih kecil,
kemudian hal yang sama dilakukan pada rata-rata laju pelayanan pasien di
Loket. Hasil pengurangan satu per satu data pelayanan pasien di Loket dapat
di lihat pada lampiran 4.E .
Berdasarkan lampiran 4.E data pelayanan di Loket telah dikurangi dari

pukul 10:08:57 sampai 10:56:20 (lampiran 1.B).
Berdasarkan lampiran 4.E data pelayanan di Loket berdasarkan interval

waktu berikut:

Frekuensi Banyaknya
Banyaknya
kedatangan
pasien pada
interval
0 11 0
1 5 5
2 7 14
3 6 18
4 4 16
5 2 10
6 0 0
7 1 7
∑ = 36 ∑ = 70
Berdasarkan Tabel 3.6 diperoleh nilai rata-rata laju pelayanan pasien di

∑
∑
Setelah memperoleh nilai dan yang lebih kecil, maka dapat

dikelompokkan dalam satu tabel tingkat kegunaan dan kondisi steady state
seperti berikut:

54

Steady
Nama C
State
Loket 1 0,383 0,389 0,985 Ya
Klinik DM&HT 1 0,389 0,394 0,987 Ya
Dengan demikian, dapat disimpulkan bahwa sistem pelayanan pasien di

Loket mencapai kondisi steady state, dengan pengurangan data pada
Lampiran 4.D dan E hingga kedatangan ke-69 dan pelayanan ke-70
3.1.1.2 Uji Kecocokan Distribusi
Uji kecocokan distribusi yang digunakan untuk menguji data kedatangan

dan data pelayanan pasien adalah uji Kolmogorov-Smirnov.
1) Uji distribusi laju kedatangan pasien di Loket
Setelah mengetahui langkah-langkah uji Kolmogorov-Smirnov, berikutnya

yaitu uji variabel Poisson. Pengujian variabel Poisson dilakukan untuk
menentukan variabel acak dari distribusi Poisson. Dalam pengujian ini, data
yang digunakan yaitu kedatangan pasien berdasarkan interval waktu seperti
pada Tabel 3.1. berikut hasil perhitungan rata-rata laju kedatangan
Selanjutnya dilakukan perhitungan fungsi probabilitas distribusi Poisson

dengan tujuan untuk memperoleh nilai (frekuensi kumulatif distribusi
Poisson). Berikut uraian perhitungan fungsi probabilitas distribusi Poisson
menggunakan persamaan (2.29) dengan interval waktu t = 5 menit.
Tabel 3.8 Hasil perhitungan fungsi probabilitas distribusi Poisson

Banyaknya kedatangan Hasil fungsi Probabilitas
pasien pada interval distribusi Poisson (
0 0,044
1 0,139
2 0,213
3 0,220
4 0,171
5 0,108

55
6 0,055
7 0,024
Setelah diperoleh nilai dari fungsi probabilitass distribusi Poisson,

kemudian mencari fungsi probabilitas dari data hasil observasi. Fungsi
probabilitas dari data hasil observasi diperoleh dari frekuensi dibagi
dengan total frekuensi (Tabel 3.1). Hal ini dilakukan untuk membandingkan
apakah ada perbedaan antara data frekuensi distribusi Poisson dengan data
frekuensi observasi.
Tabel 3.9 Hasil perhitungan fungsi probabilitas data observasi

Frekuensi atau banyaknya Hasil fungsi Probabilitas
interval dari data observasi
0 0
4 0,111
10 0,278
9 0,25
7 0,194
4 0,111
1 0,028
1 0,028
36
Hasil kedua data frekuensi dari distribusi Poisson dan observasi tersebut
dapat disusun dalam satu tabel berikut:
Tabel 3.10 Hasil semua data frekuensi

Data frekuensi Data frekuensi
distribusi Poisson observasi
Frek. Frek. Frek. Frek. =| |
Fre
Relatif Kum. Frek. Relatif Kum.
k.
0 0,044 0,044 0 0 0 0,044
1 0,139 0,183 4 0,111 0,111 0,072
2 0,213 0,396 10 0,278 0,389 0,007
3 0,220 0,616 9 0,25 0,639 0.023
4 0,171 0,787 7 0,194 0.833 0,046
5 0,108 0,895 4 0,111 0,944 0,049
6 0,055 0,950 1 0,028 0,972 0,022
7 0,024 0,974 1 0,028 1 0,026

56
Berdasarkan Tabel 3.10, hasil perhitungan dari semua data frekuensi

diperoleh
| |
Setelah diperoleh nilai dari , kemudian dilakukan perbandingan

dengan mencari nilai dari . Nilai ditentukan dengan
menggunakan tabel Kolmogorov-Smirnov pada lampiran 7 dengan taraf
signifikan 5% dan N=36, sehingga diperoleh:
√ √
Berdasarkan tabel Kolmogorov-Smirnov diperoleh nilai sebesar

0,2267. Hal ini menunjukkan bahwa diterima, karena nilai
yaitu . Dalam menentukan keputusan hipootesis
tersebut bisa juga dengan menggunakan p-value. P-value dapat dilihat dari
hasil output SPSS pada gambar berikut:
Gambar 3.1 Output uji Kolmogorov-Smirnov laju kedatangan Loket
Berdasarkan hasil output uji Kolmogorov-Smirnov pada Gambar 3.1

menunjukkan bahwa nilai asymp. Sig. (2-tailed) atau p-value sebesar 0,992.
Dengan demikian dapat disimpulkan bahwa data berdistribusi Poisson, karena
p-value > α yaitu 0,992 > 0,05.
2) Uji distribusi laju pelayanan pasien di Loket
Setelah memperoleh data pelayanan pasien di Loket kemudian dilakukan

uji Distribusi Eksponensial menggunakan SPSS. Uji distribusi yang
digunakan yaitu uji Kolmogorov-Smirnov seperti berikut:

57
Gambar 3.2 Output uji Kolmogorov-Smirnov laju pelayanan Loket
Berdasarkan hasil output uji Kolmogorov-Smirnov pada Gambar 3.2 dapat

dilihat nilai asymp. Sig. (2-tailed) atau p-value sebesar 0,009. Dengan
demikian dapat disimpulkan bahwa data berdistribusi Eksponensial, karena p-
value < α yaitu 0,009 < 0,05.
3) Uji distribusi laju pelayanan pasien di Klinik DM&HT
Setelah memperoleh data pelayanan pasien di Klinik DM&HT, kemudian

dilakukan uji distribusi Eksponensial menggunakan SPSS. Uji distribusi yang
Gambar 3.3 Output uji Kolmogorov-Smirnov laju

pelayananan Klinik DM&HT

value < α yaitu 0,001 < 0,05.

58
3.1.2 Hasil Penelitian pada Hari Kamis, 05 Juli 2018
Data primer yang diperoleh pada hari Kamis dikelompokkan per 5 menit
dilakukan uji distribusinya. Hal ini dilakukan pada Loket dan Klinik DM&HT,
berikut analisis untuk Loket dan Klinik DM&HT:
Loket kurang dari rata-rata laju pelayanan pada Loket tersebut. Sebelum

nomor antrian pendaftaran. Namor antrian pendaftaran pasien di ambil di

rata laju kedatangan pasien terlebih dahulu dikelompokkan berdasarkan
Frekuensi Banyaknya
Banyaknya
kedatangan
pasien pada
interval
0 3 0
1 3 3
2 4 8
3 12 36
4 6 24
5 1 5
6 4 24
7 2 14
8 1 8
∑ =36 ∑ =122

59
Berdasarkan Tabel 4.11 dapat dihitung rata-rata laju kedatangan pasien

per 5 menit menggunakan persamaan (2.20), maka diperoleh
∑
∑
0,678 pasien.
pasien tidak tercatat pada observasi. Data pelayanan pasien per 5 menit di
pada lampiran 5.B.

pengelompokkan data pelayanan pasien di Loket berdasarkan interval waktu:

Frekuensi Banyaknya
Banyaknya
kedatangan
pasien pada
interval
0 1 0
1 0 0
2 10 20
3 9 27
4 7 28
5 4 20
6 4 24
7 1 7
∑ =36 ∑ =126

60
∑
∑
Jadi, rata-rata laju pelayanan pasien di Loket per 5 menit sebanyak 3,5 pasien.
Dengan demikian, rata-rata laju pelayanan pasien per menit sebanyak 0,7
pasien.

Klinik DM&HT. Oleh karena itu pasien/menit, artinya nilai
rata-rata laju kedatangan pasien di Klinik DM&HT sama dengan nilai rata-
rata laju pelayanan di Loket.

pada lampiran 5.C.

Frekuensi Banyaknya
Banyaknya
kedatangan
pasien pada
interval
0 6 0
1 8 8
2 10 20
3 4 12
4 6 24
5 1 5
6 1 6
∑ = 36 ∑ = 75

61
∑
∑


Steady
Nama C
State
Loket 1 0,678 0,7 0,968 Ya
Klinik DM&HT 1 0,7 0,417 1,679 Belum
Berdasarkan tabel 3.14 dapat disimpulkan bahwa sistem antrian di Loket

sudah stabil, sedangkan sistem antrian di Klinik DM&HT belum stabil.
Selanjutnya dilakukan perhitungan kembali untuk melihat kapan sistem
antrian di Klinik DM&HT stabil atau mencapai kondisi steady state. Hal ini
dapat dilakukan dengan cara merubah rata-rata laju kedatangan atau laju
pelayanan. Artinya, memperkecil nilai atau hingga menghasilkan .
Selanjutnya yang dilakukan untuk memenuhi kondisi steady state yaitu

data pada lampiran 5.A dikurangi satu per satu. Hasil dari pengurangan data
lampiran 5.A dapat dilihat pada lampiran 5.D. berdasarkan lampiran 5.D data
kedatangan pasien di Loket dikurangi dari pukul 09:39:53 sampai 10:59:44
(lampiran 2.A). Selanjutnya, dilakukan perhitungan ulang rata-rata laju
kedatangan pasien di Loket seperti berikut:

Frekuensi Banyaknya
Banyaknya
kedatangan
pasien pada
interval
0 17 0
1 2 2

62
2 1 2
3 8 24
4 2 8
5 1 5
6 4 24
7 0 0
8 1 8
∑ = 36 ∑ = 73
Berdasarkan Tabel 3.15 diperoleh nilai rata-rata laju kedatangan pasien

di Loket menggunakan persamaan (2.20) seperti berikut:
∑
∑
Setelah diperoleh rata-rata laju kedatangan dengan nilai 0,406 pasien per
menit. Selanjutnya hal yang sama dilakukan pada data pelayanan pasien di
Loket. Data pelayanan pasien per 5 menit di Loket setelah dilakukan
pengurangan dapat dilihat pada lampiran 5.E.
Berdasarkan lampiran 5.E data pelayanan di Loket telah dikurangi dari

pukul 09:47:22 sampai 10:58:04 (lampiran 2.B). Selanjutnya mencari nilai
rata-rata laju pelayanan pasien di Loket berdasarkan interval waktu berikut:

Frekuensi Banyaknya
Banyaknya
kedatangan
pasien pada
interval
0 15 0
1 1 1
2 6 12
3 5 15
4 2 8
5 4 20
6 3 18
∑ = 36 ∑ = 74

63
Berdasarkan Tabel 3.16 diperoleh nilai rata-rata laju pelayanan pasien di

∑
∑
Jadi, setelah dilakukan pengurangan pada data pelayanan pasien di Loket

diperoleh nilai rata-rata laju pelayanan sebesar 0,411 pasien per menit.
Setelah memperoleh nilai rata-rata laju kedatangan dan nilai rata-rata laju
pelayanan yang lebih kecil, maka kedua data dapat dikelompokkan dalam
satu tabel tingkat kegunaan dan kondisi steady state seperti berikut:

Steady
Nama C
State
Loket 1 0,406 0,411 0,985 Ya
Klinik DM&HT 1 0,411 0,417 0,986 Ya
Berdasarkan Tabel 3.17 dapat disimpulkan bahwa sistem pelayanan

pasien di Loket mencapai kondisi steady state, dengan pengurangan data pada
Lampiran 5.D dan E hingga kedatangan ke-73 dan pelayanan ke-74



menggunakan persamaan (2.29) dengan interval waktu t = 5 menit.

64
Tabel 3.18 Hasil perhitungan fungsi probabilitas distribusi poisson

0 0,034
1 0,115
2 0,195
3 0,221
4 0,187
5 0,127
6 0,072
7 0,035
8 0,015


interval dari data observasi (
3 0,083
3 0,083
4 0,111
12 0,333
6 0,167
1 0,028
4 0,111
2 0,056
1 0,028
∑ =36

65

Data frekuensi Data frekuensi
distribusi Poisson observasi
Frek. Relatif Kum. Frek. Relatif Kum.
0 0,034 0,034 3 0,083 0,083 0,049

1 0,115 0,149 3 0,083 0,166 0,017
2 0,195 0,344 4 0,111 0,277 0,067
3 0,221 0,565 12 0,333 0,610 0.045
4 0,187 0,752 6 0,167 0,777 0,025
5 0,127 0,879 1 0,028 0,805 0,074
6 0,072 0,950 4 0,111 0,916 0,034
7 0,035 0,985 2 0,056 0,972 0,013
8 0,015 1 1 0,028 1 0

diperoleh
| |

√ √


66

Dengan demikian dapat disimpulkan bahwa data kedatangan di Loket
berdistribusi Poisson, karena p-value > α yaitu 0,997 > 0,05.
Setelah memperoleh data pelayanan pasien di Loket, kemudian dilakukan

uji Distribusi Eksponensial menggunakan SPSS. Uji distribusi yang

value < α yaitu 0.000 < 0.05.

67

dilakukan uji Distribusi Eksponensial menggunakan SPSS. Uji distribusi
yang digunakan yaitu uji Kolmogorov-Smirnov seperti berikut:
Gambar 3.6 Output uji Kolmogorov-Smirnov laju

pelayananan klinik DM&HT

value < α yaitu 0,002 < 0,05.

68
3.1.3 Hasil Penelitian pada Hari Jumat, 06 Juli 2018
Data primer yang diperoleh pada hari Jumat dikelompokkan per 5 menit
dilakukan uji distribusinya. Hal ini dilakukan pada loket dan Klinik DM&HT,
berikut analisis untuk loket dan Klinik DM&HT:
loket kurang dari rata-rata laju pelayanan pada loket tersebut. Sebelum

nomor antrian pendaftaran. Namor antrian pendaftaran pasien diambil dari

rata laju kedatangan pasien terlebih dahulu dikelompokkan berdasarkan

Frekuensi Banyaknya
Banyaknya
kedatangan
pasien pada
interval
0 5 0
1 7 7
2 8 16
3 6 18
4 6 24
5 1 5
6 2 12
7 1 7
∑ =36 ∑ =89

69
Berdasarkan Tabel 3.21 dapat dihitung rata-rata laju kedatangan pasien

per 5 menit dengan menggunakan persamaan (2.20), maka diperoleh
∑
∑
0,494 pasien.
pasien tidak tercata pada observasi. Data pelayanan pasien per 5 menit di
pada lampiran 6.B.

pengelompokkan data pelayanan pasien di Loket berdasarkan interval waktu:

Frekuensi Banyaknya
Banyaknya
kedatangan
pasien pada
interval
0 3 0
1 5 5
2 9 18
3 10 30
4 4 16
5 3 15
6 2 12
∑ = 36 ∑ = 96
∑
∑

70
Jadi, rata-rata laju pelayanan pasien di Loket per 5 menit sebanyak 2,667
pasien. Dengan demikian, rata-rata laju pelayanan pasien per menit sebanyak
0,533 pasien.

Klinik DM&HT. Oleh karena itu pasien/menit, artinya
nilai rata-rata laju kedatangan pasien di Klinik DM&HT sama dengan nilai
rata-rata laju pelayanan di Loket.

pada lampiran 6.C.

Frekuensi Banyaknya
Banyaknya
kedatangan
pasien pada
interval
0 9 0
1 5 5
2 4 8
3 2 6
4 4 16
5 5 25
6 4 24
7 1 7
8 0 0
9 1 9
10 0 0
11 1 11
∑ = 36 ∑ = 111

71
∑
∑


Steady
Nama C
state
Loket 1 0,494 0,533 0,927 Ya
Klinik DM&HT 1 0,533 0,617 0,864 Ya
Berdasarkan Tabel 3.24 dapat disimpulkan bahwa sistem antrian di Loket dan
Klinik DM&HT telah berada pada kondisi stabil. Sehingga hasil yang
diperoleh pada perhitungan tersebut dapat digunakan untuk menentukan
ukuran kinerja sistem antrian.




72

menggunakan persamaan (2.29) dengan interval waktu t =5 menit.
Tabel 3.25 Hasil perhitungan fungsi probabilitas distribusi poisson

0 0,084
1 0,207
2 0,256
3 0,211
4 0,130
5 0,064
6 0,026
7 0,009


interval dari data observasi (
5 0,138
7 0,194
8 0,222
6 0,167
6 0,167
1 0,028
2 0,056
1 0,028
∑ =36

73

Data frekuensi distribusi Data frekuensi observasi
Poisson
Frek. Relatif Kum. Frek. Relatif Kum.
0 0,084 0,084 5 0,138 0,138 0,054

1 0,207 0,291 7 0,194 0,332 0,041
2 0,256 0,547 8 0,222 0,554 0,007
3 0,211 0,758 6 0,167 0,721 0.037
4 0,130 0,888 6 0,167 0.888 0,000
5 0,064 0,952 1 0,028 0,916 0,036
6 0,026 0,978 2 0,056 0,972 0,006
7 0,009 0,987 1 0,028 1 0,013

diperoleh
| |

√ √


74

Dengan demikian dapat disimpulkan bahwa data berdistribusi Poisson, karena
p-value > α yaitu 1,000 > 0,05.
Setelah memperoleh data pelayanan pasien di Loket kemudian dilakukan

uji distribusi Eksponensial menggunakan SPSS. Uji distribusi yang

value < α yaitu 0,028 < 0,05.

75

dilakukan uji distribusi Eksponensial menggunakan SPSS. Uji distribusi yang
Gambar 3.9 Output uji Kolmogorov-Smirnov laju pelayananan

Klinik DM&HT

value < α yaitu 0,000 < 0,05.

76
3.2 Pembahasan
Bagian ini menjelaskan bagaimana menentukan model antrian yang

sesuai dengan sistem antrian yang ada. Setelah memperoleh model antrian yang
sesuai pada tiap phase, langkah berikutnya yaitu mencari ukuran keefektifan dari
kinerja sistem antrian. Apabila ukuran keefektifan belum sesuai dengan standar
pelayanan pendaftaran di RSU Dr. F.L. Tobing Sibolga, maka dilakukan optimasi
sistem antian.
3.2.1 Menentukan Model Antrian
Sistem antrian pendaftaran di Loket dan Klinik DM&HT yang ada di

RSU Dr. F.L. Tobing Sibolga memiliki model (M/M/1):(GD/ / ). Hal ini
berarti laju kedatangan dan laju pelayanan pada model (M/M/1):(GD/ / )
berdistribusi Poisson dengan single server. Untuk disiplin antrian pada model
(M/M/1):(GD/ / ) memuat aturan General Discipline atau First Come First
Served (FCFS) dengan kapasitas sistem dan sumber pemanggilan tak terbatas.
3.2.2 Menentukan Ukuran Keefektifan Kinerja Sistem Antiran
Ukuran keefektifan dari kinerja sistem antrian meliputi perhitungan

, , ,dan . Perhitungan tersebut dapat dilakukan apabila laju kedatangan
dan laju pelayanan tiap phase telah mencapai steady state. Kondisi steady state
terjadi apabila laju kedatangan tidak melebihi laju pelayanan. Selain itu, model
antrian harus memenuhi asumsi bahwa proses kedatangan dengan pelaksanaan
pelayanan independen. Hal ini berarti rata-rata kedatangan tidak akan berubah-
ubah dalam waktu tertentu dan tidak mempengaruhi satuan antrian pertama
dalam penguraian pelayanan.
Apabila sistem antrian tidak memenuhi kondisi steady state, maka

ukuran keefektifan tidak dapat dicari menggunakan rumus (M/M/1):(GD/ / ).
Solusi untuk mencari ukuran keefektifan sistem antrian yang tidak steady state
yaitu dengan melakukan simulasi Monte Carlo.
3.2.2.1 Ukuran Keefektifan pada Hari Rabu, 04 Juli 2018
Ukuran keefektifan di Loket dan Klinik DM&HT pada hari Rabu tidak
dapat dihitung dengan model (M/M/1):(GD/ / ).Hal ini disebabkan karena
kondisi steady state tidak terpenuhi pada Loket dan Klinik DM&HT. oleh
karena itu, untuk menghitung ukuran keefektifan sistem antrian maka
dilakukan Simulasi Monte Carlo.

77
1) Ukuran keefektifan di Loket
Ukuran keefektifan dan di Loket dicari dengan menggunakan

simulasi Monte Carlo. Untuk mempermudah dan mempercepat perhitungan
maka digunakan fasilitas yang tersedia pada MS. Excel. Rumus-rumus Excel
yang digunakan penulis dalam simulasi Monte Carlo dijelaskan pada
lampiran 8.
Berdasarkan hasil perhitungan pada lampiran 8.C maka rata-rata waktu

menunggu dalam antrian ( ) dan panjang antrian ( ) selalu berubah-ubah.
Perubahan yang terus menerus ini disebabkan oleh simulasi Monte Carlo
menggunakan bilangan acak. Oleh karena itu, penulis melakukan 10 kali
perulangan pada kedua ukuran keefektifan tersebut. Berikut merupakan tabel
hasil ulangan dan .
Tabel 3.28 Ulangan ukuran keefektifan di Loket

Ukuran Keefektifan
Rata-rata waktu
Ulangan Rata-rata panjang
Menunggu dalam
Antrian ( )
Antrian ( )
1 28,22 13,22
2 38,10 16,61
3 19,65 10,20
4 31,23 13,93
5 26,70 13,50
6 23,26 12,67
7 27,55 11,82
8 23,04 11,04
9 21,93 17,70
10 36,41 16,08
Berdasarkan Tabel 3.28 kemudian dibuat grafik untuk mencari nilai

tengah dari kedua ukuran keefektifan tersebut. Nilai tengah dicari dengan
menggunakan batas bawah dan batas atas. Pada Tabel 3.28 dapat dilihat
bahwa nilai batas bawah berada pada ulangan ke-3 dan batas atas berada
pada ulangan ke-2. Nilai batas bawah terdapat pada ulangan ke-3 dan
batas atas pada ulangan ke-2. Berikut merupakan grafik kedua ukuran
keefektifan dari Tabel 3.28:

78
Grafik 3.1 Rata-rata waktu menunggu dalam antrian

( )
Grafik 3.2 Rata-rata panjang antrian ( )
Berdasarkan Grafik 3.1 dan Grafik 3.2 dapat diketahui bahwa nilai
tengah rata-rata waktu menunggu dalam antrian dan panjang antrian adalah:
Dengan demikian rata-rata waktu menunggu pasien dalam antrian selama

28,875 menit dan rata-rata panjang antrian sebanyak 13 pasien.

79
2) Ukuran keefektifan di Klinik DM&HT
Simulasi Monte Carlo di Klinik DM&HT sama seperti simulasi di Loket

yang dilakukan sebanyak 100 kali percobaan. Hal ini dilakukan karena rata-
rata pasien pada hari-hari sibuk sekitar 100 pasien. Selain itu, semakin banyak
percobaan yang dilakukan maka simulasi tersebut akan mencapai kondisi
steady state.

menunggu dalam antrian dan panjang antrian selalu berubah-ubah.
Perubahan yang terus menerus ini disebabkan karena simulasi Monte Carlo
perulangan pada kedua uuran keefetifan tersebut. Berikut merupakan tabel
hasil ulangan dan :
Tabel 3.29 Ulangan ukuran keefektifan di Klinik

DM&HT
Ukuran Keefektifan
Rata-rata waktu
Menunggu dalam
Antrian ( )
Antrian ( )
1 29,67 13,30
2 38,51 15,26
3 29,34 9,96
4 41,37 15,01
5 28,46 11,00
6 25,52 11,42
7 20,85 9,10
8 27,95 13,02
9 24,64 11,53
10 22,06 9,77

menggunakan batas bahwa dan batas atas. Pada Tabel 3.29 dapat dilihat
batas atas pada ulangan ke-2. Berikut merupakan grafik kedua ukuran

80
Grafik 3.3 Rata-raata waktu menunggu dalam antrian
Grafik 3.4 Rata-rata panjang antrian
tengah rata-rata waktu menunggu dalam antrian dan panjang antrian adalah:
Dengan demikian, rata-rata waktu menunggu pasien dalam antrian

selama 31,11 menit dan rata-rata panjang antrian sebanyak 12 pasien.

81
3.2.2.2 Ukuran Keefektifan pada Hari Kamis, 05 Juli 2018
Ukuran keefektifan di Loket pada hari Kamis dapat dihitung dengan

model (M/M/1):(GD/ / ). Lain halnya di Klinik DM&HT, ukuran
keefektifan harus digunakan menggunakan simulasi Monte Carlo. Penggunaan
simulasi Monte Carlo disebabkan karena sistem antrian di Klinik DM&HT
belum mencapai kondisi steady state.
Ukuran keefektifan di Loket dengan model (M/M/1):(GD/ / ) terdiri

dari dan . Pada perhitungan rata-rata waktu menunggu dalam antrian
digunakan persamaan (2.59), sedangkan rata-rata panjang antrian
menggunakan persamaan (2.60). berikut merupakan perhitungan dari dan
dengan model (M/M/1):(GD/ / ):
= 0,678 customer / menit
= 0,7 customer /menit

82
Berdasarkan perhitungan tersebut, disimpulkan bahwa rata-rata waktu

menunggu pasien dalam antrian selama 43,214 menit. Selanjutnya untuk rata-
rata jumlah pasien dalam antrian sebanyak 29 pasien dan peluang server
menganggur sebesar 0,032.
Simulasi Monte Carlo di Klinik DM&HT sama seperti simulasi di Loket

yang dilakukan sebanyak 100 kali percobaan. Hal ini dilakukan karena rata-
rata pasien pada hari-hari sibuk sekitar 100 pasien. Selain itu, semakin banyak
percobaan yang dilakukan maka simulasi tersebut akan mencapai kondisi
steady state.

menunggu dalam antrian dan panjang antrian selalu berubah-ubah.
Perubahan yang terus menerus ini disebabkan karena simulasi Monte Carlo
perulangan pada kedua uuran keefetifan tersebut. Berikut merupakan tabel
hasil ulangan dan :
Tabel 3.30 Ulangan ukuran keefektifan di Klinik

DM&HT
Ukuran Keefektifan
Rata-rata waktu
Menunggu dalam
Antrian ( )
Antrian ( )
1 35,25 18,57
2 44,92 18,82
3 51,14 23,23
4 36,85 15,68
5 36,02 17,59
6 41,55 18,96
7 37,09 15,04
8 47,76 18,45
9 38,77 17,80
10 34,32 15,51

menggunakan batas bawah dan batas atas. Pada Tabel 3.30 dapat dilihat

83
batas atas berada pada ulangan ke-3. Berikut merupakan grafik kedua ukuran
Grafik 3.5 Rata-rata waktu menunggu dalam antrian (
Grafik 3.6 Rata-rata panjang antrian ( )
tengah rata-rata waktu menungu dalam antrian dan panjang antrian adalah
Dengan demikian, rata-rata waktu menunggu pasien dalam antrian selama

42,73 menit dan rata-rata panjang antrian sebanyak 19 pasien.

84
3.2.2.3 Ukuran Keefektifan pada Hari Jumat, 06 Juli 2018
Sistem antrian pada hari jumat di Loket dan Klinik DM&HT telah
mencapai kondisi steady state. Oleh karena itu, ukuran keefektifan dan
dapat dihitung dengan model antrian (M/M/1):(GD/ / ). Pada perhitungan
rata-rata waktu menunggu dalam antrian ( digunakan persamaan (2.59),
sedangkan rata-rata panjang antrian ( menggunakan persamaan (2.60).
Berikut ini merupakan perhitungan ukuran keefektifan dan di

Loket dengan menggunakan (M/M/1):(GD/ / ).
customer/ menit
customer/ menit

85
Berdasarkan perhitungan tersebut disimpulkan bahwa rata-rata waktu

menunggu pasien dalam antrian selama 23,825 menit. Selanjutnya untuk
rata-rata jumlah pasien dalam antrian sebanyak 12 pasien dan peluang server
menunggu sebesar 0,073.
Berikut ini merupakan perhitungan ukuran keefektifan dan di

Klinik DM & HT dengan menggunakan (M/M/1):(GD/ / ).
customer/ menit
customer/ menit

86
Berdasarkan perhitungan tersebut, disimpulkan bahwa rata-rata waktu

menunggu pasien dalam antrian selama 10,296 menit. Selanjutnya untuk rata-
rata jumlah pasien dalam antrian sebanyak 6 pasien dam peluang server
menganggur sebesar 0,136.
Dengan demikian, setelah dilakukan perhitungan dapat diketahui ukuran

keefektifan sistem antrian di Loket dan di Klinik DM&HT pada hari Rabu,
Kamis dan Jumat sebagai berikut:
Tabel 3.31 Nilai semua ukuran keefektifan sistem antrian

Klinik
Loket Total
Hari DM&HT
Rabu 28,875 13 31,110 12 59,985 menit 25 pasien

Kamis 43,214 29 42,730 19 85.944 menit 48 pasien
Jumat 23,825 12 10,296 6 34,121 menit 18 pasien
Berdasarkan Tabel 3.31 disimpulkan bahwa waktu menunggu terlama dan

penumpukan jumlah pasien terbanyak dalam sistem antrian terjadi pada hari
Kamis.

87
3.2.3 Optimasi Sistem Antrian pada Bagian Loket dan Klinik DM&HT
Optimasi adalah suatu proses unuk mencapai hasil yang ideal atau nilai
efektif yang dapat dicapai. Berdasarkan Tabel 3.31 ukuran keefektifan sistem
antrian di Loket dan Klinik DM&HT belum mencapai standar pelayanan yang
telah ditetapkan pihak Rumah Sakit. Hal ini disebabkan karena rata-rata waktu
menunggu dalam sistem antrian lebih dari 7 menit. Oleh sebab itu harus
dilakukan optimasi agar sistem antrian di Rumah Sakit mencapai hasil yang
ideal atau sesuai standar pelayanan.
Optimasi sistem antrian di RSU DR. F.L. Tobing Sibolga dapat

dilakukan dengan dua cara. Pertama, menambah jumlah server di Loket maupun
tenaga kesehatan (Dokter/Perawat) di Klinik DM&HT sampai mencapai hasil
yang ideal. Penambahan server dan pelayan pasien akan mengakibatkan pihak
Rumah Sakit mengeluarkan biaya tambahan untuk memberi gaji pada karyawan
baru. Hal ini menjadi bahan pertimbangan pihak Rumah sakit jika menambah
jumlah server dan pelayan pasien.
Kedua, membatasi kapasitas sistem antrian sampai mencapai hasil yang

optimal. Optimasi tersebut dilakukan menggunakan simulasi Monte Carlo
dengan beberapa percobaan. Pada beberapa percobaan akan menghasilkan
ukuran keefektifan yang berbeda-beda. Selanjutnya, menentukan nilai batas atas
dan batas bawah dari ukuran-ukuran keefektifan yang dihasilkan. Setelah
menentukan batas atas dan batas bawah, maka diperoleh nilai tengah dari ukuran
keefektifan yang optimal. Dengan demikian, simulasi Monte Carlo dapat
sigunakan apabila pihak Rumah Sakit tidak ingin mengeluarkan biaya tambahan,
dengan catatan membatasi kedatangan pasien pada sistem antrian.
3.2.3.1 Optimasi Sistem Antrian pada Hari Rabu, 04 Juli 2018
Berikut optimasi sistem antrian pada hari Rabu di Loket dan Klinik
DM&HT dengan menggunakan software MS.Excel:
1) Optimasi Sistem Antrian di Loket
Optimasi sistem antrian di Loket dapat dilihat pada lampiran 11. Pada
sistem antrian di Loket akan efektif jika ditambah dengan 1 server. Namun,
apabila optimasi dilakukan dengan menggunakan simulasi Monte Carlo maka
kapasitas sistem di Loket harus dibatasi sampai 46 pasien. Optimasi sistem
antrian menggunakan simulasi Monte Carlo dapat dilihat pada lampiran 11.A.
Berikut hasil optimasi sistem antrian di Loket dengan menggunakan

persamaan (2.66) dan (2.68) dimana c = 2 yaitu:

88
Selanjutnya, optimasi sistem antrian di Loket dengan menggunakan simulasi

Monte Carlo menghasilkan ukuran keefektifan sebagai berikut:
2) Optimasi Sistem Antrian di Klinik DM&HT
Optimasi sistem antrian di Klinik DM&HT dapat dilihat pada lampiran

11. Pada sistem antrian di Klinik DM&HT akan efektif jika ditambah dengan 1
tenaga kesehatan (Dokter/Perawat). Namun, apabila optimasi dilakukan dengan
menggunakan simulasi Monte Carlo maka kapasitas sistem di Klinik DM&HT
harus dibatasi sampai 46 pasien. Optimasi sistem antrian menggunakan
simulasi Monte Carlo dapat dilihat pada lampiran 11.B.
Berikut hasil optimasi sistem antrian di Klinik DM&HT dengan

menggunakan persamaan (2.66) dan (2.68) dimana c = 2 yaitu:
Selanjutnya, optimasi sistem antrian di Klinik DM&HT dengan menggunakan

simulasi Monte Carlo menghasilkan ukuran keefektifan sebagai berikut:

89
3.2.3.2 Optimasi Sistem Antrian pada Hari Kamis, 05 Juli 2018
Berikut optimasi sistem antrian pada hari Kamis di Loket dan Klinik





90

3.2.3.3 Optimasi Sistem Antrian pada Hari Jumat, 06 Juli 2018
Berikut optimasi sistem antrian pada hari Jumat di Loket dan Klinik



91



Dengan demikian, hasil optimasi sistem antrian pada hari Rabu, Kamis,
dan Jumat di Loket dan klinik DM&HT dilihat pada tabel berikut:
Tabel 3.32 Hasil keseluruhan optimasi sistem antrian
Loket dan Ukuran Keefektifan Sistem Antrian
Hari Klinik Penambahan Simulasi Monte Carlo
DM&HT
Loket 1,0784 1 2,945 2
Rabu
Klinik DM&HT 1,0133 0 3,905 2
Total 2,0917 1 6,850 4
Loket 0,4062 0 1,500 1
Kamis
Klinik DM&HT 3,7798 3 5,785 3
Total 4,1860 3 7,285 4
Loket 0,4433 0 2,245 1
Jumat
Klinik DM&HT 0,3247 0 5,490 2
Total 0,7680 0 7,735 3
Berdasarkan Tabel 3.32 sistem antrian pada hari Rabu, Kamis, dan Jumat
telah mencapai hasil yang optimal. Hal ini dikarenakan lama waktu menunggu
pasien dalam sistem sudah sesuai dengan standar pelayanan pendaftaran yaitu 7
menit.

92
BAB 4
KESIMPULAN DAN SARAN
A. Kesimpulan
Berdasarkan hasil penelitian dan pembahasan sistem antrian pasien, dapat

disimpulkan tentang model antrian dan ukuran-ukuran keefektifan sebagai
berikut:
1. Sistem antrian pasien RSU F.L.Tobing merupakan sistem antrian tandem

atau seri dengan 2 phase. Phase pertama yaitu Loket dan phase kedua
Klinik DM&HT. kedua phase tersebut mengikuti model antrian (M/M/1) :
(GD/∞/∞). Model antrian (M/M/1) : (GD/∞/∞) memiliki 1 (satu) server
dengan disiplin pelayanan yaitu General Discipline yaitu Frist Come Frist
Served (FCFS). Selain itu, kapasitas sitem antrian dan sumber
pemanggilan pasien tidak terbatas.
2. Ukuran keefektifan sistem antrian pada pelayanan pasien akan optimal jika
dilakukan penambahan server atau membatasi kapasitas sistem antrian.
Ukuran-ukuran keefektifan sistem antrian meliputi rata-rata waktu
menunggu pasien dalam antrian dan panjang antrian baik di Loket maupun
di Klinik. Optimasi sistem antrian pada Tabel 3.32 yang dilakukan dengan
menambah server menghasilkan rata-rata waktu menunggu pasien pada
hari-hari sibuk sekitar 0,768 menit sampai 4,186 menit. Selanjutnya, untuk
rata-rata panjang antrian dalam sistem maksimal sebanyak 3 pasien.
Optimasi sistem antrian yang dilakukan dengan membatasi sistem antrian
(simulasi Monte Carlo) menghasilkan rata-rata waktu menunggu pasien
pada hari-hari sibuk sekitar 6,85 menit sampai 7,735 menit. Selanjutnya,
untuk rata-rata panjang antrian dalam sistem maksimal sebanyak 4 pasien.

93
B. Saran
Berdasarkan hasil analisis sistem antrian pasien, maka saran yang

disampaikan adalah sebagai berikut:
1. Agar sistem antrian bagian pendaftaran Loket mencapai hasil yang optimal
atau sesuai dengan standar pelayanan, maka perlu ditambah 1 server dan
agar sistem antrian bagian Klinik DM&HT mencapai hasil optimal, maka
perlu penambahan jumlah tenaga kesehatan (Dokter/Perawat). Selain itu,
dapat dilakukan pembatasan kapasitas sistem antrian di bagian
pendaftaran. Pada hari-hari sibuk kapasitas sistem antrian dibatasin 46
pasien hingga 88 pasien.
2. Penelitian skripsi ini hanya dibatasi pada bagian pendaftaran, akan lebih
baik apabila penelitian selanjutya dilakukan sampai pada bagian
pengambilan obat/ apotek.

94
Daftar Pustaka
Aminudin. 2005. Prinsip-Prinsip Riset Operasi. Jakarta: Erlangga.
Harinaldi. 2005. Prinsip-Prinsip Statistik untuk Teknik dan Sains. Jakarta: Erlangga.
Hasan, M.I. 2001. Pokok-pokok Materi Statistik 2 (Statistik Infrensif). Bumi Aksara,
Jakarta.
Kakiay, J.Thomas. 2004. Dasar Teori Antrian untuk Kehidupan Nyata. Yogyakarta.
Kakiay, J.Thomas. 2003. Pengantar Sistem Simulasi. Yogyakarta.
Langat, Amos. Forecasting Volume of Patients in the Queue Using Monte Carlo
Simulation Model. Journal of Sciences: Basic and Applied Research (IJSBAR).
P Lade, Ishan. Simulation Of Queueing Analysis in Hospital. Journal of Mechanical

Engineering and Robotics Research. Vol. 2, No. 3, July 2013.
Sakhare, V.P, et al. Reduction of Waiting Time by Using Simulation & Queuing Analysis.
Journal on Recent and Innovattion Trends in Computing and Communication.
Volume: 3 Issue: 2.
Siswanto. 2006. Operations Research. Bogor.
Umarani, P and Shanmugasundaram, S. A Study on M/M/C Queueing Model Under

Monte Carlo Simulation in a Hospital. Journal of Pure and Appied Mathematical
Sciences. Volume 9, Nuber 2 (2016), pp. 109-121.
Yang. (1981). M/M/1 Queue Model With Uncertain Parameters by Monte Carlo
Simulation. Applied Mechanics and Materials Vols. 556-562 (2014).

95

96
Lampiran 1. Data Primer Hasil Observasi Pasien pada Hari Rabu, 04 Juli 2018
A. Data Kedatangan Pasien di Loket

Pasien Waktu Pasien Waktu Pasien Waktu
1 08:01:59 39 08:56:28 77 09:48:23
2 08:02:10 40 08:58:11 78 09:49:58
3 08:02:43 41 09:00:04 79 09:51:18
4 08:04:21 42 09:00:46 80 09:52:46
5 08:05:18 43 09:01:14 81 09:54:19
6 08:05:27 44 09:01:35 82 09:54:54
7 08:07:06 45 09:02:17 83 09:58:25
8 08:08:32 46 09:03:54 84 09:59:46
9 08:10:17 47 09:04:26 85 10:04:11
10 08:12:41 48 09:05:06 86 10:04:37
11 08:14:39 49 09:05:37 87 10:06:46
12 08:15:28 50 09:06:15 88 10:07:02
13 08:17:26 51 09:06:39 89 10:11:27
14 08:18:15 52 09:08:51 90 10:12:13
15 08:18:35 53 09:10:34 91 10:14:28
16 08:21:08 54 09:11:09 92 10:16:32
17 08:21:38 55 09:11:34 93 10:19:42
18 08:23:47 56 09:12:04 94 10:20:12
19 08:24:19 57 09:12:23 95 10:21:38
20 08:25:31 58 09:16:49 96 10:23:21
21 08:27:14 59 09:18:01 97 10:25:44
22 08:29:41 60 09:21:13 98 10:26:20
23 08:32:40 61 09:21:41 99 10:27:16
24 08:33:26 62 09:24:07 100 10:29:21
25 08:36:49 63 09:26:33 101 10:29:43
26 08:36:54 64 09:27:34 102 10:31:57
27 08:37:39 65 09:28:51 103 10:32:24
28 08:39:08 66 09:30:07 104 10:34:33
29 08:42:21 67 09:31:51 105 10:36:13
30 08:43:16 68 09:33:07 106 10:42:20
31 08:45:14 69 09:34:17 107 10:43:41
32 08:45:47 70 09:38:13 108 10:45:32
33 08:46:38 71 09:41:22 109 10:50:36
34 08:47:42 72 09:43:17 110 10:53:03
35 08:49:16 73 09:45:38 111 10:54:13
36 08:51:37 74 09:46:07 112 10:59:11
37 08:54:36 75 09:46:38
38 08:55:52 76 09:46:53

97
B. Data Pelayanan Pasien di Loket

1 08:03:17 34 09:04:38 67 10:03:56
2 08:04:23 35 09:06:11 68 10:04:51
3 08:07:43 36 09:08:21 69 10:07:18
4 08:09:21 37 09:09:46 70 10:08:32
5 08:10:18 38 09:10:34 71 10:08:57
6 08:11:27 39 09:11:25 72 10:11:03
7 08:12:06 40 09:12:17 73 10:11:25
8 08:13:32 41 09:12:46 74 10:14:26
9 08:15:07 42 09:13:27 75 10:14:41
10 08:16:23 43 09:14:06 76 10:18:36
11 08:17:39 44 09:14:43 77 10:22:03
12 08:18:34 45 09:16:13 78 10:22:48
13 08:19:12 46 09:16:45 79 10:23:27
14 08:20:41 47 09:17:51 80 10:24:16
15 08:24:18 48 09:22:32 81 10:27:22
16 08:24:57 49 09:24:09 82 10:34:39
17 08:27:28 50 09:26:38 83 10:35:43
18 08:29:54 51 09:27:02 84 10:37:19
19 08:30:19 52 09:28:23 85 10:39:18
20 08:35:31 53 09:31:29 86 10:40:58
21 08:37:14 54 09:38:08 87 10:43:44
22 08:39:11 55 09:40:14 88 10:45:20
23 08:39:49 56 09:41:09 89 10:48:35
24 08:41:44 57 09:41:37 90 10:48:58
25 08:41:54 58 09:42:33 91 10:50:24
26 08:42:22 59 09:47:12 92 10:51:07
27 08:44:39 60 09:48:51 93 10:51:49
28 08:49:28 61 09:51:07 94 10:53:33
29 08:50:37 62 09:52:14 95 10:55:17
30 08:52:31 63 09:54:32 96 10:56:20
31 08:53:42 64 10:01:44
32 08:56:34 65 10:02:13
33 08:58:52 66 10:03:22

98
C. Data Pelayan Pasien di Klinik DM&HT

Pasien Waktu Pasien Waktu
1 08:05:10 37 09:26:00
2 08:05:52 38 09:27:13
3 08:09:46 39 09:31:26
4 08:10:24 40 09:35:46
5 08:13:18 41 09:35:14
6 08:14:29 42 09:39:35
7 08:18:06 43 09:44:17
8 08:21:31 44 09:46:54
9 08:23:47 45 09:50:26
10 08:24:51 46 09:58:56
11 08:25:21 47 09:59:02
12 08:25:49 48 10:00:30
13 08:26:27 49 10:01:23
14 08:28:14 50 10:02:11
15 08:29:35 51 10:03:34
16 08:30:33 52 10:04:42
17 08:32:28 53 10:05:37
18 08:34:19 54 10:06:37
19 08:34:47 55 10:08:13
20 08:41:31 56 10:09:49
21 08:44:13 57 10:13:02
22 08:49:41 58 10:14:31
23 08:56:02 59 10:16:46
24 08:56:26 60 10:19:07
25 08:57:49 61 10:26:33
26 08:59:52 62 10:29:34
27 09:04:11 63 10:34:53
28 09:10:08 64 10:35:19
29 09:10:21 65 10:38:51
30 09:12:19 66 10:39:36
31 09:14:27 67 10:46:17
32 09:16:38 68 10:49:18
33 09:17:05 69 10:55:25
34 09:17:42 70 10:57:39
35 09:18:16 71 10:58:41
36 09:20:31

99
Lampiran 2. Data Primer Hasil Observasi Pasien pada Hari Kamis, 05 Juli 2018

1 08:01:59 42 08:57:53 83 10:01:15
2 08:02:22 43 09:01:11 84 10:03:21
3 08:03:46 44 09:02:01 85 10:04:04
4 08:05:21 45 09:02:32 86 10:05:16
5 08:07:53 46 09:02:55 87 10:05:53
6 08:08:19 47 09:03:38 88 10:06:53
7 08:10:06 48 09:04:26 89 10:07:13
8 08:13:32 49 09:05:04 90 10:07:38
9 08:17:47 50 09:05:59 91 10:07:51
10 08:22:11 51 09:06:09 92 10:09:31
11 08:23:41 52 09:09:14 93 10:10:12
12 08:24:00 53 09:17:15 94 10:13:16
13 08:25:26 54 09:17:46 95 10:17:27
14 08:26:23 55 09:19:27 96 10:18:13
15 08:29:52 56 09:22:34 97 10:19:28
16 08:30:43 57 09:25:30 98 10:20:23
17 08:33:22 58 09:26:09 99 10:21:19
18 08:33:56 59 09:26:32 100 10:22:59
19 08:37:19 60 09:27:23 101 10:23:13
20 08:38:13 61 09:27:49 102 10:26:57
21 08:38:44 62 09:28:01 103 10:27:43
22 08:39:49 63 09:30:18 104 10:29:32
23 08:40:26 64 09:31:29 105 10:29:58
24 08:40:57 65 09:32:07 106 10:30:26
25 08:41:16 66 09:32:38 107 10:33:15
26 08:41:41 67 09:34:34 108 10:33:45
27 08:42:39 68 09:35:51 109 10:34:24
28 08:43:08 69 09:36:07 110 10:35:18
29 08:46:16 70 09:37:13 111 10:35:36
30 08:46:34 71 09:37:41 112 10:36:24
31 08:47:03 72 09:39:02 113 10:37:31
32 08:47:21 73 09:39:23 114 10:38:22
33 08:47:47 74 09:39:53 115 10:38:36
34 08:48:16 75 09:41:51 116 10:40:03
35 08:48:42 76 09:43:27 117 10:41:13
36 08:49:30 77 09:46:46 118 10:43:46
37 08:50:26 78 09:49:30 119 10:44:49
38 08:50:52 79 09:52:53 120 10:55:31
39 08:51:41 80 09:53:16 121 10:57:06
40 08:55:22 81 09:54:20 122 10:59:44
41 08:56:16 82 09:55:03

100

1 08:03:59 43 09:09:53 85 10:00:15
2 08:04:22 44 09:11:14 86 10:02:17
3 08:07:21 45 09:11:21 87 10:04:34
4 08:07:46 46 09:12:16 88 10:05:13
5 08:08:53 47 09:13:35 89 10:06:26
6 08:10:19 48 09:13:41 90 10:06:52
7 08:13:06 49 09:15:26 91 10:07:23
8 08:22:32 50 09:18:52 92 10:07:49
9 08:24:47 51 09:20:59 93 10:08:11
10 08:25:11 52 09:21:09 94 10:09:51
11 08:26:41 53 09:22:14 95 10:11:12
12 08:29:00 54 09:24:15 96 10:14:33
13 08:30:26 55 09:27:27 97 10:17:27
14 08:33:23 56 09:27:46 98 10:19:15
15 08:34:52 57 09:29:34 99 10:19:32
16 08:39:18 58 09:30:13 100 10:20:04
17 08:39:42 59 09:30:21 101 10:21:52
18 08:41:56 60 09:31:32 102 10:22:19
19 08:44:19 61 09:33:23 103 10:23:21
20 08:45:13 62 09:33:49 104 10:25:13
21 08:45:24 63 09:34:01 105 10:26:15
22 08:45:49 64 09:35:18 106 10:28:10
23 08:46:46 65 09:37:29 107 10:29:48
24 08:49:13 66 09:38:07 108 10:30:05
25 08:49:57 67 09:38:38 109 10:30:16
26 08:50:41 68 09:39:34 110 10:31:22
27 08:52:08 69 09:40:51 111 10:34:43
28 08:53:32 70 09:41:07 112 10:35:26
29 08:54:16 71 09:41:18 113 10:35:27
30 08:56:21 72 09:42:41 114 10:36:24
31 08:57:24 73 09:43:17 115 10:38:03
32 08:57:38 74 09:45:13 116 10:38:36
33 08:58:47 75 09:47:22 117 10:39:49
34 08:59:16 76 09:48:51 118 10:40:09
35 09:00:30 77 09:49:27 119 10:43:36
36 09:00:42 78 09:51:46 120 10:46:12
37 09:01:36 79 09:53:30 121 10:47:25
38 09:02:16 80 09:53:53 122 10:50:31
39 09:02:52 81 09:55:51 123 10:51:03
40 09:03:42 82 09:57:27 124 10:55:13
41 09:05:30 83 09:57:46 125 10:56:44
42 09:06:36 84 09:59:30 126 10:58:04

101

Pasien Waktu Pasien Waktu
1 08:05:33 39 09:26:45
2 08:07:52 40 09:27:22
3 08:09:14 41 09:31:53
4 08:09:39 42 09:35:00
5 08:17:18 43 09:35:14
6 08:17:35 44 09:35:41
7 08:20:16 45 09:44:38
8 08:21:31 46 09:46:14
9 08:23:47 47 09:48:53
10 08:24:21 48 09:58:56
11 08:24:51 49 09:59:02
12 08:25:19 50 10:00:42
13 08:26:37 51 10:01:53
14 08:28:41 52 10:02:07
15 08:30:24 53 10:03:33
16 08:31:03 54 10:04:12
17 08:32:32 55 10:04:48
18 08:34:46 56 10:06:15
19 08:35:24 57 10:08:26
20 08:38:54 58 10:09:29
21 08:39:21 59 10:13:13
22 08:39:13 60 10:14:35
23 08:43:02 61 10:16:32
24 08:46:35 62 10:19:07
25 08:49:12 63 10:26:33
26 08:51:57 64 10:29:34
27 09:02:09 65 10:34:53
28 09:10:08 66 10:35:19
29 09:10:21 67 10:36:42
30 09:12:19 68 10:38:21
31 09:14:27 69 10:39:35
32 09:16:38 70 10:40:38
33 09:17:05 71 10:45:11
34 09:17:42 72 10:50:02
35 09:20:16 73 10:51:51
36 09:20:31 74 10:55:43
37 09:22:54 75 10:59:06
38 09:23:19

102
Lampiran 3. Data Primer Hasil Observasi Pasien pada Hari Jumat, 06 Juli 2018

1 08:00:23 31 08:44:32 61 09:39:28
2 08:03:34 32 08:46:54 62 09:39:34
3 08:03:51 33 08:50:04 63 09:42:15
4 08:03:42 34 08:50:43 64 09:43:52
5 08:03:58 35 08:52:01 65 09:46:43
6 08:07:07 36 08:54:14 66 09:47:09
7 08:07:43 37 08:57:25 67 09:47:25
8 08:11:05 38 08:59:20 68 09:53:30
9 08:11:10 39 09:05:28 69 09:58:44
10 08:11:47 40 09:07:05 70 10:00:02
11 08:13:04 41 09:07:48 71 10:00:23
12 08:13:46 42 09:09:05 72 10:03:21
13 08:14:12 43 09:10:10 73 10:05:02
14 08:16:06 44 09:10:41 74 10:06:27
15 08:16:38 45 09:12:22 75 10:06:53
16 08:16:50 46 09:12:55 76 10:09:17
17 08:17:15 47 09:13:11 77 10:15:42
18 08:26:26 48 09:13:23 78 10:22:19
19 08:28:15 49 09:14:05 79 10:24:12
20 08:32:31 50 09:17:57 80 10:24:58
21 08:33:55 51 09:24:21 81 10:27:23
22 08:33:56 52 09:25:43 82 10:29:06
23 08:35:39 53 09:25:56 83 10:32:32
24 08:35:53 54 09:27:07 84 10:33:53
25 08:36:04 55 09:27:54 85 10:36:32
26 08:36:42 56 09:30:49 86 10:38:16
27 08:37:13 57 09:31:26 87 10:41:46
28 08:38:17 58 09:34:57 88 10:42:11
29 08:40:45 59 09:35:33 89 10:50:42
30 08:43:39 60 09:38:35

103

1 08:00:09 33 08:50:19 65 09:35:49
2 08:00:17 34 08:51:02 66 09:36:32
3 08:01:58 35 08:52:13 67 09:37:27
4 08:02:14 36 08:52:33 68 09:38:24
5 08:03:55 37 08:54:08 69 09:40:11
6 08:05:19 38 08:54:35 70 09:41:16
7 08:05:46 39 08:55:21 71 09:41:33
8 08:07:04 40 08:56:07 72 09:43:31
9 08:07:42 41 08:57:14 73 09:45:04
10 08:09:13 42 09:01:04 74 09:51:54
11 08:10:11 43 09:04:22 75 09:56:10
12 08:10:49 44 09:05:12 76 09:57:18
13 08:14:03 45 09:06:50 77 10:00:49
14 08:17:59 46 09:09:10 78 10:03:41
15 08:20:51 47 09:09:53 79 10:14:08
16 08:23:18 48 09:12:38 80 10:21:34
17 08:24:03 49 09:13:31 81 10:23:52
18 08:25:00 50 09:15:02 82 10:25:29
19 08:27:45 51 09:15:33 83 10:28:02
20 08:28:19 52 09:16:51 84 10:30:28
21 08:29:46 53 09:17:45 85 10:32:18
22 08:30:48 54 09:18:05 86 10:33:55
23 08:32:12 55 09:19:52 87 10:35:09
24 08:34:48 56 09:20:38 88 10:38:40
25 08:36:30 57 09:23:32 89 10:40:39
26 08:39:35 58 09:24:06 90 10:41:28
27 08:39:47 59 09:26:21 91 10:44:53
28 08:41:53 60 09:27:18 92 10:47:17
29 08:43:30 61 09:30:23 93 10:50:21
30 08:45:25 62 09:32:52 94 10:51:12
31 08:48:13 63 09:34:11 95 10:52:37
32 08:48:46 64 09:35:40 96 10:53:44

104

1 08:00:29 38 09:12:17 75 10:20:38
2 08:01:12 39 09:13:05 76 10:20:56
3 08:01:42 40 09:13:28 77 10:21:17
4 08:02:03 41 09:13:59 78 10:21:32
5 08:02:47 42 09:15:11 79 10:22:06
6 08:04:06 43 09:16:35 80 10:22:25
7 08:04:55 44 09:16:59 81 10:22:48
8 08:05:24 45 09:17:19 82 10:23:16
9 08:06:03 46 09:17:49 83 10:23:46
10 08:06:51 47 09:18:10 84 10:24:30
11 08:07:23 48 09:24:38 85 10:24:46
12 08:07:45 49 09:28:19 86 10:25:12
13 08:08:34 50 09:28:36 87 10:25:43
14 08:21:54 51 09:28:53 88 10:26:11
15 08:22:16 52 09:29:41 89 10:26:53
16 08:22:45 53 09:30:01 90 10:27:14
17 08:23:24 54 09:30:37 91 10:28:02
18 08:24:18 55 09:46:38 92 10:28:30
19 08:25:17 56 09:47:24 93 10:29:16
20 08:26:20 57 09:47:46 94 10:29:51
21 08:27:08 58 09:48:41 95 10:36:32
22 08:28:07 59 09:49:51 96 10:37:12
23 08:28:23 60 09:50:26 97 10:37:33
24 08:30:22 61 09:51:21 98 10:38:06
25 08:30:37 62 09:53:10 99 10:38:39
26 08:42:04 63 09:54:13 100 10:44:46
27 08:43:38 64 09:55:16 101 10:49:44
28 08:46:14 65 09:55:42 102 10:52:46
29 08:47:41 66 09:56:11 103 10:53:29
30 08:47:58 67 10:00:10 104 10:54:17
31 08:48:43 68 10:01:16 105 10:54:43
32 08:49:29 69 10:03:57 106 10:55:27
33 08:55:22 70 10:05:58 107 10:56:56
34 09:01:25 71 10:15:59 108 10:57:11
35 09:02:14 72 10:18:30 109 10:57:52
36 09:10:32 73 10:19:14 110 10:58:23
37 09:11:17 74 10:19:45 111 10:58:41

105
Lampiran 4. Data Primer Hasil Observasi Pasien pada Hari Rabu, 04 Juli 2018
A. Data Kedatangan Pasien di Loket per 5 menit

Waktu Kedatangan Frekuensi Waktu Kedatangan Frekuensi
08:00:00-08:05:00 4 09:30:01-09:35:00 4
08:05:01-08:10:00 4 09:35:01-09:40:00 1
08:10:01-08:15:00 3 09:40:01-09:45:00 2
08:15:01-08:20:00 4 09:45:01-09:50:00 6
08:20:01-08:25:00 4 09:50:01-09:55:00 4
08:25:01-08:30:00 3 09:55:01-10:00:00 2
08:30:01-08:35:00 2 10:00:01-10:05:00 2
08:35:01-08:40:00 4 10:05:01-10:10:00 2
08:40:01-08:45:00 2 10:10:01-10:15:00 3
08:45:01-08:50:00 5 10:15:01-10:20:00 2
08:50:01-08:55:00 2 10:20:01-10:25:00 3
08:55:01-09:00:00 3 10:25:01-10:30:00 5
09:00:01-09:05:00 7 10:30:01-10:35:00 3
09:05:01-09:10:00 5 10:35:01-10:40:00 1
09:10:01-09:15:00 5 10:40:01-10:45:00 2
09:15:01-09:20:00 2 10:45:01-10:50:00 1
09:20:01-09:25:00 3 10:50:01-10:55:00 3
[[[[[[[[][
09:25:01-09:30:00 3 10:55:01-11:00:00 1
B. Data Pelayanan Pasien di Loket per 5 menit

08:00:00-08:05:00 2 09:30:01-09:35:00 1
08:05:01-08:10:00 2 09:35:01-09:40:00 1
08:10:01-08:15:00 4 09:40:01-09:45:00 4
08:15:01-08:20:00 5 09:45:01-09:50:00 2
08:20:01-08:25:00 3 09:50:01-09:55:00 3
08:25:01-08:30:00 2 09:55:01-10:00:00 0
08:30:01-08:35:00 1 10:00:01-10:05:00 5
08:35:01-08:40:00 4 10:05:01-10:10:00 3
08:40:01-08:45:00 4 10:10:01-10:15:00 4
08:45:01-08:50:00 1 10:15:01-10:20:00 1
08:50:01-08:55:00 3 10:20:01-10:25:00 4
08:55:01-09:00:00 2 10:25:01-10:30:00 1
09:00:01-09:05:00 1 10:30:01-10:35:00 1
09:05:01-09:10:00 3 10:35:01-10:40:00 3
09:10:01-09:15:00 7 10:40:01-10:45:00 2
09:15:01-09:20:00 3 10:45:01-10:50:00 3
09:20:01-09:25:00 2 10:50:01-10:55:00 4
09:25:01-09:30:00 3 10:55:01-11:00:00 2

106
C. Data Pelayanan Pasien di Klinik DM&HT per 5 menit

08:00:00-08:05:00 0 09:30:01-09:35:00 1
08:05:01-08:10:00 3 09:35:01-09:40:00 3
08:10:01-08:15:00 3 09:40:01-09:45:00 1
08:15:01-08:20:00 1 09:45:01-09:50:00 1
08:20:01-08:25:00 3 09:50:01-09:55:00 1
08:25:01-08:30:00 5 09:55:01-10:00:00 2
08:30:01-08:35:00 4 10:00:01-10:05:00 5
08:35:01-08:40:00 0 10:05:01-10:10:00 4
08:40:01-08:45:00 2 10:10:01-10:15:00 2
08:45:01-08:50:00 1 10:15:01-10:20:00 2
08:50:01-08:55:00 0 10:20:01-10:25:00 0
08:55:01-09:00:00 4 10:25:01-10:30:00 2
09:00:01-09:05:00 1 10:30:01-10:35:00 1
09:05:01-09:10:00 0 10:35:01-10:40:00 3
09:10:01-09:15:00 4 10:40:01-10:45:00 0
09:15:01-09:20:00 4 10:45:01-10:50:00 2
09:20:01-09:25:00 1 10:50:01-10:55:00 0
09:25:01-09:30:00 2 10:55:01-11:00:00 3
D. Data Kedatangan Pasien di Loket per 5 menit setelah pengurangan

08:00:00-08:05:00 4 09:30:01-09:35:00 4
08:05:01-08:10:00 4 09:35:01-09:40:00 0
08:10:01-08:15:00 3 09:40:01-09:45:00 0
08:15:01-08:20:00 4 09:45:01-09:50:00 0
08:20:01-08:25:00 4 09:50:01-09:55:00 0
08:25:01-08:30:00 3 09:55:01-10:00:00 0
08:30:01-08:35:00 2 10:00:01-10:05:00 0
08:35:01-08:40:00 4 10:05:01-10:10:00 0
08:40:01-08:45:00 2 10:10:01-10:15:00 0
08:45:01-08:50:00 5 10:15:01-10:20:00 0
08:50:01-08:55:00 2 10:20:01-10:25:00 0
08:55:01-09:00:00 3 10:25:01-10:30:00 0
09:00:01-09:05:00 7 10:30:01-10:35:00 0
09:05:01-09:10:00 5 10:35:01-10:40:00 0
09:10:01-09:15:00 5 10:40:01-10:45:00 0
09:15:01-09:20:00 2 10:45:01-10:50:00 0
09:20:01-09:25:00 3 10:50:01-10:55:00 0
[[[[[[[[][
09:25:01-09:30:00 3 10:55:01-11:00:00 0

107
E. Data Pelayanan Pasien di Loket per 5 menit setelah pengurangan

08:00:00-08:05:00 2 09:30:01-09:35:00 1
08:05:01-08:10:00 2 09:35:01-09:40:00 1
08:10:01-08:15:00 4 09:40:01-09:45:00 4
08:15:01-08:20:00 5 09:45:01-09:50:00 2
08:20:01-08:25:00 3 09:50:01-09:55:00 3
08:25:01-08:30:00 2 09:55:01-10:00:00 0
08:30:01-08:35:00 1 10:00:01-10:05:00 5
08:35:01-08:40:00 4 10:05:01-10:10:00 2
08:40:01-08:45:00 4 10:10:01-10:15:00 0
08:45:01-08:50:00 1 10:15:01-10:20:00 0
08:50:01-08:55:00 3 10:20:01-10:25:00 0
08:55:01-09:00:00 2 10:25:01-10:30:00 0
09:00:01-09:05:00 1 10:30:01-10:35:00 0
09:05:01-09:10:00 3 10:35:01-10:40:00 0
09:10:01-09:15:00 7 10:40:01-10:45:00 0
09:15:01-09:20:00 3 10:45:01-10:50:00 0
09:20:01-09:25:00 2 10:50:01-10:55:00 0
09:25:01-09:30:00 3 10:55:01-11:00:00 0
Lampiran 5. Data Primer Hasil Observasi Pasien pada Hari Kamis, 05 Juli 2018

08:00:00-08:05:00 3 09:30:01-09:35:00 5
08:05:01-08:10:00 3 09:35:01-09:40:00 7
08:10:01-08:15:00 2 09:40:01-09:45:00 2
08:15:01-08:20:00 1 09:45:01-09:50:00 2
08:20:01-08:25:00 3 09:50:01-09:55:00 3
08:25:01-08:30:00 3 09:55:01-10:00:00 1
08:30:01-08:35:00 3 10:00:01-10:05:00 3
08:35:01-08:40:00 4 10:05:01-10:10:00 7
08:40:01-08:45:00 6 10:10:01-10:15:00 2
08:45:01-08:50:00 8 10:15:01-10:20:00 3
08:50:01-08:55:00 3 10:20:01-10:25:00 4
08:55:01-09:00:00 3 10:25:01-10:30:00 4
09:00:01-09:05:00 6 10:30:01-10:35:00 4
09:05:01-09:10:00 4 10:35:01-10:40:00 6
09:10:01-09:15:00 0 10:40:01-10:45:00 4
09:15:01-09:20:00 3 10:45:01-10:50:00 0
09:20:01-09:25:00 1 10:50:01-10:55:00 0
[[[[[[[[][
09:25:01-09:30:00 6 10:55:01-11:00:00 3

108

08:00:00-08:05:00 2 09:30:01-09:35:00 6
08:05:01-08:10:00 3 09:35:01-09:40:00 5
08:10:01-08:15:00 2 09:40:01-09:45:00 5
08:15:01-08:20:00 0 09:45:01-09:50:00 4
08:20:01-08:25:00 2 09:50:01-09:55:00 3
08:25:01-08:30:00 3 09:55:01-10:00:00 4
08:30:01-08:35:00 3 10:00:01-10:05:00 3
08:35:01-08:40:00 2 10:05:01-10:10:00 7
08:40:01-08:45:00 2 10:10:01-10:15:00 2
08:45:01-08:50:00 6 10:15:01-10:20:00 3
08:50:01-08:55:00 4 10:20:01-10:25:00 4
08:55:01-09:00:00 5 10:25:01-10:30:00 4
09:00:01-09:05:00 6 10:30:01-10:35:00 4
09:05:01-09:10:00 3 10:35:01-10:40:00 6
09:10:01-09:15:00 5 10:40:01-10:45:00 2
09:15:01-09:20:00 2 10:45:01-10:50:00 2
09:20:01-09:25:00 4 10:50:01-10:55:00 2
09:25:01-09:30:00 3 10:55:01-11:00:00 3

08:00:00-08:05:00 0 09:30:01-09:35:00 1
08:05:01-08:10:00 4 09:35:01-09:40:00 3
08:10:01-08:15:00 0 09:40:01-09:45:00 1
08:15:01-08:20:00 2 09:45:01-09:50:00 2
08:20:01-08:25:00 5 09:50:01-09:55:00 0
08:25:01-08:30:00 3 09:55:01-10:00:00 2
08:30:01-08:35:00 4 10:00:01-10:05:00 6
08:35:01-08:40:00 4 10:05:01-10:10:00 3
08:40:01-08:45:00 1 10:10:01-10:15:00 2
08:45:01-08:50:00 2 10:15:01-10:20:00 2
08:50:01-08:55:00 1 10:20:01-10:25:00 0
08:55:01-09:00:00 0 10:25:01-10:30:00 2
09:00:01-09:05:00 1 10:30:01-10:35:00 1
09:05:01-09:10:00 0 10:35:01-10:40:00 4
09:10:01-09:15:00 4 10:40:01-10:45:00 1
09:15:01-09:20:00 3 10:45:01-10:50:00 1
09:20:01-09:25:00 4 10:50:01-10:55:00 2
09:25:01-09:30:00 2 10:55:01-11:00:00 2

109
D. Data Kedatangan Pasien di Loket per 5 menit

08:00:00-08:05:00 3 09:30:01-09:35:00 5
08:05:01-08:10:00 3 09:35:01-09:40:00 6
08:10:01-08:15:00 2 09:40:01-09:45:00 0
08:15:01-08:20:00 1 09:45:01-09:50:00 0
08:20:01-08:25:00 3 09:50:01-09:55:00 0
08:25:01-08:30:00 3 09:55:01-10:00:00 0
08:30:01-08:35:00 3 10:00:01-10:05:00 0
08:35:01-08:40:00 4 10:05:01-10:10:00 0
08:40:01-08:45:00 6 10:10:01-10:15:00 0
08:45:01-08:50:00 8 10:15:01-10:20:00 0
08:50:01-08:55:00 3 10:20:01-10:25:00 0
08:55:01-09:00:00 3 10:25:01-10:30:00 0
09:00:01-09:05:00 6 10:30:01-10:35:00 0
09:05:01-09:10:00 4 10:35:01-10:40:00 0
09:10:01-09:15:00 0 10:40:01-10:45:00 0
09:15:01-09:20:00 3 10:45:01-10:50:00 0
09:20:01-09:25:00 1 10:50:01-10:55:00 0
09:25:01-09:30:00 6 10:55:01-11:00:00 0
E. Data Pelayanan Pasien di Loket per 5 menit

08:00:00-08:05:00 2 09:30:01-09:35:00 6
08:05:01-08:10:00 3 09:35:01-09:40:00 5
08:10:01-08:15:00 2 09:40:01-09:45:00 5
08:15:01-08:20:00 0 09:45:01-09:50:00 1
08:20:01-08:25:00 2 09:50:01-09:55:00 0
08:25:01-08:30:00 3 09:55:01-10:00:00 0
08:30:01-08:35:00 3 10:00:01-10:05:00 0
08:35:01-08:40:00 2 10:05:01-10:10:00 0
08:40:01-08:45:00 2 10:10:01-10:15:00 0
08:45:01-08:50:00 6 10:15:01-10:20:00 0
08:50:01-08:55:00 4 10:20:01-10:25:00 0
08:55:01-09:00:00 5 10:25:01-10:30:00 0
09:00:01-09:05:00 6 10:30:01-10:35:00 0
09:05:01-09:10:00 3 10:35:01-10:40:00 0
09:10:01-09:15:00 5 10:40:01-10:45:00 0
09:15:01-09:20:00 2 10:45:01-10:50:00 0
09:20:01-09:25:00 4 10:50:01-10:55:00 0
09:25:01-09:30:00 3 10:55:01-11:00:00 0

110
Lampiran 6. Data Primer Hasil Observasi Pasien pada Hari Jumat, 06 Juli 2018

08:00:00-08:05:00 5 09:30:01-09:35:00 3
08:05:01-08:10:00 2 09:35:01-09:40:00 4
08:10:01-08:15:00 6 09:40:01-09:45:00 2
08:15:01-08:20:00 4 09:45:01-09:50:00 3
08:20:01-08:25:00 0 09:50:01-09:55:00 1
08:25:01-08:30:00 2 09:55:01-10:00:00 1
08:30:01-08:35:00 3 10:00:01-10:05:00 3
08:35:01-08:40:00 6 10:05:01-10:10:00 4
08:40:01-08:45:00 3 10:10:01-10:15:00 0
08:45:01-08:50:00 1 10:15:01-10:20:00 1
08:50:01-08:55:00 4 10:20:01-10:25:00 3
08:55:01-09:00:00 2 10:25:01-10:30:00 2
09:00:01-09:05:00 0 10:30:01-10:35:00 2
09:05:01-09:10:00 4 10:35:01-10:40:00 2
09:10:01-09:15:00 7 10:40:01-10:45:00 2
09:15:01-09:20:00 1 10:45:01-10:50:00 0
09:20:01-09:25:00 1 10:50:01-10:55:00 1
[[[[[[[[][
09:25:01-09:30:00 4 10:55:01-11:00:00 0

08:00:00-08:05:00 5 09:30:01-09:35:00 3
08:05:01-08:10:00 5 09:35:01-09:40:00 5
08:10:01-08:15:00 3 09:40:01-09:45:00 4
08:15:01-08:20:00 1 09:45:01-09:50:00 1
08:20:01-08:25:00 3 09:50:01-09:55:00 1
08:25:01-08:30:00 4 09:55:01-10:00:00 2
08:30:01-08:35:00 3 10:00:01-10:05:00 2
08:35:01-08:40:00 3 10:05:01-10:10:00 0
08:40:01-08:45:00 2 10:10:01-10:15:00 1
08:45:01-08:50:00 3 10:15:01-10:20:00 0
08:50:01-08:55:00 6 10:20:01-10:25:00 2
08:55:01-09:00:00 3 10:25:01-10:30:00 2
09:00:01-09:05:00 2 10:30:01-10:35:00 3
09:05:01-09:10:00 4 10:35:01-10:40:00 2
09:10:01-09:15:00 2 10:40:01-10:45:00 3
09:15:01-09:20:00 6 10:45:01-10:50:00 1
09:20:01-09:25:00 3 10:50:01-10:55:00 4
09:25:01-09:30:00 2 10:55:01-11:00:00 0

111

08:00:00-08:05:00 7 09:30:01-09:35:00 2
08:05:01-08:10:00 6 09:35:01-09:40:00 0
08:10:01-08:15:00 0 09:40:01-09:45:00 0
08:15:01-08:20:00 0 09:45:01-09:50:00 5
08:20:01-08:25:00 5 09:50:01-09:55:00 4
08:25:01-08:30:00 5 09:55:01-10:00:00 3
08:30:01-08:35:00 2 10:00:01-10:05:00 3
08:35:01-08:40:00 0 10:05:01-10:10:00 1
08:40:01-08:45:00 2 10:10:01-10:15:00 0
08:45:01-08:50:00 5 10:15:01-10:20:00 4
08:50:01-08:55:00 0 10:20:01-10:25:00 11
08:55:01-09:00:00 1 10:25:01-10:30:00 9
09:00:01-09:05:00 2 10:30:01-10:35:00 0
09:05:01-09:10:00 0 10:35:01-10:40:00 5
09:10:01-09:15:00 6 10:40:01-10:45:00 1
09:15:01-09:20:00 6 10:45:01-10:50:00 1
09:20:01-09:25:00 1 10:50:01-10:55:00 4
09:25:01-09:30:00 4 10:55:01-11:00:00 6

112
Lampiran 7. Tabel Kolmogorov-Smirnov
Nilai Kritis dari D pada Tes Satu Sampel

Kolmogorov-Smirnov
(Siegel, 1956: 251)

Ukuran Tingkat signifikan dari | |
Sampel
(N) 0,2 0,15 0,1 0.05 0.01
1 0,900 0,925 0,950 0,975 0,995
2 0,684 0,726 0,776 0,842 0,929
3 0,565 0,597 0,642 0,708 0,828
4 0,494 0,525 0,564 0,624 0,733
5 0,446 0,474 0,510 0,565 0,669
6 0,410 0,436 0,470 0,521 0,618
7 0,381 0,405 0,438 0,486 0,577
8 0,358 0,381 0,411 0,457 0,543
9 0,339 0,360 0,388 0,432 0,514
10 0,322 0,342 0,368 0,410 0,490
11 0,307 0,326 0,352 0,391 0,468
12 0,295 0,313 0,338 0,375 0,450
13 0,284 0,302 0,325 0,361 0,433
14 0,274 0,292 0,314 0,349 0,418
15 0,266 0,283 0,304 0,338 0,404
16 0,258 0,274 0,295 0,328 0,392
17 0,250 0,266 0,286 0,318 0,381
18 0,244 0,259 0,278 0,309 0,371
19 0,237 0,252 0,272 0,301 0,363
20 0,231 0,246 0,264 0,294 0,356
25 0,21 0,22 0,24 0,27 0,32
30 0,19 0,20 0,22 0,24 0,29
35 0,18 0,19 0,21 0,23 0,27
Lebih dari
35 √ √ √ √ √

113
Lampiran 8. Simulasi Monte Carlo di Loket pada Hari Rabu, 04 Juli 2018
A. Menentukan interval waktu antar kedatangan, probabilitas kumulatif

dan interval angka acak
Penjelasan hasil output tersebut yaitu:
1. Sel A (frekuensi)
Sel A merupakan banyaknya interval waktu antar kedatangan yang
telah dikelompokkan.
2. Sel B (distribusi probabilitas)
Formula untuk sel B3 yaitu “=A3/A10” dan kemudian di copy ke sel
B4:B9.
3. Sel C (distribusi probabilitas kumulatif)
Formula untuk sel C3 diisi 0 karena interval angka acak dimulai dari
0,000. Selanjutnya untuk formula C4 yaitu “=B3+C3” dan di copy ke sel
C5:C9.
4. Sel D (interval waktu antar kedatangan)
Interval waktu antar kedatangan ditentukan berdasarkan data hasil
observasi.
5. Sel E (interval angka acak)
Menetapkan batas angka acak atau bilangan random menggunakan
pecahan desimal yang dimulai dari 0,000.

114
B. Menentukan interval waktu antar pelayanan, probabilitas kumulatif

1. Sel F (frekuensi)
Sel F merupakan banyaknya interval waktu antar pelayanan yang
telah dikelompokkan.
2. Sel G (distribusi probabilitas)
Formula untuk sel G3 yaitu “=F3/F11” dan kemudian di copy ke sel
G4:G10.
3. Sel H (distribusi probabilitas kumulatif)
Formula untuk sel H3 diisi 0 karena interval angka acak dimulai dari
0,000. Selanjutnya untuk formula H4 yaitu “=G3+H3” dan di copy ke sel
H5:H10.
4. Sel I (interval waktu antar pelayanan)
Interval waktu antar pelayanan ditentukan berdasarkan data hasil
observasi.
5. Sel J (interval angka acak)
Menetapkan batas angka acak atau bilangan random menggunakan
pecahan desimal yang dimulai dari 0,000.

115
C. Simulasi Monte Carlo sampai pasien ke-100

116

117
1. Sel A (pasien)
Sel A16:A115 merupakan kedatangan pasien ke-1 sampai dengan
pasien ke-100.
2. Sel B (angka acak)
Sel B17 merupakan angka acak yang diperoleh dari rumus MS.
Excel yaitu “RAND()”. Selanjutnya, copy sel B17 ke sel B18:B115.
3. Sel C (waktu antar kedatangan)
Waktu antar kedatangan pada sel C17 ditentukan berdasarkan
distribusi probabilitas kumulatif dari interval kedatangan pada sel C3:D10.
Isi sel pada C3:D10 diberi nama “Lookup1” karena terdapat dua distribusi
probabilitas pada model ini. Formula “=VLOOKUP (B17,Lookup1,2)”
dimasukkan pada sel C17 dan di copy ke sel C18:C115.
4. Sel D (jam kedatangan)
Jam kedatangan pasien pada sel D17 dapat dihitung dengan
memasukkan formula “=D16+C17” dan di copy ke sel D18:D115.
5. Sel E (jam memasuki pelayanan)
Seorang pasien memasuki fasilitas pelayanan apabila pasien datang
(sel D) pada saat tidak ada pasien lain yang sedang dilayani atau pasien
sebelumnya telah meninggalkan pelayanan (sel J). Jam memasuki pelayanan
dapat dihitung dengan memasukkan formula “=MAX(D17,J16)” pada sel
E17 dan di copy ke sel E18:E115.
6. Sel F (waktu menunggu)
Waktu menunggu pasien pada sel F16 dapat dihitung dengan
formula “=E16-D16” dan di copy ke sel F17:F115.
7. Sel G (panjang antrian)
Panjang antrian merupakan banyaknya pasien yang menunggu dalam
antrian. Panjang antrian pada sel G17 dapat dihitung menggunakan formula
“COUNTIF($16$:J16,”>”&D17)”.
8. Sel H (angka acak)
Suatu kumpulan angka acak kedua dibuat pada sel H16:H115 dengan
menggunakan formula “=RAND()”
9. Sel I (waktu antar pelayanan)
Waktu antar pelayanan disajikan pada kolom I16:I115 berdasarkan
distribusi probabilitas pada sel H3:I10 dengan menggunakan kembali fungsi
“lookup”. Isi sel pada H3:I10 diberi dana “Lookup2” dan waktu antar
pelayanan dapat dihitung dengan menggunakan formula
“=VLOOKUP(H16,Lookup2,2)” pada sel I16 dan di copy ke sel I17:I115.
10. Sel J (jam meninggalkan pelayanan)
Jam meninggalkan pelayanan pada sel J16 ditentukan dengan
menggunakan formula “=E16:I16”dan di copy ke sel J17:J115.

118
11. Sel K (waktu dalam sistem)

Waktu dalam sistem antrian sel K16 dapat dihitung menggunakan
formula “=J16-D16” dan di copy ke sel K17:K115.
Setelah melakukan perhitungan pada kolom A sampai dengan kolom K,

maka dapat dihitung rata-rata waktu menunggu dalam antrian dan panjang
antrian. Rata-rata waktu menunggu dalam antrian pada sel M2 dihitung
menggunakan formula “=AVERAGE (F16:F115)”. Selanjutnya, untuk
menghitung panjang antrian pasien pada sel M3 dapat dihitung menggunakan
formula “=AVERAGE(G16:G115)”. Berikut hasil dari perhitungan rata-rata
waktu menunggu dan panjang antrian:

119
Lampiran 9. Simulasi Monte Carlo di Klinik DM&HT pada Hari Rabu, 04

Juli 2018
Langkah-langkah beserta formula yang digunakan untuk simulasi di Klinik
DM&HT sama seperti simulasi di Loket. Berikut langkah-langkah simulasi
Monte Carlo di Klinik DM&HT:



120

121

122

menggunakan formula “=AVERAGE(F19:F118)”. Selanjutnya, untuk
fomula “=AVERAGE(G19:G118)”.
Berikut hasil dari perhitungan rata-rata waktu menunggu dan panjang

antrian:

123
Lampiran 10. Simulasi Monte Carlo di Klinik DM&HT pada Hari Kamis,
05 Juli 2018
Langkah-langkah beserta formula yang digunakan untuk simulasi di Klinik
DM&HT pada hari Kamis sama seperti simulasi pada hari Rabu. Berikut
langkah-langkah simulasi Monte Carlo di Klinik DM&HT:



124

125

126

menggunakan formula “=AVERAGE(F17:F116)”. Selanjutnya, untuk
formula “=AVERAGE(G17:G116)”.
Berikut hasil dari perhitungan rata-rata waktu menunggu dan panjang

antrian:

127
Lampiran 11. Optimasi Sistem Antrian pada Hari Rabu, 04 Juli 2018
A. Loket
Optimasi sistem antrian dengan simulasi Monte Carlo

Langkah-langkah simulasi Monte Carlo pada hari Rabu di Loket telah
dijelaskan pada lampiran 8. Berikut hasil optimasi sistem antrian dengan
menggunakan simulasi Monte Carlo:

128
Simulasi Monte Carlo sampai kedatangan pasien ke-46 tersebut

menghasilkan ukuran keefektifan sebagai berikut:

129
B. Klinik DM&HT

Langkah-langkah simulasi Monte Carlo pada hari Rabu di Klinik
DM&HT telah dijelaskan pada lampiran 9. Berikut hasil optimasi sistem
antrian dengan menggunakan simulasi Monte Carlo:

130


131
Lampiran 12. Optimasi Sistem Antrian pada Hari Kamis, 05 Juli 2018
A. Loket

Langkah-langkah simulasi Monte Carlo pada hari Kamis di Loket
meliputi: menentukan interval waktu antar kedatangan dan pelayanan,
menentukan probabilitas kumulatif dan interval angka acak. Berikut hasil
optimasi sistem antrian dengan menggunakan simulasi Monte Carlo:

132

133


134
B. Klinik DM&HT

Langkah-langkah simulasi Monte Carlo pada hari Kamis di Klinik
DM&HT telah dijelaskan pada lampiran 10. Berikut hasil optimasi sistem
antrian dengan menggunakan simulasi Monte Carlo:

135


136
Lampiran 13. Optimasi Sistem Antrian pada Hari Jumat, 06 Juli 2018
A. Loket

Langkah-langkah simulasi Monte Carlo pada hari Jumat di Loket
meliputi: menentukan interval waktu antar kedatangan dan pelayanan,
menentukan probabilitas kumulatif dan interval angka acak. Berikut hasil
optimasi sistem antrian dengan menggunakan simulasi Monte Carlo:

137

138

139
Simalasi Monte Carlo sampai kedatangan pasien ke-88 tersebut


140
B. Klinik DM&HT

Langkah-langkah simulasi Monte Carlo pada hari Jumat di Klinik
DM&HT meliputi: menentukan interval waktu antar kedatangan dan
pelayanan, menentukan probabilitas kumulatif dan interval angka acak.
Berikut hasil optimasi sistem antrian dengan menggunakan simulasi Monte
Carlo

141

142

143


144

145

TK 160823030

Diunggah oleh

Informasi Dokumen

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

TK 160823030

Diunggah oleh

Hak Cipta:

Format Tersedia

SIMULASI ANTRIAN METODE MONTE CARLO PADA

PERAWATAN MEDIS DI RUMAH SAKIT

OTTO OCTAVIANUS PASARIBU

UNIVERSITAS SUMATERA UTARA

Diajukan untuk melengkapi tugas dan memenuhi syarat

mencapai gelar Sarjana Sains

OTTO OCTAVIANUS PASARIBU

UNIVERSITAS SUMATERA UTARA

Judul : SIMULASI ANTRIAN METODE MONTE CARLO PADA

Dr. Suyanto, M.Kom Dr. Suyanto, M.Kom

UNIVERSITAS SUMATERA UTARA

SIMULASI ANTRIAN METODE MONTE CARLO PADA

Medan, Oktober 2018

Otto Octavianus Pasaribu

UNIVERSITAS SUMATERA UTARA

1. Bapak Dr. Suyanto, M.Kom, selaku ketua Departemen Matematika FMIPA

2. Bapak Drs. Rosman Siregar, M.Si selaku sekertaris Departemen

4. Para pihak Rumah Sakit atas bantuannya dalam mengizinkan penulis

5. Penulis juga mengucapkan terima kasih kepada teman-teman Matematika

Medan, Oktober 2018

UNIVERSITAS SUMATERA UTARA

Pada penelitian ini pihak Rumah Sakit menetapkan standar pelayanan

Kata Kunci: antrian tandem, steady state, (M/M/1):(GD/ / ), simulasi Monte

In this thesis research, the Hospital set a service standard of 7 minutes,

Keywords: tandem queue, steady state, (M / M / 1) :( GD / ∞ / ∞), Monte Carlo

BAB 2 LANDASAN TEORI 11

BAB 3 HASIL DAN PEMBAHASAN 48

BAB 4 KESIMPULAN DAN SARAN 92

= Laju kedatangan pasien

Nomor Judul Halaman Tabel

Tabel 1.1 Tabel Kegiatan 9

Nomor Judul Halaman Gambar

Gambar 1.1 Standar pelayanan pendaftaran pasien 3

Nomor Judul Halaman Grafik

Grafik 3.1 Rata-rata waktu menunggu dalam antrian 78

Nomor Judul Halaman Lampiran

Lampiran 1 Data Primer Hasil Observasi Pasien pada Hari Rabu 96

1.1 Latar Belakang

UNIVERSITAS SUMATERA UTARA

faktor ketidakpastian yang ada dalam masalah simulasi tidaklah mudah

UNIVERSITAS SUMATERA UTARA

Gambar 1.1 Standar pelayanan pendaftaran pasien

Pada penelitian fasilitas pelayanan dari sistem antrian diperlukan

UNIVERSITAS SUMATERA UTARA

1.2 RUMUSAN MASALAH

Berdasarkan latar belakang diatas, maka dapat diambil perumusan masalah

1.3 BATASAN MASALAH

Batasan-batasan masalah dalam penelitian ini adalah:

1. Di banyak Rumah Sakit masih sering terlihat bahwa pasien menunggu

1.4 TUJUAN PENELITIAN

Tujuan dilakukannya penelitian ini adalah

1.5 MANFAAT PENELITIAN

Manfaat penelitian ini antara lain:

UNIVERSITAS SUMATERA UTARA

3. Hasil penelitian ini diharapkan dapat mengurangi lama waktu mengantri

1.6 TINJAUAN PUSTAKA

UNIVERSITAS SUMATERA UTARA

mensimulasikan jumlah pasien. Dengan penambahan satu perawat medis,

Tetapi dalam simulasi Monte Carlo, probabilitas juga dapat ditentukan

UNIVERSITAS SUMATERA UTARA

1.7 METODOLOGI PENELITIAN

1. Studi literatur dan referensi, yaitu mempelajari buku-buku dan makalah-

merupakan rata-rata waktu antar kedatangan dan merupakan rata-rata

UNIVERSITAS SUMATERA UTARA