SESI 09: MODEL ANTREAN (QUEUING MODELS)
Optimasi Tingkat Layanan: Menyeimbangkan Biaya Menunggu dan Biaya Layanan dengan Excel
Mengapa Model Antrean Penting?
Dalam bisnis, antrean adalah trade-off klasik: Biaya menyediakan layanan yang cepat (misal: menambah kasir, mesin lebih canggih) vs. Biaya pelanggan menunggu (hilangnya goodwill, kehilangan penjualan). Model antrean (Queuing Theory) membantu manajer menemukan titik optimal di mana Total Biaya (Biaya Layanan + Biaya Menunggu) menjadi minimal.
9.1 Single-Server Model (M/M/1) & Analisis Biaya
🔧 Studi Kasus: “Bengkel Otomotif Jaya” (Adaptasi File 9-2 & 9-3)
Skenario: Bengkel memiliki 1 mekanik. Pelanggan datang dengan rata-rata 2 mobil per jam (λ). Mekanik dapat melayani 3 mobil per jam (μ). Asumsi: Kedatangan mengikuti distribusi Poisson, waktu layanan eksponensial.
Diketahui: λ = 2 mobil/jam, μ = 3 mobil/jam
1. Utilisasi (ρ) = λ / μ = 2 / 3 = 66.67%
2. Rata-rata dalam sistem (L) = λ / (μ – λ) = 2 / (3 – 2) = 2 mobil
3. Rata-rata waktu dalam sistem (W) = 1 / (μ – λ) = 1 / (3 – 2) = 1 jam (60 menit)
4. Rata-rata dalam antrean (Lq) = λ2 / [μ(μ – λ)] = 4 / [3(1)] = 1.33 mobil
5. Rata-rata waktu dalam antrean (Wq) = λ / [μ(μ – λ)] = 2 / [3(1)] = 2/3 jam = 0.67 jam (40 menit)
6. Probabilitas sistem kosong (P0) = 1 – (λ / μ) = 1 – 2/3 = 33.33%
✅ Verifikasi (Hukum Little): Wq = Lq / λ = 1.333 / 2 = 0.667 jam (Konsisten)
💰 Analisis Biaya Total (File 9-3.xls)
Manajemen mempertimbangkan untuk mengganti mekanik dengan yang lebih cepat (biaya lebih tinggi, tapi μ naik menjadi 4 mobil/jam) untuk mengurangi keluhan pelanggan.
| Komponen | Mekanik Lama (μ=3) | Mekanik Baru (μ=4) | Formula Excel |
|---|---|---|---|
| Biaya Menunggu per jam | Rp 50.000 | Rp 50.000 | [Input Manual] |
| Biaya Layanan per jam | Rp 30.000 | Rp 50.000 | [Input Manual] |
| Rata-rata dalam sistem (L) | 2.00 | 1.33 | =Lambda/(Mu-Lambda) |
| Total Biaya Menunggu | Rp 100.000 | Rp 66.667 | =Biaya_Menunggu * L |
| Total Biaya Layanan | Rp 30.000 | Rp 50.000 | =Biaya_Layanan |
| TOTAL BIAYA PER JAM | Rp 130.000 | Rp 116.667 | =Total_Menunggu + Total_Layanan |
💡 Insight Bisnis: Meskipun biaya layanan naik Rp 20.000/jam, penghematan biaya menunggu (Rp 33.333/jam) membuat Mekanik Baru lebih optimal (Total biaya turun menjadi Rp 116.667/jam).
9.2 Multiple-Server Model (M/M/s): Efek Dramatis Penambahan Server
💻 Studi Kasus: “Helpdesk IT Nusantara” (Adaptasi File 9-7 & 9-8)
Skenario: Departemen IT menerima 20 tiket kerusakan per jam (λ = 20). Setiap teknisi dapat menyelesaikan 30 tiket per jam (μ = 30). Apakah menambah teknisi ke-2 akan signifikan menurunkan waktu tunggu?
| Metrik Operasional | 1 Teknisi (File 9-7) | 2 Teknisi (File 9-8) | Perubahan |
|---|---|---|---|
| Utilisasi Sistem (ρ) | 66.67% | 33.33% | Lebih longgar |
| Rata-rata dalam Antrean (Lq) | 1.33 tiket | 0.083 tiket | Turun 94%! |
| Rata-rata Waktu Tunggu (Wq) | 0.0667 jam (4 menit) | 0.00417 jam (15 detik!) | Turun drastis |
| Probabilitas Sistem Kosong (P0) | 33.33% | 50.00% | Lebih sering siap |
⚠️ Catatan Penting: Penambahan server memiliki efek non-linear. Menambah 1 server kedua sering kali menurunkan waktu tunggu secara drastis (dari 4 menit menjadi 15 detik), jauh lebih efektif daripada sekadar mempercepat 1 server tunggal. Di Excel, sistem akan menampilkan error #DIV/0! jika Total Service Rate (s × μ) ≤ Arrival Rate (λ), karena antrean akan menjadi tak terhingga.
9.3 Finite Population Model (Populasi Terbatas)
🏭 Studi Kasus: “Perawatan Mesin Pabrik Tekstil” (Adaptasi File 9-5 & 9-6)
Skenario: Pabrik memiliki 5 mesin (N = 5). Setiap mesin rata-rata beroperasi 20 jam sebelum rusak (λ = 1/20 = 0.05 kerusakan/jam). Satu teknisi membutuhkan rata-rata 2 jam untuk memperbaiki (μ = 1/2 = 0.5 perbaikan/jam).
Tingkat kedatangan (λ) tidak konstan. Jika 1 mesin rusak, hanya 4 mesin yang berisiko rusak. Oleh karena itu, λeffective = λ × (N – L).
- Probabilitas semua mesin berjalan (P0): 56.4%
- Rata-rata mesin yang menunggu diperbaiki (Lq): 0.20 mesin
- Rata-rata mesin yang rusak total (dalam sistem, L): 0.64 mesin
- Waktu rata-rata mesin menunggu teknisi (Wq): 0.93 jam (56 menit)
💡 Insight: Model ini sangat krusial untuk manajemen pemeliharaan (maintenance). Jika L mendekati N, artinya hampir semua mesin mati, dan pabrik harus segera menambah teknisi atau melakukan preventive maintenance.
🚀 3 Aturan Emas Pemodelan Antrean di Excel
- Bukan Masalah Solver: Berbeda dengan LP, model antrean dasar (M/M/1, M/M/s) diselesaikan menggunakan rumus matematis langsung (closed-form formulas) di sel Excel, bukan dengan fitur “Solver”.
- Satuan Waktu Harus Konsisten: Jika λ (kedatangan) dihitung per jam, maka μ (layanan) juga wajib dikonversi ke per jam. Jangan campur “per jam” dengan “per menit” tanpa konversi.
- Syarat Stabilitas (ρ < 1): Untuk M/M/1, pastikan λ < μ. Untuk M/M/s, pastikan λ < (s × μ). Jika tidak, Excel akan menampilkan error
#DIV/0!karena antrean akan tumbuh tak terhingga.
🎥 Video Kuliah: Sesi 09 Business Decision Modeling
Silakan tempel kode embed YouTube Anda di dalam blok kode di bawah ini:
<iframe width="100%" height="500" src="https://www.youtube.com/embed/VIDEO_ID_ANDA" title="Sesi 09 BDM" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture" allowfullscreen></iframe>
📥 Unduh File Pendukung (Excel)
Praktikkan langsung perhitungan karakteristik antrean dan analisis biaya dengan template Excel berikut.
Bab 9: Pemodelan Antrean (Queuing Models)
1. Filosofi dan Analisis Trade-Off Biaya Antrean
Antrean (waiting lines) adalah fenomena operasional yang tak terhindarkan, mulai dari lini produksi pabrik, sistem komputerisasi, hingga sektor jasa publik. Tujuan utama dari analisis pemodelan antrean bukanlah menghilangkan antrean sepenuhnya—karena hal tersebut menuntut kapasitas tak terbatas yang secara ekonomi tidak masuk akal—melainkan untuk menemukan tingkat layanan operasional (service level) yang paling optimal.
Konsep Trade-Off Biaya (Cost Trade-Offs)
Membangun sistem antrean yang efisien mengharuskan pengambil keputusan menyeimbangkan dua kurva biaya yang saling bertolak belakang:
- Biaya Penyediaan Layanan (Cost of Providing Service): Biaya ini meningkat seiring dengan peningkatan kapasitas layanan (misalnya: menambah jumlah kasir, membeli mesin yang lebih cepat, atau menyewa tenaga ahli). Kurva biaya ini memiliki slope positif.
- Biaya Waktu Tunggu (Cost of Waiting Time): Biaya ini timbul ketika pelanggan atau entitas harus menunggu layanan. Biaya ini bisa bersifat eksplisit (misalnya membayar upah buruh yang menganggur karena menunggu mesin diperbaiki) atau implisit (kehilangan goodwill pelanggan, reputasi buruk, atau lost sales). Kurva biaya ini menurun drastis seiring peningkatan kapasitas layanan.
Total Ekspektasi Biaya (Total Expected Cost) adalah penjumlahan kedua komponen di atas. Titik persilangan/ekuilibrium dari kedua kurva ini menunjukkan Tingkat Layanan Optimal.
Dalam operasional pelabuhan, rata-rata 5 unit kapal tiba per giliran kerja (shift 12 jam). Manajemen menggunakan tim buruh pelabuhan (stevedores) untuk membongkar muatan. Analisis komparatif biaya dilakukan sebagai berikut:
- Biaya menyewa 1 tim buruh adalah $6.000 per giliran kerja.
- Biaya opportunity loss (kerugian) dari membiarkan sebuah kapal bersandar tanpa aktivitas (menunggu) dievaluasi sebesar $1.000 per jam.
| Jumlah Tim Buruh | Rata-rata Waktu Tunggu (Jam) | Biaya Waktu Tunggu Kapal | Biaya Tim Buruh (Kapasitas) | Total Biaya Sistem |
|---|---|---|---|---|
| 1 Tim | 7 jam x 5 kapal x $1000 = $35,000 | 1 x $6,000 = $6,000 | $41,000 | |
| 2 Tim | 4 jam x 5 kapal x $1000 = $20,000 | 2 x $6,000 = $12,000 | $32,000 (Optimal) | |
| 3 Tim | 3 jam x 5 kapal x $1000 = $15,000 | 3 x $6,000 = $18,000 | $33,000 | |
| 4 Tim | 2 jam x 5 kapal x $1000 = $10,000 | 4 x $6,000 = $24,000 | $34,000 |
Kesimpulan Manajerial: Berdasarkan pendekatan empiris ini, menyewa 2 tim buruh pelabuhan menghasilkan total biaya terminimum. Menambah tim ke-3 memang menurunkan waktu tunggu secara signifikan (dari 4 jam ke 3 jam), namun biaya tambahan buruh ($6.000) melebihi penghematan dari waktu tunggu ($5.000).
2. Anatomi dan Karakteristik Sistem Antrean
Secara analitis, setiap sistem antrean didefinisikan oleh tiga blok bangunan utama. Memahami detail dari ketiga blok ini adalah kunci untuk memilih rumus operasional yang tepat.
A. Karakteristik Kedatangan (Arrival Characteristics)
Populasi kedatangan dapat diklasifikasikan menjadi Tak Terbatas (Infinite)—seperti mobil masuk ke jalan tol—atau Terbatas (Finite)—seperti jumlah mesin tenun tertentu di sebuah pabrik yang membutuhkan perawatan. Pola kedatangan umumnya diasumsikan bersifat acak (random) dan direpresentasikan secara matematis menggunakan Distribusi Poisson.
Asumsi utama Distribusi Poisson dalam pemodelan antrean meliputi:
- Tingkat kedatangan rata-rata (λ) diketahui dan konstan selama periode waktu observasi.
- Probabilitas suatu kedatangan sepenuhnya independen (tidak dipengaruhi) oleh kedatangan sebelumnya.
P(x) = [ e^(-λ) * λ^x ] / x!
Dimana:
λ = rata-rata tingkat kedatangan per unit waktu (mean arrival rate)
P(x) = probabilitas terjadinya tepat ‘x’ kedatangan dalam satu periode
e = konstanta natural (~2.71828)
Manajer juga harus menyadari anomali perilaku manusia dalam antrean. Model matematika standar umumnya mengasumsikan entitas akan menunggu dengan sabar. Namun di dunia nyata, terdapat perilaku Balking (pelanggan melihat antrean terlalu panjang dan menolak bergabung) serta Reneging (pelanggan bergabung, namun kehilangan kesabaran dan pergi sebelum dilayani).
B. Karakteristik Antrean (Queue Characteristics)
Fasilitas antrean memiliki batas (kapasitas). Secara matematis, kita membedakannya menjadi antrean tak terbatas (unlimited) dan terbatas (limited). Selain itu, aturan mengenai siapa yang dilayani terlebih dahulu disebut Disiplin Antrean. Mayoritas model bisnis beroperasi menggunakan aturan First In First Out (FIFO), namun beberapa sistem (seperti IGD Rumah Sakit) menggunakan sistem Priority.
C. Karakteristik Fasilitas Layanan (Service Facility Characteristics)
Layanan didefinisikan oleh jumlah saluran/server (Single atau Multi-channel) dan jumlah tahapan layanan (Single atau Multi-phase). Durasi waktu yang dibutuhkan untuk menyelesaikan satu layanan bisa bersifat konstan (waktu tetap) atau acak. Jika acak, waktu layanan dideskripsikan menggunakan Distribusi Eksponensial Negatif.
P(t) = e^(-μt)
Dimana:
μ = rata-rata tingkat layanan per unit waktu (mean service rate)
t = waktu layanan yang diamati
P(t) = probabilitas bahwa durasi layanan akan memakan waktu lebih dari ‘t’
3. Arsitektur Pengukuran dan Notasi Kendall
Untuk menghindari ambiguitas dalam komunikasi analitis, para akademisi dan praktisi Riset Operasi menggunakan parameter standar untuk mengukur kinerja “kesehatan” dari sebuah sistem antrean.
Indikator Kinerja Sistem (Operating Characteristics)
- ρ (Faktor Utilisasi): Mengukur persentase waktu fasilitas layanan sibuk. Jika ρ mendekati 1 (100%), antrean akan mulai tumbuh menuju tak terhingga.
- Lq (Length of Queue): Ekspektasi jumlah unit rata-rata yang berdiri murni di dalam antrean (belum dilayani).
- L (Length of System): Ekspektasi jumlah unit rata-rata di seluruh sistem (jumlah di antrean Lq + jumlah yang sedang dilayani di server).
- Wq (Waiting Time in Queue): Rata-rata waktu pelanggan terbuang hanya untuk mengantre.
- W (Waiting Time in System): Rata-rata total waktu transit pelanggan dari masuk hingga keluar fasilitas (Wq + waktu pemrosesan layanan).
- P0: Probabilitas fasilitas layanan sedang menganggur (idle) atau 0 pelanggan di dalam sistem.
Standarisasi Universal: Notasi Kendall (A / B / s)
Diciptakan oleh D.G. Kendall pada tahun 1953, format tiga huruf ini merangkum arsitektur sebuah antrean dengan elegan:
Kode Huruf:
M = Markovian (Kedatangan Poisson atau Waktu Layanan Eksponensial)
D = Deterministic (Tingkat Kedatangan atau Waktu Layanan Konstan/Tetap)
G = General (Distribusi acak umum dengan Mean & Variance diketahui)
Sebagai contoh, notasi M / M / 2 mengindikasikan sistem dengan kedatangan Poisson, durasi layanan Eksponensial, dan dilayani oleh 2 server paralel.
4. Eksekusi Model I & II: Sistem Berbasis Eksponensial (M/M/1 & M/M/s)
Kedua model ini adalah representasi paling umum dalam buku teks, mengasumsikan populasi tak terbatas, antrean FIFO, dan seluruh parameter mengikuti pola acak berkelanjutan. Syarat mutlak untuk model ini adalah kapasitas layanan total harus melampaui tingkat kedatangan (μ > λ atau sμ > λ). Jika tidak, sistem akan hancur karena panjang antrean Lq akan bernilai tak terhingga.
Model I: Server Tunggal (M/M/1)
Kalkulasi parametrik untuk sistem dengan 1 titik layanan dilakukan secara sistematis berurutan:
2. Panjang Antrean: Lq = λ² / [μ(μ – λ)]
3. Total di Sistem: L = Lq + (λ / μ) — ATAU — L = λ / (μ – λ)
4. Waktu di Antrean: Wq = Lq / λ
5. Total Waktu: W = Wq + (1 / μ) — ATAU — W = 1 / (μ – λ)
6. Probabilitas Sistem Kosong: P0 = 1 – (λ / μ)
Total Cost = (Cost_Waiting_Time * L) + (Cost_Server * Jumlah_Server)
Bengkel Arnold kedatangan mobil secara acak dengan λ = 2 mobil/jam. Mekanik tunggal yang ada saat ini melayani perbaikan knalpot rata-rata selama 20 menit per mobil. Karena ada 60 menit dalam 1 jam, maka μ = 3 mobil/jam.
Berdasarkan rumusan M/M/1, kondisi bengkel Arnold saat ini adalah:
- Faktor kesibukan mekanik (ρ) = 2 / 3 = 0.667 (66.7% waktu mekanik bekerja).
- Rata-rata mobil dalam sistem (L) = 2 / (3 – 2) = 2 unit mobil.
- Rata-rata waktu tunggu + servis (W) = 1 / (3 – 2) = 1 jam.
Manajemen mengevaluasi biaya total saat ini senilai $32/jam. Mereka memiliki opsi menyewa “Mekanik Ahli” dengan upah lebih mahal, namun evaluasi biaya totalnya diproyeksikan menurun menjadi $25/jam berkat penurunan waktu tunggu L dan W.
Akses Algoritma Excel: 9-2.xls (M/M/1 Evaluasi Arnold)Model II: Multi-Server / Saluran Ganda (M/M/s)
Dalam skenario Multi-Server, antrean tetap berjumlah 1 garis (Single Line), namun fasilitas pelayanan di ujung antrean dipecah menjadi beberapa stasiun (s > 1) yang beroperasi paralel dengan tingkat kecepatan μ yang identik. Perhitungan analitis untuk model probabilitas Lq dan P0 pada sistem ini sangat kompleks karena melibatkan penjumlahan faktorial berantai, sehingga penggunaan piranti lunak menjadi wajib.
Alih-alih menyewa 1 Mekanik Ahli yang mahal, Arnold mempertimbangkan untuk tetap menggunakan sistem mekanik standar, namun menambah jumlah jalur (bay) perbaikan menjadi 2 buah (s = 2). Tingkat kedatangan tetap λ = 2 mobil/jam, dan setiap mekanik tetap memiliki kecepatan μ = 3 mobil/jam.
Dengan model simulasi M/M/2, indikator performa bergeser drastis:
- Probabilitas bengkel kosong (P0) meningkat dari 33% menjadi 50%.
- Rata-rata antrean murni (Lq) anjlok dari 1.33 mobil menjadi hanya 0.083 mobil.
- Waktu tunggu murni (Wq) berkurang drastis menjadi hanya 0.041 jam (sekitar 2.5 menit).
Simulasi Kompleks: 9-7.xls (λ=20, μ=30, s=1)
Simulasi Kompleks: 9-8.xls (λ=20, μ=30, s=2)
5. Eksekusi Model III & IV: Varian Waktu Layanan Konstan & General (M/D/1 & M/G/1)
Model III: Waktu Layanan Deterministik / Konstan (M/D/1)
Ketika layanan diproses oleh mesin otomatis—seperti mesin pencuci mobil otomatis (automated car wash), mesin pemadat sampah, atau sistem las robotik—durasi layanan tidak lagi bersifat acak. Durasi konstan ini menghilangkan volatilitas dari sistem, yang bermuara pada keuntungan mekanis: Nilai Lq dan Wq pada sistem konstan (M/D/1) secara teoretis terpotong menjadi persis setengah (50%) dari sistem eksponensial (M/M/1) pada tingkat λ dan μ yang sama.
Wq_konstan = λ / [2μ(μ – λ)]
Fasilitas daur ulang menerima kedatangan truk pengangkut acak sebesar λ = 8 truk/jam. Fasilitas menggunakan mesin pemadat statis berkapasitas presisi (konstan) μ = 12 truk/jam. Nilai waktu buruh supir truk yang tertahan diukur senilai $60/jam, dan beban amortisasi siklus bongkar mesin adalah $3. Perhitungan M/D/1 krusial untuk menemukan ekuivalensi biaya per bongkar muat secara objektif.
Akses Algoritma Excel: 9-4.xls (Model M/D/1 Garcia)Model IV: Waktu Layanan Tersebar Umum / General (M/G/1)
Dalam realitas bisnis jasa manusia yang kompleks—seperti konsultasi ahli, potong rambut salon, atau bimbingan tesis—distribusi layanan tidak masuk akal jika diasumsikan tetap (deterministik), namun juga tidak mengikuti pola eksponensial standar. Model M/G/1 menengahi ini dengan hanya membutuhkan dua data empiris historis: Mean (μ) dan Standar Deviasi (σ) dari waktu layanan.
Profesor Crino mengalokasikan jam buka pintu bimbingan. Mahasiswa bimbingan datang dengan pola acak Poisson berkecepatan λ = 5 mahasiswa/jam. Lamanya interaksi konsultasi sangat bervariasi bergantung pada kedalaman pertanyaan mahasiswa, namun secara historis diketahui rata-rata layanan μ = 6 mahasiswa/jam dengan simpangan baku waktu layanan σ = 0.0833 jam (sekitar 5 menit deviasi).
Melalui kalkulasi algoritma simulasi untuk distribusi general, didapatkan hasil kinerja bahwa Utilisasi Profesor Crino sangat tinggi di angka 83.33% (ρ = 0.833). Karena utilitas ini sangat padat mendempet batas μ, hal ini memicu terciptanya Lq = 2.6 mahasiswa, dan ekspektasi mahasiswa berada di koridor/ruangan Profesor L = 3.43 mahasiswa secara berkelanjutan.
Akses Algoritma Excel: 9-5A & 9-5C.xls (Analisis Deviasi Prof. Crino)6. Eksekusi Model V: Sistem Interdependen dengan Populasi Terbatas (M/M/s/∞/N)
Seluruh empat model di atas (I s.d. IV) dibangun di atas premis populasi pelanggan yang tak terhingga (Infinite). Jika 1 pelanggan ditarik masuk ke toko, probabilitas pelanggan baru lain untuk datang tidak terpengaruh.
Namun, dalam skenario Populasi Terbatas (Finite Population)—seperti armada puluhan pesawat maskapai, atau sejumlah mesin spesifik di lantai pabrik—sistem bekerja secara sirkular. Parameter vitalnya adalah populasi teridentifikasi maksimal sebesar N. Keunikannya terletak pada fakta matematis: Semakin panjang barisan yang rusak (mengantre), semakin sedikit unit mesin yang masih hidup, yang berarti probabilitas kedatangan kerusakan baru secara alami akan merosot lambat laun.
Sebuah kantor Departemen mengoperasikan secara eksklusif sistem tertutup yang terdiri dari 5 buah printer jaringan utama (Populasi N = 5). Historis departemen TI mengindikasikan setiap unit printer beroperasi rata-rata selama 20 jam sebelum menuntut perbaikan. Ini setara dengan λ = 1/20 = 0.05 kedatangan kerusakan per jam per unit mesin.
Teknisi perbaikan internal memakan waktu rata-rata 2 jam untuk mereparasi sebuah unit printer (kecepatan layanan μ = 1/2 = 0.5 layanan/jam).
Dalam analisis ini, probabilitas sistem tidak dapat dieksekusi dengan model independen. Model Finite memodulasi λ dinamis untuk menemukan nilai ekuilibrium waktu tunggu dan probabilitas kebangkrutan fasilitas printer secara teknikal.
Akses Algoritma Excel: 9-6.xls (Finite Population Solver)📂 Repositori Sistem Integrasi Komputasi (Spreadsheet Solver)
Pendekatan filosofi “Coba-Pikir-Tindak” mewajibkan proses verifikasi mandiri atas seluruh formula di atas. Silakan unduh dan jalankan file berformat .xls dan .csv yang tertanam di setiap modul. Modul spreadsheet ini dirancang untuk memanipulasi rentang sensitivitas (λ dan μ) guna melihat pergeseran Titik Optimal Biaya secara real-time.
Primary Tags: Riset Operasi, Manajemen Operasi, Statistika Bisnis, Pemodelan Analitik, Pengambilan Keputusan Strategis.
Technical Tags: Pemodelan Antrean, Queuing Models, Notasi Kendall, Distribusi Poisson, Eksponensial, M/M/1, M/M/s, M/G/1, Simulasi Excel, Optimal Service Level.