Professional Documents
Culture Documents
Pendahuluan
Teori antrian adalah teori yang menyangkut studi matematis dari antrian -
antrian atau baris baris penungguan.
Contoh contoh kasus antrian :
1. Para pembelanja yang berdiri didepan kounter di supermarket.
2. Mobil-mobil yang menunggu di lampu merah.
3. Pasien yang menunggu diklinik rawat jalan.
4. Pesawat yang menunggu lepas landas dibandara udara.
5. mesin-mesin rusak yang menunggu untuk diperbaiki oleh petugas
perbaikan mesin.
6. Surat yang menunggu diketik oleh seorang sekretaris.
7. Program yang menunggu untuk diproses oleh komputer digital.
Fenomena menunggu adalah hasil langsung dari keacakan dalam operasi
sarana pelayanan secara umum, kedatangan pelangan dan waktu pelayanan
tidak diketahui sebelumnya karena jika bisa diketahui, pengoperasian sarana
tersebut dapat dijadwalkan sedemikian rupa sehingga akan sepenuhnya
menghilangkan keharusan untuk menunggu.
Tujuan mempelajari pengoprasian sebuah sarana pelayanan dalam kondisi
acaka dalah untuk memperoleh beberapa karakteristik yang mengukur kinerja
sistem yang sedang dipelajari.
Dalam model antrian, interaksi antara pelanggan dan pelayan adalah
berkaitan dengan periode waktu yang diperoleh pelanggan untuk menyelesaikan
sebuah pelayanan, dalam antrian kedatangan pelanggan umumnya disebut
sebagai distribusi kedatangan (arrival distribution) dan distribusi waktu
pelayanan (service time distribution)
Faktor faktor penting dalam pengembangan model antrian :
• Cara memilih pelanggan dari antrian untuk memulai pelayanan
¾ FCFS ( first come first served)
Model simulasi Create by Luke
Ketiga kondisi diatas menjabarkan sebuah proses dimana julah kejadian selama
satu interval waktu yang diberikan adalah Poisson, dan karena itu interval waktu
antara beberapa kejadian yang berturut turut adalah eksponensial. Dengan
kasus demikian, kita katakan bahwa kondisi kondisi tersebut mewakili proses
Poisson.
Didefinisikan :
p0(t + h) = p0(t)p0(h)
Untuk h > 0 dan cukup kecil, kondisi 2 menunjukan bahwa 0 < p0(h) < 1
berdasarkan kondisi ini, persamaan diatas memiliki pemecahan :
∫ f (t )dt = p (T )
T
0
Model simulasi Create by Luke
∫ f (t ) dt = e
−αt
, T>0
T
atau
∫ f (t ) dt = 1 − e
−α t
,T>0
T
yang merupakan sebuah disrtibusi eksponensial dengan mean E{t} = 1/α unit
waktu.
(αt)n e−αt
pn (t) = , n = 0, 1, 2, … (Poisson)
n!
Nilai mean dari n selama periode waktu tertentu t adalah E{n|t} = αt kejadian. Ini
berarti bahwa α mewakili laju timbulnya kejadian.
Kesimpulan dari hasil diatas adalah bahwa interval waktu antara beberapa
kejadian yang berturut turut adalah eksponensial dengan mean 1/ α unit waktu,
maka jumlah kejadian dalam satu periode waktu tertentu pastilah poisson
dengan laju pemunculan rata-rata(kejadian per unit waktu) α , demikian pula
sabaliknya.
Model simulasi Create by Luke
Ciri unik dari distribusi poisson adalah bahwa ini merupakan satu satunya
distribusi dengan mean sama dengan variannya.
Contoh soal :
Sebuah mesin selalu memiliki unit cadangan untuk digunakan sebagai pengganti
jika terjadi kerusakan. Waktu kerusakan mesin atau unit cadangannya itu adalah
ekponensial dengan mean 10 jam. Kerusakan terjadi dengan laju 0.1 kejadian
perjam, berapakah probabilitas kerusakan terjadi dalam 5 jam ?
Jawab
(0.1T)n e−0.1T
pn (T) = n = 0, 1, 2, 3, . . .
n!
Anggaplah kita akan menghitung probabilitas bahwa kerusakan akan terjadi
dalam 5 jam. Probabilitas ini diketahui :
5
P{t < 5} = ∫ f (t )dt
0
= 1 – e-0.5 = 0.393
Model simulasi Create by Luke
Alternatif lain, probabilitas bahwa kegagalan akan terjadi setelah 6 jam dari
sekarang dengan diketahui kerusakan terakhir terjadi 3 jam yang lalu,
memanfaatkan sifat forgetfullnes dari distribusi eksponensial dan diketahui :
(αt)n e−αt
pn (t) = ,
n!
P{t > T }= ∫
T
f (t ) dt = e −αt
∫ 0.1e
− 0.1t
P{t > 24 } = dt = e − 2.4
T
Contoh Soal :
Sebuah mesin selalu memiliki unit cadangan untuk digunakan sebagai pengganti
jika terjadi kerusakan. Waktu kerusakan mesin atau unit cadangannya itu adalah
Model simulasi Create by Luke
ekponensial dengan mean 15 jam. Kerusakan terjadi dengan laju 0.2 kejadian
perjam ditanyakan :
Jika kerusakan terjadi setelah 8 jam dari sekarang dan dengan diketahui
bahwa kerusakan terjadi 4 jam yang lalu, tentukan probabilitasnya
Para pelanggan tiba dan tidak pernah kembali lagi atau disebut kelahiran
murni (pure birth)
Pertimbangkan situasi pengeluaran akte kelahiran untuk bayi bayi yang baru
lahir. Akte kelahiran ini umumnya disimpan dikantor pusat yang diadministrasi
oleh instansi pemerintah. Terdapat alas an untuk mempercayai bahwa kelahiran
bayi bayi yang baru, dan karena itu pengeluaran akte kelahiran, merupakan
proses yang sepenuhnya acak yang dapat dijabarkan dengan distribusi posison.
Dengan materi sebelumnya dan mengasumsikan bahwa λ adalah laju
pengeluaran akte kelahiran, proses kelahiran murni untuk memiiki n
kedatangan(akte kelahiran) selama periode t dapat dijabarkan dengan distribusi
poison berikut ini :
Model simulasi Create by Luke
(λt)n e−λt
pn (t) = , n = 0, 1, 2, … (Kelahiran murni)
n!
dimana λ adalah laju kedatangan per unit waktu dengan jumlah kedatangan
yang diperkirakan selama t sebesar λt
Contoh :
Jawab
Karena waktu antara kedatangan(antar kelahiran) rata rata adalah 7 menit, laju
kelahiran dalam keadaan ini dihitung sebagai :
24 x60
λ= = 205,7 kelahiran/hari
7
Probabilitas tidak adanya kelahiran dalam satu hari tertentu adalah sebesar
(205.7x1)0 e−205.7x1
p0 (1) = ≈0
0!
anggaplah bahwa kita ingin menghitung probabilitas pengeluaran 45 akte
kelahiran diakhir periode yang terdiri dari 3 jam dengan diketahui bahwa 35 akte
dikeluarkan dalam 2 jam pertama. Kita amati bahwa karena kelahiran terjadi
sesuai proses poisson, probabilitas yang diperlukan berkurang 45 – 35 = 10
Model simulasi Create by Luke
(8.57x1)0 e−8.57x1
p10 (1) = = 0.11172
0!
Rumus antrian serupa dengan yang diberikan diatas umumnya melibatkan
perhitungan yang membosankan, karena itu perhitungan ini digunakan program
komputer yang bias memodel kan masalah berikut. Hasil yang akan dilihat
adalah pn(t) dan kumulatif pn(t) untuk berbagai nilai n.
( μt ) N − n e− μt
pn (t ) = , n = 1, 2, …, N
( N − n)!
N
pn (t) = 1− ∑ pn (t) ( Kematian Murni )
n=1
Contoh :
15 unit diajukan untuk dikirimkan pada awal minggu berikutnya. Karena sifat
barang tersebut, semua unit yang tersisa diakhir minggu dibuang.
Jawab.
Kita dapat menganalisis situasi ini dengan sejumlah cara. Seperti kita mengenali
bahwa laju konsumsi adalah μ = 3 unit per hari. Anggaplah kita berminat untuk
menghitung probabilitas 5 unit(titik pemesanan ulang) di hari t, yaitu
( 3t )15 − 5 e − 3 t
p 5 (t ) = , t = 1, 2, …, 6
(15 − 5 )!
sebagai ilustrasi dari perhitungan ini, hasil yang diperoleh secara komputer :
dengan menggunakan μt = 3, 6, 9, …dan 18.
.t(hari) 1 2 3 4 5 6
μt 3 6 9 12 15 18
Catat bahwa p5(t) mewakili probabilitas pengajuan pemesanan ulang pada hari
t. probabilitas ini memuncak di t = 3 daan lalu menurun sementara kita berlanjut
melewati minggu tersebut. Jika kita berminat untuk menghitung probabilitas
pemesanan ulang sebelum dan pada hari t, kita harus menghitung probabilitas
kumulatif untuk memiliki 5 unit atau kurang pada hari t, yaitu :
.t(hari) 1 2 3 4 5 6
μt 3 6 9 12 15 18
Kita dapat melihat dari table bahwa probabilitas pengajuan pesanan sebelum
dan pada hari t meningkat secara monoton dengan t.
Satu butir informasi lain yang penting dalam menganalisis situasi ini adalah
menentukan jumlah unit sediaan rata-rata yang akan dibuang diakhir minggu. Ini
dilakukna dengan menghitung jumlah unit yang diperkirakan tersedia dihari 6;
yaitu :
15
E{n| t = 6 } = ∑ np (6)
n=0
n
n 0 1 2 3 4 5 6 7 8 9 10 11
Pn( .079 .065 .050 .036 .024 .01 .008 .004 .001 .000 .000 .000
6) 2 5 9 8 5 5 3 2 8 7 2 1
Dan pn(6) ≅ 0; untuk n = 12, 13, 14 dan 15 jadi dengan menghitung rata rata kita
memperoleh :
Ini berarti bahwa, secara rata rata, kurang dari satu unit akan dibuang pada
setiap akhir minggu.