ANALISIS ANTRIAN

Analisis antrian sering digunakan dalam pemecahan masalah

transportasi. Teori antrian (queueing) sangat perlu dipelajari dalama
usaha mengenal perilaku pergerakan arus lalu lintas baik manusia
maupun manusia (Morlok, 1978 dan Hobbs, 1979). Hal ini disebabkan
sangat banyak kejadian yang terjadi di sektor transportasi dan
permasalahan lalu lintas yang terjadi sehari-hari pada sistem jaringan
jalan dapat dijelaskan dan dipecahkan dengan bantuan analisis teori
antrian, seperti misalnya.

 Terjadinya antrian kendaraan selama waktu kemacetan adalah sumber

utama keterlambatan yang perlu dipertimbangkan yang akan berakibat
pada menurunnya kinerja sistem jaringan jalan. Pada kondisi yang
sangat ekstrem, waktu keterlambatan yang disebabkan antrian dapat
berkontribusi sebesar 90% dari total waktu perjalanan.
 Antrian kendaraan yang terjadi di depan pintu gerbang tol atau antrian
kendaraan yang teradi pada setiap lengan persimpangan berlampu lalu
lintas.
 Antrian kendaraan truk pada saat bongkar/muat barang di pelabuhan.
 Antrian kapal laut yang ingin merapat di dermaga.
 Antrian kendaraan yang terjadi pada saat kendaraan ingin memasuki
kapal Feri di terminal penyeberangan.
 Antrian manusia pada loket pembelian karcis bandara, stasiun kereta
api, dan lain-lain.
 Antrian manusia pada loket pelayanan bank, loket pembayaran listrik
atau telepon, serta pasar swalayan.
 Dan sangat banyak kejadian lainnya yang terjadi sehari-hari yang dapat
dijelaskan dengan bantuan analisis teori antrian.
Oleh karena itu, kita peru mengetahui secara jelas proses
pembentukan terjadinnya antrian serta proses pemulihan antrian yang
baik secara analitis maupun sistematis yang kemudian akan dapat
digunakan untuk menganalisa setiap permasalahan transportasi yang
berkaitan dengan antrian.
Seperti yang telah dijelaskan sebelumnnya bahwa permasalahan
antrian tidak hanya terjadi pada bidang transportasi saja. Banyak
permasalahan di bidang lainnya, seperti: perancangan operasi pabrik,
pasar swalayan, industri yang berbasis pelayanan, serta jaringan
komputer juga mempunyai permasalahan yang sangat serius yang
berkaitan dengan antrian.

Dampaknya akan berakibat luas pada kinerja pemasaran, produksi,

serta hal-hal lainnya yang jelas sangat membutuhkan penjelasan yang
berkaitan dengan beberapa teori perilaku disiplin antrian (misalnya seperti
proses bagaimana terbentuknya antrian dan pemulihan antrian).

Pada dasarnya antrian tersebut terjadi karena proses pergerakan

arus lalu lintas (manusia dan/atau kendaraan) terganggu oleh adanya
suatu kegiatan pelayanan yang harus dilalui, seperti misalnya: antrian
kendaraan yang terbentuk di depan pintu gerbang tol terjadi karena
pergerakan arus kendaraan tersebut terpaksa harus terganggu oleh
adanya kegiatan pengambilan dan/atau pengembalian (pembayaran
karcis tol).

Kegiatan tersebut akan menyebabkan ganguan pada proses

pergerakan arus kendaraan sehingga mengangkibatkan terjadinya antrian
kendaraan dimana pada suatu kondisi, antrian kendaraan tersebut akan
dapat mengakibatkan permasalahan baik untuk pengguna (dalam bentuk
waktu antrian) maupun untuk pengelola (dalam bentuk panjang antrian).

Bagi pengguna biasannya hal yang selalu dipermasalahkan adalah

waktu menunggu selama proses mengantri, setiap pengendara akan
selalu berpikir bagaimana cara agar dapat menyelesaikan antrian ini
secepatnya.
 Sedangkan bagi pengelola, hal yang selalu dipermasalahkan
biasannya adalah panjang antrian yang terjadi. Sebagai contoh: antrian
kendaraan yang terlalu panjang akan dapat menyebabkan tambahan
permasalahan baru berupa terganggunya sistem pergerakan arus lalu
lintas lainnya akibat terhambat oleh antrian yang terlalu panjang tersebut.

2.2 komponen Antrian

Untuk dapat menjelaskan proses antrian dengan baik, diperlukan

penjelasan mengenai 3 (tiga) komponen utama dalam teori antrian yang
harus benar-benar diketahui dan dipahami, yaitu (Wohl dan Martin, 1967,
Morlok, 1978; dan Hobbs, 1979):

a. Tingkat kedatangan (λ)

b. Tingkat keberangkatan atau pelayanan (µ), dan
c. Disiplin antrian

2.2.1 Tingkat kedatangan (λ)

Tingkat kedatangan yang dinyatakan dengan notasi λ adalah jumlah

kendaraan atau manusia yang bergerak menuju satu atau beberapa
tempat pelayanan dalam satu satuan waktu tertentu, biasa dinyatakan
dalam satuan kendaraan/jam atau orang/menit.

Model sebaran peluang seragam

pendekatan yang sangat sederhana untuk memodel perilaku kedatangan

kendaraan, yaitu dengan mengangsumsikan bahwa semua kendaraan
tersebar secara merata dalam ruang atau dengan kata lain mempunyai
spacing (Sp) yang sama.

Asumsi ini berlaku untuk perilaku kedatangan kendaraan berpola seragam

(uniform). Dengan asumsi ini, jika terdapat arus lalu lintas (q) sebesar 360
kendaraan/jam, maka jumlah kendaraan yang akan tiba setiap 5 menit
adalah sebanyak 30 (=360/12) kendaraan dan headway (h) antar
kendaraan adalah 10 detik (karena h=360/q).

Akan tetapi, pengamatan aktual memperlihatkan bahwa asumsi

keseragaman tingkat kedatangan kendaraan tidaklah selalu realistik,
karena jumlah kendaraan yang tiba setiap 5 menitan tidaklah selalu sama.
Sehingga, asumsi tingkat kendaraan selalu mempunyai pola seragam
mulai banyak dipertanyakan.

Model arus lalu lintas yang mengasumsikan bahwa pola kedatangan

kendaraan tidak seragam beranggapan bahwa pola kedatangan
kendaraan (pada titik tertentu pada suatu ruas jalan) dapat dikaitkan
dengan proses acak (random).

Model Sebaran Peluang Poisson

Dalam beberapa studi kepustakaan (Wohl dan Martin, 1967 dan

Mannering dkk, 2005) dinyatakan bahwa sebaran peluang poisson dapat
digunakan sebagai sebaran peluang yang cocok untuk memodel perilaku
pola kedatangan kendaraan, yang dapat dinyatakan berikut ini.

(𝜆𝑡)𝑛 𝑒 −𝜆𝑡
P (n) =
𝑛!

P (n) = Peluang terdapat sejumlah n kendaraan yang tiba dalam selang waktu t

Λ = Tingkat kedatangan kendaraan dalam satu satuan waktu tertentu

t = Selang waktu kedatangan kendaraan

c = Bilangan natural (e=2,718)

contoh 24.1. seorang pengamat menghitung terdapat sejumlah 360

kendaraan/jam yang melewati satu titik tertentu pada suatu ruas jalan. Dengan
asumsi bahwa pola kedatangan kendaraan mengikuti pola sebaran poisson,
saudara diminta menghitung besarnya peluang adanya 0,1, 2, 3, 4, dan lebih dari
5 kendaraan yang tiba dalam selang waktu 20 menitan.
Tingkat kedatangan kendaraan rerata (λ) sebesar 360 kendaraan/jam atau 0,1
kendaraan/detik. Dengan menggunakan persamaan (24.1), maka dalam selang
waktu t=20 detik, peluang untuk mendapatkan kedatangan kendaraan sejumlah
0,1, 2, 3, dan 4 kendaraan adalah:

(𝜆𝑡)𝑛 𝑒 −𝜆𝑡
P (0) =
𝑛!

Dengan mengasumsikan pola kedatangan kendaraan mengikuti sebaran peluang

poisso, dengan tingkat kedatangan arus lalu lintas yang sama untuk 15 selang
waktu (60 detikan), maka berapa besar peluang terdapatnya lebih dari 6 (>6)
kendaraan yang tiba dalam setiap 3 (tiga) selang waktu 60 detik berikutnya
(12.15-12.16, 12.16-12.17, dan 12.17-12.18) ?

Pada Table 24.1 didapat sejumlah 101 kendaraan tiba dalam selang waktu 15
menitan dari pukul 12.00-12.15. sehingga, tingkat rerata (λ) adalah sebesar
0,112 kendaraan/detik (=101/900).

Sebagaimana pada contoh 24.1, persamaan (24.1) dapat digunakan untuk

menghitung peluang mendapatkan sejumlah 0,1,2,3,4, dan 5 kendaraan yang
tiba dalam setiap selang waktu 60 menitan (dengan λt= 6, 733).

Dengan menjumlahkan semua besarnya peluang di atas maka besarnya peluang

mendapatkan jumlah kendaraan 0-5 kendaraan yang tiba dalam selang waktu 60
detikan, adalah sebesar:

Sehingga, peluang mendapatkan sejumlah lebih dari 6 (>6) kendaraan yang tiba
dalam setiap selang waktu 60 detikan adalah sebesar:

Sehingga, peluang mendapatkan sejumlah lebih dari 6 (>6) kendaraan yang tiba
akan tiba pada 3 (tiga) selang waktu 60 detikan berikutnya adalah adalah
perkalian dari peluang tersebut, yaitu:
Asumsi pola kedatangan kendaraan mengikuti sebaran peluang poisson juga
berdampak pada pola sebaran selang waktu antar kedatangan (time headway).
Untuk membuktikan hal ini, dengan mengetahui tingkat kedatangan kendaraan
rerata adalah:

λ = tingkat kedatangan rerata dalam kendaraan/detik

q = arus lalu lintas dalam kendaraan/jam

3600 = jumlah detik dalam 1 jam

Dengan mengsubtitusikan persamaan (24.2) ke persamaan (24.1) maka:

Jika diasumsikan besarnya peluang tidak terdapat kendaraan yang tiba pada
suatu selang waktu t (P0), ekuivalen dengan peluang time headway (h)
kendaraan yang lebih besar atau sama dengan selang waktu t, maka dari
persamaan (24.3) didapat:

Sehingga, sebaran time headway (h) kendaraan [persamaan (24.4)] tersebut

dikenal dengan sebaran eksponensial-negatif.

Contoh 24.3 pertimbangkan situasi arus lalu lintas pada contoh 24.1 (λ=360
kendaraan/jam). Berapa besarnya peluang time headway (h) antarkendaraan
kurang dari 8 (h≤8) detik, dan berapa besarnya peluang time headway antara 8-
10 (8<h<10) detik?

Dari definisi didapatkan P(h<t)=1-P(h≥t). Oleh sebab itu, besarnya peluang time
headway kurang dari 8 (h≤8) detik adalah:

Untuk mendapatkan besarnya peluang time headway antara 8-10 (8<h<10) detik
adalah 1-0,551-0,368=0,081.

Gambar 24.2 memperhatikan bentuk grafik sebaran peluang eksponensial-

negatif yang diturunkan dari persamaan (24.4) dengan besar arus lalu lintas
q=360 kendaraan/jam seperti contoh 24.1.

Gambar 24.2 Sebaran peluang eksponensial-negatif dari time headway yang lebih
besar atau sama dengan t (h≥t), dengan =360 kendaraan/jam.

Kelemahan model sebaran perang poisson

Beberapa pengamatan empiris menunjukkan bahwa asumsi penggunaan
sebaran peluang poisson untuk memodelkan pola kedatangan kendaraan
cukup realistik untuk kondisi arus lalu lintas yang tidak begitu padat.

Akan tetapi, jika kondisi arus lalu lintas padat atau pada kasus
persimpangan belampu lalu lintas di mana pada saat lampu lalu lintas
telah mengganggu arus lalu lintas, maka beberapa sebaran peluang
lainnya dirasakan lebih cocok.

Kelemahan utama model sebaran peluang poisson adalah pada saat

selang pengamatan rerata sama dengan nilai variansinnya sebagai
contoh, nilai selang pengamatan rerata sebagai pada contoh 24.2 adalah
6,733 sedangkan nilai variansinya, 2, sama dengan 7,210. Karena nilai
kedua