2.5 Uji Keacakan Pengujian ini dimaksudkan untuk membuktikan bahwa sampel kedatangan adalah
acak. Alat bantu untuk pengujian ini menggunakan Uji Runtun dengan tingkat signifikasi
α
= 0,05 . Tahapannya perhitungan uji keacakan antara lain: 1.
Hitung nilai median. Data yang lebih kecil dari median diberi tanda minus
1
n
dan data yang lebih besar atau sama dengan median diberi tanda tambah
2
n
. 2.
Hitung banyak runtun
u
. Misalkan, data dengan pola + - mempunyai nilai runtun adalah 2.
3. Hitung nilai rata-rata
µ dan simpangan baku σ dengan rumus:
2 1
2 1
2 1
n n
n n
+ ⋅
⋅ +
= µ
dan
1 2
2
2 1
2 2
1 2
1 2
1 2
1
− +
⋅ +
− −
⋅ ⋅
= σ
n n
n n
n n
n n
n n
4. Hitung nilai normal baku atau
σ µ
− =
u Z
hitung
Dengan ketentuan: Keacakan data dapat diterima jika
tabel hitung
tabel
Z Z
Z −
2.6 Uji Kolmogorov Smirnov QS-KS
Pengujian QS-KS digunakan sebagai alat bantu untuk menguji pola kedatangan yang diasumsikan Distribusi Poisson dan pola pelayanan yang juga diasumsikan
DistribusiEksponensial. Tingkat signifikasi yang digunakan pada Uji Kolmogorov Smirnov adalah
α
= 0,05. Langkah-langkah dalam Pengujian QS-KS antara lain: 1.
Menyusun data hasil pengamatan dari nilai terkecil sampai terbesar 2.
Hitung frekuensi kumulatif relatif atau x
F
a
3. Hitung nilai normal baku
Z
= σ
µ −
i
x dengan
∑
= µ
n x
i
dan
σ
=
1
2 2
− −
∑ ∑
n n
x x
n
i i
dengan:
Z
= nilai normal baku
i
x = nilai pengamtan ke-
i
µ
= nilai rata-rata
σ
= nilai standar deviasi
n
= jumlah pengamatan. 4.
Hitung distribusi frekuensi kumulatif teoritis area kurva normal atau x
F
e
. Luas area kurva normal dapat dilihat pada lampiran 1. 5.
Menghitung selisih antara x
F
a
dengan x
F
e
. 6.
Menghitung D maksimum yaitu |
| x
F x
F D
e a
maks
− =
7. Bandingkan nilai
maks
D dengan
α
D dengan ketentuan asumsi tidak benar jika
maks
D lebih besar dari
α
D . Jika
n
lebih besar dari 35 dengan
α
= 0,05 maka n
D 36
, 1
=
α
2.7 Pola Kedatangan Distribusi Poisson adalah salah satu dari pola kedatangan yang paling sering
digunakan jika penyebarannya dilakukan secara acak, hal ini terjadi karena Distribusi Poisson menggambarkan jumlah kedatangan per unit waktu sehingga
waktu antar kedatangan adalah acak. Pola pertibaan dari banyak individu secara acak dalam antrian pada satu waktu, yaitu:
. x
e x
P
x λ
−
λ =
;
≥ x
dengan:
x
= jumlah individu dalam antrian
x P
= peluang bahwa n individu dalam antrian λ
= kecepatan kedatangan rata-rata pada satu satuan waktu
e
= bilangan natural
2,718 =
e
2.8 Perhitungan Teori Antrian
Bentuk kombinasi proses kedatangan dengan pelayanan pada umumnya di kenal sebagai standar universal atau disebut juga Notasi Kendalls Kendall’s Notation,
yaitu: abc : def
dengan: a
= distribusi kedatangan b
= distribusi waktu pelayanan atau keberangkatan c
= jumlah pelayan dalam paralel d
= disiplin pelayanan e
= jumlah maksimum yang diizinkan dalam sistim f
= jumlah pelanggan yang masuk sistim sebagai sumber Notasi ini dapat diganti dengan kode-kode dari distribusi yang terjadi, yaitu:
1. Simbol a dan b dapat diganti dengan kode-kode sebagai berikut:
a. M
= Distribusi kedatangan Poisson pelayanan Eksponensial b.
D = Waktu pelayanan tetap
c. EK = Menunjukkan Erlang
2. Huruf c, dipergunakan bilangan bulat positif yang menyatakan jumlah pelayanan parallel.
3. Simbol d, dapat diganti dengan kode-kode sebagai berikut: a. FIFO atau FCFS
b. LIFO atau LCFS c. SIRO
d. PS 4. Simbol e dan f digunakan kode N atau menyatakan jumlah terbatas atau tak
berhingga satuan-satuan dalam sistim antrian dan populasi masukan.
2.8.1 Sistim Saluran Tunggal – Model MM1 : FIFO ∞∞
Model ini mempunyai arti pola kedatangan yang mengikuti Distribusi Poisson dengan pola pelayanan yang mengikuti Distribusi Eksponensial dengan jumlah
stasiun pelayanan dalam sistim adalah satu pelayan dan disiplin pelayanannya adalah First In First Out dengan jumlah maksimum yang diperkenankan berada
dalam sistim dan besarnya populasi masukan adalah tak terbatas. Beberapa karakteristik perhitungan dasar teori antrian dalam bentuk
µ
dan
λ
adalah sebagai berikut:
1. Tingkat Kegunaan Fasilitas
Dalam sistim pelayanan tunggal tingkat kegunaan fasilitas dapat juga dikatakan sebagai tingkat kegunaan fasilitas yang dirumuskan dengan:
µ λ
= ρ
dengan
l n
= λ
dan
s 1
= µ
dengan:
ρ
= tingkat kegunaan fasilitas
λ
= tingkat kedatangan rata-rata
µ
= tingkat pelayanan rata-rata
n
= jumlah individu dalam sistim pada suatu waktu
l
= lama penelitian per satuan satuan
s
= waktu layanan rata-rata Untuk meningkatkan kegunaan fasilitas yang harus diperhatikan adalah
tingkat kedatangan rata-rata
λ
harus lebih kecil dari tingkat pelayanan rata- rata
µ
.
2. Ekspektasi Jumlah Rata-rata Individu dalam Antrian
Misalkan
q
L
adalah ekspektasi jumlah rata-rata individu dalam antrian, maka: .
2
λ −
µ µ
λ =
q
L dengan:
λ
= tingkat kedatangan rata-rata
µ
= tingkat pelayanan rata-rata
3. Ekspektasi Jumlah Individu dalam Sistim
Misalkan
s
L adalah ekspektasi jumlah individu dalam sistim, maka:
. 2
λ −
µ µ
λ =
s
L
dengan:
λ
= tingkat kedatangan rata-rata
µ
= tingkat pelayanan rata-rata
4. Waktu Rata-rata dalam Sistim
Misalkan
s
W adalah ekspektasi waktu individu dalam sistim, maka:
λ −
µ =
λ λ
− µ
λ =
1
s
W dengan:
λ
= tingkat kedatangan rata-rata
µ
= tingkat pelayanan rata-rata
5. Waktu Rata-rata dalam Antrian
Misalkan
q
W
adalah ekspektasi waktu individu dalam antrian, maka:
λ
− µ
µ λ
= 1
q
W dengan:
λ
= tingkat kedatangan rata-rata
µ
= tingkat pelayanan rata-rata
2.8.2 Sistim Saluran Ganda – Model MMC : FIFO ∞∞
Perbedaan dari sistim saluran tunggal hanya pada jumlah stasiun yang beroperasi, pada sistim ini jumlah stasiun yang beroperasi lebih dari satu dengan jumlah
maksimum yang diperkenankan dalam sistim adalah tidak terbatas dan populasi
masukan yang tidak terbatas.Parameter-parameter dari sistim ini adalah pelayan atau saluran ganda, pola kedatangan mengikuti Distribusi Poisson, waktu
pelayanan mengikuti Distribusi Eksponensial dan antrian tak berhingga.
1. Tingkat Kegunaan Fasilitas
Sistim saluran dengan banyak stasiun pelayanan yang dioperasikan lebih dari satu atau c
≥ 2, Tingkat kegunaan fasilitas yaitu:
c μ
λ =
ρ dengan:
ρ
= tingkat kegunaan fasilitas
λ
= tingkat kedatangan rata-rata
c
= banyak stasiun pelayanan
μ
= tingkat pelayanan rata-rata
2. Peluang Masa Sibuk
Misalkan
b P
adalah peluang masa sibuk, maka:
∑ −
=
λ
−
λ +
λ
=
µ
λ −
⋅
µ
λ =
1 1
1 dan
1 c
n c
μ c
c μ
n n
μ P
c c
P b
P
o o
c
dengan:
b P
= peluang pada kondisi sibuk
o
P = peluang tidak ada individu dalam sistim
λ
= tingkat kedatangan rata-rata
c
= banyak stasiun pelayanan
µ
= tingkat pelayanan rata-rata
3. Ekspektasi Jumlah Individu Menunggu dalam Antrian
Dimisalkan
q
L
adalah ekspektasi jumlah individu rata-rata dalam antrian, maka:
2 1
1 ρ
− ⋅
⋅ ⋅
µ λ
=
+
c c
P L
o c
q
dengan:
q
L
= ekpektasi individu menunggu dalam antrian
o
P = peluang tidak ada individu dalam sistim
c
= banyaknya stasiun pelayanan
ρ
= tingkat kegunaan fasilitas
4. Ekspektasi Jumlah Individu dalam Sistim
Misalkan
s
L adalah ekspektasi jumlah individu rata-rata yang berada dalam
sistim total, maka: µ
λ +
=
q s
L L
dengan:
s
L = jumlah individu rata-rata dalam sistim
q
L
= ekspektasi jumlah rata-rata yang menunggu dalam antrian
λ
= rata-rata kedatangan
µ
= rata-rata waktu pelayanan
5. Ekspektasi Waktu Rata-rata dalam Antrian
Waktu rata-rata dalam antrian dapat dirumuskan sebagai:
λ =
q q
L W
dengan:
q
W
= ekspektasi waktu rata-rata dalam antrian
q
L
= ekspektasi jumlah rata-rata yang menunggu dalam antrian
λ
= tingkat kedatangan rata–rata
6. Ekspektasi Waktu Rata-rata dalam Sistim
Waktu rata-rata dalam sistim adalah dirumuskan sebagai berikut:
λ =
s s
L W
dengan:
s
W = ekspektasi waktu rata-rata dalam sistim
s
L = jumlah individu rata-rata dalam sistim
λ
= tingkat kedatangan rata–rata
BAB 3
HASIL DAN PEMBAHASAN
3.1 Pengumpulan Data Data yang akan diteliti diambil langsung pada Bank Mandiri Cabang Iskandar
Muda Medan. Pengamatan dalam penelitian ini berlangsung selama 4 jam dari jam 08.00 WIB sampai dengan jam 12.00 WIB waktu setempat, dan banyaknya
data didapat adalah selama 15 hari kerja yaitu mulai dari tanggal 20 Oktober 2014 sampai dengan tanggal 7 November 2014 tetapi pada tanggal 21 Oktober mulai
pukul 10.00 WIB sampai dengan 22 Oktober 12.00 WIB keadaan bank sedang offline. Alat bantu dalam pengamatan ini adalah stopwatch, sampel yang diamati
adalah pada semua jenis kegiatan yang berhubungan dengan Teller dan masuk garis antrian. Perhitungan lama pelayanandimulai ketika nasabah masuk ke dalam
barisan antrian sampai nasabah selesai dilayani oleh Telleryang dapat dilihat pada lampiran1.Pengamatan dilakukan untuk mewakili pertengahan, akhir, dan awal
bulan.Rangkuman data kedatangan nasabah dan data lama nasabah dilayani dari pengamatan dapat dilihat pada Tabel 3.1 dan Tabel 3.2.
Tabel 3.1 Data Kedatangan Nasabah
Waktu Kedatangan
Hari Ke- Jumlah
1 2
3 4
5
08.00-09.00 09.01-10.00
10.01-11.00 11.01-12.00
Jumlah 29
34 35
37
135 8
5 -
- 13
- -
- -
- 12
23 40
26
101 18
31 24
35
108 67
93 99
98
357
Waktu Kedatangan
Hari Ke- Jumlah
6 7
8 9
10
08.00-09.00 09.01-10.00
10.01-11.00 11.01-12.00
Jumlah
7 22
29 31
89 20
33 36
28
117
13 22
27 25
87 26
19 27
25 97
36 29
36 49
150 102
125 155
158 540
Waktu Kedatangan
Hari Ke- Jumlah
11 12
13 14
15
08.00-09.00 09.01-10.00
10.01-11.00 11.01-12.00
Jumlah 32
33 47
37
149 35
43 37
29
101 30
29 47
41
108 29
32 51
25
137 34
32 45
46
157 160
169 227
178 652
Sumber: Bank Mandiri Cabang Iskandar Muda Medan. Tabel 3.2 Data Lama Nasabah Dilayani dalam menit
Waktu Kedatangan
Hari Ke-
1 2
3 4
5
08.00-09.00 09.01-10.00
10.01-11.00 11.01-12.00
105,35 63,09
- 21,68
77,07 106,62
16,81 -
65,67 87,30
98,16 -
- 130,89
59,92 104,45
- -
74,27 186,49
Waktu Kedatangan
Hari Ke-
6 7
8 9
10
08.00-09.00 09.01-10.00
10.01-11.00 11.01-12.00
21,21 69,47
30,25 30,25
118,25 32,05
116,32 80,13
80,13 110,08
71,07 155,03
78,04 78,04
230,58 82,47
155,49 79,69
79,69 250,63
Waktu Kedatangan
Hari Ke-
11 12
13 14
15 08.00-09.00 160,66 153,02
95,13 158,82
110,55 09.01-10.00 200,08 256,03
106,00 145,23
105,39 10.01-11.00 125,85 157,09
210,62 269,03
229,37 11.01-12.00 208,20
90,70 260,23
94,58 257,53
3.2 Uji Kecukupan Data Kedatangan Data kedatangan pada Tabel 3.1 yang telah diambil akan diuji kecukupannya
untuk mengetahui bahwa banyaknya data yang diambil telah tercukupi untuk perhitungan selanjutnya. Perhitungan uji kecukupan data kedatangan adalah
sebagai berikut: Dari Lampiran 1 yang telah disajikan didapati:
Banyak data = n = 54
1. 631
1. 46
... 34
29 ...
2 1
54 1
= +
+ +
= +
+ +
=
∑
= n
i i
x x
x x
2. 54.869
2 46
... 2
34 2
29 ...
2 2
2 2
1 54
1 2
= +
+ +
= +
+ +
=
∑
= n
i i
x x
x x
3.
161 .
660 .
2 2
631 1.
2 1
= =
∑
= N
i i
x
4.
56 ,
45 2
631 .
1 161
. 660
. 2
54.869 54
1 ,
2
2
1 2
1 1
2 1
=
−
⋅ =
− ⋅
=
∑ ∑
∑
= =
= −
N i
i N
i i
N i
i
x x
x N
s k
N
Dari hasil perhitungan tersebut, terlihat bahwa jumlah pengamatan yang sudah dilakukan lebih besar jumlah dari data yang seharusnya
1 −
N
N , oleh karena itu jumlah data pengamatan yang telah diambil telah tercukupi untuk perhitungan
selanjutnya.
3.3 Kecocokan Poisson
Kedatangan pada Teori Antrian diasumsikan mengikuti Distribusi Poisson karena keacakan dan tidak dipengaruhi oleh nasabah sebelum dan sesudahnya. Alat bantu
untuk kecocokan Distribusi Poisson adalah Uji Kolmogorov Smirnov. Dari Tabel 3.1 yang telah disajikan didapati:
1. Banyak data atau
54 =
n
2. Frekuensi kumulatif atau
x F
a
untuk nilai
5
1
= x
yang banyak frekuensinya adalah 1 maka
0,0185 54
1
1
= =
x F
a
demikian seterusnya hingga
51
54
= x
yang banyak frekuensinya adalah 1 maka
0,0185 54
1
54
= =
x F
a
3.
∑
= +
+ +
= 396
. 55
51 ...
7 5
2 2
2 2
i
x 4.
716 .
735 .
2 51
... 7
5
2 2
= +
+ +
=
∑
i
x 5.
Rata-rata
µ
adalah 20
, 30
54 51
... 54
7 54
5 =
+ +
+ =
= µ
∑
n x
i
6. Standar deviasi
σ
adalah
28 ,
10 5453
2.735.716 -
55.396 54
1
2 2
= ⋅
= −
− ⋅
= σ
∑ ∑
∑
n n
x x
n
i i
7. Nilai normal baku atau
σ µ
− =
1
x Z
, untuk nilai
5
1
= x
maka nilai 4514
, 2
28 ,
10 20
, 30
5
1
− =
− =
σ µ
− =
x Z
kemudian seterusnya sampai nilai
51
54
= x
maka nilai 2,0233
28 ,
10 20
, 30
51
54
= −
= σ
µ −
= x
Z .
Ringkasan perhitungan uji kecocokan Poisson dapat diperhatikan pada Tabel 3.3. Tabel 3.3 Uji Poisson
No x
x F
a
Z
Z F
a
x F
a
-
Z F
a
1 5
0,0185 -2,4514
0,0071 0,0114
2 7
0,0185 -2,2568
0,0119 0,0066
3 8
0,0200 -2,1595
0,0154 0,0046
4 12
0,0200 -1,7704
0,0384 -0,0184
5 13
0,0200 -1,6732
0,0475 -0,0275
6 18
0,0200 -1,1868
0,1170 -0,0970
7 19
0,0200 -1,0895
0,1379 -0,1179
8 20
0,0200 -0,9922
0,1611 -0,1411
9 22
0,0200 -0,7977
0,2119 -0,1919
10 23
0,0200 -0,7004
0,2420 -0,2220
11 24
0,0200 -0,6031
0,2743 -0,2543
12 25
0,0556 -0,5058
0,3050 -0,2494
13 26
0,0370 -0,4086
0,3409 -0,3039
14 27
0,0370 -0,3113
0,3783 -0,3413
15 28
0,0200 -0,2140
0,4168 -0,3968
16 29
0,1111 -0,1167
0,4522 -0,3411
17 30
0,0200 -0,0195
0,4920 -0,4720
18 31
0,0400 0,7780
0,5319 -0,4919
19 32
0,0600 0,1751
0,5714 -0,5114
20 33
0,0400 0,2724
0,6064 -0,5664
21 34
0,0400 0,3696
0,6443 -0,6043
22 35
0,0556 0,4669
0,6808 -0,6252
23 36
0,0556 0,5642
0,7123 -0,6567
24 37
0,0556 0,6615
0,7454 -0,6898
25 40
0,0185 0,9533
0,8289 -0,8104
26 41
0,0185 1,0506
0,8531 -0,8346
27 43
0,0185 1,2451
0,8944 -0,8759
No x
x F
a
Z
Z F
a
x F
a
-
Z F
a
28 45
0,0185 1,4397
0,9251 -0,9066
29 46
0,0185 1,5370
0,9382 -0,9197
30 47
0,0370 1,6342
0,9484 -0,9114
31 49
0,0185 1,8288
0,9664 -0,9479
32 51
0,0185 2,0233
0,9783 -0,9598
Dari keterangan Tabel 3.3didapati nilai maksimum yaitu
0114 ,
| |
= −
= x
F x
F D
e a
maks
pada 5
1
= x
.Pada
05 ,
α
dengan
54 =
n
diperoleh nilai
0,18 =
α
D
.Nilai
maks
D
yang dihitung lebih kecil dari nilai
α
D
yang berarti bahwa asumsi pola kedatangan mengikuti Distribusi Poisson adalah benar.
3.4 Keacakan Kedatangan Diketahuimedian pada jumlah kedatangan pada nasabahsetelah data diurutkan
adalah 31.Data yang lebih kecil dari median diberi tanda minus
1
n dan data yang lebih besar atau sama dengan median diberi tanda tambah
2
n .Hasilnya adalah sebagai berikut:
1
n = 27 dan
2
n = 27 maka banyak nilai runtun u = 22. Dari rumus didapat:
28 27
27 27
27 2
1 =
+ ⋅
⋅ +
= µ
{ }
1 2
2
2 1
2 2
1 2
1 2
1 2
1
− +
⋅ +
− −
⋅ ⋅
⋅ ⋅
= σ
n n
n n
n n
n n
n n
64 ,
3 1
27 27
27 27
} 27
27 27
27 2
{ 27
27 2
2
= −
+ ⋅
+ −
− ⋅
⋅ ⋅
⋅ =
σ
Untuk menjadikan normal baku digunakan transformasi:
64 ,
1 64
, 3
28 22
− =
− =
σ µ
− =
u Z
hitung
Dari daftar normal baku dengan α = 0,05 didapatkan
tabel
Z
= 0,475 pada 1,96. Terlihat bahwa kedatangan nasabah per jam bersifat acak dan mendukung bahwa
kedatangan adalah benar mengikuti Distribusi Poisson.
3.5 Uji Kecocokan
Eksponensial
Pola pelayanan pada Teori Antrian sering mengikuti Distribusi Eksponensial. Pengujian dilakukan untuk membuktikan hal tersebut, dengan alat bantu Uji
Kolmogorov Smirnov. Tahapan perhitungan uji kecocokan Eksponensial berdasarkan Tabel 3.2 adalah sebagai berikut:
1. Banyak data atau
54 =
n
2. Frekuensi kumulatif atau
x F
a
untuk nilai
81 ,
16
1
= x
dengan banyak frekuensiadalah 1 maka
0,0185 54
1
1
= =
x F
a
demikian seterusnya hingga
269,03
54
= x
dengan banyak frekuensi adalah 1, maka
0,0185 54
1
54
= =
x F
a
3. 95
, 441
. 040
. 1
03 ,
269 ...
21 ,
21 81
, 16
2 2
2 2
= +
+ +
=
∑
i
x 4.
47 ,
387 .
864 .
42 03
, 269
... 21
, 21
81 ,
16
2 2
= +
+ +
=
∑
i
x 5.
Rata-rata
µ
adalah 24
, 121
54 03
, 269
... 54
21 ,
21 54
81 ,
16 =
+ +
+ =
= µ
∑
n x
i
6. Standar deviasi σ untuk uji kecocokan Eksponensial adalah
22 ,
68 5453
,47 42.864.387
- 95
1.040.441, 54
1
2 2
= =
− −
= σ
∑ ∑
∑
n n
x x
n
i i
7. Nilai normal baku atau
σ µ
− =
1
x Z
untuk nilai
81 ,
16
1
= x
maka nilai 5308
, 1
22 ,
68 24
, 121
81 ,
16
1
− =
− =
σ µ
− =
x Z
kemudian seterusnya sampai nilai
03 ,
269
54
= x
maka nilai 2,1664
22 ,
68 24
, 121
03 ,
269
54
= −
= σ
µ −
= x
Z Ringkasan perhitungan uji kecocokan Eksponensial dapat diperhatikan pada Tabel
3.4. Tabel 3.4 Uji Eksponensial
No X
X F
a
Z
Z F
a
Z F
X F
a a
−
1 16,81
0,0185 -1,5308
0,0630 -0,0445
2 21,21
0,0185 -1,4663
0,0708 -0,0523
3 21,68
0,0185 -1,4594
0,0722 -0,0537
4 30,25
0,0185 -1,3338
0,0180 0,0005
5 32,05
0,0185 -1,3074
0,0951 -0,0766
6 40,72
0,0185 -1,1803
0,1190 -0,1005
No X
X F
a
Z
Z F
a
Z F
X F
a a
−
7 56,16
0,0185 -0,9540
0,1736 -0,1551
8 56,91
0,0185 -0,9430
0,1711 -0,1526
9 59,92
0,0185 -0,8989
0,1841 -0,1656
10 63,09
0,0185 -0,8524
0,1977 -0,1792
11 65,67
0,0185 -0,8146
0,2090 -0,1905
12 69,47
0,0185 -0,7589
0,2236 -0,2051
13 71,07
0,0185 -0,7354
0,2296 -0,2111
14 74,27
0,0185 -0,6885
0,2451 -0,2266
15 77,07
0,0185 -0,6475
0,2611 -0,2426
16 78,04
0,0185 -0,6332
0,2643 -0,2458
17 79,69
0,0185 -0,6091
0,2709 -0,2524
18 80,13
0,0185 -0,6026
0,2743 -0,2558
19 82,47
0,0185 -0,5683
0,2843 -0,2658
20 87,30
0,0185 -0,4975
0,3085 -0,2900
21 90,70
0,0185 -0,4477
0,3264 -0,3079
22 94,58
0,0185 -0,3908
0,3483 -0,3298
23 95,13
0,0185 -0,3827
0,3250 -0,3065
24 98,16
0,0185 -0,3383
0,3669 -0,3484
25 104,45
0,0185 -0,2461
0,4013 -0,3828
26 105,35
0,0185 -0,2329
0,4090 -0,3905
27 105,39
0,0185 -0,2323
0,5910 -0,5725
28 106,00
0,0185 -0,2234
0,4129 -0,3944
29 106,62
0,0185 -0,2143
0,4168 -0,3983
30 110,08
0,0185 -0,1636
0,4364 -0,4179
31 110,55
0,0185 -0,1567
0,4364 -0,4179
32 116,32
0,0185 -0,0721
0,4721 -0,4536
33 118,25
0,0185 -0,0438
0,4840 -0,4655
34 119,66
0,0185 -0,0232
0,4920 -0,4735
35 125,85
0,0185 0,0676
0,5279 -0,5094
36 130,89
0,0185 0,1415
0,5557 -0,5372
37 145,23
0,0185 0,3517
0,6368 -0,6183
38 153,02
0,0185 0,4658
0,6808 -0,6623
39 155,03
0,0185 0,4953
0,6915 -0,6730
40 155,49
0,0185 0,5021
0,6915 -0,6730
41 157,09
0,0185 0,5255
0,7019 -0,6834
42 158,82
0,0185 0,5509
0,7088 -0,6903
43 160,66
0,0185 0,5778
0,7190 -0,7005
44 186,49
0,0185 0,9565
0,8315 -0,8130
45 200,08
0,0185 1,1557
0,8770 -0,8585
46 208,20
0,0185 1,2747
0,8980 -0,8795
47 210,62
0,0185 1,3102
0,9032 -0,8847
No X
X F
a
Z
Z F
a
Z F
X F
a a
−
48 229,37
0,0185 1,5850
0,9441 -0,9256
49 230,58
0,0185 1,6028
0,9452 -0,9267
50 250,63
0,0185 1,8967
0,9743 -0,9558
51 256,03
0,0185 1,9758
0,9761 -0,9576
Dari Tabel 3.4 didapati nilai maksimum yaitu
005 ,
| |
= −
= x
F x
F D
e a
maks
pada .
25 ,
30
4
= x
Pada
05 ,
α
dengan
54 =
n
diperoleh nilai
0,18. =
α
D
Nilai
maks
D
yang diperoleh lebih kecil dari nilai
α
D
artinya bahwa asumsi pola pelayanan mengikuti Distribusi Eksponensial adalah benar.
3.6 Perhitungan Teori Antrian Pada tahap ini, model Bank Mandiri Cabang Iskandar Muda Medan sesuai dengan
keadaan yang sebenarnya akan dianalisa dengan pendekatan Teori Antrian. Bank Mandiri Cabang Iskandar Muda Medan dari pengujian diketahui bahwa
kedatangan nasabah yang acak dan nasabah yang akan datang tidak dipengaruhi oleh nasabah yang sebelumnya, dengan lamanya pelayanan terhadap nasabah
yang tidak dibatasi, dengan satu garis antrian atau single channel dan petugas pelayanan atau Teller berjumlah 3 orang dan memiliki sistim masukan yang tidak
terbatas, nasabah yang berada dalam antrian juga tidak terbatas, dengan disiplin pelayanan adalah FIFO First In First Out atau dapat dituliskan model antriannya
berdasarkan notasi Kendall adalah PoissonEksponensial3 : FIFO ∞∞ atau
FIFO :
3 ∞
∞ M
M
. 3.6.1
Tingkat Kegunaan Pelayanan Bank
Penelitian dilakukan selama 15 hari mempunyai tingkat kegunaan pelayanan bank berbeda setiap harinya.Berikut iniditampilkan tingkat kegunaan pelayanan bank
selama 15 hari kerja pada Tabel 3.5. Tabel 3.5 Tingkat Kegunaan Fasilitas
52 258,53
0,0185 2,0125
0,9778 -0,9593
53 260,23
0,0185 2,0374
0,9793 -0,9608
54 269,03
0,0185 2,1664
0,9850 -0,9665
Hari Ke- Tingkat Guna Fasilitas
ρ
1 0,58
2 0,22
3 4
5 6
- 0,47
0,57 0,29
Hasildariperhitungan tingkat kegunaan pelayanan bank
ρ
diatasmenampilkanbahwa keadaan bank dalam keadaan yang steady state dikarenakan
ρ
1 untuk per 5 menit.Dengan keadaan seperti ini, parameter λdan
µ
yang telah ditemukan dapat digunakan dalam perhitungan selanjutnya untuk
ukuran dasar Teori Antrian. 3.6.2
Analisa dengan Teori Antrian
Telah diketahui Bank Mandiri Cabang Iskandar Muda Medan memiliki pola yang menurut Kendall-Lee adalah
FIFO :
3 ∞
∞ M
M
dan melalui pola
FIFO :
3 ∞
∞ M
M
akan dapat diketahui karakterisktik teori antriannya. Selama 15 hari penelitian dengan keadaan dan situasi yang berbeda setiap harinya,
maka akan dihitung ukuran dasar Teori Antrian per 5 menit setiap hari selama 15 hari.
7 0,63
8 0,37
9 0,40
10 0,98
11 0,96
12 0,90
13 0,97
14 0,92
15 0,97
1. Hari Ke-1
a. Peluang Masa Sibuk
∑ −
=
λ
−
λ +
λ
= 1
1 1
c n
c μ
c c
μ n
n μ
P
o
58 ,
1 3
72 ,
1 2
72 ,
1 1
72 ,
1 1
1
3 2
1
− +
+ +
=
o
P
16 ,
=
o
P dengan demikian,
µ λ
− ⋅
λ
= c
c P
k b
P
o c
1
32 ,
43 ,
3 16
, 72
, 1
3
= ⋅
⋅ =
b P
b. Ekspektasi Jumlah Individu Menunggu dalam Antrian