Proses Kedatangan

Setiap analisis sistem layanan harus dimulai dengan pemahaman yang lengkap tentang
distribusi temporal dan spasial dari permintaan untuk layanan tersebut. Biasanya, data
dikumpulkan
GAMBAR 12.2
Klasifikasi Populasi Memanggi
Panggilan l populasi

Subpopulasi Kelompok
yang
homogen

Terba Tak Terba Tak

tas terbata tas terbata
s s

dengan mencatat waktu kedatangan aktual. Data ini kemudian digunakan untuk
menghitung waktu antar kedatangan. Banyak studi empiris menunjukkan bahwa
distribusi waktu antar kedatangan akan eksponensial, dan bentuk kurva pada Gambar
12.3 adalah khas distribusi eksponensial. Perhatikan frekuensi tinggi pada titik asal dan
ekor panjang yang berangsur ke kanan. Distribusi eksponensial juga dapat dikenali
dengan mencatat bahwa rata-rata dan standar deviasi secara teoritis sama (μ = 2,4 dan o
= 2,6 untuk Gambar 12.3).
Distribusi eksponensial memiliki fungsi kerapatan probabilitas kontinu dari formulir
f (t) = dia — ht
tŠ (1)
0
di mana h = tingkat kedatangan rata-rata dalam interval waktu tertentu
(misalnya, menit, jam, hari)
t = waktu antar kedatangan
e = dasar logaritma natural
(2.718...)) berarti = 1 / jam
varians = 1 / h2
Fungsi distribusi kumulatif adalah
F (t) = 1 - e — ht
tŠ 0 (2)
Persamaan (2) memberikan probabilitas bahwa waktu antara kedatangan akan t atau
kurang. Perhatikan bahwa h adalah kebalikan dari waktu rata-rata antar kedatangan.
Jadi, untuk Gambar 12.3, waktu rata-rata antara kedatangan adalah 2,4 menit, yang
menyiratkan bahwa h adalah 1 / 2,4 = 0,4167 kedatangan per

GAMBAR 12.3 40 0
Distribusi Waktu
Interarrival Pasien
untuk Klinik Kesehatan
Universitas
30
Sumber: EJ Rising, R. Baron, dan
B. Averill, "Analisis Sistem
Klinik Rawat Jalan Layanan
Frekuensi relatif, %

Kesehatan Universitas." Dicetak

ulang dengan izin dari Operasi
Penelitian 21, tidak. 5, September–
Oktober 1973, hlm. 1038, Operasi 20
Masyarakat Amerika. Reproduksi
lebih lanjut tidak diizinkan tanpa
persetujuan dari pemilik hak cipta.

10
5 10 15 20
Waktu antar pasien, menit
 menit (yaitu tingkat rata-rata 25 pasien per jam). Mengganti 0,4167 untuk h, distribusi
ekspansensial untuk data yang ditampilkan pada Gambar 12.3 adalah
f (t) = 0,4167 e — 0,4167t
tŠ 0
dengan distribusi kumulatif

F (t) = 1 - e—0.4167t
tŠ 0
Distribusi kumulatif di atas dapat digunakan untuk menemukan probabilitas bahwa
jika seorang pasien telah tiba; yang lain akan tiba dalam 5 menit berikutnya. Kami
hanya mengganti 5 untuk t, dan sebagainya
F (5) = 1 - e—0.4167 (5)
= 1 - 0,124
= 0,876
Dengan demikian, ada kemungkinan 87,6 persen bahwa pasien lain akan tiba dalam
interval 5 menit berikutnya. Uji fenomena ini saat lain kali Anda menunggu di kantor
dokter.

Distribusi lain, yang dikenal sebagai distribusi Poisson, memiliki hubungan yang
unik dengan distribusi eksponensial. Distribusi Poisson adalah fungsi probabilitas
diskrit dari formulir
f (n) = (ht) ne
n = 0, 1, 2, 3,. . . (3)
— ht
n!
di mana h = tingkat kedatangan rata-rata dalam interval waktu tertentu (misalnya,
menit, jam, hari)
t = jumlah periode waktu yang menarik (biasanya t = 1)
n = jumlah kedatangan (0, 1, 2, ...)
e = dasar logaritma natural
(2.718 ...) berarti = ht
varians = ht
Distribusi Poisson memberikan probabilitas n kedatangan selama interval waktu t.
Untuk data pada Gambar 12.3, menggantikan h = 25 dan t = 1, deskripsi yang setara
dari proses kedatangan adalah
[(25) (1)] ne- (25)
f (n) = (1) n = 0, 1, 2, 3,. . .
n!
Ini memberikan probabilitas 0, 1, 2,. . . pasien yang tiba selama interval 1 jam.
Perhatikan bahwa kami telah mengambil opsi untuk mengubah h = 0,4167 kedatangan
per menit menjadi h = 25 kedatangan per jam. Fungsi ini dapat digunakan untuk
menghitung probabilitas menarik bahwa tidak ada pasien akan tiba selama interval 1
jam dengan mengganti 0 untuk n seperti yang ditunjukkan di bawah ini:
[(25) (1)] 0 e- (25) (1)
f(0)= = e = 1,4 × 10-11, probabilitas yang sangat kecil
— 25
0!
Gambar 12.4 menunjukkan hubungan antara distribusi Poisson (yaitu, kedatangan per
jam) dan distribusi eksponensial (yaitu, menit antara kedatangan). Seperti yang terlihat,

GAMBAR 12.4 Distribusi poisson dari jumlah kedatangan per jam (tampilan
Poisson dan atas)
Eksponensial 1 jam
1 2 0 1
Persamaan derajatnya selang
Kedatan Kedatan gan
 Kedat Kedat
angan angan Wakt
40 mnt. u

123 mnt.
Distribusi waktu secara eksponensial antara kedatangan dalam hitungan menit (tampilan bawah)
GAMBAR 12.5 3.5
Panggilan
Ambulans per
Jam 3.0
Sumber: Dicetak ulang dengan izin
dari James A. Fitzsimmons,
"Penggunaan Analisis Spektral 2.5
untuk Memvalidasi Model

Panggilan rata-rata per

Perencanaan," Perencanaan Sosial-
Ekonomi 8, no. 3, Juni 1974,
hal. 127. Hak Cipta © 1974, 2.0
Pergamon Press Ltd.

jam 1.5

1.0

0,5

0
2 4 6 8 10 12 14 16 18 20 22 24
Jam hari

GAMBAR 12.6 140

Kedatangan Pasien
di Klinik Kesehatan 130
Persentase rata-rata kunjungan dokter

pada Hari Minggu

120
Sumber: EJ Rising, R. Baron, dan
B. Averill, "Analisis Sistem 110
Klinik Rawat Jalan Layanan
Kesehatan Universitas." Dicetak
ulang dengan izin dari Riset
100
Operasi 21, no. 5, September–
Oktober 1973, hlm. 1035, 90
Masyarakat operasi Amerika.
Reproduksi lebih lanjut tidak 80
diizinkan tanpa persetujuan dari
pemilik hak cipta.
70
harian

60
Senin Sel. Mengawinkan. Kamis. Jumat
Hari dalam seminggu
mereka mewakili pandangan alternatif dari proses
yang sama. Dengan demikian, distribusi eksponensial
dari waktu antar dengan rata-rata 2,4 menit setara
dengan distribusi Poisson dari jumlah kedatangan per
jam dengan rata-rata 25 (yaitu, 60 / 2,4).
Data permintaan layanan sering dikumpulkan
secara otomatis (misalnya, dengan kabel perjalanan di
jalan-jalan tinggi), dan jumlah kedatangan selama
periode waktu dibagi dengan jumlah interval waktu
untuk sampai pada tingkat rata-rata per unit waktu.
Tingkat permintaan selama unit waktu harus stasioner
sehubungan dengan waktu (yaitu, lambda [h] adalah
konstan); jika tidak, fluktuasi yang mendasari tingkat
permintaan sebagai fungsi waktu tidak akan
diperhitungkan. Fitur permintaan yang dinamis ini
diilustrasikan pada Gambar 12.5 selama berjam-jam
dalam sehari, pada Gambar 12.6 untuk hari dalam
seminggu, dan pada Gambar 12.7 untuk bulan dalam
setahun.
Variasi dalam intensitas permintaan secara
langsung mempengaruhi persyaratan untuk kapasitas
layanan. Jika memungkinkan, kapasitas layanan
disesuaikan untuk menyesuaikan perubahan
permintaan, mungkin dengan memvariasikan tingkat
kepegawaian. Strategi lain adalah memperlancar
permintaan dengan meminta pelanggan untuk
membuat janji atau reservasi. Harga diferensial
digunakan oleh perusahaan telepon untuk mendorong
penelepon menggunakan jam-jam sibuk, dan bioskop
menyediakan diskon tiket untuk pelanggan yang
datang sebelum jam 6 sore. Gambar 12.8 menyajikan
klasifikasi proses kedatangan.