BAB II

TINJAUAN PUSTAKA

2.1. Teori Antrian

Suatu antrian ialah suatu garis tunggu dari satuan yang memerlukan layanan
dari satu atau lebih pelayanan (fasilitas layanan). Jadi teori atau pengertian antrian adalah
studi matematikal dari kejadian atau gejala garis tunggu (P. Siagian, 1987, hal. 390).
Kejadian garis tunggu timbul disebabkan oleh kebutuhan akan layanan melebihi
kemampuan (kapasitas) pelayanan atau fasilitas layanan, sehingga pelanggan yang tiba
tidak bisa segera mendapat layanan disebabkan kesibukan pelayanan. Dalam kehidupan
sehari-hari, kejadian ini sering kita temukan misalnya seperti terjadi pada loket bioskop,
loket kereta api, loket-loket pada kantor pos, dermaga di pelabuhan, loket jalan tol,
pelabuhan udara, tempat praktek dokter, loket stadion, banyak lagi yang lainnya.
Pada umumnya setiap orang mengalami kejadian antrian dalam hidupnya, oleh
karena itu boleh dikatakan bahwa antrian sudah menjadi bagian dari kehidupan tiap
orang. Sesungguhnya semua permasalahan antrian tersebut dapat kita atasi dengan
menggunakan metode teori antrian. Dan metode antrian adalah suatu alat yuang bertujuan
untuk sistem pengelolaan yang menguntungkan dengan mengurangi terjadinya antrian.

2.2. Tujuan Teori Antrian

Tujuan dasar dari teori antrian adalah untuk meminimumkan total 2 (dua)
biaya, yaitu biaya langsung penyedian fasilitas dan biaya tak langsung yang timbul
karena pelanggan yang harus menunggu untuk dilayani (Pangestu dkk, 1985, hal. 264 ).

Bila sistem mempunyai fasilitas pelayanan lebih dari optimal, ini berarti
membutuhkan investasi modal yang berlebihan, tetapi apabila jumlah kurang dari optimal
maka hasilnya adalah tertundanya pelayanan (P. Siagian, 1987, hal. 390). Teori antrian
merupakan peralatan yang penting untuk sistem pengelolaan yang menguntungkan
dengan meminimumkan jumlah antrian.

2.3. Pengertian Sistem dan Model

Sistem didefinisikan sekumpulan dari bermacam-macam objek yang saling
berinteraksi secara bersama-sama untuk mencapai tujuan tertentu dalam lingkaran yang
kompleks (Simatupang, 1995, hal. 7). Sistem itu sendiri tergantung dan tujuan yang
dipelajari yang dapat tersusun dari beberapa sub sistem. Sistem dikelompokkan menjadi
dua macam yaitu sistem diskrit dan sistem kontinyu. Sistem diskrit adalah sistem variabel
statenya hanya pada waktu tertentu dan banyaknya dapat dihitung. Sedangkan sistem
kontinyu adalah sistem yang variabel statenya berubah terhadap waktu secara kontinyu.
Berdasarkan sifat proses pelayanan dalam saluran (channel) dan phase, saluran
menunjukkan jumlah jalur atau tempat memasuki sistem pelayanan yang juga
menunjukkan jumlah stasiun pelayanan dimana para customer harus melaluinya sebelum
pelayanan dinyatakan lengkap. Ada 4 struktur model antrian yaitu (Pangestu dkk, 1985,
hal. 270 272) :

1. Satu jalur dan satu stasiun pelayanan (Single Channel Single Phase)

Single channel artinya hanya ada satu jalur untuk memasuki sistem pelayanan
atau ada satu fasilitas pelayanan, sedangkan single phase menunjukkan hanya ada
satu stasiun pelayanan.

Gambar 2.1. Struktur model antrian single channel single phase

(Pangestu dkk, 1985, hal. 270 272)
2. Satu jalur dengan beberapa stasiun pelayanan (Single Channel Multi Phase)
Artinya hanya ada satu jalur untuk memasuki pelayanan tetapi ada dua atau
lebih stasiun pelayanan yang harus dilaksanakan secara kontinyu.

Gambar 2.2. Struktur model antrian single channel Multi phase

(Pangestu dkk, 1985, hal. 270 272)
3. Beberapa jalur dengan satu stasiun pelayanan (Multi Channel Single Phase)
Artinya beberapa fasilitas pelayanan yang dialiri oleh antrian tunggal.

Gambar 2.3. Struktur model antrian Multi channel Single phase

(Pangestu dkk, 1985, hal. 270 272)
4. Beberapa jalur dengan beberapa stasiun pelayanan (Multi Channel Multi Phase)
Sistem ini mempunyai beberapa fasilitas pelayanan pada setiap tahap sehingga
ada lebih dari satu individu dapat dilayani pada suatu waktu.

Gambar 2.4. Struktur model antrian Multi channel Multi phase

(Pangestu dkk, 1985, hal. 270 272)

Antrian dapat dihasilkan jika kedatangan pelanggan yang diterima untuk

dilayani harus menunggu untuk mendapatkan pelayanan. Dalam antrian kedatangan
pelanggan dalam sistem dan waktu pelayanan yang diberikan dapat mempunyai
distribusi tertentu. Data yang kita perlukan untuk menganalisa model terdiri atas
waktu kedatangan dan waktu antar dua kedatangan secara berurutan serta waktu
pelayanan.

2.4. Elemen Elemen Pokok Dalam Sistem Antrian

Sistem antrian mempunyai enam elemen pokok (Pangestu dkk, 1985, hal. 265
269), yaitu :
1. Sumber masukan (input)
Sumber masukan dari suatu sistem antrian dapat terdiri atas suatu populasi orang,
barang, mobil, komponen atau kertas kerja yang datang pada sistem untuk dilayani.
Bila populasi relatif besar sering dianggap bahwa hal ini merupakan besaran yang tak
terbatas. Kedatangan dapat dinyatakan dalam bentuk kedatangan per satuan waktu
atau dalam bentuk waktu antar kedatangan.
2. Pola Kedatangan
Pola kedatangan para pelanggan dicirikan oleh waktu antar kedatangan, yakni waktu
antara kedatangan dua pelanggan yang berurutan pada suatu fasilitas pelayanan. Pola
ini dapat deterministik (yakni, diketahui secara pasti) atau berupa suatu variabel acak
yang distribusi probabilitasnya dianggap telah diketahui. Pola ini dapat bergantung
pada jumlah pelanggan yang berada dalam sistem, atau tidak bergantung pada
keadaan sistem antrian ini. Para pelanggan datang satu per satu atau secara
berombongan. Bila tidak disebutkan secara khusus, maka anggapan standarnya adalah
bahwa semua pelanggan tiba satu per satu.
3. Disiplin Antrian
Disiplin

antrian

menunjukkan pedoman keputusan

yang

digunakan untuk

menyelesaikan individu individu yang memasuki sistem antrian untuk dilayani

terlebih dahulu (prioritas). Beberapa disiplin antrian antara lain adalah pedoman First

Come First Served (FCFS), Last Come First Served (LCFS), Service In Random
Order (SIRO) dan Priority Service (PS).
4. Kepanjangan Antrian
Banyak sistem antrian dapat menampung jumlah individu individu yang relatif
besar, tetapi ada beberapa sistem yang mempunyai kapasitas yang terbatas. Secara
umum model antrian terbatas lebih kompleks daripada sistem antrian tak terbatas.
5. Pelayanan
Pola pelayanan dicirikan oleh waktu pelayanan (service time), yakni waktu yang
dibutuhkan seorang pelayan untuk melayani seorang pelanggan. Waktu pelayanan
dapat bersifat deterministik, atau berupa suatu variabel acak yang distribusi
probabilitasnya dianggap telah diketahui. Para pelanggan dapat dilayani oleh satu
pelayan atau membutuhkan suatu barisan pelayan. Bila tidak disebutkan secara
khusus, maka anggapan dasarnya adalah bahwa satu pelayan saja dapat melayani
secara tuntas urusan seorang pelanggan.
6. Keluar (exit)
Sesudah individu individu telah selesai dilayani, dia keluar dari sistem. Sesudah
keluar, mungkin bergabung pada satu diantara kategori populasi. Dia bergabung
dengan populasi asal dan mempunyai probabilitas yang sama untuk memasuki sistem
kembali, atau dia mungkin bergabung dengan pupulasi lain yang mempunyai
probabilitas lebih kecil dalam hal kebutuhan pelayanan tersebut kembali.

2.5. Mekanisme Pelayanan

Ada 3 (tiga) aspek yang harus diperhatikan dalam mekanisme pelayanan, (P. Siagian,
1987, hal. 392 - 393), yaitu :
1. Tersedianya Pelayanan
Mekanisme pelayanan tidak selalu tersedia untuk setiap saat. Misalnya dalam
pertunjukan bioskop, loket penjualan karcis masuk hanya dibuka pada waktu tertentu
antara satu pertunjukan berikutnya. Sehingga pada saat loket ditutup, mekanisme
pelayanan terhenti dan petugas pelayanan (pelayan) istirahat.
2. Kapasitas Pelayanan
Kapasitas dari mekanisme pelayanan diukur berdasarkan jumlah konsumen (satuan)
yang dapat dilayani secara bersama-sama. Kapasitas pelayanan tidak selalu sama
untuk setiap saat, ada yang tetap, tetapi juga ada yang berubah-ubah. Karena itu,
fasilitas pelayanan dapat memiliki satu atau lebih saluran tunggal atau sistem
pelayanan tunggal disebut saluran ganda atau pelayanan ganda.
3. Lamanya Pelayanan
Lamanya pelayanan adalah waktu yang dibutuhkan untuk melayani seorang
konsumen atau satu-satuan. Ini harus dinyatakan secara pasti. Oleh karena itu, waktu
pelayanan boleh tetap dari waktu ke waktu untuk semua konsumen atau boleh juga
berupa variabel acak. Umumnya dan untuk keperluan analisis, waktu pelayanan
dianggap sebagai variabel acak yang terpencar secara bebas dan sama dan tidak
tegantung pada waktu pertibaan.

2.6. Disiplin Pelayanan

Kebiasaan ataupun kebijakan dimana para konsumen dipilih dari antrian untuk
dilayani, disebut disiplin pelayanan.
Ada 4 (empat) bentuk disiplin pelayanan yang biasa digunakan dalam praktek, (P.
Siagian, 1987, hal. 395 - 396), yaitu :
1. First-come first-served (FCFS) atau first-in first-out (FIFO)
Artinya, lebih dulu datang (sampai) lebih dulu dilayani. Misalnya, antri beli tiket
bioskop.
2. Last-come first-served (LCFS) atau last-in first-out (LIFO)
Artinya, yang tiba terakhir yang lebih dulu keluar. Misalnya, sistem antrian dalam
elevator (lift) untuk lantai yang sama.
3. Service in random order (SIRO)
Artinya, panggilan didasarkan pada peluang secara random, tidak soal siapa yang
lebih dulu tiba.
4. Priority service (PS)
Artinya, prioritas pelayanan diberikan kepada mereka yang mempunyai prioritas lebih
tinggi dibandingkan dengan mereka yang mempunyai prioritas lebih rendah,
meskipun yang terakhir ini kemungkinan sudah lebih dahulu tiba dalam garis tunggu.
Kejadian seperti ini kemungkinan disebabkan oleh beberapa hal, misalnya seseorang
yang keadaan penyakitnya lebih berat dibandingkan dengan orang lain dalam suatu
tempat praktek dokter. Mungkin juga, karena kedudukan atau jabatan seseorang
menyebabkan dia dipanggil terlebih dahulu atau diberi prioritas lebih tinggi.
Demikian juga bagi seseorang yang menggunakan waktu pelayanan yang lebih sedikit
diberi prioritas dibanding dengan mereka yang memerlukan pelayanan lebih lama,

tidak soal siapa yang lebih dahulu masuk dalalm garis tunggu. Contoh-contoh diatas
merupakan sebagian kecil dari priority service yang sering kita lihat dalam keadaan
sesungguhnya.

2.7. Pengertian Notasi dan Lambang Pada Model Antrian

D.G. Kendall memperkenalkan notasi untuk model antrian dengan sistem
pararel dan notasi ini memberikan gambaran tentang 3 karakteristik dasar, yaitu :
distribusi kedatangan, distribusi keberangkatan dan jumlah dari saluran. Lee memberikan
notasi untuk kedua karakter lainnya yaitu : disiplin pelayanan dan jumlah maksimum
yang diijinkan dalam sistem. Sehingga yang mengidentifikasi beberapa tipe sistem
antrian digunakan notasi Kendall dan Lee, dan notasi yang lengkap ditunjukkan dalam
simbol sebagai berikut (P. Siagian, 1987, hal. 408 409) :
Format umum : ( a / b / c ) : ( d / e / f )
Keterangan :
a = Bentuk distribusi kedatangan / pertibaan atau input distribusi
b = Bentuk distribusi pelayanan / keberangkatan / output distribusi
c = Jumlah jalur / fasilitas pelayanan dalam sistem / jumlah channel
d = Disiplin pelayanan
e = Jumlah pelayanan maksimum yang diijinkan dalam sistem
f = Besarnya populasi masukan / sumber kedatangan
Pada penelitian ini digunakan multiple channel single phase. Multi channel
berarti bahwa ada dua atau lebih jalur pelayanan. Single phase menunjukkan bahwa ada
satu stasiun pelayanan


Untuk simbol a dan b, digunakan kode berikut sebagai pengganti :

M

= Distribusi kedatangan Poisson atau distribusi pelayanan eksponensial, juga

sama untuk kedatangan eksponensial dan pelayanan Poisson.

= Waktu kedatangan atau waktu pelayanan ditentukan.

EK = Menyatakan waktu antar kedatangan dan waktu pelayanan mengikuti

distribusi Erlang dangan parameter K.
GI

= Menyatakan distribusi antar kedatangan adalah umum yang independent

(general independent).

= Distribusi waktu pelayanan secara umum.

Untuk simbol c, digunakan kode berikut sebagai pengganti :

R

= Menyatakan bilangan bulat positif yang lebih besar atau sama dengan satu.

Untuk simbol d, digunakan kode berikut sebagai pengganti :

FIFO atau FCFS = FirstIn FirstOut atau First-Come FirstServed
LIFO atau LCFS = LastIn FirstOut atau LastCome FirstServed
SIRO = Service In Random Order
GD = General Service Discipline
PS = Priority Service

Untuk simbol e dan f, digunakan kode berikut sebagai pengganti :

N =

Menyatakan satuan yang terbatas.

Menyatakan satuan yang tidak terbatas.

Simbol e dan f melambangkan suatu keterbatasan jumlah pelanggan dan sumber

kedatangan didalam sistem.
Ada 2 (dua) aturan disiplin prioritas (Taha, 1976, hal. 632) :
1. Preemptive rule (PRP)
Pelayanan pelanggan dengan prioritas rendah / mungkin disela / didahului
kepentingan pelanggan yang baru tiba dengan prioritas lebih tinggi.
2. Non preemptive rule (NPRP)
Seorang pelanggan setelah mendapat pelayanan akan meninggalkan fasilitas
hanya setelah pelayanannya lengkap, tanpa menghiraukan prioritas para
pelanggan yang baru tiba.

2.8. Definisi Transient Dan Steady State

Analisa sistem antrian meliputi studi perilaku sepanjang waktu. Jika suatu
antrian telah mulai berjalan, keadaan sistem akan sangat dipengaruhi oleh state (keadaan)
awal dan waktu yang telah dilalui. Dalam keadaan seperti ini, sistem dikatakan dalam
keadaan transient. Tetapi bila berlangsung terusmenerus keadaan sistem ini akan
independent terhadap state awal tersebut dan juga terhadap waktu yang dilaluinya.
Keadaan sistem seperti ini akan dikatakan dalam kondisi steady state. Teori antrian
cenderung memusatkan pada kondisi steady state, sebab kondisi transient lebih suka
dianalisa. (Tjutju T. & Dimyati, 1987, hal. 354).
Notasi notasi dibawah ini digunakan untuk sistem dalam kondisi state :
Ls = Rata rata jumlah pelanggan dalam sistem
Lq = Rata rata jumlah pelanggan dalam antrian

Ws = Rata rata waktu tunggu dalam sistem (termasuk waktu pelayanan) bagi setiap
pelanggan
n

= Jumlah pelanggan atau customer dalam sistem

Pn = Probabilitas bahwa ada pelanggan pada sistem antrian

Po = Probabilitas bahwa tidak ada pelanggan pada sistem antrian
S = Jumlah fasilitas pelayanan dalam sistem antrian (jumlah pelayan atau kasir)

= Rata rata tingkat kedatangan (jumlah pelanggan yang datang per satuan waktu)

= Rata rata tingkat pelayanan (jumlah pelanggan yang dilayani per satuan waktu)

1/ = Waktu antar kedatangan rata rata (satuan waktu per jumlah pelanggan)
1/ = Waktu pelayanan rata rata (satuan waktu per jumlah pelanggan)

= Faktor penggunaan (utilitas) untuk fasilitas pelayanan

X = Tingkat persentasi waktu fasilitas pelayanan menganggur (%)

2.9. Model Model Antrian

Ada beberapa model dalam antrian, antara lain :

2.9.1 Model Antrian (M/M/1) : (GD/

/
)
Arti dari notasi ini menunjukkan karateristik dasar yang terkandung dalam model
antrian yaitu :
M / M = Kedatangan dan pelayanan mengikuti proses Poisson
/c

= Jumlah jalur / jumlah pelayanan

GD /

= Disiplin pelayanan secara umum

//

= Jumlah maksimal langganan yang diijinkan dalam sistem

= Sumber kedatangan

Dari solusi steady state (< ) diperoleh (Hamdy A. Taha, 1976, hal. 614):

1
P0 =

1 /
P0 = 1 /

Untuk n > 0
Pn = P0 ( / )
Jumlah pelanggan rata-rata dalam sistem

Li =

Jumlah pelanggan rata-rata dalam antrian :

Lq =

2
1

Waktu menunggu rata-rata dalam sistem :

Wi =

L
1
1
= i =

(1 )

Waktu menunggu rata-rata dalam antrian :

Lq

Wq =
=
=
( )
(1 )
Keterangan :
P0

= Probabilitas tidak ada data pelanggan dalam sistem

Pn

= Probabilitas jumlah n pelanggan dalam sistem

= Tingkat kedatangan rata-rata

= Tingkat pelayanan rata-rata

= Tingkat kegunaan fasilitas rata-rata

Ls

= Jumlah pelanggan rata-rata dalam sistem

Lq

= Jumlah pelanggan rata-rata dalam antrian

Ws = Waktu menunggu rata-rata dalam sistem

Wq = Waktu menunggu rata-rata dalam antrian

2.9.2 Model Antrian (M/M/c) : (GD//)

Karakteristik dari model ini adalah pelayan atau saluran ganda, masukan Poisson,
waktu pelayanan eksponensial dan antrian tak berhingga. Rumus yang digunakan sebagai
berikut (Hamdy A. Taha, 1976, hal.622):

C
C 1 ( / )n

(
/ )

P0 =
+

( )
n = 0 n !
C! 1

( / )n

P
n!
Pn =

c
( / )

Jumlah pelanggan rata-rata dalam antrian adalah :

c ( / )

Lq =
P0
2

c
Jumlah rata-rata pelanggan
adalah :
dalam

sistem

Ls = Lq +

Waktu menunggu rata-rata dalam antrian adalah :

Wq =

Lq

Waktu menunggu rata-rata dalam sistem adalah:

Ws = Wq +

Keterangan :
P0

= Probabilitas tidak ada pelanggan dalam sistem

Pn

= Probabilitas jumlah n pelanggan dalam sistem

Ls

= Jumlah pelanggan rata-rata dalam sistem

Lq

= Jumlah pelanggan rata-rata dalam antrian

Ws = Waktu menunggu rata-rata dalam sistem

Wq = Waktu menunggu rata-rata dalam antrian
c

= Jumlah fasilitas pelayanan

2.9.3 Model Antrian (M/M/c) : (GD/N/)

Model ini memperlihatkan situasi di mana terdapat ruang tunggu buat langganan
terbatas jumlahnya dengan jumlah pelayanan lebih dari satu (P.Siagian, 1987, hal. 430).
Misalkan : c

= Jumlah pelayanan
N = Jumlah maksimum langganan yang muat dalam ruangan

Rumus-rumus yang digunakan :

P0 =

1
1 n 1 n
( ) + ( )

c!
n = 0 n!
c

n = c + 1 c
N

Untuk n c maka :
Pn =

1
( )n P0
n!

Untuk n > N maka Pn = 0 sedangkan untuk c < n N :

Pn =

1
( )n P0
n c
C! C

n c

Jumlah rata-rata pelanggan dalam antrian :

Lq =

c P0
c

1
2
c
c! 1
c

N c

( N c )
c

N c

Jumlah rata-rata pelanggan dalam sistem :

c 1

Ls = Lq + c (c n ) Pn
n 0

Waktu menunggu rata-rata dalam antrian :

Wq =

Lq
eff

c 1

dan eff = c (c n ) Pn
n =0

Waktu menunggu rata-rata dalam sistem :

Ws =

Ls
L eff

Keterangan :
P0

= Probabilitas tidak ada.pelanggan dalam sistem

Pn

= Probability jumlah n pelanggan dalam sistem

= Tingkat kedatangan rata-rata

= Tingkat pelayanan rata-rata

Ls

= Jumlah pelanggan rata-rata dalam sistem

Lq

= Jumlah pelanggan rata-rata dalam antrian

Ws

= Waktu menunggu rata-rata dalam sistem

Wq

= Waktu menunggu rata-rata dalam antrian

= Tingkat kedatangan efektif

1
c

2.9.4 Model Antrian (M/M/c) : (NPRP/ /)

Arti dari model di atas menunjukkan elemen dasar yang terkandung dalam model
antrian yaitu :
M/M

= Kedatangan dan pelayanan mengikuti proses Poisson

/c

= Jumlah jalur atau fasilitas pelayanan

NPRP /

= Disiplin pelayanan secara prioritas

//

= Jumlah maksimum langganan yang diijinkan dalam sistem

= Sumber kedatangan
Model diatas adalah model disiplin prioritas, yaitu model antrian yang disiplin

pelayanannya didasarkan atas suatu sistem prioritas. Dalam kenyataan sehari-hari,

banyak sekali situasi yang memenuhi model seperti ini, misalnya pekerjaan yang singkat
/ cepat dikerjakan setelah pekerjaan-pekerjaan lainnya, langganan-langganan penting
didahulukan daripada yang lainnya dan lain-lain. Karena itu penggunaan model-model
disiplin prioritas ini sering lebih dapat diterima dari kebanyakan model antrian yang
biasa.
Model ini mengasumsikan bahwa ada n sekelas prioritas (kelas 1 mempunyai
prioritas tertinggi dan kelas ke-n prioritas terendah) dan anggotaanggota di kelas prioritas
tertinggi yang ada dalam antrian akan dipilih.

= tingkat kedatangan rata-rata untuk prioritas ke-i untuk i = 1,2,3,.., N

N

dan

= /

i =1

Wk

= rata-rata waktu tunggu dalam sistem untuk tiap-tiap kelas prioritas

Wq

= rata-rata waktu tunggu dalam antrian (tidak termasuk waktu pelayanan) bagi
setiap pelanggan di tiap-tiap kelas prioritas

Lk

= rata-rata jumlah pelanggan dalam sistem di tiap-tiap kelas prioritas

Lq

= rata-rata jumlah pelanggan dalam antrian di tiap-tiap kelas prioritas

Dalam kondisi steady state, jumlah anggota dari kelas prioritas ke-k dalam sistem antrian
(termasuk yang sedang dilayani) adalah :
Lk = k . Wk
Untuk menentukan waktu menunggu di luar pelayanan untuk kelas prioritas ke-k maka :
Wq = Wk 1 /
Sehingga panjang antriannya diperoleh dengan cara :
Lq = Wq . k
Jika S = 1 maka didapat :

Wk =

1/
Bk 1 . Bk

2.10. Pendugaan Pola Distribusi Data

2.10.1. Pendugaan Pola Distribusi Data Diskrit

Untuk menduga distribusi data diskrit, maka dicari Lexis Ratio ( Lr ) dengan
rumus (Law dkk, 1991, hal. 282 289) :
Lr(n)

S2
X (n)

Jika Lr(n) mendekati atau

sama dengan 1, maka diduga data berdistribusi

Poisson, sedangkan jika Lr(n) > 1, maka data diduga berdistribusi Binomial, dan bila Lr(n)
< 1, maka data diduga berdistribusi Binomial Negatif.

2.10.2. Pendugaan Pola Distribusi Data Kontinyu

Untuk menduga distribusi data kontinyu, maka mula mula dicari koefisien
variansinya ( cv ) dengan menggunakan rumus (Law dkk, 1991,

hal. 282289)

sebagai berikut berikut :

cv(n) =

S2 (n )
X(n )
n

(X

dimana S

(n)

Xn

i =1

n -1

, dan X ( n ) =

i =1

S2(n) dan X ( n ) adalah varian dan mean dari data yang terkumpul. Untuk beberapa variabel
random kontinyu, jika :

cv(n) mendekati 1 atau cv < 1, maka distribusi data tersebut adalah eksponensial.

cv(n) < 1 dan < 1, maka data dianggap berdistribusi weibull atau gamma

cv(n) = 1 dan = 1 atau < 1, maka data juga dianggap berdistribusi weibull atau
gamma.

2.11. Uji Kecocokan Distribusi Data

2.11.1. Uji Kecocokan Distribusi Poisson

Distribusi Poisson dengan parameter rata rata X mempunyai :

P(x) =

e .
, dengan x = 0,1,2,3,......n
x!

dan e = 2,71828, > 0 (Sudjana, 1992, hal. 289)

2.11.2. Uji Chi Square

Uji didasarkan pada kesesuaian antara frekuensi terjadinya pengamatan dalam

sample yang diamati dengan frekuensi harapan yang diperoleh dari distribusi yang
dihipotesiskan :
Uji ini mempunyai formulasi :
X2 =

[O1 E1 ]2

i =1

E1

Dengan x2 merupakan nilai perubahan acak x2 yang berdistribusi sampelnya sangat dekat
dengan distribusi Chi Square dan O1 dan E1 masing masing menyatakan frekuensi
amatan dan frekuensi harapan dalam sel ke i
Bila frekuensi amatan dekat dengan frekuensi harapan padanannya maka nilai
x2 akan kecil, yang berarti menunjukkan kesesuaian yang baik. Bila frekuensi amatan
berbeda dengan frekuensi harapan, maka nilai x2 akan besar dan kesesuaian jelek (tidak
mencerminkan penyimpangan yang wajar mengenai hasil pengamatan yang teoritik).
Untuk mengatasinya dilakukan penggabungan antara kategori yang mempunyai E1 kecil
dengan kategori yang berdekatan sehingga hasil gabungan dianggap cukup besar.
Kesesuaian yang baik mendukung penerimaan H0, sedangkan kesesuaian yang
jelek mendukung penolakannya. Daerah kritis akan terjadi pada ujung kanan distribusi
chi square. Untuk tingkat kepercayaan 95 %, digunakan nilai kritis X20,95 sehingga X2 >
X20,95 menyatakan daerah kritis. Untuk melakukan uji ini akan dibandingkan dengan

dengan frekuensi hasil yang sebenarnya diamati dengan frekuensi yang diharapkan
berdasarkan bentuk uji yang dimisalkan dengan menggunakan rumus diatas. Untuk
menguji kecocokan distribusi Poisson, Distribusi Chi Square yang digunakan akan
mempunyai dk = ( k 1 ). (Sudjana, 1992, hal. 273).

2.12. Konsep Dasar Simulasi

Pengertian

umum

tentang

simulasi

adalah

suatu

metodologi

untuk

melaksanakan suatu percobaan dengan menggunakan model dari suatu sistem nyata.
Sedangkan ide dasarnya adalah menggunakan beberapa perangkat untuk meniru sistem
nyata guna mempelajari serta memahami sifat-sifat, tingkah laku (perangai) dari sistem
nyata untuk maksud perancangan sistem atau perubahan tingkah laku (perangai) sistem.
Telah lama metode simulasi digunakan dalam membantu memecahkan
persoalan-persoalan dalam berbagai bidang kehidupan. Pada ilmu murni, simulasi sering
digunakan dalam mengestimasikan luas area suatu kurva, studi perpindahan partikel,
invers matriks dan lain sebagainya. Selain itu simulasi juga digunakan secara luas pada

permasalahan-permasalahan dunia industri, pengembangan pedesaan, sistem informasi

pelabuhan udara, strategi militer, strategi pasar dan masih banyak lagi yang lainnya
Simulasi adalah proses merancang model dari suatu sistem yang sebenarnya,
mengadakan percobaan percobaan terhadap model tersebut dan mengevaluasi hasil
percobaan tersebut. Jadi simulasi merupakan metode penelitian yang eksperimental.
Beberapa tujuan simulasi adalah :
a. Untuk memahami perilaku sistem nyata
b. Untuk memprediksi sistem yang akan datang

Dalam sistem, simulasi dapat diklasifikasikan sebagai berikut :

SISTEM

Eksperimen
Dengan sistem
Sebenarnya

Eksperimen dengan
menggunakan model
sistem

Model Fisik

Model Matematik

Analitik

Simulasi

Gambar 2.5. Klasifikasi model simulasi

(Law dkk, 1991, hal. 4)
Model simulasi biasanya dijalankan atau dicoba-coba untuk memperoleh
informasi yang diinginkan. Berdasarkan hasil tersebut, penganalisaan dapat mempelajari
kelakuan sistem. Maka simulasi bukanlah suatu teori melainkan suatu metodologi untuk
memecahkan masalah.
Telah didefinisikan bahwa simulasi adalah proses mengadakan eksperimen
terhadap model dari suatu sistem yang ada. Masalahnya seringkali timbul kesulitan jika
informasi informasi yang dibutuhkan tidak tersedia. Eksperimen langsung terhadap
suatu sistem yang ada mengiliminasi kesulitan kesulitan dalam usaha memperoleh
kecocokan antara model dengan kondisi sebenarnya. Tetapi kerugian dari eksperimen
langsung terhadap sistem cukup banyak, antara lain :
1. Dapat mengganggu jalannya operasi

2. Objek yang diamati cenderung bertingkah laku lain dari biasanya

3. Sangat sulit membuat kondisi yang sama untuk percobaan yang berulang
4. Untuk memperoleh sampel yang sama perlu waktu dan biaya
5. Pada kenyataan sulit mengganti banyak alternatif.

2.12.1 Langkah Langkah Dalam Proses Simulasi

Semua simulasi yang baik memerlukan perencanaan dan organisasi yang baik.
Pada umumnya terdapat 5 langkah pokok yang diperlukan dalam menggunakan simulasi
(P. Siagian, 1987 , hal. 449 450), yaitu :
1. Tentukan sistem atau persoalan yang hendak disimulasi .
Ini mencakup penentuan :

lingkungan

tujuan

karakteristik

2. Kembangkan model simulasi yang hendak digunakan.

3. Ujilah model dan bandingkan tingkah lakunya dengan tingkah laku dari sistem nyata,
kemudian berlakukanlah model simulasi ini.
4. Rancang percobaan percobaan simulasi.
5. Jalankan simulasi dan analisis data.

2.12.2 Model Model Simulasi

Model model simulasi dapat dikelompokkan ke dalam beberapa penggolongan,

antara lain (Pangestu dkk, 1985, hal. 294 299) :
1. Model Simulasi Stokhastik
Model ini kadang kadang juga disebut sebagai model simulasi Monte Carlo. Istilah
Monte Carlo dalam simulasi mulai diperkenalkan oleh Compte de Buffon pada tahun
1977 dan pemakaiannya pada sistem nyata dimulai selama perang dunia II, dipakai
untuk merancang pelindung nuklir yang ditembus oleh neutron pada berbagai
material. Masalah ini sulit dipecahkan dengan analitik dan rumus pula untuk
eksperimen langsung, sehingga dipakailah bilangan random untuk memecahkannya.
Teknik ini dinamakan Monte Carlo karena dasarnya sama seperti permainan judi.
Sedangkan Monte carlo adalah kota judi terbesar di dunia.
Di dalam proses stokhastik sifat sifat keluaran ( output ) dari proses ditentukan
berdasarkan dan merupakan hasil dari konsep random ( acak )
2. Model Simulasi Deterministik
Pada model ini tidak diperhatikan unsur random, sehingga pemecahan masalahnya
menjadi lebih sederhana. Contoh aplikasi dari model ini adalah dalam dispatching,
line balancing, sequence dan plant layout.

3. Model Simulasi Dinamik dan Statik

Model simulasi yang dinamik adalah model yang memperhatikan perubahan
perubahan nilai dari variabel variabel yang ada kalau terjadi pada waktu yang
berbeda. Tetapi model statik tidak memperhatikan perubahan.

Perubahan ini, contoh dari model simulasi yang statik adalah line balancing dan
plant layout. Dalam perencanaan layout tentu saja diperlukan syarat syarat keadaan

keadaan lain bersifat statik sedang contoh dari model dinamik adalah inventory
sistem, job shop model dan sebagainya.
4. Model Simulasi Heuristik
Model yang heuristik adalah model yang dilakukan dengan cara coba coba, kalau
dilandasi suatu teori masih bersifat ringan, langkah perubahannya dilakukan berulang
ulang dan pemilihan langkahnya bebas, sampai diperoleh hasil yang lebih baik,
tetapi belum tentu optimal.
Model stokhastik adalah kebalikan dari model deterministik, dan model statik
kebalikan dari model dinamik.

2.12.3 Motivasi Menggunakan Simulasi

Meskipun model analitik sangat kuat dan berguna, tetapi masih terdapat beberapa
keterbatasan (P. Siagian, 1987, hal. 448 449), antara lain :
1. Model analitik tidak mampu menelusuri perangai suatu sistem pada masa lalu dan
masa mendatang melalui pembagian waktu.
2. Model matematis yang konvensional sering tidak mampu menyajikan sistem nyata
yang lebih besar dan rumit (kompleks).
3. Model analitik terbatas pemakaiannya dalam hal hal yang tidak pasti dan aspek
dinamis (faktor waktu) dari persoalan manajemen.
Berdasarkan hal tersebut diatas, maka konsep simulasi dan penggunaan model
simulasi merupakan jawaban dan ketidakmampuan dari model analitik.

Beberapa alasan yang dapat menunjang kesimpulan diatas :

1. Simulasi dapat memberikan jawaban kalau model analitik gagal melakukannya,
misalnya pada model antrian yang rumit.
2. Model simulasi lebih realistis terhadap sistem nyata karena memerlukan asumsi yang
lebih sedikit, misalnya tenggang waktu dalam model persediaan tidak perlu harus
deterministik.
3. Perubahan konfigurasi dan struktur dapat dilaksanakan lebih mudah untuk menjawab
pertanyaan , Bagaimana jika......
4. Dalam banyak hal simulasi jauh lebih murah daripada percobaan langsung.
5. Simulasi dapat digunakan untuk maksud pendidikan.
6. Untuk sejumlah proses dimensi, simulasi memberikan penyelidikan yang langsung
dan terperinci dalam periode waktu khusus.
Pemecahan masalah dengan model simulasi biasanya dilakukan dengan memakai
komputer, sebab banyak hal hal atau perhitungan perhitungan yang terlalu rumit bila
dihitung secara manual. Selain itu dengan menggunakan komputer waktu perhitungan
sangat cepat dan cocok untuk percobaan trial and error yang memerlukan percobaan
berulang ulang. Namun untuk masalah yang sederhana bisa juga tanpa komputer.

2.12.4. Perbedaan Utama antara Simulasi dan Model Antrian

Perbedaan utama antara simulasi dan model antrian adalah :

1.

Model antrian umumnya menganggap bahwa sistem beroperasi pada keadaan

steady state yang berarti bahwa tidak ada keadaan sibuk pada saat berada

dipuncak dan lembah. Model antrian dapat menghitung rata-rata panjang antrian,

rata-rata waktu pelayanan dan sebagainya tetapi hanya untuk keadaan steady
state.

2.

Model antrian, pada keadaan terpaksa didasari atas sejumlah asumsi tentang
kedatangan, pola pelayanan dan sebagainya. Batasan ini digunakan untuk
menjaga keadaan tidak berubah ke keadaan yang lebih kompleks. Simulasi
memungkinkan lebih banyak kemungkinan untuk lebih fleksibel (mudah
disesuaikan) didalam menentukan asumsi-asumsi.

3.

Simulasi dapat digunakan untuk aplikasi lain dari analisa waithing line atau
antrian.

2.13. Membangkitkan Bilangan Random.

Variabel variabel sistem dapat ditentukan setelah sub sistem diamati dan
ditentukan. Variabel sistem dapat bersifat deterministik atau stokastik, aktivitasnya
bersifat random dan akan terdapat variabel yang berasal dari suatu sistem distribusi
probabilitas tertentu. Variabel ini dapat diperoleh dengan cara membangkitkan bilangan
random dan menggunakannya dalam proses penentuan nilai suatu variabel.
Untuk mendapatkan bilangan random dapat digunakan beberapa metode yaitu :
1. Memakai fungsi bilangan random komputer yang telah tersedia pada komputer,
misalnya R = RND (Z), dimana R adalah bilangan random yang dibangkitkan
sedangkan Z adalah konstanta.

2. Metode Midsquare.

Metode ini mengambil n digit yang diinginkan ditengah tengah hasil kuadrat
bilangan random sebelumnya. Kelemahan dari cara ini adalah waktu siklusnya yang
pendek.
3. Metode Linier Congruential.
Zi = (aZi-1 + c)(mod m) .(2.17)
Ui =

Zi
.(2.18)
m

Dimana :
Ui = bilangan random
a = faktor pengali
c = kenaikan
m = modus
Zo = bilangan awal
Untuk mengkonversikan bilangan random menjadi variasi random maka ada
beberapa metode yang digunakan yaitu :
1. Metode Transformasi Invers.
U = f (x)
x = F-1 (U) .(2.19)
dimana :
F (x)

= fungsi distribusi teoritis

F-1 (U)

= fungsi invers distribusi teoritis

= bilangan random

= variabel random

2. Metode Rejection.

Mencari fungsi t (x) F (x)

Hitung c = t (x) dx > 1

Dapatkan r (x) = t (x) / c

Dengan menggunakan transformasi invers akan didapatkan variasi random

dengan fungsi kerapatan r (x) dan dihasilkan variasi acak y

Bila U f (y) / t (y) maka x = y dan kembali ke langkah awal dimana :

F (y) = kepadatan y
T (y) = fungsi y

2.14. Simulation Tool

2.14.1 Program Arena

Software ini menganut sistem drag & drop dan memiliki kemampuan animasi 2
dimensi. ARENA juga memiliki tingkat kompatibilitas yang baik. Kemampuan
animasinya dapat ditunjang oleh file-file dari AutoCad. ARENA di spesialisasikan untuk
menyelesaikan masalah-masalah Simulasi Sistem Diskret. Kelebihan lain dari ARENA
adalah memiliki kemampuan pengolahan data statistik, walaupun tidak begitu lengkap.
Arena sebagai sofware simulasi yang berfungsi melindungi model dengan cara
meramalkan dampak dari kondisi-kondisi yang baru, aturan-aturan dan strategi sebelum
pelaksanaan yang akan dilakukan.

2.14.1.1 Ciri-ciri Software Arena

Ciri-ciri software arena adalah

1. Menggambarkan aliran proses dengan menggunakan model flowchart.
2. Mengindentifikasi data seperti variabel, pengembangan dan penjadwalan.
3. Peramalan untuk pengembangan komponen sistem.
4. Aktivitas dasar penetapan biaya secara terperinci.
5. Penganalisaan data global dengan distribusi.
6. Visualisasi dari aliran proses data.
7. Hasil analisis meliputi grafik dan analisis running model.

2.14.1.2

Keuntungan Sofware Arena

Keuntungan menggunakan software arena adalah

1. Menganalisa keseluruhan item yang diinputkan dari level awal sampai level akhir.
2. Dapat digunakan untuk menganalisis bisnis seperti : industri global, perbankan,
asuransi keuangan, dan lain-lain.
3. Penggambaran aliran proses nyata untuk mempermudah proses rekonstruksi proses
yang lama dengan perancanaan yang baru.

2.14.1.3 Macam-macam distribusi pada program Arena

Macam-macam distribusi yang digunakan pada program arena adalah

1. Erlang
Distribusi Erlang adalah suatu kasus secara khusus yang menyangkut distribusi
gamma, dimana parameter bentuk adalah suatu bilangan bulat (k). Distribusi Erlang

dapat digunakan dalam situasi di mana suatu aktivitas terjadi dalam tahap berurutan
dan mempunyai distribusi yang bersifat exponen. Distribusi Erlang sering digunakan
untuk menghadirkan waktu dan untuk menyelesaikan suatu tugas.
2. Exponential
Distribusi Exponential adalah distribusi yang sering digunakan untuk model
inteverent pada suatu proses kedatangan acak, tetapi umumnya hanya untuk
memproses penundaan waktu.
3. Gamma
Distribisi Gamma adalah distribusi yang digunakan untuk menghadirkan waktu dan
untuk menyelesaikan beberapa tugas (sebagai contoh, suatu pengerjaan dengan mesin
waktu atau pada waktu memperbaiki mesin).
Ddistribusi Gamma digunakan untuk bilangan bulat yang membentuk parameter,
distribusi gamma menjadi sama lainnya dengan distribusi Erlang.
4. Lognormal
Lognormal digunakan pada situasi dimana kuantitas menjadi suatu produk yang
berjumlah acak. Distribusi ini berhubungan dengan bilangan normal.
5. Normal
Distribusi normal adalah distribusi yang digunakan dalam situasi dimana batas pusat
digunakan untuk menerapkan penjumlahan yang lain. Distribusi ini juga digunakan
untuk pengalaman yang banyak pada suatu proses yang nampak akan mempunyai
suatu distribusi symmetric, sebab distribusi ini tidak digunakan untuk penjumlahan
positive seperti waktu proses.

6. Poisson
Distribusi Poisson adalah distribusi yang sering digunakan untuk banyaknya model
pada peristiwa acak yang terjadi di dalam suatu interval waktu yang telah ditetapkan.
Jika waktu antara peristiwa secara berurutan yang bersifat exponen disebarkan,
kemudian banyaknya peristiwa yang terjadi di dalam suatu waktu, yang interval
mempunyai suatu distribusi poisson. Distribusi ini juga digunakan untuk model
ukuran batch acak.
7. Triangular
Distribusi Triangular ini biasanya digunakan di dalam situasi di mana format tepat
dari distribusi tidaklah dapat dikenal, yaitu untuk perkiraan yang minimum dan
maksimum, dan nilai-nilai hampir bisa dipastikan ada tersedia. Pada distribusi
triangular ini akan lebih mudah untuk menggunakan dan menjelaskan dibandingkan
distribusi lain yang mungkin digunakan di dalam situasi ini (distribusi beta).
8. Uniform
Distribusi Uniform adalah distribusi yang digunakan ketika semua nulai-nilai atas
suatu cakupan terbatas mungkin dianggap sama. Kadang-kadang tidak digunakan
ketika informasi selain dari cakupan sudah tersedia. Distribusi seragam mempunyai
suatu perbedaan lebih besar dibandingkan distribusi lain yang digunakan ketika
sedang kekurangan informasi (distribusi triangular).
9. Weibul
Distribusi Weibul secara luas digunakan di dalam model keandalan untuk
menghadirkan suatu alat. Jika sutu sistem terdiri dari sejumlah besar komponen yang
gagal dengan bebas, dan jika dibanding waktu antara kegagalan berurutan dapat

didekati oleh distribusi weibul. Distribusi ini juga digunakan untuk menghadirkan
bukan suatu tugas yang negatif adalah kepada yang ditinggalkan.
10. Beta
Distribusi Beta ini mempunyai kemampuan untuk menerima sutu bentuk yang luas,
distribusi ini sering digunakan untuk membuat konsep dasar model untuk
ketidakhadiran data.

2.14.1.4 Introduction Arena

Pada menu start windows dipilih program Rockwell Software dan kemudian
dipilih Arena setelah dijalankan maka akan muncul tampilan software Arena seperti
berikut ini.

Toolbars
Menu bar

Project bar

Model window
(Flowchart view)

Model window
(spreadsheet view)

Status bar

Gambar 2.6. Software Arena

a.

Menu bar

Menu bar yang ada di dalam Arena secara umum terdiri dari menu-menu yang
identik pada kebanyakan aplikasi untuk windows, seperti menu file (untuk
manajemen file pengguna), menu edit, view. Dan tentunya terdapat beberapa menu
bar yang disediakan Arena untuk membantu pengerjaan modeling system (seperti
tools, arrange, object, dan run ).

b.

Project bar
Project bar pada Arena terdiri dari dua hal, yaitu:
 Flowchart module

Merupakan modul untuk membangun model simulasi dalam Arena, terdiri dari
modul basic process, modul advance process.
 Spreadsheet module

Merupakan modul untuk status dari flowchart yang digunakan. Status yang ada
didapatkan secara otomatis atau diinput secara manual.
c.

Status bar

Merupakan suatu modul dalam Arena yang bertujuan untuk melihat status dari
pekerjaan (modul) kita saat ini. Contoh kondisi, Running = model simulasi kita
sedang dijalankan.
d.

Toolbar

Merupakan suatu window yang berisi daftar perintah yang sering digunakan dan
dipresentasikan dalam bentuk tombol.

e.

Model window (Flowchart view)

Window ini merupakan window induk yang melingkupi seluruh lingkungan kerja
Arena. Fungsi utama window ini adalah sebagai tempat docking bagi modulmodul yang digunakan.

f.

Model window (spreadsheet view)

Window ini merupakan window yang digunakan untuk melihat data yang terdapat
pada modul-modul yang digunakan pada flowchart modul.

2.14.1.5 Modul Basic Process

Basic process merupakan modul-modul dasar yang digunakan untuk simulasi.

a.

Create

Modul ini digunakan untuk menggenerate kedatangan entity kedalam simulasi.

Gambar 2.7 Modul Create

Name : nama modul create yang digunakan
Entity type : jenis entity yang digenerate pada simulasi

Type : jenis waktu antar kedatangan entity



Random (expo)

Schedule

Constant

Espresion

Value : nilai daripada interval kedatangan berdasarkan type yang sudah

ditentukan.
Units : Satuan waktu yang digunakan.
Entity per arrival : Jumlah kedatangan entity pada setiap kali generate dilakukan.
Max arrivals : Jumlah maksimum generate entity kedalam simulasi.
First creation : waktu pertama kali generate entity kedalam simulasi.

b.

Dispose

Modul ini digunakan untuk mengeluarkan entity dari system.

Gambar 2.8 Modul Dispose

Record entity statistics : digunakan untuk mencatat output standard daripada

Arena.
c.

Process

Modul ini digunakan untuk memproses entity dalam simulasi.

Gambar 2.9 Modul Process

Name : Nama daripada modul proses yang digunakan
Type

: tipe dari prose situ sendiri

Standard : terdiri dari satu proses saja

Sub model : terdiri dari satu proses atau lebih

Action : jenis aktivitas yang dilakukan pada saat modul proses bertipe standard.
Priority : nilai prioritas dari beberapa jenis proses sltenatif
Resources : sumber daya yang digunakan dalam melakukan aktivitas proses
Delay type : waktu proses atau bisa juga diasumsikan sebagai waktu delay ketika

tidak menggunakan resource sama sekali

Allocation : jenis aktivitas yang terjadi pada modul ini, terdiri dari beberapa jenis

antara lain :

Value added : pada proses yang dilakukan terjadi penambahan nilai dari

material input manjadi output.



Non value added : tidak terjadi proses penambahan nilai dari meterial input

menjadi output (misalkan kegiatan inspeksi)

d.

Transfer : waktu transfer dari satu tempat ke tempat lain.

Wait : waktu tunggu sebelum entity melakukan aktivitas berikutnya.

Other

Decide

Modul ini digunakan untuk menentukan keputusan dalam proses, didalamnya

termasuk beberapa pilihan untuk membuat keputusan berdasarkan 1 atau beberapa
pilihan.

Gambar 2.10 Modul Decide

Type : mengidentifikasikan apakah keputusan berdasarkan pada kondisi dan dapat

dispesifikasikan menjadi 2 jenis, yaitu :

1. 2-way 0: digunakan jika hanya untuk 1 kondisi benar atau salah


2-way by chance

2-way by condition

2. N-way : digunakan untuk berapapun jumlah kondisi



N-way by chance : mendefinisikan satu atau lebih persentase.

N-way by condition : mendefinisikan satu atau lebih kondisi.

Percent true (0-100) : nilai yang digunakan untuk menetapkan entity yang keluar, nilai

yang keluar nantinya adalah nilai yang bernilai benar.

e.

Assign

Modul ini digunakan untuk memasukkan nilai baru pada variable, entity atribut,
entity type,atau variable lain pada sistem.

Gambar 2.11 Modul Assign

Assignments
Type

: untuk menspesifikasikan satu atau lebih tugas yang akan dibuat.

: tipe dari tugas yang akan dilakukan terdiri dari :

Variabel : nama yang diberikan pada sebuah entity variable dengan nilai baru.

Atribute : nama yang diberikan pada sebuah entity atribut dengan nilai baru

Entity type : sebuah type baru dari entity

Entity picture : sebuah tipe baru berupa gambar

Other : untuk mengidentifikasi untuk atribut yang lainnya.

New value : nilai baru pada atribut, variable, atau variable sistem lainnya. Tidak dapat

digunakan untuk entity tipe atau entity picture.

2.15. Validasi

Validasi simulasi mengandung elemen, rumus dan rangkaian logika dalam jumlah
yang banyak. Oleh karena itu walaupun komponen komponen individual menunjukkan
kesesuaian yang cukup baik, namun seringkali berbagai pengabaian atau pendekatan
kecil tetap berakumulasi sehingga menyebabkan distorsi pada output model secara
keseluruhan. Konsekuensinya setelah program dijalankan perlu dilakukan pengujian
validitas model untuk memprediksi kelakuan sistem secara terpadu.
Ada 3 cara yang dapat dipakai sebagai acuan dalam mengevaluasi validitas hasil
simulasi yaitu :
1. Validasi Kotak putih ( White Box Validation )
Pada validasi ini, diasumsikan bahwa model dan sistem nyata merupakan suatu
transparan sehingga struktur internal dari keduanya dapat diketahui. Sehingga
pengujian validasi dilakukan pada cara kerja model simulasi yang digunakan.
Penekanan White Box Validation adalah detail internal yang bekerja pada model.
2. Validasi Kotak Hitam ( Black Box Validation )
Pada validasi kotak hitam, diasumsikan bahwa model dari sistem nyata merupakan
suatu kotak hitam ( Black Box ). Strategi praktis yang dijalankan adalah mengamati
perilaku sistem nyata dan kemudian model dijalankan dibawah kondisi yang sesuai
dengan sistem nyata. Pengujian dilakukan dengan membandingkan rata rata waktu
kedatangan yang dihasilkan oleh simulasi dengan keadaan yang sebenarnya. Bila

hasil dari simulasi masih dalam batas toleransi sebesar 100 % dibandingkan dengan
sistem yang sebenarnya maka dapat disimpulkan bahwa simulasi valid (Law dkk,
1991, hal. 277 288).

2.16. Peneliti Terdahulu

1. Penelitian pertama
Penelitian yang dilakukan oleh Diah Ayu Sanggarwati dengan judul Penentuan
jumlah loket pelayanan pembayaran rekening listrik dalam upaya mengurangi antrian
pada PT. PLN (Persero) di Area Pelayanan Surabaya Barat. Dengan abstraksi : PT. PLN
(PERSERO)

sebagai penyedia

jasa

listrik

dalam

negeri

mempunyai

fungsi

menyelenggarakan dan secara terus menerus meningkatkan pelayanan jasa listrik pada
masyarakat. Melalui pelaksanaan percontohan pelayanan Publik Jawa Timur 2005, PT.
PLN (PERSERO) area pelayanan Surabaya Barat Bertekad Memberi Pelayanan Terbaik
.
Loket Pengendalian Pendapatan adalah salah satu tempat pembayaran listrik, yang
juga merupakan loket pembayaran pusat untuk wilayah area pelayanan Surabaya barat.
Sistem antrian terjadi pada akhir pembayaran periode I dan II, yaitu pada tanggal 7, 8, 9,
10 untuk periode I dan 17, 18, 19, 20 Untuk periode II memiliki pola tingkat kedatangan
berdistribusi poisson dengan rata-rata kedatangan ( ) 180,393 pelanggan/jam dan pola
tingkat pelayanan berdistribusi eksponensial dengan rata-rata pelayanan ( ) 95,7
pelanggan/jam. Adapun jumlah loket pelayanan sebelum dilakukan analisa perhitungan
adalah sebanyak 2 unit loket. Dan yang menjadi permasalahan disini adalah Berapa

jumlah loket (pelayanan) yang seharusnya disediakan untuk mengurangi antrian

pelanggan yang membayar rekening listrik sehingga antrian dapat dikurangi ?.
Dari permasalahan ini, maka penyusun mengunakan pendekatan Model Antrian
Multi Channel Single-Phase. Selanjutnya untuk menganalisa data dipergunakan Uji ChiSquare untuk data diskrit dan Uji Kolmogorov-Smirnov untuk data kontinyu. Untuk

penentuan jumlah loket pelayanan yang optimal digunakan metode Aspiration Level,
yang terlebih dahulu menentukan waktu perkiraan menunggu pelanggan dalam sistem
dan persentase waktu pelayanan yang menganggur sebagai batas batas pengambilan
keputusan sehingga jumlah loket pelayanan yang optimal dapat ditentukan.
Setelah melalui perhitungan dengan menggunakan metode antrian multi channel
single-phase, didapat bahwa loket untuk pelayanan pembayaran listrik yang seharusnya

disediakan yaitu berjumlah 3 unit loket guna mengurangi antrian yang panjang serta
waktu menunggu pelanggan yang harus dilayani. Dengan hasil perhitungan bahwa
dengan 3 unit loket maka jumlah pelanggan rata rata dalam sistem (L S ) yang semula
adalah sebesar 16,998 pelanggan menjadi 2,548 pelanggan dan waktu menunggu rata
rata dalam sistem (W S ) yang semula adalah sebesar 0,09423 jam menjadi 0,01412 jam.
2. Penelitian kedua
Penelitian yang dilakukan oleh Leli Krismarista Lina dengan judul Penentuan
jumlah teller yang optimal dengan model simulasi di bank mandiri cabang rungkut megah
raya Surabaya. Dengan abstraksi : Bank adalah badan usaha yang menghimpun dana dari
masyarakat dalam bentuk simpanan dan menyalurkannya kepada masyarakat dalam
rangka meningkatkan taraf hidup rakyat banyak. Dengan berbagai macam kiat bank-bank

yang ada berupaya agar menarik minat para nasabah dan tetap hidup dalam roda
perekonomian di Tanah Air.
Demikian pula Bank Mandiri Cabang Rungkut Mega Raya yang saat ini
memiliki 3 (tiga) teller sehingga menghadapi permasalahan. Masalah yang dihadapi oleh
Bank Mandiri bagaimana menentukan jumlah teller yang optimal, agar pada saat
terjadinya antrian teller mampu melayani nasabah dengan waktu tunggu yang lebih
kecil.Model simulasi komputer digunakan sebagai pendekatan penilaian sistem antrian
untuk mengantisipasi hal-hal terjadinya ketidakpuasan atau ketidak pastian yang tinggi.
Setelah diperoleh model sistem dilakukan penerjemahaan model pada software untuk
menggambarkan kerja sistem. Alur logika yang dibentuk perlu diuji agar diketahui bahwa
model simulasi komputer telah berjalan sesuai dengan sistem nyata yang dimodelkan.
Dari hasil simulasi sistem nyata yang ada, dapat diketahui bahwa ratarata
tingkat utilization 3 teller adalah sebesar 72% dan setelah dilakukan simulasi usulan
dengan cara trial and error didapat bahwa untuk teller diperoleh rata-rata tingkat
utilization sebesar 67%, sehingga tingkat pelayanan nasabah bisa lebih memuaskan.