(Pak Ilham)
Program Dinamis adalah suatu teknik matematis yang biasanya digunakan untuk
membuat suatu keputusan dari serangkaian keputusan yang saling berkaitan.
Tujuan utama dari model ini adalah untuk memudahkan penyelesaian persoalan
optimasi yang mempunyai karakter tertentu.
Ide dasar program dinamis adalah membagi persoalan menjadi beberapa bagian
yang lebih kecil sehingga memudahkan penyelesaiannya. Akan tetapi, berbeda
dengan program linier. Pada persoalan program dinamis ini tidak ada formulasi
matematis yang standar. Karena itu, persamaan-persamaan yang terpilih untuk
digunakan harus dikembangkan agar dapat memenuhi masing-masing situasi yang
dihadapi. Dengan demikian, maka antara persoalan yang satu dan persoalan yang
lainnya dapat mempunyai stuktur penyelesaiaan soal yang berbeda.
Terdapat tiga hal penting dalam Program Dinamis:
STAGE (tahapan) dari persoalan yang dihadapi dan ingin dicari solusinya.
STATE (kondisi) yang menjadi faktor penentu keputusan dari tiap tahapan.
DECISION (keputusan) yang harus diambil dari tiap tahap untuk sampai
kepada solusi keseluruhan.
Meskipun kota awal dan kota tujuan akhir diketahui, untuk tiap kota yang akan
ditempuh, pedagang tersebut memiliki beberapa alternatif dengan ongkos yang
berbeda-beda. Rute manakah yang memiliki jarak tempuh tersingkat?
Salah satu pendekatan yang dapat dilakukan untuk menyelesaikan persoalan ini
adalah dengan menggunakan cara coba-coba (trial dan error). Akan tetapi ,
jumlah rute yang dapat dilalui cukup banyak sehingga menghitung total waktu
tempuh untuk masing-masing rute akan sangat membosankan. Dengan program
Dinamis, persoalan itu dapat diselesaikan secara lebih sederhana.
Perhatikan kembali ilustrasi persoalan di atas. Tetapkan variabel-variabel
keputusan 𝑥𝑛 sebagai tempat persinggahan pada stage 𝑛 ( 𝑛 = 1,2,3,4). Maka rute
yang dijalani adalah 1 → 𝑥1 → 𝑥2 → 𝑥3 → 𝑥4 . Dimana 𝑥4 adalah kota (state) K
atau 𝑥4 = 𝐾. Selanjutnya tetapkan pula variabel-variabel berikut ini:
1. 𝑓𝑛 𝑠, 𝑥𝑛 = waktu tempuh dari kota 𝑠 dan memilih 𝑥𝑛 sebagai tempat
persinggahan berikutnya.
2. Untuk 𝑠 dan 𝑛 tertentu, 𝑥𝑛∗ adalah nilai 𝑥𝑛 meminimumkan 𝑓𝑛 𝑠, 𝑥𝑛 .
3. 𝑓𝑛∗ 𝑆 = nilai minimum dari 𝑓𝑛 𝑠, 𝑥𝑛 sehingga 𝑓𝑛∗ 𝑠 = 𝑓𝑛 𝑠, 𝑥𝑛∗ .
Tujuannya adalah untuk mendapatkan 𝑓1∗ (1) dengan cara mencari 𝑓4∗ (𝑠), 𝑓3∗ (𝑠),
dan 𝑓2∗ (𝑠) terlebih dahulu. Jadi program dinamis menyelesaikan persoalan dengan
melakukan perhitungan mundur walaupun untuk persoalan tertentu bisa dengan
perhitungan maju.
Berikut adalah solusi untuk persoalan di atas dengan perhitungan mundur:
Tahap 4 : min{𝑓4∗ 𝑥4 }
Dari \ Ke K 𝑓4 (𝑥4 ) 𝑥4∗
H 15 15 HK
I 13 13 IK
J 10 10 JK
Jadi dapat disimpulkan bahwa total waktu terpendek jarak tempuh dari kota A ke
K adalah 55 jam. Dengan rute A-B-E-J-K.
Latihan :
Seorang salesman harus berangkat dari satu kota ke kota lainnya. Diantara kota
asal dan kota tujuan terdapat beberapa kota lain yang dapat digunakan sebagai
tempat persinggahan sementara. Kota-kota yang dapat dilewati tersebut dapat
digambarkan sebagai berikut.
2 5
8
1 3 6 1
9 0
4 7
Data ongkos yang harus dibayar jika salesmen itu meningggalkan kota i dan
menuju kota 𝑐𝑖𝑗 adalah sebagai berikut:
1 2 3 4 5 6 7 8 9 10
1 2 4 3
2 7 4 6
3 3 2 4
4 4 1 5
5 1 4
6 6 3
7 3 3
8 3
9 4
10
Rute manakah yang menimbulkan ongkos terkecil?
1.2 Karakteristik Persoalan Program Dinamis
Berikut ini beberapa gambaran dasar yang menandai (ciri) persoalan program
dinamis:
a. Persoalan dapat dibagi menjadi beberapa tahap (stage), yang pada
masing-masing stage diperlukan adanya satu keputusan. Pada ilustrasi di
atas, persoalan dibagi menjadi 4 stage. Keputusan pada tiap stage adalah
menetapkan kota tujuan berikutnya yang harus ditempuh. Pada persoalan
yang lain, stage ini dapat berupa satuan waktu, volume, atau satuan fisik
lainnya.
b. Masing-masing stage terdiri dari sejumlah state yang berhubungan dengan
stage yang bersangkutan. Pada ilustrasi di atas, stage yang berhubungan
dengan masing-masing stage adalah kota-kota yang disinggahi pada
masing-masing tahap perjalanan. Jumlah state ini bisa terbatas, bisa pula
tidak terbatas.
c. Hasil keputusan yang diambil pada setiap stage ditransformasikan dari
state yang bersangkutan ke state yang berikutnya.
d. Keputusan terbaik pada suatu stage bersifat independen terhadap
keputusan yang dilakukan pada stage sebelumnya.
e. Prosedur pemecahan persoalan yang dilakukan dimulai dengan
mendapatkan cara(keputusan) terbaik untuk setiap state dari stage
terakhir.
f. Ada hubungan timbal balik yang mengidentifikasi keputusan terbaik
untuk setiap state pada stage n, berdasarkan keputusan terbaik untuk
setiap state pada stage (n+1). Pada ilustrasi di atas hubungan ini adalah:
𝑓𝑛∗ 𝑠 = min {𝑓𝑛 𝑠 + 𝑓𝑛∗+1 𝑥𝑛 .
Contoh soal:
Badan Kesehatan Dunia (WHO) bermaksud akan menyempurnakan
pelayanan kesehatan di negara-negara yang sedang berkembang. Saat ini
WHO mempunyai 5 tim kesehatan yang harus ditempatkan ke tiga negara.
Dengan demikian WHO perlu menentukan berapa tim yang harus dikirim ke
tiap-tiap negara, sehingga keefektifan total dari kelima tim itu dapat
maksimum. Sebagai ukuran dari keefektifan tersebut ialah pertambahan umur
(yaitu berapa tahun umur orang akan bertambah dengan adanya tim tersebut).
Tabel 2. Taksiran Pertambahan Umur (Tahun) dalam Satuan Ribu untuk
Setiap Negara dan Tiap Alokasi Team yang Mungkin Dilakukan.
Solusi :
Misalkan 𝑝𝑖 (𝑥𝑖 ) adalah ukuran keefektifan dari pengalkasian sebanyak 𝑥𝑖 tim
kesehatan pada negara 𝑖. Maka fungsi tujuan adalah memilih 𝑥1 , 𝑥2 , atau 𝑥3
sehingga:
3
Memaksimumkan: 𝑖=1 𝑝𝑖 (𝑥𝑖 )
3
Kendala 𝑖=1 𝑥𝑖 =5 𝑥𝑖 integer nonegatif
𝑓𝑛 𝑠, 𝑥𝑛 = 𝑝𝑛 𝑥𝑛 + 𝑚𝑎𝑘𝑠 𝑝𝑖 (𝑥𝑖 )
𝑖=𝑛+1
Sehingga
𝑥𝑖 = 𝑠
𝑖=𝑛
𝑥𝑖 integer nonegatif, 𝑛 = 1,2,3
Kita tahu bahwa 𝑓𝑛∗ (𝑠)=maks 𝑓𝑛 𝑠, 𝑥𝑛 , 𝑑𝑖𝑚𝑎𝑛𝑎 𝑥𝑛 = 0,1,2, … , 𝑠
Oleh karena itu, maka
𝑓𝑛 𝑠, 𝑥𝑛 = 𝑝𝑛 𝑥𝑛 + 𝑓𝑛∗+1 𝑠 − 𝑥𝑛 , 𝑑𝑖𝑚𝑎𝑛𝑎 𝑓4∗ = 0
Akibat hubungan timbal balik dari fungsi 𝑓1∗ , 𝑓2∗ , 𝑑𝑎𝑛 𝑓3∗ untuk persoalan ini
menjadi.
∗
𝑓𝑛 ∗ 𝑠 = maks 𝑝𝑛 𝑥𝑛 + 𝑓𝑛+1 𝑠 − 𝑥𝑛 , untuk 𝑛 = 1,2, 𝑥𝑛 = 0,1,2 … , 𝑠)
n=2
𝑠 \ 𝑥2 𝑓2 𝑠, 𝑥2 = 𝑝2 (𝑥2 ) + 𝑓3∗ (𝑠 − 𝑥2 ) 𝑓2∗ 𝑠 𝑥2∗
0 1 2 3 4 5
0 0 0 0
1 50 20 50 0
2 70 70 45 70 0,1
3 80 90 95 75 95 2
4 100 100 115 125 110 125 3
5 130 120 125 145 160 150 160 4
n=1
𝑠 \ 𝑥1 𝑓1 𝑠, 𝑥1 = 𝑝1 (𝑥1 ) + 𝑓2∗ (𝑠 − 𝑥1 ) 𝑓1∗ 𝑠 𝑥1∗
0 1 2 3 4 5
5 160 170 165 160 155 120 170 1
Contoh menghitung cell (5,2)
𝑓1 5,2 = 𝑝1 2 + 𝑓2∗ 5 − 2 = 70 + 95 = 165
Jadi solusi optimum dari persoalan di atas adalah 𝑥1∗ = 1, 𝑥2∗ = 3, dan 𝑥3∗ = 1.
Maka alokasi tim kesehatan ketiga negara tersebutberturut-turut adalah 1 tim ke
negara 1, 3 tim ke negara 2, dan 1 tim ke negara 1 yang akan menghasilkan
taksiran total 170.000 penambahan tahun orang.
Latihan :
1. Seorang pengarah jalan ingin menentukan rute terpendek antara dua kota (A dan
I) berdasarakan rute alternatif yang tersedia. Berikut gambar alternatif rute yang
dapat ditempuh dari kota A ke kota I dan biaya yang harus dikeluarkan untuk
menempuh setiap kota tujuan.
Bantulah pengarah jalan tersebut menemukan rute terpendek yang ditandai dengan
minimumnya biaya yang harus dikeluarkan.
Jumlah
Wilayah pemilihan
Juru
Kampanye 1 2 3 4
0 0 0 0 0
1 25 20 33 13
2 42 38 43 24
3 55 54 47 32
4 63 65 50 39
5 69 73 52 45
6 74 80 53 50
Tentukan jumlah alokasi jurus kampanye untuk setiap wilayah pemilihan agar
dicapai total penambahan pemilih yang optimal.
Ongkos produksi marginal untuk produk ini ditaksir sebesar $ 100 per item
(walaupun rusak), dan kelebihan item dianggap tidak berharga. Sebagai tambahan,
jika proses produksi untuk produk ini di set up, maka harus disediakan ongkos set-
up sebesar $300. Jika pemeriksaan menyatakan bahwa seluruh lot yang dihasilkan
tidak ada yang dapat diterima, maka proses produksinya harus di set-up dengan
tambahan ongkos sebesar $ 300. Perusahaan ini hanya mempunyai waktu untuk
membuat tidak lebih dari 3 siklus produksi. Jika suatu item yang dapat diterima
belum dihasilkan pada akhir siklus produksi yang ketiga, maka kerugian karena
hilangnya penerimaan dari penjualan ini ditambahkan dengan denda yang harus
dibayar adalah sebesar $ 1600.
Tujuan persoalan ini adalah untuk menentukan ukuran lot pada siklus produksi
yang diperlukan sehingga diperoleh ekspektasi ongkos pembuatan yang
minimum.
Jawaban :
Stage dari persoalan ini adalah siklus produksi, sedangkan variabel keputusan
𝑥𝑛 (𝑛 = 1,2,3) adalah ukuran lot produksi pada stage 𝑛. Banyaknya item yang
dapat diterima (yaitu nol atau satu) adalah stage dari sistem pada setiap stage. Jadi
state 𝑠 = 1 pada stage 1. Jika paling sedikit satu item yang dapat diterima telah
dihasilkan, maka state berubah menjadi 𝑠 = 0. Dan setelah itu tidak ada lagi
ongkos tambahan yang diperlukan. Dalam hal ini 𝑓𝑛 (𝑠, 𝑥𝑛 ) adalah ekspektasi
ongkos total yang minimum untuk stage n ke depan, berdasarkan state n.
Maka :
𝑓𝑛∗ 𝑠 = min 𝑓𝑛 𝑠, 𝑥𝑛 𝑥𝑛 = 0,1, …
Dimana :
𝑓𝑛∗ 0 = 0
Dengan menggunakan $ 100 sebagai satuan uang, maka kontribusi terhadap
ongkos dari stage n adalah (𝐾 + 𝑥𝑛 ) dimana:
0 𝑗𝑖𝑘𝑎 𝑥𝑛 = 0
𝐾
3 𝑗𝑖𝑘𝑎 𝑥𝑛 > 0
Untuk s=1, maka
𝑥𝑛 𝑥𝑛
1 1
𝑓𝑛 1, 𝑥𝑛 = 𝐾 + 𝑥𝑛 + 𝑓𝑛∗+1 1 + [1 − ]𝑓𝑛∗+1 0
2 2
𝑥𝑛
1
= 𝐾 + 𝑥𝑛 + 𝑓𝑛∗+1 1
2
Dengan 𝑓4∗ 1 = 16, yaitu terminal ongkos jika tidak dihasilkan item yang dapat
diterima.
Hubungan timbal baliknya adalah:
𝑥𝑛
1 ∗
𝑓𝑛∗ 1 = min 𝐾 + 𝑥𝑛 + 𝑓𝑛+1 1 𝑥𝑛 = 0,1, ..
2
Untuk 𝑛 = 1,2,3
Perhitungan selengkapnya adalah sebagai berikut:
n=3
𝑥3
𝑥3 1 𝑓3∗ (𝑠) 𝑥3∗
𝑓3 1, 𝑥3 = 𝐾 + 𝑥3 + 16
2
s 0 1 2 3 4
0 0 0 0
1 16 12 9 8 8 8 3,4
n=2
𝑥2
𝑥2 1 𝑓2∗ (𝑠) 𝑥2∗
𝑓2 1, 𝑥2 = 𝐾 + 𝑥2 + 16
2
s 0 1 2 3 4
0 0 0 0
1 8 8 7 7 1 7 2, 3
72
n=1
𝑥1
𝑥1 1 𝑓1∗ (𝑠) 𝑥1∗
𝑓1 1, 𝑥1 = 𝐾 + 𝑥1 + 16
2
s 0 1 2 3 4
1 7 1 3 7 1 3 2
72 6 6 716 6
4 8 4
Latihan :
1. Sebuah proyek ruang angkasa sedang melakukan penelitian teknologi. Tiga tim
peneliti A,B, dan C mencoba melakukan pendekatan berbeda. Menurut perkiraan,
dalam keadaan seperti ini, kemungkinan terjadi kegagalan ketiga tim ini adalah
0.4, 0.6, dan 0.8 untuk A,B, dan C berturut-turut. Karena ingin memperkecil
kemungkinan gagal, maka diputuskan untuk menambah 2 orang ilmuan
terkemuka pada ketiga tim tersebut. Kemungkinan gagal ketiga tim setelah
ditambah 0, 1, 2 ilmuan adalah :
Jumlah Ilmuan Probabilitas gagal
A B C
0 0.4 0.6 0.8
1 0.2 0.4 0.5
2 0.15 0.2 0.3
Jika kapal yang memuat barang tersebut hanya mampu membawa maksimum 6
ton, barang-barang mana saja yang sebagiknya diangkut agar diperoleh nilai
maksimum tanpa melangga beban maksimum? Selesaikan dengan program
dinamis.
Ongkos memasang 1,2,3 komponen lain pada setiap komponen adalah sebagai
berikut:
Jenis Komponen Ongkos (Rp. 1000)
Komp. 1 Komp. 2 Komp. 3 Komp. 4
1 6 10 5 8
2 11 16 10 13
3 15 22 14 17
Bila dana yang tersedia adalah Rp. 45.000.000, berapakah komponen lain yang
harus dipasang pada setiap komponen agar probabilitas sistem tersebut berfungsi
maksimal?
4. Sebuah perusahaan memiliki kapasitas produksi sebesar 700 ton per bulan.
Distribusi produk dilakukan melalui transportasi darat, dan untuk menghemat
biaya pengiriman, telah ditentukan volume pengiriman sebesar 100 ton setiap
pengirimannya. Pasar yang dituju adalah pasar A, B, dan C. Dari pengalaman
yang ada, return dari setiap pasar dapat dilihat pada tabel berikut ini :
Bagaiman distribusi produk harus dilakukan oleh perusahaan agar diperoleh hasil
atau return yang paling optimal ?
Sumber:
Tarliah Dimyati, Tjutju.2015. Operations Research: Model-model pengambilan
Keputusan. Jakarta: Sinar Baru Algesindo .
Winstone,Wayne.2006.Operation Research. Elsevier.
Ristono, Agus.2011. Penelitian Operasional Lanjut. Jakarta: Graha Ilmu.
RANTAI MARKOV
(Bu Mirani)
Terkadang kita tertarik pada perubahan yang terjadi dari suatu peubah acak seiring
berjalannya waktu. Kita mungkin ingin tahu bagaimana harga saham atau pangsa
pasar perusahaan berkembang. Studi tentang bagaimana suatu peubah acak
berubah seiring berjalannya waktu termasuk proses stokastik yang dijelaskan
dalam bab 2 ini. Khususnya, kita fokus pada jenis proses stokastik yang dikenal
sebagai rantai Markov. Rantai Markov telah diterapkan di berbagai bidang seperti
pendidikan, pemasaran, kesehatan, layanan, keuangan, akuntansi, dan produksi.
Kita mulai bab ini dengan mendefinisikan konsep proses stokastik.
{ 𝑋𝑡 , 𝑡 ∈ 𝑇}
Sebagai contoh, suatu proses stokastik 𝑋1 , 𝑋2 , 𝑋3 , ... adalah suatu proses stokastik
yang menyatakan kumpulan tingkat persediaan mingguan (atau bulanan) dari
suatu produk atau kumpulan dari permintaan mingguan produk tersebut.
Proses stokastik dengan waktu diskrit adalah rantai Markov, jika untuk
𝑡 = 0,1, … peluang kejadian dari proses tersebut dapat dinyatakan sebagai berikut:
Dengan 𝑝𝑖𝑗 menyatakan peluang sistem berada pada status 𝑖 saat 𝑡 kemudian akan
berada pada status 𝑗 saat 𝑡 + 1.
Pengetahuan tentang matriks peluang transisi dari rantai Markov diskrit dapat
diaplikasikan dalam berbagai hal, diantaranya:
Menentukan cuaca esok hari yang dimanfaatkan oleh sebuah restoran sehingga
membantu memperkirakan laba harian.
Mempelajari perilaku inventaris dari toko komputer.
Meramalkan status akun pemegang polis bagi perusahaan asuransi.
Menentukan pangsa pasar jangka panjang untuk toko tertentu.
Jika sistem berpindah dari status 𝑖 selama satu periode ke status 𝑗 selama periode
berikutnya, kita katakan bahwa telah terjadi transisi dari 𝑖 ke 𝑗. Peluang transisi
pada rantai Markov sering dinyatakan dengan 𝑝𝑖𝑗 .
Setiap status 𝑖 saat 𝑡 akan berada entah pada status 𝑗 yang mana pada saat 𝑡 + 1.
Artinya, untuk setiap status 𝑖 berlaku
𝑠
𝑝𝑖𝑗 = 1
𝑗 =1
Setiap elemen dari matriks 𝑃 haruslah bernilai tidak negatif dan jumlah nilai
peluang pada setiap baris adalah 1.
0,7 0,3
𝑃=
0,5 0,5
Contoh 2.
Model dari kondisi suatu stok barang tertentu. Pada akhir suatu hari tertentu
kondisi sutau stok dicatat. Jika stok meningkat hari ini maka peluang bahwa stok
esok hari meningkat adalah 0,6. Jika stok hari ini menurun maka peluang bahwa
stok esok hari meningkat adalah 0,3.
Model ini merupakan rantai markov dengan keterangan:
Status 0: stok meningkat
Status 1: stok menurun
Maka matriks transisinya adalah.
0,6 0,4
𝑃=
0,3 0,7
Contoh 3.
Andaikan contoh saham sebelumnya diubah sebagai berikut: Nilai saham esok
hari tidak hanya tergantung pada nilai saham hari ini, namun juga kemarin.
Jika nilai saham dua hari berturut-turut (hari ini dan kemarin) naik, maka
nilainya besok juga akan naik dengan peluang 0,9.
Jika nilainya hari ini naik, tetapi kemarin turun, maka peluang besok nilainya
akan naik sebesar 0,6.
Jika hari ini nilainya turun, tetapi kemarin naik, maka peluang besok nilai saham
akan naik sebesar 0,5.
Jika nilai saham hari ini dan kemarin turun, peluang besok nilainya akan naik
sebesar 0,3.
Sistem tersebut dapat dipandang sebagai rantai Markov bila definisi statusnya
sebagai berikut.
Status 0 : Nilai saham hari ini naik, kemarin juga naik
Status 1 : Nilai saham hari ini naik, kemarin turun
Status 2 : Nilai saham hari ini turun, kemarin naik
Status 3 : Nilai saham hari ini turun, kemarin juga turun.
Banyak Mobil
Status
Hari 1 Hari 2
Narik 120 144
Mogok 100 76
Jumlah 220 220
Dalam waktu dua hari terdapat perubahan, mobil yang tadinya beroperasi ternyata
rusak, begitu pula sebaliknya. Berikut tabel perubahannya.
Hari 2
Hari 1 Jumlah
Narik Mogok
Narik 70 50 120
Mogok 74 26 100
Jumlah 144 76 220
Latihan:
1. Di akhir hari, nilai saham dicatat; bila naik, maka peluang esok hari nilainya
juga naik = 0,6. Jika nilai saham diakhir hari turun, maka peluang esok hari
akan turun juga = 0,7. Kejadian-kejadian tersebut merupakan rantai Markov
dan status 0 menyatakan nilai saham naik dan status 1 menyatakan nilai saham
turun, maka matriks peluang transisinya adalah...
2. Pada akhir suatu hari tertentu kondisi sutau stok dicatat. Jika stok hari ini
menurun maka peluang bahwa stok esok hari meningkat adalah 0,2. Jika stok
meningkat hari ini maka peluang bahwa stok esok hari meningkat adalah 0,8.
Model ini merupakan rantai markov dengan keterangan:
Status 0: stok meningkat
Status 1: stok menurun
Maka matriks transisinya adalah.
3. Andaikan contoh saham sebelumnya diubah sebagai berikut. Nilai saham esok
hari tidak hanya tergantung pada nilai saham hari ini, namun juga kemarin.
Jika hari ini nilainya turun, tetapi kemarin naik, maka peluang besok nilai
saham akan naik sebesar 0,4.
Jika nilai saham hari ini dan kemarin turun, peluang besok nilainya akan naik
sebesar 0,2.
Jika nilai saham dua hari berturut-turut (hari ini dan kemarin) naik, maka
nilainya besok juga akan naik dengan peluang 0,8.
Jika nilainya hari ini naik, tetapi kemarin turun, maka peluang besok nilainya
akan naik sebesar 0,9.
Sistem tersebut dapat dipandang sebagai rantai Markov bila definisi
statusnya sebagai berikut.
Status 0 : Nilai saham hari ini naik, kemarin juga naik
Status 1 : Nilai saham hari ini naik, kemarin turun
Status 2 : Nilai saham hari ini turun, kemarin naik
Status 3 : Nilai saham hari ini turun, kemarin juga turun.
Tentukan matriks peluang transisi dari kejadian-kejadian tersebut.
4. Sebuah perusahaan transportasi mempunyai 440 unit motor. Namun tidak
semua motor dapat beroperasi dikarenakan mesin rusak. Berikut disajikan data
motor yang sedang beroperasi (narik) dan rusak (mogok).
Banyak Motor
Status
Hari 1 Hari 2
Narik 320 340
Mogok 120 100
Jumlah 440 440
Dalam waktu dua hari terdapat perubahan, motor yang tadinya beroperasi
ternyata rusak, begitu pula sebaliknya untuk mengetahui perubahan yang
terjadi ada pada tabel berikut:
Hari 2
Hari 1 Jumlah
Narik Mogok
Narik 250 70 320
Mogok 90 30 120
Jumlah 340 100 440
Bentuk khusus dari persamaan di atas untuk setiap 𝑖, 𝑗, dan 𝑛 sebagai berikut.
Ketika 𝑚 = 1
𝑚
Ketika 𝑚 = (𝑛 − 1)
𝑚
Dengan demikian 𝑝𝑖𝑗𝑛 dapat dihitung dari 𝑝𝑖𝑗 secara berurutan. Untuk setiap 𝑖, 𝑗,
dan 𝑛 = 2, maka persamaan Chapman-Kolmogorov menjadi:
𝑚
Perhatikan bahwa 𝑝𝑖𝑗2 sama dengan matriks 𝑃2 yang diperoleh dari perkalian
matriks peluang transisi 1-step dengan dirinya sendiri.
2
𝑃 = 𝑃. 𝑃 = 𝑃2
𝑝00 𝑝01 𝑝02 𝑝03 𝑝00 𝑝01 𝑝02 𝑝03
𝑝 𝑝11 𝑝12 𝑝13 𝑝10 𝑝11 𝑝12 𝑝13
𝑃2 = 𝑝10 𝑝21 𝑝22 𝑝23 𝑝20 𝑝21 𝑝22 𝑝23
20
𝑝30 𝑝31 𝑝32 𝑝33 𝑝30 𝑝31 𝑝32 𝑝33
Jika diinginkan nilai peluang transisi dari status 1 ke status 3 dalam 2-step, maka
Untuk bentuk yang lebih umum, matriks peluang transisi 𝑛-step dapat diperoleh
dari persamaan berikut.
𝑛
𝑃 = 𝑃𝑛 = 𝑃. 𝑃 𝑛 −1
=𝑃 𝑛−1
.𝑃
Jadi, matriks peluang transisi 𝑛-step dapat diperoleh dengan mengalikan matriks
peluang transisi 1-step sebanyak 𝑛 kali.
Ilustrasi
1. Diberikan matriks peluang transisi sebagai berikut.
0,8 0,2
𝑃=
0,6 0,4
Sehingga matriks peluang transisi 2-step dapat dihitung dengan cara seperti
berikut.
Penyelesaian:
Pangsa pasar (market share) menurut O'Neal adalah persentase atau proporsi dari
total tersedia pasar atau segmen pasar yang sedang dilayani oleh sebuah
perusahaan yang dapat dinyatakan sebagai pendapatan penjualan perusahaan (dari
pasar) dibagi dengan total pendapatan penjualan yang tersedia di pasar. Hal ini
juga dapat dinyatakan sebagai volume unit penjualan (di pasar) dibagi dengan
total volume unit yang dijual di pasar tersebut. Hal ini umumnya diperlukan untuk
riset pasar komisi untuk memperkirakan ukuran pasar total dan pangsa pasar
perusahaan. Faktor-faktor yang mempengaruhi pangsa pasar adalah inovasi tiada
henti, layanan kepada pelanggan, efektifitas distribusi dan menekan biaya
Sehingga prediksi pangsa pasar pada 𝑛 + 1 periode berikutnya dari tahun awal
menggunakan rumus:
𝑃 × 𝑄 𝑛 = 𝑄 𝑛+1
Keterangan:
Contoh 1.
Pada suatu kota kecil terdapat dua pasar swalayan W dan L. Diasumsikan setiap
pembeli di kota tersebut melakukan kunjungan belanja satu kali per minggu.
Dalam sembarang minggu seorang pembeli hanya berbelanja di W atau L saja,
dan tidak dikeduanya. Kunjungan belanja disebut percobaan dari proses dan toko
yang dipilih disebut keadaan dari proses. Suatu sampel 100 pembeli diambil
dalam periode 10 minggu, kemudian data dikompilasikan.
Dalam menganalisis data, terlihat bahwa dari seluruh pembeli yang berbelanja di
W dalam suatu minggu, 90 persen tetap berbelanja di toko W pada minggu
berikutnya, sedangkan sisanya berpindah belanja pada toko L. 80 persen dari yang
berbelanja di toko L dalam suatu minggu tetap berbelanja di toko L, sedangkan 20
persen berpindah belanja pada toko W. Informasi tersebut disusun pada Tabel 1
berikut.
Tentukan:
a. Matriks peluang transisi
b. Prediksi pangsa pasar minggu berikutnya, jika diketahui pangsa pasar minggu
ini adalah
0,7
𝑄1 =
0,3
Penyelesaian:
a. Karena terdapat 100 sampel pembeli, maka matriks peluang transisinya adalah
90 10
𝑃 = 100 100 = 0,9 0,1
20 80 0,2 0,8
100 100
Contoh 2.
Dua buah produk bersaing seimbang di pasar. Perubahan strategi pemasaran salah
satu produk menghasilkan peluang transisi sebagai berikut.
0,7 0,3
0,4 0,6
Contoh 3.
Sebagai ilustrasi, berikut ini dikemukakan suatu kasus yang berkenaan
dengan perilaku langganan sabun deterjen. Misalkan di suatu daerah
dipasarkan empat merek sabun deterjen, katakanlah merek A, B, C, dan D.
Terhadap para pemakai deterjen di daerah tersebut telah dilakukan penelitian
dengan cara menyebarkan daftar isian (kuesioner). Jumlah responden yang
mengembalikan daftar isian tersebut ada 1.000 orang, dan diasumsikan
bahwa ukuran sampel ini cukup representatif. Data yang diperoleh berupa
jumlah langganan masing-masing merek, kemudian dicatat dan dinyatakan
sebagai data jumlah langganan pada periode pertama.
Dari tabel tersebut, Maka jumlah langganan yang pada periode pertama memilih
A dan pada periode kedua masih tetap memilih A (bukan langganan baru) adalah
sebanyak (220 – 20 – 10 – 15) = 175 orang.
Sehingga didapatkan:
Latihan:
1. Berikut adalah data hasil survei terhadap konsumen beras yang berasal dari
Kota Solok. Beras yang berada di Kota Solok terbagi menjadi beberapa jenis,
yakni: Beras Sokan, Beras Anak Daro, Beras Caredek, Beras Randah Kuniang,
dan Beras Solok lainnya.
Berdasarkan ada tidaknya koneksi, maka setiap status pada rantai Markov dapat
diklasifikasikan menjadi beberapa jenis diantaranya:
Reachable
Status 𝑗 dikatakan reachable dari status 𝑖 jika terdapat path (jalur) dari 𝑖 menuju 𝑗.
Dari Gambar 1, status 5 adalah reachable dari status 3 (melaui jalur 3-4-5).
Communicate
Status 𝑗 dikatakan communicate dengan status 𝑖 jika status 𝑖 reachable dari 𝑗 dan 𝑗
reachable dari 𝑖. Dari Gambar 1, status 1 dan 2 adalah communicate.
Closed Set
Himpunan status dikatakan closed set jika tidak terdapat status di luar himpunan
yang dapat dicapai oleh status anggota himpunan tersebut. Dari Gambar 1, misal
𝑆1 = {1, 2} dan 𝑆2 = {3, 4, 5}, maka 𝑆1 dan 𝑆2 adalah closed set.
Absorbing State
Status 𝑖 dikatakan sebagai absorbing state jika 𝑝𝑖𝑖 = 1. Dari Gambar 2, status 0
dan 4 adalah absorbing state.
Transient State
Status 𝑖 dikatakan sebagai transient state jika terdapat status 𝑗 yang dapat dicapai
dari 𝑖 namun 𝑖 tidak dapat dicapai melalui 𝑗. Terdapat cara untuk meninggalkan
status 𝑖 tanpa bisa kembali ke status 𝑖. Dari Gambar 2, stasus 1, 2, dan 3 adalah
transient state karena status 1, 2, dan 3 dapat menuju status 0 maupun status 4 dan
tidak akan dapat kembali.
Recurrent State
Jika bukan transient state maka status tersebut dapat dikatakan sebagai recurrent
state. Dari Gambar 1, semua status adalah recurrent state. Sementara dari Gambar
2, status 0 dan 4 adalah recurrent state (dan juga absorbing state).
Ergodic (Ireducible)
Jika semua status merupakan recurrent, aperiodic, dan communicate, maka rantai
Markov tersebut dapat dikatakan sebagai ergodic.
Latihan:
1. Tentukan status mana yang recurrent dan status mana yang transient dari
rantai Markov berikut.
a. Matriks peluang transisi
0 0 1/ 3 2 / 3
P 1 0 1 0
2 1 0 0
3. Adakah status yang irreducible dari matriks peluang transisi berikut. Sebutkan!
0 0 1 0
P 1 0 0 1
2 1 0 0
4. Adakah status yang periodic dari matriks peluang transisi berikut. Sebutkan!
0 0 1/ 2 1/ 2
P 1 1 0 0
2 1 0 0
𝑛 −1
Jadi peluang dari suatu FPT dari status 𝑖 ke status 𝑗 dalam langkah 𝑛 dapat
dihitung secara rekursif dari peluang transisi satu langkah.
Menghitung 𝑓𝑖𝑗𝑛 untuk seluruh 𝑛 mungkin sulit, relatif lebih sederhana untuk
menghitung FPT harapan dari status 𝑖 ke status 𝑗.
∞ 𝑛
Bila 𝑛=1 𝑓𝑖𝑗 = 1, maka 𝜇𝑖𝑗 memenuhi persamaan berikut secara unik.
Contoh 1.
Sebuah toko kamera memiliki stok kamera yang dapat dipesan mingguan.
Asumsikan 𝑋0 = 3. Kasus ini merupakan proses stokastik {𝑋𝑡 } dengan t = 0,1,2,3
mewakili jumlah kamera yang mungkin ada pada akhir minggu.
Dengan matriks peluang transisi sebagai berikut:
Penyelesaian
𝜇30 dapat dicapai karena seluruh status recurrent, maka:
atau
Diperoleh:
𝜇10 = 1,58 minggu
𝜇20 = 2,51 minggu, dan
𝜇30 = 3,50 minggu.
Kesimpulan: Waktu yang dibutuhkan agar jumlah kamera kembali seperti semula
adalah 3,5 minggu.
Latihan:
1. Sebuah perusahaan rental mobil memiliki stok mobil yang dapat disewa harian.
Asumsikan 𝑋0 = 3. Kasus ini merupakan proses stokastik {𝑋𝑡 } dengan t =
0,1,2,3 mewakili jumlah mobil yang mungkin ada di ujung hari. Matriks
peluang transisi sebagai berikut:
1 0 0 0
0,5 0,5 0 0
𝑃=
0,3 0,2 0,5 0
0,1 0,3 0,2 0,4
Tentukan waktu yang dibutuhkan agar jumlah mobil kembali seperti semula
untuk pertama kalinya (FPT).
2.8 Steady State
Suatu proses akan berada pada kondisi steady state manakala proses terebut akan
konvergen ke suatu nilai yang sama untuk 𝑛 → ∞. Untuk rantai Markov yang
ergodik dan tidak dapat direduksi, lim𝑛→∞ 𝑃𝑖𝑗𝑛 ada dan saling bebas dari 𝑖.
Misalkan
𝜋𝑗 = lim 𝑃𝑖𝑗𝑛 , 𝑗 ≥ 0
𝑛→∞
𝜋𝑗 = 𝜋𝑖 𝑃𝑖𝑗𝑛 , 𝑗 ≥ 0
𝑖=1
1
𝜋𝑗 = , 𝑗 = 1,2, … 𝑀
𝜇 𝑗𝑗
Contoh 1.
Seperti contoh masalah FPT untuk menentukan stok kamera yang dimiliki oleh
toko kamera, maka untuk jangka waktu panjang lamanya waktu yang dibutuhkan
agar jumlah kamera kembali seperti semula (steady state) adalah...
Penyelesaian:
𝜋2 = 𝑝02 𝜋0 + 𝑝12 𝜋1 + 𝑝22 𝜋2 + 𝑝32 𝜋3
𝜋3 = 𝑝03 𝜋0 + 𝑝13 𝜋1 + 𝑝23 𝜋2 + 𝑝33 𝜋3
1 = 𝜋0 + 𝜋1 + 𝜋2 + 𝜋3
Sehingga diperoleh:
1
𝜋0 = 0,285 → 𝜇00 = 𝜋 = 3,51 minggu
0
1
𝜋1 = 0,285 → 𝜇11 = 𝜋 = 3,51 minggu
1
1
𝜋2 = 0,264 → 𝜇22 = 𝜋 = 3,79 minggu
2
1
𝜋3 = 0,166 → 𝜇33 = 𝜋 = 6,02 minggu
3
Jadi, agar jumlah kamera kembali seperti semula (steady state) pada jangka
waktu panjang adalah 6,02 minggu.
Contoh 2.
Eastville adalah sebuat desa yang letaknya jauh dari desa lain. 7000 nasabah bank
di Eastville melakukan kegiatan bisnis perbankan dan keuangan mereka pada dua
bank yang ada di kota tersebut, National Bank (NB) dan Eastville Bank (EB).
Eastville Bank sedang mempertimbangkan untuk melakukan penambahan jasa
dan menaikkan bunga tabungan. Bagian pemasaran bank melakukan riset dan
menemukan bahwa jika seorang pelanggan melakukan transaksi dengan EB dalam
suatu bulan tertentu, terdapat probabilitas sebesar 0,70 pelanggan akan melakukan
transaksi pada bank yang sama di bulan berikutnya, dan sebesar 0,30 bahwa ia
akan transaksi dengan dengan NB di bulan berikutnya. Sebaliknya jika seorang
pelanggan melakukan transaksi dengan NB dalam suatu bulan tertentu, terdapat
probabilitas sebesar 0,85 pelanggan akan melakukan transaksi pada bank yang
sama di bulan berikutnya, dan sebesar 0,15 bahwa ia akan pindah ke EB. Buatlah
matriks probabilitas transisi untuk masalah ini. Tentukan probabilitas keadaan
tetap dan indikasikan jumlah pelanggan yang dapat diantisipasi oleh bank dalam
jangka panjang!
Penyelesaian:
0,85 0,15
Matriks peluang transisi, 𝑝 =
0,30 0,70
Peluang keadaan tetap
𝜋0 = 0,85 𝜋0 + 0,3 𝜋1
𝜋1 = 0,15 𝜋0 + 0,7 𝜋1
1 = 𝜋0 + 𝜋1
Dengan melakukan subtisusi, diperoleh:
𝜋0 = 0,667
𝜋1 = 0,333
Latihan :
1. Dari kasus latihan pada subbab 2.7, maka waktu yang dibutuhkan agar jumlah
mobil kembali seperti semula untuk jangka waktu panjang (steady state)
adalah...
Referensi
1. Hillier, Frederick and Lieberman, Gerald J. 2001. Introduction to Operations
Research, 7th ed. McGraw-Hill: New York.
2. Taha, Hamdy. 2007. Operation Research : An Introduction, 8th ed. Pearson
Education Inc.: NJ.
3. Winston, Wayne L. 2003. Operations Research: Application & Algorithms, 4th
ed. Thomson Learning: Belmont – CA.
4. Hartanto, D. PPT: Rantai Markov (Markov Chain), KOI. Teknik Industri: ITS.
5. Siswanto. 2007. Operations Research Jilid II. Jakarta: Erlangga.
TEORI PERMAINAN
(Pak Ramli)
Teori Permainan atau Game Theory dikemukakan oleh seorang ahli matematika
Perancis yang bernama Emile Borel pada tahun 1921. Kemudian dikembangkan
lebih lanjut oleh Jhon Von Neumann dan Oskar Morgenstren, yang digunakan
sebagai alat untuk merumuskan prilaku ekonomi yang bersaing. Contoh nyata
penerapan Teori Permainan atau Game Theory adalah aplikasi-aplikasi dalam
dunia militer, pembuatan kontrak, dan penetapan harga-harga. Dalam bab-bab
sebelumnya, kita telah menemui banyak situasi di mana satu pengambil keputusan
memilih keputusan yang optimal tanpa mengacu pada efek keputusan terhadap
pembuat keputusan lain (dan tanpa mengacu pada efek keputusan orang lain
terhadap dirinya) Dalam banyak situasi bisnis, penerapan teori permainan dua
atau lebih pengambilan keputusan secara bersamaan memilih suatu tindakan, dan
tindakan yang dipilih oleh setiap pemain mempengaruhi imbalan yang diterima
oleh pemain lain. Sebagai contoh, setiap perusahaan makanan cepat saji harus
menentukan iklan dan kebijakan harga untuk produknya, dan keputusan masing-
masing perusahaan akan mempengaruhi pendapatan dan laba perusahaan makanan
cepat saji lainnya. Teori permainan berguna untuk membuat keputusan dalam
kasus di mana dua atau lebih pengambil keputusan memiliki kepentingan yang
bertentangan. Sebagian besar studi tentang teori permainan ditawarkan dengan
situasi di mana hanya ada dua pengambil keputusan (atau pemain), dan sebagian
kecil teori permainan n-orang (di mana n > 2)
Berdasarkan dari keempat pengertian para ahli dapat ditarik sebuah kesimpulan
pengertian dari Teori Permainan atau Game Theory. Teori Permainan atau Game
Theory merupakan suatu ilmu pengetahuan berupa teori matematis yang
digunakan untuk menentukan, merumuskan, dan mempelajari situasi konflik atau
kompetisi yang melibatkan dua atau lebih kepentingan guna mendapatkan suatu
keputusan yang terbaik untuk setiap pemain.
Model-model Teori Permainan atau Game Theory dapat diklasifikasikan dalam
beberapa cara, bergantung pada faktor-faktor, yaitu banyaknya pemain, jumlah
keuntungan dan kerugian, dan banyaknya strategi yang dilakukan dalam
permainan.
1). Two Person Zero Sum and Constant Sum Games: Saddle Point
Jika banyaknya pemain adalah dua pihak (baik individu maupun kelompok), maka
permainannya disebut sebagai permainan dua orang (two-person game).
Karakteristik Two Zero Sum Game.
a) Ada dua pemain (disebut pemain baris dan pemain kolom)
b) Pemain baris harus memilih 1 dari m strategi .Secara bersamaan, pemain
kolom harus memilih 1 dari n strategi.
c) Jika pemain baris memilih strategi ke-i dan pemain kolom memilih strategi
ke j, maka pemain baris menerima hadiah atau keuntungan sebesar aij dan
pemain kolom menerima kekalahan dengan mendapat kerugian sebesar aij
sejumlah keuntungan yang diperoleh pemain baris. Permainan semacam
ini disebut zero-sum game dua pemain yang diwakili oleh matrix pada
Tabel 1
Contoh tabel 2 matrik pay off (matrik permainan) berikut, dapat dijelaskan
beberapa ketentuan dasar yang terpenting dalam teori permainan.
Nilai-nilai yang ada dalam tabel tersebut (yakni angka 1, 9, 2 ,7 di baris pertama,
8.5.4.3 di baris kedua 6,8,10,5 dibaris ketiga dan 7, 9, 8,6 di baris keempay),
merupakan hasil yang diperoleh dari penggunaan berbagai strategi yang dipilih
oleh kedua perusahaan. Satuan nilai tersebut merupakan efektifitas yang dapat
berupa uang, persentase pangsa pasar, jumlah pelanggan dan sejenisnya. Nilai
positif menunjukkan keuntungan bagi pemain baris dan kerugian bagi pemain
kolom, begitu pula sebaliknya nilai negatif menunjukkan kerugian bagi pemain
baris dan keuntungan bagi pemain kolom. Sebagai contoh nilai 9 pada sel C12
menunjukkan apabila pemain/perusahaan A menggunakan strategi A1 dan
perusahaan B meresponnya dengan strategi B2, maka perusahaan A akan
mendapatkan keuntungan sebesar 9 yang berarti perusahaan B akan mengalami
kerugian sebesar 9 jadi pemaun A dan pemain B berada dalam kondisi
bertentangan atau bersaing dan tidak ada kerjasama antara keduanya.
Asumsi menurut John von Neumann and Oskar Morgenstern untuk teori zero-sum
games menggunakan prinsip minimaks dan maksimin.
Pemain baris A:
Maks Z = v
V ≤ X1+8X2 (Batasan Strategi A1)
V ≤ 9X1+5X2 (Batasan Strategi A2)
X1 + X2 = 1
X1 ≥ 0; X2 ≥ 0 ; V urs
Pemain Kolom B:
Min Z = w
w ≤ Y1+9Y2 (Batasan Strategi B1)
w ≤ 8X1+5X2 (Batasan Strategi B2)
Y1 + Y2 = 1
Y1 ≥ 0; Y2 ≥ 0
Tedapat dua strategi dalam menyelesaikan kasus Teori Permainan atau Game
Theory. yaitu strategi murni dan strategi campuran.
Jika Strategi Murni tidak dapat diterapkan dan permainan belum berakhir karena
belum ditemukan titik pelana. Oleh karena itu kita perlu menerapkan Strategi
Campuran, dengan menerapkan terlebih dulu aturan Dominan (bertujuan untuk
mengurang ukuran Matrik dengan ukuran terkecil yaitu 2x2).
Dari Tabel 6 pada diketahui bahwa Strategi B1 mendominasi B2 dan B3, sehingga
B3 bisa dihilangkan dari Matrik. Diketahui juga bahwa Strategi A2 mendominasi
strategi A1 maupun A3, maka Strategi A1 dapat dihilangkan dari tabel.Matriks 2x2
menjadi (Tabel 7);
Maksimin = Minimaks
Maksimum (minimum semua baris ) = Minimum (maksimum semua
kolom)
8≠6
2. N-person Game
Jika banyaknya pemain adalah N pihak (N ≥ 3), permanannya disebut permainan
N orang (N-person game).
To be continued?
Sumber:
Anoname: Teori Permainan.2006
Winstone,Wayne.2006.Operation Research :Game Theory Chapter 14.p 804
TEORI ANTRIAN
(Pak Ikrar)
Teori antrian adalah studi tentang proses menunggu dalam semua variasi yang
mungkin. Model antrian digunakan untuk merepresentasikan berbagai macam
sistem antrian (sistem yang mengandung suatu jenis antrian) yang ada dalam
praktik. Rumus untuk setiap model menunjukkan bagaimana kiinerja dari sistem
yang berhubungan, termasuk rata-rata waktu tunggu yang akan terjadi dengan
beberapa batasan yang bervariasi.
Oleh karena itu, model antrian sangat membantu untuk menentukan bagaimana
mengoperasikan sistem antrian dengan cara yang paling efektif. Menyediakan
terlalu banyak kapasitas layanan untuk mengoperasikan sistem melibatkan biaya
yang berlebihan. Akan tetapi tidak menyediakan kapasitas layanan yang cukup
mengakibatkan menunggu yang berlebihan dan konsekuensi lain yang tidak
menguntungkan. Model memungkinkan menemukan keseimbangan yang sesuai
antara biaya layanan dan waktu tunggu.
Contoh Prototip
Unit Gawat Darurat (UGD) RS DAERAH menyediakan perawatan medis cepat
untuk kasus-kasus darurat yang dibawa ke rumah sakit dengan ambulans atau
mobil pribadi. Setiap saat selalu ada satu dokter yang bertugas di UGD. Namun,
karena kecenderungan peningkatan kasus-kasus darurat yang membutuhkan
fasilitas ini daripada pergi ke dokter praktik, rumah sakit terus mengalami
peningkatan jumlah kunjungan UGD setiap tahunnya. Akibatnya pasien yang
datang saat jam sibuk (pagi) harus menunggu sampai giliran hingga ditangani oleh
dokter. Oleh karena itu, terdapat usulan untuk menugaskan dokter kedua ke UGD
selama jam sibuk ini, sehingga dua kasus darurat dapat ditangani secara
bersamaan. Insinyur manajemen rumah sakit telah ditugaskan untuk mempelajari
pertanyaan ini.
Insinyur manajemen mulai dengan mengumpulkan data historis yang relevan dan
kemudian memperkirakan keadaan tahun depanIa mengenali bahwa UGD
merupakan sistem antrian sehingga akhirnya menggunakan beberapa
alternatifmodel antrian untuk memperkirakan karakteristik antrian dari sistem
dengan satu dan dua dokter.
Sumber Masukan
Satu karakteristik sumber masukan adalah ukurannya. Ukuran adalah total jumlah
pelanggan yang mungkin membutuhkan pelayanan dari waktu ke waktu. Populasi
asal kedatangan pelanggan disebut juga populasi sumber (calling population).
Ukurannya dapat diasumsikan tak berhingga atau berhingga (sehingga sumber
masukan dapat dikatakan tak berhingga atau berhingga). Asumsi tak berhingga
sering diambil ketika ukuran populasi sesungguhnya adalah angka berhingga yang
besar, dan asumsi ini merupakan asumsi implisit untuk semua model antrian yang
tidak menyatakan asumsi lain. Asumsi berhingga harus diambil ketika
kecepatakan sumber masukan membangkitkan pelanggan baru dipengaruhi secara
signifikan oleh jumlah pelanggan dalam sistem antrian.
Pola statistik pembangkitan pelanggan juga terhadap waktu juga harus ditetapkan.
Asumsi umumnya adalah pelanggan dibangkitkan menurut proses poisson,
misalnya jumlah pelanggan yang dibangkitkan pada waktu tertentu terdistribusi
poisson. Asumsi yang setara adalah waktu antara dua kedatangan yang berurutan
mengikuti distribusi eksponensial. waktu antara dua kedatangan yang berurutan
disebut waktu antar kedatangan.
Antrian
Antrian adalah tempat pelanggan menunggu sebelum dilayani. Karakteristik
antrian adalah jumlah maksimum pelanggan yang diizinkan berada di dalamnya.
Antrian disebut tidak p atau berhingga, tergantung karakteristiknya apakah jumlah
ini tidak berhingga atau berhingga.
Disiplin Antrian
Disiplin antrian menunjukkan aturan untuk memilih satu anggota dari antrian
untuk dilayanani. Misal, memilih yang pertama datang untuk pertama dilayani
(first come first served/FCFS), acak, berdasarkan prioritas tertentu, atau aturan
lainnya. Model antrian biasanya menggunakan asumsi FCFS, kecuali dinyatakan
lain.
Mekanisme Antrian
Mekanisme pelayanan terdiri dari satu atau lebih fasilitas pelayanan, yang
masing-masing berisi satu atau lebih saluran layanan paralel, yang disebut
pelayan. Jika ada lebih dari satu fasilitas pelayanan, pelanggan dapat menerima
pelayanan secara berurutan (saluran pelayanan secara seri). Pada fasilitas tertentu,
pelanggan memasuki salah satu jalur pelayanan paralel dan sepenuhnya dilayani
oleh pelayan tersebut. Model antrian harus menentukan susunan dari fasilitas dan
jumlah pelayan (saluran paralel) di setiap fasilitas. Sebagian besar model dasar
menganggap satu fasilitas pelayanan dengan satu pelayan atau jumlah pelanggan
berhingga. Waktu yang diperlukan pelanggan pada suatu fasilitas mulai dari
dimulainya pelayanan hingga penyelesaiannya disebut sebagai waktu pelayanan
(atau waktu tunggu).
Proses Antrian Sederhana
Jenis situasi yang paling umum adalah sebagai berikut: Satu antrian tunggal (yang
mungkin kosong pada waktu tertentu) di depan fasilitas layanan tunggal, di mana
ditempatkan satu atau lebih pelayan. Setiap pelanggan yang dihasilkan oleh
sumber masukan dilayani oleh salah satu pelayan, mungkin setelah menunggu
beberapa saat di antrian (antrian tunggu). Sistem antrian yang terlibat
digambarkan pada gambar di bawah.
Perhatikan bahwa proses antrian dalam contoh UGD RS Daerah adalah tipe ini.
Sumber masukan menghasilkan pelanggan dalam bentuk kasus darurat yang
membutuhkan perawatan medis. Ruang gawat darurat adalah fasilitas layanan,
dan para dokter adalah pelayan.
Lq = Wq
Jika n tidak sama maka l dalam persamaan dapat diganti dengan λ, yaitu rata-rata
laju kedatangan selama waktu yang lama.
Sekarang diasumsikan rata-rata waktu pelayanan juga tetap, 1/ untuk semua n >
1, hal ini membuat
W = Wq + 1/
mpu
menentukan secara langsung keempat kuantitas dasar L, W, Lq, Wq bila satu
kuantitas telah didapatkan secara analitis. Situasi ini menguntungkan karena
beberapa kuantitas sering kali lebih mudah diperoleh dibandingkan yang lain saat
model antrian diselesaikan sesuai prinsip dasarnya.
Jadi jika T mewakili waktu sampai terjadinya kejadian tertentu maka U mewakili
waktu sampai terjadinya kejadian pertama dari n sekian kejadian yang berbeda.
Sekarang catat bahwa untuk setiap T > 0 :
Sifat 4 : Hubungan dengan distribusi Poisson
Misalkan bahwa waktu antara dua kejadian yang berurutan untuk beberapa jenis
kejadian (misalnya kedatangan atau selesainya pelayanan oleh pelayan yang sibuk
terus-menerus) mempunyai distribusi eksponensial dengan parameter . Sifat 4
berkaitan dengan distribusi probabilitas jumlah kejadian ini selama waktu tertentu.
Sifat 5 : Untuk setiap nilai positif t, P { T < t + t | T > t } = t, untuk nilai
kecil t.
Sifat 6 : Tidak dipengaruhi oleh pengelompokan (agregasi) maupun pemisahan
(disagregasi)
Gambar 4. Diagram laju proses kelahiran dan kematian
MODEL ANTRIAN BERDASARKAN PROSES KELAHIRAN DAN
KEMATIAN
Model M/M/s
Model ini hanyalah kasus khusus proses kelahiran dan kematian dengan laju
kedatangan rata-rata dan laju rata-rata pelayanan tiap pelayanan sibuk dalam
antrian adalah tetap (masing-masing dan ) tanpa tergantung state sistem. Saat
sistem hanya memiliki satu pelayan (s = 1) akibatnya adalah parameter untuk
proses kelahiran dan kematian adalah (n = 0, 1, 2,...) dan n (n = 0, 1,
2,...)
Gambar 5. Diagram laju untuk model M/M/s
Variasi Antrian Berhingga dari Model M/M/s (Disebut Model M/M/s/K)
. Setiap pelanggan
yang datang saat antrian penuh tidak dapat memasuki sistem sehinggan
meninggalkannya selamanya. Dari sudut pandang proses kelahiran dan kematian,
laju rata-rata masukan ke dalam sistem menjadi nol saat ini. Oleh sebab itu, satu
modifikasi yang diperlukan untuk model M/M/s untuk mempertimbangkan antrian
berhingga adalah dengan mengubah parameter n menjadi :
Oleh karena n = 0 untuk beberapa nilai n, sistem antrian yang sesuai dengan
model ini selalu dapat mencapai kondisi steady-state meskipun pada keadaan =
/(s) > 1.
Model M/G/1
Model M/G/1 menganggap bahwa sistem antrian memiliki satu pelayan dan
proses masukan Poisson (waktu antar kedatangan eksponensial) dengan laju
kedatangan rata-rata tetap sebesar . Seperti biasa juga diasumsikan bahwa
pelanggan mempunyai distribusi probabilitas waktu pelayanan yang independen
dan sama. Akan tetapi tidak ada batasan yang dibuat mengenai jenis distribusi
waktu pelayanan. Secara nyata yang diperlukan hanyalah mengetahui (atau
memperkirakan) rata-rata 1/ dan varian 2 dari distribusi ini.
Model M/D/s
Ketika pelayanan terdiri dari tugas yang secara prinsip sama untuk semua
pelanggan, ada kecenderungan hanya terdapat variasi kecil dalam waktu
pelayanan yang dibutuhkan. Model M/D/s menyediakan representasi yang masuk
akal untuk situasi semacam ini, karena hal ini mengasumsikan bahwa semua
waktu pelayanan adalah konstanta yang sama (distribusi waktu pelayanan
degenerasi) dan mempunyai proses masukan Poisson dengan laju kedatangan rata-
rata .
Model M/Ek/s
Model M/D/s mengasumsikan tidak ada variasi dalam waktu pelayanan
( distribusi waktu pelayanan eksponensial
mengasumsikan variasi yang sangat besar ( ). Di antara kedua kasus
ekstrim ini, terdapat kasus antara (0 < )., tempat sebagian besar distribusi
waktu pelayanan sesungguhnya terletak. Jenis lain distribusi waktu pelayanan
teoritis yang terletak dalam kasus antara ini adalah distribusi Erlang.
JARINGAN ANTRIAN
Sampai sejauh ini, kita hanya mempertimbangkan sistem antrian yang mempunyai
satu fasilitas pelayanan dengan satu atau lebih pelayan. Akan tetapi sistem antrian
yang dijumpai dalam studi penelitian operasional kadang-kadang merupakan
jaringan antrian (queuing network), yaitu jaringan dari fasilitas pelayanan tempat
tempat pelanggan harus menerima pelayanan di beberapa atau keseluruhan
fasilitas tersebut. Sebagai contoh , pekerjaan yang harus diproses dalam job shop
harus melalui urutan kelompok mesin (fasilitas pelayanan). Dengan demikian,
keseluruhan jaringan sangat perlu dipelajari untuk mendapatkan informasi tertentu
seperti ekspetasi waktu tunggu total, ekspetasi jumlah pelanggan dalam sistem
keseluruhan, dan seterusnya.
Jaringan antrian mempunya perhatian khusus pada satu hasil penelitianyang
menjadi dasar bagi jaringan antrian baik mengenai penemuan maupun
pengaruhnya. Hasil dasar tersebut adalah sifat kesetaraan (equivalence property)
untuk proses masukan kedatangan pelanggan dan proses keluaran perginya
pelanggan untuk sistem antrian tertentu.
Sifat kesetaraan ; misalkan sebuah fasilitas pelayanan dengan s pelayan dan
tempat antri tak berhingga memiliki masukan Poisson dengan parameter dan
distribusi waktu pelayanan eksponensial yang sama dengan parameter untuk
setiap pelayan (Model M/M/s), dengan s > . dengan demikian , keluaran steady
state dari fasilitas pelayanan ini juga merupakan proses Poisson dengan parameter
.
Perhatikan bahwa sifat ini tidak mengasumsikan jenis disiplin antrian tertentu.
Apakah FCFS, acak atau disiplin prioritas. Pelanggan yang telah selesai dilayani
akan pergi meninggalkan fasilitas pelayanan sesuai proses Poisson. Pengaruh
penting hasil ini untuk jaringan antrian adalah jika pelanggan harus pergi ke
fasilitas pelayanan lainnya, fasilitas pelayanan kedua juga mempunya masukan
Poisson. Dengan distribusi eksponensial, sifat kesetaraan akan dipakai juga untuk
fasilitas kedua ini, yang menghasilkan masukan Poisson untuk fasilitas ke tiga dan
seterusnya.
Jaringan Jakcson
Sistem dengan antrian tak berhingga secara seri tidak hanya terdiri dari jaringan
antrian dengan model model M/M/s digunakan untuk menganalisis setiap setiap
fasilitas pelayana secara independen dari yang lain. Jenis jaringan yang lain
dengan sifat ini (solusi bentuk perkalian) adalah jaringan Jakcson.
Karakteristik jaringan Jackson sama dengan yang diasumsikan untuk sistem
dengan antrian tak berhingga secara seri di atas, kecuali sekarang pelanggan
mengunjungi fasilitas dengan urutan berbeda (dan mungkin tidak mengunjungi
semua fasilitas). Untuk setiap fasilitas, pelanggan yang datang berasal dari luar
sistem (sesuai proses Poisson) maupun dari fasilitas yang lain.
Referensi
1. Hillier, Frederick and Lieberman, Gerald J. 2005. Introduction to
Operations Research, 8th ed. McGraw-Hill: New York.
2. Taha, Hamdy. 2007. Operation Research : An Introduction, 8th ed.
Pearson Education Inc.: NJ.