II-37

BAB II
LANDASAN TEORI

2.2. Distribusi Poisson Dan Eksponensial
2.2.1. Distribusi Poisson
1

Distribusi peluang peubah acak Poisson X, yang menyatakan banyaknya
sukses yang terjadi dalam suatu selang waktu atau daerah tertentu dinyatakan
dengan t, diberikan oleh
!
) (
x
e
x f
x

=

Dengan :

x = 0,1,2,
> 0

Adapun sekilas pengertian dari distribusi Poisson adalah distribusi peluang
dari variabel stochastic X yang diskrit. Kalau sebuah proses kedatangan adalah
proses Poisson dengan rata-rata kedatangan per detik dan kita mendefenisikan
variabel X sebagai jumlah kedatangan di dalam interval waktu t detik, maka X
adalah distribusi poisson dengan parameter = t. Maka peluang dalam distribusi
Poisson dengan parameter adalah :
Pi = e
-

Adapun rata rata dan variasi dalam distribusi Poisson adalah sebagai
berikut :
E(X) =

2
=
Suatu distribusi Poison dapat digunakan dengan tepat dalam suatu
eksperimen poisson yang memenuhi kondisi-kondisi tersebut :
1. Suatu eksperimen yang meliputi pencacahan banyaknya suatu peristiwa terjadi
dalam setipa satuan unit yang ditentukan. Unit ysng ditentukan ini biasanya
adalah unit waktu atau ruang.

1
Harinaldi.2005.Prinsip-Prinsip Statistik Untuk Teknik dan Sains.Jakarta:Erlangga.Hal:87
II-37

2. Probabailitas peristiwa tersebut adalah sama untuk satiap satuan unit.
3. Banyaknya peristiwa yang terjadi dalam setiap satuan unit saling bebas
terhadap I banyaknya peristiwa yang terjadi pada setiap satuan unit yang
lainnya.
Dalam eksperimen poison, probabilitas memperoleh dengan tepat
peristiwa X sebanyak x kejadian untuk setiap satu satuan unit (waktu dan ruang).

Gambar 2.1. Kurva Distribusi Poisson

2.2.2. Distribusi Eksponensial
2

Berkaitan dengan distribusi Poisson yang digunakan untuk menyelesaikan
permasalahan yang berkaitan dengan banyaknya hasil yang diperoleh dari suatu
eksperimen pada selang waktu tertentu atau dalam daerah tertentu. Dalam banyak
hal, terkadang selang waktu berbentuk peubah acak.
Sebagai contoh, seorang insinyur mungkin ingin meneliti waktu (T) antara
kendaraan tiba di suatu simpang empat yang padat selama waktu sibuk disuatu
kota besar. Waktu tiba merupakan kejadian Poisson. Dalam hal ini, permasalahan
diatas dapat diselesaikan dengan menggunakan apa yang disebut dengan
distribusi eksponensial. Untuk menghitung nilai x dari data pengamatan pada H
1
,
H
2
, sampai H
10
terlebih dahulu ditentukan nilai waktu pelayanan yang diharapkan
dengan menggunakan rumus distribusi Eksponensial.

2
http://www.scribd.com/doc/35884084/DISTRIBUSI-PELUANG
II-37

Untuk menentukan nilai x maka digunakan rumus:

Kriteria keputusan dilakukan dengan terima rata-rata pelayanan berdistribusi
eksponensial apabila xxdalam hal lain keputusan ditolak X
2
Hitung X
2
tabel
dalam hal ini keputusan ditolak.
Perubah acak kontinu X terdistribusi eksponensial dengan parameter, jika
fungsi padatnya berbentuk:





Rata-rata dan variansi distribusi gamma adalah


Rata-rata dan variansi distribusi eksponensial adalah



Adapun grafik distribusi Eksponensial dapat dilihat pada gambar 2.2. di bawah ini
:
1
0
0
0
x
e ; x
f(x)
; x yanglain
dengan
|
|
|

>
=

>
2 2
dan o| o o| = =
2 2
dan | o | = =
II-37


Gambar 2.2. Kurva Distribusi eksponensial

2.2. Kegunaan distribusi Poisson dan Eksponensial untuk teori antrian
3
Distribusi poisson banyak digunakan dalam hal yaitu :
a. Menghitung Probabilitas terjadinya peristiwa menurut satuan waktu, ruang atau
isi, luas, panjang tertentu, seperti menghitung probabilitas dari kemungkinan
kesalahan pemasukan data atau kemungkinan cek ditolak oleh bank, jumlah
pelanggan yang harus antri pada pelayanan rumah sakit, restoran cepat saji atau
antrian yang panjang bila ke Ancol, banyaknya bintang dalam suatu area acak
di ruangangkasa atau banyaknya bakteri dalam 1 tetes atau 1 liter air, jumlah
salah cetak dalam suatu halaman ketik, banyaknya penggunaan telepon per
menit atau banyaknya mobil yang lewat selama 5 menit di suatu ruas jalan.
distribusi bakteri di permukaan beberapa rumput liar di ladang. Semua contoh
ini merupakan beberapa hal yang menggambarkan tentang suatu distribusi
Poisson.
b. Jika kita menghitung sejumlah benda acak dalam suatu daerah tertentu (T),
maka proses penghitungan ini dilakukan yaitu :
1. jumlah rata-rata benda di daerah S T adalah sebanding terhadap ukuran S,
yaitu ECount(S)= S. Di sini melambangkan ukuran S, yaitu panjang, luas,
volume, dan lain lain. Parameter > 0 menggambarkan intensitas proses.

3
http://tugasfisikakuari.blogspot.com/
II-37

2. Menghitung di daerah terpisah adalah bebas.

Adapun kegunaan distribusi eksponensial yaitu digunakan untuk
memodelkan waktu tunggu sampai sebuah peristiwa terjadi, dan juga untuk
memodelkan waktu antar terjadi peristiwa. Variabel random X berdistribusi
Eksponensial dengan parameter , memiliki fungsi :






2.3. Goodness Of Fit Test
2.3.1. Uji Kolmogorov-Smirnov
4

Uji Kolmogorov Smirnov merupakan pengujian normalitas yang banyak
dipakai, terutama setelah adanya banyak program statistik yang beredar.
Kelebihan dari uji ini adalah sederhana dan tidak menimbulkan perbedaan
persepsi di antara satu pengamat dengan pengamat yang lain, yang sering terjadi
pada uji normalitas dengan menggunakan grafik. Konsep dasar dari uji normalitas
Kolmogorov Smirnov adalah dengan membandingkan distribusi data (yang akan
diuji normalitasnya) dengan distribusi normal baku. Distribusi normal baku adalah
data yang telah ditransformasikan ke dalam bentuk Z-Score dan diasumsikan
normal. Jadi sebenarnya uji Kolmogorov Smirnov adalah uji beda antara data yang
diuji normalitasnya dengan data normal baku. Seperti pada uji beda biasa, jika
signifikansi di bawah 0,05 berarti terdapat perbedaan yang signifikan, dan jika
signifikansi di atas 0,05 maka tidak terjadi perbedaan yang signifikan. Penerapan
pada uji Kolmogorov Smirnov adalah bahwa jika signifikansi di bawah 0,05
berarti data yang akan diuji mempunyai perbedaan yang signifikan dengan data
normal baku, berarti data tersebut tidak normal. kelemahan dari Uji Kolmogorov
Smirnov, yaitu bahwa jika kesimpulan kita memberikan hasil yang tidak normal,

4
http.//.multiplycontent.com

=
>
=

lainya x
x e
x f
x
; 0
0 ;
1
) (
/ |
|
2 2
) ( ; ) ( ; 0 | o | | = = = = > X Var X E
II-37

maka kita tidak bisa menentukan transformasi seperti apa yang harus kita gunakan
untuk normalisasi. Jadi ya kalau tidak normal, gunakan plot grafik untuk melihat
menceng ke kanan atau ke kiri, atau menggunakan Skewness dan Kurtosis
sehingga dapat ditentukan transformasi seperti apa yang paling tepat
dipergunakan.

2.3.2. Uji Chi-Square
Uji Chi Kuadrat adalah pengujian hipotesis mengenai perbandingan antara
frekuensi observasi yang benar-benar terjadi/aktual dengan frekuensi
harapan/ekspektasi. Adapun pengertian dari frekuensi observasi dan Frekuensi
harapan adalah sebagai berikut :
Frekuensi observasi nilainya didapat dari hasil percobaan (o)
Frekuensi harapan nilainya dapat dihitung secara teoritis (e)
Langkahlangkah Pengujiannya adalah sebagai berikut :
Diambil satu contoh :
Peneliti ingin mengetahui apakah terdapat hubungan antar jenis kelamin dengan
hobi. Dengan data sebagai berikut :
- Lakilaki yang suka olah raga sebanyak 27 orang
- Perempuan yang suka olah raga sebanyak 13 orang
- Lakilaki yang suka otomotif sebanyak 35 orang
- Perempuan yang suka otomotif sebanyak 15 orang
- Lakilaki yang suka Shopping sebanyak 33 orang
- Perempuan yang suka Shopping sebanyak 27 orang
- Lakilaki yang suka komputer sebanyak 25 orang
- Perempuan yang suka komputer sebanyak 25 orang





II-37

1. Tulis Hipotesis Ha dan Ho
Ho : = 0, Tidak terdapat hubungan yang signifikan antara jenis kelamin dan
hobi
Ha : 0, Terdapat hubungan yang signifikan antara jenis kelamin dengan
hobi.

2. Buat Tabel Kontingensi
Tabel kontingensi berbentuk 2x4 (2 baris dan 4 kolom). Setiap kotak disebut
sel, setiap sebuah kolom berisi sebuah subvariabel, setiap sebuah baris berisi
sebuah subvariabel.
Tabel 2.1. Tabel Kontingensi


3. Cari nilai Frekuensi yang Diharapkan (fe)
Fe untuk setiap sel =
( )( )


Misalnya:
fe sel pertama =
()()

= 24







II-37

4. Isikan Nilai fe ke Dalam Tabel Kontingensi
Tabel 2.2. Tabel Kontingensi dengan nilai fe

5. Hitung nilai ChiSquare

( )

( )

( )

( )

( )

( )

( )

( )

= 0,375 + 0,833 + 0,250 + 0,833 + 0,563 + 1,250 + 0,375 + 1,250
= 5,729
6. Tentukan kriteria pengujian
Jika 2 hitung 2 tabel, maka Ho diterima.
Jika 2 hitung > 2 tabel, maka Ho ditolak.
7. Tentukan Nilai X
2
tabel
Taraf signifikansi () = 0,05
Df = (Baris1)(Kolom1)
= (21)(41)
= 3
Maka 2 Tabel = 7,815
8. Bandingkan 2 hitung dengan 2 tabel
2 hitung (5,729) < 2 tabel (7,815) sehingga Ho diterima
II-37

9. Kesimpulan: Tidak terdapat hubungan yang signifikan antara jenis kelamin
dengan hobi.
Persyaratan uji chi-square adalah sebagai berikut :
a. Data kuantitatif.
b. Satu atau lebih kategori.
c. Pengamatan Independen
d. Sampel ukuran yang memadai (minimal 10)
e. Sampel acak sederhana.
f. Data dalam bentuk frekuensi.
g. Semua pengamatan harus digunakan

2.3.2.1.Uji Kebaikan-Suai Khi-Kuadrat Terhadap Peristiwa yang
Berdistribusi Poisson
Misalkan variabel random x berdistribusi poisson. Untuk menghitung
frekuensi harapan (fe) digunakan fungsi kepadatan probabilitas dari distribussi
poisson. Nilai khi-kuadrat hitung (
2
) dihitung dengan rumus sebagai berikut :
()

Dimana :
= = n.p = E(x)Nilai rata-rata
e = konstanta = 2,71828
x = variabel random diskrtit (1,2,3, .,)
Adapun langkah-langkahnya adalah sebagai berikut :
1. Hitung a=

e , b =1 dan i =0
2. Bangkitkan U
i+1
= U(0,1)
3. Ganti b = bU
i+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


II-37

2.3.2.2.Uji Kebaikan-Suai Khi-Kuadrat Terhadap Peristiwa yang
Berdistribusi Eksponensial
Adapun rumus uji kebaikan-suai khi-kuadrat terhadap peristiwa yang
berdistribusi eksponensial adalah sebagai berikut :
()

Dengan :
= Rata-rata lama pelayanan
e = Bilangan navier ( e = 2,71828 )
t = waktu lamanya pelayanan tiap unit.
Adapun langkah langkahnya adalah sebagai berikut :
1. Bangkitkan U(0,1)
2. Dapatkan X = -.ln(U)
Dengan

rata-rata dengan nilai > 0

2.4. Birth and Death Process (Markov)
5

Proses kelahiran-kematian (birth-death process) merupakan suatu kasus
khusus dalam proses Markov. Dalam hal ini, transisi dimungkinkan hanya antara
kondisi yang berturutan, dimana pengamatan proses kelahiran-kematian dilakukan
pada proses-proses yang bersifat continuous-time sehingga probabilitas bahwa
lebih dari satu kejadian (event) terjadi pada interval waktunya adalah nol, sesuai
persamaan berikut :
lim
t=0
* +

Dimana persamaan ini biasanya disebut sebagai ordinarity. Dapat juga
dinyatakan dengan :

* +

()



5
http//.webprofit4.com
II-37

Proses kelahiran-kematian biasanya digunakan untuk menganalisa sistem
yang bersifat masa seperti sistem jaringan telekomunikasi dan komputer (dimana
sistem mempunyai pelanggan dalam jumlah besar). Proses ini cocok untuk
pemodelan perubahan-perubahan pada jumlah populasi. Dalam suatujaringan
telekomunikasi, populasi adalah jumlah pelanggan (user) dalam sistem. Jika
besarnya populasi dinyatakan dengan k, maka untuk analisa dengan proses
kelahiran-kematian ini kondisi sistem dapat kita notasikan dengan Ek . Jadi dari
kondisi k , maka proses kelahiran-kematian dapat transit hanya ke kondisi k+1 dan
k-1, atau hanya pada kondisi k dengan interval waktu sebesar t. Jika dalam
kondisi k, rate kelahiran adalah k dan rate kematian adalah k, dimana rate
kelahiran dan kematian ini tidak tergantung dengan waktu, tetapi hanya pada
kondisi Ek yang terjadi, maka transisi pada suatu proses kelahiran kematian dapat
diperlihatkan pada Gambar 2.3 dan diagram kondisinya pada Gambar 2.4.

Gambar 2.3. Transisi Kondisi pada Suatu Proses Kelahiran-Kematian



Gambar 2.4. Diagram Kondisi Markov Satu Dimensi Untuk Suatu Proses
Kelahiran-Kematian Dengan Populasi Tidak Terbatas.
II-37

2.5. Teori Antrian
6

Antrian (tempat menunggu giliran) merupakan bagian dari hidup sehari
hari. Kita semua menunggu dalam antrian untuk membeli tiket bioskop,
menabung di bank, membayar belanjaan di kasir, mengirimkan paket, mengambil
makanan di kantin, memulai permainan di taman hiburan, dan lain lain. Kita
telah terbisa menunggu dalam waktu terbatas, tetapi tetap saja terganggu dengan
antrian yang panjang.
Akan tetapi, menunggu tidak hanya gangguan perseorangan. Jumlah waktu
yang di habiskan oleh seluruh populasi suatu negara untuk menunggu antrian
merupakan faktor penting yang menunjukkan kualitas hidup dan perekonomian
negara itu. Sebagai contoh, sebelum terpecah, Uni Soviet terkenal dengan antrian
panjang yang sering dihadapi penduduknya untuk sekedar memperoleh kebutuhan
pokok. Bahkan di Amerika Serikat diperkirakan bahwa penduduknya
menghabiskan 37.000.000 jam per tahun untuk menunggu dalam antrian. Jika
waktu ini digunakan untuk hal produktif, nilai ini setara dengan kerja yang
berguan sekitar 20 juta jam-orang per tahun.
Angka yang menakjubkan ini belum menceritakan semua pengaruh dari
menungggu yang terlalu lama. Inefisiensi yang besar juga terjadi karena jenis
antrian yang lain yang tidak melibatkan orang. Sebagai contoh, membuat mesin
menunggu untuk diperbaiki mungkin mengakibatkan produksi terhenti. Kendaraan
(termasuk kapal dan truk) yang perlu menunggu sebelum di bongkar muatannya
dapat menunda pengiriman berikutnya. Penundaan dalam transmisi
telekomunikasi karena saluran yang sibuk dapat menyebabkan hilangnya sebagian
data. Membuat pekerjaan manufaktur menunggu dapat mengganggu produksi
berikutnya. Menunda penyelesaian pekerjaan bidang jasa sampai lebih dari jatuh
tempo mengakibatkan hilangnya bisnis di masa datang.
Teori Antrian adalah studi tentang proses menunggu dalam semua variasi
yang mungkin. Model antrian digunakan untuk merepresentasikan berbagai
macam sistem antrian (sistem yang mengandung suatu jenis antrian) yang ada
dalam praktik. Rumus untuk setiap model menunjukkan bagaimana kinerja dari

6
Lieberman,Hilier.2005.Operation Research.Jakarta:ANDI.Hal:194
II-37

sistem yang berhubungan, termasuk rata rata waktu tunggu yang akan terjadi,
dengan beberapa batasan yang bervariasi.

2.5.1. Struktur Dasar Model Antrian
Adapun struktur dasar model antrian adalah sebagai berikut :
1. Single Channel Single Phase
Single channel berarti hanya ada satu jalur yang memasuki sistem pelayanan
atau ada satu fasilitas pelayanan. Single phase berarti hanya ada satu
pelayanan.

Gambar 2.5. Skema Antrian Single Channel Single Phase

2. Multi Channel Single Phase
Istilah multi phase menunjukkan ada dua atau lebih pelayanan yang
dilaksanakan secara berurutan (dalam phasephase). Sebagai contoh pencucian
mobil.

Gambar 2.6. Skema Antrian Multi Channel Single Phase

Keterangan :
M= antrian
S = fasilitas pelayanan

II-37

3. Single Channel Multi Phase
Sistem multi channel single phase terjadi kapan saja di mana ada dua atau
lebih fasilitas pelayanan dialiri oleh antrian tunggal, sebagai contoh model ini
adalah antrian pada teller sebuah bank.

Gambar 2.7. Skema Antrian Single Channel Multi Phase

4. Multi Channel Multi Phase
Sistem multi channel multi phase ditumjukkan dalam Gambar dibawah ini.
Sebagai contoh, herregistrasi para mahasiswa di universitas,pelayanan kepada
pasien di rumah sakit mulai dari pendaftaran, diagnosa, penyembuhan sampai
pembayaran. Setiap sistem-sistem ini mempunyai beberapa fasilitas
pelayanan pada setiap tahapnya.

Gambar 2.8. Skema Antrian Multi Channel Multi Phase

2.5.2. Proses Dasar Antrian
Proses dasar yang diasumsikan oleh hampir semua model antrian adalah
sebagai berikut. Pelanggan yang membutuhkan pelayanan dihasilkan sepanjang
waktu oleh sumber masukan (input source). Pelanggan ini lalu memasuki sistem
antrian dan bergabung dalam antrian. Pada waktu waktu tertentu, satu anggota
dari antrian dipilih untuk dilayani dengan aturan yang dikenal dengan disiplin
antrian. Pelayanan yang dibuthkan untuk pelanggan ini dikerjakan menurut
II-37

mekanisme pelayanan tertentu, setelah selesai pelanggan meniggalkan sistem
antrian. Proses ini tergambar pada Gambar 2.9.

Gambar 2.9. Proses Antrian Dasar

2.5.3. Model Model Sistem Antrian
7

Pada teori antrian, suatu model antrian digunakan untuk memeriksa suatu
situasi antrian sesungguhnya, sehingga kelakuan antrian dapat dianalisa secara
matematik. Dengan model sistem antrian maka akan dimungkinkan untuk
menentukan ukuran performansi pada kondisi steady, antar lain termasuk :
a. Jumlah rata rata pelanggan yang berada dalam antrian atau sistem
b. Waktu rata rata dalam antrian atau sistem
c. Distribusi statistik dari jumlah pelanggan dan waktu dalam antrian
d. Probabilitas antrian penuh atau kosong
e. Probabilitas mendapatkan sistem dalam suatu kondisi tertentu
Ukuran-ukuran performansi tersebut sangat penting sebagai isu atau
problem yang disebabkan oleh situasi antrian yang biasanya terkait dengan
masalah kepuasan pelanggan terhadap layanan. Analisa terhadap model antrian
yang tepat akan memungkinkan penyebab antrian dapta diidentifikasi dan akibat-
akibatnya dapat diminimisasi.
Secara umum, model-model antrian sendiri dapat direpresentasikan dengan
menggunakan notasi Kendall sebagai berikut :

A/B/S/K/N/Dis


7
http://tugasuntukor2.blogspot.com/2010/01/struktur-dasar-model-model-antrian.html
II-37

Dimana :
- A adalah distribusi waktu antar kedatangan
- B adalah distribusi waktu layanan
- S adalah jumlah dari sever
- K adalah kapasitas sistem
- N adalah populasi pendudukan ( yang sedang melakukan pendudukan )
- Dis adalah asumsi dari disiplin layanan
Umumnya, 3 parameter terakhir diabaikan, sehingga notasi hanya terdiri
dari A/B/S dan diasumsikan bahwa K = infinitely (= ), N = infinitely, dan Dis =
FIFO.
Notasi standar yang sering digunakan untuk distribusi (A atau B) adalah:
- M untuk suatu distribusi Markovian (exponential)
- E untuk suatu distribusi Erlang dengan fase
- D untuk distribusi (konstan) Degenerate (atau Deterministic)
- G untuk distribusi General (arbitrary)
- PH untuk suatu distribusi Phase-type
Sebagai contoh, G/D/1 akan mengindikasikan suatu proses kedatangan
General (bisa apa pun), suatu proses layanan Deterministic (constant time) dan
suatu server tunggal (single). Pada sistem switching, implementasi sistem antrian
memungkinkan pelanggan-pelangan yang belum terlayani untuk antri sampai
tersedianya sarana (resources) untuk proses pelayanan. Ini berarti bahwa jika level
intensitas trafik melebihi kapasitas yang tersedia, maka panggilan dari pelanggan
yang tidak dapat dilayani tidak harus langsung hilang; tapi dibuat menunggu
sampai dapat dilayani. Model sistem antrian dapat diilustrasikan secara sederhana
pada Gambar 2.10.


II-37


Gambar 2.10. Model Sistem Antrian

2.5.4. Notasi dan Terminologi Antrian
Terminologi dan notasi yang biasa digunakan dalam sistem antrian
adalah sebagai berikut :
1. Keadaan sistem ialah jumlah atau banyaknya aktivitas pelayanan yang
melayani satuan langganan yang berada dalam sistem
2. Panjang antrian adalah banyaknya satuan yang berada dalam sistem dikurangi
dengan jumlah satuan yang sedang dilayani.
Notasi yang digunakan sebagai berikut :
n = Jumlah satuan nasabah dalam sistem antrian pada waktu t.
c = Jumlah satuan pelayanan.
P = Peluang bahwa ada n satuan nasabah yang masuk dalam antrian dalam
waktu t.
= Kecepatan pertibaan rata-rata.
t = Peluang bahwa ada satu satuan nasabah yang masuk dalam antrian
selama waktu t.
= Kecepatan pelayanan rata-rata.
t = Peluang bahwa ada satu satuan nasabah yang selesai dilayani selama
waktu t.
= Intensitas lalu lintas.
c = Faktor utilitas untuk fasilitas pelayanan c.
L
q
= Ekspektasi panjang antrian.
L = Ekspektasi panjang garis.
W = Ekspektasi waktu menunggu dalam sistem.
W
q
= Ekspektasi waktu menunggu dalam antrian
II-37

2.5.5. Notasi Kendall
Untuk kemudahan dalam memahami karakteristik suatu sistem antrian
digunakan notasi Kendall Lee yaitu format umum, (a / b /c ) : (d / e /f ). Notasi ini
dikenalkan pertama kali oleh DG Kendall dalam bentuk (a / b /c ) dan selanjutnya
AM.Lee menambahkan symbol d, e dan f pada notasi kendall. Notasi tersebut
mempunyai arti sebagai berikut :
a : Bentuk distribusi pertibaan, yaitu jumlah pertibaan pertambahan waktu
b : Bentuk distribusi pelayanan, yaitu selang waktu antara satuan-satuan yang
dilayani.
c : Jumlah saluran pararel dalam sistem
d : Disiplin pelayanan
e : Jumlah maksimum yang diperkenankan berada dalam sistem
f : Besarnya populasi masukan
Simbol a dan b untuk kedatangan dan kepergian digunakan kode-kode
berikut sebagai pengganti :
M : Distribusi pertibaan Poisson atau distribusi pelayanan eksponensial
D : Waktu pelayanan tetap
G : Distribusi umum keberangkatan atau waktu pelayanan
Untuk huruf c, dipergunakan bilangan bulat positif yang menyatakan
jumlah pelayanan pararel. Untuk huruf e dan f digunakan kode N atau menyatakan
jumlah terbatas atau tak berhingga satu-satuan dalam sistem antrian dan populasi
masukan. Misalnya kalau ditulis model (M/M/1) : (FIFO/~/~), ini berarti bahwa
model menyatakan pertibaan didistribusikan secara Poisson, waktu pelayanan
didistribusikan secara eksponensial, pelayanan adalah first in first out, tidak
berhingga jumlah langganan yang boleh masuk dalam sistem antrian dan ukuran
(besarnya) populasi masukan adalah tak berhingga.

2.5.6. Probability Steady State System
Suatu asumsi yang sangat penting dalam teori antrian adalah apakah
sistem mencapai suatu keadaan keseimbangan atau dinamakan steady state. Ini
berarti diasumsikan bahwa cir-ciri operasi seperti panjang antrian dan rata-rata
II-37

waktu menunggu memiliki nilai konstan setelah sistem berjalan selama suatu
periode waktu.
Hampir semua model antrian dasae mengasumsikan keadaan steady state.
Namun, beberapa sistem antrian tidak pernah dapat diharapkan berjalan cukup
lama dalam keadaan steady state. Model terakhir ini dinamakan keadaan transient.
Dalam analisis antrian transient solusinya tergantung pada waktu yang telah
dilewati sejak sistem mulai beroperasi.

2.5.7. Model Antrian (M/M/S)
2.5.7.1.Rata-Rata Jumlah Pelanggan dalam Sistem
Misalkan E (n
t
) berupa jumlah rata rata langganan dalam sistem antrian,
mencakup langganan yang menunggu dan yang sedang dilayani. Maka :

Dimana :
E(n
t
) = Jumlah rata rata langganan dalam sistem antrian
n = jumlah pelanggan dalam sistem
Pn = probabilitas kepastian n pelanggan dalam sistem
= jumlah rata-rata pelanggan yang datang persatuan waktu
= jumlah rata-rata pelanggan yang dilayani per satuan waktu
Urutan suku suku dari (

mempunyai bentuk 0, a, 2a
2
, 3a
3
, ,
na
n
, Dalam hal ini a konstan dan kurang dari 1, deret ini akan konvergen menjadi
jumlah, dengan rumus :
II-37


Dimana:
E(n
t
) = Jumlah rata rata langganan dalam sistem antrian
= jumlah rata-rata pelanggan yang datang persatuan waktu
= jumlah rata-rata pelanggan yang dilayani per satuan waktu
Bila jumlah laju pertibaan mendekati jumlah laju pelayanan , maka
jumlah rata rata dalam sistem, E (n
t
) berkembang menjadi lebih besar. Bila =
atau = 1, maka E (n
t
) = atau jumlah rata rata langganan dalam sistem antrian
menjadi besar tak berhingga.

2.5.7.2.Rata-Rata Jumlah Pelanggan dalam Antrian
Misalkan E (n
w
) sebagai jumlah rata rata langganan dalam antrian, maka
:

Dimana :
E (n
w
) = rata rata langganan dalam antrian
= jumlah rata-rata pelanggan yang datang persatuan waktu
= jumlah rata-rata pelanggan yang dilayani per satuan waktu


II-37

2.5.7.3.Rata-Rata Waktu yang Dihabiskan Satu Pelanggan dalam Antrian
Misalkan E (T
w
) merupakan waktu rata rata yang dihabiskan oleh
seorang pelanggan dalam antrian.

Dimana :
E(T
w
) = waktu rata rata yang dihabiskan oleh seorang pelanggan dalam antrian
= jumlah rata-rata pelanggan yang datang persatuan waktu
= jumlah rata-rata pelanggan yang dilayani per satuan waktu
n = jumlah pelanggan dalam sistem

2.5.7.4.Rata-Rata Waktu yang Dihabiskan Satu Pelanggan dalam Sistem
Misalkan E (T
t
) merupakan waktu rata rata bahwa seorang pelanggan
akan menghabiskan waktunya dalam sistem, maka E (T
t
) =
(

dimana E (n
t
)
adalah jumlah rata rata pelanggan dalam sistem.
()

Dimana :
= jumlah rata-rata pelanggan yang dilayani per satuan waktu
E (T
t
) = rata rata bahwa seorang pelanggan akan menghabiskan waktunya
dalam sistem
= jumlah rata-rata pelanggan yang datang persatuan waktu
= jumlah rata-rata pelanggan yang dilayani per satuan waktu

2.6. Simulasi Antrian
8

Simulasi ialah suatu metodologi untuk melaksanakan percobaan dengan
menggunakan model dari satu sistem nyata (Siagian, 1987). Menurut Hasan
(2002), simulasi merupakan suatu model pengambilan keputusan dengan

8
http://ghostyoen.files.wordpress.com/2008/02/simulasi-antrian.pdf
II-37

mencontoh atau mempergunakan gambaran sebenarnya dari suatu sistem
kehidupan dunia nyata tanpa harus mengalaminya pada keadaan yang
sesungguhnya. Simulasi adalah suatu teknik yang dapat digunakan untuk
memformulasikan dan memecahkan model model dari golongan yang luas.
Golongan atau kelas ini sangat luasnya sehingga dapat dikatakan , Jika semua
cara yang lain gagal, cobalah simulasi (Schroeder, 1997).
Pada umumnya terdapat 5 langkah pokok yang diperlukan dalam menggun
akan simulasi, yaitu :
1. Menentukan persoalan atau sistem yang hendak disimulasi.
2. Formulasikan model simulasi yang hendak digunakan.
3. Ujilah model dan bandingkan tingkah lakunya dengan tingkah laku dari
sistem nyata, kemudian berlakukanlah model simulasi tersebut.
4. Rancang percobaan percobaan simulasi.
5. Jalankan simulasi dan analisis data

2.7. Software Arena 10.0
9

Arena adalah simulasi kejadian diskrit perangkat lunak simulasi dan
perangkat lunak otomatisasi yang dikembangkan oleh Systems Modeling dan
diakuisisi oleh Rockwell Otomasi pada tahun 2000. Ia menggunakan prosesor
SIMAN dan bahasa simulasi.
Pada 2010, dalam versi 13.0. Ia telah mengemukakan bahwa Arena bisa
bergabung dengan paket lain Rockwell perangkat lunak di bawah merek
"FactoryTalk". Di Arena, pengguna membangun model eksperimen dengan
menempatkan modul (kotak dari berbagai bentuk) yang merupakan proses atau
logika. Garis Konektor digunakan untuk bergabung dengan modul-modul ini
bersama-sama dan menentukan aliran entitas. Sementara modul memiliki tindakan
spesifik relatif terhadap badan, aliran, dan waktu, representasi yang tepat dari
setiap modul dan entitas relatif terhadap benda-benda nyata tunduk pemodel. Data
statistik, seperti waktu siklus dan WIP (barang dalam proses) tingkat, dapat
direkam dan yang ditampilkan sebagai laporan. Arena terintegrasi sangat baik

9

9
http://en.wikipedia.org/wiki/Arena_(software)
II-37

untuk teknologi Microsoft. Hal ini termasuk Visual Basic for Applications
sehingga model dapat lebih otomatis jika algoritma yang spesifik diperlukan. Ini
juga mendukung impor Microsoft Visio diagram alur, serta membaca dari atau
keluaran untuk spreadsheet Excel dan database Access. Hosting ActiveX kontrol
juga didukung.
Langkah-Langkah Simulasi dengan Software Arena 10.0:
a. Input Data Sequences pada Advanced Transfer

Gambar 2.11. Input Data Sequences

Input data sequences dapat dilakukan langkah-langkah berikut:
1. Masukkan data sesuai dengan jumlah part pada sequence name, beri nama
seperti contoh Part 1 Process Plan dan seterusnya sampai Part 10 Process
Plan.
2. Pada kolom Steps masukkan Cell sesuai urutan pengerjaan part pada stasiun
kerja seperti contoh pada Part 1 Process ada 8 cell yang melalui cell
1,2,3,1,4,5,1,4,8 dan kolom terakhir berisi Exit System yang menandakan akhir
dari proses.
3. Pada kolom Step Name diisi dengan Part 1 Step 1 sampai dengan Part 1
4. Lalu pada kolom Assignments berisi assignment type yang berisi jenis data
pilih Atribute, pada Attribute Name tulis Process Time, kemudian pada kolom
Value isi dengan bilangan distribusi Triangular yang diberikan pada
kelompok 1 dan seterusnya.


II-37

b. Pengaturan Advanced Set pada Advanced Proses


Gambar 2.12. Pengaturan Advanced Set
Pengaturan Advanced Set pada Advanced Proses dapat dilakukan langkah-
langkah berikut:
1. Isi kolom Name dengan Part Squences, lalu isi Set Type dengan Other.
2. Pada kolom Members masukkan jumlah part yang akan disimulasikan dengan
penulisan Part 1 Process Plan sampai dengan Part 10 Process Plan.
c. Pengaturan Variable Pada Basic Process

Gambar 2.13. Pengaturan Variable

Isi Name pada Variable dengan Transfer Time, pilih System pada Clear
Option dan pada Initial Values ketik 2.0
d. Pengaturan Set pada Basic Process

II-37


Gambar 2.14. Pengaturan Set

Pada baris pertama isi dengan Part Picture, pilih Entity.Picture pada type,
lalu pada member isikan Picture.Part 1 sampai dengan Picture.Part 10
e. Pengaturan Entity Pada Basic Process

Gambar 2.15. Pengaturan Entity

Entity Type dengan Komponen 1 sampai dengan Komponen 10 lalu
tambah satu baris berisi Total, kemudian pilih animasi sesuai keinginan pada
Initial Picture.








II-37

f. Pembuatan Simulasi

Gambar 2.16. Pembuatan Simulasi

Pembuatan simulasi dapat dilakukan langkah-langkah berikut:
1. Create, Assign, Station, dan Route

Simulasi analisa pertama kita buat Create dengan properti seperti:

Gambar 2.17. Create dengan Property







II-37

Setelah itu buat Assign dengan properti seperti:

Gambar 2.18. Assign Dengan Property

Lalu buat Station dengan properti seperti:

Gambar 2.19 . Station Dengan Property

Kemudian buat Route dengan properti seperti:

Gambar 2.20. Route dengan Property

2. Membuat Stasiun Kerja

II-37

Gambar 2.20. Gambar Stasiun Kerja
Buat rangkaian dengan Stasion, Process dan Route seperti diatas dengan
property seperti dibawah ini.

Gambar 2.21. Property untuk stasion
Property untuk Process

Gambar 2.22. Property untuk Process
3. Tahap Akhir
Membuat output dengan Stasion dan dispose sbb :

II-37

Gambar 2.23. Output dengan Stasion dan Dispose
Kemudian buat Route dengan properti seperti:

Gambar 2.24. Route dengan properti

2.8. Pemodelan dan Simulasi Sistem Teller Bank berupa Studi Kasus
dengan Sistem DNH Cabang Bank
1. Pendahuluan
Munculnya computer sangat memperluas penerapan pemodelan simulasi
praktis. Ini telah diterapkan untuk mengestimasi kinerja, menjawab suatu
pertanyaan, dan para pekerja yang sedang magang dalam penggunaan sistem
baru. Makalah ini menyajikan sistem teller bank yang sederhana sebagai
aplikasi dari teknik simulasi. Simulasi model diterapkan karena penyelidikan
dari sistem yang sebenarnya. Namun, penulis bermaksud untuk mempelajari
dasar sistem operasi dengan menggunakan analisis simulasi. Oleh karena itu,
struktur penulisan tersebut pertama kali dikembangkan dengan pernyataan
masalah dimana sistem praktek dan tujuan belajar akan disajikan. Berdasarkan
hal itu, model simulasi dengan perangkat lunak simulasi Arena akan dibangun
dan dijelaskan. Model logika dan deskripsi lebih detail tentang modul simulasi
yang akan diperagakan. Akibatnya, verifikasi untuk menjamin model
berperilaku sebagai tujuan, dan validasi untuk mengesahkan model dengan
sistem nyata. Para penulis tertarik dalam memperkirakan kinerja aktual dari
sistem, sehingga skenario akan dibangun pada struktur fisik yang sebenarnya.
Simulasi outputkemudian akan direkam dan sistem parameter yang memenuhi
tujuan yang diperlukan akan diringkas. Oleh karena itu, analisis akan dilakukan
berdasarkan kinerja sistem di bawah kondisi yang berbeda dalam hal
II-37

kedatangan pelanggan. Akhirnya, kesimpulan tentang operasi dari sistem saat
ini merupakan kewajiban. Kemudian beberapa saran atau catatan akan
diajukan.
2. Pernyataan Masalah
Pertimbangkan sebuah sistem pelayanan, sebuah cabang bank sistem DNH
berupa kasir, di mana layanan umum termasuk membuat antrian dan
menunggu, kemudian sedang dilayani oleh teller bank, dan setelah keluar dari
sistem tersebut. Sebenarnya, nama cabang bank berubah karena sensitif.
Namun, sistem operasi praktek yang ditiru dalam model simulasi. Diagram
skematik umum sistem digambarkan seperti pada Gambar 2.25. Adapun
gambar 2.25. adalah sebagai berikut :

Gambar 2.25. Sebuah diagram aliran proses

Pelanggan memasuki sistem pada waktu yang berbeda. Dalam sistem studi
kasus, ada dua jenis proses layanan, di mana semua layanan relatif terhadap
mata uang domestik diklasifikasikan menjadi tipe I dan lain-lain relatif
II-37

terhadap mata uang asing diklasifikasikan ke dalam tipe II. Seorang pelanggan
membuat antrian yang cocok dan menunggu gilirannya jika pada saat masuk
tidak ada teller bank yang tersedia. Dalam sesuatu hal jika nasabah dianggap
sebagai orang yang sangat penting (VIP), dia akan disajikan pada setiap saat
ketika ada teller bank yang dibutuhkan tersedia tanpa menunggu giliran kecuali
bahwa ada setidaknya satu VIP pelanggan dalam antrian. Setelah itu,
pelanggan akan keluar dari sistem. Sebenarnya, model simulasi tidak bisa
mensimulasi semua aspek dari sistem nyata, sehingga akan dipertimbangkan
berdasarkan asumsi sebagai berikut, semua layanan saya hanya diklasifikasikan
menjadi dua jenis pelanggan seperti yang disebutkan di atas. Waktu kerja I
adalah 9:00-4:00 sore di mana 30 menit pertama adalah waktu pemanasan, dan
5 hari seminggu. Jumlah kedatangan pelanggan mengikuti distribusi Poisson
atau waktu antara dua pelanggan kedatangan. Distribusi eksponensial diubah
sebagai simulasi skenario yang berbeda. Waktu istirahat tak terduga (teller
bank) tidak dipertimbangkan. Parameter Output Hanya dianggap rangkuman
sementara yang tidak disebutkan. Tulisan ini bermaksud untuk
mempertimbangkan berlaku mulai dari kebijakan teller bank untuk
memberikan tingkat pelayanan yang berkualitas tinggi dengan biaya yang
terjangkau. Bank eksekutif biasanya ingin menyewa cukup teller bahwa
pelanggan tidak perlu menunggu dalam antrian terlalu lama. Untuk hasil yang
diharapkan, jumlah teller perlu ditambah. Saat ini, ada teller bank melayani
tiga untuk jenis pelanggan 1 dan dua yang pengolahan lain. Mereka beroperasi
di proses paralel. Seperti disebutkan dalam bagian sebelumnya, penulis
bermaksud untuk memberikan tampilan yang jauh di dalam sistem pada
hubungan antara teller bank dan pelanggan. Oleh karena itu, pengukuran
kinerja tertarik berikut:
a. utilitas Sumber Daya
b. Rata-rata waktu tunggu dan kuantitas dalam antrian pelanggan.
3. Model Arena
Dengan pernyataan masalah yang disebutkan di atas, sebuah simulasi model
sistem yaitu Arena dari sistem pembelajaran sedang melakukan perbaikan.
II-37

Perangkat lunak simulasi Arena digunakan karena memiliki banyak
keuntungan dalam simulasi dan sistem pemodelan diskrit. Model Arena dan
modul-modulnya disajikan dalam berikut.

2.8.1. Sebuah logika model Arena sistem teller bank
Suatu ikhtisar model logika ditunjukkan seperti pada Gambar 2.26, yang
sementara gabungan dari tiga segmen termasuk kedatangan pelanggan, membuat
antrian, dan proses segmen bank. Adapun gambar 2.26. adalah sebagai berikut :

Gambar 2.26. Model Kedatangan Pelanggan

Kedatangan entitas, pelanggan, diciptakan dalam pernyataan ini. Jumlah
pelanggan dinyatakan dengan pembuatan modul, modul kedatangan pelanggan.
Atribut pelanggan dibuat dengan penetapan modul yang cocok dan tergantung
pada seberapa banyak persentase pelanggan diklasifikasikan ke dalam Tipe I atau
Tipe II atau VIP. Di segmen berikutnya, pelanggan membuat antrian yang cocok
tergantung pada atribut mereka dan kondisi sistem. Jika sumber daya yang
dibutuhkan, teller bank, tersedia untuk melayani, pelanggan dilayani segera. Jika
tidak, dia harus membuat antrian dan menunggu / giliran. Ada empat antrian
sementara dalam sistem praktek, yang digunakan untuk jenis pelanggan umum
yang saya, pelanggan umum tipe II, tipe VIP I, dan tipe VIP II. Empat Tahan
modul digunakan sebagai antrian dalam sistem, yang menunda pelanggan sampai
menerima sinyal yang sesuai dari jasa teller bank. Ada 3 teller bank A, B dan C
melayani untuk pelanggan Tipe utama termasuk pelanggan umum dan VIP, dan
II-37

dua teller bank D dan E melayani bagi orang lain. Ketika seorang pelanggan
menerima sinyal, ketertiban, sebuah sumber daya yang tersedia yang cocok, teller
bank yang dipilih. Setelah menjabat, ia keluar dari sistem dan sinyal berikutnya
dibuat seperti pada Gambar 2.27. Adapun gambar 2.27. adalah sebagai berikut :

Gambar 2.27. Pengolahan Model Logika dan sistem sinyal kontrol

2.8.2. Deskripsi lebih detail tentang modul
Modul kedatangan pelanggan menghasilkan entitas memasuki sistem.
Tergantung pada praktek data yang dikumpulkan, distribusi terbaik tetap
digunakan seperti yang ditunjukkan pada pilihan Ekspresi Gambar 2.28. Adapun
gambar 2.28. adalah sebagai berikut :



II-37


Gambar 2.28. Pembuatan Modul untuk menghasilkan kedatangan
pelanggan

Dalam penelitian ini, distribusi Eksponensial digunakan sebagai
disebutkan di atas. Setelah atribut pelanggan ditugaskan kepada badan usaha,
kondisi sistem diperiksa oleh modul Putuskan dengan tipe-cara N oleh kondisi
untuk menentukan apakah pelanggan dilayani segera atau harus menunggu.
Mereka termasuk antrian dan negara sumber daya seperti pada Gambar 2.29.
dengan ekspresi yang digunakan untuk memeriksa mereka. Adapun gambar 2.29.
adalah sebagai berikut :

Gambar 2.29. Penentuan Modul untuk membuat antrian
II-37

Jika sumber daya yang dibutuhkan tidak tersedia, entitas yang disimpan
oleh sebuah modul Tahanan yang cocok tergantung pada atribut entitas. Entitas
membuat antrian dengan aturan First In First Out (FIFO) dan menunggu sinyal
seperti pada Gambar 2.30. Adapun gambar 2.30. adalah sebagai berikut:

Gambar 2.30. Tahanan Modul untuk antrian

Tahanan modul beroperasi sama dengan parameter mereka tergantung
pada atribut entitas. Pada suatu kali, hanya satu entitas dilepaskan dari antrian
karena pilihan batas. Ada lebih dari satu teller bank yang bisa melayani setiap
jenis pelanggan. Oleh karena itu, dua Pemutusan modul yang digunakan untuk
memeriksa keadaan sumber daya dan sistem pemesanan sinyal dengan cara Tipe-
N oleh kondisi. Gambar 2.31. menunjukkan Putuskan modul yang digunakan
untuk memeriksa sumber daya melayani tipe pelanggan saya, di mana tiga teller
bank diperiksa apakah mereka sistem sinyal sibuk atau menganggur dan
ketertiban diperiksa melalui tiga variabel. Order A, V.order B dan V.order C.
Demikian pula, lain diterapkan untuk tipe pelanggan 2. Adapun gambar 2.31.
adalah sebagai berikut :
II-37


Gambar 2.31. Pemilihan Modul untuk teller bank yang cocok

2.8.3. Verifikasi dan Validasi
Model simulasi adalah representasi akurat dari sistem nyata adalah
pertanyaan penting karena jika model yang tidak dekat dengan pendekatan sistem
yang sebenarnya, setiap kesimpulan atau saran yang berasal dari model cenderung
salah dan dapat menghasilkan keputusan keputusan mahal. Validasi adalah proses
penentuan pertanyaan itu. Selain itu, sebelum melakukan eksperimen dan analisis,
model harus memastikan bahwa ia melakukan seperti yang dirancang. Verifikasi
tugas memverifikasi model tampaknya berjalan dengan benar dan untuk
menyediakan statistik yang relevan. Oleh karena itu, model simulasi yang salah
pada langkah demi langkah dengan proses pemodelan model simulasi. Perangkat
lunak Arena menyediakan animasi model yang memungkinkan penulis
mengetahui interaksi menyinggung atau hanya kesalahan pemodelan polos dan
sederhana. Sebenarnya, parameter model yang berubah menjadi nilai konstan dan
sejumlah pelanggan kedatangan dihasilkan untuk menciptakan berbagai situasi
yang berbeda di mana model logika terjamin dengan benar. Akhirnya, penulis
ditinjau hasil simulasi output dan membuat analisis sensitif berdasarkan utilitas
sumber daya, jumlah pelanggan dalam antrian dan waktu tunggu pelanggan untuk
memastikan model kerja sebagaimana dimaksud. Jika keyakinan dalam hasil dari
model dicapai, langkah berikutnya akan dilakukan.
II-37

2.8.5. Percobaan dan Analisis
Model simulasi diharapkan untuk memberikan sebuah metode sederhana
untuk mempertimbangkan kebijakan teller Bank mengelola baru dan untuk
menganalisis apa yang bisa terjadi di bawah berbeda kondisi sistem. Bahkan,
sistem yang ada adalah eksperimen pertama yang harus disimulasikan dan
dianalisis. Tergantung pada tujuan simulasi, beberapa data keluaran dianalisis.
Dengan model simulasi Arena, banyak data keluaran dapat dianalisis.
Berdasarkan hasil simulasi, kebijakan dianggap baru disarankan dan
dipertimbangkan dengan model simulasi. Sebagaimana disebutkan di atas, tujuan
dari penelitian ini adalah untuk memberikan tampilan yang jauh di dalam sistem,
sehingga kedatangan pelanggan yang meningkat serta menurun sebagai
eksperimentasi. Semua skenario simulasi dan hasil yang diharapkan mereka
diringkas dalam lampiran A dan B. Umumnya, peningkatan pemanfaatan sumber
daya atau penurunan bersamaan dengan jumlah pelanggan kedatangan. Sepertinya
adil antara teller Bank, namun sebenarnya hasil simulasi menunjukkan bahwa
variasi antara masing-masing Bank lebih tinggi dan pemanfaatan sumber daya
rata-rata yang berbeda. Ketika jumlah kedatangan pelanggan rendah, kurang dari
150 pelanggan sehari, nilai pemanfaatan teller C terendah dan bahwa dari teller
Bank A dan B adalah sedikit lebih tinggi dari nilai rata-rata. Demikian pula,
variasi nilai pemanfaatan teller E lebih besar daripada teller D. Hal ini terjadi
karena ketika seorang pelanggan datang dan jika lebih dari dua sumber daya yang
tersedia untuk melayani, pelanggan akan memilih dekat sumber daya.

2.8.6. Kesimpulan dan Saran
Sebenarnya, tulisan ini hanya menampilkan model simulasi sederhana
untuk sistem teller Bank. Hal ini menunjukkan bahwa terdapat sedikit tidak adil di
antara sumber daya dan berbeda antara antrian, yang ditentukan dari hasil
simulasi. Dalam sistem praktek, tidak mudah untuk dikenali. Berdasarkan
penelitian ini, manajer dapat membuat beberapa baik keputusan untuk
memperbaiki yang sudah ada. Sebagai contoh, teller Bank C dapat dilatih untuk
melayani kedua jenis pelanggan, bukan satu. Itu bisa meningkatkan layanan
II-37

lingkungan untuk tipe pelanggan 2 dan memastikan untuk melakukan pekerjaan
baik untuk tipe pelanggan 1. Kebijakan yang cocok lainnya dapat dilakukan untuk
memenuhi kebutuhan pelanggan dan untuk menarik lebih banyak pelanggan.