Penelitian Operasional 2

Teori Antrian

H. Trinda Farhan Satria, ST, MT

1
 Penurunan Distribusi Kedatangan & Pelayanan
• AKSIOMA-AKSIOMA DASAR.
Aksioma 1 :
Jika N(t) jumlah kedatangan/kepergian selama kurun
waktu (0,t) proses kemungkinan yang menentukan N(t)
mempunyai peningkatan yang stationer.
Aksioma 2 :
Pada setiap interval waktu Δt > 0, ada kemungkinan satu
kedatangan atau kepergian adalah positif tapi tak
tentu adalah : 0 < P{N(Δt) = 1} < 1
Aksioma 3 :
Dalam kurun waktu yang cukup kecil, paling banyak ada satu
kejadian kedatangan atau kepergian sehingga P{N(Δt) ≥ 2}
= 0.
1. Distribusi Kedatangan
(Model Kelahiran Murni)

3
Distribusi Kedatangan (Model Kelahiran Murni)

4
Distribusi Kedatangan (Model Kelahiran Murni)

5
 2. Distribusi Kepergian
(Model Kematian Murni)

6
Distribusi Kepergian (Model Kematian Murni)

7
Distribusi Kepergian (Model Kematian Murni)

8
3. Model Kelahiran – Kematian
(M/M/1) : (FCFS/∞/∞)

9
 Model Kelahiran – Kematian
(M/M/1) : (FCFS/∞/∞)
• Diasumsikan bahwa kedatangan dan kepergian terjadi secara
simultan.
• Proses kelahiran dan kematian menentukan bagaimana terjadinya
perubahan keadaan system N(t) dengan meningkatnya t secara
probabilistic.
• Kemungkinan dari n (n > 0) pelanggan dalam system pada saat
(t+Δt) akan mendekati jumlah dari ketiga kemungkinan ini :
(i). P(n) dalam system saat t, dan selama Δt tidak ada kedatangan
dan kepergian. Pn(t)(1-λΔt)(1-μΔt).
(ii). P(n-1) dalam system saat t, selama Δt terjadi 1 kedatangan
dan tak ada kepergian P(n-1)(t)λΔt(1-μΔt).
(iii).P(n+1) dalam system saat t, selama Δt terjadi 1 kepergian
dan tak ada kedatangan P(n+1)(t)(1-λΔt)(μΔt).
10
 Model Kelahiran – Kematian
(M/M/1) : (FCFS/∞/∞)
Untuk n > 0 :
Pn(t+Δt) ≈ Pn(t)(1-λΔt)(1-μΔt) + Pn-1(t) λΔt(1-μΔt) + Pn+1(t) (1-λΔt) μΔt.
Karena (Δt)→0, maka :
Pn (t+Δt) ≈ Pn(t) - Pn(t) λΔt - Pn(t)μΔt + Pn-1(t) λΔt + Pn+1(t)μΔt
Seperti di atas, jika n = 0, maka :
Pn(t+Δt) ≈ P0(t)(1- λΔt) + P1(t)μΔt(1- λΔt)
≈ P0(t)(1- λΔt) + P1(t)μΔt
Dengan menggunakan limit (Δt) →→0 maka diperoleh :
dPn(t)/dt = λPn-1(t) + μPn+1(t) – (λ+μ)Pn(t), n>0
dP0(t)/dt = -λP0(t) + μ P1(t), n=0
Pada kondisi mapan, t → ∞, jika λ < μ, maka :
dPn(t)/dt →→ 0 dan Pn(t) → Pn untuk n = 0,1,2,…
11
Model Kelahiran – Kematian
(M/M/1) : (FCFS/∞/∞)

12
Model Kelahiran – Kematian
(M/M/1) : (FCFS/∞/∞)

13
4. Model Pelayanan Majemuk
(M/M/c) : (FCFS/∞/∞)

14
Model Pelayanan Majemuk
(M/M/c) : (FCFS/∞/∞)

15
Model Pelayanan Majemuk
(M/M/c) : (FCFS/∞/∞)

16
Model Pelayanan Majemuk
(M/M/c) : (FCFS/∞/∞)

17
5. Model Kapasitas Terbatas
(M/M/1) : (GD/N/∞)

18
 Model Kapasitas Terbatas
(M/M/1) : (GD/N/∞)
• Pada kasus system antrian mempunyai kapasitas terbatas, jumlah
pelanggan dalam system tidak diizinkan melebihi kapasitas sebesar N.
• Jika antrian penuh, pelanggan baru tidak akan memasuki system antrian,
sehingga kecepatan kedatangan rata-rata saat itu dianggap nol.
• Disiplin pelayanan General Discipline (GD) dimaksudkan bahwa hasil yang
diperoleh dapat digunakan untuk ketiga disiplin pelayanan lainnya.
Karenanya model (M/M/c) : (FCFS/∞/∞) dapat digunakan dengan
modifikasi pada parameter λn.
λ untuk n = 0,1,2,…,(N-1)
λn =
0 untuk n > N
• Interpretasi fisiknya adalah luas tempat antrian mempunyai
kapasitas terbatas, misalnya lapangan parker sebuah pusat
pertokoan.
19
Model Kapasitas Terbatas
(M/M/1) : (GD/N/∞)

20
Model Kapasitas Terbatas
(M/M/1) : (GD/N/∞)

21
Model Kapasitas Terbatas
(M/M/c) : (GD/N/∞)

22
Model Kapasitas Terbatas
(M/M/c) : (GD/N/∞)

23
6. Model Sumber Input Terbatas
(M/M/c) : (GD/N/M)

24
 Model Sumber Input Terbatas
(M/M/c) : (GD/N/M)
• Pada kasus input (pelanggan) yang akan masuk system antrian
memiliki jumlah terbatas sebanyak M.
• Ketika jumlah pelanggan dlm system antrian adlh n=0,1,…,M
maka ada (M-n) pelanggan potensial dlm populasi input.
• Aplikasi dari model ini misalnya pada masalah pelayanan mesin
di mana ada operator yang ditugaskan mengoperasikan
kelompok mesin tertentu. Mesin-mesin ini merupakan populasi
input dengan 3 kondisi berikut : 1). Sedang di operasikan
operator (dilayani), 2). Sedang menunggu dilayani dan 3). Sedang
di luar system ketika sedang running.
• Setiap anggota populasi input punya pilihan untuk berada di
dalam atau di luar antrian. Dan waktu yang dilewatkan pelanggan
selama berada di luar system antrian terdistribusi eksponensial
dan parameter λ.
25
Model Sumber Input Terbatas
(M/M/1) : (GD/N/M)

26
Model Sumber Input Terbatas
(M/M/1) : (GD/N/M)

27
Model Sumber Input Terbatas
(M/M/c) : (GD/N/M)

28
7. Model Pelayanan Konstan
(M/D/c) : (GD/∞/ ∞)

29
Model Pelayanan Konstan
(M/D/c) : (GD/∞/∞)

30
 Model Pelayanan Konstan
(M/D/c) : (GD/∞/∞)

• Pada kasus multi server metode analisis lebih rumit, namun

hasil-hasil model ini telah ditabulasi dalam gambar berikut :

31
8. Model Kecepatan Pelayanan dan/atau
Kedatangan Tergantung Keadaan

32
 Model Kecepatan Pelayanan dan/atau
Kedatangan Tergantung Keadaan
• Semua model yang dibahas sebelumnya menggunakan
asumsi bahwa kecepatan pelayanan rata-rata (μ) selalu tetap
dan tidak dipengaruhi oleh berapa pun jumlah pelanggan
yang ada dalam system antrian.
• Kenyataannya, dalam system antrian nyata, saat menghadapi
setumpuk pekerjaan/pelanggan, pemberi layanan cendrung
mempercepat pelayanan dibanding dengan sedikit/kosong.
• Kecepatan layanan meningkat saat antrian makin panjang.
• Sehingga dikembangkan model baru untuk mengakomodir
pola di atas.

33
Model Kecepatan Pelayanan dan/atau
Kedatangan Tergantung Keadaan

34
Model Kecepatan Pelayanan dan/atau
Kedatangan Tergantung Keadaan

35
Model Kecepatan Pelayanan dan/atau
Kedatangan Tergantung Keadaan

36
37
38
Model Kecepatan Pelayanan dan/atau
Kedatangan Tergantung Keadaan

39
 Contoh
Ruang gawat darurat Rumah sakit umum memberikan perawatan
medis yang cepat untuk kasus darurat yang dibawa ke RS. Setiap jam
ada seorang dokter di ruang IGD. RS mengalami peningkatan
pengunjung gawat darurat tiap tahunnya, sehingga banyak pasien yang
harus menunggu giliran untuk mendapatkan pelayanan dokter. Usulan
telah diajukan untuk menugaskan dokter lain pada ruang IGD ini,
sehingga setiap saat ada 2 pasien yg dapat dilayani secara bersamaan.
Pimpinan RS mengumpulkan data historis untuk mengadakan
perbaikkan dengan memandang ruang IGD sebagai system antrian,
kemudian menggunakan beberapa pilihan model antrian untuk
memperkirakan karakteristik antrian dengan 1 dokter dan 2 dokter.
Dari penelitian didapat fakta bahwa kasus gawat darurat muncul secara
acak (poisson) dan waktu yang digunakan dokter untuk melayani
seorang pasien mengikuti distribusi eksponansial.

40
Contoh

41
Contoh

42
43
44
TIA 301 Metode Stokastik 45
 Proses Kelahiran Murni dan Kematian Murni

Contoh: Misalkan bahwa kelahiran dalam suatu keadaan

tersebar sepanjang waktu sesuai distribusi eksponensial
dengan satu kelahiran terjadi setiap 7 menit secara rata-rata.
• Karena waktu antar-kedatangan (antar-kelahiran) rata-rata
adalah 7 menit, maka laju kelahiran dalam keadaan ini
dihitung sebagai :
24 x 60
  205,7 kelahiran / hari
7
• Jumlah kelahiran per tahun diketahui
λt = 205,7 x 365 = 75.080 kelahiran/tahun

46
 Proses Kelahiran Murni dan Kematian Murni
Probabilitas tidak ada kelahiran dalam satu hari tertentu
adalah sebesar :

p0 1   205,7 x1

0
e 205, 7 x1
0
0!

• Rumus antrian yang serupa dengan yang diberikan di atas

umumnya melibatkan perhitungan yang membosankan.
Karena itu, perhitungan ini sebaiknya menggunakan paket
program (misalnya TORA).

47
 Proses Kelahiran Murni dan Kematian Murni
• Tabel berikut memberikan keluaran program TORA untuk
model kelahiran murni dengan λt = (8,57x1) = 8,57. Hasil ini
memberikan pn(t) dan kumulatif pn(t) untuk berbagai nilai n.
Problem title: Example 15.3.1
Scenario 1 – Pure Birth Model

Poisson with λ*t = 8,57000

Values of p(n) for n = 0 to 23, size p(n) < 0,00001
0 0,00019 1 0,00163 2 0,00697 3 0,01990 4 0,04244

5 0,07308 6 0,10439 7 0,12780 8 0,13691 9 0,13036

10 0,11172 11 0,08704 12 0,06216 13 0,04098 14 0,02509

15 0,01433 16 0,00768 17 0,00387 18 0,00184 19 0,00083

20 0,00036 21 0,00015 22 0,00006 23 0,00002

48
 Proses Kelahiran Murni dan Kematian Murni
Cumulative values of p(n) for n = 0 to 23
0 0,00019 1 0,00182 2 0,00878 3 0,02868 4 0,07132
5 0,14441 6 0,24879 7 0,37659 8 0,51350 9 0,64387
10 0,75559 11 0,84263 12 0,90479 13 0,94577 14 0,97086
15 0,98519 16 0,99287 17 0,99674 18 0,99858 19 0,99941
20 0,99977 21 0,99991 22 0,99997 23 0,99999

2. Model Kematian Murni

• Pertimbangkan situasi penyimpanan N unit barang di awal
minggu untuk memenuhi permintaan pelanggan selama
minggu tersebut. Jika diasumsikan bahwa permintaan
pelanggan terjadi dengan laju μ unit per hari & bahwa proses
permintaan tersebut sepenuhnya acak, probabilitas untuk
memperoleh n unit yang tersisa dalam sediaan setelah waktu
t diketahui dengan distribusi truncated Poisson berikut ini :
49
 Proses Kelahiran Murni dan Kematian Murni
p (t ) 
 t  e ,
N n  t

n  1,2,..., N
(Kematian Murni) N  n !
n

p  t   1   p (t )
N
o n
n 1

Contoh 6.3.
• Di awal setiap minggu, 15 unit barang sediaan disimpan untuk
dipergunakan selama minggu tersebut. Penarikan dari sediaan
hanya terjadi selama 6 hari pertama (kantor ditutup pada hari
Minggu) & mengikuti distribusi Poisson dengan mean 3 unit/hari.
Ketika tingkat sediaan mencapai 5 unit, pesanan baru sebesar 15
unit diajukan utk dikirimkan pada awal minggu berikutnya. Karena
sifat barang tersebut, semua unit yang tersisa di akhir minggu
dibuang.
a. Hitunglah probabilitas 5 unit (titik pemesanan ulang) di hari t.
b. Hitunglah probabilitas pengajuan pesanan sebelum & pada hari t.
c. Hitung jumlah unit sediaan rata2 yg akan dibuang di akhir minggu.

50
 Proses Kelahiran Murni dan Kematian Murni
Penyelesaian
Di sini μ = 3 unit per hari, maka:
a. p  t    3t  15 5 3 t
e
, t  1, 2 . 6
,...,
5
15  5
• Menggunakan μt = 3, 6, 9, …, dan 18, maka
t (hari) 1 2 3 4 5 6
μt 3 6 9 12 15 18
p5(t) 0,0008 0,0413 0,1186 0,1048 0,0486 0,015

b. Probabilitas kumulatif untuk memiliki 5 unit atau kurang pada hari t,

adalah:
pn5  t   p0  t   p1  t   ...  p5  t 
c. Jumlah unit yang diperkirakan tersedia di hari 6; yaitu:

E n | t  6   npn  6 
15

n 0

51
Proses Kelahiran Murni dan Kematian Murni
• Diketahui μt = 18, maka
n 0 1 2 3 4 5 6 7 8 9 10 11
pn(6) 0,792 0,0655 0,0509 0,0368 0,0245 0,015 0,0083 0,0042 0,0018 0,0007 0,0002 0,0001

• Dan pn(6) ≈ 0 untuk n = 12, 13, 14, dan 15. Jadi,

dengan menghitung rata-rata, kita memperoleh:
• E{n|t=6} = 0,5537 unit.
• Ini berarti bahwa, secara rata-rata, kurang dari satu
unit akan dibuang di akhir setiap minggu.

52
 Latihan
1. Menggunakan Contoh 6.1, tentukan:
• Jumlah kerusakan rata-rata dalam 1 minggu dengan
asumsi bahwa mesin tersebut dipergunakan 24 jam
sehari.
• Probabilitas terjadi setidaknya satu kerusakan dalam
periode 24 jam.
2. Menggunakan Contoh 6.2, anggaplah bahwa seorang
petugas yang memasukkan informasi dari akte
kelahiran tersebut ke computer umumnya menunggu
sampai setidaknya terkumpul lima akte. Berapa
probabilitas bahwa petugas tersebut akan memasukkan
sekelompok akte baru setiap jam?

53
3. Menggunakan Contoh 6.3, tentukan
• Probabilitas bahwa sediaan akan habis setelah 3 hari.
• Probabilitas bahwa sebuah unit sediaan akan ditarik
pada akhir hari keempat dengan diketahui bahwa unit
terakhir ditarik pada hari ketiga.
• Probabilitas bahwa waktu yang tersisa sampai penarikan
berikutnya adalah paling banyak 1 hari dengan diketahui
bahwa penarikan terakhir terjadi satu hari sebelumnya.
• Sediaan rata-rata yang disimpan di akhir hari kedua.
• Probabilitas bahwa tidak ada penarikan yang terjadi
selama hari pertama.

54
 SINGLE CHANNEL MODEL

Model yang paling sederhana yaitu model saluran tunggal atau

sistem M/M/1

1. Populasi input tak terbatas

2. Distribusi kedatangan pelanggan potensial mengikuti
distribusi poisson
3. Disipliln pelayanan mengikuti FCFS
4. Fasilitas pelayanan terdiri dari saluran tunggal
5. Distribusi pelayanan mengikuti distribusi poisson
6. Kapasitas sistem diasumsikan tak terbatas
7. Tidak ada penolakan maupun pengingkaran
 Persamaan
λ
1 P
μ
2 Pn  P n (1  P)
P λ
3 L 
1- P μ-λ
λ2 P2
4 Lq  
μ(μ - λ) 1- P
1
5 W
μ-λ
λ
6 Wq 
μ(μ - λ)
Contoh
PT CIARD mengoperasikan satu buah pompa bensin dengan satu operator. Rata-rata
tingkat kedatangan kendaraan mengikuti distribusi poisson yaitu 20 kendaraan per
jam. Operator dapat melayani rata-rata 25 mobil per jam, dengan waktu pelayanan
setiap mobil mengikuti distribusi probabilitas eksponensial. Jika diasumsikan model
sistem antrian yang digunakan operator tersebut (M/M/1), hitunglah :
1. Tingkat intensitas (kegunaan) pelayanan (p)
2. Jumlah rata-rata kendaraan yang diharapkan dalam sistem
3. Jumlah kendaraan yang diharapkan menunggu dalam antrian
4. Waktu yang diharapkan oleh setiap kendaraan selama dalam sistem
(menunggu pelayanan)
5. Waktu yang diharapkan oleh setiap kendaraan untuk menunggu dalam antrian

Fasilitas
Pelayanan

s
Kedatangan Mobil antri menunggu Mobil Keluar
mobil, 15 per pelayanan 1 pompa bensin
jam melayani 20 mobil per
jam
SPBU CIARD
Penyelesaian
λ = 20 dan µ = 25
1. Tingkat intenstas (kegunaan) pelayanan atau p
λ 20
p   0,80
μ 25
Angka tersebut menunjukkan bahwa operator akan sibuk melayani
kendaraan selama 80% dari waktunya. Sedangkan 20% dari waktunya
(1 – p) yang sering disebut idle time akan digunakan operator untuk
istirahat, dll
λ 20
2 L   4, atau
μ - λ 25  20
p 0,80
L  4
1 - p 1  0,80

Angka tersebut menunjukkan bahwa operator dapat mengharapkan 4 mobil

yang berada dalam sistem
3 λ2 (20) 2 400
Lq     3,20
μ(μ - λ) 25(25  20) 125
Angka tersebut menunjukkan bahwa mobil yang menunggu untuk dilayani
dalam antrian sebanyak 3,20 kendaraan

4 1 1 1
W    0,20 jam atau 12 menit
μ - λ 25  20 25
Angka tersebut menunjukkan bahwa waktu rata-rata kendaraan menunggu
dalam sistem selama 12 menit

5 λ 20 20
Wq     0,16 jam atau 9,6 menit
μ(μ - λ) 25(25  20) 125
Angka tersebut menunjukkan bahwa waktu rata-rata kendaraan menunggu
dalam antrian selama 9,6 menit
Hubungan antara L, Lq, W dan Wq

• L =λW
• Lq = λ Wq
• W = Wq + 1/µ
 MULTIPLE-CHANNEL MODEL
(M/M/s)

Dalam Multiple-Channel Model, fasilitas yang

dimiliki lebih dari satu. Huruf (s) menyatakan
jumlah fasilitas pelayanan
 Contoh
Sebuah rumah sakit memiliki ruang gawat darurat (RGD) yang berisikan tiga bagian
ruangan yang terpisah untuk setiap kedatangan pasien. Setiap ruangan memiliki satu
orang dokter dan satu orang jururawat. Secara rata-rata seorang dokter dan jururawat
dapat merawat 5 orang pasien per jam. Apabila pasien yang dihadapi hanya luka-
luka ringan, mereka dapat melayani 12 pasien per jam. Laporan pihak statistik
pasien pada rumah sakit tersebut menunjukkan bahwa kedatangan dan penyelesaian
pelayanan mengikuti distribusi Poisson.

Sistem : (M/M/3)
λ = 12 s=3
µ=5 s
p = 12/3(5) = 0,8
s
Pasien menunggu
ddalam antrian untuk s
Pasien datang Pasien pergi
berobat
(rata-rata 12 3 saluran pelayanan
setelah menerma
pasien per jam) 1 team mengobati rata-
rata 15 pasien perjam pengobatan

Model UGD
µ = rata-rata tingkat pelayanan untuk setiap fasilitas pelayanan
λ
p Lq
μs Wq 
λ
 λ n λ s 
 s-1 μ( ) ( )  1
μ  W  Wq 
Po     μ
 n 0 n! λ
s!(1 - ) 
 sμ  λ
L  λW  Lq 
μ
 ( μλ ) n
 n! ( Po ), jika 0  n  s
Pn   λ n
( )
 μ ( Po ), jika n  s
 s!s n-s
λ
Po ( ) s p
μ
Lq  2

s!(1 - p)
Penyelesaian :

λ s
Po ( ) p 0,20(12 )5 (12 )
μ 5 15 0,20(13,824)(0,80)
Lq   
s!(1 - p) 2
12 6(0,04)
3!(1 - ) 2
15
2,21184
Lq   9,216 pasien
0,24
Lq 9,216
Wq    0,768 jam atau 46 menit
λ 12
1 1
W  Wq   0,768   0,968 jam atau 58 menit
μ 5
L  λW  12(0,968)  11,62
 Model Networks
Sistem Seri

Subsistem 1 Subsistem 2

Sistem Paralel