Anda di halaman 1dari 21

LAPORAN TEKNIK SIMULASI

“PELAYANAN DI SPBU TOTAL

Kevin M.J. - 535160019


Andrew Marcelino - 535160023

KELAS A
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNIK INFORMASI
UNIVERSITAS TARUMANAGARA
JAKARTA
2017
DATA PENELITIAN
Waktu Antar Kedatangan (WAK) Lama Pelayanan (LP)
Konsumen Pukul Mulai Selesai
Waktu Menit Detik Waktu Menit Detik
1 3:00:20 PM 0 0 0 3:00:20 PM 3:00:54 PM 34 0 34
2 3:01:43 PM 83 1 23 3:01:58 PM 3:02:18 PM 20 0 20
3 3:03:20 PM 97 1 37 3:03:30 PM 3:03:57 PM 27 0 27
4 3:04:00 PM 40 0 40 3:04:10 PM 3:04:35 PM 25 0 25
5 3:05:37 PM 97 1 37 3:05:53 PM 3:06:12 PM 19 0 19
6 3:06:12 PM 35 0 35 3:06:24 PM 3:06:47 PM 23 0 23
7 3:06:50 PM 38 0 38 3:06:53 PM 3:07:18 PM 25 0 25
8 3:07:43 PM 53 0 53 3:07:58 PM 3:08:23 PM 25 0 25
9 3:08:05 PM 22 0 22 3:08:24 PM 3:08:47 PM 23 0 23
10 3:08:30 PM 25 0 25 3:08:51 PM 3:09:11 PM 20 0 20
11 3:09:20 PM 50 0 50 3:09:25 PM 3:09:44 PM 19 0 19
12 3:10:50 PM 90 1 30 3:10:55 PM 3:11:17 PM 22 0 22
13 3:11:30 PM 40 0 40 3:11:36 PM 3:12:03 PM 27 0 27
14 3:12:40 PM 70 1 10 3:12:50 PM 3:13:08 PM 18 0 18
15 3:13:02 PM 22 0 22 3:13:15 PM 3:13:36 PM 21 0 21
16 3:13:44 PM 42 0 42 3:13:49 PM 3:14:06 PM 17 0 17
17 3:14:10 PM 26 0 26 3:14:19 PM 3:14:37 PM 18 0 18
18 3:14:20 PM 10 0 10 3:14:42 PM 3:15:08 PM 26 0 26
19 3:14:58 PM 38 0 38 3:15:10 PM 3:15:28 PM 18 0 18
20 3:15:10 PM 12 0 12 3:15:33 PM 3:15:48 PM 15 0 15
21 3:15:40 PM 30 0 30 3:15:54 PM 3:16:19 PM 25 0 25
22 3:16:19 PM 39 0 39 3:16:27 PM 3:16:43 PM 16 0 16
23 3:16:46 PM 27 0 27 3:16:53 PM 3:17:14 PM 21 0 21
24 3:17:20 PM 34 0 34 3:17:25 PM 3:17:43 PM 18 0 18
25 3:17:47 PM 27 0 27 3:18:00 PM 3:18:23 PM 23 0 23
26 3:18:13 PM 26 0 26 3:18:32 PM 3:18:51 PM 19 0 19
27 3:18:55 PM 42 0 42 3:19:06 PM 3:19:27 PM 21 0 21
BAB I
METODE PENELITIAN
1.1 SUMBER DATA
Sumber data yang digunakan dalam penelitian ini adalah data
sekunder yang diperoleh berdasarkan pengamatan langsung oleh kelompok
kami yang terdiri dari Kevin M.J. dan Andrew Marcelino. Data diperoleh
dari Sistem Pengisian Bahan-Bakar Umum (SPBU) Total Jl. Daan Mogot
KAV 49-55, Jelambar, Grogol Petamburan, Jakarta Barat. Data diperoleh
dengan mengadakan pengamatan langsung terhadap sistem antrian yang
meliputi data antar waktu kedatangan dan data waktu pelayanan.

1.2 POPULASI DAN SAMPEL


1.2.1 Populasi
Populasi dalam penelitian ini adalah khusus pada kendaraan roda dua.

1.2.2 Sampel
Sampel yang diamati dalam penelitian ini adalah jumlah kendaraan
roda dua yang datang dan melakukan pengisian di Sistem Pengisian Bahan-
Bakar Umum (SPBU) Total Jl. Daan Mogot KAV 49-55, Jelambar, Grogol
Petamburan, Jakarta Barat.

1.3 VARIABEL YANG DIAMATI DAN DEFINISI


OPERASIONAL
Dalam penelitian ini ada 3 jenis variable yang diamati, yaitu data
waktu antar kedatangan, data waktu pelayanan dan jumlah pelayanan.
1.3.1 Variabel Waktu Antar Kedatangan
Waktu kedatangan pelanggan bersifat random, kedatangan motor
(dalam hal ini adalah pelanggan) tidak tergantung pada kedatangan motor
(pelanggan) yang lain. Yang dimaksud sebagai waktu kedatangan adalah
waktu kedatangan dari motor (pelanggan) pada saat masuk dalam antrian.
Waktu kedatangan ini dihitung ketika motor mulai masuk ke SPBU. Waktu
antar kedatangan diperhitungkan dari selang waktu antar kedatangan
pelanggan yang ke-t dengan yang ke-t+1.
Tabulasi data untuk pengambilan data waktu antar kedatangan
disajikan dalam bentuk sebagai berikut:

Saat Kedatangan
No Selisih
Jam Menit Detik
1 3 0 20 0
2 3 1 43 83
3 3 3 20 97
4 3 4 0 40
5 3 5 37 97
6 3 6 12 35
7 3 6 50 38
8 3 7 43 53
9 3 8 5 22
10 3 8 30 25
11 3 9 20 50
12 3 10 50 90
13 3 11 30 40
14 3 12 40 70
15 3 13 2 22
16 3 13 44 42
17 3 14 10 26
18 3 14 20 10
19 3 14 58 38
20 3 15 10 12
21 3 15 40 30
22 3 16 19 39
23 3 16 46 27
24 3 17 20 34
25 3 17 47 27
26 3 18 13 26
27 3 18 55 42

1.3.2 Variabel Waktu Pelayanan


Waktu pelayanan tiap motor (pelanggan) adalah independen, hal ini
disebabkan tiap motor (pelanggan) mempunyai tangki tempat bensin yang
berbeda-beda, ada yang tangkinya dapat memuat bensin dengan banyak
(waktu pelayanan lama) dan ada yang tangkinya dapat memuat bensin
dengan sedikit (waktu pelayanan cepat). Oleh karena itu, di dapat hasil
waktu pelayanan yang bervariasi waktunya. Lamanya waktu pelayanan
diperoleh dengan menghitung selisih antara waktu pada saat motor
(pelanggan) mulai melakukan transaksi (pelanggan berbicara dengan
pekerja SPBU) dengan waktu pada saat motor (pelanggan) selesai mengisi
bensin sampai pelanggan duduk ke dalam mobil dan meninggalkan tempat
SPBU.
Tabulasi data untuk pengambilan data waktu pelayanan disajikan
dalam bentuk sebagai berikut:

Saat Masuk Loket Saat Keluar Loket


No Selisih
Jam Menit Detik Jam Menit Detik
1 3 0 20 3 0 54 34
2 3 1 58 3 2 18 20
3 3 3 30 3 3 57 27
4 3 4 10 3 4 35 25
5 3 5 53 3 6 12 19
6 3 6 24 3 6 47 23
7 3 6 53 3 7 18 25
8 3 7 58 3 8 23 25
9 3 8 24 3 8 47 23
10 3 8 51 3 9 11 20
11 3 9 25 3 9 44 19
12 3 10 55 3 11 17 22
13 3 11 36 3 12 3 27
14 3 12 50 3 13 8 18
15 3 13 15 3 13 36 21
16 3 13 49 3 14 6 17
17 3 14 19 3 14 37 18
18 3 14 42 3 15 8 26
19 3 15 10 3 15 28 18
20 3 15 33 3 15 48 15
21 3 15 54 3 16 19 25
22 3 16 27 3 16 43 16
23 3 16 53 3 17 14 21
24 3 17 25 3 17 43 18
25 3 18 0 3 18 23 23
26 3 18 32 3 18 51 19
27 3 19 6 3 19 27 21

1.3.3 Variable Jumlah Pelayanan


Pelayanan adalah orang yang melayani pelanggan yang akan
melakukan pengisian bensin di SPBU. Jumlah pelayanan dapat dilihat dari
banyaknya tempat pengisian bensin yang digunakan untuk mengisi bensin
motor.

1.4 METODE PENGAMBILAN SAMPEL


Pengambilan sampel dilakukan pada hari Selasa siang, dimana pada
saat itu banyak orang pulang kerja dan ingin mengisi bahan bakar
kendaraannya. Kendaraan paling banyak adalah motor matic yang
mempunyai tangki kecil sehingga waktu pelayanan tidak lama.
Untuk pengambilan data waktu antar kedatangan, metode yang
digunakan yaitu sampling purposive yaitu teknik penentuan sampel dengan
pertimbangan tertentu (Sugiyono, 1999 dalam Chotimah, 2005), dalam hal
ini dengan mempertimbangkan bahwa sampel yang diambil harus berurutan.
Pada penelitian ini pencatatan waktu dilakukan di tempat saat
mobil/kendaraan roda empat masuk dalam antrian. Sedangkan pengambilan
data waktu pelayanan digunakan metode sampling accidental yaitu teknik
pengambilan sampel berdasarkan kebetulan, siapa saja yang secara
kebetulan bertemu dengan peneliti dapat digunakan sebagai sumber data
(Sugiyono, 2004 dalam Chotimah, 2005). Untuk pengambilan data waktu
pelayanan, peneliti berada di tempat dimana peneliti dapat melihat secara
jelas dari keseluruhan tempat pelayanan, sehingga jika ada motor/kendaraan
roda dua yang masuk ke tempat pelayanan, akan langsung dicatat waktu
mulai pemilik motor/kendaraan roda dua itu melakukan komunikasi dan
juga ketika pemilik motor/kendaraan roda dua selesai melakukan transaksi
(komunikasi) lalu menyalakan mesin motor/kendaraan roda dua dan
meninggalkan loket.

1.5 METODE ANALISIS


Setelah data diperoleh, selanjutnya data tersebut akan dianalisis
melalui serangkaian tahap, yaitu:
1. Pendeteksian distribusi banyak kedatangan dengan menggunakan uji
Chi Kuadrat.
Langkah – langkah pendeteksian distribusi banyak kedatangan
dengan perhitungan manual menggunakan uji Chi Kuadrat:
a. Dibuat suatu hipotesis
H₀ : data kedatangan menyebar secara Poisson
H₁ : data kedatangan tidak menyebar secara Poisson
b. Dari data waktu antar kedatangan, jumlah interval yang diperoleh
dibagi menjadi periode – periode dan dihitung banyak kedatangan
dalam setiap periode yang berurutan.
Hitung banyaknya kelas dengan rumus:
k = 1 + 3.3 * log N
N adalah banyaknya data yang diambil.
Hitung interval kelas dengan rumus:
𝑹𝒂𝒏𝒈𝒆
𝒄= 𝒌

Range adalah nilai maksimum Waktu Antar Kedatangan dikurang


nilai minimum Waktu Antar Kedatangan.
c. Selanjutnya dihitung banyak kedatangan (fn ).
d. Dengan mengacu pada persamaan Poisson yaitu
𝒆−𝝀 . 𝝀𝒏
𝑷(𝒏) = , maka dapat dihitung nilai 𝑃𝑛 .
𝒏!

e. Untuk memperoleh nilai harapan jumlah pelanggan eₙ , Pₙ harus


dikalikan dengan banyaknya interval yang ada (n).
f. Untuk memperoleh nilai Chi Kuadrat digunakan rumus
𝒌
𝟐
(𝒇𝒏 − 𝒆𝒏 )𝟐
𝝌 =∑
𝒆𝒏
𝒌=𝟎

Uji Chi Kuadrat untuk Uji Distribusi Banyak Kedatangan disajikan


dalam bentuk sebagai berikut:

n fn Pₙ eₙ (𝑓𝑛 − 𝑒𝑛 )2
𝑒𝑛

g. Dengan menggunakan table Chi Kuadrat, nilai χ (α)(k-1) (α adalah

taraf nyata untuk kebenaran dan k adalah banyak interval) dapat


diperoleh.
₂ ₂
h. Sehingga keputusan pengujian, jika χ < χ (α)(k-1) maka H₀ diterima.

Kesimpulan bahwa data kedatangan menyebar secara Poisson.

2. Pendeteksian distribusi waktu pelayanan.


Langkah-langkah pendeteksian distribusi waktu pelayanan dengan
penghitungan manual menggunakan uji chi Kuadrat:
a. Dibuat suatu hipotesis
H₀ : data waktu pelayanan menyebar secara Eksponensial
H₁ : data kedatangan tidak menyebar secara Eksponensial
b. Dari data waktu pelayanan, dibuat interval kemudian dicari nilai
tengah (xi).
c. Selanjutnya dihitung Frekuensi Observasi (fn ).
d. Frekuensi relatif (fr ) didapat dari frekuensi observasi (fn ) dibagi
jumlah frekuensi observasi (Σ fn).
e. Frekuensi harapan (fe ) yang berkaitan dengan interval [Ii-1, Ii]
dihitung dengan menggunakan rumus:
(fe ) = n(e-μ(Ii-1) - e-μ(Ii))
f. Untuk memperoleh nilai Chi Kuadrat digunakan rumus
𝒌
𝟐
(𝒇𝒏 − 𝒇𝒆)𝟐
𝝌 =∑
𝒇𝒆
𝒌=𝟎

Uji Chi Kuadrat untuk Uji Distribusi waktu pelayanan disajikan


dalam bentuk sebagai berikut:
Waktu Nilai Frekuensi Frekuensi Frekuensi
Pelayanan Tengah Observasi Relatif xi. fr Teoritis (fn - fe )2 χ2
(x) (xi) (fn ) (fr ) (fe )

g. Dengan menggunakan table Chi Kuadrat, nilai χ (α)(k-1) (α adalah

taraf nyata untuk kebenaran dan k adalah banyak interval) dapat


diperoleh.
₂ ₂
h. Sehingga keputusan pengujian, jika χ < χ (α)(k-1) maka H₀ diterima.
Kesimpulan bahwa data waktu pelayanan menyebar secara
Eksponensial.
BAB II
PEMBAHASAN
2.1 PENDETEKSIAN DISTRIBUSI BANYAK KEDATANGAN
Data yang diperoleh adalah data sekunder dari hasil pengamatan
yang dilakukan oleh kelompok kami yang terdiri dari Kevin M.J. dan
Andrew Marcelino di Sistem Pengisian Bahan-Bakar Umum (SPBU) Total
Jl. Daan Mogot KAV 49-55, Jelambar, Grogol Petamburan, Jakarta Barat.
Pengambilan data dilakukan pada tanggal 14 November 2017 pada pukul
15.00 – 15.20. Untuk mengetahui distribusi banyak kedatangan, maka dari
data tersebut dibuat tabel frekuensi banyak kedatangan secara berurutan
yang ditunjukkan pada Tabel 4.1.

Periode Waktu Banyak Kedatangan

0 - 16 3
17 - 33 7
34 - 50 9
51 - 67 4
68 - 84 2
85 - 101 2

Tabel 4.1 Banyak Kedatangan dalam Periode yang Berurutan

Dari Tabel 4.1 pengambilan data waktu kedatangan dilakukan


dengan mengelompokkan banyaknya kendaraan berjenis roda dua yang
datang ke dalam kelas interval dengan lebar kelas 17. Pengelompokkan ini
didasarkan dari observasi yang telah dilakukan sebelumnya, yang bertujuan
agar tidak terjadi penumpukan yang terlalu besar dalam antrian.
Banyak kelas (k) didapat dari rumus: 1 + 3.3 * log N, dimana 1 +
3.3 * log 27 yaitu 6 (dengan pembulatan).
𝑹𝒂𝒏𝒈𝒆
Interval kelas (c) didapat dari rumus: 𝒄 = , dimana Range
𝒌

yaitu 97 – 0 yaitu 97, sehingga diperoleh interval kelas (c) yaitu 17


(dengan pembulatan).
Banyak kedatangan kendaraan berjenis roda empat di Sistem
Pengisian Bahan-Bakar Umum (SPBU) Total Jl. Daan Mogot KAV 49-55,
Jelambar, Grogol Petamburan, Jakarta Barat, diasumsikan berdistribusi
Poisson. Untuk menguji bahwa banyak kedatangan berdistribusi Poisson
dilakukan Uji Kebaikan Suai Chi-Square yang ditunjukkan pada Tabel 4.2.
1. Hipotesis:
H₀ : kedatangan berdistribusi Poisson.
H₁ : kedatangan tidak berdistribusi Poisson.
2. Kriteria yang digunakan:
₂ ₂
H₀ diterima jika χ hitung < χ tabel dan H₁ ditolak.

₂ ₂
H₁ diterima jika χ hitung > χ tabel dan H0 ditolak.

3. Dari hasil penelitian antrian pelanggan diperoleh distribusi


waktu antar kedatangan sebagai berikut:

(𝒇𝒏 − 𝒆𝒏 )𝟐
n fn Pₙ eₙ 𝝌𝟐 =
𝒆𝒏
0 0 0.01111 0.06665 0.0666539792400000
1 0 0.04999 0.29994 0.2999400000000000
2 2 0.11247 0.67482 2.6023265943510900
3 1 0.16871 1.01226 0.0001484871475708
4 1 0.18980 1.13880 0.0169173164734809
5 0 0.17082 1.02492 1.0249200000000000
6 0 0.12812 0.76872 0.7687200000000000
7 1 0.08236 0.49416 0.5177960692892990
8 0 0.04632 0.27792 0.2779200000000000
9 1 0.02316 0.13896 5.3352754864709300
10 0 0.01042 0.06252 0.0625200000000000
Σχ2 10.9731379329724000

Tabel 4.2 Uji Chi Kuadrat untuk Uji Distribusi Banyak Kedatangan

Keterangan:
𝛴𝑛.𝑓𝑛 (2∗2)+(1∗3)+(1∗4)+(1∗7)+(1∗9) 27
λ= = = = 4.5
𝛴𝑓𝑛 2+1+1+1+1 6

k = Σn = 11
α = 0,05
₂ ₂ ₂
χ tabel = χ (α, k-1) = χ (0.05, 10) = 18,307038

Gambar 4.1 Tabel Distribusi Chi Square

Dari Tabel 4.2 diketahui jumlah kedatangan (n) dan frekuensi


observasi (fn ) yang dihasilkan dari Tabel 4.1, akan diperoleh probabilitas
kedatangan (Pₙ) dan frekuensi harapan (eₙ) untuk menentukan nilai chi-

kuadrat (χ ). Berdasarkan perhitungan yang telah dilakukan, diperoleh hasil

uji chi-square banyak kedatangan yang dapat dilihat pada Tabel 4.2, bahwa
₂ ₂
nilai χ hitung = 10.9731379329724000 < 18,307038 = χ tabel, maka H₀

diterima dan H₁ ditolak. Dengan demikian distribusi probabilitas untuk


banyak kedatangan pelanggan berdistribusi Poisson.
2.2 PENDETEKSIAN DISTRIBUSI WAKTU PELAYANAN
Dalam menentukan distribusi probabilitas waktu pelayanan
digunakan data waktu pelayanan yang ada pada lampiran 1. Untuk menguji
distribusi probabilitas waktu pelayanan dilakukan Uji Kebaikan Suai Chi-
Square yang ditunjukkan pada Tabel 4.3.
1. Hipotesis:
H₀ : pelayanan berdistribusi eksponensial.
H₁ : pelayanan tidak berdistribusi eksponensial.
2. Kriteria yang digunakan:
₂ ₂
H₀ diterima jika χ hitung < χ tabel dan H₁ ditolak.

₂ ₂
H₁ diterima jika χ hitung > χ tabel dan H0 ditolak.

3. Dari hasil penelitian antrian pelanggan diperoleh distribusi


waktu pelayanan sebagai berikut:

Waktu Pelayanan Nilai Tengah (xi) Freq. Observasi (Fi) xi * fi


15-18 16.5 7 116
19-22 19.5 9 176
23-26 23.5 8 188
27-30 27.5 2 55
31-33 31.5 0 0
34-37 34.5 1 35
153 27 569

Tabel 4.3 Uji Chi Kuadrat untuk Uji Distribusi Waktu Pelayanan

Keterangan:
𝛴𝑥i.𝑓𝑖 569
μ= = = 21.05555556 pelangan per detik
𝛴𝑓𝑖 27
1 1
= 21.05555556 = 0.047493404 detik per pelanggan
𝜇

k=6

α = 0,05
₂ ₂ ₂
χ tabel = χ (α, k-1) = χ (0.05, 5) = 11,070498
Dari Tabel 4.3 dengan menggunakan uji chi-square waktu
₂ ₂
pelayanan dapat dilihat bahwa nilai χ hitung < χ tabel, maka H₀ diterima

dan H₁ ditolak. Dengan demikian distribusi probabilitas untuk waktu


pelayanan berdistribusi eksponensial.

2.3 MODEL ANTRIAN DI SPBU


Berdasarkan hasil dari Uji Kebaikan Suai (Goodness of Fit) Chi-
Square waktu antar kedatangan dan waktu pelayanan yang telah dilakukan,
dapat ditentukan model dari suatu antrian. Model sistem antrian di Sistem
Pengisian Bahan-Bakar Umum (SPBU) Total Jl. Daan Mogot KAV 49-55,
Jelambar, Grogol Petamburan, Jakarta Barat mengikuti bentuk Multi
Channel Single Phase yang mempunyai antrian tunggal dengan fasilitas
pelayanan. Disiplin antrian yang digunakan adalah FCFS, yaitu mobil
(pelanggan) yang datang terlebih dahulu akan dilayani dahulu. Distribusi
waktu antar kedatangan berdistribusi Poisson dan distribusi waktu
pelayanan mengikuti distribusi Eksponensial. Jadi model antrian yang
digunakan di Sistem Pengisian Bahan-Bakar Umum (SPBU) Total Jl. Daan
Mogot KAV 49-55, Jelambar, Grogol Petamburan, Jakarta Barat adalah
Model antrian (M/G/3) : (FCFS/∞/∞).

2.4 ANALISIS PERHITUNGAN MODEL ANTRIAN


Analisis perhitungan dari model antrian adalah menentukan hasil
dari perhitungan efektifitas model antrian. Analisis perhitungan model
antrian dapat dilakukan dengan 2 cara yaitu dengan menggunakan
perhitungan manual dan program POM for Windows.

2.4.1 Analisis Model Antrian Menggunakan Perhitungan Manual


Dari hasil Uji Kebaikan Suai (Goodness of Fit) Chi-Square yang
telah dilakukan pada Tabel 4.2 dan Tabel 4.3, diperoleh:
λ = 4.5 pelanggan per 17 menit
= 0.264705882 pelanggan per menit
= 0,004411765 pelanggan per detik
μ = 0.047493404 detik per pelanggan
s=1
Sehingga faktor kegunaan pelayanan dihitung dengan menggunakan
rumus:
λ 0,004411765
𝜌 = μ = 0.047493404 = 0.092892157

a. Menghitung rata-rata waktu yang dihabiskan seorang pelanggan


Rata-rata waktu yang dihabiskan seorang pelanggan dalam antrian
dihitung dengan menggunakan rumus:
𝜆
Wq = 𝜇(𝜇−𝜆)
0,004411765
= 0.047493404(0.047493404−0,004411765 )

= 2.156189018
Jadi rata-rata waktu yang dihabiskan seorang pelanggan dalam antrian
adalah 2.156189018 detik.
b. Menghitung rata-rata jumlah pelanggan dalam antrian dihitung dengan
menggunakan rumus:
𝜆𝜆
Lq = 𝜇(𝜇−𝜆)
0,004411765 ∗ 0,004411765
= 0.047493404(0.047493404−0,004411765 )

= 0.009512599
Jadi rata-rata jumlah motor (pelanggan) dalam antrian adalah
0.009512599 motor (pelanggan).
c. Menghitung rata-rata jumlah pelanggan dalam sistem dihitung dengan
menggunakan rumus:
𝜆
Ls = 𝜇−𝜆
0,004411765
= 0.047493404−0,004411765

= 0.102404755
Jadi rata-rata banyaknya pelanggan dalam sistem adalah 0.102404755
pelanggan.
d. Rata-rata waktu yang dihabiskan seorang pelanggan dalam sistem
dihitung dengan menggunakan rumus:
1
Ws = 𝜇−𝜆
1
= 0.047493404−0,004411765

= 23.21174457
Jadi rata-rata waktu yang dihabiskan seorang pelanggan dalam sistem
adalah 23.21174457 detik.
e. Presentase waktu kosong bahwa tidak ada satupun dalam sistem dapat
dihitung dengan menggunakan rumus:
λ
P0 = 1 - μ

= 0.907107843

Jadi waktu kosong bahwa tidak ada satupun dalam sistem adalah
0.907107843.

2.4.2 Analisis Model Antrian Menggunakan Program POM for Windows


Analisis model antrian menggunakan program POM for Windows
adalah untuk pembanding dari hasil model antrian menggunakan
perhitungan manual. Dalam hal ini program POM for Windows dapat
mempercepat proses perhitungan dari model antrian sesuai dengan
perhitungan manual.
Langkah-langkah dalam menggunakan program POM for Windows
adalah
1. Membuka program POM for Windows.
2. Klik Module pilih Waiting Lines.
3. Klik File – New – pilih M/M/s, klik ok.
4. Ubah input angka desimal menjadi 6.
5. Isi Arrival rate (λ), Service rate (μ) dan Number of servers.
6. Jika sudah terisi semua maka untuk menampilkan hasilnya klik
Solve.
Untuk menentukan model antrian M/G/3 dengan menggunakan
program POM for Windows dibutuhkan rata-rata waktu antar kedatangan
(λ), rata-rata waktu pelayanan (μ) dan jumlah pelayanan (s) yang telah
diperoleh sebagai berikut:
λ = 0.004411765 pelanggan per detik
μ = 0.047493404 detik per pelanggan
s=3

Selanjutnya akan dilakukan analisis model antrian dengan


menggunakan program POM for Windows yang dapat dilihat pada Tabel
4.4.

Parameter Value Parameter Value Minutes Seconds


M/M/s Average server 0.30966
utilization
Arrival rate 0. 004411765 Average number 0.000004
(lamda) in the queue (Lq)
Service rate 0. 047493404 Average number 0.092902
(mu) in the system
(Ls)
Number of 3 Average time in 0.00091 0.054606 3.276382
servers the queue (Wq)
Average time in 21.05664 1263.399 75803.92
the system (W)
Tabel 4.4 Hasil Analisis menggunakan program POM for Windows

Dari tabel 4.4 diperoleh hasil analisis menggunakan program POM


for Windows yang dihasilkan dari rata-rata kedatangan (λ) = 0. 004411765,
rata-rata pelayanan (μ) = 0. 047493404 dan jumlah pelayanan s = 3 maka
diperoleh hasil dari analisis menggunakan program POM for Windows
yaitu utilitas pelayanan (𝜌) = 0. 30966, rata-rata jumlah pelanggan dalam
antrian (Lq) = 0. 000004, rata-rata jumlah pelanggan dalam sistem (Ls) = 0.
092902, rata-rata waktu yang dihabiskan pelanggan dalam antrian (Wq) =
0. 00091, dan rata-rata waktu yang dihabiskan pelanggan dalam sistem (Ws)
= 21.05664.

2.5 PERBANDINGAN PERFORMANSI MODEL ANTRIAN


HASIL SIMULASI DENGAN KEADAAN SEBENARYA DI
SPBU
Berikut ini ditunjukkan data nilai performansi model antrian yang
memuat keadaan sebenarnya dan hasil simulasi pada Tabel 4.5.

Server
Performansi
1 (Sebenarnya) 2 (Simulasi) 3 (Simulasi)
𝜌 0.092898 0.46449 0.030966
Lq 0.009514 0.000201 0.000004
Ls 0.102412 0.045526 0.092902
Wq 2.156354 0.045526 0.00091
Ws 23.21209 21.10126 21.05664
Tabel 4.5 Performansi Model Antrian

Server
Performansi
1 (Sebenarnya)
𝜌 0.0928979
Lq 0.00951384
Ls 0.102412
Wq 2.15635
Ws 23.2121
Tabel 4.6 Hasil Perhitungan pada CPP

Berdasarkan Tabel 4.5 dapat dilihat bahwa dengan jumlah server


baik hasil simulasi maupun sebenarnya pada dasarnya semua sudah optimal.
Hal ini dapat dilihat dari hasil performansi model antrian yang diperoleh.
Dengan menggunakan 1 server nilai tingkat pelayanan (𝜌) adalah 0.092898
lebih besar dibandingkan dengan 2 server yaitu 0.030966, dengan menggunakan
3 server yaitu 0.091119. Tetapi waktu tunggu dalam antrian (Wq) jika
menggunakan 1 server yaitu 2.156354 detik. Sangat berbeda jauh jika
dibandingkan dengan menggunakan 2 server yaitu 0.045526 detik, atau dengan
menggunakan 3 server yaitu 0.00091 detik, dimana artinya hampir tidak ada
waktu tunggu dalam antrian. Jumlah pelanggan yang ada dalam antrian (Lq) dan
dalam sistem (Ls) semua server hampir sama yaitu jika menggunakan 1
server Lq = 0.0095126 dan Ls = 0.102405 . Sedangkan menggunakan 2 server Lq
= 0.000201 dan Ls = 0. 045526, untuk 3 server Lq = 0.000004 dan Ls =
0.092902. Jadi menurut hasil performansi model baik menggunakan server yang
sebenarnya maupun simulasi adalah optimal.
LAMPIRAN
POM (1 Server)

POM (2 Server)

POM (3 Server)

Hasil CPP
Coding CPP