Teori Antrian
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/∞/∞)
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
46
Proses Kelahiran Murni dan Kematian Murni
Probabilitas tidak ada kelahiran dalam satu hari tertentu
adalah sebesar :
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
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
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
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
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
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
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)
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