TEORI

ANTRIAN

D M
Dr. Mohammad
h d Abd
Abdull Mukhyi,
M kh i SE.,
SE MM

1
for those who cannot wait

2
3
 Str kt r Sistem Antrian
Struktur

1
2

Garis tunggu 3
Pelanggan Pelanggan
atau antrian n
masuk ke keluar dari
dalam sistem sistem
Fasilitas
antrian
pelayan
an
Si t
Sistem antrian
ti
4
 Perencanaan Kapasistas
‰ Ketidak-mampuan untuk menciptakan suatu aliran stasioner
permintaan secara penuh menggunakan kapasitas
‰ Kapasitas tak terpakai suatu kenyataan untuk jasa.
‰ Kedatangan pelanggan berubah-ubah dan permintaan layanan
juga berganti-ganti.
‰ Pelanggan adalah peserta di dalam layanan dan tingkatan dari
dampak buntu atas mutu
‰ Ketidak-mampuan
p mengendalikan
g permintaan mengakibatkan
p g
kapasitas yang diukur dalam kaitan dengan masukan (contoh.
jumlah tamu hotel tinggal dibanding bukannya tamu malam).

5
 Peran Strategik
g Kapasitas
p
Pengambilan Keputusan
• Penggunaan kapasitas jangka panjang sebagai langkah awal
pembelian jika pasar adalah kecil untuk dua pesaing (contoh
bangunan hotel kemewahan di suatu kota kabupaten)
• Ketiadaan perencanaan kapasitas jangka pendek dapat
menghasilkan pelanggan untuk kompetisi (contoh susunan
pegawai rumah makan )
• Keputusan kapasitas menyeimbangkan biayabiaya-biaya
biaya hilang
penjualan jika kapasitas adalah tidak cukup melawan terhadap
operasi kerugian jika permintaan tidak menjangkau harapan.
• Strategi bangunan di depan permintaan adalah sering diambil
untuk menghindari pelanggan gagal/kehilangan.

6
 Contoh Sistem Antrian
Sistem Antrian/Garis Fasilitas Pelayanan
Tunggu
Lapangan terbang Pesawat menunggu di Landasan pacu
landasan
Bank Nasabah (orang) Kasis/teller
Pencucian mobil Mobil Tempat pencucian
mobil
Bongkar
g muat barang
g Kapal
p dan truk Fasilitas bongkar
g muat
Sistem komputer Program komputer CPU, printer, dll
Bantuan pengobatan Orang Ambulance
darurat
Perpustakaan Member Pegawai perpustakaan
Registrasi mahasiswa Mahasiswa Pusat registrasi
Skedul sidang Kasus yang Pengadilan
pengadilan disidangkan 7
8
 KARAKTERISTIK SISTIM ANTRIAN
1. Kedatangan , populasi yang akan dilayani (calling
population) Æ dapat dilihat menurut ukurannya, pola
k d t
kedatangan, serta
t perilaku
il k dari
d i populasi
l i yang akan
k
dilayani. Menurut ukurannya, populasi yang akan
dilayani
y bisa terbatas (finite)
( ) bisa juga
j g tidak terbatas
(infinite). Probabilitas n kedatangan dalam waktu T
ditentukan dengan rumus :

dimana :
λ = rata-rata kedatangn persatuan waktu
T = periode waktu
n = jumlah kedatangan dalam waktu T
P (n,T) = probabilitas kedatangan dalam waktu T
9
Distribusi Poisson
• bahwa waktu antar kedatangan akan
terdistribusi sesuai dengan distribusi
eksponensial
k i l.
P(T≤ t) = 1 - e-λt 0 ≤ t ≤ ∞
Dimana:
• P(T≤ t) = probabilitas di mana waktu antar
k d t
kedatangan T ≤ suatu
t waktukt tertentu
t t t
• λ = rata - rata kedatangan persatuan waktu
• t = suatu waktu tertentu

10
2. Batasan panjang antrian bisa terbatas (limited)
bisa juga tidak terbatas (unlimited).
3. Fasilitas Pelayanan
y : Karakteristik fasilitas
pelayanan dapat dilihat dari tiga hal, yaitu tata
letak (lay out) secara fisik dari sistem antrian,
disiplin antrian, waktu pelayanan.

Single Channel – Single Server:

11
Single Channel – Multi Server

Multi Server – Single Channel

12
Multi Channel – Multi Server

13
Disiplin antrian
Ada dua klasifikasi yaitu prioritas dan first come first
serve. Disiplin prioritas dikelompokkan menjadi dua, yaitu
preemptive dan non preemptive.
preemptive
Disiplin preemptive menggambarkan situasi dimana
pelayan sedang melayani seseorang, kemudian beralih
melayani orang yang diprioritaskan meskipun belum
selesai melayani orang sebelumnya.
Disiplin non preemptive menggambarkan situasi dimana
pelayan akan menyelesaikan pelayanannya baru
kemudian beralih melayani orang yang diprioritaskan.
Disiplin first come first serve menggambarkan bahwa
orang yang lebih dahulu datang akan dilayani terlebih
dahulu.
14
Karakteristik waktu pelayanan.
1. Konstan : jika waktu yang dibutuhkan untuk
melayani sama untuk setiap pelanggan.
2. Acak : jika waktu yang dibutuhkan untuk
melayani berbeda-beda untuk setiap
pelanggan.
pelanggan

Jika waktu
Jik kt pelayanan
l acak,
k diasumsikan
di ik
mengikuti distribusi eksponensial.

15
PERILAKU BIAYA
1. Biaya karena orang mengantri berupa waktu
yang hilang karena menunggu.
2. Biaya menambah fasilitas layanan berupa
penambahan fasilitas layanan serta gaji
tenaga kerja yang
ang memberi pelayanan.
pela anan

Tujuan
T j d i sistem
dari i t antrian
t i adalah
d l h
meminimalkan biaya total, yaitu biaya karena
mengantri dan biaya karena menambah fasilitas
layanan.

16
 Queuing System Cost Tradeoff
Let: Cw = Cost of one customer waiting in
queue for an hour
Cs = Hourly cost per server
C = Number of servers
Total Cost/hour =
Hourly Service Cost + Hourly Customer
Waiting Cost
TotalCost/hour = Cs C + Cw Lq
λ
Note: Only consider systems where C > ρ =
µ

17
Gambar Total Biaya untuk fasilitas pelayanan
18
 Komponen Sistem Antrian
• Populasi masukan (input populasi)
• Distribusi kedatangan
– Constant arrival distribution
– Arrival pattern random
• Disiplin pelayanan
– FCFS (first come, first served)
– LCFS (l(lastt come, fifirstt served)
d)
– Acak
– Prioritas
• Fasilitas pelayanan
– Single channel
– Multiple channel
19
 Komponen Sistem Antrian
• Distribusi pelayanan
– Berapa banyak pelanggan yang dapat
dilayani per satuan waktu
– Berapa
p lama setiappppelanggan
gg dapat
p
dilayani
• Kapasitas sistem pelayanan
– Terbatas
– Tidak terbatas
• Karakteristik sistem lainnya: reneging
atau pengingkaran
20
 Single-channel Queuing Model :
Poisson distributed Arrivals and exponentially
distributed service time

Perkiraan prestasi dari sistem antrian dapat

digambarkan dengan rata-rata jumlah kedatangan
dalam antrian, rata-rata waktu tunggu dari suatu
k d t
kedatangan dan
d persentaset waktu
kt luang
l dari
d i
pelayanan.

21
 Single Channel Model (M/M/1)
• M pertama: rata-rata kedatangan yang
mengikuti distribusi probabilitas Poisson
• M kedua: tingkat pelayanan yang
mengikuti
ik ti distribusi
di t ib i probabilitas
b bilit Poisson
P i
• 1: jumlah fasilitas pelayanan dalam
sistem atau satu saluran

22
 Asumsi M/M/1
• Populasi input tidak terbatas
• Distribusi kedatangan pelanggan potensial
mengikuti distribusi Poisson
• Disiplin pelayanan mengikuti pedoman FCFS
• Fasilitas pelayanan terdiri dari saluran
tunggal
• Distribusi pelayanan mengikuti distribusi
Poisson (λ < µ)
• Kapasitas sistem diasumsikan tak terbatas
• Tidak ada penolakan maupun pengingkaran
23
Ukuran prestasi dan parameter model antrian ditentukan dengan
notasi sebagai
g berikut:
λ = rata-rata kecepatan kedatangan (jumlah kedatangan
persatuan waktu)
1/λ = rata
rata-rata
rata waktu antar kedatangan
µ = rata-rata kecepatan pelayanan (jumlah satuan yang dilayani
persatuan waktu bila pelayan sibuk).
1/µ = rata-rata
rata rata waktu yang dibutuhkan pelayan
ρ = faktor penggunaan pelayan (proporsi waktu pelayan ketika
sedang sibuk)
P = probabilita
Pn b bilit b
bahwa
h n satuan
t (k
(kedatangan)
d t )ddalam
l sistem
i t
Lq = rata-rata jumlah satuan dalam antrian (rata-rata panjang
antrian)
Ls = rata-rata jumlah satuan dalam sistem
Wq = rata-rata waktu tunggu dalam antrian
Ws = rata-rata waktu tunggu
gg dalam sistem

24
Permasalahan antrian didasarkan pada asumsi berikut :
1) Satu pelayanan dan satu tahap.
2) Jumlah kedatangan per unit waktu digambarkan oleh
Distribusi Poisson dengan λ = rata
rata-rata
rata kecepatan
kedatangan
3) Waktu pelayanan eksponensial dengan µ = rata-rata
k
kecepatan
t pelayanan
l
4) Disiplin antrian adalah first come first served (Aturan
antrian pertama datang-pertama dilayani) seluruh
kedatangan dalam barisan hingga dilayani,
5) dimungkinkan panjang barisan yang tak terhingga.
6) populasi yang dilayani tidak terbatas
7) rata-rata kedatangan lebih kecil dari rata-rata waktu
pelayanan

25
26
 Contoh Soal:
Pemimpin
P i i perusahaan h melihat
lih pada
d jam-jam
j j tertentu terjadi
j di
antrian truk tetapi di saat lain, petugas yang mengoperasikan
mesin menganggur. Dari data yang telah lalu, diketahui rata-
rata kedatangan 4 truk per jam, dan rata-rata pelayanan 6 truk
per jam. Untuk mengatasi masalah tersebut, pimpinan
perusahaan merencanakan untuk menambah kelompok tenaga
kerja untuk mengoperasikan mesin. Bagaimana dampak
penambahan kelompok tenaga kerja terhadap biaya total yang
dikeluarkan perusahaan jika biaya sewa truk $ 20 per jam,
sedang upah tenaga kerja untuk mengoperasikan mesin $6 per
orang per jam. Diasumsukan jika perusahaan menggunakan
dua kelompokp tenaga g kerja j maka rata-rata p
pelayanan
y menjadi
j
12 truk per jam dan jika perusahaan menggunakan tiga
kelompok tenaga kerja maka rata-rata pelayanan menjadi 18
truk p
per jjam. 1 hari 8 jjam kerja.
j

27
28
 Contoh Soal
UD ABC mengoperasikan satu buah pompa bensin dengan
satu orang pekerja yaitu Ali. Rata-rata tingkat kedatangan
g
kendaraan mengikuti distribusi Poisson yyaitu 20
kendaraan/jam. Ali dapat melayani rata-rata 25
kendaraan/jam. Jika diasumsikan model sistem antrian
yang digunakan adalah M/M/1, hitunglah:
1. Tingkat intensitas (kegunaan) pelayanan
2. Jumlah rata-rata kendaraan yang diharapkan dalam
sistem
3. Jumlah kendaraan yang diharapkan menunggu dalam
antrian
4. Waktu yyangg diharapkan
p oleh setiap
p kendaraan selama
dalam sistem (menunggu pelayanan)
5. Waktu yang diharapkan oleh setiap kendaraan untuk
menunggu dalam antrian

29
 Kendall Notation Examples
• M/M/1:
– Poisson arrivals and exponential service, 1 server,
infinite capacity and population, FCFS (FIFO)
– the simplest ‘realistic’ queue
• M/M/m
– Same, but M servers
• G/G/3/20/1500/SPF
– General arrival and service distributions, 3 servers, 17
queue slots (20-3), 1500 total jobs, Shortest Packet
First

30
 Poisson Process
• For a poisson process with average
arrival rate λ , the probability of seeing n
arrivals in time interval delta t
e−λ∆t (λ∆t)n
Pr(n) = E(n) = λ∆t
n!
(λ∆t )2
Pr(0) = e−λ∆t =1−λ∆t + ...=1− λ∆t + o(∆t) →Pr(0) =1−λ∆t
2!
(λ∆ t )2
Pr(1) = λ∆te−λ∆t = λ∆t[1−λ∆t + ...]= λ∆t + o(∆t) →Pr(1) = λ∆t
2!
Pr(>=2) = ...= 0

31
 Poisson p
process & exponential
p
distribution
• Inter
Inter-arrival
arrival time t (time between
arrivals) in a Poisson process follows
exponential distribution with parameter λ
− λ t
Pr( t ) = λ e
1
E ( t ) =
λ

32
 Analysis of M/M/1 queue
• Given:
• λ: Arrival rate of jobs (packets on input link)
• µ: Service rate of the server (output link)
• Solve:
S l
– L: average number in queuing system
– Lq average number in the queue
– W: average waiting time in whole system
– Wq average waiting time in the queue

33
 M/M/1 q
queue model
L
Lq

λ
µ
1
Wq µ

34
 Solving queuing systems
• 4 unknowns: L, Lq W, Wq
• Relationships:
– L=λW
– Lq=λWq (steady-state argument)
– W = Wq + (1/µ)
• If we know any 1, can find the others
• Finding L is hard or easy depending on the type
of system. In general:
∞
L = ∑ nPn
n =0

35
 Analysis of M/M/1 queue
• Goal: A closed form expression of the
probability of the number of jobs in the
queue (Pi) given only λ and µ

36
 Equilibrium conditions
λ λ λ λ

n-1 n n+1

µ µ µ µ

Define Pn (t ) to be the probability of having n tasks in the system at time t

P0 ( t + ∆ t ) = P0 ( t )[(1 − µ ∆ t )(1 − λ ∆ t ) + µ ∆ t λ ∆ t ] + P1 ( t )[( µ ∆ t )(1 − λ ∆ t )]
Pn ( t + ∆ t ) = Pn ( t )[(1 − µ ∆ t )(1 − λ ∆ t ) + µ ∆ t λ ∆ t ] + Pn +1 ( t )[( µ ∆ t )(1 − λ ∆ t )] + Pn −1 ( t )[( λ ∆ t )(1 − µ ∆ t )]
P0 ( t + ∆ t ) − P0 ( t )
= − λ P0 ( t ) + µ P1 ( t )
∆t
Pn ( t + ∆ t ) − Pn ( t )
= λ Pn −1 ( t ) − ( λ + µ ) Pn ( t ) + µ Pn +1 ( t )
∆t
P ( t + ∆ t ) − Pn ( t )
Stablize when λ ≤ µ, lim Pn ( t ) = Pn , lim n =0
t→∞ t→∞ ∆t
37
 Eq ilibri m conditions
Equilibrium
λ λ λ λ

n-1 n n+1

µ µ µ µ

λP0 = µP1
(λ + µ ) Pn = λPn −1 + µPn +1

38
 Sol ing for P0 and Pn
Solving
• Step 1
2 n
λ ⎛λ⎞ ⎛λ⎞
P1 = P0 , P2 = ⎜⎜ ⎟⎟ P0, Pn = ⎜⎜ ⎟⎟ P0
µ ⎝µ⎠ ⎝µ⎠

• Step 2
n
∞ ∞
⎛λ⎞ 1
∑ Pn = 1, then P0 ∑⎜ ⎜ ⎟⎟ = 1, ⇒ P0 =
n =0 ⎝ µ ⎠
n
n =0 ∞
⎛λ⎞
∑ ⎜⎜ ⎟
n =0 ⎝ µ ⎠

39
 Sol ing for P0 and Pn
Solving
• Step 3
n
λ ∞
⎛λ⎞ ∞
1 − ρ ∞
1
ρ = , then ∑ ⎜⎜ ⎟ = ∑ ρ =n
= {ρ < 1}
µ n =0 ⎝ µ ⎠ n =0 1− ρ 1− ρ

• Step 4
1
P0 = ∞
= 1 − ρ and Pn = ρ n (1 − ρ )
∑ρ
n =0
n

40
 Solving for L

∞ ∞ ∞
L = ∑ nPn = ∑ nρ n (1 − ρ ) = (1 − ρ ) ρ ∑ nρ n−1
n =0 n =0 n =1

⎛ n⎞
( )
∞
(1 − ρ ) ρ dρ ⎜ ∑ ρ = (1 − ρ ) ρ ddρ
d 1
1− ρ
⎝ n =0 ⎠
(1 − ρ ) ρ ( )= ρ
1
(1− ρ )2 (1− ρ ) = λ
µ −λ
41
 S l i W
Solving W, Wq and
d Lq

W=λ= L
( )( ) =
λ
µ −λ
1
λ
1
µ −λ

Wq = W − = ( )− ( ) =
1
µ
λ
µ −λ
1
µ
λ
µ ( µ −λ )

Lq = λWq = λ =
2
λ λ
µ ( µ −λ ) µ ( µ −λ )

42
 O li M/M/1 animation
Online i ti
• http://www.dcs.ed.ac.uk/home/jeh/Simja
p j j
va/queueing/mm1_q/mm1_q.html

43
 Response Time vs
vs. Arrivals
Waiting vs. Utilization

0.25
00.2
0.15
W (se c)

0.1
0.05
0
0 0.2 0.4 0.6 0.8 1 1.2
ρ (% )

W= 1
µ −λ 44
 Stable Region
Waiting vs. Utilization

0.025
0.02
0.015
W (se c)

0.01
0.005 linear region
0
0 0.2 0.4 0.6 0.8 1
ρ (% )

45
 Example
• On a network g gateway,y measurements show
that the packets arrive at a mean rate of 125
packets per second (pps) and the gateway
t k about
takes b t 2 millisecs
illi t forward
to f d them.
th
Assuming an M/M/1 model, what is the
probability of buffer overflow if the gateway
had only 13 buffers. How many buffers are
needed to keep pp
packet loss below one p packet
per million?

46
 Example
• Measurement of a network gateway:
– mean arrival rate (l): 125 Packets/s
– mean response time (m): 2 ms
• Assuming exponential arrivals:
– What is the gateway’s utilization?
– What
Wh t iis th
the probability
b bilit off n packets
k t iin th
the
gateway?
– mean number of packets in the gateway?
– The number of buffers so P(overflow) is <10-6?

47
 Example
• Arrival rate λ =
• Service rate µ =
• Gateway utilization ρ = λ/µ =
• Prob. of n packets in gateway =

• Mean number of packets in gateway =

48
 Example
p
„ Arrival rate λ = 125 pps
„ Service rate µ = 1/0.002 = 500 pps
„ Gatewayy utilization ρ = λ/µ/µ = 0.25
„ Prob. of n packets in gateway =
(1 − ρ)ρ = 0.75(0.25)
n n

„ Mean number of packets in gateway =

ρ 0.25
= = 0.33
1 − ρ 0.57

49
 E ample
Example
• Probability of buffer overflow:

• To limit the probability of loss to less

than 10-6:

50
Example
„ Probability of buffer overflow:
= P(more than 13 packets in gateway)

„ To limit the probability of loss to less

than 10-6:

51
Example
„ Probability of buffer overflow:
= P(more than 13 packets in gateway)
= ρ13 = 0.25
0 2513 = 1.49x10
1 49x10-8
= 15 packets per billion packets
„ To limit the probability of loss to less than
10-6:

52
Example
„ Probability of buffer overflow:
= P(more than 13 packets in gateway)
= ρ13 = 0.2513 = 1.49x10-8
= 15 packets per billion packets
„ To limit the p
probabilityy of loss to less than
10-6: ρn ≤10−6

53
Example
„ To limit the probability of loss to less than
10-6:
ρn ≤ 10−6

„ or
(
n > log 10 −6
)/ log(0.25)

54
Example
„ To limit the probability of loss to less than
10-6:
−6
ρ ≤ 10
n

„ or
(
n > log 10 −6
)/ log(0.25)
= 9.96

55
Empirical Example

M/M/m
system

56
A Queuing
g Model of Intrusion
Detection: Active Response

57
A Queuingg Model of Intrusion
Detection: Passive Response

58
 A Queuing Model of Intrusion Detection

• Wee rewrite
e e the
e N in terms
e so of sslack
ac
service rate S
– S = µN-PF λB-Ω((PF)λI
59
Linear Piecewise ROC

60
Optimal
p Configuration
g and
Investigation

61
Hybrid Response

62
Hybrid Response

63
 Conclusion
• Derive optimal intrusion detection
decisions with linear p
piecewise function
• Extend the study with other types of
ROC functions
• Include multiple types of alarm

64