Magister Manajemen · FEB UNDIP

Manajemen Operasi dan Teknologi

Manajemen Jasa: Teori Antrian

Dari model matematis antrian menuju keputusan kapasitas dan desain layanan yang menghasilkan nilai.

RPS minggu 3 · 2x50 menit

Selamat siang, Bapak/Ibu. Pertemuan lalu kita membahas manajemen alur kerja dan kerangka pengambilan keputusan analitis dalam operasi; hari ini kita masuk ke topik inti pertama: manajemen jasa lewat lensa teori antrian. Karena Anda mayoritas sudah bekerja dan berhadapan dengan antrian setiap hari — di cabang bank, contact center, klinik, atau bahkan antrian approval internal — saya tidak akan mengulang definisi dasar antrian dari S1, kita langsung masuk ke bagaimana model ini dipakai untuk memutuskan berapa banyak kapasitas layanan yang perlu dibuka, kapan, dan dengan konfigurasi seperti apa. Antrian bukan sekadar keluhan operasional, ia representasi konkret dari trade-off biaya versus mutu layanan yang setiap manajer harus kuantifikasi. Di akhir pertemuan ini Anda akan mampu menghitung metrik kinerja antrian dan merancang strategi manajerial berbasis data, bukan intuisi semata.

Tujuan Pembelajaran Hari Ini

Sub-CPMK A

Mendiagnosis karakteristik sistem antrian (pola kedatangan, pola layanan, kapasitas, disiplin) untuk menemukan akar masalah layanan, bukan sekadar gejalanya.

Sub-CPMK B

Menghitung metrik kinerja antrian (ρ, L, Lq, W, Wq) dengan model M/M/1 dan M/M/c untuk mendasari keputusan kapasitas dengan angka, bukan perasaan.

Sub-CPMK C

Merancang strategi manajerial sisi permintaan & sisi pasokan, serta mengevaluasi teknologi antrian digital, untuk mengelola trade-off biaya-layanan.

Kerangka rujukan utama: Cachon & Terwiesch, Matching Supply with Demand — bab manajemen antrian & ekonomi menunggu. Pertemuan ini menjadi fondasi kuantitatif untuk manajemen kapasitas (Pertemuan 8) dan peramalan permintaan (Pertemuan 10).

Bagian 1 dari 3

Antrian sebagai Keputusan Strategis, Bukan Sekadar Operasional

Diskusi kelas: mengapa perusahaan yang sama sekali tidak mau menambah loket kadang justru kehilangan lebih banyak nilai daripada perusahaan yang "boros" kapasitas?

Anatomi Sistem Antrian & Notasi Kendall

A — Distribusi Kedatangan

Biasanya Poisson (acak, tak terduga) — relevan untuk nasabah walk-in, panggilan masuk contact center.

B — Distribusi Layanan

Biasanya eksponensial (M) atau deterministik (D) — menentukan variabilitas waktu layanan per transaksi.

c — Jumlah Server

Notasi Kendall A/B/c, mis. M/M/1 (satu loket) vs M/M/c (multi-loket) — pilihan konfigurasi kapasitas.

Ekonomi Menunggu: Trade-off Biaya Kapasitas vs Biaya Menunggu

Prinsip inti (Cachon & Terwiesch): menambah kapasitas menurunkan biaya menunggu tapi menaikkan biaya operasional server. Keputusan manajerial optimal bukan "nol antrian", melainkan titik total biaya minimum — sering kali pada utilisasi 70–85%, bukan 100%.

Hitung dari Nol #1 — Model M/M/1: Contact Center

Ilustrasi: satu jalur layanan chat contact center sebuah e-commerce (mis. skala Tokopedia), λ = 45 chat/jam masuk, μ = 60 chat/jam kapasitas layan 1 agen.

Langkah	Perhitungan	Nilai
1. Utilisasi ρ	ρ = λ/μ = 45/60	0,75 (75%)
2. Panjang antrian Lq	Lq = ρ²/(1−ρ) = 0,75²/0,25	2,25 chat
3. Waktu tunggu Wq	Wq = Lq/λ = 2,25/45 jam	0,05 jam ≈ 3 menit
4. Total dalam sistem L	L = Lq + ρ = 2,25 + 0,75	3 chat
5. Total waktu W	W = L/λ = 3/45 jam	0,067 jam ≈ 4 menit

Implikasi Manajerial

≈ 4 menit

rata-rata pelanggan menunggu+dilayani — masih di bawah ambang SLA umum layanan chat (5 menit)

Hitung dari Nol #2 — Model M/M/c: Multi-Teller Bank

Ilustrasi: cabang bank (skala BCA/Bank Mandiri) dengan c = 3 teller, λ = 36 nasabah/jam, μ = 15 nasabah/jam per teller.

Langkah	Perhitungan	Nilai
1. Beban tercipta (offered load) a	a = λ/μ = 36/15	2,4 erlang
2. Utilisasi ρ	ρ = a/c = 2,4/3	0,80 (80%)
3. Probabilitas menunggu (Erlang-C, c=3, a=2,4)	P(wait) dari formula/kalkulator Erlang-C	≈ 0,647
4. Panjang antrian Lq	Lq = P(wait) × ρ/(1−ρ) = 0,647 × 4	≈ 2,59 nasabah
5. Waktu tunggu Wq	Wq = Lq/λ = 2,59/36 jam	≈ 0,072 jam ≈ 4,3 menit

Keputusan Manajerial

c = 3 → c = 4?

menambah 1 teller menurunkan ρ ke 0,60 dan Wq mendekati nol — tapi apakah biaya gaji tambahan sepadan dengan penurunan 4,3 menit?

Bedakan tegas dari slide sebelumnya: M/M/c dengan pooling (satu antrian, banyak server) jauh lebih efisien daripada tiga antrian M/M/1 terpisah dengan ρ yang sama — ini prinsip pooling yang akan kita bahas lagi di bagian strategi supply-side. Untuk kelas profesional, cukup jelaskan bahwa probabilitas menunggu Erlang-C biasanya diambil dari kalkulator atau tabel standar (tersedia built-in di banyak software workforce management call center), jangan habiskan waktu menurunkan rumus Erlang-C dari nol karena bukan itu fokus S2. Ajak diskusi: kalau menambah 1 teller berarti tambahan gaji Rp 4,5 juta/bulan namun rata-rata waktu tunggu turun dari 4,3 menit ke hampir nol, apakah itu keputusan yang jelas menguntungkan atau perlu dihitung lebih lanjut dengan estimasi biaya churn nasabah? Ini melatih mahasiswa menerjemahkan output model ke bahasa keputusan anggaran cabang.

Coba Sendiri: Bandingkan M/M/1 vs M/M/c

Geser jumlah server dan tingkat kedatangan/pelayanan, lalu amati bagaimana utilisasi dan waktu tunggu berubah antara satu antrian tunggal versus antrian gabungan.

Kurva "Hockey Stick": Utilisasi vs Waktu Tunggu

Di atas ρ ≈ 0,80–0,85, waktu tunggu meledak secara nonlinier — kenaikan kecil pada utilisasi menghasilkan lonjakan besar pada Wq. Inilah sebab manajer operasi jasa jarang menargetkan utilisasi 100% sebagai KPI, berbeda dari pabrik manufaktur yang mengejar utilisasi mesin setinggi mungkin.

Psikologi Menunggu: Proposisi Maister (1985)

Persepsi > Realita

Waktu menganggur terasa lebih lama daripada waktu terisi (occupied time)
Menunggu tanpa penjelasan terasa lebih lama daripada menunggu dengan informasi jelas
Kecemasan membuat waktu tunggu terasa lebih lama

Keadilan & Konteks

Antrian yang dirasa tidak adil (orang lain didahulukan) terasa jauh lebih lama
Menunggu sendirian terasa lebih lama daripada menunggu berkelompok
Layanan bernilai tinggi membuat pelanggan lebih toleran menunggu lama

Implikasi: menurunkan Wq aktual (rekayasa antrian) dan mengelola Wq yang dirasakan (desain pengalaman) adalah dua tuas manajerial terpisah — sering kali intervensi murah pada persepsi (nomor antrian digital, estimasi waktu tunggu di aplikasi) memberi ROI lebih tinggi daripada menambah kapasitas.

Proposisi Maister penting justru untuk audiens profesional karena membuka opsi intervensi yang jauh lebih murah daripada menambah staf: layar estimasi waktu tunggu di aplikasi BCA mobile atau notifikasi WhatsApp giliran antrian di Halodoc mengubah waktu menunggu yang "kosong" menjadi waktu yang terasa "terisi" dan dapat diprediksi. Ajak mahasiswa membandingkan pengalaman antre di bank tanpa nomor digital versus antre di rumah sakit dengan aplikasi tracking giliran — tanyakan mana yang terasa lebih lama meski durasi aktualnya sama. Ini juga relevan untuk keputusan investasi teknologi: kadang anggaran lebih baik dialokasikan ke sistem informasi antrian daripada ke penambahan loket fisik. Diskusikan juga risiko keadilan yang dirasakan ketika ada jalur prioritas — bagaimana bank menjelaskan ke nasabah reguler mengapa nasabah Prioritas didahulukan tanpa menimbulkan persepsi tidak adil yang merusak loyalitas.

Bagian 2 dari 3

Dari Model ke Aksi: Mengelola Demand dan Supply Antrian

Diskusi kelas: kalau anggaran tidak memungkinkan menambah staf, tuas manajerial apa yang masih tersedia untuk memperbaiki pengalaman antrian?

Strategi Sisi Permintaan (Demand-Side)

Meratakan Puncak Permintaan

Reservasi & janji temu (appointment) — menyebar kedatangan agar tidak menumpuk
Insentif harga/waktu — diskon di luar jam sibuk (yield management, Pertemuan 6)
Komunikasi proaktif estimasi waktu tunggu via aplikasi

Segmentasi Prioritas

Jalur prioritas berbasis nilai pelanggan (nasabah Prioritas, member Gojek Plus)
Triase berbasis urgensi, bukan urutan kedatangan (rumah sakit, IGD)
Self-service untuk transaksi sederhana — membebaskan kapasitas loket untuk kasus kompleks

Kebijakan prioritas mengubah urutan layanan, bukan menambah kapasitas — efektif kalau nilai pelanggan/kasus sangat bervariasi.

Strategi Sisi Pasokan (Supply-Side): Pooling vs Dedicated

Pooling (satu antrian, banyak server — seperti bank modern dengan 1 nomor antrian untuk semua teller) secara matematis menghasilkan Wq lebih rendah daripada dedicated queue pada ρ yang sama, karena variabilitas kedatangan "dirata-ratakan" lintas server. Cross-training staf agar bisa melayani multi-jenis transaksi adalah pra-syarat pooling yang efektif.

Ini prinsip supply-side paling bernilai secara praktis: banyak organisasi Indonesia masih memakai dedicated queue tanpa sadar mereka membayar "pajak variabilitas" yang tidak perlu. Jelaskan bahwa pooling adalah alasan bank modern dan bandara mengganti sistem "satu loket satu antrian" dengan "satu antrian nomor urut untuk semua loket" — bukan sekadar tren desain, tapi keputusan matematis yang menurunkan Wq signifikan tanpa menambah 1 pun server. Tantangan implementasi pooling: butuh cross-training staf, standardisasi SOP transaksi, dan sistem antrian digital yang bisa mengarahkan nomor ke server manapun yang kosong. Tanyakan ke mahasiswa dari sektor perbankan atau ritel apakah kantor mereka sudah pooled atau masih dedicated, dan apa hambatan organisasional (bukan matematis) yang menahan transisi ke pooling.

Kerangka Diagnosis Bottleneck Layanan

Topik non-kuantitatif: rubrik langkah-per-langkah untuk mendiagnosis akar masalah antrian sebelum memutuskan intervensi.

Langkah	Pertanyaan Diagnostik	Output
1. Petakan sistem	Berapa λ, μ, c aktual? Apakah pooled atau dedicated?	Baseline ρ & Wq
2. Uji variabilitas	Apakah kedatangan benar-benar acak, atau musiman/berpola?	Validitas asumsi model
3. Pisahkan Wq aktual vs dirasakan	Apakah keluhan soal durasi nyata atau soal persepsi (Maister)?	Pilihan tuas: teknis vs pengalaman
4. Uji tuas demand-side dulu	Bisakah reservasi/segmentasi mengurangi Wq tanpa biaya tetap baru?	Opsi biaya-rendah
5. Hitung ROI tuas supply-side	Berapa biaya server tambahan vs nilai penurunan Wq (churn, SLA)?	Rekomendasi kapasitas terukur

Kesimpulan rubrik: jangan pernah menambah kapasitas sebagai langkah pertama — itu opsi termahal dan harus jadi pilihan terakhir setelah tuas demand-side & desain persepsi diuji.

Mini-Kasus: Transformasi Digital Layanan Perbankan

Ilustrasi berbasis pola industri perbankan Indonesia (BCA, Bank Mandiri) — angka non-publik ditandai sebagai ilustrasi.

Situasi (Ilustrasi)

Cabang mengalami ρ teller ≈ 0,85 di jam sibuk, Wq ≈ 12 menit, keluhan nasabah meningkat
Adopsi mobile banking & QRIS tumbuh pesat — transaksi sederhana (transfer, cek saldo) beralih ke aplikasi
Manajemen mempertimbangkan: tambah teller vs dorong migrasi digital vs redesain layanan cabang

Keputusan Manajerial

Migrasi transaksi sederhana ke digital → menurunkan λ efektif ke loket tanpa biaya server baru
Loket tersisa fokus melayani transaksi kompleks (kredit, valas) — μ efektif per loket naik (spesialisasi)
Cabang bertransformasi jadi "financial advisory hub", bukan sekadar titik transaksi

Ajak mahasiswa melihat bahwa strategi paling efektif bank besar Indonesia bukan menambah loket, melainkan mengubah komposisi λ yang datang ke loket fisik lewat migrasi digital — ini kombinasi tuas demand-side (mengalihkan permintaan) dengan efek supply-side (spesialisasi meningkatkan μ efektif). Tanyakan: kalau λ ke loket turun 40% karena migrasi digital namun sisa transaksi jauh lebih kompleks sehingga waktu layanan per transaksi naik, apakah Wq otomatis membaik? Ini melatih mahasiswa berpikir bahwa penurunan volume tidak selalu berarti penurunan ρ jika komposisi kompleksitas berubah. Diskusikan juga risiko strategi ini: nasabah lanjut usia atau UMKM yang kurang melek digital berisiko tertinggal, sehingga bank tetap perlu menjaga kapasitas loket fisik minimum sebagai bagian dari inklusi layanan.

Mini-Kasus: Triase Digital Layanan Kesehatan

Ilustrasi berbasis pola layanan telemedisin & klinik (skala Halodoc/RS swasta) — angka non-publik ditandai sebagai ilustrasi.

Tantangan

Konsultasi dokter umum via chat/video membanjiri antrian tunggal tanpa prioritas medis
Kasus ringan (resep vitamin) dan kasus mendesak (gejala akut) menunggu di antrian yang sama
Wq rata-rata rendah, tapi Wq untuk kasus mendesak bisa sama dengan kasus ringan — risiko klinis

Solusi Berbasis Antrian

Triase otomatis (kuesioner gejala) memisahkan antrian mendesak vs rutin — prioritas non-FCFS
Pooling dokter lintas spesialisasi umum untuk kasus rutin — menurunkan ρ efektif per dokter
Estimasi waktu tunggu real-time di aplikasi — mengelola persepsi (Maister) sekaligus ekspektasi

Kasus ini menunjukkan bahwa disiplin antrian FCFS murni bisa berbahaya secara klinis ketika variabilitas urgensi antar pelanggan sangat tinggi — ini pelajaran penting bagi mahasiswa yang bekerja di sektor apa pun dengan variasi urgensi kasus tinggi, bukan hanya kesehatan, misalnya penanganan keluhan nasabah prioritas versus reguler di call center bank. Tekankan bahwa triase bukan sekadar isu etika medis, tapi juga solusi antrian: memisahkan kelas layanan berdasarkan urgensi adalah bentuk segmentasi prioritas yang sudah kita bahas di slide demand-side. Tanyakan pada mahasiswa bagaimana perusahaan mereka menentukan urutan penanganan keluhan pelanggan — apakah berbasis waktu kedatangan murni, atau ada kriteria urgensi/nilai pelanggan yang eksplisit. Ingatkan bahwa desain triase yang buruk (terlalu banyak kelas prioritas) justru bisa menimbulkan efek "gaming" di mana semua orang mengklaim kasus mereka mendesak.

Bagian 3 dari 3

Antrian di Era Digital: Virtual Queue & Teknologi Routing

Diskusi kelas: apakah teknologi antrian digital benar-benar menghilangkan antrian, atau hanya memindahkannya agar tidak terlihat?

Virtual Queueing, Self-Service & AI Routing: Kapan Pakai Apa?

Teknologi	Kapan Efektif	Batasan
Virtual queue (nomor via app)	Kedatangan bisa dijadwalkan sebagian; ruang tunggu fisik terbatas	Tidak mengubah λ/μ — hanya persepsi & alokasi waktu pelanggan
Self-service kiosk/chatbot	Transaksi sederhana bervolume tinggi (cek saldo, cetak buku)	Butuh massa kritis transaksi rutin agar ROI investasi positif
AI routing (skill-based)	Variasi jenis kasus tinggi, banyak server dengan keahlian berbeda	Butuh data historis bersih & SOP terstandardisasi — bukan solusi instan
Prediksi permintaan real-time	Pola kedatangan musiman/harian dapat diprediksi (jam makan siang, awal bulan)	Akurasi model bergantung kualitas data historis

Prinsip keputusan: pilih teknologi berdasarkan akar masalah dari kerangka diagnosis (slide 13) — bukan berdasarkan tren. Teknologi termahal (AI routing) tidak selalu perlu jika akar masalahnya sekadar kurangnya informasi waktu tunggu.

Slide ini menutup bagian model dengan kerangka keputusan praktis: sering kali organisasi Indonesia membeli teknologi antrian termahal (AI routing penuh) padahal akar masalah mereka jauh lebih sederhana, misalnya sekadar kurangnya transparansi estimasi waktu tunggu bagi pelanggan. Jelaskan bahwa self-service kiosk dan chatbot hanya bernilai jika volume transaksi rutin cukup besar untuk menutup biaya investasi — untuk cabang kecil dengan volume rendah, investasi ini bisa jadi tidak ekonomis dibanding sekadar melatih 1 staf tambahan. Diskusikan skill-based routing di call center: mengarahkan penelepon ke agen dengan keahlian yang tepat (misalnya klaim asuransi kompleks vs pertanyaan umum) adalah bentuk pooling cerdas yang meningkatkan μ efektif tanpa menambah headcount. Tanyakan kepada mahasiswa dari perusahaan teknologi/fintech: teknologi antrian mana yang paling relevan dipakai perusahaan mereka saat ini, dan apakah keputusan itu sudah didasari diagnosis akar masalah atau sekadar mengikuti kompetitor.

Latihan Kelompok: Redesain Sistem Antrian

Instruksi (15 menit, kelompok 3–4 orang): Pilih satu layanan tempat Anda bekerja (atau layanan publik yang sering Anda alami) yang memiliki masalah antrian nyata.

Langkah Kerja

Estimasi λ, μ, c saat ini (boleh perkiraan wajar/ilustrasi)
Terapkan kerangka diagnosis 5-langkah (slide 13)
Usulkan minimal 1 tuas demand-side dan 1 tuas supply-side
Sebutkan teknologi antrian yang paling sesuai (jika relevan)

Output yang Dikumpulkan

1 slide/flipchart: sistem saat ini + estimasi ρ/Wq
Rekomendasi kapasitas/desain dengan justifikasi ROI kasar
Presentasi lisan 2 menit per kelompok (dipilih acak)

Sintesis: Kerangka Keputusan Manajemen Jasa

Situasi	Prioritas Keputusan	Alat Analisis
ρ tinggi, Wq aktual tinggi	Uji tuas demand-side dulu, baru supply-side	M/M/1, M/M/c, kerangka diagnosis 5-langkah
Keluhan tinggi meski Wq wajar	Perbaiki persepsi & informasi tunggu	Proposisi Maister (1985)
Variasi urgensi/nilai pelanggan tinggi	Segmentasi prioritas/triase	Disiplin antrian non-FCFS
Multi-server dengan variabilitas tinggi	Konsolidasi ke pooling + cross-training	Perbandingan M/M/1 paralel vs M/M/c

Benang merah pertemuan ini: teori antrian mengubah keluhan kualitatif ("layanan lambat") menjadi keputusan kuantitatif yang bisa dipertanggungjawabkan ke direksi — fondasi ini akan dipakai lagi saat kita membahas manajemen kualitas (Pertemuan 4) dan manajemen kapasitas (Pertemuan 8).

Penutup & Jembatan ke Pertemuan Berikutnya

Yang Sudah Kita Kuasai

Model M/M/1 & M/M/c, ekonomi menunggu, psikologi persepsi tunggu, strategi demand/supply-side, dan kerangka evaluasi teknologi antrian.

Pertemuan 4: Manajemen Kualitas

Dari "berapa lama pelanggan menunggu" ke "seberapa konsisten mutu layanan yang diterima" — Six Sigma & kontrol proses statistik akan memakai logika variabilitas yang sama.

Persiapan sebelum Pertemuan 4: baca bab manajemen kualitas Cachon & Terwiesch, dan bawa 1 contoh masalah variabilitas mutu layanan dari tempat kerja Anda — kita akan langsung menganalisisnya dengan peta kendali (control chart).