UNIVERSITAS WIDYATAMA
STATISTIKA INDUSTRI
BAB I PENDAHULUAN
1.1
LATAR BELAKANG
Teori peluang terutama distribusi poisson distribusi poisson dapat menjadi alat untuk kita mengatasi masalah antrian dalam suatu hal. Persoalan antrian menjadi bagian dari kehidupan sehari-hari yang tidak terhindarkan. Antrian terjadi karena operasi sistem pelayanan dan pola kedatangan pelanggan bersifat acak. Teori peluang distribusi eksponensial dapat membantu kita mengantisipasi kerusakan pada alat yang kita gunakan seperti mesin produksi. Modul 3 mengenai distribusi probabilitas poisson poisson dan eksponensial ini, praktikan akan melakukan pencarian model antrian dari sistem pelayanan. Model antrian yang dipilih yaitu model antrian sistem pelayanan di bioskop Cinema21. Cinema21. Pengamatan dilakukan agar hasil dari data yang diperoleh dapat diolah dan dianalisis untuk mengetahui waktu pelayanan dari server. Sehingga dapat memberi masukan untuk meningkatkan kualitas pelayanan sistem yang diamati. Interaksi antara pelanggan dan pelayan atau penyedia jasa adalah berkaitan dengan periode waktu yang diperoleh pelanggan untuk menyelesaikan sebuah pelayanan. pela yanan. Teori antrian kedatangan pelanggan umumnya disebut sebagai distribusi kedatangan (arrival (arrival distribution). distribution). Secara teoritis proses kedatangan dan perilaku pembeli dalam memasuki antrian tidak dapat diramalkan secara pasti. Jika proses kedatangan terjadi secara acak, maka proses proses ini sesuai dengan dengan proses proses stokastik, khususnya proses poisson, poisson, artinya jumlah konsumen yang datang selama periode waktu tertentu t akan mengikuti distribusi poisson. poisson. Tetapi tidak semua tingkat kedatangan akan berdistribusi poisson, poisson, oleh karena itu perlu diuji kesesuaian distribusi ini.
2
UNIVERSITAS WIDYATAMA
1.2
STATISTIKA INDUSTRI
TUJUAN
Tujuan melakukan kegiatan praktikum pada modul Poisson dan Poisson dan Eksponensial ini, praktikan diharapkan mampu: 1. Memahami karakteristik dari distribusi poisson distribusi poisson dan dan distribusi eksponensial. 2. Melakukan pendekatan distribusi poisson distribusi poisson terhadap terhadap distribusi binomial. 3. Melakukkan perhitungan dan mengetahui hasil dari teori antrian. 4. Mengenali masalah nyata dalam kehidupan sehari-hari yang berkaitan dengan distribusi poisson distribusi poisson dan dan distribusi eksponensial.
2
UNIVERSITAS WIDYATAMA
STATISTIKA INDUSTRI
BAB II LANDASAN TEORI
2.1
DISTRIBUSI POISSON DAN DISTRIBUSI EKSPONENSIAL
2.1.1
Distribusi Poisson
Distribusi poisson dalam teori probabilitas dan statistika adalah distribusi probabilitas diskret yang menyatakan peluang jumlah peristiwa yang terjadi pada periode waktu tertentu apabila rata-rata kejadian tersebut diketahui dan dalam waktu yang saling bebas sejak kejadian terakhir. Distribusi poisson juga dapat digunakan untuk jumlah kejadian pada interval tertentu seperti jarak, luas, atau volume. Distribusi poisson sebagai suatu bentuk pembatasan distribusi binomial pada saat n besar, sedangkan p mendekati 0 , dan np konstan. Sehingga bila n besar dan p mendekati 0, distribusi poisson dapat digunakan untuk memperkirakan probabilitas binomial, dengan l = n.p
Distribusi ini pertama kali diperkenalkan oleh Siméon-Denis Poisson (1781 – 1840) dan diterbitkan, bersama teori probabilitasnya, pada tahun 1838 dalam karyanya Recherches sur la probabilité des jugements en matière criminelle et en matière civile (“Penelitian Probabilitas Hukum Masalah Pidana dan Perdata”). Karyanya memfokuskan peubah acak n yang menghitung antara lain jumlah kejadian diskret (kadang juga disebut "kedatangan") yang terjadi selama interval waktu tertentu. Apabila nilai harapan kejadian pada suatu interval, maka probabilitas terjadi peristiwa sebanyak k kali (k adalah bilangan bulat non negatif, k = 0, 1, 2, ...) maka sama dengan
Dimana, e adalah basis logaritma natural (e = 2.71828...) k adalah jumlah kejadian suatu peristiwa peluang yang diberikan oleh fungsi ini k! adalah faktorial dari k
3
UNIVERSITAS WIDYATAMA
STATISTIKA INDUSTRI
λ adalah bilangan riil positif, sama dengan nilai harapan peristiwa yang terjadi dalam interval tertentu. Misalnya, peristiwa yang terjadi rata-rata 4 kali per menit, dan akan dicari probabilitas terjadi peristiwa k kali dalam interval 10 menit, digunakan distribusi Poisson sebagai model dengan λ = 10×4 = 40.
Kegunaan distribusi poisson untuk mengukur probabilitas dari variabel random yang mencakup rentang yang cukup panjang. Kemudian selain dari pada itu distribusi poisson juga berguna untuk mengukur peluang yang mungkin terjadi dalam waktu atau daerah tertentu. Kemudian selain dari pada itu, distribusi poisson juga digunakan untuk menghitung distribusi binominal dengan mean dari distribusi poisson. Distribusi poisson memiliki aplikasi, terutama dalam menghitung atau mengolah suatu data. Diantaranya, aplikasi distribusi poisson ini adalah digunakan dalam menghitung data antrian yang terjadi selama selang waktu atau daerah tertentu.
Karakteristik distribusi poisson diantaranya: 1. Banyaknya hasil percobaan yang terjadi dalam suatu selang waktu atau suatu daerah tertentu, tidak tergantung pada banyaknya hasil percobaan yang terjadi pada selang waktu atau daerah lain yang terpisah. 2. Peluang terjadinya satu hasil percobaan selama suatu selang waktu yang singkat atau dalam suatu daerah yang kecil, sebanding dengan panjang selang waktu tersebut atau besarnya derah tersebut. Dan tidak tergantung pada banyaknya hasil percobaan yang terjadi diluar selang waktu atau daerah tersebut. 3. Peluang bahwa lebih dari satu hasil percobaan akan terjadi dalam selang waktu yang singkat tersebut atau dalam daerah yang terkecil tersebut, dapat diabaikan.
4
UNIVERSITAS WIDYATAMA
2.1.2
STATISTIKA INDUSTRI
Distribusi Eksponensial
Salah satu distribusi yang banyak digunakan dalam statistika, khususnya proses stokastik, adalah distribusi eksponensial. Distribusi eksponensial adalah salah satu kasus khusus dari distribusi gamma. Fungsi eksponensial adalah salah satu fungsi yang paling penting dalam matematika. Biasanya, fungsi ini ditulis dengan notasi exp(x) atau ex, di mana e adalah basis logaritma natural yang kira-kira sama dengan 2.71828183. Fungsi eksponensial (merah) terlihat hampir mendatar horizontal (naik secara sangat perlahan) untuk nilai x yang negatif, dan naik secara cepat untuk nilai x yang positif. Sebagai fungsi variabel bilangan real x, grafik ex selalu positif (berada di atas sumbu x) dan nilainya bertambah (dilihat dari kiri ke kanan). Grafiknya tidak menyentuh sumbu x, namun mendekati sumbu tersebut secara asimptotik. Invers dari fungsi ini, logaritma natural, atau ln(x), didefinisikan untuk nilai x yang positif. Adapun karakeristik distribusi eksponensial sebagai berikut: 1. Mempunyai nilai variansi, 2. Mempunyai nilai mean, 3. Pencarian pada distribusi eksponensial menggunakan variabel random, 4. Peluang yang terjadi pada suatu percobaan mempengaruhi selisih waktu yang terjadi pda percobaan tersebut, 5. Mempunyai nilai b > 0. Distribusi eksponensial berguna dalam mencari selisih waktu yang terjai dalam suatu peluang pada daerah tertentu. Dalam aplikasinya distribusi eksponensial ini sangat berperan sekali, seperti untuk mengukur selisih waktu antara orang 1 dan ke2 dlam suatu antrian. Selanjutnya distribusi ini juga berguna untuk mengukur tingkat kegagalan yang mungkin terjadi dalam suatu peluang. Kemudian distribusi eksponensial juga berguna dalam mencari peubah acak kontinu x, dengan menggunakan variabel random (bilangan acak).
5
UNIVERSITAS WIDYATAMA
2.1.3
STATISTIKA INDUSTRI
Teori Antrian
Antrian adalah suatu kejadian yang biasa dalam kehidupan sehari – hari. Menunggu di depan loket untuk mendapatkan tiket kereta api atau tiket bioskop, pada pintu jalan tol, pada bank, pada kasir supermarket, dan situasi – situasi yang lain merupakan kejadian yang sering ditemui. Studi tentang antrian bukan merupakan hal yang baru.
Antrian timbul disebabkan oleh kebutuhan akan layanan melebihi kemampuan (kapasitas) pelayanan atau fasilitas layanan, sehingga pengguna fasilitas yang tidak bisa segera mendapat layanan disebabkan kesibukan layanan. Pada banyak hal, tambahan fasilitas pelayanan dapat diberikan untuk mengurangi antrian atau untuk mencegah timbulnya antrian. Akan tetapi biaya karena memberikan pelayanan tambahan, akan menimbulkan pengurangan keuntungan mungkin sampai di bawah tingkat yang dapat diterima. Sebaliknya, sering timbulnya antrian yang panjang akan mengakibatkan hilangnya pelanggan atau nasabah.
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 setel ah selesai dilayani. Sedangkan yang dimaksud dengan sistem antrian adalah himpunan pelanggan, pelayan dan suatu aturan yang mengatur kedatangan para pelanggan dan pemrosesan masalahnya.
6
UNIVERSITAS WIDYATAMA
STATISTIKA INDUSTRI
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA
4.1
PENGUMPULAN DATA
4.1.1
Distribusi Probabilitas Poisson dan Eksponensial
Pengumpulan data dilakukan terhadap tempat bioskop (cinema 21) yang melayani pelanggan. a.
Data Distribusi Poisson Tabel 4.1 Data Distribusi Poisson No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Data Distribusi Poisson, n = 30 Interval Waktu, t = 3 menit Interval Waktu, t = 5 menit Awal Akhir Jumlah Kedatangan Awal Akhir Jumlah Kedatangan 13.00 13.03 2 13.00 13.05 2 13.04 13.07 1 13.06 13.11 2 13.08 13.11 1 13.12 13.17 3 13.12 13.15 1 13.18 13.23 2 13.16 13.19 2 13.24 13.29 3 13.20 13.23 3 13.30 13.35 3 13.24 13.27 1 13.36 13.41 2 13.28 13.31 3 13.42 13.47 2 13.32 13.35 1 13.48 13.53 3 13.36 13.39 2 13.54 13.59 2 13.40 13.43 2 14.00 14.05 3 13.44 13.47 1 14.06 14.11 4 13.48 13.51 2 14.12 14.17 3 13.52 13.55 3 14.18 14.23 2 13.56 13.59 4 14.24 14.29 3 14.00 14.03 1 14.30 14.35 2 14.04 14.07 1 14.36 14.41 2 14.08 14.11 2 14.42 14.47 2 14.12 14.15 2 14.48 14.53 2 14.16 14.19 1 14.54 14.59 3 14.20 14.23 1 15.00 15.05 4 14.24 14.27 1 15.06 15.11 3 14.28 14.31 1 15.12 15.17 3 14.32 14.35 1 15.18 15.23 2 14.36 14.39 2 15.24 15.29 3 14.40 14.43 1 15.30 15.35 2 14.44 14.47 2 15.36 15.41 4 14.48 14.51 1 15.42 15.47 3 14.52 14.55 1 15.48 15.53 2 14.56 14.59 1 15.54 15.59 2 48 Jumlah 113 170
(Sumber: pengumpulan data)
7
UNIVERSITAS WIDYATAMA
b.
STATISTIKA INDUSTRI
Data Distribusi Eksponensial Tabel 4.2 Data Distribusi Eksponensial No
Data Distribusi Eksponensial, n = 30 Jam Mulai
Jam Selesai
Selang Waktu (detik)
1
11:00:21
11:01:42
81
2
11:05:56
11:09:43
227
3
11:10:27
11:12:09
102
4
11:13:21
11:16:54
113
5
11:17:40
11:20:18
158
6
11:20:50
11:21:05
15
7
11:25:05
11:28:04
179
8
11:28:20
11:29:01
41
9
11:33:15
11:36:05
170
10
11:36:10
11:37:05
55
11
11:40:10
11:41:02
52
12
11:44:50
11:45:02
12
13
11:48:03
11:49:01
58
14
11:52:03
11:53:01
58
15
11:56:01
11:56:58
57
16
12:00:48
12:04:03
195
17
12:04:50
12:08:04
194
18
12:08:45
12:10:01
76
19
12:12:54
12:14:01
67
20
12:17:01
12:20:01
180
21
12:21:40
12:24:01
141
22
12:25:31
12:28:03
152
23
12:29:01
12:31:05
124
24
12:33:04
12:36:07
183
25
12:37:06
12:38:00
54
26
12:41:09
12:44:10
181
27
12:44:30
12:45:05
35
28
12:48:20
12:52:10
230
29
12:53:01
12:56:06
185
30
12:57:20
12:58:10
50
(Sumber: pengumpulan data)
8
UNIVERSITAS WIDYATAMA
STATISTIKA INDUSTRI
4.2
PENGOLAHAN DATA
4.2.1
Distribusi Poisson dan Eksponensial
A.
Distribusi Poisson Tabel 4.3 Distribusi Frekuensi dari Distribusi Poisson t = 3menit No
Xi
fi
Fkum
Xi.fi
1
1
17
17
2 2 9 26 3 3 3 29 4 4 1 30 Jumlah 10 30 102 (Sumber: Pengolahan Data)
̅
̅
̅
17
(Xi - ) -0.6
(Xi - )² 0.36
fi(Xi - )² 6.12
18 9 4 48
0.4 1.4 2.4 3.6
0.16 1.96 5.76 8.24
1.44 5.88 5.76 19.2
Contoh Perhitungan: a.
Xi x fi 1. 1 x 17 = 17 2. 2 x 9 = 18 3. 3 x 3 = 9 4. 4 x 1 = 4
b.
̅
Rata-rata ( )
∑. = ++9+ = = 1,6 0 0
̅
c.
(Xi - )
1. 1 – 1,6 = -0,6 2. 2 – 1,6 = 0,4 3. 3 – 1,6 = 1,4 4. 4 – 1,6 = 2,4 d.
̅
(Xi - )² 1. (1 – 1,6)² = (-0,6)² = 0,36 2. (2 – 1,6)² = (0,4)² = 1,6 3. (3 – 1,6)² = (1,4)² = 1,96 4. (4 – 1,6)² = (2,4)² = 5,76
e.
̅
fi(Xi - )² 1. 17(1 – 1,6)² = 17( -0,6)² = 6,12 2. 9(2 – 1,6)² = 9(0,4)² = 1,44 3. 3(3 – 1,6)² = 3(1,4)² = 5,88 4. 1(4 – 1,6)² = 1(2,4)² = 5,76
9
UNIVERSITAS WIDYATAMA
f.
STATISTIKA INDUSTRI
Standar Deviasi
̅) = √ ,+,+5,+5, = = √ ∑(− ∑ 0 g.
0,8
Rata-rata Kedatangan
= ̅
= 1.6
Tabel 4.4 Ringkasan Distribusi Poisson t = 3 menit No Xi Fi 1 1 17 2 2 9 3 3 3 4 4 1 Jumlah 10 30 (Sumber: Pengolahan Data)
FK
P(X=Xi)
E(i)
E(i)K
17 26 29 30 102
0.3230 0.2584 0.1378 0.0551 0.7743
10.0350 3.1350 0.6540 0.1020 13.9260
10.0350 13.1700 13.8240 13.9260 50.9550
Contoh Perhitungan:
a.
F kumulatif F(x=n) = f(x=0) + f(x=1) +…+ f(x=n) F(x=1) = f(x=1) = 17 F(x=2) = f(x=1) + f(x=2) =17 + 9 = 26 F(x=3) = f(x=1) + f(x=2) + f(x=3) =17 + 9 + 3 = 29 F(x=4) = f(x=1) + f(x=2) + f(x=3) + f(x=4) =17 + 9 + 3 +1= 30
b.
P(x)
() = !x − ( = 1) = !x − = .! 2.71828−. = x − . ( = 2) = ! = ! 2.71828−. = ( = 3) = !x − = .! 2.71828−. = ( = 4) = !x − = .! 2.71828−. = λ
c.
λ
0,3230
λ
λ
0,2584
λ
λ
0,1378 0,0551
E(i) E(i) = P(x=x) x N E(1) = P(x=1) x 30 = 0,3345 x 30 =10.0350 E(2) = P(x=2) x 30 = 0,1045 x 30 = 3.1350 E(3) = P(x=3) x 30 = 0,0218 x 30 = 0.6540 E(4) = P(x=4) x 30 = 0,0034 x 30 = 0.1020
10
UNIVERSITAS WIDYATAMA
STATISTIKA INDUSTRI
Tabel 4.5 Distribusi Frekuensi dari Distribusi Poisson t = 5 menit
̅
̅
̅
No
Xi
fi
Fkum
Xi.fi
(Xi - )
(Xi - )²
fi(Xi - )²
1
2
15
15
30
-0.6
0.36
5.40
2
3
12
27
36
0.4
0.16
1.92
3 4 3 30 Jumlah 9 30 72 (Sumber: Pengolahan Data)
12 78
1.4 1.2
1.96 2.48
5.88 13.2
Contoh Perhitungan: a.
Xi x fi 1. 2 x 15 = 30 2. 3 x 12 = 36 3. 4 x 3 = 12
̅
b.
Rata-rata ( )
∑. = 0++ = = 2,6 0 0
̅
c.
(Xi - )
1. 2 – 2,6 = -0,6 2. 3 – 2,6 = 0,4 3. 4 – 2,6 = 1,4 d.
̅
(Xi - )²
1. (2 – 2,6)² = (-0,6)²= 0,36 2. (3 – 2,6)² = (0,4)² = 0,16 3. (4 – 2,6)² = (1,4)² = 1,96
̅
e.
fi(Xi - )² 1. 15(2 – 2,6)² = 15(-0,6 )²= 5,40 2. 12(3 – 2,6)² = 12(0,4 )² = 1,92 3. 3(4 – 2,6)² = 3(1,4)² = 5,88
f.
Standar Deviasi
̅) = √ 5,+,9+5, = = √ ∑(− ∑ 0 g.
0,66
Rata-rata Kedatangan
= ̅ =2.6
11
UNIVERSITAS WIDYATAMA
STATISTIKA INDUSTRI
Tabel 4.6 Ringkasan Distribusi Poisson t = 5 menit No
Xi
fi
Fkum
P(X=Xi)
E(i)
E(i)K
1
2
15
15
0.0504
1.512
1.512
2
3
12
27
0.0065
0.195
1.707
3 4 3 30 Jumlah 9 30 72 (Sumber: Pengolahan Data)
0.0006 0.0575
0.018 1.725
1.725 4.944
Contoh Perhitungan:
a.
F kumulatif F(x=n) = f(x=2 ) +…+ f(x=n) F(x=2) = f(x=2) = 15 F(x=3) = f(x=2) + f(x=3) =15 + 12 = 27 F(x=4) = f(x=2) + f(x=3) + f(x=4) =15 + 12 + 3 = 30
b.
P(x)
() = !x − λ
λ
x
( = 2) = !x − = .! 2.71828−. = ( = 3) = ! − = .! 2.71828−. = ( = 4) = !x − = .! 2.71828−. = λ
λ
0.2510
λ
λ
0.2175 0.1414
c.
E(i) E(i) = P(x=x) x N E(2) = P(x=2) x 30 = 0,0504 x 30 = 1,512 E(3) = P(x=3) x 30 = 0,0065 x 30 = 0,195 E(4) = P(x=4) x 30 = 0,0006 x 30 = 0,018
12
UNIVERSITAS WIDYATAMA
STATISTIKA INDUSTRI
Hubungan Xi terhadap Fk t=3menit
Hubungan Xi terhadap FKumulatif 35 30 25 20 15 10 5 0
f i t a l u m u k F
29
26
30
17
1
FK
2
3
35 30 25 i 20 X15 10 5 0
4
26
0
1
2
3
4
5
F Kumulatif
Gambar 4.1 Histogram Xi terhadap Fk pada t = 3 menit (Sumber: Pengolahan Data)
Hubungan Xi terhadap Fk t=5menit
Gambar 4.2 Poligon Xi terhadap Fk pada t = 3 menit (Sumber: Pengolahan Data)
Hubungan Xi terhadap Fkumulatif
40
35
27
30
17
Xi
f i t 30 a l u m20 u k F10
29
30
27
30
30
25
15 Fkum
i 20 X15
15
10 5
0
0
2
3
4
Xi
Gambar 4.1 Histogram Xi terhadap Fk pada t = 3 menit (Sumber: Pengolahan Data)
0
1
2
3
4
FKumulatif Gambar 4.2 Poligon Xi terhadap FKumulatif pada t = 3 menit (Sumber: Pengolahan Data)
13
5
UNIVERSITAS WIDYATAMA
B.
STATISTIKA INDUSTRI
Distribusi Eksponensial Tabel 4.7 Distribusi Frekuensi Eksponensial
Interval kelas 12 48 49 85 86 122 123 159 160 196 197 233
Batas Bawah
Batas Atas
11.5 48.5 48.5 85.5 85.5 122.5 122.5 159.5 159.5 196.5 196.5 233.5 Jumlah (Sumber: Pengolahan Data)
Xi
Fi
Fi Kum
XiFi
(Xi - )
̅
(Xi - )2
̅
Fi(Xi - )2
̅
30 67 104 141 178 215 735
4 10 2 4 8 2 30
4 14 16 20 28 30 112
120 670 208 564 1,424 430 3,416
-84 -47 -10 27 64 101 51
7,056 2,209 100 729 4,096 10,201 24,391
28,224 22,090 200 2,916 32,768 20,402 106,600
ContohPerhitungan: a. Rentang R = Nilai Data terbesar – Nilai Data terkecil R = 230 - 12 = 218 b.
Jumlah Kelas (∑k) ∑k = 1 + 3.3 Log N ∑k = 1 + 3.3 Log 30 = 5.8 ≈ 6
c.
Interval Kelas (I) I =
d.
e.
= = 36,33 ≈ 36 ∑
̅ (0)+(0)+⋯+(5) = = 113,87 ≈ 114 ̅ = ∑ = ∑ 0 0 Rata-rata ( )
Standar Deviasi
̅ ) = √ 000 = 59,61 = √ ∑(− ∑ 0 f.
Rata-rata Kedatangan
λ = ̅ = =
0,0088
14
UNIVERSITAS WIDYATAMA
STATISTIKA INDUSTRI
Tabel 4.8 Ringkasan Distribusi Eksponensial Interval kelas
Batas Bawah
Batas Atas
Xi
Fi
Fi Kum
XiFi
(Xi - )
̅
(Xi - )2
̅
Fi(Xi - )2
̅
P(X)b
P(X)a
P(X)
E(i)
E(i)k
12
48
11.5
48.5
30
4
4
120
-84
7,056
28,224
0.9037
0.6526
0.2511
7.533
7.533
49
85
48.5
85.5
67
10
14
670
-47
2,209
22,090
0.6526
0.4712
0.1814
5.442
12.975
86
122
85.5
122.5
104
2
16
208
-10
100
200
0.4712
0.3403
0.1309
3.927
16.902
123
159
122.5
159.5
141
4
20
564
27
729
2,916
0.3403
0.2457
0.0946
2.838
19.74
160
196
159.5
196.5
178
8
28
1,424
64
4,096
32,768
0.2457
0.1774
0.0683
2.049
21.789
197
233
196.5
233.5
215
2
30
430
101
10,201
20,402
0.1774
0.1281
0.0493
1.479
23.268
735
30
112
3,416
51
24,391
106,600
2.7909
2.0153
0.7756
23.2680
102.207
Jumlah
(Sumber: Pengolahan Data)
ContohPerhitungan: a.
b.
() = −a Kelas 1: ( ) = −a =2,71828−0,00×,5 = 0,6526 Kelas 2: () = −a =2,71828−0,00×5,5 = 0,4712 Kelas 3: ( ) = −a =2,71828−0,00×,5 = 0,3403 Kelas 4: () = −a =2,71828−0,00×59,5 = 0,2457 Kelas 5: ( ) = −a =2,71828−0,00×9,5 = 0,1774 Kelas 6: ( ) = −a =2,71828−0,00×,5 = 0,1281 () = −b Kelas 1: () = −b =2,71828−0,00×,5 = 0,9037 Catatan: Semua Data Kelas dihitung seperti contoh perhitungan diatas.
c. P(x) = P(x)b – P(x)a Kelas 1: P(x) = P(x)b – P(x)a =0.9037-0.6526 = 0,2511 Catatan: Semua Data Kelas dihitung seperti contoh perhitungan diatas. d. E(i) = P(x) x N Kelas 1: E(i) = P(x) x N = 0,2511 x 30 = 7,533 Catatan: Semua Data Kelas dihitung seperti contoh perhitungan diatas.
15
UNIVERSITAS WIDYATAMA
STATISTIKA INDUSTRI
Xi terhadap F kumulatif
Xi terhadap FKumulatif 35
35
28
30
f i t 25 a l u20 m u15 k F10
30
30 25
20 16
14
i X
30
20
20
14
16
15 10
4
5
28
4
5
0 30
67
104
141
178
0
215
0
Xi
50
100
150
200
250
FKumulatif
Fi Kum
Gambar 4.1 Histogram Xi terhadap Fk pada t = 3 menit (Sumber: Pengolahan Data)
C.
Gambar 4.2 Poligon Xi terhadap FKumulatif pada t = 3 menit (Sumber: Pengolahan Data)
Teori Antrian
. = , = . = 0.02 . 0 . 0 0 . 5 = , 5 = = 0.04 λ Poisson = 5 .0 5 . 0 00 = µ = 0..0 = 0.0125 = µ = 0.0 = 3.5x10
a. λ Poisson =
b.
-4
P = 1 - = 1- 3.5x10
c. Po = 1 - = 1- 0.0125 = 0.9875 o
-4
= 0.9996
d. Rata-rata banyaknya mengantri dalam sistem
= µ− = L= µ− L=
0.0 = 0.0 = 0.01266 .−0.0 .5 0.0 = 0.0 = 3.510x10 −0.0 .9
-4
e. Rata-rata banyaknya pengantri
= 0.0 = 0.000 = 0.00016 µ(µ−) .(.−0.0) .(.5) = 0.0 = 0.00 = 1.23x10 L = µ(µ−) (−0.0) (.9) Lq = q
-7
16
UNIVERSITAS WIDYATAMA
STATISTIKA INDUSTRI
f. Rata-rata menunggu dalam sistem
= = = 0.6329 µ− .−0.0 .5 = = 0.0 = 8.7x10 W= µ− −0.0 .9 W=
-3
Rata-rata waktu antri
= 0.0 = 0.0 = 7.9x10 menit µ(µ−) .(.−0.0) .(.5) = 0.0 = 0.0 = 3.1x10 menit W = µ(µ−) (−0.0) (.9) Wq = q
-3
-6
17
UNIVERSITAS WIDYATAMA
STATISTIKA INDUSTRI
BAB V ANALISIS 5.1 ANALISIS
Praktikum ini kami mengamati bahwa bioskop Cinema21 menggunakan struktur antrian Single Channel-Single Phase. Sistem ini adalah sistem yang paling sederhana. Single Channel berarti bahwa hanya ada satu jalur untuk memasuki sistem pelayanan atau ada satu fasilitas pelayanan. Single Phase menunjukkan bahwa hanya ada satu stasiun pelayanan atau sekumpulan tunggal operasi yang dilaksanakan. Setelah menerima pelayanan, individu-individu keluar dari sistem. Hubungan antara distribusi poisson dan eksponensial adalah karena nilai rata-rata distribusi poisson adalah λ sedangkan nilai rata-rata distribusi eksponensial adalah β. Hasil dari praktikum yang telah dilakukan didapat bahwa waktu mengantri seorang konsumen atau pengunjung bioskop Cinema21 adalah 7.9x10-3 menit dalam rentang waktu 3 menit sedangkan pengunjung bioskop Cinema 21 adalah 3.1x10 -6 menit pada rentang waktu 5 menit. Bisa disimpulkan bahwa antrian dibioskop tersebut tidak
terlalu
signifikan
karena
rentang
waktunya
sedikit.
Faktor
yang
mempengaruhi terjadinya antrian adalah mekanisme pelayanan tidak selalu te rsedia untuk setiap saat, karena loket penjualan karcis masuk hanya dibuka pada waktu tertentu antara satu pertunjukan dengan pertunjukan berikutnya. Sehingga pada saat loket ditutup, mekanisme pelayanan terhenti dan petugas pelayanan (pelayan) istirahat. Dari hasil pengolahan data dapat disimpulkan bahwa yang merupakan distribusi poisson
adalah banyaknya
jumlah
pengunjung semisal jumlah pengunjung
setiap jam. Sedangkan distribusi eksponensial adalah waktu kedatangan pengunjung di bioskop tersebut.
18
UNIVERSITAS WIDYATAMA
STATISTIKA INDUSTRI
BAB VI KESIMPULAN DAN SARAN 6.1 KESIMPULAN
1. Pokok dari analisis antrian adalah kedatangan pelanggan diwakili dengan waktu antar kedatangan dan pelayanan diwakili dengan waktu pelayanan pada tiap pelanggan. 2. Kedatangan
pelanggan
dapat
dipelajari
karakteristiknya.
Karakteristik
kedatangan diwakili oleh adanya distribusi probabilitas. Distribusi Poisson mewakili kedatangan pelanggan. Waktu pelayanan dalam antrian dapat pula dipelajari karakteristiknya. Distribusi Eksponensial mewakili waktu pelayanan yang terjadi dalam antrian. 3. Berdasarkan hasil pengoahan data dari antrian bioskop Cinema21 yang telah dilakukan dengan metode distribusi poisson dan eksponensial dapat diketahui hasil perhitungan teori antrian separti berikut:
Rata-rata banyaknya mengantri dalam sistem 3 menit = 0.01266 5 menit = 3.510x10
Rata-rata banyaknya pengantri 3 menit = 0.00016 5 menit = 1.23x10 -7
Rata-rata menunggu dalam sistem 3 menit = 0.6329 5 menit
= 8.7x10
-3
Rata-rata waktu antri 3 menit = 7.9x10 -3 menit 5 menit= 3.1x10 -6 menit
4. Pada antrian tiket bioskop dilakukan disiplin antri First Come First Served (FCFS) atau First In-First Out (FIFO) artinya, konsumen yang datang terlebih dahulu (sampai), lebih dulu dilayani (keluar). Sistem antrian yang terjadi di bagian ticketing Bioskop adalah pola antrian jalur ganda dengan satu tahapan proses dan 2 server (loket). Karakteristik antrian Bioskop adalah populasinya
19
UNIVERSITAS WIDYATAMA
STATISTIKA INDUSTRI
terbatas, panjang antrian juga terbatas, pola kedatangan pengunjung berdistribusi Poisson, pelayanan pengunjung berdistribusi eksponensial. Tetapi pada periode sibuk seperti hari libur dan weekend server (loket) di Bioskop ditambah 1 agar antrian pengunjung tidak panjang.
6.2 SARAN
1. Sebelum
melakukan
praktikum,
peraktikan
terlebih
dahulu
harus
memahami modul yang akan di bahas. 2. Pada perhitungan dengan menggunakan cara manual tentunya juga diperlukan ketelitian dan kecermatan agar tidak terjadi kesalahan. 3. Untuk memperkecil kesalahan kita bisa menggunakan Microsoft Excel atau SPSS sebagai cara untuk membandingkan hasil keakuratan antara analisis manual dengan analisis aplikasi Microsoft Excel atau SPSS. 4. Pada saat pengolahan data manual, peraktikan harus sangat teliti dalam mencari hasil. Apabila salah sedikit akan berakibat fatal dan mempengaruhi data-data selanjutnya.
20
PRAKTIKUM STATISTIKA INDUSTRI LAPORAN ASISTENSI (Modul 3) Diajukan Untuk Memenuhi dan Melengkapi Persyaratan Akademik Mata Kuliah Program Studi Teknik Industri Fakultas Teknik Universitas Widyatama
Disusun Oleh:
Anita Ajeng Astuti
0515104052
Faizal Rachman S
0515104040
Jaelani
0515104064
Eko Nurhidayat
05151040
M. Arief Ismail
05151040
PROGRAM STUDI TEKNIK INDUSTRI FAKULTAS TEKNIK UNIVERSITAS WIDYATAMA SK. Ketua Badan Akreditasi Nasional Perguruan Tinggi (BAN-PT) Nomor: 112/SK/BAN-PT/Akred/S/III/2015 BANDUNG 2017