Distribusi statistik

Mengapa menggunakan distribusi?

Dalam proses nyata, selalu ada variasi. Satu panggilan layanan pelanggan mungkin berlangsung 5 menit, sementara panggilan lain memakan waktu 25 menit. Dalam sehari, jumlah pesanan bisa mencapai 50, sedangkan hari berikutnya 120. Variasi alami ini merupakan bagian mendasar dari proses bisnis.

Nilai tetap (misalnya, “setiap aktivitas selalu berlangsung tepat 10 menit”) menghasilkan simulasi yang tidak realistis. Distribusi menggambarkan variasi secara matematis, sehingga simulasi berperilaku seperti proses nyata. Coba gunakan pada proses Anda dengan uji coba gratis.

Dampak variasi

Bandingkan dua skenario untuk tugas dengan rata-rata waktu 10 menit:

Skenario	Distribusi	Dampak pada simulasi
Tetap 10 menit	Tanpa variasi	Antrean tidak realistis, pola mudah diprediksi
Normal (mean=10, stdDev=3)	Variasi realistis	Perilaku antrean alami, waktu tunda realistis

Skenario kedua lebih mendekati kondisi nyata. Sebagian tugas selesai cepat, sebagian lainnya memerlukan waktu lebih lama. Variasi ini menimbulkan antrean seperti yang terjadi dalam proses sebenarnya.

Distribusi yang tersedia

ProcessMind menyediakan sembilan jenis distribusi untuk memodelkan berbagai variasi:

Sebaran	Cocok untuk	Parameter utama
Tetap	Nilai konstan yang tidak berubah	nilai
Normal	Variasi simetris di sekitar rata-rata	mean, stdDev
Seragam	Probabilitas sama dalam suatu rentang	min, max
Segitiga	Rentang dengan satu nilai yang paling mungkin	min, mode, max
Poisson	Kedatangan peristiwa acak	lambda, rateUnit
Lognormal	Sebaran miring ke kanan, biasanya cepat tetapi kadang lama	mean, stdDev
Weibull	Analisis keandalan dan kegagalan	scale, shape
Beta	Bentuk fleksibel antara nilai minimum dan maksimum	min, max, alpha, beta
Pearson VI	Pola miring yang kompleks	alpha1, alpha2, beta

Distribusi Fixed

Distribusi paling sederhana: selalu menghasilkan nilai yang sama.

Parameter

Parameter	Deskripsi
nilai	Nilai konstan yang akan dikembalikan

Karakteristik

• Tidak ada variasi sama sekali
• Setiap sampel menghasilkan nilai yang ditentukan secara persis
• Berguna untuk memodelkan langkah yang dikendalikan sistem atau otomatis

Kapan digunakan

• Respons sistem otomatis dengan waktu yang konsisten
• Batas waktu atau tenggat yang ditetapkan regulasi
• Penyiapan simulasi awal sebelum menambahkan variasi
• Memodelkan SLA atau batas waktu kontrak

Contoh

Email yang dibuat sistem selalu terkirim tepat dalam 5 detik.

Distribusi Normal (Gaussian)

Kurva lonceng yang umum dikenal: nilai berkumpul secara simetris di sekitar rata-rata. Peluangnya makin kecil saat nilai menjauh dari titik tengah.

Parameter

Parameter	Deskripsi
mean	Nilai rata-rata (titik tengah kurva)
stdDev	Simpangan baku (sebaran nilai)

Karakteristik

• Simetris di sekitar rata-rata
• 68% nilai berada dalam rentang 1 simpangan baku
• 95% nilai berada dalam rentang 2 simpangan baku
• 99,7% nilai berada dalam rentang 3 simpangan baku
• Secara teori dapat menghasilkan nilai negatif (simulasi menangani hal ini)

Kapan digunakan

• Waktu pemrosesan yang bervariasi secara simetris di sekitar rata-rata
• Pengukuran dengan kesalahan acak
• Kuantitas apa pun yang dipengaruhi banyak faktor kecil dan independen

Contoh

Tugas entri data rata-rata memerlukan waktu 5 menit dengan simpangan baku 1 menit:

• 68% entri memerlukan waktu 4-6 menit
• 95% memerlukan waktu 3-7 menit
• Hanya sedikit yang memerlukan waktu kurang dari 2 menit atau lebih dari 8 menit

Distribusi Uniform

Semua nilai dalam suatu rentang memiliki peluang yang sama, sehingga membentuk distribusi probabilitas datar.

Parameter

Parameter	Deskripsi
min	Nilai minimum yang mungkin
max	Nilai maksimum yang mungkin

Karakteristik

• Probabilitas datar: tidak ada nilai yang lebih mungkin daripada nilai lainnya
• Batas tegas pada min dan max
• Rata-rata tepat sama dengan (min + max) / 2

Kapan digunakan

• Jika Anda hanya mengetahui rentangnya, bukan nilai yang biasanya muncul
• Pemilihan acak dari suatu rentang
• Waktu tunggu untuk peristiwa yang sudah dijadwalkan
• Memodelkan ketidakpastian tanpa data historis

Contoh

Persetujuan memerlukan waktu antara 2 hingga 8 menit, tetapi tidak ada informasi tentang waktu yang biasanya dibutuhkan. Semua durasi dalam rentang ini memiliki peluang yang sama.

Distribusi Triangular

Distribusi sederhana dengan nilai minimum, maksimum, dan nilai yang paling mungkin (mode), sehingga membentuk segitiga.

Parameter

Parameter	Deskripsi
min	Nilai minimum yang mungkin
mode	Nilai yang paling mungkin (puncak segitiga)
max	Nilai maksimum yang mungkin

Karakteristik

• Nilai berkumpul di sekitar mode
• Dibatasi oleh min dan max (tidak ada nilai ekstrem di luar batas ini)
• Tidak simetris jika mode ≠ (min + max) / 2
• Mudah diperkirakan berdasarkan pengetahuan ahli

Kapan digunakan

• Jika Anda tahu “biasanya X, tetapi bisa berkisar dari Y hingga Z”
• Situasi yang memerlukan perkiraan ahli
• Jika distribusi Normal dapat menghasilkan nilai negatif yang tidak realistis

Contoh

Tinjauan faktur:

• Kondisi terbaik (min): 2 menit
• Biasanya (mode): 5 menit
• Kondisi terburuk (max): 15 menit

Sebagian besar tinjauan memerlukan waktu sekitar 5 menit. Faktur yang rumit bisa memakan waktu hingga 15 menit.

Distribusi Poisson

Memodelkan jumlah peristiwa dalam jangka waktu tertentu. Distribusi ini cocok untuk proses kedatangan.

Parameter

Parameter	Deskripsi
lambda	Rata-rata tingkat kejadian
rateUnit	Satuan waktu untuk tingkat kejadian (perHour, perDay, perWeek, perMonth, perYear)

Karakteristik

• Nilai diskret (bilangan bulat: 0, 1, 2, 3…)
• Varians sama dengan rata-rata
• Setiap peristiwa bersifat independen
• Cocok untuk memodelkan “kedatangan acak”

Kapan digunakan

• Kedatangan kasus ke dalam proses
• Kedatangan pelanggan
• Pembuatan pesanan
• Situasi apa pun yang menghitung “peristiwa per satuan waktu”

Contoh

Lambda=20, rateUnit=perDay memodelkan sekitar 20 kasus yang datang per hari. Pada beberapa hari jumlahnya mungkin 15, sedangkan pada hari lain 25. Inilah variasi alami dari kedatangan acak.

Distribusi Lognormal

Distribusi yang miring ke kanan. Sebagian besar nilai kecil, tetapi sesekali muncul nilai besar. Logaritma nilainya mengikuti distribusi Normal.

Parameter

Parameter	Deskripsi
mean	Rata-rata nilai yang dihasilkan (bukan rata-rata logaritmanya)
stdDev	Simpangan baku nilai yang dihasilkan (bukan simpangan baku logaritmanya)

Karakteristik

• Selalu positif (tidak dapat menghasilkan nilai negatif)
• Miring ke kanan: ekor panjang menuju nilai yang lebih tinggi
• Sebagian besar nilai berkumpul di dekat batas bawah
• Sesekali muncul nilai besar

Kapan digunakan

• Tugas yang biasanya cepat selesai, tetapi sesekali memerlukan waktu jauh lebih lama
• Data keuangan dan distribusi pendapatan
• Waktu respons dengan keterlambatan sesekali
• Waktu perbaikan bug

Contoh

Tiket dukungan teknis:

• Sebagian besar selesai dalam 1-2 jam
• Sebagian memerlukan waktu sehari penuh
• Masalah rumit yang jarang terjadi bisa memerlukan waktu beberapa hari

Distribusi Lognormal menggambarkan pola “biasanya cepat, sesekali lama” ini.

Distribusi Weibull

Distribusi fleksibel yang umum digunakan dalam rekayasa keandalan dan analisis kegagalan.

Parameter

Parameter	Deskripsi
scale	Parameter skala (umur karakteristik)
shape	Parameter bentuk (menentukan bentuk distribusi)

Dampak parameter shape

Nilai shape	Perilaku distribusi
shape di bawah 1	Tingkat kegagalan menurun (kematian dini)
shape = 1	Tingkat kegagalan konstan (distribusi eksponensial)
shape di atas 1	Tingkat kegagalan meningkat (keausan)

Kapan digunakan

• Waktu hingga peralatan mengalami kegagalan
• Analisis waktu hingga suatu peristiwa
• Pemodelan keandalan
• Jika Anda memerlukan kendali fleksibel atas bentuk distribusi

Distribusi Beta

Distribusi fleksibel yang menghasilkan nilai di antara batas minimum dan maksimum. Bentuknya diatur oleh dua parameter. Ini adalah distribusi Beta umum (4 parameter).

Parameter

Parameter	Deskripsi
min	Nilai minimum yang mungkin
max	Nilai maksimum yang mungkin
alpha	Parameter bentuk pertama (α > 0)
beta	Parameter bentuk kedua (β > 0)

Karakteristik

• Nilai selalu berada di antara min dan max
• Bentuk distribusi sangat fleksibel, bergantung pada α dan β
• Jika α = β, distribusi simetris terhadap titik tengah [min, max]
• Jika α < β, nilai cenderung mendekati min (miring ke kiri)
• Jika α > β, nilai cenderung mendekati max (miring ke kanan)
• Jika α = β = 1, distribusi menjadi seragam pada [min, max]
• Rata-rata = min + (max − min) × α / (α + β)

Dampak parameter shape

Parameter	Perilaku distribusi
α = 1, β = 1	Seragam (datar) di seluruh rentang [min, max]
α = β	Berbentuk lonceng simetris, berpusat di titik tengah
α < β	Miring ke kiri (nilai berkumpul di dekat min)
α > β	Miring ke kanan (nilai berkumpul di dekat max)
α < 1, β < 1	Berbentuk U (nilai berkumpul di kedua ujung rentang)

Kapan digunakan

• Kuantitas dengan batas yang rentangnya diketahui dan bentuk distribusinya ingin Anda atur
• Durasi tugas yang cenderung berkumpul di dekat salah satu ujung rentang yang diketahui
• Memodelkan probabilitas atau tingkat keberhasilan (gunakan min=0, max=1)
• Skor kualitas, persentase penyelesaian, atau tingkat hasil
• Perkiraan ahli dengan rentang yang diketahui dan gambaran tentang kecenderungan nilai berkumpul

Contoh

Sebuah tugas peninjauan memerlukan waktu 2 hingga 15 menit. Sebagian besar peninjauan selesai mendekati batas waktu yang lebih singkat. Gunakan Beta(min=2, max=15, α=2, β=5). Rata-ratanya sekitar 2 + 13 × 2/7 ≈ 5,7 menit. Nilai cenderung berkumpul di rentang bawah, tetapi tidak pernah kurang dari 2 atau lebih dari 15.

Distribusi Pearson VI

Distribusi tingkat lanjut untuk pola miring yang kompleks dan tidak cocok dengan model yang lebih sederhana.

Parameter

Parameter	Deskripsi
alpha1	Parameter bentuk pertama
alpha2	Parameter bentuk kedua
beta	Parameter skala

Kapan digunakan

• Distribusi kompleks yang diperoleh dari analisis data
• Saat distribusi yang lebih sederhana tidak cocok dengan data historis Anda
• Skenario pemodelan statistik tingkat lanjut

Memilih distribusi yang tepat

Referensi cepat: waktu pemrosesan

Situasi Anda	Sebaran yang disarankan
Durasi bervariasi secara simetris di sekitar rata-rata	Normal
Anda hanya mengetahui rentangnya (min hingga max)	Seragam
Anda mengetahui nilai umum, skenario terbaik, dan skenario terburuk	Segitiga
Biasanya cepat, tetapi kadang jauh lebih lama	Lognormal
Durasi selalu sama (jarang terjadi)	Tetap
Proporsi atau probabilitas (0 hingga 1)	Beta

Referensi cepat: tingkat kedatangan

Situasi Anda	Sebaran yang disarankan
Kedatangan acak dan independen	Poisson
Kedatangan dengan laju konstan	Tetap

Praktik yang disarankan

Mulai dari yang sederhana

Mulailah dengan distribusi Normal atau Triangular. Keduanya mudah dipahami dan diatur parameternya, serta biasanya sudah cukup. Tambahkan kompleksitas hanya jika diperlukan.

Manfaatkan pengetahuan ahli

Pakar di bidang terkait dapat memberikan perkiraan yang sangat baik:

• “Kondisi terbaik?” → minimum
• “Biasanya?” → rata-rata atau modus
• “Kondisi terburuk?” → maksimum

Validasi dengan data

Jika Anda memiliki data historis:

1. Sesuaikan distribusi dengan data Anda
2. Bandingkan hasil simulasi dengan kinerja aktual
3. Sempurnakan parameter distribusi

Pertimbangkan nilai pencilan

Proses nyata sering memiliki nilai pencilan. Lognormal dan Weibull dapat menggambarkannya dengan lebih baik daripada Normal atau Triangular.

Sesuaikan dengan perilaku proses

• Variasi simetris → Normal
• Variasi dengan batas → Triangular atau Uniform
• Miring ke kanan → Lognormal
• Proporsi (0 hingga 1) → Beta
• Pola kompleks → Weibull atau Pearson VI

Buat model BPMN khusus

Langkah berikutnya

Cara kerja

Pahami cara mesin simulasi menggunakan distribusi.