PDS2014 Lapproject KLP6

PROPOSAL PEMODELAN DAN SIMULASI
SIMULASI ANTRIAN PEMBELIAN TIKET BIOSKOP

(STUDI KASUS : GALERIA CINEMA XXI)
OLEH :
KELOMPOK 6
1.
2.
3.
4.
NI MADE KRISTA KURNIA DEWI

1208605049
I MADE ADI ARISKA LIANA PUTRA 1208605056
NI LUH PUTU RATNA SRI ANDI YANI
1208605061
I MADE KURNIAWAN PUTRA
1208605062
PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
BUKIT JIMBARAN
2014
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.
Bukit Jimbaran, 13 November 2014
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
2.5.2 Karakteristik C#.................................................................................... 18

2.5.3 Tipe data dalam C#..............................................................................19
BAB III..................................................................................................................... 20
METODELOGI SIMULASI........................................................................................ 20
3.1............................................................................................... Pengumpulan Data
20
3.2 Analisis Data................................................................................................... 22
3.3 Perancangan Simulasi..................................................................................... 23
3.4 Implementasi.................................................................................................. 24
BAB IV..................................................................................................................... 25
PEMBAHASAN DAN ANALISIS HASIL..................................................................25
4.1....................................................................Penentuan Range Bilangan Random
25
4.2......................................................................................... Implementasi Program
27
4.1............................................................................................... Pengujian Program
33
4.2.......................................................................................... Analisis Hasil Simulasi
34
4.4.1 Detail Informasi Replikasi dan Pengujian Bilangan Random pada Setiap
Replikasi............................................................................................................. 34
4.4.2
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 :
1. Bagaimana cara memodelkan dan mensimulasikan antrian pembelian tiket bioskop

Galeria Cinema XXI menggunakan metode monte carlo untuk mengetahui jumlah
pelanggan yang datang ,rata-rata waktu tunggu, dan rata-rata pelayanan dalam satu hari?
1.3 Tujuan Penelitian
Berdasarkan latar belakang yang telah dipaparkan dapat diperoleh tujuan penelitian yang
kami dapatkan dalam penulisan laporan ini adalah sebagai berikut :
1.
Mengetahui cara penyelesaian pemodelan dan simulasi antrian pembelian tiket
2.
3.
bioskop menggunakan metode monte carlo.

Mengetahui jumlah pelanggan yang datang dalam satu hari
Mengetahui rata-rata waktu tunggu dan rata-rata waktu pelayanan dalam satu hari
1.4 Batasan Masalah

Adapun batasan masalah yang diperoleh sebagai berikut :
1. Pemodelan dan simulasi hanya sebatas antrian yang terjadi dalam pembelian tiket
bioskop Galeria Cinema XXI .
1.5 Manfaat Penelitian
Manfaat yang kami dapatkan dalam penulisan laporan ini adalah sebagai berikut :
1. Dapat memodelkan dan mensimulasikan antrian pengunjung bioskop sehingga
dapat mengetahui informasi tentang jumlah pelanggan yang dapat dilayani, ratarata waktu tunggu pelanggan, rata-rata waktu proses pelayanan pelanggan, selama
proses simulasi berlangsung.
2. Dapat mengetahui kinerja
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.
2.1.2 Tujuan Simulasi

Dalam pandangan sistem, pemodelan dan simulasi dapat digunakan untuk tujuan
berikut:
a. Studi perilaku sistem kompleks, yaitu sistem dimana suatu solusi analitik
tidak dapat dilakukan
b. Membandingkan alternatif rancangan untuk suatu sistem yang tidak atau
belum ada
c. Studi pengaruh perubahan terhadap ssitem yang ada dengan tanpa merubah
sistem
d. Memperkuat atau memverifikasi satuan solusi analitik
2.2 Antrian
2.2.1 Definisi Antrian
Antrian ialah suatu garis tunggu dari pelanggan (satuan) yang memerlukan layanan
dari satu atau lebih pelayan (fasilitas layanan). Pada umumnya, sistem antrian dapat
diklasifikasikan menjadi sistem yang berbeda beda di mana teori antrian dan simulasi
sering diterapkan secara luas (Siagian, 1987)
2.2.2 Faktor Antrian
a. Distribusi kedatangan
Terbagi menjadi dua yaitu: kedatangan tunggal (single arrivals) dan kedatangan
berkelompok (bulk arrvals)
b. Distribusi waktu pelayanan
Berkaitan dengan berapa banyak fasilitas pelayanan yang dapat disediakan. Terbagi
menjadi dua yaitu: pelayanan tunggal (single service) dan berkelompok (bulk service)
c. Fasilitas pelayanan
Berkaitan dengan baris antrian yang akan dibentuk. Terdapat 3 bentuk yaitu: bentuk
series (satu garis lurus atau melingkar), paralel (beberapa garis lurus dimana antara
satu dengan yang lain paralel) dan network station (dapat didisain secara seriesdengan
pelayanan lebih dari satu stasiun. Bentuk ini dapat juga dilakukan secara paralel
dengan stasiun yang berbeda-beda).
d. Disiplin pelayanan
Berkaitan dengan urutan pelayanan bagi pelanggan yang memasuki fasilitas
pelayanan. Terbagi menjadi 4 bentuk yaitu:
8
Pertama datang pertama dilayani (FCFS = First Come First Served)

Terakhir datang pertama kali dilayani (LCFS = Last Come First Served)
Pelayanan dalam random order (SIRO = Service In Random Order)
Prioritas pelayanan, yang berarti pelayanan dilakukan khusus pada pelanggan
utama (VIP customer)
e. Ukuran dalam antrian

Berkaitan dengan besarnya antrian pelanggan yang akan memasuki fasilitas pelayanan.
Ada dua disain yang dapat dipilih untuk menentukan besarnya antrian yaitu: ukuran
kedatangan secara tidak terbatas (infinite queue) dan ukuran kedatanan terbatas (finite
queue)
f. Sumber pemanggilan
Dalam fasilitas pelayanan, yang berperan sebagai sumber pemanggilan dapat berupa
mesin atau manusia. Bila ada mesin yang rusak makasumber pemanggilan akan
berkurang dan tidak dapat melayani pelanggan. Terdapat dua macam sumber panggilan
yaitu sumber panggilan terbatas (finite calling source) dan sumber panggilan tak
terbatas (infinite calling source)
2.2.3 Struktur Dasar Antrian
Ada 4 model struktur dasar antrian dasar yaitu:
a.
b.
c.
d.
Single Channel Single Phase

Single Channel Multi Phase
Multi-Channel Single Phase
Multi-Channel Multi Phase
Gambar 1 Jenis Antrian
Jumlah saluran dalam proses antrian menyatakan jumlah fasilitas pelayanan

(server) secara paralel untuk melayani konsumen yang datang. Di lain pihak, jumlah
tahapan (phase) menyatakan banyaknya tahapan yang harus dilalui sampai pelayanan
selesai atau lengkap.
2.3 Pembangkitan Bilangan Random
2.3.1 Definisi Bilangan Random
Sebuah random number generator (biasa disingkat RNG) merupakan sebuah
generator yang bisa berupa perangkat lunak atau keras yang dibuat untuk menghasilkan
sejumlah angka dalam deretan yang tidak memiliki pola. Dengan kata lain RNG
menghasilkan sejumlah angka yang acak. Penghasil angka acak berupa perangkat keras
yang sudah ada sejak dahulu dan masih digunakan hingga sekarang antara lain dadu dan
lempar koin. Alat-alat tersebut digunakan untuk permainan maupun perjudian namun
masih terlalu lambat untuk digunakan dalam bidang kriptografi dan statistik.
Penghasil angka acak pun dikembangkan berdasarkan kejadian-kejadian acak
yang memang selalu terjadi di bumi. Kejadian-kejadian acak tersebut misalnya fenomena
atomik dan subatomik yang hanya bisa diketahui dari hukum fisika kuantum. Namun
sumber utama dari kejadian-kejadian acak adalah entropi. Seperti situs Random.org yang
menggunakan variasi amplitudo dari bunyi udara di atmosfer yang direkam oleh radio
10
biasa.
Pembangkitan bilangan acak, harus :
1.
2.
3.
4.
Berdistribusi uniform (0,1) dan tidak bekolerasi antar bilangan

Membangkitkan cepat, storage tidak besar
Dapat direproduce
Periode besar, karena mungkin bilangan acak dibangkitkan berulang
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 :
Kunci pembangkit adalah Z0 yang disebut umpan (seed)

Untuk menentukan random variate dengan nilai berkisar antara 0 dan 1 dapat
diperoleh dengan :
11
Contoh pembangkitan bilangn acak dengan LCG adalah sebagai berikut :

Membangkitakan bilangan acak sebanyak 8 kali dengan a=2, c=7, m=10, dan Z0=2
Z1 = (2,2+7) mod 10 = 1
Z2 = (2,1+7) mod 10 = 9
Z3 = (2,9+7) mod 10 = 5
Z4 = (2,5+7) mod 10 = 7
Z5 = (2,7+7) mod 10 = 1
Z6 = (2,1+7) mod 10 = 9
Z7 = (2,9+7) mod 10 = 5
Z8 = (2,5+7) mod 10 = 7
Jadi bilangan acak yang dibangkitkan adalah 1,9,5,7,1,9,5,7 terjadi pengulangan secara
periodik (4).
2.4 Metode Monte Carlo
2.4.1 Sejarah Metode Monte Carlo
Ide pertama dicetuskan Enrico Fermi di tahun 1930an. Pada saat itu para
fisikawan di Laboratorium Sains Los Alamos sedang memeriksa perlindungan radiasi dan
jarak yang akan neutron tempuh melalui beberapa macam material. Namun data yang
didapatkan tidak dapat membantu untuk memecahkan masalah yang ingin mereka
selesaikan karena ternyata masalah tersebut tidak bisa diselesaikan dengan penghitungan
analitis.
Lalu John von Neumann dan Stanislaw Ulam memberikan ide untuk memecahkan
masalah dengan memodelkan eksperimen di komputer. Metode tersebut dilakukan secara
untung-untungan. Takut hasil karyanya dicontek orang, metode tersebut diberi kode nama
Monte Carlo.
Nama Monte Carlo, kemudian akhirnya menjadi populer oleh Enrico Fermi,
12
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.
2.4.2 Penerapan Metode

Metode Monte Carlo memiliki banyak penerapan di berbagai bidang. Penerapan
metode Monte Carlo antara lain dalam bidang:
1. Grafis
: Digunakan untuk penjejakan sinar.
2. Biologi
: Mempelajari jaringan biologi.
3. Keuangan : Dalam bidang ini, Monte Carlo digunakan untuk menilai dan
menganalisis model-model
4. Fisika.
finansial.
: Cabang-cabang fisika yang menggunakan antara lain fisika
statistik dan partikel. Dalam
fisika partikel, digunakan untuk eksperimen.

13
Dalam ilmu nuklir metode ini juga banyak
diterapkan
5. Ilmu probabilitas dan statistik. : Digunakan untuk mensimulasikan dan

memahami efek keberagaman.
6. Ilmu komputer. : Misalnya Algoritma Las Vegas dan berbagai permainan
komputer.
7. Kimia.
: Digunakan untuk simulasi yang melibatkan kluster-kluster
atomik.
8. Ilmu lingkungan.: Metode ini digunakan untuk memahami perilaku
kontaminan.
Jika suatu sistem mengandung elemen yang mengikut sertakan faktor
kemungkinan, model yang digunakan adalah model Monte Carlo. Dasar dari
simulasi Monte Carlo adalah percobaan elemen kemungkinan dengan menggunakan
sampel random (acak). Metode ini terbagi dalam 5 tahapan:
1.
2.
Membuat distribusi kemungkinan untuk variabel penting

Membangun distribusi kemungkinan kumulatif untuk tiaptiap variabel di
3.
4.
5.
tahap pertama
Menentukan interval angka random untuk tiap variabel
Membuat angka random
Membuat simulasi dari rangkaian percobaan
Penjelasan dari ke 5 tahapan tersebut adalah sebagai berikut:

1. Membuat distribusi kemungkinan untuk variabel penting . Gagasan dasar dari simulasi
monte carlo adalah membuat nilai dari tiap variabel yang merupakan bagian dari model
yang dipelajari. Banyak variabel di dunia nyata yang secara alami mempunyai berbagai
kemungkinan yang mungkin ingin kita simulasikan.
Salah satu cara umum untuk membuat distribusi kemungkinan untuk suatu variabel
adalah memperhitungkan hasil di masa lalu. Kemungkinan atau frekuensi relative untuk
tiap kemungkinan hasil dari tiap variabel ditentukan dengan membagi frekuensi
observasi dengan jumlah total observasi
Contoh: Permintaan akan ban di toko ban Benjol selama 200 hari kebelakang terlihat
di tabel berikut:
14
Gambar 2 Contoh Frekuensi permintan
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:
Gambar 3 Contoh Tabel permintaan
2. Membangun distribusi kemungkinan kumulatif untuk tiaptiap variabel di tahap pertama

Konversi dari distribusi kemungkinan biasa, seperti pada kolom kanan tabel 2 menjadi
distribusi kumulatif dilakukan dengan menjumlahkan tiap angka kemungkinan dengan
jumlah sebelumnya seperti pada tabel 3.
Gambar 4 Contoh kemungkinan kumulatif
15
Probabilitas kumulatif terlihat pada gambar dibawah, digunakan pada tahap ke 3 untuk
membantu menempatkan nilai random
Gambar 5 Contoh Grafik Probabilitas Kumulatif
3. Menentukan interval angka random untuk tiap variabel

Setelah kita menentukan probabilitas kumulatif untuk tiap variabel yan termasuk
dalam simulasi, kita harus menentukan batas angka yang mewakili tiap kemungkinan hasil.
hal tersebut ditujukan pada interval angka random. Penentuan interval didasari oleh
kemungkinan kumulatif
Gambar 6 Contoh tabel interval angka random
4.
Membuat angka random

16
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
Gambar 7 Contoh gambar bilangan random
5. Membuat simulasi dari rangkaian percobaan

Kita bisa membuat simulasi dari sebuah eksperimen dengan mengambil angka random
dari gambar diatas, misal kita akan membuat simulasi untuk 10 hari, kita ambil Kolom
A1]A10. Cara penentuan permintaan adalah dengan ditentukan oleh angka random.
Contohnya bila angka random adalah 56, angka itu terletak pada interval 36 s/d 65 yang
berarti permintaan 3 buah ban
Gambar 8 Contoh simulasi dari rangkaian percobaan
Total permintaan untuk 10 hari adalah 28 ban, ratarata permintaan per hari adalah 2,8 ban.
17
2.5 Pemograman Bahasa C#

2.5.1 Definisi C#
Bahasa C# adalah sebuah bahasa pemrograman modern yang bersifat generalpurpose, berorientasi objek, yang dapat digunakan untuk membuat program di atas
arsitektur Microsoft .NET Framework. Bahasa C# ini memiliki kemiripan dengan bahasa
Java, C dan C++ .
Bahasa pemrograman ini dikembangkan oleh sebuah tim pengembang di
Microsoft yang dipimpin oleh Anders Hejlsberg, seorang yang telah lama malang
melintang di dunia pengembangan bahasa pemrograman karena memang ialah yang
membuat Borland Turbo Pascal, Borland Delphi, dan juga Microsoft J++.
Kini, C# telah distandarisasi oleh European Computer Manufacturer Association
(ECMA) dan juga International Organization for Standardization (ISO) yang mendukung
beberapa fitur baru semacam Language Integrated Query (LINQ) dan lain-lainnya.
2.5.2 Karakteristik C#
C# (C Sharp) merupakan bahasa garapan Microsoft yang merujuk pada kultur
Java
yang dilengkapi dengan kemampuan C++. Mengusung kepopuleran Java, C#
menjadi bahasa yang patut dipertimbangkan.

C# memiliki sintaks yang serupa dengan java. Perhatikan potongan program berikut:
Code 1. Hello World
using System;
class Hello {
static void Main() {
Console.WriteLine("Hello World");
}
}
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 9 Jenis tipe data dalam C#
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
3.2 Analisis Data

Setelah data terkumpul maka data tersebut akan kita analisis. Dimana dalam
bagian analisis ini data yang telah terkumpul akan dianalisis yang mana merupakan data
sekunder ataupun data primer. Data primer merupakan data yang didapatkan dari hasil
observasi ataupun pengamatan langsung. Atau dapat disebut juga data yang dapat
dikumpulkan.
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
3.3 Perancangan Simulasi

a. Input
Dalam pemodelan input ini maka akan diperlukan sebuah nilai parameter
yang nantinya akan dipasangkan dengan bilangan random yang sebelumnya telah
dibangkitkan sesuai dengan tahapan-tahapan dalam simulasi Monte Carlo.
Dimana tahapan pertama adalah kita harus menentukan variable input yang
diperlukan. Variable input ini nantinya akan digunakan sebagai parameter dalam
pembuatan model simulasi. Tahap yang kedua adalah menghitung frekuensi nilai
tiap parameter. Kemudian dilanjutkan dengan menghitung distribusi frekuensi
kumulatif dan distribusi probabilitas kumulatif. Tahapan yang terkhir adalah
memasng nilai kelas dari setiap parameter dengan menggunkana bilangan
random.
b. Proses
Pada bagian proses akan dilakukan pembangkitan bilangan random
dengan menggunakan teknik pembangkitan LCG. Dimana hal ini dilakukan untuk
mendapatkan waktu antar kedatangan, waktu pelayanan dan lain-lain yang sesuai
dengan parameter yang nantinya digunakan untuk mencapai tujuan dari dibuatnya
simulasi ini.
c. Output
Pada bagian ini yang merupakan output adalah pemodelan dan simulasi
antrian pengunjung pembelian tiket bioskop dari sistem nyata antrian pengunjung.
Dimana output tersebut dapat berupa waktu kedatangan, waktu pelayanan, dan
lain-lain.
d. Logika
Adapun model logika perancangan simulasi ini dibuat dalam bentuk
flowchart yang dimana pada flowchart akan dijelaskan alur kerja dari proses
simulasi.
24
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
4.2 Implementasi Program

Pada bagian ini akan dijelaskan source code program.
a. Penentuan bilangan random
Random acak = new Random();
for (i = 0; i < 2; i++)
{
x[i] = acak.Next(0, 20);
y[i] = acak.Next(0, 20);
}
a1 = 1 + (4 * x[0]);
a2 = 1 + (4 * x[1]);
i = 0;
c1 = y[0];
c2 = y[1];
int
int
int
int
min1 = Math.Min(a1, Math.Min(c1, m));

max1 = Math.Max(a1, Math.Max(c1, m));
min2 = Math.Min(a2, Math.Min(c2, m));
max2 = Math.Max(a2, Math.Max(c2, m));
Dalam pembangkitan bilangan random digunakan beberapa parameter yaitu a,c,z[0],

dan m.
1. Parameter m(modulus)
Dalam pemilihan parameter ini digunakan aturan m = 2b dimana b merupakan
nilai bit pada computer 0-31 atau 0-63. Pada kasus kali ini nilai m diatur konstan.
2. Parameter a (multiplier)
Dalam pemilihan parameter ini digunakan aturan a=1+4k dimana k adalah nilai
sebuah integer.
3. Parameter c (increment)
Pemilihan parameter c dilakukan secara random. Dimana pada kasus ini memilih
batas nilai untuk pembangkitan bilangan random 0-20.
4. Parameter z0 (starting value)
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);
Pada bagian ini dilakukan pembangkitan bilangan random dengan menggunakan

rumus LCG yang dimana nantinya akan menghasilkan nilai z1,z2,.,Zn. Nilai Z
ini nantinya akan digunakan untuk menghitung nilai uniform yang didapat dengan
menggunakan rumus Zi/m.
2. Proses pemetaan bilangan random

Hasil dari nilai uniform yang dibangkitkan dengan menggunakan bilangan
random akan dipetakkan untuk memperoleh waktu antar kedatangan dan lama
transaksi.
28
Pemetaan bilangan random untuk waktu antar kedatangan

if (u1[i] >= 0 && u1[i] <= 3)
antar_kedatangan[i] = 0;
else if (u1[i] >= 4 && u1[i] <= 10)
else if (u1[i] >= 11 && u1[i] <= 14)
else if (u1[i] >= 15 && u1[i] <= 18)
else if (u1[i] >= 19 && u1[i] <=

else if (u1[i] >= 22 && u1[i] <=
else if (u1[i] >= 26 && u1[i] <=
else if (u1[i] >= 30 && u1[i] <=
else if (u1[i] >= 44 && u1[i] <=
else if (u1[i] >= 48 && u1[i] <=
else if (u1[i] >= 52 && u1[i] <=
else if (u1[i] >= 56 && u1[i] <=
else if (u1[i] >= 59 && u1[i] <=
else if (u1[i] >= 67 && u1[i] <=
else if (u1[i] >= 70 && u1[i] <=
else if (u1[i] >= 74 && u1[i] <=
else if (u1[i] >= 78 && u1[i] <=
else if (u1[i] >= 81 && u1[i] <=
else if (u1[i] >= 85 && u1[i] <=
else if (u1[i] >= 89 && u1[i] <=
else if (u1[i] >= 93 && u1[i] <=
else if (u1[i] >= 96 && u1[i] <=
29
21)
25)
29)
43)
47)
51)
55)
58)
66)
69)
73)
77)
80)
84)
88)
92)
95)
99)
Pemetaan bilangan random untuk lama transaksi

if (u2[i] >= 0 && u2[i] <= 3)
lama_transaksi[i] = 2;
else if (u2[i] >= 4 && u2[i] <= 6)
else if (u2[i] >= 7 && u2[i] <= 10)

else if (u2[i] >= 11 && u2[i] <= 14)
else if (u2[i] >= 15 && u2[i] <= 29)
else if (u2[i] >= 30 && u2[i] <= 36)
else if (u2[i] >= 37 && u2[i] <= 40)
else if (u2[i] >= 41 && u2[i] <= 43)
else if (u2[i] >= 44 && u2[i] <= 55)
else if (u2[i] >= 56 && u2[i] <= 58)
else if (u2[i] >= 59 && u2[i] <= 62)
else if (u2[i] >= 63 && u2[i] <= 69)
else if (u2[i] >= 70 && u2[i] <= 73)
else if (u2[i] >= 74 && u2[i] <= 77)
else if (u2[i] >= 78 && u2[i] <= 80)
else if (u2[i] >= 81 && u2[i] <= 88)
else if (u2[i] >= 89 && u2[i] <= 92)
else if (u2[i] >= 93 && u2[i] <= 95)
else if (u2[i] >= 96 && u2[i] <= 99)
3. Proses perhitungan waktu dalam simulasi

Waktu kedatangan : waktu kedatangan diperoleh dari hasil penjumlahan waktu
kedatangan pelanggan sebelumnya dengan waktu antar kedatangan pada saat
itu. Dimana dalam kasus ini untuk pelanggan pertama kami mengasumsikan
bahwa pelanggan langsung dilayani.
30
Waktu tunggu : waktu tunggu diperoleh dari hasil pengurangan dari waktu
pelanggan dilayani dengan waktu kedatangan pelayanan.

Waktu lama transaksi : waktu lama transaksi adalah waktu yang dihabiskan
oleh pelanggan dalam melakukan transaksi. Waktu lama transaksi diperoleh
dari pengurangan waktu pelanggan selesai dilayani dengan waktu awal
pelanggan dilayani.
if (i == 1)
{
kedatangan[i] = 0;
waktu_tunggu[i] = 0;
mulai_pelayanan[i] = 0;
akhir_pelayanan[i] = mulai_pelayanan[i] +
lama_transaksi[i];
}
else
{
kedatangan[i] = kedatangan[i-1]+ antar_kedatangan[i];
if (kedatangan[i] >= mulai_pelayanan[i - 1] &&
kedatangan[i] <= akhir_pelayanan[i - 1])
mulai_pelayanan[i] =
akhir_pelayanan[i - 1];
else if (kedatangan[i] >= akhir_pelayanan[i - 1])
mulai_pelayanan[i] = kedatangan[i];
else if (kedatangan[i] < mulai_pelayanan[i - 1] &&
kedatangan[i] < akhir_pelayanan[i - 1])
mulai_pelayanan[i] =
akhir_pelayanan[i - 1];
akhir_pelayanan[i] = mulai_pelayanan[i]+lama_transaksi[i];
waktu_tunggu[i] =mulai_pelayanan[i] - kedatangan[i];
}
4. Proses perhitungan total waktu dan rata-rata

total_tunggu += waktu_tunggu[i];
total_pelayanan += lama_transaksi[i];
count += 1;
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;
dataGridView1.Rows[i dataGridView1.Rows[i mulai_pelayanan[i]/60;

dataGridView1.Rows[i dataGridView1.Rows[i akhir_pelayanan[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
4.1 Pengujian Program

Pengujian Inputan
Ketika user memasukkan waktu simulasi, maka program akan memberikan output hasil
proses simulasi.
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
4.2 Analisis Hasil Simulasi

4.4.1 Detail Informasi Replikasi dan Pengujian Bilangan Random pada Setiap Replikasi
Untuk menganalisis hasil simulasi, kami menggunakan 5 replikasi dengan inputan
waktu lamanya simulasi yang sama yakni . Berikut ialah informasi detail untuk setiap
repliksi simulasi yang dilakukan :
1. Replikasi ke-1
34
Untuk replikasi pertama, diperoleh kesimpulan hasil simulasi sebagai berikut :

-
Jumlah pelanggan
: 9 orang
Rata-rata waktu tunggu
: 0.25 menit/orang
Rata-rata pelayanan
: 1.1 menit
a) Pengujian Bilangan random menggunakan run test untuk waktu antar

kedatangan
Run Test untuk Replikasi ke-1

No
Bilangan
Tanda
Run
random
1
+
57
89
95
27
35
83
64
70
2
Total Run
Menghitung rata-rata dan variansi
Uji hipotesis menggunakan distribusi normal (a) = 0,05

H0 : rata-rata = 5,67
Ha : rata-rata != 5,67
Z = (total run- rata-rata)/standar deviasi
= (8-5,67)/1,27
=1,83
Uji 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=1,83 dan berada di dalam selang kepercayaan
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.
b) Pengujian bilangan random untuk lama transaksi

Uji Run Test
No
Bilangan
Tanda
Run
random
1
+
77
70
64
58
52
45
39
37
33
27
Total Run

= (2-5,67)/1,27
=-2,88
Uji Kesimpulan :
a= 0,05 memberikan

penyelidikan didapatkan Z= -2,88 dan berada di dalam selang kepercayaan
dan H0= ditolak atau bilangan random yang di hasilkan tidak saling bebas.
(N=9)
= 1 + 3,3 log 9
= 4,14 dibulatkan ke 4 atau >= 5
= 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
rentang uji dari ( -9,48773 - 9,48773)
2. Replikasi ke-2
39
Untuk replikasi kedua, diperoleh kesimpulan hasil simulasi sebagai berikut :

-
Jumlah pelanggan
: 7 orang
: 0.67 menit/orang
Rata-rata pelayanan
: 1.39menit
a) Pengujian Bilangan random menggunakan run test untuk waktu antar kedatangan

No
Bilangan
Tanda
Run
random
1
+
50
77
66
17
31
40
47
Total Run

= (7-4,3)/0,96
=2.81
Uji Kesimpulan :
a= 0,05 memberikan

(N=7)
= 1 + 3,3 log 7
= 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
rentang uji dari
( -9,48773 - 9,48773)

Uji Run Test
No
Bilangan
Tanda
Run
random
1
+
84
98
62
77
41
55
42
19
Total Run

= (6-4,3)/0,96
=1,77
Uji Berikut rumus yang di gunakan untuk mencari class = 1+3,3 log N
dimana (N=7)
= 1 + 3,3 log 7
= 98-19/3,78
Kesimpulan :
a= 0,05 memberikan
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
rentang uji dari
( -9,48773 - 9,48773)
3. Replikasi ke-3
Untuk replikasi ketiga diperoleh kesimpulan hasil simulasi sebagai berikut :

-
Jumlah pelanggan
: 10 orang
: 0.14 menit/orang
Rata-rata pelayanan
: 0.995menit
44

No
Bilangan
Tanda
Run
random
1
+
45
38
55
97
64
56
73
16
83
10
75
Total Run

= (6-6,3)/1,20
=-0,25
Uji Kesimpulan :
45
a= 0,05 memberikan

penyelidikan didapatkan Z=
-0,25 dan berada di dalam selang kepercayaan dan H0= diterima atau
bilangan random yang di hasilkan saling bebas.

(N=10)
= 1 + 3,3 log 10
= 97-16/4,3
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
rentang uji dari
( -9,48773 - 9,48773)
Chi square hitung = 4

46
Uji Run Test

No
Bilangan
Tanda
Run
random
1
+
38
78
19
59
41
81
22
62
10
3
Total Run

= (8-6,3)/1,20
=1,42
Uji Kesimpulan :
47
a= 0,05 memberikan

penyelidikan didapatkan Z=
1,42 dan berada di dalam selang kepercayaan dan H0= diterima atau
bilangan random yang di hasilkan saling bebas.

(N=10)
= 1 + 3,3 log 10
= 97-16/4,3
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
rentang uji dari
( -9,48773 - 9,48773)
Chi square hitung =2
kepercayaan atau H0 data acak berdistribusi seragam
48
4. Replikasi ke-4
Untuk replikasi keempat diperoleh kesimpulan hasil simulasi sebagai berikut :

-
Jumlah pelanggan
: 8 orang
: 0.29 menit/orang
Rata-rata pelayanan
: 1.191 menit

No
Bilangan
Tanda
random
49
Run
1
+
66
22
78
34
91
47
59
Total Run

H0 : rata-rata = 5
Ha : rata-rata != 5
= (7-5)/1,04
=1,92
Uji Kesimpulan :
a= 0,05 memberikan

penyelidikan didapatkan Z= 1,92 dan berada di dalam selang kepercayaan
50
(N=8)
= 1 + 3,3 log 8
= 91-3/3,98
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
rentang uji dari ( -9,48773 - 9,48773)

Uji Run Test
No
Bilangan
Tanda
Run
random
1
92
51
36
98
17
61
30
23
Total Run

H0 : rata-rata = 5
Ha : rata-rata != 5
= (6-5)/1,04
=0,96
Uji Kesimpulan :
a= 0,05 memberikan

52
(N=8)
= 1 + 3,3 log 8
= 92-5/3,98
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
rentang uji dari
( -9,48773 - 9,48773)
Chi square hitung =2
kepercayaan atau H0 data acak berdistribusi seragam
53
5. Replikasi ke-5
Untuk replikasi kelima diperoleh kesimpulan hasil simulasi sebagai berikut :

-
Jumlah pelanggan
: 6 orang
: 1,29 menit/orang
Rata-rata pelayanan
: 1.57 menit
54

No
Bilangan
Tanda
Run
random
1
+
67
64
11
55
52
Total Run

= (4-3,67)/0,86
=0,38
Uji Kesimpulan :
a= 0,05 memberikan

55
(N=6)
= 1 + 3,3 log 6
= 67-8/3,56
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
Untuk a=0,05 dan df= 5-1=4 maka chi square tabel sebesar 9,48773 rentang
uji dari ( -9,48773 - 9,48773)
Jadi H0 diterima karena chi square hitung berada di dalam selang kepercayaan
atau H0 data acak berdistribusi seragam.

Uji Run Test
No
Bilangan
Tanda
random
56
Run
1
+
92
59
33
88
98
41
Total Run

= (4-3,67)/0,86
=0,38
Uji Kesimpulan :
a= 0,05 memberikan

(N=6)
= 1 + 3,3 log 6
57

= 98-33/3,56
= 18,25dibulatkan menjadi 18
No
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
rentang uji dari ( -9,48773 - 9,48773)
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.
4.4.3 Visualisasi Replikasi

Berikut ini disediakan visualisasi replikasi dalam bentuk grafik terhadap setiap replikasi
dan outputnya:
1. Grafik Replikasi terhadap rata-rata jumlah pelanggan yang dapat dilayani
59
2. Grafik Replikasi terhadap rata-rata waktu tunggu pelanggan

Replikasi
1
2
3
4
5
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
3. Grafik Replikasi terhadap rata-rata waktu pelayanan pelanggan

Replikasi
1
2
3
4
5
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.
JurnalDinamikaTeknik. Vol. V No.1 Januari 2011: 72-85

H. Mssenbck, Introduction to C#, University of Linz, Austria
Levin, Richard I., et alQuantitative Approaches to Management, eight edition,
New York, McGraw-Hill International Editions, 1992
Robinson, Stewart.2004. Simulation : The Practice of Model Development and Use. England.
John Wiley &Sons.Ltd.
S. Robinson et al, Professional C#, Wrox Press, 2001
Toha,Hamdy A. Operations Research: an introduction, Prentice Hall, NJ, 1997
64

PDS2014 Lapproject KLP6

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

PDS2014 Lapproject KLP6

Diunggah oleh

Hak Cipta:

Format Tersedia

PROPOSAL PEMODELAN DAN SIMULASI

SIMULASI ANTRIAN PEMBELIAN TIKET BIOSKOP

NI MADE KRISTA KURNIA DEWI

PROGRAM STUDI TEKNIK INFORMATIKA

Bukit Jimbaran, 13 November 2014

2.5.2 Karakteristik C#.................................................................................... 18

1. Bagaimana cara memodelkan dan mensimulasikan antrian pembelian tiket bioskop

bioskop menggunakan metode monte carlo.

1.4 Batasan Masalah

2.1.2 Tujuan Simulasi

Pertama datang pertama dilayani (FCFS = First Come First Served)

e. Ukuran dalam antrian

Single Channel Single Phase

Gambar 1 Jenis Antrian

Jumlah saluran dalam proses antrian menyatakan jumlah fasilitas pelayanan

Berdistribusi uniform (0,1) dan tidak bekolerasi antar bilangan

Kunci pembangkit adalah Z0 yang disebut umpan (seed)

Contoh pembangkitan bilangn acak dengan LCG adalah sebagai berikut :

2.4.2 Penerapan Metode

: Digunakan untuk penjejakan sinar.

: Mempelajari jaringan biologi.

: Cabang-cabang fisika yang menggunakan antara lain fisika

statistik dan partikel. Dalam

fisika partikel, digunakan untuk eksperimen.

Dalam ilmu nuklir metode ini juga banyak

5. Ilmu probabilitas dan statistik. : Digunakan untuk mensimulasikan dan

Membuat distribusi kemungkinan untuk variabel penting

Penjelasan dari ke 5 tahapan tersebut adalah sebagai berikut:

Gambar 2 Contoh Frekuensi permintan

Gambar 3 Contoh Tabel permintaan

2. Membangun distribusi kemungkinan kumulatif untuk tiaptiap variabel di tahap pertama

Gambar 4 Contoh kemungkinan kumulatif

Gambar 5 Contoh Grafik Probabilitas Kumulatif

3. Menentukan interval angka random untuk tiap variabel

Gambar 6 Contoh tabel interval angka random

Membuat angka random

Gambar 7 Contoh gambar bilangan random

5. Membuat simulasi dari rangkaian percobaan

Gambar 8 Contoh simulasi dari rangkaian percobaan

2.5 Pemograman Bahasa C#

yang dilengkapi dengan kemampuan C++. Mengusung kepopuleran Java, C#

menjadi bahasa yang patut dipertimbangkan.

Gambar 9 Jenis tipe data dalam C#

3.2 Analisis Data

3.3 Perancangan Simulasi

4.2 Implementasi Program

min1 = Math.Min(a1, Math.Min(c1, m));

Dalam pembangkitan bilangan random digunakan beberapa parameter yaitu a,c,z[0],

Pada bagian ini dilakukan pembangkitan bilangan random dengan menggunakan

2. Proses pemetaan bilangan random

Pemetaan bilangan random untuk waktu antar kedatangan

else if (u1[i] >= 19 && u1[i] <=

Pemetaan bilangan random untuk lama transaksi

else if (u2[i] >= 7 && u2[i] <= 10)

3. Proses perhitungan waktu dalam simulasi

pelanggan dilayani dengan waktu kedatangan pelayanan.

4. Proses perhitungan total waktu dan rata-rata

dataGridView1.Rows[i dataGridView1.Rows[i mulai_pelayanan[i]/60;

4.1 Pengujian Program

4.2 Analisis Hasil Simulasi

Untuk replikasi pertama, diperoleh kesimpulan hasil simulasi sebagai berikut :

Rata-rata waktu tunggu

a) Pengujian Bilangan random menggunakan run test untuk waktu antar