Penjelasan dan Contoh Teori Antrian

Rabu, 09 September 2009 01:47 webmaster

Teori antrian adalah cabang dari terapan teori probabilitas yang

awalnya digunakan untuk mempelajari kemacetan lalu lintas telepon, Pertama kali
diperkenalkan oleh seorang ahli matematika dari Denmark, Agner Kramp Erlang (1878-
1929). Proses antrian adalah suatu proses yang berhubungan dengan kedatangan seorang
pelangan pada suatu fasilitas pelayanan kemudian menunggu dalam suatu baris atau
antrian karena pelayannya sedang sibuk dan akhirnya meninggalkan sistem setelah selesai
dilayani. Sedangkan yang dimaksud dengan sistem antrian adalah himpunan pelanggan,
pelayan dan suatu aturan yang mengatur kedatangan para pelanggan dan pemrosesan
masalahnya.

1.1. Elemen Sistem Antrian

Elemen sistem antrian merupakan komponen yang merupakan bagian atau anggota dari
sistem antrian, yaitu :
1. Pelanggan
Pelanggan adalah orang atau barang yang menunggu untuk dilayani. Arti dari pelanggan
tidak harus berupa orang, misalnya saja antrian pada loket pembayaran di supermarket,
orang yang menunggu giliran membayar termasuk pelanggan, begitu juga barang-barang
yang menunggu untuk dihitung oleh kasir juga dapat dikatakan sebagai pelanggan.
2. Pelayan
Pelayan adalah orang atau sesuatu yang memberikan pelayanan. Seperti halnya
pelanggan, pelayan juga tidak harus berupa orang. Misalnya pada pengambilan uang
melalui ATM, mesin ATM dalam hal ini merupakan pelayan.
3. Antrian
Antrian merupakan kumpulan pelanggan yang menunggu untuk dilayani. Antrian tidak
harus merupakan garis tunggu yang memanjang. Misalnya saja antrian pada panggilan
telepon, tidak berupa garis tunggu seperti yang kita jumpai pada antrian di pembelian
tiket bioskop.

1.2. Karakteristik Antrian

Karakteristik yang dapat dilihat dari suatu sistem antrian antara lain :
1. Distribusi kedatangan ( kedatangan tunggal atau kelompok) Distribusi kedatangan dari
pelanggan dapat dilihat dari waktu antar kedatangan 2 pelanggan yang berurutan
(interarrival time) . Pola kedatangan ini dapat bersifat deterministik ( pasti) maupun
stokastik (acak). Jika distribusi kedatangan tidak bergantung pada waktu (time-
independent) maka bersifat stasioner. Sebaliknya jika distribusi kedatangannya
bergantung pada waktu, maka bersifat nonstasioner.
2. Distribusi waktu pelayanan (pelayanan tunggal atau kelompok)
Distribusi pelayanan dapat bersifat deterministik maupun stokastik. Waktu pelayanan yang
sifatnya tetap disebut deterministik. Sedangkan yang tidak tetap atau acak disebut
stokastik. Pelayanan yang tergantung pada jumlah pelanggan yang sedang menunggu
disebut pelayanan state-dependet.
3. Rancangan sarana pelayanan (stasiun serial, paralel atau jaringan)
Pada rancangan sarana pelayanan ini, didalamnya termasuk juga jumlah server
(pelanggan) yang dimiliki oleh sistem pelayanan.
4. Peraturan pelayanan (FCFS, LCFS, SIRO) dan prioritas pelayanan
Peraturan yang dimaksud adalah prosedur yang dapat digunakan oleh para pelayan untuk
memutuskan urutan pelanggan yang dilayani dari antrian.
5. Ukuran antrian (terhingga atau tidak terhingga)
Ukuran antrian artinya jumlah maksimum pelanggan yang diijinkan berada dalam sistem
pelayanan (dalam antrian dan dalam pelayanan).
6. Sumber pemanggilan (terhingga atau tidak terhingga)
Ukuran sumber pemanggilan merupaka ukuran populasi yang potensial untuk menjadi
pelanggan (calling population).
7. Perilaku manusia (perpindahan, penolakan, atau pembatalan)
Dalam sistem antrian, terkadang terjadi perilaku pelanggan yang keluar dari prosedur.
Reneging (pembatalan) yaitu meninggalkan antrian sebelum dilayani, balking (penolakan)
yaitu menolak untuk memasuki antrian. Pada dasarnya keduanya sama, perbedaannya
terletak pada waktu dimana pelanggan memutuskan untuk tidak memasuki atau untuk
tidak meneruskan prosedur pada sistem pelayanan. Jockeying (perpindahan) adalah
perpindahan dari satu baris antrian ke baris antrian yang lain. Reneging, balking, dan
jockeying merupakan tiga aspek dalam sistem antrian yang sulit diukur karena pelanggan
yang melakukannya sering tidak terdeteksi oleh sistem yang bekerja.

1.3. Ukuran Steady State Kinerja Antrian

Kondisi transient berlaku ketika perilaku sistem terus bergantung pada waktu, seperti
halnya proses kelahiran murni dan kematian murni. Sedangkan antrian dengan gabungan
kedatangan dan keberangkatan dimulai berdasarkan kondisi transient dan secara bertahap
mencapai kondisi steady state setelah cukup banyak waktu berlalu, asalkan paremeter dari
sistem tersebut memungkinkan dicapainya steady state (laju kedatangan λ > laju
pelayanan μ tidak akan mencapai steady state tanpa bergantung pada waktu yang telah
lalu, karena ukuran antrian akan meningkat dengan waktu)
Ukuran – ukuran steady state kinerja antrian yang terpenting dalam suatu system antrian
adalah :

Ls : jumlah pelanggan yang diperkirakan dalam sistem atau rata-rata jumlah pelanggan
yang berada dalam sistem.
Lq : jumlah pelanggan yang diperkirakan dalam antrian atau rata-rata jumlah pelanggan
yang berada pada antrian.
Ws : waktu menunggu yang diperkirakan dalam sistem atau rata-rata waktu menunggu
dalam sistem.
Wq : waktu menunggu yang diperkirakan dalam antrian atau rata-rata waktu menunggu
dalam antrian.
1.4. Distribusi Poisson dan Distribusi Eksponensial Distribusi Poisson
.t) adalah :λ Fungsi densitas distribusi Poisson (dengan mean
.t) adalah :λ Fungsi Kumulatif distribusi Poisson (dengan mean

Karakteristik Distribusi Poisson

Distribusi Eksponensial
Fungsi densitas distribusi Eksponensial :

Fungsi Kumulatif distribusi Eksponensial :

Karakteristik Distribusi Eksponensial :

Peran Distribusi Poisson dan Eksponensial dalam Antrian

Hubungan antara distribusi Poisson dan distribusi Eksponensial dapat dilihat dari fungsi
kumulatif distribusi eksponensial sebagai berikut :

Sistim antrian terdiri dari kedatangan dan keberangkatan (kejadian) yang timbul dalam
satu interval waktu dengan kondisi sebagai berikut :
s bergantung hanya pada panjangnya s , yang berarti bahwa probabilitas tidak bergantung
pada t atau jumlah kejadian yang timbul selama periode waktu (0,t). Secara matematis,
berarti fungsi probabilitas memiliki penambahan independen stasioner. + 1. Probabilitas
dari sebuah kejadian (kedatangan dan keberangkatan) yang timbul antara t dan t
2. Probabilitas kejadian yang timbul selama interval waktu yang sangat kecil h adalah
positif tetapi kurang dari satu.
3. Paling banyak satu kejadian dapat timbul selama interval waktu yang sangat kecil h .
Ketiga kondisi tersebut menggambarkan dimana jumlah kejadian selama satu interval
waktu adalah proses Poisson, dan karena itu interval waktu antara beberapa kejadian yang
berturut-turut adalah eksponensial. Interarrival time berdistribusi eksponensial dengan
parameter λ jika dan hanya jika banyaknya kedatangan yang terjadi pada interval waktu t
mengikuti distribusi Poisson dengan parameter λt.
Distribusi Poisson merupakan proses yang sepenuhnya acak, karena memiliki sifat bahwa
interval waktu yang tersisa sampai pemunculan kejadian berikutnya sepenuhnya tidak
bergantung pada interval waktu sebelumnya. Sifat ini sesuai dengan sifat Lack of Memory
yang dimiliki moleh distribusi Eksponensial :

Contoh :
Sebuah mesin selalu memiliki satu unit cadangan untuk digunakan sebagai pengganti jika
terjadi kerusakan. Waktu kerusakan mesin atau unit cadangannya itu adalah eksponensial
dengan mean 10 jam. Kerusakan terjadi dengan laju 0.1 kejadian per jam.
a. Probabilitas bahwa kerusakan akan terjadi dalam 5 jam
b. Probabilitas bahwa kegagalan akan terjadi setelah 6 jam dari sekarang dengan
diketahui kerusakan terakhir terjadi 3 jam yang lalu.
c. Jumlah kerusakan rata-rata dalam 1 minggu dengan asumsi bahwa mesin tersebut
dipergunakan 24 jam sehari.
Jawab :

Dengan Microsoft Exel :

a. Probabilitas bahwa kerusakan akan terjadi kurang dari 5 jam
o Insert > pilih function > statistical > pilih expondist > OK
o Muncul

o Muncul kotak dialog; X = 5, lambda = 0.1, dan cumulative = true

o Hasilnya = 0.393469
o Jika dihitung sesuai rumus :
P (tT+S ‫ ׀‬t >S } = P (t >T)
Diketahui T = 6 dan S = 3, sehingga diperoleh:
P {t >9 ‫ ׀‬t >3 } = P (t >6) = Po(6) = е –0.1*6 = 0.549

- Menggunakan excel dapat dilakukan langkah-langkah seperti di atas, x = 6 dan

cumulative = true. Hasilnya = 0.45118 = P(t ≤ 6)
P (t > 6) = 1 – P(t ≤ 6) = 1- 0.45118 = 0.548812
c. Jumlah kerusakan rata-rata dalam 1 minggu dengan asumsi bahwa mesin tersebut
dipergunakan 24 jam sehari.
Kerusakan dalam 1 hari = 0.1 * 24 = 2.4
Kerusakan dalam 1 minggu = 2.4 * 7 = 16.8

1.5. Uji Distribusi Kolmogorov Smirnov

Tes Kolmogorov Smirnov didasarkan pada perbedaan maksimum pada sampel terurut
dengan uji hipotesis:
Rumus pendugaan yang digunakan untuk statistik uji yaitu :
Ho : x ~ F(x) ( data berdistribusi tertentu )
Rumus pendugaan yang digunakan untuk statistik uji yaitu :
D = max(D+ ,D- )
dengan :
D+=max(i/n-F(xi:.n))

D-=max(F(xi:.n)-(i-1)/n)
Statistik uji tersebut dibandingkan dengan batas signifikansi berdasarkan nilai kritis
Statistik Kolmogorov Smirnov.
Misalnya dimiliki data interarrival time dan service time sebagai berikut :
Dalam hal ini digunakan asumsi independensi interarrival time. Interarrival Xn-1, Xn-2,
Xn-3,… adalah independent. Akan diuji pola atau distribusi dari interarrival time dan
service time, apakah berdistribusi eksponensial atau tidak.
Pengujian dapat dilakukan dengan statistik D menggunakan nilai kritis Statistik
Kolmogorov Smirnov. Namun karena di software-software statistik sudah banyak ditemui
alat untuk uji ini,kita akan melakukan uji ini dengan SPSS.
Analyze > Nonparametric Test > 1 Sample K-S >…dipilih option uji Eksponensial

Hasil uji menggunakan software SPSS adalah sebagai berikut :

Interarrival time :

Uji Distribusi Eksponensial :

Ho : interarrival time berdistribusi eksponensial
Ha : interarrival time tidak berdistribusi eksponensial
Ho ditolak jika sig < = 0.05. Karena dari output, didapat sig = 0.865 α > 0.05, maka
kesimpulannya adalah interarrival time berdistribusi eksponensial
Asumsi bahwa interarrival time berdistribusi eksponensial dipenuhi, ini berarti bahwa
arrival time ( waktu kedatangan ) berdistribusi Poisson..
Service time :
Uji Distribusi Eksponensial :
Ho : Service time berdistribusi eksponensial.
Ha : Service time tidak berdistribusi eksponensial.
Ho ditolak jika sig < = 0.05. Karena sig = 0.003 α < 0.05, maka service time tidak
berdistribusi eksponensial.

1.6. Model Antrian

Klasifikasi model-model antrian berdasarkan : arrival process (proses kedatangan), service
prosses (proses pelayanan), jumlah pelayan (server), dan kapasitas sistem. Klasifikasi
tersebut digambarkan dengan notasi :
(a/b/c/d/e)
a : distribusi dari interarrival times. •
b : distribusi dari service time •
c : jumlah server •
d : kapasitas sistem •
e : ukuran populasi (sumber) dari pelanggan •
Distribusi yang dapat digunakan :
M : Distribusi Markovian (Eksponensial) •
D : Deterministic (service time yang konstan) •
G : Distribusi secara umum (General) •
En : Distribusi Erlang (Distribusi Gamma dengan shape parameter n) •
Beberapa model antrian antara lain :
)∞/∞1. (M/M/1/
)∞/∞2. (M/M/m/
) ~ Model Swalayan∞/∞/∞3. (M/M/
)∞4. (M/M/m/b/
5. (M/M/R/K/K)
) ~ Pollaczek-Khintchine (P-K)∞/∞6. (M/G/1/
) ~ Pendekatan Allen-Cunneen∞/∞7. (G/G/m/
) ~ Erlang Loss Formula∞8. (M/G/m/0/

Kesimpulan :
1. Elemen dari sistem antrian adalah pelanggan, pelayan, dan antrian.
2. Model suatu sistem antrian ditentukan oleh distribusi waktu kedatangan, distribusi
waktu pelayanan, jumlah server, kapasitas system, dan sumber pemanggilan.
3. Distribusi Poisson dan distribusi eksponensial merupakan distribusi penting dalam teori
antrian, terutama hubungannya dalam penentuan model antrian.
copied from google

http://community.gunadarma.ac.id/blog/view/id_7207/title_penjelasan-tentang-
metode-antrian/