Simulasi Antrean Stokastik — Pemodelan Probabilistik Sistem Jalur Tunggu
- Diperkenalkan oleh
- Kendall, D. G.
- Tahun
- 1953
- Jenis
- Stochastic simulation — waiting-line system analysis
- Keluarga
- Simulation / optimization
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Model Simulasi Antrean Stokastik sistem jalur tunggu di mana proses kedatangan dan pelayanan mengikuti distribusi probabilitas, bukan laju tetap.
Dengan mensimulasikan ribuan peristiwa acak, metode ini mengestimasi ukuran kinerja — waktu tunggu rata-rata, panjang antrean, utilisasi pelayan — di bawah ketidakpastian yang realistis, menjadikannya alat standar untuk merancang dan mengevaluasi sistem layanan mulai dari rumah sakit hingga pusat panggilan.
Intuisi di balik metode
Dalam sistem layanan apa pun, pelanggan tidak datang pada interval yang berjarak sempurna dan pelayan tidak membutuhkan waktu yang identik. Simulasi Antrean Stokastik merangkul keacakan ini: ia menarik waktu antar-kedatangan dan waktu pelayanan dari distribusi probabilitas yang disesuaikan, memproses setiap peristiwa pelanggan satu per satu, dan mengamati bagaimana antrean bertambah dan berkurang seiring waktu. Hasilnya adalah gambaran realistis kinerja sistem termasuk peristiwa kongesti yang jarang terjadi namun mahal yang tidak dapat ditangkap oleh rumus M/M/c analitik murni untuk konfigurasi non-Markovian yang kompleks.
Sejarah
Teori antrean stokastik berakar pada karya Erlang tahun 1909 tentang lalu lintas telepon, tetapi formulasi modern berbasis simulasi mengkristal dengan klasifikasi sistem antrean Kendall tahun 1953 dan munculnya komputer digital. Buku teks Law dan Kelton (edisi pertama 1982, sekarang edisi kelima) menstandardisasi metodologi simulasi berbasis peristiwa dan teknik analisis keluaran statistik yang masih diikuti oleh praktisi hingga saat ini.
Kapan digunakan
Gunakan Simulasi Antrean Stokastik ketika sistem memiliki pola pelayanan atau kedatangan non-Markovian (distribusi umum), beberapa antrean yang saling bergantung, perutean yang bergantung pada keadaan, atau buffer terbatas di mana rumus Kendall bentuk tertutup tidak dapat dipecahkan. Metode ini ideal untuk perencanaan kapasitas, optimasi staf, dan analisis tingkat layanan di bidang kesehatan, manufaktur, logistik, dan telekomunikasi. JANGAN gunakan ketika model analitik M/M/c sederhana sudah memadai, ketika data masukan untuk penyesuaian distribusi tidak mencukupi, atau ketika Anda membutuhkan jawaban keseimbangan aliran deterministik daripada distribusi kinerja probabilistik.
Batasan dan pertimbangan
- Membutuhkan data empiris yang memadai untuk menyesuaikan distribusi masukan secara andal; distribusi yang disesuaikan dengan buruk menyebarkan kesalahan ke semua keluaran.
- Biaya komputasi tumbuh dengan jumlah replikasi dan kompleksitas sistem; jaringan besar mungkin memerlukan waktu CPU berjam-jam.
- Pemilihan periode pemanasan dan penentuan panjang berjalan memerlukan kehati-hatian; mengabaikan bias inisialisasi mendistorsi estimasi keadaan tunak.
- Hasilnya stokastik: interval kepercayaan harus dilaporkan, dan simulasi harus dijalankan ulang untuk menilai variabilitas keluaran.
- Validasi model terhadap data sistem nyata membutuhkan upaya yang substansial dan keahlian domain.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Menangani distribusi antar-kedatangan dan pelayanan arbitrer, termasuk histogram empiris, tanpa memerlukan asumsi Markovian.
- Menangkap peristiwa kongesti langka dan perilaku ekor yang terlewatkan oleh rumus analitik.
- Memodelkan topologi jaringan kompleks — antrean tandem, percabangan, loop umpan balik — dalam satu simulasi.
- Menghasilkan distribusi lengkap metrik kinerja (bukan hanya rata-rata), memungkinkan jaminan tingkat layanan berbasis persentil.
- Pengujian skenario (tingkat staf, aturan perutean) mudah dilakukan: ubah parameter dan jalankan ulang.
- Divalidasi terhadap Hukum Little dan solusi analitik keadaan tunak untuk verifikasi model.
Penerapan
- Perencanaan kapasitas unit gawat darurat rumah sakit: mensimulasikan kedatangan pasien dan waktu pelayanan triase untuk menentukan staf perawat yang optimal berdasarkan shift.
- Penentuan ukuran pusat panggilan: mengestimasi jumlah agen yang dibutuhkan untuk menjaga rata-rata waktu tunggu di bawah target tingkat layanan di tengah pola permintaan yang berfluktuasi.
- Analisis pos pemeriksaan keamanan bandara: memodelkan distribusi waktu antar-kedatangan penumpang dan waktu pelayanan penyaringan untuk menguji konfigurasi jalur alternatif.
- Penjadwalan job-shop manufaktur: mengidentifikasi mesin bottleneck dan ukuran buffer dalam lini produksi multi-tahap dengan waktu pemrosesan stokastik.
- Penentuan ukuran buffer router internet: mensimulasikan lonjakan kedatangan paket (distribusi ekor berat) untuk menetapkan kapasitas buffer dan menilai probabilitas drop.
- Desain janji temu klinik rawat jalan: membandingkan kebijakan penjadwalan walk-in versus janji temu di bawah distribusi ketidakhadiran dan kedatangan terlambat yang realistis.
Cara kerjanya
Cara kerjanya
Definisikan struktur jaringan antrean: jumlah pelayan, kapasitas antrean, ukuran populasi pelanggan, dan disiplin pelayanan (FCFS, prioritas, round-robin). Tentukan notasi Kendall (misalnya, M/G/c/K) untuk mendokumentasikan cakupan model dan asumsi secara jelas.
Sesuaikan distribusi probabilitas dengan data empiris kedatangan dan pelayanan. Waktu antar-kedatangan T_a ~ F_a dan waktu pelayanan T_s ~ F_s ditentukan (misalnya, Eksponensial, Erlang, Lognormal). Uji kesesuaian (K-S, chi-square) memvalidasi distribusi yang dipilih sebelum simulasi dimulai.
Rumus
T_a \sim F_a(\cdot), \quad T_s \sim F_s(\cdot)
Gunakan generator bilangan pseudo-acak untuk menarik sampel variat acak dari F_a dan F_s. Pertahankan daftar peristiwa mendatang (FEL) yang menjadwalkan peristiwa kedatangan, awal pelayanan, dan keberangkatan secara berurutan kronologis. Jam simulasi maju ke setiap peristiwa berikutnya.
Proses peristiwa secara berurutan: pada setiap kedatangan, pelanggan bergabung dengan antrean atau masuk pelayanan jika pelayan bebas; pada setiap keberangkatan, pelayan mengambil pelanggan berikutnya yang menunggu jika antrean tidak kosong. Terapkan Hukum Little (L = λW) sebagai pemeriksaan konsistensi internal selama berjalan.
Rumus
L_q = \lambda W_q \quad (\text{Little's Law})Akumulasikan statistik rata-rata waktu: jumlah rata-rata dalam antrean L_q, waktu tunggu rata-rata W, utilisasi pelayan ρ, dan throughput λ_eff. Catat distribusi empiris lengkap waktu tunggu untuk mengestimasi persentil ekor yang relevan dengan perjanjian tingkat layanan.
Rumus
\bar{W} = \frac{1}{N}\sum_{i=1}^{N} W_i, \quad \bar{L} = \lambda \bar{W}Jalankan beberapa replikasi independen untuk memisahkan bias transien periode pemanasan dari perilaku keadaan tunak. Terapkan metode penghapusan atau batch means untuk analisis keadaan tunak. Laporkan interval kepercayaan untuk setiap ukuran kinerja dan lakukan analisis sensitivitas pada parameter distribusi utama.
Kesalahan umum
- Menggunakan satu kali jalan panjang alih-alih beberapa replikasi independen meningkatkan estimasi varians dan menyembunyikan bias inisialisasi.
- Menyesuaikan distribusi dengan observasi terlalu sedikit (n < 30) menyebabkan perilaku ekor yang tidak dapat diandalkan dan prediksi kinerja yang terlalu optimis.
- Mengabaikan korelasi antara waktu antar-kedatangan atau waktu pelayanan berturut-turut ketika ada — misalnya, kedatangan batch atau kelelahan pelayan — membatalkan asumsi independensi.
- Melaporkan hanya waktu tunggu rata-rata tanpa interval kepercayaan memberikan rasa presisi yang palsu dalam model stokastik.
- Mencampuradukkan tujuan simulasi transien (misalnya, satu hari sibuk) dengan analisis keadaan tunak dan menerapkan kriteria penghentian yang tidak sesuai.
Pertanyaan yang sering diajukan
Berapa banyak replikasi yang saya butuhkan untuk estimasi yang andal?
Studi percontohan awal 5–10 replikasi digunakan untuk mengestimasi varians keluaran; kemudian rumus ukuran sampel n = (z * s / h)^2 menentukan jumlah replikasi yang dibutuhkan untuk mencapai lebar setengah yang diinginkan h pada tingkat kepercayaan z. Biasanya 20–50 replikasi cukup untuk sebagian besar sistem layanan.
Kapan rumus M/M/c analitik lebih baik daripada simulasi?
Ketika kedatangan benar-benar Poisson, waktu pelayanan eksponensial, dan sistem memiliki struktur multi-pelayan antrean tunggal yang sederhana, rumus M/M/c memberikan hasil keadaan tunak yang tepat secara instan. Simulasi hanya menambah nilai ketika asumsi-asumsi ini gagal atau ketika sistem memiliki perutean yang kompleks dan buffer terbatas.
Bagaimana cara menangani periode pemanasan?
Periode pemanasan (transien) diidentifikasi dengan memplot rata-rata berjalan metrik kinerja terhadap waktu simulasi (metode Welch) dan menghapus observasi sebelum rata-rata stabil. Alternatifnya, mulai simulasi dalam kondisi keadaan tunak yang realistis (misalnya, dengan pelayan sibuk pada tingkat utilisasi yang diharapkan).
Bisakah saya menggunakan simulasi antrean stokastik untuk permintaan non-stasioner (misalnya, puncak jam sibuk)?
Ya. Modelkan laju kedatangan yang bervariasi waktu menggunakan proses Poisson non-homogen atau jadwal laju kedatangan empiris. Jam simulasi secara alami melacak dinamika antrean yang bergantung pada waktu yang tidak dapat direpresentasikan oleh rumus analitik keadaan tunak.
Bagaimana cara memvalidasi model simulasi saya?
Validasi dengan membandingkan keluaran simulasi dengan pengukuran sistem nyata (data historis), memeriksa konsistensi internal melalui Hukum Little (L = λW), dan menguji kondisi batas (utilisasi mendekati 0 atau 1). Analisis sensitivitas pada distribusi masukan mengonfirmasi bahwa keluaran merespons secara masuk akal terhadap perubahan parameter.
Metode terkait
Sumber
Kendall, D. G. (1953). Stochastic processes occurring in the theory of queues and their analysis by the method of the imbedded Markov chain. The Annals of Mathematical Statistics, 24(3), 338–354.
Buka referensi DOIDisalin.Law, A. M. (2015). Simulation Modeling and Analysis (5th ed.). McGraw-Hill Education.
ISBN: 9780073401324Disalin.