You are on page 1of 14

BAB II

TINJAUAN PUSTAKA
2.1. Definisi Arena
Arena adalah sebuah program penyhusun model dan juga merupakan simulator.
Arena masuk dalam kategori high level program karena bersifat sangat interaktif. Pda Arena
dibutuhkan pengetahuan mengenai sistem yang akan diamati sebelum memodelkannya.
Software ARENA adalah sebuah software simulasi yang diterbitkan oleh Sistem Modelling
Corp. Software arena ini berbasis pada object oriented. ARENA menyediakan alternatif dan
template yang interchangeble dari model simulasi grafik dan model simulasi analisis yang
dapat dikombinasikan untuk menciptakan model-model simulasi yang cukup luas dan
bervariasi.
Software arena ini menganut sistem drag & drop dan memiliki kemampuan animasi 2
dimensi.ARENA juga memiliki tingkat kompatibilitas yang baik. Kemampuan animasinya
dapat ditunjang oleh file-file dari AutoCad.
Software ARENA di spesialisasikan untuk menyelesaikan masalah-masalah Simulasi Sistem
Diskret. Kelebihan lain dari ARENA adalah memiliki kemampuan pengolahan data statistik,
walaupun tidak begitu lengkap.Dengan menggunakan software ini akan menghemat biaya
besar sebelum melakukan perubahan atau memecahkan suatu model.
2.2.Teori Antrian
Teori antrian adalah teori yang menyangkut studi matematis dari antrian-antrian atau baris-
baris penungguan. Fenomena menunggu adalah hasil langsung dari keacakan dalam operasi
sarana pelayanan secara umum, kedatangan pelanggan dan waktu pelayanan tidak diketahui
sebelumnya karena jika bisa diketahui, pengoperasian sarana tersebut dapat dijadwalkan
sedemikian rupa sehingga akan sepenuhnya menghilangkan untuk menunggu.
Antrian timbul karena adanya ktidakseimbangan antara yang dilayani dengan pelayanannya.
Teori antrian pertama kali dikemukakan oleh A.K. Erlang, seorang ahli matematika bangsa
Denmark tahun 1913 dalam bukunya Solution of Some Problem in the Theory of
Probability of Significance in Automatic Telephone Exchange.
Tujuan penggunaan teori antrian adalah untuk merancang fasilitas pelayanan, untuk
mengatasi permintaan pelayanan yang berfluktuasi secara random dan menjaga
keseimbangan antara biaya (waktu menganggur) pelayanan dan biaya (waktu) yang
diperlukan selama antri.
Pelopor teori antrian adalah A.K Erlang, seorang insinyur asal Denmark yang
mengemukakan hal tersebut pada tahun 1909. Ia bekerja di perusahaan telepon dan
melakukan percobaan yang melibatkan fluktuasi permintaan sambungan telepon serta
pengaruhnya pada peralatan telepon switching. Akan tetapi sebelum perang dunia kedua,
studi awal tentang hal tersebut sudah berkembang secara umum. Tujuan umum teori antrian
adalah meminimalkan biya pengadaan fasilitaas dan waktu tunggu.
http://nurrahmanarif.wordpress.com/2010/11/06/sistem-antrian/
2.3. Sistem Antrian

2.3.1. Proses pada Antrian
1. Proses stochastic atau Proses Discrete-State atau Continuous State
Proses discrete state memiliki bilangan nilai yang terbatas atau dapat dihitung. Sebagai
contoh jumlah job dalam sistem n(t) hanya dapat menggunakan nilai 0, 1,..n. Waktu tunggu
di lain pihak dapat mengambil semua nilai pada garis hitung nyata. Maka proses ini
merupakan proses yang berkelanjutan. Proses discrete-state stochastic sering pula disebut
rantai stochastic.
2. Proses Markov
Jika state pada masa yang akan datang dari proses itu tidak tergantung pada masa yang
telah lalu dan hanya tergantung pada masa sekarang saja, proses ini disebut Proses Markov.
Pengetahuan state proses pada masa sekarang ini harus memadai. Proses discrete state
Markov disebut rantai Markov. Untuk memprediksi proses Markov selanjutnya yang ada di
masa datang diperlukan pengetahuan state yang sedang berlangsung saat ini. Tidak
dibutuhkan pengetahuan berapa lama proses terjadi di masa sekarang ini. Hal ini
memungkinkan jika waktu state menggunakan distrtibusi eksponensial (memoryless). Ini
akan membatasi aplikabilitas proses Markov.
3. Proses Birth-death
Area diskrit proses Markov dimana transisi jadi terlarang bagi state lain di sekelilingnya,
disebut proses birth death. Untuk proses ini memungkinkan untuk merepresentasikan state
dengan suatu integer dimana proses pada state n dapat berubah hanya ke state n+1 atau n-1.
Sebagai contoh adalah jumlah job dalam antrian. Kedatangan job dalam antrian (birth)
menyebabkan state berubah menjadi +1 (plus satu), dan keberangkatan dari antrian karena
telah sampai waktunya mendapatkan layanan (death) menyebabkan state berubah menjadi -
1 (minus satu).
4. Proses Poisson
Jika waktu interarrival IID dan distribusi eksponensial tercapai, jumlah kedatangan dari n
berlangsung dalam interval (t, t+x) berarti memiliki distribusi Poisson, dan oleh karena itu
proses kedatangan diarahkan pada proses Poisson atau aliran Poisson. Aliran Poisson sangat
populer dalam teori antrian karena kedatangan biasanya memoryless sebagai waktu
interarrival terdistribusi secara eksponensial.
5. Proses Markov
Apabila suatu kejadian tertentu dari suatu rangkaian eksperimen tergantung dari
beberapa kemungkinan kejadian , maka rangkaian eksperimen tersebut disebut Proses
Stokastik.
Markov Chain sangat berkaitan erat dengan teori probabilitas. Untuk memberikan
dasar analisis terlebih dahulu kita harus mengetahui asumsi, definisi, sampai beberapa
teorema yang diperlukan. Maka masalah yang akan dalam makalah ini adalah apakah proses
stokastik itu yang merupakan dasar dari Markov Chain, bagaimana prinsip dasar, teorema
yang berlaku, statys-status Markov Chain, lalu bagaimana penerapan atau aplikasinya


2.3.2. komponen Dasar daalam Sistem Antrian
a. Kedatangan http://www.scribd.com/syaifurrahman/d/53251455/17-J-Model-Simulasi

Pola kedatangan para pelanggan dicirikan oleh waktu antar kedatangan, yakni waktu antara
kedatangan dua pelanggan yang berurutan pada suatu fasilitas pelayanan. Pola ini dapat
deterministik (yakni, diketahui secara pasti) atau berupa suatu variabel acak yang distribusi
probabilitasnya dianggap telah diketahui. Pola ini dapat bergantung pada jumlah pelanggan
yang berada dalam sistem, atau tidak bergantung pada keadaan system antrian ini. Para
pelanggan datang satu per satu atau secara berombongan. Bila tidak disebutkan secara
khusus, maka anggapan standarnya adalah bahwa semua pelanggan tiba satu per satu.
b. Pelayanan
Pola pelayanan dicirikan oleh waktu pelayanan (service time), yakni waktu yang dibutuhkan
seorang pelayan untuk melayani seorang pelanggan. Waktu pelayanan dapat bersifat
deterministik, atau berupa suatu variabel acak yangdistribusi probabilitasnya dianggap telah
diketahui. Para pelanggan dapat dilayani oleh satu pelayan atau membutuhkan suatu
barisan pelayan. Bila tidak disebutkan secara khusus, maka anggapan dasarnya adalah
bahwa satu pelayan saja dapat melayani secara tuntas urusan seorang pelanggan.
c. Fasilitas pelayanan
Fasilitas pelayanan berkaitan erat dengan bentuk baris antrian, yaitu :
1) Bentuk series, dalam satu garis lurus ataupun garis melingkar
2) Bentuk paralel, dalam beberapa garis lurus yang antara yang satu dengan yang lain
paralel
d. Disiplin Antrian
Disiplin antrian adalah aturan dimana para pelanggan dilayani, atau disiplin pelayanan
(service discipline) yang memuat urutan (order) para pelanggan menerima layanan. Aturan
pelayanan menurut urutan kedatangan dapat didasarkan pada :
1) Pertama Masuk Pertama Keluar (FIFO)
FIFO (First In First Out) merupakan suatu peraturan di mana yang akan
dilayani terlebih dahulu adalah pelanggan yang datang terlebih dahulu.
Contohnya dapat dilihat pada antrian di loket-loket penjualan karcis
kereta api

2) Yang Terakhir Masuk Pertama Keluar (LIFO)
LIFO (Last In First Out) merupakan antrian dimana yang datang paling akhir adalah yang
dilayani paling awal. Contohnya adalah pada sistem
bongkar muat barang di dalam truk, dimana barang yang masuk terakhir
justru akan keluar terlebih dahulu

3) Pelayanan Dalam Urutan Acak (SIRO)
SIRO (Service In Random Order) dimana pelayanan dilakukan secara
acak. Contohnya pada arisan, dimana pelayanan atau service dilakukan
berdasarkan undian (random)

4) Pelayanan Berdasarkan Prioritas (PRI)
Pelayanan didasarkan pada prioritas khusus. Contohnya dalam suatu pesta
di mana tamu-tamu yang dikategorikan VIP akan dilayani lebih dahulu
e. Kapasitas Sistem
Kapasitas sistem adalah jumlah maksimum pelanggan, mencakup yang sedang dilayani dan
yang berada dalam antrian, yang dapat ditampung oleh fasilitas pelayanan pada saat yang
sama. Sebuah sistem yang tidak membatasi jumlah pelanggan di dalam fasilitas
pelayanannya memiliki kapasitas tak terhingga, sedangkan suatu sistem yang membatasi
jumlah pelanggan memiliki kapasitas berhingga.
f. Sumber Pemanggil
Dalam fasilitas pelayanan, yang berperan sebagai sumber pemanggilan dapat berupa mesin
maupun manusia. Bila ada sejumlah mesin yang rusak maka sumber pemanggilan akan
berkurang dan tidak dapat melayani pelanggan. Jadi masalahnya adalah apakah
1) Sumber pemanggilan terbatas (finite calling source)
2) Sumber pemanggilan tidak terbatas (infinite calling source)
http://lulu.blog.uns.ac.id/tag/antrian/
http://www.scribd.com/syaifurrahman/d/53251455/17-J-Model-Simulasi




2.4. Bilangan Acak

Bilangan acak adalah bilangan sembarang tetapi tidak sembarangan. Kriteria yang harus
dipenuhi, yaitu :
- Bilangan acak harus mempunyai distribusi serba sama (uniform)
Beberapa bilangan acak yang diambil harus mempunyai peluang terambil sama
besar.
- Masing-masing bilangan acak tidak saling tergantung atau independence
Bilangan acak ini disimbolkan dengan U, dan nilainya dari 0 sampai dengan 1, maka
dinyatakan dalam U(0,1). Berbagai cara untuk mendapatkan bilangan acak, bisa dengan
tabel bilangan acak, komputer (misal dengan Ms. Excel) atau menggunakan metode
bilangan acak.


2.4.1. Metode ntuk Mendapatkan Bilangan Acak
Metode untuk mendapatkan bilangan acak :
1. Metode Kongruen Campuran
Rumus : Zi = (aZi-1 + c) mod m
Dengan
a : konstanta pengali ( a < m )
c : konstanta pergeseran ( c < m )
m : konstanta modulus ( > 0 )
Z0 : bilangan awal ( bilangan bulat 0 , Z0 < m )
Ui : bilangan acak ke i dan Ui(0,1) = Zi / m
i
Z
i m a c
Z
i+1 Ui
0 7 16 5 3 6 0.3750
1 6 16 5 3 1 0.0625
2 1 16 5 3 8 0.5000
3 8 16 5 3 11 0.6875
4 11 16 5 3 10 0.6250
5 10 16 5 3 5 0.3125
6 5 16 5 3 12 0.7500
7 12 16 5 3 15 0.9375
8 15 16 5 3 14 0.8750
9 14 16 5 3 9 0.5625
10 9 16 5 3 0 0.0000
11 0 16 5 3 3 0.1875
12 3 16 5 3 2 0.1250
13 2 16 5 3 13 0.8125
14 13 16 5 3 4 0.2500
15 4 16 5 3 7 0.4375
16 7 16 5 3 6 0.3750

Kita lihat pada tabel , U
17
mempunyai nilai yang sama dengan U
1
. Jika kita
menginginkan bilangan acak dalam jumlah yang banyak, maka nilai m hendaknya
sebesar 2
b
dengan b adalah jumlah bit pada komputer yang akan digunakan.

2. Metode Multiplikatif
Rumus : Zi = (aZi-1 ) mod m
Dengan
a : konstanta pengali
m : konstanta modulus
Z0 : bilangan awal
Ui : bilangan acak ke i dan Ui(0,1) = Zi / m
i Zi m a Zi+1 Ui
0 12357 128 19 31 0.2422
1 31 128 19 77 0.6016
2 77 128 19 55 0.4297
3 55 128 19 21 0.1641
4 21 128 19 15 0.1172
5 15 128 19 29 0.2266
6 29 128 19 39 0.3047
7 39 128 19 101 0.7891
8 101 128 19 127 0.9922
9 127 128 19 109 0.8516

VARIABEL ACAK DAN FUNGSI DISTRIBUSI PROBABILITAS

Variabel acak (random variable):
variabel yang nilainya ditentukan oleh hasil sebuah eksperimen. Yaitu, variabel acak
merepresentasikan hasil yang tidak pasti..

Variabel acak diskrit:
variabel acak yang nilainya dapat dicacah (dihitung).
Contoh:
- Jumlah pembeli yang memasuki sebuah toko.
- Jumlah televisi yang terjual pada periode tertentu.

Variabel acak kontinu:
Variabel acak yang nilainya tidak dapat dicacah.
Contoh:
- Perpanjangan pegas jika ditarik.
- Berat segenggam strawberry.

Bilangan Acak yang akan dipergunakan dalam simulasi, harus mempunyai pola yang sama
dengan pola data pengamatan. Dikarenakan hal diatas, maka dari bilangan acak yang
didapat harus dibangkitkan bilangan acak yang sesuai pola distribusi

2.4.2. Macam-macam Distribusi
Distribusi Diskrit

a. Distribusi prob uniform diskrit
Algoritma
1. Bangkitkan U(0,1)
2. Dapatkan X = a+(b-a+1)*U
Contoh
Sebuah perusahaan bakery membuat suatu kelompok jenis donat yang dijual ke
toko-toko dengan distribusi diskrit uniform dengan kebutuhan harian maksimum 100
unit dan minimum 40 unit.
Tentukan bilangan acak dari distribusi diskrit uniform dengan a = 77 z
0
= 12357 dan
m = 128

Bangkitkan U dengan metode multiplikatif
iterasi a m z
i
z
i
U
0 77 128 12357 1 0.0078 40.48 40
1 77 128 1 77 0.6016 76.70 77
2 77 128 77 41 0.3203 59.54 60
3 77 128 41 85 0.6641 80.51 81
4 77 128 85 17 0.1328 48.10 48
5 77 128 17 29 0.2266 53.82 54
6 77 128 29 57 0.4453 67.16 67
7 77 128 57 37 0.2891 57.63 58
8 77 128 37 33 0.2578 55.73 56
9 77 128 33 109 0.8516 91.95 92
X



b. Distribusi Poisson
Algoritma
1. Hitung a=

e , b =1 dan i =0
2. Bangkitkan Ui+1= U(0,1)
3. Ganti b = bUi+1
4. Jika b<a maka dapatkan X = i dan jika tidak lanjutkan ke langkah 5
5. Ganti i = i+1 kembali ke langkah 2
Contoh:
Suatu kejadian berdistribusi poisson dengan rata-rata 3 kejadian perjam dan terjadi
selama periode waktu 1,4 jam.
Tentukan bilangan acak dari distribusi poisson dengan a = 17 z
0
= 12357 dan m =
1237
3
bangkitkan U dengan metode multiplikatif
n U a b i X
0.0498 1.0000 0
1 0.8213 0.0498 0.8213 1
2 0.3678 0.0498 0.3021 2
3 0.2530 0.0498 0.0764 3
4 0.3015 0.0498 0.0231 3.00
0.0498 1.0000 0
5 0.1261 0.0498 0.1261 1
6 0.1439 0.0498 0.0181 1.00
0.0498 1.0000 0
7 0.4462 0.0498 0.4462 1
8 0.5861 0.0498 0.2615 2
9 0.9636 0.0498 0.2520 3
10 0.3816 0.0498 0.0962 4
11 0.4867 0.0498 0.0468 4.00
0.0498 1.0000 0
12 0.2732 0.0498 0.2732 1
13 0.6451 0.0498 0.1763 2
14 0.9669 0.0498 0.1704 3
15 0.4365 0.0498 0.0744 4
16 0.4212 0.0498 0.0313 4.00
0.0498 1.0000 0
17 0.1601 0.0498 0.1601 1
18 0.7211 0.0498 0.1154 2
19 0.2587 0.0498 0.0299 3 3.00
=
= t



c. Distribusi Binomial

Metode transformasi dari distribusi binomial
Dengan mempergunakan fungsi densitas binomial yang dinyatakan dengan :

k n k
p p
k
n
k f

|
|
.
|

\
|
= ) 1 ( ) ( , k = 0,1, 2 .. n

F(x) =

=
x
0 k
) k ( f

Contoh
Dari suatu distribusi binomial, diketahui p =0,5 dan n =2.
Tentukan bilangan acak dari distribusi binomial dengan a = 77 z
0
= 12357 dan m =
127.
Mencari batasan bilangan acak
n k p komb f(k) X
2 0 0.5 1 0.25 0.00 - 0.25 0
2 1 0.5 2 0.50 0.25 - 0.75 1
2 2 0.5 1 0.25 0.75 - 1.00 2
batasan

Bangkitkan U dengan metode multiplikatif
iterasi a m z
i
z
i+1
U X
0 77 127 12357 5 0.0394 0
1 77 127 5 4 0.0315 0
2 77 127 4 54 0.4252 1
3 77 127 54 94 0.7402 1
4 77 127 94 126 0.9921 2
5 77 127 126 50 0.3937 1
6 77 127 50 40 0.3150 1
7 77 127 40 32 0.2520 1
8 77 127 32 51 0.4016 1
9 77 127 51 117 0.9213 2

d. Distribusi Geometri
Algoritma
1. Bangkitkan U(0,1)
2. Dapatkan X = ln(U)/ln(1-p)
e. Contoh
f. Pada seleksi karyawan baru sebuah perusahaan terdapat 30 % pelamar yang sudah
mempunyai keahlian komputer tingkat advance dalam pembuatan program. Para
pelamar diinterview secara insentif dan diseleksi secara acak.
g. Tentukan bilangan acak dengan a = 43, m = 1237 dan z
0
= 12357.
p = 0.3
q = 0.7
bangkitkan U dengan metode multiplikatif
i a m z
i
z
i-1
U X
0 43 1237 12357 678 0.5481 2
1 43 1237 678 703 0.5683 2
2 43 1237 703 541 0.4373 2
3 43 1237 541 997 0.8060 1
4 43 1237 997 813 0.6572 1
5 43 1237 813 323 0.2611 4
6 43 1237 323 282 0.2280 4
7 43 1237 282 993 0.8027 1
8 43 1237 993 641 0.5182 2
9 43 1237 641 349 0.2821 4


Distribusi Kontinu

a. Distr probabilitas uniform kontinu

Algoritma
1. Bangkitkan U(0,1)
2. Dapatkan X = a+(b-a)*U

Contoh
b. Pada suatu sentra telpon ternyata distribusi pelayanan telponnya berdistribusi
uniform kontinu dengan minimal waktu 3 menit dan maksimal 5 menit. Tentukan
bilangan dengan a = 173 z
0
= 12357 dan m = 1237.
bangkitkan U dengan metode multiplikatif
i a m z
i
z
i+1
U X
0 173 1237 12357 225 0.1819 3.3638
1 173 1237 225 578 0.4673 3.9345
2 173 1237 578 1034 0.8359 4.6718
3 173 1237 1034 754 0.6095 4.2191
4 173 1237 754 557 0.4503 3.9006

c. Distribusi Eksponensial

Algoritma
1. Bangkitkan U(0,1)
2. Dapatkan X = ) U ln( |
Dengan | rata-rata dengan nilai > 0
Contoh
Pada suatu sentra telpon ternyata distribusi penerimaan telponnya berdistribusi
eksponensial dengan mean = 0,1 menit. Tentukan bilangan 10 acak dengan a = 173
z
0
= 12357 dan m = 1237.
bangkitkan U dengan metode multiplikatif
i a m zi z
i+1
U X
0 173 1237 12357 225 0,1819 0,1704
1 173 1237 225 578 0,4673 0,0761
2 173 1237 578 1034 0,8359 0,0179
3 173 1237 1034 754 0,6095 0,0495
4 173 1237 754 557 0,4503 0,0798
5 173 1237 557 1112 0,8989 0,0107
6 173 1237 1112 641 0,5182 0,0657
7 173 1237 641 800 0,6467 0,0436
8 173 1237 800 1093 0,8836 0,0124
9 173 1237 1093 1065 0,8610 0,0150

b. Distribusi Normal

Algoritma
a. Bangkitkan U1,U2= U(0,1)
b. Hitung V1= 2U1-1 dan V2= 2U2-1
c. Hitung W = V1
2
+ V2
2

d. Jika W > 1 maka kembali ke langkah 1 dan jika tidak lanjutkan ke langkah 5
e. Hitung W / ) W ln( * 2 ( Y =
f. Dapatkan X1= V1Y dan X2=V2Y
g. o
i
X X + =
Contoh
Sebuah rumah sakit berniat mempelajari penggunaan suatu alat pada ruang
emergency. Jika diketahui bahwa lamanya seorang pasien yang ditreat
menggunakan alat tsb berdistribusi normal dgn mean 0.8 jam dan standard deviasi
0.2 jam, tentukan bilangan acak yang mewakili lamanya penggunaan alat tersebut
oleh 6 orang pasien.

i U1 U2 V1 V2 W Y X1 X2
1 0.32 0.65 -0.36 0.30 0.22 3.72 -1.34 1.11
2 0.63 0.48 0.26 -0.04 0.07 8.79 2.28 -0.35
3 0.60 0.31 0.20 -0.38 0.18 4.28 0.86 -1.63

0.53 1.02 1.26 0.73 2.52 1.27
X

c. Distribusi Gamma

Algoritma
a. Bangkitkan U1 dan U2
b. X = -| ln (U1 * U2)
di mana | adalah parameter.
Contoh

Mesin pada suatu pabrik perlu diperbaiki setiap saat breakdown dengan biaya
$100/hari. Jika lama perbaikan mesin berdistribusi gamma dengan parameter o = 2
dan | = 1/3, tentukan rata-rata biaya untuk 30 kali breakdown, jika diketahui mesin
breakdown ke 29 kali mengalami lama perbaikan selama 0.38 hari dengan rata-rata
lama perbaikan 0.68 hari dgn variansi S
2
= 0.02.
Jawab:
U1 = 0.818
U2 = 0.322
X30 = -| ln (U1 * U2)
= - 1/3 ln (0.818 * 0.322)
= 0.445 hari
Biaya untuk memperbaiki mesin yg breakdown ke 30 kali adalah $100 x
0.445 hari = $ 44.5


X30 - X29
Rata-rata ke 30 kali = X30 = X29 +
30
0.445 - 0.38
= 0.68 +
30
= 0.68 + 0.0022
= 0.6822