OLEH :
KELOMPOK 6
1.
2.
3.
4.
KATA PENGANTAR
Puji Syukur kami panjatkan kehadirat Tuhan Yang Maha Esa yang telah memberikan
rahmat serta karuniaNya kepada saya sehingga saya berhasil menyelesaikan Proposal Pemodelan
dan Simulasi ini dengan tepat pada waktunya. Proposal ini berisikan materi Tentang Simulasi
Antrian Pembelian Tiket Bioskop (Studi Kasus : Galeria Cinema XXI) .
Saya menyadari bahwa Proposal ini masih jauh dari sempurna, oleh karena itu kritik dan
saran dari semua pihak yang bersifat membangun selalu saya harapkan demi kesempurnaan
makalah ini.
Akhir kata saya ucapkan terima kasih keada semua pihak yang telah berperan serta dalam
penyusunan makalah ini.
Penulis
DAFTAR ISI
KATA PENGANTAR.................................................................................................... 2
DAFTAR ISI............................................................................................................... 3
BAB I.......................................................................................................................... 5
PENDAHULUAN........................................................................................................ 5
1.1..................................................................................................... Latar Belakang
5
1.2................................................................................................ Rumusan Masalah
5
1.3.................................................................................................. Tujuan Penelitian
6
1.4.................................................................................................. Batasan Masalah
6
1.5................................................................................................ Manfaat Penelitian
6
BAB II........................................................................................................................ 7
TINJAUAN PUSTAKA................................................................................................. 7
2.1............................................................................................ Pengenalan Simulasi
7
2.1.1 Definisi Simulasi..................................................................................... 7
2.1.2 Tujuan Simulasi....................................................................................... 7
2.2 Antrian.............................................................................................................. 8
2.2.1 Definisi Antrian............................................................................................... 8
2.2.2 Faktor Antrian................................................................................................. 8
2.2.3 Struktur Dasar Antrian..........................................................................9
2.3 Pembangkitan Bilangan Random.....................................................................10
2.3.1 Definisi Bilangan Random...................................................................10
2.4 Metode Monte Carlo........................................................................................ 12
2.4.1 Sejarah Metode Monte Carlo..............................................................12
2.4.2 Penerapan Metode............................................................................... 13
2.5 Pemograman Bahasa C#................................................................................. 18
2.5.1 Definisi C#............................................................................................. 18
Kesimpulan Replikasi............................................................................. 63
4.4.3
Visualisasi Replikasi............................................................................... 64
BAB V...................................................................................................................... 67
KESIMPULAN.......................................................................................................... 67
5.1........................................................................................................... Kesimpulan
67
5.2.................................................................................................................... Saran
67
DAFTAR PUSTAKA.................................................................................................. 68
BAB I
PENDAHULUAN
1.1 Latar Belakang
Antrian atau queue sangat sering dijumpai dalam kehidupan sehari-hari, seperti
antrian pada pembelian tiket bioskop, antrian nasabah bank dan lainnya. Pelanggan sering
merasa kesal jika harus menunggu terlalu lama dalam antrian, demikian juga dengan pemilik
usaha seringkali bingung menentukan berapa jumlah loket yang harus dibuka untuk
meningkatkan pelayanan, namun tetap memperhitungkan biaya yang dikeluarkan. Suatu
antrian terjadi bila tingkat kedatangan lebih besar dari pada tingkat pelayanannya. Dalam
penjualan tiket, antrian akan terjadi apabila jumlah pembeli tiket yang datang lebih besar dari
pada jumlah pembeli yang dapat dilayani dan meninggalkan loket.
Simulasi merupakan salah satu metode yang dapat digunakan untuk menganalisa
suatu antrian. Simulasi akan memodelkan suatu sistem sehingga mendekati keadaan
sebenarnya, sehingga analisa yang dihasilkan juga akan mendekati keadaan sebenarnya,
dibandingkan dengan perhitungan teoritisnya.
Galeria Cinema XXI merupakan sebuah bioskop yang memiliki masalah dalam
sistem antrian. Hal itu dikarenakan banyaknya pelanggan yang datang tidak diimbangi
dengan fasilitas pelayanannya, jadi manajemennya tidak efektif dan efisien jika dilihat dari
segi waktu dan biaya. Adanya antrian di Galeria Cinema XXI penulis ingin memberikan
solusi permasalahan dengan membuatkan sebuah sistem simulasi antrian pembelian tiket
bioskop dengan menentukan jumlah pelanggan yang datang dalam satu hari?
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah dipaparkan diatas adapun rumusan masalah yang
kami dapatkan dari penulisan laporan ini adalah sebagai berikut :
dari
menggunakan simulasi.
pelayanan
pelanggan
bioskop
dengan
BAB II
TINJAUAN PUSTAKA
2.1 Pengenalan Simulasi
2.1.1 Definisi Simulasi
Simulasi ialah suatu metodologi untuk melaksanakan percobaan dengan
menggunakan model dari satu sistem nyata (Siagian, 1987). Menurut Hasan (2002),
simulasi merupakan suatu model pengambilan keputusan dengan mencontoh atau
mempergunakan gambaran sebenarnya dari suatu sistem kehidupan dunia nyata tanpa
harus mengalaminya pada keadaan yang sesungguhnya.
Simulasi merupakan teknik atau cara penyelesaian persoalan melalui pengolahan
dataoperasi sistem imitasi untuk memperoleh data output penyelidikan atau percobaan
penelitian sebagai bahan solusi persoalan ataupun sebagai bahan masukan dalam rangka
pengembangan dan perbaikan struktur dan operasi sistem ril.
Penggunaan sistem maya sebagai imitasi dari suatu sistem ril dapat memberikan
keleluasaan dan kemudahan dalam melakukan penyelidikan dan percobaan penelitian
dalam rangka penyelesaian persoalan. Simulasi dapat dirancang untuk menghasilkan
output mengenai kemampuan dan kehandalan sistem serta karakteristik dan keadaan
sistem sebagai masukan dalam rangka pengkajian pengembangan sistem dan optimasi
hasil operasi sistem.
Simulasi dapat diterapkan untuk menggantikan dan mewakili pelaksanaan
penyelidikan dan percobaan penelitian ril yang dihadapkan dengan masalah ongkos yang
mahal, resiko fatal, waktu yang terbatas dan sarana yang tidak memadai.
biasa.
Pembangkitan bilangan acak, harus :
1.
2.
3.
4.
Salah satu metode yang digunakan untuk membangkitkan bilangan acak adalah Linear
Congruential Generator (LCG). Metode ini digunakan untuk membangkitkan bilangan
acak dengan distribusi uniform. Menggunakan LCG, urutan bilangan bulat Z 1, Z2,
Z3,..didefinisikan oleh rumus rekrusif :
Dimana :
11
Stanislaw Ulam, dan rekan-rekan mereka sesama peneliti fisika. Nama Monte Carlo
merujuk kepada sebuah kasino terkenal di Monako. Di sanalah paman dari Stanislaw
Ulam sering meminjam uang untuk berjudi. Kegunaan dari ketidakteraturan dan proses
yang berulang memiliki kesamaan dengan aktivitas di kasino.
Hal yang berbeda dari simulasi Monte Carlo adalah ia membalikkan bentuk
simulasi yang umum. Metode ini akan mencari kemungkinan terlebih dahulu sebelum
memahami permasalahan yang ada. Sementara umumnya menggunakan simulasi untuk
menguji masalah yang sebelumnya telah dipahami. Walaupun pendekatan terbalik ini
sudah ada sejak lama, namun baru setelah metode Monte Carlo populer pendekatan ini
diakui.
Penggunaan metode paling awal diketahui digunakan oleh Enrico Fermi di tahun
1930. Pada waktu itu beliau menggunakan metode acak untuk menghitung sifat dari
neutron yang baru ditemukan. Baru setelah komputer pertama diperkenalkan sekitar
tahun 1945 metode Monte Carlo mulai dipelajari lebih lanjut. Metode ini telah digunakan
di bidang fisika, kimia fisika, dan lain-lain. Rand Corporation dan U.S. Air Force
merupakan sponsor utama dalam pengembangan metode Monte Carlo pada waktu itu dan
metode ini semakin berkembang di berbagai bidang.
Penggunaan metode Monte Carlo membutuhkan sejumlah besar angka acak
sehingga seiring dengan berkembangnya metode ini, berkembang pula pseudorandom
number generator yang ternyata lebih efektif digunakan daripada tabel angka acak yang
terlah sebelumnya sering digunakan untuk pengambilan sampel statistik.
2. Biologi
3. Keuangan : Dalam bidang ini, Monte Carlo digunakan untuk menilai dan
menganalisis model-model
4. Fisika.
finansial.
diterapkan
3.
4.
5.
tahap pertama
Menentukan interval angka random untuk tiap variabel
Membuat angka random
Membuat simulasi dari rangkaian percobaan
14
Kita dapat merubah keadaan tersebut diatas menjadi distribusi kemungkinan (bila kita
asumsikan tingkat penjuala dimasa lalu akan tetap bertahan sampai ke masa depan)
dengan membagi tiap permintaan dengan total permintaan. Seperti pada tabel berikut:
15
Probabilitas kumulatif terlihat pada gambar dibawah, digunakan pada tahap ke 3 untuk
membantu menempatkan nilai random
4.
Untuk membuat angka random kita bisa menggunakan software Microsoft Excel dengan
menggunakan perintah Randbetween, misal untuk angka random dari 1100, kita tuliskan
perintah: =randbetween(1,100) dan diulangi sejumlah baris yang diperlukan
Total permintaan untuk 10 hari adalah 28 ban, ratarata permintaan per hari adalah 2,8 ban.
17
Code 1 menunjukkan sebuah source code dengan nama Hello yang memiliki
method Main yang berfungsi untuk mencetak string Hello World. Perhatikan bahwa
potongan program tersebut mirip dengan Java.
2.5.3 Tipe data dalam C#
18
Gambar 1 menunjukkan jenis-jenis data yang dapat ditangani. Seluruh tipe data
merupakan derivasi dari Object. Dengan demikian, seluruh operasi Object juga dapat
diterapkan pada tipe-tipe tersebut.
19
BAB III
METODELOGI SIMULASI
3.1 Pengumpulan Data
Sebelum melakukan simulasi maka diperlukan pengumpulan data yang nantinya
mendukung proses simulasi. Teknik pengumpulan data ini dilakukan dengan proses
observasi atau pengamatan secara langsung ke tempat studi kasus, dimana dalam hal ini
merupakan Galeria Cinema XXI pada Minggu, 16 November 2014.
Data yang
dimaksudkan dalam hal ini adalah jumlah antrian yang terjadi pada saat pembelian tiket
bioskop. Informasi yang dikumpulkan berupa waktu pada saat pengunjung datang, waktu
pada saat pengunjung pertama kali dilayani, dan waktu pada saat pengunjung selesai
dilayani.
No
Waktu
Waktu
Waktu
kedatangan
dilayani
selesai
1.
12:39:10
12:43:10
2.
12:40:15
3.
12:41:20
4.
12:42:05
5.
12:43:03
6.
12:49:04
7.
12:51:12
8.
12:52:25
9.
12:53:30
10.
12:55:40
11.
12:56:15
12.
12:57:10
13.
12:57:15
12:44:05
12:44:05
12:45:02
12.45:15
12:45:10
12.45:12
12:46:02
12.47:04
12:49:02
12.49:02
12:50:01
12.51:03
12:53:02
12.54:10
12:54:05
12.54:21
12:55:11
12.55:25
12:56:10
12.57:30
12:58:20
12.58:12
13:00:08
13.00:11
13:01:02
20
14.
13:01:09
15.
13:03:10
16.
13:05:11
17.
13:06:15
18.
13:06:20
19.
13:07:25
20.
13:11:26
21.
13:12:35
22.
13:15:05
23.
13:17:10
24.
13:19:02
25.
13:23:06
26.
13:24:18
27.
13:29:20
13.03:05
13:03:05
13.04:10
13:05:05
13.05:20
13:06:08
13.07:03
13:08:02
13.08:05
13:09:03
13.10:06
13:10:04
13.12:09
13:13:05
13.13:03
13:14:02
13.16:07
13:18:06
13.18:10
13:19:03
13.20:03
13:21:01
13.23:02
13:24:01
13.25:22
13:25:10
13.29:35
13:30:10
Sedangkan
data
sekunder
adalah
data
yang
telah
tersedia.
Berdasarkan makna dari data primer dan data sekunder tersebut, dapat dipastikan bahwa
data antrian pembelian tiket bioskop merupakan data primer.
Selanjutnya data hasil observasi atau pengamatan yang berupa data waktu
kedatangan pelanggan, waktu pertama kali dilayani, dan waktu akhir pelayanan akan
21
direkapitulasi atau diolah untuk mendapatkan waktu antar kedatangan tiap pelanggan
hingga lama proses tansaksi tiap pelanggan.
22
Waktu
antar
kedatangan
(menit)
waktu
antar
kedatang
an (detik)
lama proses
transaksi
(dilayaniselesai)
detik
menit
detik
0:00:00
65
0:01:05
65
63
waktu
waktu
kedatangan dilayani
waktu
selesai
12:40:15
12:43:
10
12:44:
05
12:44:
05
12:45:
02
12:41:20
12.45:
15
12:45:
10
0:01:05
65
65
12:42:05
12.45:
12
12:46:
02
0:00:45
45
130
10
12:43:03
12.47:
04
12:49:
02
0:00:58
58
122
12:49:04
12.49:
02
12:50:
01
0:06:01
361
61
12:51:12
12.51:
03
12:53:
02
0:02:08
128
121
12:52:25
12.54:
10
12:54:
05
0:01:13
73
12:53:30
12.54:
21
12:55:
11
0:01:05
65
70
10
1
0
12:55:40
12.55:
25
12:56:
10
0:02:10
130
75
15
1
1
12:56:15
12.57:
30
12:58:
20
0:00:35
35
70
10
1
2
12:57:10
12.58:
12
13:00:
08
0:00:55
55
124
1
3
12:57:15
13.00:
11
13:01:
02
0:00:05
69
1
4
13:01:09
13.03:
05
13:03:
05
0:03:54
234
10
10
1
5
13:03:10
13.04:
10
13:05:
05
0:02:01
121
65
1
6
13:05:11
13.05:
20
13:06:
08
0:02:01
121
72
12
1
7
13:06:15
13.07:
03
13:08:
02
0:01:04
64
61
1
8
13:06:20
13.08:
05
13:09:
03
0:00:05
23
62
13:07:25
13.10:
06
13:10:
04
0:01:05
65
no
12:39:10
2
3
4
5
6
7
8
9
3.4 Implementasi
Setelah mengetahui apa saja yang dibutuhkan dalam simulasi, maka langkah
terkhir adalah mengimplementasikan simulasi antrian pengunjung pembelian tiket
bioskop dalam sebuah sistem atau program. Bahasa pemrograman yang digunakan adalah
C# dengan menggunakan Visual Studio 2012.
BAB IV
PEMBAHASAN DAN ANALISIS HASIL
4.1 Penentuan Range Bilangan Random
a. Penentuan Probabilitas Kumulatif dan Range Bilangan Random untuk waktu antar
kedatangan. Waktu antar kedatangan yang diperoleh dari hasil analisis data, diubah
kedalam waktu satuan detik untuk mempermudah proses perhitungan.
Nilai
frekuen
si
frek.ku
mulatif
probabilita
s kumulatif
nilai
0
5
35
45
55
58
64
65
69
72
73
112
121
125
128
130
150
234
241
244
302
1
2
1
1
1
1
1
4
1
1
1
1
2
1
1
1
1
1
1
1
1
1
3
4
5
6
7
8
12
13
14
15
16
18
19
20
21
22
23
24
25
26
0.04
0.11
0.15
0.19
0.22
0.26
0.30
0.44
0.48
0.52
0.56
0.59
0.67
0.70
0.74
0.78
0.81
0.85
0.89
0.93
0.96
0
5
35
45
55
58
64
65
69
72
73
112
121
125
128
130
150
234
241
244
302
25
probabilit
as
kumulatif
0.04
0.11
0.15
0.19
0.22
0.26
0.30
0.44
0.48
0.52
0.56
0.59
0.67
0.70
0.74
0.78
0.81
0.85
0.89
0.93
0.96
range
bilangan
random
.00 - .03
.04 - .10
.11 - .14
.15 - .18
.19 - .21
.22 - .25
.26 - .29
.30 - .43
.44 - .47
.48 - .51
.52 - .55
.56 - .58
.59 - .66
.67 - .69
.70 - .73
.74 - .77
.78 - .80
.81 - .84
.85 - .88
.89 - .92
.93 - .95
361
27
1.00
361
1.00
.96 - .99
b. Penentuan Probabilitas kumulatif dan range bilangan random untuk waktu lamanya
proses transaksi. Waktu lamanya proses transaksi yang diperoleh dari hasil analisis
data, diubah kedalam waktu satuan detik untuk mempermudah proses perhitungan.
Nilai
frekuen
si
frekuen
si
kumula
tif
probabilit
as
kumulatif
nilai
probabilit
as
kumulatif
range
bilangan
random
0.04
0.04
.00 - .03
0.07
0.07
.04 -.06
10
0.11
10
0.11
.07 - .10
12
0.15
12
0.15
.11 - .14
61
0.30
61
0.30
.15 - .29
62
10
0.37
62
0.37
.30 - .36
63
11
0.41
63
0.41
.37 - .40
64
12
0.44
64
0.44
.41 - .43
65
15
0.56
65
0.56
.44 - .55
67
16
0.59
67
0.59
.56 - .58
69
17
0.63
69
0.63
.59 - .62
70
19
0.70
70
0.70
.63 - .69
72
20
0.74
72
0.74
.70 - .73
75
21
0.78
75
0.78
.74 - .77
85
22
0.81
85
0.81
.78 - .80
121
122
2
1
24
25
0.89
0.93
121
122
0.89
0.93
.81 - .88
.89 - .92
124
26
0.96
124
0.96
.93 - .95
130
27
1.00
130
1.00
.96 - .99
26
27
Dalam pemilihan parameter ini terdapat acuan yaitu dimana nilai z0 harus berada
antara rentang nilai a,c,dan m.
Dalam kasus ini parameter a1,c1,z1 digunakan untuk pembangkitan bilangan random
dalam pemetaan waktu antar kedatangan. Dan parameter a2,c2,z2 digunakan untuk
pembangkitan bilangan random dalam pemetaan lama transaksi. Semua parameter
dipilih dengan menggunakan fungsi random yang terdapat pada c#.
b. Proses Simulasi
1. Pembangkitan bilangan random
z1[i] = ((a1 * z1[i - 1]) + c1) % m;
z2[i] = ((a2 * z2[i - 1]) + c2) % m;
u1[i] = (int)Math.Round((z1[i] / m) * 100);
u2[i] = (int)Math.Round((z2[i] / m) * 100);
28
29
21)
25)
29)
43)
47)
51)
55)
58)
66)
69)
73)
77)
80)
84)
88)
92)
95)
99)
Waktu tunggu : waktu tunggu diperoleh dari hasil pengurangan dari waktu
akhir_pelayanan[i] = mulai_pelayanan[i]+lama_transaksi[i];
waktu_tunggu[i] =mulai_pelayanan[i] - kedatangan[i];
}
total_pelanggan = count;
rata2_waktu_tunggu = (total_tunggu/60) / count;
rata2_pelayanan = (total_pelayanan / 60) /count;
Pada bagian ini akan dilakukan proses perhitungan untuk mencari total waktu
tunggu, total pelanggan yang dapat dilayani dan total waktu pelayanan. Selain itu
juga akan dicari rata-rata dari waktu tunggu dan rata-rata dari waktu pelayanan.
31
Pada proses perhitungan mencari rata-rata ini proses perhitungan akan dibagi
dengan 60 untuk memperoleh rata-rata waktu dalam satuan menit.
5. Proses pengecekan lamanya pelayanan dan mencetak output
if(total_pelayanan + lama_transaksi[i] > waktu_simulasi)
{
break;
}
dataGridView1.Rows.Add(1);
dataGridView1.Rows[i - 1].Cells["No_Pelanggan"].Value = i;
dataGridView1.Rows[i - 1].Cells["Waktu_kedatangan"].Value =
kedatangan[i]/60;
dataGridView1.Rows[i - 1].Cells["Waktu_Antar_Kedatangan"].Value =
antar_kedatangan[i]/60;
1].Cells["Waktu_Tunggu"].Value = waktu_tunggu[i]/60;
1].Cells["Waktu_Mulai_Pelayanan"].Value =
1].Cells["Lama_Transaksi"].Value = lama_transaksi[i]/60;
1].Cells["Waktu_Akhir_Pelayanan"].Value =
dataGridView2.Rows.Add(1);
dataGridView2.Rows[i - 1].Cells["Random_Antar_Kedatangan"].Value = u1[i];
dataGridView2.Rows[i - 1].Cells["Random_Lama_Transaksi"].Value = u2[i];
Pada bagian ini akan dilakukan proses pengecekan apakah total waktu pelayanan
telah mencapai waktu simulasi. Ketika telah mencapai waktu simulasi yang telah
ditentukn sebelumnya maka proses simulasi akan dihentikan. Seluruh output yng
akan dicetak dibagi 60 untuk memperoleh output waktu dalam satuan menit.
6. Proses mencetak kesimpulan dari proses simulasi
textBox2.Text = Convert.ToString(total_pelanggan);
textBox3.Text = Convert.ToString(rata2_waktu_tunggu);
textBox4.Text = Convert.ToString(rata2_pelayanan);
textBox5.Text = Convert.ToString(a1);
textBox6.Text = Convert.ToString(a2);
textBox7.Text = Convert.ToString(c1);
textBox8.Text = Convert.ToString(c2);
textBox9.Text = Convert.ToString(m);
textBox10.Text = Convert.ToString(z1[0]);
textBox11.Text = Convert.ToString(z2[0]);
Pada bagian ini akan dilakukan proses mencetak hasil kesimpulan dari simulasi
berupa total pelanggan, rata-rata waktu tunggu, rata-rata waktu pelayanan,dan
parameter LCG yang digunakan dalam proses simulasi.
32
Pengujian Output
Output yang diberikan berupa detail informasi waktu transaksi setiap pelanggan yang
dapat dilayani selama proses simulasi berlangsung, kesimpulan hasil simulasi, dan
parameter LCG yang digunakan.
33
1. Replikasi ke-1
34
Jumlah pelanggan
: 9 orang
: 0.25 menit/orang
Rata-rata pelayanan
: 1.1 menit
Bilangan
Tanda
Run
random
1
+
57
89
95
27
35
83
64
70
2
Total Run
dan H0= diterima atau bilangan random yang di hasilkan saling bebas.
Pengujian Chi-Square
Berikut rumus yang di gunakan untuk mencari class = 1+3,3 log N dimana
(N=9)
Kelas = 1 + 3,3 log N
= 1 + 3,3 log 9
= 4,14 dibulatkan ke 4 atau 5
Dan Rumus untuk mencari batasan sebaran = MAX-MIN/class
= 95-2/4,14 = 22,4 dibulatkan
menjadi 22.
36
No
Sebaran
Frekuensi
Bilangan
acak(F0)
Frekuensi
harapan (Fe)
(F0-Fe)^2/Fe
Chi-square
0-22
1,8
0.04
23-45
1,8
0.64
46-68
1,8
0.04
69-91
1,8
1.44
92-114
1,8
0.64
2,8
Total
Uji Hipotesis
H0 : data/acak terdistribusi seragam
Ha = data/acak tidak terdistribusi seragam
Untuk a=0,05 dan df= 5-1=4 maka chi square tabel sebesar 9,48773
rentang uji dari ( -9,48773 - 9,48773)
Chi square hitung =2,8
Jadi H0 diterima karena chi square hitung berada di dalam selang
kepercayaan atau H0 data acak berdistribusi seragam.
Bilangan
Tanda
Run
random
1
+
77
70
64
58
52
45
39
37
33
27
Total Run
dan H0= ditolak atau bilangan random yang di hasilkan tidak saling bebas.
Pengujian Chi-Square
Berikut rumus yang di gunakan untuk mencari class = 1+3,3 log N dimana
(N=9)
Kelas = 1 + 3,3 log N
= 1 + 3,3 log 9
= 4,14 dibulatkan ke 4 atau >= 5
Dan Rumus untuk mencari batasan sebaran = MAX-MIN/class
= 77-27/4,14
= 12.07 dibulatkan menjadi 12
No
Sebaran
Frekuensi
38
Frekuensi
(F0-
Bilangan
acak(F0)
harapan (Fe)
Fe)^2/Fe
Chi-square
0
0-12
1,5
13-25
1,5
26-38
1,5
0.70
39-51
1,5
0.70
52-64
1,5
6.25
6.
65-77
1,5
0.70
2.25
8.35
Total Run
Uji Hipotesis
H0 : data/acak terdistribusi seragam
Ha = data/acak tidak terdistribusi seragam
Untuk a=0,05 dan df= 5-1=4 maka chi square tabel sebesar 9,48773
rentang uji dari ( -9,48773 - 9,48773)
Chi square hitung =8,35
Jadi H0 diterima karena chi square hitung berada di dalam selang
kepercayaan atau H0 data acak berdistribusi seragam.
2. Replikasi ke-2
39
Jumlah pelanggan
: 7 orang
: 0.67 menit/orang
Rata-rata pelayanan
: 1.39menit
a) Pengujian Bilangan random menggunakan run test untuk waktu antar kedatangan
Bilangan
Tanda
Run
random
1
+
50
77
66
17
31
40
47
Total Run
Uji Kesimpulan :
Berdasarkan daftar normal standar dengan
a= 0,05 memberikan
Pengujian Chi-Square
Berikut rumus yang di gunakan untuk mencari class = 1+3,3 log N dimana
(N=7)
Kelas = 1 + 3,3 log N
= 1 + 3,3 log 7
= 3,78 dibulatkan ke 4 atau 5
Dan Rumus untuk mencari batasan sebaran = MAX-MIN/class
= 77-8/3,78
= 18,2 dibulatkan menjadi 18
No
Sebaran
Frekuensi
41
Frekuensi
(F0-Fe)^2/Fe
Bilangan
acak(F0)
harapan (Fe)
Chi-square
0-18
1,75
0,06
19-38
1,75
0,06
39-58
1,75
0,06
59-78
1,75
0,56
2,36
Total
Uji Hipotesis
H0 : data/acak terdistribusi seragam
Ha = data/acak tidak terdistribusi seragam
Untuk a=0,05 dan df= 5-1=4 maka chi square tabel sebesar 9,48773
rentang uji dari
( -9,48773 - 9,48773)
Chi square hitung =2,36
Jadi H0 diterima karena chi square hitung berada di dalam selang
kepercayaan atau H0 data acak berdistribusi seragam.
Bilangan
Tanda
Run
random
1
+
84
98
62
77
41
55
42
19
Total Run
dimana (N=7)
Kelas = 1 + 3,3 log N
= 1 + 3,3 log 7
= 3,78 dibulatkan ke 4 atau 5
Dan Rumus untuk mencari batasan sebaran = MAX-MIN/class
= 98-19/3,78
= 20,8 dibulatkan menjadi 21
Kesimpulan :
Berdasarkan daftar normal standar dengan
a= 0,05 memberikan
Z0,475=1,96 sehingga batas selang kepercayaan -1,96- 1,96. Dari
penyelidikan didapatkan Z=1,77 dan berada di dalam selang kepercayaan
dan H0= diterima atau bilangan random yang di hasilkan saling bebas.
Pengujian Chi-Square
No
Sebaran
Frekuensi
Bilangan
acak(F0)
Frekuensi
harapan (Fe)
(F0-Fe)^2/Fe
Chi-square
0-21
1,75
0,56
22-43
1,75
0,06
44-65
1,75
0,06
66-87
43 2
1,75
0,06
2,36
Total
Uji Hipotesis
H0 : data/acak terdistribusi seragam
Ha = data/acak tidak terdistribusi seragam
Untuk a=0,05 dan df= 5-1=4 maka chi square tabel sebesar 9,48773
rentang uji dari
( -9,48773 - 9,48773)
Chi square hitung =2,36
Jadi H0 diterima karena chi square hitung berada di dalam selang
kepercayaan atau H0 data acak berdistribusi seragam.
3. Replikasi ke-3
Jumlah pelanggan
: 10 orang
: 0.14 menit/orang
Rata-rata pelayanan
: 0.995menit
a) Pengujian Bilangan random menggunakan run test untuk waktu antar kedatangan
44
Bilangan
Tanda
Run
random
1
+
45
38
55
97
64
56
73
16
83
10
75
Total Run
45
a= 0,05 memberikan
No
Sebaran
Frekuensi
Bilangan
acak(F0)
Frekuensi
harapan (Fe)
(F0-Fe)^2/Fe
Chi-square
0-19
20-39
40-59
60-79
80-99
10
10
Total
Uji Hipotesis
H0 : data/acak terdistribusi seragam
Ha = data/acak tidak terdistribusi seragam
Untuk a=0,05 dan df= 5-1=4 maka chi square tabel sebesar 9,48773
rentang uji dari
( -9,48773 - 9,48773)
Chi square hitung = 4
Jadi H0 diterima karena chi square hitung berada di dalam selang
kepercayaan atau H0 data acak berdistribusi seragam.
Bilangan
Tanda
Run
random
1
+
38
78
19
59
41
81
22
62
10
3
Total Run
a= 0,05 memberikan
No
Sebaran
Frekuensi
Bilangan
acak(F0)
Frekuensi
harapan (Fe)
(F0-Fe)^2/Fe
Chi-square
0-19
20-39
40-59
60-79
80-99
10
10
Total
Uji Hipotesis
H0 : data/acak terdistribusi seragam
Ha = data/acak tidak terdistribusi seragam
Untuk a=0,05 dan df= 5-1=4 maka chi square tabel sebesar 9,48773
rentang uji dari
( -9,48773 - 9,48773)
Chi square hitung =2
Jadi H0 diterima karena chi square hitung berada di dalam selang
kepercayaan atau H0 data acak berdistribusi seragam
48
4. Replikasi ke-4
Jumlah pelanggan
: 8 orang
: 0.29 menit/orang
Rata-rata pelayanan
: 1.191 menit
a) Pengujian Bilangan random menggunakan run test untuk waktu antar kedatangan
Bilangan
Tanda
random
49
Run
1
+
66
22
78
34
91
47
59
Total Run
Uji Kesimpulan :
Berdasarkan daftar normal standar dengan
a= 0,05 memberikan
dan H0= diterima atau bilangan random yang di hasilkan saling bebas.
Pengujian Chi-Square
50
Berikut rumus yang di gunakan untuk mencari class = 1+3,3 log N dimana
(N=8)
Kelas = 1 + 3,3 log N
= 1 + 3,3 log 8
= 3,98 dibulatkan ke 4 atau 5
Dan Rumus untuk mencari batasan sebaran = MAX-MIN/class
= 91-3/3,98
= 22,11 dibulatkan menjadi 22
No
Sebaran
Frekuensi
Bilangan
acak(F0)
Frekuensi
harapan (Fe)
(F0-Fe)^2/Fe
Chi-square
0-22
23-45
46-68
69-91
Total
Uji Hipotesis
H0 : data/acak terdistribusi seragam
Ha = data/acak tidak terdistribusi seragam
Untuk a=0,05 dan df= 5-1=4 maka chi square tabel sebesar 9,48773
rentang uji dari ( -9,48773 - 9,48773)
Chi square hitung = 2
Jadi H0 diterima karena chi square hitung berada di dalam selang
kepercayaan atau H0 data acak berdistribusi seragam.
Bilangan
Tanda
Run
random
1
92
51
36
98
17
61
30
23
Total Run
Uji Kesimpulan :
Berdasarkan daftar normal standar dengan
a= 0,05 memberikan
dan H0= diterima atau bilangan random yang di hasilkan saling bebas.
Pengujian Chi-Square
Berikut rumus yang di gunakan untuk mencari class = 1+3,3 log N dimana
(N=8)
Kelas = 1 + 3,3 log N
= 1 + 3,3 log 8
= 3,98 dibulatkan ke 4 atau 5
Dan Rumus untuk mencari batasan sebaran = MAX-MIN/class
= 92-5/3,98
= 21,85 dibulatkan menjadi 22
No
Sebaran
Frekuensi
Bilangan
acak(F0)
Frekuensi
harapan (Fe)
(F0-Fe)^2/Fe
Chi-square
0-22
23-45
46-68
69-91
Total
Uji Hipotesis
H0 : data/acak terdistribusi seragam
Ha = data/acak tidak terdistribusi seragam
Untuk a=0,05 dan df= 5-1=4 maka chi square tabel sebesar 9,48773
rentang uji dari
( -9,48773 - 9,48773)
Chi square hitung =2
Jadi H0 diterima karena chi square hitung berada di dalam selang
kepercayaan atau H0 data acak berdistribusi seragam
53
5. Replikasi ke-5
Jumlah pelanggan
: 6 orang
: 1,29 menit/orang
Rata-rata pelayanan
: 1.57 menit
a) Pengujian Bilangan random menggunakan run test untuk waktu antar kedatangan
54
Bilangan
Tanda
Run
random
1
+
67
64
11
55
52
Total Run
Uji Kesimpulan :
Berdasarkan daftar normal standar dengan
a= 0,05 memberikan
dan H0= diterima atau bilangan random yang di hasilkan saling bebas.
Pengujian Chi-Square
55
Berikut rumus yang di gunakan untuk mencari class = 1+3,3 log N dimana
(N=6)
Kelas = 1 + 3,3 log N
= 1 + 3,3 log 6
= 3,56 dibulatkan ke 4 atau 5
Dan Rumus untuk mencari batasan sebaran = MAX-MIN/class
= 67-8/3,56
= 16,57 dibulatkan menjadi 17
No
Sebaran
Frekuensi
Bilangan
acak(F0)
Frekuensi
harapan
(Fe)
(F0-Fe)^2/Fe
Chi-square
0-17
1.5
0.25
18-35
1.5
2.25
36-53
1.5
0.25
54-71
1.5
2.25
Total
Uji Hipotesis
H0 : data/acak terdistribusi seragam
Ha = data/acak tidak terdistribusi seragam
Untuk a=0,05 dan df= 5-1=4 maka chi square tabel sebesar 9,48773 rentang
uji dari ( -9,48773 - 9,48773)
Chi square hitung = 5
Jadi H0 diterima karena chi square hitung berada di dalam selang kepercayaan
atau H0 data acak berdistribusi seragam.
Bilangan
Tanda
random
56
Run
1
+
92
59
33
88
98
41
Total Run
Uji Kesimpulan :
Berdasarkan daftar normal standar dengan
a= 0,05 memberikan
dan H0= diterima atau bilangan random yang di hasilkan saling bebas.
Pengujian Chi-Square
Berikut rumus yang di gunakan untuk mencari class = 1+3,3 log N dimana
(N=6)
Kelas = 1 + 3,3 log N
= 1 + 3,3 log 6
57
Sebaran
Frekuensi
Bilangan
acak(F0)
Frekuensi
harapan (Fe)
(F0-Fe)^2/Fe
Chi-square
0-18
19-37
38-56
57-75
76-94
95-113
Total
Uji Hip
Uji hipotesis
H0 : data/acak terdistribusi seragam
Ha = data/acak tidak terdistribusi seragam
Untuk a=0,05 dan df= 5-1=4 maka chi square tabel sebesar 9,48773
rentang uji dari ( -9,48773 - 9,48773)
Chi square hitung = 2
Jadi H0 diterima karena chi square hitung berada di dalam selang
kepercayaan atau H0 data acak berdistribusi seragam.
4.4.2
Kesimpulan Replikasi
Output hasil simulasi telah diketahui untuk kondisi saat ini. Dari hasil running dengan
replikasi sebanyak 5 kali didapat output simulasi sebagai berikut pada table :
Replikasi
Jumlah Pelanggan
Waktu Tunggu
Waktu Pelayanan
0.25
1.11
0.67
1.39
58
10
0.14
0.99
0.29
1.19
1.29
1.57
Mean
0.52
1.25
Dari 5 kali replikasi didapat rata-rata total pelanggan yang dapat dilayani selama 10
menit adalah 8 orang dengan rata-rata waktu tunggu 0.25 menit per pelanggan, dan
didapatkan juga rata-rata waktu pelayanan 1.25 menit perpelanggan.
59
Rata-Rata Waktu
Tunggu
0.25
0.67
0.14
0.29
1.29
Rata-Rata
Kumulatif
0.25
0.46
0.353
0.3375
0.528
60
Rata-Rata Waktu
Pelayanan
1.11
1.39
0.99
1.19
1.57
Rata-Rata
Kumulatif
1.11
1.80
1.163
1.17
1.25
61
62
BAB V
KESIMPULAN
5.1 Kesimpulan
Berdasarkan hasil dari simulasi yang dilakukan dapat ditarik kesimpulan bahwa dalam
melakukan proses simulasi hal penting yang harus dilakukan adalah melakukan pengamatan
untuk mendapatkan data agar proses simulasi sesuai dengan keadaan yang sebenarnya.
Dimana dalam kasus ini dalam proses simulasi dilakukan untuk mendapatkan jumlah
pelanggan yang dapat dilayani berdasarkan waktu yang telah ditentukan, rata-rata waktu
tunggu pelanggan, dan rata-rata waktu pelayanan pelanggan.
5.2 Saran
Sebelum melakukan simulasi proses pngumpulan data agar sangat diperhatikan agar simulasi
yang dilakukan sesuai dengan keadaan sebenarnya.
63
DAFTAR PUSTAKA
B. Albahari, P. Drayton, B. Merrill, C# Essentials, O'Reilly, 2001
FajarPrabowo,FirmanArdiansyah.
PemodelanSistemAntriandenganMenggunakanSimulasi.
64