SKRIPSI
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2018
SKRIPSI
DEPARTEMEN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS SUMATERA UTARA
MEDAN
2018
Disetujui di
Medan, Oktober 2018
Disetujui Oleh:
Departemen Matematika FMIPA USU
Ketua, Pembimbing
SKRIPSI
Saya mengakui bahwa Skripsi ini adalah hasil kerja saya sendiri. Kecuali
Beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
ii
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:
3. Bapak Drs. Ujian Sinulingga, M.Si dan Ibu Dr. Mardiningsih, M.Si selaku
dosen pembanding skripsi.
Penulis
Otto Octavianus Pasaribu
iii
ABSTRAK
iv
UNIVERSITAS SUMATERA UTARA
MONTE CARLO METHOD QUEUE SIMULATION
ON MEDICAL CARE IN HOSPITALS
ABSTRSCT
v
UNIVERSITAS SUMATERA UTARA
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
vi
UNIVERSITAS SUMATERA UTARA
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
DAFTAR PUSTAKA
LAMPIRAN
vii
UNIVERSITAS SUMATERA UTARA
DAFTAR SIMBOL
viii
UNIVERSITAS SUMATERA UTARA
DAFTAR TABEL
ix
UNIVERSITAS SUMATERA UTARA
Tabel 3.31 Nilai semua ukuran keefektifan sistem antrian 86
Tabel 3.32 Hasil semua optimasi sistem antrian 91
x
UNIVERSITAS SUMATERA UTARA
xi
DAFTAR GAMBAR
xi
UNIVERSITAS SUMATERA UTARA
xii
DAFTAR Grafik
xii
UNIVERSITAS SUMATERA UTARA
xiii
DAFTAR LAMPIRAN
xiii
UNIVERSITAS SUMATERA UTARA
1
BAB 1
PENDAHULUAN
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.
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”.
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
(1.1)
dengan:
: Probabilitas kejadian i
: Frekuensi kejadian i
n : Jumlah frekuensi semua kejadian.
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
dimana,
= Distribusi sampling
= Fungsi distribusi frekuensi kumulatif dari suatu distribusi
dibawah asumsi .
= Distribusi frekuensi kumulatif yang diobservasi dari suatu
sampel acak dengan N observasi.
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
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
Mulai
Input Data
Data Data
Berdistribusi Berdistribusi
Menentukan Ukuran Kinerja Sistem Antrian Menentukan Ukuran Kinerja Sistem Antrian
Menggunakan Model Matematika Menggunakan Simulasi Monte Carlo
Pengambilan Keputusan
Selesai
BAB 2
LANDASAN TEORI
(2.1)
(2.2)
(⋃ ) ∑
Jika adalah kejadian yang saling lepas (mutually exclusive) satu sama
lain, sedemikian sehingga
(2.4)
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
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:
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:
[ ] (2.5)
Sebuah fungsi ( ) adalah fungsi densitas probabilitas diskrit jika dan hanya
jika fungsi tersebut memenuhi syarat
(2.6)
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,
∑ ∑ [ ]
Jika X adalah variabel acak diskrit dengan fungsi densitas probabilitas ( ), maka
nilai harapan dari X didefinisikan sebagai
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)
Sebuah fungsi f(x) merupakan fungsi densitas probabilitas untuk suatu variabel
acak kontinu X jika dan hanya jika fungsi tersebut memenuhi syarat
(2.11)
∫ (2.12)
∫ (2.13)
jika integral pada persamaan (2.13) benar-benar terpusat atau konvergen. Jika
sebaliknya, maka E(X) tidak ada.
(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
{ (2.16)
dimana x menyatakan waktu yang dibutuhkan sampai terjadi satu kali sukses
dengan λ adalah rata-rata banyaknya sukses dalam selang waktu satuan.
∫
{ (2.17)
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.
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
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.
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.
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.
a. Distribusi Kedatangan
b. Distribusi Pelayanan
c. Fasilitas Pelayanan
Fasilitas pelayanan berkaitan erat dengan baris antrian yang akan dibentuk.
Desain fasilitas pelayanan ini dapat dibagi dalam tiga bentuk, yaitu:
1) Bentuk series
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:
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.
d. Disiplin Pelayanan
f. Sumber Pemanggilan
(a/b/c) : (d/e/f)
Notasi standar ini dapat diganti dengan kode-kode yang sebenarnya dari
distribusi-distribusi yang terjadi dan bentuk lainnya, seperti:
(M/M/k):(GD/ / )
Dalam Gambar 2.7, kurun waktu observasi tersebut dibagi menjadi empat
interval waktu tetap. Jika I menandai banyaknya interval waktu maka
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)
Artinya setiap jam rata-rata 2,5 customer datang, maka rata-rata interval
kedatangan antara satu customer dengan customer yang lain adalah:
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.
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:
[ ]
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:
[ ]
[ ] [ ]
[ ]
[ ]
[ ]
[ ] { [ ] }
(2.22)
(2.23)
, untuk n=0
( )
(2.26)
( )
(2.27)
(2.28)
(2.29)
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)
( )
(2.33)
( )
(2.34)
(2.35)
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:
Solusi transien tidak dapat digunakan untuk proses kelahiran dan kematian, maka
digunakan pendekatan yang kedua. Dengan mengasumsikan bahwa:
Sehingga
{ }
jika n = 0 (2.37)
(2.38)
(2.39)
(2.40)
Berdasarkan persamaan (2.38) dan (2.40), maka diperoleh rumus umum yaitu :
(2.41)
Berlaku untuk
(2.45)
(2.46)
{ }
{ } { }
Diketahui bahwa μ adalah rata-rata laju pelayanan, maka waktu pelayanan yang
diperkirakan adalah 1/ . Dengan demikian diperoleh,
(2.47)
(2.48)
{ } ̅ (2.49)
̅
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
tanpa batas sehingga tidak steady state. Demikian juga jika = 1, maka
kedatangan terjadi dengan laju yang sama dengan laju pelayanan.
( ) (2.52)
[ ]
maka diperoleh,
* +
(2.53)
(2.54)
[ ]
[ ]
akibatnya,
* +
∑
(2.58)
(2.59)
(2.60)
̅ (2.61)
( )
(2.62)
(2.63)
( )
{ (2.64)
( )
{∑ ∑ }
{∑ ∑ }
{∑ ∑( ) }
{∑ ( )}
∑ ( )
Dimana
∑ ( ) ∑( ) [ ]
( ) ( ) ( )
Maka,
( )
[ ]
( )
[ ]
* + (2.66)
* + (2.67)
[ ]
(2.68)
(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)
Sistem antrian seri yang melalui dua stasiun dapat digambarkan sebagai
berikut:
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.
{ } { }
Selanjutnya mengambil limit yang sesuai dan mengikuti persamaan steady state,
maka perumusan pada persamaan diatas dapat diuraikan menjadi:
(2.71)
(2.72)
(2.73)
(2.74)
Dimana
( ) ( ) ( )
(2.75)
( )
(2.76)
| | (2.77)
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.
BAB 3
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.
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:
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 ( ).
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.
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.
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 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:
0 7 0
1 9 9
2 7 14
3 6 18
4 5 20
5 2 10
∑ = 36 ∑ = 71
Berdasarkan Tabel 3.3 dapat dihitung rata-rata laju pelayanan pasien per
5 menit menggunakan persamaan (2.20), maka diperoleh
∑
∑
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.
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
∑
∑
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 .
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
∑
∑
6 0,055
7 0,024
Hasil kedua data frekuensi dari distribusi Poisson dan observasi tersebut
dapat disusun dalam satu tabel berikut:
| |
√ √
Data primer yang diperoleh pada hari Kamis 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 Klinik DM&HT:
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 ( ).
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
∑
∑
Jadi, rata-rata laju kedatangan pasien di Loket per 5 menit sebanyak 3,389
pasien. Dengan demikian rata-rata laju kedatangan pasien per menit sebanyak
0,678 pasien.
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 tercatat pada observasi. Data pelayanan pasien per 5 menit di
Loket yang sudah melengkapi dan mengumpulkan syarat pendaftaran terdapat
pada lampiran 5.B.
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
Berdasarkan Tabel 3.12 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 3,5 pasien.
Dengan demikian, rata-rata laju pelayanan pasien per menit sebanyak 0,7
pasien.
Data yang diperoleh pada lampiran 5.C untuk mencari nilai rata-rata laju
pelayanan berdasarkan interval waktu. Berikut pengelompokan data
pelayanan pasien di Klinik DM&HT berdasarkan interval waktu:
0 6 0
1 8 8
2 10 20
3 4 12
4 6 24
5 1 5
6 1 6
∑ = 36 ∑ = 75
Berdasarkan Tabel 3.13 dapat dihitung rata-rata laju pelayanan pasien per
5 menit menggunakan persamaan (2.20), maka diperoleh
∑
∑
Jadi, rata-rata laju pelayanan pasien di Klinik DM&HT per 5 menit sebanyak
2,083 pasien. Dengan demikian, rata-rata laju pelayanan pasien per menit
sebanyak 0,417 pasien.
0 17 0
1 2 2
2 1 2
3 8 24
4 2 8
5 1 5
6 4 24
7 0 0
8 1 8
∑ = 36 ∑ = 73
∑
∑
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.
0 15 0
1 1 1
2 6 12
3 5 15
4 2 8
5 4 20
6 3 18
∑ = 36 ∑ = 74
∑
∑
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:
Hasil kedua data frekuensi dari distribusi Poisson dan observasi tersebut
dapat disusun dalam satu tabel berikut:
| |
√ √
Data primer yang diperoleh pada hari Jumat 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 Klinik DM&HT:
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 ( ).
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
∑
∑
Jadi, rata-rata laju kedatangan pasien di Loket per 5 menit sebanyak 2,472
pasien. Dengan demikian rata-rata laju kedatangan pasien per menit sebanyak
0,494 pasien.
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 6.B.
0 3 0
1 5 5
2 9 18
3 10 30
4 4 16
5 3 15
6 2 12
∑ = 36 ∑ = 96
Berdasarkan Tabel 3.22 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 yang diperoleh pada lampiran 6.C untuk mencari nilai rata-rata laju
pelayanan berdasarkan interval waktu. Berikut pengelompokan data
pelayanan pasien di Klinik DM&HT berdasarkan interval waktu:
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
Berdasarkan Tabel 3.23 dapat dihitung rata-rata laju pelayanan pasien per
5 menit menggunakan persamaan (2.20), maka diperoleh
∑
∑
Jadi, rata-rata laju pelayanan pasien di Klinik DM&HT per 5 menit sebanyak
3,083 pasien. Dengan demikian, rata-rata laju pelayanan pasien per menit
sebanyak 0,617 pasien.
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.
Hasil kedua data frekuensi dari distribusi Poisson dan observasi tersebut
dapat disusun dalam satu tabel berikut:
| |
√ √
3.2 Pembahasan
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.
Berdasarkan Grafik 3.1 dan Grafik 3.2 dapat diketahui bahwa nilai
tengah rata-rata waktu menunggu dalam antrian dan panjang antrian adalah:
Berdasarkan Grafik 3.3 dan Grafik 3.4 dapat diketahui bahwa nilai
tengah rata-rata waktu menunggu dalam antrian dan panjang antrian adalah:
pada ulangan ke-3. Nilai batas bawah terdapat pada ulangan ke-7 dan
batas atas berada pada ulangan ke-3. Berikut merupakan grafik kedua ukuran
keefektifan dari Tabel 3.30:
Berdasarkan Grafik 3.5 dan Grafik 3.6 dapat diketahui bahwa nilai
tengah rata-rata waktu menungu dalam antrian dan panjang antrian adalah
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).
customer/ menit
customer/ menit
customer/ menit
customer/ menit
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.
Berikut optimasi sistem antrian pada hari Rabu di Loket dan Klinik
DM&HT dengan menggunakan software MS.Excel:
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 optimasi sistem antrian pada hari Kamis di Loket dan Klinik
DM&HT dengan menggunakan software MS.Excel:
Optimasi sistem antrian di Loket dapat dilihat pada lampiran 12. 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 43 pasien. Optimasi sistem
antrian menggunakan simulasi Monte Carlo dapat dilihat pada lampiran 12.A.
Berikut optimasi sistem antrian pada hari Jumat di Loket dan Klinik
DM&HT dengan menggunakan software MS.Excel:
Optimasi sistem antrian di Loket dapat dilihat pada lampiran 13. 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 88 pasien. Optimasi sistem
antrian menggunakan simulasi Monte Carlo dapat dilihat pada lampiran 13.A.
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.
BAB 4
A. Kesimpulan
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.
B. Saran
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.
Daftar Pustaka
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.
Langat, Amos. Forecasting Volume of Patients in the Queue Using Monte Carlo
Simulation Model. Journal of Sciences: Basic and Applied Research (IJSBAR).
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.
Yang. (1981). M/M/1 Queue Model With Uncertain Parameters by Monte Carlo
Simulation. Applied Mechanics and Materials Vols. 556-562 (2014).
Lampiran 1. Data Primer Hasil Observasi Pasien pada Hari Rabu, 04 Juli 2018
Lampiran 2. Data Primer Hasil Observasi Pasien pada Hari Kamis, 05 Juli 2018
Lampiran 3. Data Primer Hasil Observasi Pasien pada Hari Jumat, 06 Juli 2018
Lampiran 4. Data Primer Hasil Observasi Pasien pada Hari Rabu, 04 Juli 2018
Lampiran 5. Data Primer Hasil Observasi Pasien pada Hari Kamis, 05 Juli 2018
Lampiran 6. Data Primer Hasil Observasi Pasien pada Hari Jumat, 06 Juli 2018
Lampiran 8. Simulasi Monte Carlo di Loket pada Hari Rabu, 04 Juli 2018
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.
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.
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.
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:
Lampiran 11. Optimasi Sistem Antrian pada Hari Rabu, 04 Juli 2018
A. Loket
B. Klinik DM&HT
Lampiran 12. Optimasi Sistem Antrian pada Hari Kamis, 05 Juli 2018
A. Loket
B. Klinik DM&HT
Lampiran 13. Optimasi Sistem Antrian pada Hari Jumat, 06 Juli 2018
A. Loket
B. Klinik DM&HT