1. Struktur Antrian
Ada 4 model struktur antrian dasar yang umum terjadi dalam seluruh sistem antrian :
Multi Chanel :
Multi Phase :
2. Contoh nyata dari model sistem antrian M/M/S/1/1 adalah model antrian pada rumah
sakit dan kantor pos permasalahan umum yang terjadi pada antrian rumah sakit dan
kantor pos adalah seberapa lama seorang pasien dan customer harus menunggu dalam
antrian sampai mendapat giliran pelayanan faktor-faktor penyebab terkait dengan
masalah evektfitas pegawai administrasi rumah sakit dan pegawai kantor pos dalam
melayani berbagai tujuan customer dan pasien yang variative satu dengan yang lainnya
faktor faktor tersebut dibagi menjadi tiga yaitu tingkat kedatangan customer dan pasien
yang fluktuaktif, waktu pelayanan pegawai kantor pos dan pegawai administrasi rumah
sakit dan kepentingan customer dan pasien yang beragam.model antrian M/M/S/1/1
identik satu fase atau satu tahap pelayanan dan 2 fase dua pelayan . [rosedur yang harus
dilakukan customer yakni dengan mengambil no antrian dirumah sakit dan berbaris di
tempat antrian yg disediakan kantor pos lalu menunggu giliran untuk dipanggil dan
menyampaikan tujuannya
Populasi Populasi
orang, orang,
komponen komponen
4. Sistem Pelayanan sosial: registrasi SIM, STNK, kantor pos, rumah sakit, puskesmas, dll
Bentuk Model Antrian M/M/1/I/I
Singkatan Penjelasan
nt atau L Jumlah individu dalam sistem total (antrian dan fasilitas unit
pelayanan)
Cw Biaya untuk menunggu per satuan waktu per individu Rp / jam / unit
Asumsi Model
Pendatang dilayani dengan dasar FIFO
Setiap pendatang menunggu untuk dilayani tanpa memandang panjang antrian (tidak
ada penolak dan pengingkar)
Pendatang independen dengan pendatang sebelumnya, tetapi rata-rata jumlah pendatang
tidak berubah sepanjang waktu
Pendatang dijelaskan oleh distribusi Poisson dan berasal dari populasi yang tak
terhingga
Waktu layanan bervariasi antar konsumen dan bersifat independen, namun rata-rata
layanan diketahui
Waktu layanan terjadi sesuai dengan distribusi peluang
eksponensial negatif
Rata-rata layanan lebih besar daripada laju kedatangan
3. Tingkat kedatangan pelanggan pada Rumah makan “Bundo Kandung” adalah 30 orang/ jam,
sedangkan pelayanannya memerlukan waktu rata-rata 50 orang/jam. Bila tingkat kedatangan
pelanggan mengikuti distribusi poisson, dan tingkat pelayanan mengikuti distribusi
exponensial, tentukanlah Tingkat kegunaan bagian pelayanan,waktu rata-rata dalam system,
probabilitas adanya pelanggan ke-5 dalam system, probabilitas adanya 3 pelanggan dalam
sistem.
Berikut merupakan datasets Nilai UTBK Soshum yang akan saya analisis dengan
menggunakan algoritma ANN (Artificial Neural Network) dengan R studio.
Pengetahu Bahasa Sejarah Geografi Sosiologi Ekonomi Status
an Umum indonesia
76 54 44 88 58 87 Gagal
51 63 96 75 97 79 Lulus
54 45 87 86 46 93 Gagal
47 51 53 64 97 57 Lulus
40 50 69 64 49 41 Gagal
82 92 42 45 77 91 Lulus
65 41 49 58 85 62 Gagal
79 74 45 79 40 78 Gagal
52 46 83 58 85 83 Gagal
72 50 48 97 65 89 Lulus
76 75 50 59 84 54 Gagal
85 98 50 80 85 42 Lulus
93 86 41 70 77 96 Lulus
52 99 77 79 74 97 Lulus
62 86 43 91 75 58 Gagal
48 72 70 85 80 80 Lulus
83 44 93 52 83 75 Lulus
76 90 59 96 76 100 Lulus
80 49 76 82 57 50 Gagal
45 44 59 44 41 63 Gagal
49 84 59 45 95 99 Lulus
Input Data
Untuk menginput data yang digunakan dapat menggunakan syntax berikut :
--- Membaca Data ---
data=read.delim("clipboard") => fungsinya untuk membaca dari clipboard
data => fungsinya untuk menampilkan data di r
str(data) => fungsi ini Anda dapat memperoleh informasi lebih lengkap dari sebuah
dataframe seperti banyaknya observation dan variable, nama-nama variable, tipe variable,
dan beberapa nilai baris pertama untuk masing-masing variable.
Dari datasets nilai UTBK Soshum , jumlah data yang ada sebanyak 21 dengan jumlah
variabel 7 variabel. Dimana variabel dependennya yaitu Status dan variabel independennya
yaitu Pengetahuan Umum, Bahasa indonesia, Sejarah, Geografi, Sosiologi, Ekonomi
Membentuk Data Training dan Data Testing
Untuk membentuk data training dan testing dapat menggunakan syntax berikut :
--- Membentuk Data Training dan Data Testing ---
##training sample with n observations
n<-round(nrow(data)*0.75);n
set.seed(12);samp=sample(1:nrow(data),n)
##memisahkan
train=data[samp,]
test=data[-samp,]
Berdasarkan hasil yang diperoleh jumlah data training sebesar 16 data, yaitu 75% dari data awal.
Setelah didapat jumlah data training, maka akan diketahui jumlah data testing sebesar 5 dengan
setseed 12
Membentuk Formula
Karena pada package neuralnet ini dibutuhkan formula, sehingga di perlukan perintah untuk
mengambil nama-nama variabel dari data yang kita miliki dengan menggunakan syntax
berikut :
--- Membentuk Formula ---
#mengambil nama variabel
feats<-names(data[,1:10])
#concatenate strings
f<-paste(feats,collapse=”+”);f
f1<-paste(“Status~”,f);f1
#convert to formula
f2<-as.formula(f1);f2
Variabel yang digunakan yakni variabel pada kolom 1 hingga kolom 6. dimana variabel ke 7
atau variabel keterangan tidak diikutkan pada f atau formula 1(f) karena merupakan variabel
dependent, pada f juga terdapat perintah untuk memberikan tanda “+” (Plus) untuk
memisahkan nama variabel. Formula 2 (f1) diberikan informasi bahwa variabel dependen nya
yaitu variabel Status, sehingga di formula 2 variabel Status muncul sebagai variabel
dependent. Sehingga terbentuk formulanya sebagai berikut :
Status ~ Pengetahuan.Umum + Bahasa.indonesia + Sejarah + Geografi +
Sosiologi + Ekonomi
Learning rate = 1
Hidden layer = 5
Step = 9092
Epoch = 13,638
5. Manajer Durian Mart memiliki 5 orang karyawan yang akan ditempatkan di 5 kota yaitu
A, B, C, D, E. Perkiraan hasil penjualan yang akan dicapai sebagai berikut:
A B C D E
Karyawan 1 10 12 10 8 15
Karyawan 2 14 10 9 15 13
Karyawan 3 9 8 7 8 12
Karyawab 4 13 15 8 16 11
Karyawan 5 10 13 14 11 17
Permasalahan:
- Berapa hasil penjualan perusahaan dari kelima kota tersebut yang paling optimal?
kota A B C D E
karyawan
1 5 3 5 7 0
2 1* 5 6 0 2
3 3 4 5 4 0
4 3 1* 8 0 5
5 7 4 3* 6 0
kota A B C D E
karyawan
1 4 2 2 7 0
2 0 4 3 0 2
3 2 3 2 4 0
4 2 0 5 0 5
5 6 3 0 6 0
kota A B C D E
karyawan
1 2 0 0 5 0
2 0 4 3 0 4
3 0 1 0 2 0
4 2 0 5 0 7
5 6 3 0 6 2
1 = E = 15
2 = D = 15
3=A=9
4 = B = 15
5 = C = 14
TOTAL KEUNTUNGAN = 68
Langkah penyelesaian kasus maksimisasi :
1. Cari angka terbesar pada setiap baris
2. Kurangkan angka dengan angka terbesar setiap baris
3. Cari angka terkecil pada kolom yg belum memiliki angka nol
4. Kurangkan dengan angka terkecil pada setiap kolom
5. Tarik garis
6. Apabila jumlah garis belum sama dengan baris dan kolom , cari angka terkecil dan kurangkan
, kembali ke langkah 5