BAB II

TINJAUAN PUSTAKA

A. Distribusi Poisson dan Eksponensial

1. Distribusi Poisson

Suatu eksperimen yang menghasilkan jumlah sukses yang terjadi pada

interval waktu ataupun daerah yang spesifik dikenal sebagai eksperimen Poisson.

Interval waktu tersebut dapat merupakan menit, hari, minggu, bulan, maupun

tahun, sedangkan daerah yang spesifik dapat berarti garis, luas, sisi, maupun

sebuah material.(Dimyati, 1999:309)

Sifat suatu eksperimen Poisson (Dimyati, 1999:309) adalah sebagai

berikut.

a. Jumlah sukses yang tejadi pada interval waktu atau daerah yang tertentu

bersifat independen terhadap yang terjadi pada interval waktu atau

daerah tertentu yang lain.

b. Besar kemungkinan terjadinya sukses pada interval waktu atau daerah

tertentu yang sempit, proporsional dengan panjang jangka waktu

ataupun ukuran daerah terjadinya sukses tersebut.

c. Besar kemungkinan terjadinya lebih dari satu sukses pada interval waktu

yang singkat ataupun daerah yang sempit, diabaikan.

Variabel random diskrit X dikatakan mempunyai distribusi Poisson

dengan parameter λ jika fungsi kepadatan peluangnya sebagai berikut.

 x −λ
λe
f (x )= x! , x = 0,1,2,…

1 , x yang lain

( Djauhari, 1997:163-164)

Parameter λ merupakan rata- rata banyaknya sukses dalam suatu selang.

Parameter λ juga merupakan mean dan variansi dari X.

2. Disribusi Eksponensial

Distribusi eksponensial digunakan untuk menggambarkan distribusi waktu

pada fasilitas jasa pengasumsian bahwa waktu pelayanan bersifat acak. Artinya,

waktu untuk melayani pendatang tidak tergantung pada banyaknya waktu yang

telah dihabiskan untuk melayani pendatang sebelumnya, dan tidak bergantung

pada jumlah pendatang yang sedang menunggu untuk dilayani.

Variabel random kontinu X memiliki distribusi Eksponensial dengan

parameter λ , jika fungsi kepadatan peluangnya sebagai berikut :

λe−λx ; untuk x>0 , λ>0

f(x) =
0 ; untuk x yang lain

(Djauhari, 1997:175-176 )

disini, X dapat menyatakan waktu yang dibutuhkan sampai terjadi satu

kali sukses dengan λ= rata-rata banyaknya sukses dalam selang waktu satuan.
B. Peranan Distribusi Poisson dan Eksponensial

Pada situasi antrian dimana kedatangan dan kepergian (kejadian) yang

timbul selama satu interval waktu dikendalikan dengan kondisi berikut ini.

Kondisi 1: Probabilitas dari sebuah kejadian (kedatangan dan kepergian) yang

timbul antara t dan t + Δt bergantung hanya pada panjangnya Δt,

yang berarti bahwa probabilitas tidak bergantung pada t atau

jumlah kejadian yang timbul selama periode waktu (0, t).

Kondisi 2: Probabilitas kejadian yang timbul selama interval waktu yang

sangat kecil h adalah positif tetapi kurang dari satu.

Kondisi 3: Paling banyak satu kejadian dapat timbul selama interval waktu

yang sangat kecil h .

Ketiga kondisi di atas menjabarkan sebuah proses dimana jumlah

kejadian selama interval waktu yang berturut-turut adalah Ekponensial.

Dengan kasus demikian, dapat dikatakan bahwa kondisi-kondisi tersebut

mewakili proses Poisson.

Definisikan

P (t) = probabilitas kejadian n yang timbul selama waktu t

n

Kemudian, berdasarkan kondisi 1, probabilitas tidak adanya kejadian yang

timbul selama t + h adalah

P (t + h) = P (t)P (h)
0 0 0

( 2.1 )

(Taha, 1999:179)
Untuk h > 0 dan cukup kecil, kondisi 2 menunjukkan bahwa 0 < P (h) < 1.
0

Berdasarkan kondisi ini, persamaan diatas memiliki pemecahan sebagai

berikut.

-αt
P (t) = e ,t≥0 ( 2.2 )
0

dimana α adalah konstanta positif.

Selanjutnya akan ditunjukkan bahwa proses yang dijabarkan dengan

P (t), interval waktu antara beberapa kejadian yang berturut-turut adalah

n

Eksponensial. Dengan menggunakan hubungan yang diketahui antara

Eksponensial dan Poisson, kemudian dapat disimpulkan bahwa P (t) pastilah

n

poisson.

Anggaplah f(t) merupakan fungsi kepadatan peluang dari interval waktu antar

pemunculan kejadian yang berturut-turut, t ≥ 0

Misalkan bahwa t adalah interval waktu sejak pemunculan kejadian terakhir,

maka pernyataan berikut ini berlaku

waktu antar kejadian tidak ada kejadian

P = P
melebihi T sebelum T

Pernyataan ini dapat diterjemahkan menjadi

∞
∫ f (t )dt=P 0(T )
T
( 2.3 )
Dengan mensubstitusikan persamaan 2.2 dengan persamaan 2.3, maka akan
diperoleh
∞
∫ f (t )dt=eαT
T ,T>0 ( 2.4 )
Atau
 T

∫ f (t )dt=1−e αT
0 ,T>0
( 2.5 )

dengan mengambil derivatif dari kedua sisi dalam kaitannya denagan T pada

persamaan 2.5, diperoleh

-αt
f(t) = αe ,t≥0 ( 2.6 )

yang merupakan sebuah fungsi kepadatan peluang dari distribusi Eksponensial

1
E(t )=
dengan mean α unit waktu.

Dengan diketahui bahwa f(t) merupakan sebuah distribusi

Eksponensial, teori peluang dapat menjelaskan bahwa P (t) adalah fungsi

n

kepadatan peluang dari distribusi Poisson,yaitu:

(αt )n eαt
Pn (t )=
n! , n = 0, 1, 2, … ( 2.7 )

Nilai mean dari n selama periode waktu tertentu t adalah E{n | t} = α t

kejadian. Ini berarti bahwa α mewakili laju timbulnya kejadian.

Kesimpulan dari hasil diatas adalah bahwa jika interval waktu antara

1
beberapa kejadian yang berturut-turut adalah Eksponensial dengan mean α

unit waktu, maka jumlah kejadian dalam satu periode waktu tertentu pastilah

Poisson dengan laju pemunculan rata-rata (kejadian per unit waktu) α, dan

sebaliknya.
 Distribusi Poisson merupakan proses yang sepenuhnya acak

(completely random process), karena memiliki sifat bahwa interval waktu

yang tersisa sampai pemunculan kejadian berikutnya sepenuhnya tidak

bergantung pada interval waktu yang telah berlalu. Sifat ini setara dengan

pembuktian pernyataan probabilitas berikut ini.

P (t > T + S | t > S) = P (t > T) ( 2.8 )

Dimana S adalah interval waktu antara pemunculan kejadian terakhir.

Karena t bersifat Eksponensial, maka

P (t>T + S , t> S)
P(t > T +S | t > S) =
(t> S)

P (t>T + S)
=
P( t> S)

e−α (T +S)
=
e−α S

= e−α T

=P(t>T) ( 2.9 )

Sifat ini disebut sebagai forgetfullness atau lack of memory dari

distribusi eksponensial, yang menjadi dasar untuk menunjukkan bahwa

distribusi poisson sepenuhnya bersifat acak.

Satu ciri unik lainnya dari distribusi poisson adalah bahwa ini adalah

merupakan distribusi dengan mean yang sama dengan varian. Sifat ini kadang-

kadang digunakan sebagai indikator awal dari apakah sebuah sampel data

ditarik dari sebuah distribusi poisson.

(Taha, 1999: 178-180)

C. Uji Kebaikan-Suai

Uji kebaikan-suai (goodness of fit test) adalah uji yang dilakukan untuk

menentukan distribusi probabilitas dari data yang dipereoleh dengan

membandingkan frekuensi teoritis atau frekuensi yang diharapkan (Guttman,

1982:287)

Gagasan untuk membandingkan distribusi empiris dan distribusi teoritis

adalah dasar untuk uji Kolmogorov-Smirnov (K-S). Uji ini hanya dapat

diterapkan untuk variabel acak kontinu, memanfaatkan sebuah statistik untuk

menerima atau menolak distribusi yang dihipotesiskan dengan tingkat signifikansi

tertentu. Uji statistik lainnya yang berlaku untuk variabel diskrit maupuin kontinu

adalah uji khi-kuadrat. Uji ini didasari oleh perbandingan fungsi kepadatan

probabilitas, daripada fungsi kepadatan kumulatif seperti dalam uji K-S (Taha,

1997: 10-11).

1. Uji Kebaikan-Suai Kolmogorov-Smirnov

Nilai K-S hitung dalam pengujian statistik dengan uji K-S diberi

simbol D yang dapat diperoleh dengan menggunakan rumus

D = max | f - f | ( 2.10 )
e o

(Siegel, 1994:59)

D adalah deviasi absolut yang tertinggi, berupa selisih tertinggi antara

frekuensi harapan (f ) dengan frekuensi teoritis (f )

e o
 Dalam uji Kolmogorov-Smirnov, H diterima apabila nilai D
0

hitung lebih kecil dari nilai kritis D (D tabel). Nilai kritis D dapat

diketahui melalui tabel Kolmogorov-Smirnov.

2. Uji Kebaikan Suai Khi-Kuadrat

a. Uji Kebaikan-Suai Khi- Kuadrat terhadap peristiwa yang

berdistribusi Poisson. Misalkan variabel random X berdistribusi

Poisson. Untuk menghitung frekuensi harapan (f ) digunakan fungsi

e

kepadatan probabilitas dari distribusi Poisson.

λ x e−λ
p(x) = x!

(2.11 )

sehingga untuk sejumlah n frekuensi observasi (f ), maka

0

f = n p(x) ( 2.12 )
e

2
Nilai khi-kuadrat hitung (χ ) dihitung dengan rumus sebagai

berikut

2 ( f ¿ ¿ 0−f e )2
m
X =∑ ¿ ( 2.13 )
x=0 fe

dengan m adalah jumlah sel atau baris yang dipergunakan dalam

mengembangkan fungsi kepadatan empiris.

(Agus Setiawan, 2003:16)

b. Uji Kebaikan-Suai Khi-Kuadrat terhadap kejadian yang berdistribusi

Eksponensial
 Misalkan variabel acak X berdistribusi Eksponensial. Frekuensi

teoritis (f ) yang berkaitan dengan interval [I , I ] dihitung sebagai

e i –1 i

i
f e =n ∫ f ( t ) dt, i = 1, 2,.., m ( 2.14 )
i−1

dengan m adalah banyaknya interval yang digunakan. Sedangkan f(t)

adalah fungsi kepadatan peluang dari distribusi Eksponensial dengan

parameter μ.

-μt
f(t) = μ e t > 0, μ > 0 ( 2.15 )

dengan demikian diperoleh

−μ ( I i−1 ) − μ( I i )
f e =n(e −e ) ( 2.16 )

Nilai khi-kuadrat hitung diperoleh dengan menggunakan rumus

berikut.

2 (f 0 −f e )2
m
X =∑
x=0 fe

( 2. 17 )

(Taha, 1997:11-12)

Dalam uji kebaikan-suai khi-kuadrat, keputusan diambil

berdasarkan hipotesis penelitian yang telah dirumuskan sebelumnya.

2
H diterima jika harga χ tabel dengan derajat kebebasan dk = m - k –
0

1 dan dengan tingkat signifikansi α, dengan m adalah jumlah baris

yang digunakan dan k adalah jumlah parameter yang diestimasi dari

 data mentah untuk dipergunakan dalam mendefinisikan distribusi

teoritis yang bersangkutan.

D. Proses Kelahiran-Kematian

1. Proses Kelahiran-Kematian Markov

Suatu proses pertumbuhan adalah suatu proses Markov jika probabilitas-

probabilitas transisi untuk bergerak dari suatu keadaan ke keadaan lainnya

hanya bergantung pada keadaan sekarang dan tidak pada bagaimana keadaan

sekarang dicapai. Secara lebih formal, suatu proses kelahiran-kematian

Markov memenuhi kriteria-kriteria sebagai berikut.

a. Distribusi-distribusi probabilitas yang menentukan jumlah kelahiran

dan kematian dalam suatu selang waktu tertentu hanya bergantung

pada panjang selangnya dan tidak ada titik awalnya.

b. Probabilitas untuk terjadi satu kelahiran saja dalam suatu selang

waktu Δt jika pada titik awal selang terdapat suatu populasi dengan n

anggota adalah λ Δt + 0(Δt), dengan λ adalah suatu konstanta, yang

n n

dapat saja berbeda untuk n yang berbeda.

c. Probabilitas untuk terjadi satu kematian saja dalam selang waktu Δt

jika pada titik awal selang terdapat suatu populasi dengan n anggota

adalah μ Δt + 0 (Δt), dengan μ adalah suatu konstanta, yang dapat

n n

saja berbeda untuk n yang berbeda.

 d. Probabilitas untuk terjadinya lebih dari satu kelahiran atau kematian

dalam suatu selang waktu adalah 0 (Δt).

Untuk Δt→0 maka kriteria proses kelahiran-kematian Markov

menurunkan persamaan Kolmogorov. Persamaan Kolmogorov untuk

peluang keadaan sebagai berikut.

dPn (t )
=−( λn +μn) Pn (t )+μn+1 Pn+1 (t )−( λ n−1 +μ n−1 )Pn−1 (t )
dt

( 2.18 ) (Wospakrik, 1996:297)

2. Proses Kelahiran-Kematian Poisson

Suatu proses kelahiran-kematian Poisson adalah suatu proses kelahiran-

kematian Markov dimana probabilitas dari suatu kematian dan probabilitas dari

suatu kelahiran kedua-duanya dalam sebarang selang waktu yang kecil tidak

bergantung pada ukuran populasinya, yakni λ = λ dan μ = μ untuk semua n.

n n

(Wospakrik, 1996:300)

E. Teori antrian

Teori antrian adalah teori yang menyangkut studi matematis dari antrian

atau baris-baris penungguan. Formasi baris-baris penungguan ini tentu saja

merupakan suatu fenomena yang biasa terjadi apabila kebutuhan akan suatu

pelayanan melebihi kapasitas yang tersedia untuk menyelenggarakan pelayanan

itu. Keputusan-keputusan yang berkenaan dengan jumlah kapasitas ini harus dapat

ditentukan, walaupun sebenarnya tidak mungkin dapat dibuat suatu prediksi yang
tepat mengenai kapan unit-unit yang membutuhkan pelayanan itu akan datang dan

atau berapa lama waktu yang diperlukan untuk menyelenggarakan pelayanan itu

(Dimyati, 1999:349).

Suatu proses antrian (queueing process) adalah suatu proses yang

berhubungan dengan kedatangan seorang pelanggan pada suatu fasilitas

pelayanan, kemudian menunggu dalam suatu baris (antrian) jika seua pelayannya

sibuk, dan akhirnya meninggalkan fasilitas tersebut. Sebuah sistem antrian adalah

suatu himpunan pelanggan, pelayan, dan suatu aturan yang mengatur kedatangan

para pelanggan. (Wospakrik, 1996:302)

Sebuah sistem antrian adalah suatu proses kelahiran-kematian dengan

suatu populasi yang terdiri atas pelanggan yang sedang menunggu mendapatkan

pelayanan atau yang sedang dilayani. Suatu kelahiran terjadi apabila seorang

pelanggan tiba di suatu fasilitas pelayanan, sedangkan apabila pelanggannya

meninggalkan fasilitas tersebut maka terjadi suatu kematian. Keadaan sistem

adalah jumlah pelanggan dalam suatu fasilitas pelayanan. (Wospakrik, 1996:302)

1. Struktur Dasar Model Antrian Proses yang terjadi pada proses antrian dapat

digambarkan sebagai berikut :

Unit-unit yang membutuh

kan pelayanan Mekanisme
Sumber input antrian pelayanan

(pelanggan) unit –
unit yang telah
dilayani
System antrian

Gambar 2.1 (struktur dasar antrian)

 Unit-unit (langganan) yang memerlukan pelayanan diturunkan dari

suatu sumber input memasuki sistem antrian dan ikut dalam antrian. Dalam

waktu-waktu tertentu, anggota antrian ini dipilih untuk dilayani. Pemilihan ini

didasarkan pada suatu aturan tertentu yang disebut disiplin pelayanan.

Pelayanan yang diperlukan dilaksanakan dengan suatu mekanisme

pelayanan tertentu. Setelah itu unit (langganan) tersebut meninggalkan sistem

antrian.

Suatu karakteristik yang perlu diketahui dari sumber input ini ialah

ukurannya (jumlahnya), yaitu jumlah total unit yang memerlukan pelayanan dari

waktu ke waktu atau disebut jumlah total langganan potensial. Ini bisa dianggap

terbatas atau tidak terbatas. Karena perhitungannya akan lebih mudah untuk

jumlah unit yang tidak terbatas, asumsi ini sering digunakan.

Pola statistik dari penurunan unit-unit yang memerlukan pelayanan ini harus

juga ditentukan. Dalam hal ini, asumsi yang biasa digunakan adalah unit-unit ini

diturunkan dengan mengikuti proses Poisson, artinya sampai suatu waktu tertentu

jumlah unit yang diturunkan ini mempunyai distribusi Poisson. Ini adalah suatu

kasus dimana kedatangan pada sistem antrian terjadi secara random, tetapi dengan

tingkat rata-rata tertentu. Asumsi berikutnya adalah bahwa distribusi

kemungkinan dari waktu antar kedatangan adalah distribusi Eksponensial

Karakteristik suatu antrian ditentukan oleh jumlah unit maksimum yang

boleh ada di dalam sistemnya. Antrian ini dikatakan terbatas atau tidak terbatas,

bergantung pada jumlah unitnya terbatas atau tidak terbatas.Disiplin pelayanan

berkaitan dengan cara memilih anggota antran yang akan dilayani. Sebagai
contoh, disiplin pelayanan ini dapat berupa first come-first served (yang datang

lebih dahulu dilayani lebih dahulu), atau random, atau dapat pula berdasarkan

prosedur prioritas tertentu. Jika tidak ada keterangan apa-apa maka asumsi yang

biasa digunakan adalah first come first served.

Mekanise pelayanan terdiri atas satu atau lebih fasilitas pelayanan yang

masing-masing terdiri atas satu atau lebih aturan pelayanan paralel. Jika ada lebih

dari satu fasilitas pelayanan maka unit-unit yang memerlukan pelayanan akan

dilayani oleh serangkaian fasilitas pelayanan ini (saluran pelyanan seri). Pada

fasilitas pelayanan seperti ini,unit yang memerlukan pelayanan memasuki salah

satu saluran pelayanan paralel dan dilayani sepenuhnya oleh pelayan yang

bersangkutan. Suatu model antrian harus menetapkan urutan-urutan fasilitas

semacam itu sekaligus dengan jumlah pelayanan pada masing-masing saluran

paralelnya. Kebanyakan model-model dasar mengasumsikan satu fasilitas

pelayanan dengan satu atau beberapa pelayan.

Waktu yang digunakan sejak pelayanan dimulai sampai satu unit selesai

dilayani disebut sebagai waktu pelayanan. Biasanya diasumsikan bahwa distribusi

kemungkinan dari waktu pelayanan ini adalah distribusi Eksponensial.

(Dimyati, 1999:349-352)

2. Proses Antrian Dasar

Suatu garis penungguan tunggal (yang pada suatu saat bisa juga kosong)

terbentuk di depan suatu fasilitas pelayanan tunggal dimana ada satu atau

beberapa pelayan. Setiap unit (langganan) yang diturunkan oleh suatu sumber

input dilayani oleh salah satu dari pelayan-pelayan yang ada, mungkin setelah unit
itu menunggu dalam antrian (garis penungguan). Sistem antrian semacam itu

dapat digambarkan sebagai berikut.(Dimyati, 1999:352)

Langganan yang telah

dilayani
C
CC P
C P
C C C C Fasilitas pelayanan
C P
C P

Langganan yang telah

dilayani
gambar 2.2
system dasar antrian

3. Model-model Sistem Antrian

Menurut Mulyono (2002:287), proses antrian pada umumnya

dikelompokkan ke dalam empat struktur dasar menurut sifat-sifat fasilitas

pelayanan, yaitu :

a. satu saluran satu tahap

kedatangan
pelanggan

Antrian pelayan

system antrian

Gambar 2.3
skema antrian satu saluran satu tahap
 b. banyak saluran satu tahap

Kedatangan
pelanggan

Antrian pelayan

System antrian

Gambar 2.4
Skema antrian banyak saluran satu tahap

c. satu saluran banyak tahap

Kedatangan
Pelanggan

Antrian pelayan
System antrian

Gambar 2.5
Skema antrian satu saluran banyak tahap

d. banyak saluran banyak tahap

kedatangan
pelanggan

Antrian

pelayan
 system antrian

Gambar 2.6
skema antrian banyak saluran banyak tahap

4. Terminologi dan notasi

Terminologi dan notasi yang digunakan adalah sebagai berikut:

Keadaan sistem : jumlah pelanggan pada sistem antrian.

Panjang antrian : jumlah pelanggan yang menunggu pelayanan

En : keadaan di mana ada n pelanggan pada sistem antrian.

Pn (t) : kemungkinan bahwa tepat ada n pelanggan pada system antrian pada saat

t.

s : jumlah pelayan (untuk saluran pelayanan paralel) pada sistem antrian.

λn : tingkat kedatangan rata-rata (ekspektasi jumlah kedatangan per satuan

waktu) dari calling unit (pelanggan) baru jika ada n unit dalam sistem.

μn : tingkat pelayanan rata-rata (ekspektasi jumlah unit yang dapat selesai

dilayani per satuan waktu) jika ada n unit dalam sistem.

Jika λn adalah konstan untuk semua n, maka dapat ditulis sebagai λ .

Jika μn konstan untuk semua n ≥ 1, maka dapat ditulis sebagai μ . Di sini μn = sμ

1
jika n ≥ s sehingga seluruh pelayan (sejumlah s sibuk). Dalam hal ini λ
 1
menyatakan ekspektasi waktu di antara kedatangan, sedangkan μ menyatakan

λ
ρ=
ekspektasi waktu pelayanan. sμ adalah faktor penggunaan (utilisasi) untuk

fasilitas pelayanan, yaitu ekspektasi perbandingan dari waktu sibuk para pelayan.

Jika suatu sistem antrian telah mulai berjalan, keadaan sistem (jumlah pelanggan

dalam sistem) akan sangat dipengaruhi oleh state (keadaan) awal dan waktu yang

telah dilalui. Dalam keadaan seperti ini, sistem dikatakan dalam kondisi transien.

Tetapi, lama-kelamaan keadaan sistem akan independen terhadap state awal

tersebut, dan juga terhadap waktu yang dilaluinya. Keadaan sistem seperti ini

dikatakan berada dalam kondisi steady state.

Notasi-notasi berikut ini digunakan untuk sistem dalam kondisi steady state.

Pn : kemungkinan bahwa tepat ada n pelanggan dalam sistem antrian

L : jumlah pelanggan rata-rata dalam sistem

Lq : panjang rata-rata dari antian

W : waktu rata-rata yang dihabiskan seorang pelanggan dalam sistem

Wq : waktu rata-rata yang dihabiskan seorang pelanggan dalam antrian

Berikut ini akan di uraikan hubungan antara L dan W. Asumsikan bahwa

λn adalah konstan untuk semua n sehingga cukup ditulis λ . Maka dalam proses

antrian yang steady state didapat

L=λW ( 2.19 )

Lq =λ(W q )

( 2.20 )

Kemudian diasumsikan bahwa waktu pelayanan rata-rata adalah konstan

1
untuk semua n ≥ 1 sehingga cukup ditulis sebagai μ

1
W=W q +
μ

( 2.21 )

kalikan dengan λ , didapat :

L=L +ρ ( 2.22 )
q

(Dimyati, 1999:353-355).

5. Notasi Kendall

Terdapat banyak variasi yang mungkin dari model antrian. Ciri-ciri dari

masing-masing model akan diringkas dalam notasi Kendall yang diperluas.

Notasi tersebut dituliskan dengan (a / b / c) : (d / e / f)

dimana simbol-simbol a, b, c, d, e, dan f adalah unsur-unsur dasar dari model

antrian sebagai berikut.

a : distribusi kedatangan

b : distribusi waktu pelayanan

c : jumlah pelayan
 d : peraturan pelayanan (misalnya PMPK, TMPK, Prioritas)

e : jumlah pelanggan maksimum (dalam antrian dan sistem)

f : ukuran sumber pemanggilan.

(Mulyono, 2002:293)

Notasi baku yang mengganti simbol a dan b untuk distribusi

kedatangan dan keberangkatan sebagai berikut.

M : kedatangan atau keberangkatan berdistribusi Poisson (waktu antar

kedatangan atau waktu pelayanan berdistribusieksponensial).

D : waktu antar kedatangan atau waktu pelayanan yang konstan atau

deterministik

Ek : waktu antar kedatangan atau waktu pelayanan berdistribusi Erlang

atau Gamma dengan parameter k.

GI : distribusi independen umum dari kedatangan.

G : distribusi umum dari keberangkatan.

(Taha, 1997:186)

Notasi baku yang mengganti simbol d untuk peraturan pelayanan

adalah umum (GD) dalam arti bahwa peraturan tersebut dapat PMPK,

TMPK, Prioritas, atau prosedur apapun yang dapat digunakan oleh para

pelayan untuk memutuskan urutan pelanggan yang dilayani dalam antrian.

6. Peluang keadaan tunak

Jika sistem antrian telah mencapai kondisi steady state (kedaan

tunak), maka probabilitas {P (t)} menjadi konstan dan independen

n
terhadap waktu. Solusi steady state untuk P ini bisa didapat dengan
n

d Pn ( t)
=0.
lim Pn ( t )= P n
menetapkan dt Asumsikan t →∞ sehingga

lim {ddtP (t ) }=0

n

t →∞

Untuk t →∞ maka persamaan diatas menjadi

Untuk n =0 maka diperoleh

0 = – (λ μ ) P (t) + μ P + λ P
0+ 0 0 1 1 -1 -1

( 2.23 )

Karena λ = 0 dan μ = 0 maka persamaan di atas menjadi

-1 0

0=-λ P +μ P ,
0 0 1 1

λ0
⇔ P1 = P0
μ1 ( 2.24 )

Untuk n > 0 diperoleh

0 = -(λ + μ ) P (t) + μ P (t) - (λ +μ )P (t)
n n n n+1 n+1 n-1 n-1 n-1

λn μ P −λ P
⇔ Pn+1= P n + n n n−1 n-1
μn+1 μ n+1 ( 2.25 )

Pada persamaan 2.25, perhatikan ruas kanan yang kedua. Jika n > 1 maka:

λ n−1 μ P −λ P
μn Pn −λ n−1 Pn−1=μ n
[ μn μn ]
Pn−1 + n−1 n−1 n−2 n−2 − λn−1 P n−1
 =μn−1 Pn−1 −λ n−2 Pn−2
( 2.26 )

Ulangi perhitungan dengan nilai n yang lebih kecil, sehingga diperoleh

μn Pn−λ n−1 Pn−1=μ1 P1 −λ 0 P0

( 2.27 )

dari persamaan untuk 2.24 diperoleh

λn−1
Pn = P
μn n−1
λn−1 λn−2
=
=. ..
[
μ n μn−1
Pn−2
]
Sehingga diperoleh
λ λ . . . λ0
pn = n−1 n−2 P
μn μn−1 .. . μ 1 0
( 2.28 )

Persamaan ini dapat ditulis secara ringkas sebagai :

n−1
∏ λ1
i=0
Pn = n
P0
∏
i=1 untuk n = 1, 2, …
( 2.29 )
∞
∑ Pn=1
Karena n=0 maka
1
P0 = n−1

∞ ∏ λi
i=0
1+ ∑ n
n=1
∏ μi
i =1 ( 2.30 )

(Dimyati, 1999:361-363)

Ukuran-ukuran kinerja yang terpenting dari situasi antrian setelah

mencapai kondisi steady state yang dipergunakan untuk menganalisis

situasi antrian adalah rata-rata banyaknya pelanggan yang menunggu

dalam antrian ( L ), rata-rata waktu menunggu yang diperkirakan dalam

q

antrian (W ), dan persentase pemanfaatan sarana pelayanan yang

q

diperkirakan.

Dengan mempertimbangkan sarana pelayanan sebanyak s pelayan

paralel, maka dari definisi P diperoleh

n

∞
L= ∑ nPn
n=0 ( 2.31 )
∞
Lq = ∑ (n−s)P n
n=0 ( 2.32 )

Hubungan yang lain adalah sebagai berikut

L
W=
λ

( 2.33 )

Lq
W q=
λ ( 2.34 )

λ adalah laju kedatangan rata-rata dalam jangka waktu yang panjang

dimana
∞
λ=∑ λ n P n
n=0 ( 2.35 )
(Taha, 1997: 190)

Persentase pemanfaatan sebuah sarana pelayanan dengan s pelayan

yang paralel dapat diperoleh sebagai berikut.

 λ
Persentase pemanfaatan = sμ x 100 %

( 2.36 )

(Taha, 1997: 191) .

Solusi steady state ini diturunkan dengan asumsi bahwa parameter-

parameter λ dan μ adalah sedemikian sehingga kondisi steady state

n n

λ
ρ= <1
dapat tercapai. Asumsi ini terjadi jika sμ

7. Model Antrian ( M / M / S ) : ( GD / ∞ / ∞ )

Model ini mengasumsikan bahwa kedatangan terjadi menurut input

Poisson dengan parameter λ, dan bahwa waktu pelayanan untuk masing-

1
masing unit mempunyai distribusi Eksponensial dengan rata-rata μ .

(Dimyati, 1999:373).

Tingkat pelayanan rata-rata untuk seluruh sistem antrian adalah

tingkat rata –rata dimana unityang sudah dilayani meninggalkan sistem.

Tingkat pelayanan rata-rata per pelayanan yang sibuk adalah μ, karena itu

tingkat pelayanan keseluruhan adalah μ = nμ jika n ≤ s. Jika n ≥ s, berarti

n

semua pelayan sibuk sehingga μ = sμ. Jadi model ini adalah kasus khusus
n

dari proses kelahiran-kematian dengan λ = λ (untuk n = 0, 1, 2, …) dan

n
 nμ , jika 0 ≤n≤s
μn
sμ , jika n≤s

Jika λ < sμ (tingkat kedatangan rata-rata lebih kecil dari tingkat

pelayanan rata-rata maksimum), maka hasil steady state-nya adalah

sebagai berikut.

1
P0 = s−1
( λ/ μ )n ( λ/ μ) s ∞ λ n−s
∑ n ! + s ! ∑ sμ
n=0 n=s
( )
1
= s−1
( λ /μ )n ( λ /μ )s 1
∑ + .
n=0 n! s! λ
1−
sμ

Dan

( λ/ μ )n
P0
n! , jika 0 ≤n≤s
Pn = ( 2.37 )
n
( λ/ μ )
P0
s!sn−s , jika n≤s

λ
ρ=
Dengan sμ , maka

a. Rata-rata jumlah pelanggan dalam antrian (L )

q
s
P 0 ( λ /μ ) ρ
Lq = 2
s !( 1−ρ ) ( 2.38 )

b. Rata-rata jumlah pelanggan dalam sistem (L)

 λ
L = Lq +
μ ( 2.39 )

c. Rata-rata waktu yang dihabiskan satu pelanggan dalam antrian (W )

q

Lq
W q=
λ ( 2.40 )

d. Rata-rata waktu yang dihabiskan satu pelanggan dalam sistem (W)

1
W =W q +
μ
( 2.41 )

(Dimyati, 1999:374).