UAS RISET OPERASI BAYU BAKASWARA (F1E119113)

1. Struktur Antrian

Ada 4 model struktur antrian dasar yang umum terjadi dalam seluruh sistem antrian :

1. Single Channel – Single Phase

Single Channel berarti hanya ada satu jalur yang memasuki sistem pelayanan atau ada satu
fasilitas pelayanan. Single Phase berarti hanya ada satu pelayanan.

Contoh : antrian kirim surat di kantor pos.

Sumber foto : sediri

Single Chanel : Satu jalur pelayanan.

Single Phase : Satu fase pembayaran.

4. Multi Channel – Multi Phase

Sistem Multi Channel – Multi Phase ditumjukkan dalam gambar dibawah ini.
Contoh : Pelayanan di Rumah Sakit.

Sumber foto : sendiri

Multi Chanel :

1. Dua loket pendaftaran pasien baru dan lama.

2. Empat ruang pemerikasaan pasien.
3. Empat loket pengambilan obat pasien.
4. Satu loket pembayaran.

Multi Phase :

1. Pendaftaran pasien baru dan lama.

2. Ruangan dokter untuk konsultasi tentang penyakit.
3. Mengambil obat.
4. membayar biaya pengobatan.

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

Input Proses Output

Populasi Populasi

orang, orang,

barang, antri Fasilitas Pelayanan barang,

komponen komponen

yang datang yang telah

pada sistem dilayani

 Karakteristik Antrian Asumsi-asumsi Umum
Masukan ke dalam Antrean, fasilitas pelayanan Keluaran dari sistem
sistem
Sumber Populasi Tak Terbatas atau terbatas

Pola Kedatangan Tingkat kedatangan poisson Waktu antar kedatangan

eksponensial

Kepanjangan Antrian Tak terbatas atau terbatas

Disiplin antrian FCFS (yg umum)

Pola pelayanan Tk. Pelayanan poisson (waktu pelayanan

eksponensial)

Keluar Langsung kembali ke populasi

1. Sistem pelayanan komersial : restoran, cafetaria, toko-toko, salon, supermarket,dll

2. Sistem pelayanan bisnis-industri : sistem material handling, pergudangan, dll

3. Sistem Pelayanan transportasi: stasiun kereta, bandara,dll

4. Sistem Pelayanan sosial: registrasi SIM, STNK, kantor pos, rumah sakit, puskesmas, dll
 Bentuk Model Antrian M/M/1/I/I

Populasi Antrian Fasilitas

(I) (M) Pelayanan (M/I)
Sumbe Tingkat FCFS Tingkat
r tak Kedatang Pelayan Keluar
terbat an Poisson an
as Poisson

Kepanjangan Antrian Tak Terbatas (I)

Bentuk Model umum

Tingkat Tingkat Jumlah Besarnya Kepanjangan

Kedatangan Pelayanan Fasilitas Populasi Antrian
Pelayanan

Singkatan Penjelasan

M Tk. Kedatangan dan Pelayanan Pisson

D Tk. Kedatangan / Pelayanan Deterministik

K Distribusi Erlang waktu antar kedatangan atau pelayanan

S Jumlah Fasilitas Pelayanan

I Sumber Populasi/kepanjangan antrian tak terbatas (infinite)

F Sumber Populasi/kepanjangan antrian terbatas (finite)

Distribusi kedatangan/Distribusi waktu layanan/jumlah jalur
layanan yang

M = Distribusi Poisson untuk jumlah kejadian (atau

waktu eksponensial) D = constant rate

G = Distribusi umum dengan rata-rata dan varians

diketahui
M/M/1 : model kedatangan Poisson, layanan waktu
eksponensial dan 1 chanel M/M/2 : model kedatangan
Notasi Penjelasan Ukuran

l Tk. Kedatangan rata-rata Unit/jam

1/l Waktu antarkedatangan rata-rata Jam/unit

µ Tk. Pelayanan rata-rata Unit/jam

1/µ Waktu pelayanan rata-rata Jam/unit

σ Deviasi standar rata-rata Unit/jam

n Jumlah individu dalam sistem pada suatu waktu unit

nq Jumlah individu rata-rata dalam antrian unit

a
tau Lq

nt atau L Jumlah individu dalam sistem total (antrian dan fasilitas unit
pelayanan)

tq atau Wq Waktu rata-rata dalam antrian jam

tt atau W Waktu rata-rata dalam sistem total jam

 S Jumlah fasilitas pelayanan (channels) Unit pelayanan
P atau ρ Tingkat kegunaan fasilitas pelayanan rasio

Q Kepanjangan maksimum sistem (antrian plus ruang Unit

pelayanan)

Pn Probabilitas jumlah n individu dalam Frekuensi relatif

sistem

Po Probabilitas tidak ada individu dalam sistem Frekuensi relatif

Pw Probabilitas menunggu dalam antrian Frekuensi relatif

Cs Biaya pelayanan per satuan waktu per fasilitas pelayanan Rp/jam/server

Cw Biaya untuk menunggu per satuan waktu per individu Rp / jam / unit

Ct Biaya total = Scs + ntcw Rp / jam

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.

λ = 30 orang/ jamμ = 50 orang/ jam

1. Tingkat kegunaan bagian pelayanan

𝑝 = λ 𝜇 = 30 = 0,6 50 2.
Jumlah rata rata pelanggan dalam antrian
𝑛𝑞 = λ 2 = 𝜇(𝜇 − λ ) (30)2 = 50(50 − 30) 900 1000 = 0,9
2. Jumlah rata rata pelanggan dalam sistem
𝑛𝑡 = λ 𝜇−λ = 30 50−30 = 1,5 atau 𝑛𝑡 = 𝑝 1−𝑝 = 0,6 1−0,6 = 1,5
3. Waktu rata rata dalam antrian
λ 30 𝑤𝑞 = 𝜇(𝜇 − λ ) = 50(50 − 30) = 0,03 𝑗𝑎𝑚 𝑎𝑡𝑎𝑢 1,8 𝑚𝑒𝑛𝑖𝑡
4. Waktu rata rata dalam sistem
𝑤 = 1 = 𝜇 − λ 1 50 − 30 = 0,05 𝑗𝑎𝑚 𝑎𝑡𝑎𝑢 3 𝑚𝑒𝑛𝑖𝑡
5. Probabilitas adanya pelanggan ke-5 dalam sistem
𝑝5 = (1 − λ ) ( λ 5 ) = (1 − 0,6)(0,6) 5 = (0,4)(0.7776) =0,031104 𝜇 𝜇
7. Probabilitas adanya 3 pelanggan dalam sistem
𝑝0 = (1 − λ λ 0 ) ( ) = (1 − 0,6)(0,6) 0 = 0,4
𝑝1 = (1 − λ λ 1 ) ( ) 𝜇 λ λ 2 = (1 − 0,6)(0,6) 1 = 0,24
𝑝2 = (1 − ) ( ) 𝜇 𝜇 = (1 − 0,6)(0,6) 2 = 0,144
𝑝3 = (1 − λ λ 3 ) ( ) = (1 − 0,6)(0,6) 3 = 0,0864
Jd probabilitas adanya 3 pelanggan dalam sistem adalah: 0,4 + 0,24 + 0,144 + 0,0864 = 0,8704
4. Jika anda diminta untuk menggunakan algoritma jaringan syaraf tiruan, kasus/permasalahan
apa yang hendak anda kerjakan dengan menggunakan algoritma jaringan syaraf tiruan,
bagaimana prosesnya hingga dapat menyelesaikan permasalahan tersebut?
Kasus atau permasalahan yang ingin saya kerjakan adalah untuk memprediksi prestasi siswa
dengan algoritma backpropagation dan menerapkan ann pada datasets nilai UTBK SOSHU

Menerapkan ANN Pada Datasets Nilai UTBK SOSHUM

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,]

n<-round(nrow(data)*0.75);n = fungsinya untuk menentukan data training 75% dari data

awal
set.seed(12);samp=sample(1:nrow(data),n) = fungsinya untuk mendapatkan hasil acak yang
dapat direproduksi.
train=data[samp,] = memisahkan data training
test=data[-samp,] = memisahkan data test

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

feats<-names(data[,1:6]) = membentuk formula dengan mengambil data dari kolom ke 1

sampai ke 6
f<-paste(feats,collapse=”+”);f = untuk copy data dan memsiahkan nama variable dengan “+”

f1<-paste(“Status~”,f);f1 = formula f1 merupakan variable dependen diberi keterangan

bahwa variable dependennya adalah “Status”
 f2<-as.formula(f1);f2 = f2 merupakan formula yang sama denga f1

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

Model dan Visualisasi Data

Untuk memodelkan dan memvisualisasikan data nn dapat menggunakan syntax berikut :

--- Membentuk Formula ---

##train neural net
library(neuralnet)
nn<-neuralnet(f2,train,hidden=5)
##plot model
plot(nn)

library(neuralnet) memanggil library

nn<-neuralnet(f2,train,hidden=5) = untuk melakukan neuralnet menggunaakan 3 buah

parameter f2 merupakan data formula , train merupakan data train, dan hidden merupakan
hidden layer yang akan di jalankan di neural net.

plot(nn)= untuk membuat visualisasi dari neuralnet.

 Pada plot neural network diatas ,diketahui nilai error nya yaitu sebesar 2.182622, dan steps
nya di dapatkan mesin telah melakukan 9092 kali iterasi. Selain itu terdapat 1 hidden layer
neural network dengan 5 node, 2 layer neural network, yaitu input layer dan output layer,
Learning rate = 1, Fungsi aktivasi terdapat pada neuron yang berada di output layer, yaitu
sangat bagus, cukup bagus dan bagus. Fungsi aktivasi yang digunakan adalah sigmoid
bipolar. Variabel nn digunakan untuk memodelkan dan memvisualisaikan data yang
menyimpan neuralnet dengan parameter nilai formula 2(f2), data train, serta menggunakan
hidden = 5

Nilai Prediksi dan Akurasi

Untuk melihat nilai prediksi dan akurasi dapat menggunakan syntax berikut :
#prediksi & akurasi model NN
pred<- compute(nn,test[1:6]) = membuat prediksi

pred<- ifelse(pred$net.result > 0.5, 1, 0) =

conf_matrix=table(pred);conf_matrix = membentuk matriks

accuracy_nn=(conf_matrix)/sum(conf_matrix) =untuk menghitung matriks

accuracy_nn = menampilkan ghitungan matriks

Diperoleh nilai akurasi confusion matrix sebesar 0.5 dan 0.5. Nilai ini tergolong tidak terlalu bagus.

Parameter = f2,train,hidden layer

Learning rate = 1

Hidden layer = 5

Step = 9092

Epoch = 13,638

Fungsi aktivasi = sigmoid bipolar

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:

- Bagaimana alokasi penugasan yang baik?

- 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