SIMULASI ANTRIAN PELAYANAN BANK DENGAN MENGGUNAKAN METODE GAMMA
Bibliographic record
Abstract
Penelitian ini membahas simulasi antrian di bank dengan menggunakan metode gamma. Tujuan penelitian ini adalah untuk merancang dan menerapkan metode gamma untuk mensimulasikan antrian layanan pelanggan bank. Dalam sistem antrian biasanya ada tiga komponen yang saling berhubungan satu sama lain kedatangan, antrian atau antrean. Melalui simulasi yang akan dilakukan dapat dilihat bahwa kinerja sistem yang diamati akan dikoreksi sehingga mendapatkan perbaikan agar benchmark untuk layanan dapat berjalan lebih baik lagi. Dalam penelitian ini peneliti menggunakan distribusi Poisson untuk kedatangan pelanggan tunggal dengan teller tunggal dan antrian tunggal mengikuti aturan FIFO. Berdasarkan hasil penelitian, ada empat server yang memadai untuk melayani, jika hanya satu server akan menghasilkan waktu tunggu rata-rata yang sangat panjang yang menyebabkan pelanggan bosan, sementara dengan dua server masih menghasilkan rata-rata lama menunggu waktu dan menyebabkan antrian, jika menggunakan tiga server jumlah waktu tunggu tidak terlalu lama dan tidak membuat antrean panjang. Untuk penelitian selanjutnya diharapkan akan dikembangkan simulasi antrian yang memiliki kedatangan atau layanan dengan distro lain dan dapat digunakan sebagai acuan dalam pengambilan keputusan guna memaksimalkan waktu layanan pelanggan atau menambah jumlah server sebagai pelayan, dan meminimalkan server jika dianggap berlebihan dalam layanan untuk meminimalkan biaya operasional
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.030 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".