UPI YPTK Jurnal KomTekInfo Vol. 4, No. 1, Juni 2017, Hal.

116-128 ISSN :2356-0010

Copyright©2017 by LPPM UPI YPTK Padang

PEMODELAN DAN SIMULASI ANALISA SISTEM

ANTRIAN PELAYANAN NASABAH DI PT SARANA
SUMATERA BARAT VENTURA SSBV MENGGUNAKAN
METODE MONTE CARLO
Rizki Satria1), Rini Sovia1), Rima Liana Gema1)
1
Universitas Putra Indonesia “YPTK” Padang
E-mail: rizkisatriaku@gmail.com

Abstrak

Abstrak - Penelitian sistem antrian yang ada pada PT Sarana Sumatera Barat Ventura “SSBV” untuk
pembayaran kredit Nasabah didasarkan pada waktu pelayanan yang lama sehingga Nasabah merasa
kurang nyaman saat menunggu antrian. Penelitian ini bertujuan untuk membantu pihak perusahaan
terutama pelayanan PT SSBV agar proses antrian tidak membutuhkan waktu yang lama, sehingga
mampu memberikan waktu pelayanan yang efektif, efisien dan pelayanan menjadi lebih cepat, dengan
menggunakan pemodelan dan simulasi dengan metode Monte Carlo jenis Multi Channel Single Phase
untuk antrian pelayanan Nasabah PT Sarana Sumatera Barat Ventura “SSBV”. Penelitian ini dikerjakan
dengan cara datang langsung kelapangan, dengan melakukan riset perpustakaan dan penelitian di
laboratorium, dimana hasil yang ditampilkan berbentuk simulasi menggunakan software promodel pada
pc atau laptop. Kesimpulan penelitian, yaitu dengan analisa sistem antrian menggunakan metode Monte
Carlo mampu mengetahui lamanya waktu pelayanan dan dapat mengurangi antrian dengan menggunakan
bilangan random, sehingga waktu pelayanan yang lama menjadi lebih cepat serta memberikan kemudahan
bagi Perusahaan dan Nasabah.

Kata Kunci : Antrian, Promodel, Monte Carlo, Multi Channel single Phase

1. Pendahuluan
Dalam kehidupan sehari-hari, banyak ditemukan masalah antrian. permasalahan antrian
dapat menimbulkan kerugian yang besar. Penelitian ini dilakukan sebagai aplikasi dari
mata kuliah permodelan dan simulasi pada antrian. Tujuan dari tulisan ini adalah untuk
mempelajari kinerja sistem dengan cara memodelkan simulasi antrian ganda dengan
berbagai alternatif jumlah teller dengan menggunakan metode Monte Carlo.
Pada saat ini sistem antrian pada PT Sarana Sumatera Barat Ventura (SSBV) masih
menggunakan antrian manual yaitu dengan mengantri satu persatu dan berbaris tidak
begitu efektif dalam sistem antriannya. Maka dari itu sistem yang dibuat ini dapat
mempercepat antrian tanpa menghabiskan waktu dan membuat nasabah menunggu pada
loket yang ada dikantor tersebut dengan menggunakan metode Monte Carlo.
Antrian sudah menjadi bagian dalam proses atau pelayanan, dalam hal mengantri waktu
merupakan komponen atau aspek yang sangat penting dan berharga, oleh karena itu
sistem yang ada dapat mereduksi penggunaan waktu yang berlebihan, agar lebih efektif
dan efisien dalam hal penggunaan waktu tersebut.
Waktu mengantri juga menjadi komponen yang lebih penting, hal ini dikarenakan
hubungan dengan peningkatan kualitas dari pelayanan itu sendiri.

2. Landasan Teori
2.1 Dasar Pemodelan dan Simulasi
Pemodelan dan simulasi didasari oleh pengetahuan komputer, matematika serta probabilitas dan
statistik, walaupun tidak dapat disangkal bahwa prosesnya sering masih dilakukan sebagai
proses yang instingtif. Karena untuk membangun suatu model dari sistem dan melakukan
simulasi tidak ada rumus-rumus yang eksak,maka yang dapat diberikan hanyalah petunjuk-

116
UPI YPTK Jurnal KomTekInfo Vol. 4, No. 1, Juni 2017, Hal. 116-128 ISSN :2356-0010
Copyright©2017 by LPPM UPI YPTK Padang

petunjuk secara garis besar dalam bidang tersebut.(Pemodelan dan Simulasi Sistem
Teori,Aplikasi Dan Contoh Program Dalam Bahasa C, Bambang Sridadi, 2009, Hal : 3).

2.1.1 Tujuan Pemodelan dan Simulasi

Secara umum ada tiga tujuan dari pemodelan dan simulasi adalah untuk pelatihan (training),
studi perilaku sistem (behaviour), hiburan atau permainan (game). Simulasi di perlukan untuk
memahami suatu sistem tertentu, misalnya sistem antrian perbankan, sistem transportasi darat,
sistem lalu lintas udara dekat bandara, sistem kebijakan ekonomi, dan lain-lain.(Pemodelan dan
Simulasi Sistem Teori,Aplikasi Dan Contoh Program Dalam Bahasa C, Bambang Sridadi, 2009,
Hal : 3). Simulasi sistem merupakan konsekuensi dari tiga hal berikut:
1. Kebutuhan terhadap suatu studi biaya-rendah atau perencanaan sistem yang mempunyai
sifat alamiah kompleks sebagai pembuka ke arah pengembangan dalam suatu eksperimen
laboratorium atau sebagai suatu model skala.
2. Kebutuhan untuk memverifikasi bahwa suatu sistem persamaan matematika pemodelan
yang digunakan dalam suatu sistem kendali adalah valid.
3. Kebutuhan untuk meramal (forecast) tanggapan suatu sistem terhadap kebijakan atau
kendali kompleks sebagai suatu alat evaluasi konsekuensi dari alternatif kebijakan atau
kendali tertentu yang dipilih.(Pemodelan dan Simulasi Sistem Teori,Aplikasi Dan Contoh
Program Dalam Bahasa C, Bambang Sridadi, 2009, Hal : 3).

2.2 Model
Model adalah representasi dari suatu objek, benda atau ide-ide dalam bentuk yang lain dengan
entitasnya. Model berisi sebuah informasi tentang suatu sistem yang dibuat dengan tujuan untuk
mempelajari prilaku sistem yang sebenarnya. Tujuan dari studi pemodelan adalah menentukan
informasi (variabel dan parameter) yang dianggap penting untuk dikumpulkan, sehingga tidak
ada model yang unik (Pemodelan dan Simulasi Sistem Teori Aplikasi Dan Contoh Program
Dalam Bahasa C, Bambang Sridadi, 2009, Hal : 42).

2.2.1 Jenis-Jenis Model

Beberapa jenis model dapat dikelompokkan sebagai berikut (Pemodelan dan Simulasi Sistem
Teori Aplikasi Dan Contoh Program Dalam Bahasa C, Bambang Sridadi, 2009, Hal : 44).
a. Model skala: model yang dibuat biasanya memperkecil skala dari aslinya. Misalnya: model
mobil, model pesawat terbang untuk uji terowongan angin (wind tunnel).
b. Model piktorial (Visual Grafis): model yang dibuat dengan menggambar rancangan yang
sebenarnya belum ada. Misalnya: designer mengambar model baju, arsitek menggambar
rumah.
c. Model Verbal: model yang penjelasannya dengan kata-kata. Misalnya: proses inflasi
tergantung dari beberapa faktor ekonomi makro, dijelaskan dengan kata-kata baru dibuat
diagram skematis.
d. Model Skematis: model yang melukiskan unsur-unsur sistem dalam bentuk skema, petak-
petak dan arus barang atau informasi. Model dapat berupa diagram, seperti: diagram blok
DFD (Data Flow Diagram), CD (Context Diagram), Petri Net, Flowchart, PERT
(Program Evaluation dan Review Technique). Model dalam bentuk skema statik, seperti:
tabel, bagan Gantt (Gantt chart).
e. Model simbolik (matematika): model dalam bentuk persamaan matematika seperti:
persamaan diferential, persamaan deferens, persamaan aljabar, persamaan logika, dan lain-
lain.
f. Model komputer: model dalam bentuk program komputer (source code) yang ditulis
menggunakan bahasa komputer tertentu, seperti: C, Pascal, Ada, dan lain-lain.

2.3 Definisi Simulasi

Simulasi adalah proses implementasi model menjadi program komputer (software) atau
rangkain elektronik dan mengeksekusi software tersebut sedemikian rupa sehingga
perilakunya menirukan atau menyerupai sistem nyata tertentu untuk tujuan mempelajari
perilaku sistem, pelatihan atau permainan yang melibatkan sistem nyata. Jadi, simulasi adalah

117
UPI YPTK Jurnal KomTekInfo Vol. 4, No. 1, Juni 2017, Hal. 116-128 ISSN :2356-0010
Copyright©2017 by LPPM UPI YPTK Padang

proses merancang model dari suatu sistem yang sebenarnya, mengadakan percobaan-percobaan
tersebut dan mengevaluasi hasil percobaan tersebut(Pemodelan dan Simulasi Sistem Teori
Aplikasi Dan Contoh Program Dalam Bahasa C, Bambang Sridadi, 2009, Hal : 65).

Berdasarkan teknik atau metodologi simulasi, maka ada beberapa jenis simulasi antara lain
(Pemodelan dan Simulasi Sistem Teori Aplikasi Dan Contoh Program Dalam Bahasa C,
Bambang Sridadi, 2009, Hal : 67):
1. Simulasi Monte Carlo, tidak ada elemen waktu, digunakan untuk mengevaluasi ekspresi
non- probabilistik (misalnya integral) menggunakan metode probabilistik, melibatkan
banyak persoalan matematika.
2. Simulasi kemudi-jejak, secara ekstensif digunakan misalnya pada evaluasi unjuk kerja
sistem komputer, misalnya algoritma penghalaman (paging).
3. Simulasi kejadian diskret, suatu simulasi yang menggunakan model sistem kejadian diskret
(discrete event), misalnya pada studi unjuk kerja sistem komputer digital, studi sistem
antrian bank, dan lain-lain.

4. Simulasi dinamis kontinu, menggunakan model keadaan perubahan kontinu terhadap waktu,
misalnya pada studi proses reaksi kimia, gerakan dinamis suatu kendaraan ( vehicle) baik
darat, laut ataupun udara.

2.4 Perangkat Lunak

Perangkat lunak (software) adalah program komputer yang terasosiasi dengan dokumentasi
perangkat lunak seperti dokumentasi kebutuhan, model desain, dan cara penggunaan (user
manual). Sebuah program komputer tanpa terasosiasi dengan dokumentasinya maka belum
dapat disebut perangkat lunak (software). Sebuah perangkat lunak juga sering disebut dengan
sistem perangkat lunak. Sistem berarti kumpulan komponen yang saling terkait dan mempunyai
satu tujuan yang ingin dicapai.(Rekayasa Perangkat Lunak, Rosa A.S, M.Shalahudin, 2013, Hal
: 2).

2.5 Rekayasa Perangkat Lunak

Rekayasa perangkat lunak (software engineering) merupakan pembangunan dengan
menggunakan prinsip atau konsep rekayasa dengan tujuan menghasikan perangkat lunak yang
bernilai ekonomi dengan dipercaya dan bekerja secara efisien menggunakan mesin. (Rekayasa
Perangkat Lunak,Rosa A.S, M.Shalahudin, 2013, Hal : 4).

2.6 Pengertian Software Development Life Cycle (SDLC)

SDLC atau Software Development Life Cycle atau sering disebut juga System Development Life
Cycle adalah proses pengembangan atau mengubah suatu sistem perangkat lunak dengan
menggunakan model-model dan metodologi yang digunakan orang untuk mengembangkan
sistem-sistem perangkat lunak sebelumnya bedasarkan best practice atau cara-cara yang sudah
teruji baik.(Rekayasa Perangkat Lunak, Rosa A. S, M.Shalahuddin, 2013, Hal : 25). Berikut
beberapa model System Development Life Cycle :

2.6.1 Model Waterfall

Model SDLC air terjun (waterfall) sering juga disebut model sekuensial linier
(sequential linier) atau alur hidup klasik (classic life cycle). Model air terjun
menyediakan pendekatan alur hidup perangkat lunak secara sekuensial atau terurut
dimulai dari analisis, desain, pengodean, pengujian, dan tahap pendukung
(support).“Model waterfall adalah model SDLC yang paling sederhana. Model ini
hanya cocok untuk pengembangan perangkat lunak dengan spesifikasi yang tidak
berubah-ubah”.(Rekayasa Perangkat Lunak, Rosa A. S, M.Shalahuddin, 2013, Hal : 28).

118
UPI YPTK Jurnal KomTekInfo Vol. 4, No. 1, Juni 2017, Hal. 116-128 ISSN :2356-0010
Copyright©2017 by LPPM UPI YPTK Padang

Sistem / Rekayasa
Informasi

Analisis Desain Pengodean Pengujian

Sumber : (Rekayasa Perangkat Lunak, Rosa A. S, M.Shalahuddin, 2013)

Gambar 1 : Ilustrasi Model Waterfall

2.6.2 Model Prototipe

Model prototipe dapat digunakan untuk menyambungkan ketidakpahaman pelanggan mengenai
hal teknis dan memperjelas spesifikasi kebutuhan yang diinginkan pelanggan kepada
pengembangan perangkat lunak. “Model prototipe cocok digunakan untuk menggali spesifikasi
kebutuhan pelanggan secara lebih detail tetapi beresiko tinggi terhadap membengkaknya biaya
dan waktu proyek”.(Rekayasa Perangkat Lunak, Rosa A. S, M.Shalahuddin, 2013, Hal : 31).

Sumber : (Rekayasa Perangkat Lunak, Rosa A. S, M.Shalahuddin, 2013)

Gambar 2 : Ilustrasi Model Prototype

2.7 Diagram UML (Unified Modelling Language)

Seperti yang kita ketahui bahwa menyatukan banyak kepala untuk menceritakan sebuah ide
dengan tujuan untuk memahami hal yang sama tidaklah mudah, oleh karena itu diperlukan
sebuah bahasa pemodelan perangkat lunak yang dimengerti oleh banyak orang. (Rekayasa
Perangkat Lunak, Rosa A. S, M.Shalahuddin, 2013, Hal : 137).

2.7.1 Use Case Diagram

Use Case atau Diagram Use Case merupakan pemodelan untuk melakukan (behavior) sistem
informasi yang akan dibuat. Use case digunakan untuk mengetahui fungsi apa saja yang ada di
dalam sebuah sisteminformasi dan siapa saja yang berhak menggunakan fungsi-fungsi itu.
(Rekayasa Perangkat Lunak, Rosa A. S, M.Shalahuddin, 2013, Hal : 155).

2.7.2 Class Diagram

Diagram kelas dibuat agar pembuat program atau programmer membuat kelas-kelas sesuai
rancangan di dalam diagram kelas agar antara dokumentasi perancangan dan perangkat lunak
sinkron. Kelas-kelas yang ada pada struktur sistem harus dapat melakukan fungsi-fungsi sesuai
dengan kebutuhan sistem sehingga pembuat perangkat lunak atau programmer dapat membuat
kelas-kelas di dalam program perangkat lunak sesuai dengan perancangan diagram kelas.
(Rekayasa Perangkat Lunak, Rosa A. S, M.Shalahuddin,2013, Hal : 141).

2.7.3 Sequence Diagram

Diagram sequence menggambarkan kelakuan objek pada use case dengan mendeskripsikan
waktu hidup objek dan message yang dikirimkan dan diterima antar objek. Oleh karena itu
untuk menggambarkan diagram sequence maka harus diketahui objek-objek yang terlibat dalam
sebuah use case beserta motode yang memiliki kelas yang diinstansiasi menjadi objek itu.
Membuat diagram sequence juga dibutuhkan untuk melihat skenario yang ada pada use case.
(Rekayasa Perangkat Lunak, Rosa A. S, M.Shalahuddin, 2013, Hal : 165).

119
UPI YPTK Jurnal KomTekInfo Vol. 4, No. 1, Juni 2017, Hal. 116-128 ISSN :2356-0010
Copyright©2017 by LPPM UPI YPTK Padang

2.7.4 Activity Diagram

Activity diagram menggambarkan workflow (aliran kerja) atau aktivitas dari sebuah sistem atau
proses bisnis atau menu yang ada pada perangkat lunak. Diagram aktivitas menggambarkan
aktivitas sistem bukan apa yang dilakukan aktor, jadi aktivitas yang dapat dilakukan oleh
sistem. (Rekayasa Perangkat Lunak, Rosa A. S, M.Shalahuddin, 2013, Hal : 161).

2.8 Random Number

Bilangan acak atau bilangan random adalah Suatu bilangan yang tidak dapat diprekdisi
kemunculannya disebut dengan bilangan acak atau random. Ada beberapa algoritma
pembangkit bilangan random atau pseudo random number yang digunakan seperti LCG (Linear
Congruential Generators), MRNG (Multiplicative Random Number Generator) dan MCRNG
(Mixed Congruential Random Number Generator). LCG merupakan metode yang digunakan
untuk membangkitkan bilangan random dengan distribusi uniform. MRNG adalah metode
pembangkitan bilangan random berupa bilangan-bilangan prima. Ketika membangkitkan
pseudo-random numbers terdapat beberapa kesalahan tertentu seperti :
1. Angka yang dihasilkan tidak berdistribusi seragam.
2. Angka yang dihasilkan adalah discrete-valued sebagai ganti nilai kontinyu.
3. Rata-rata angka yang dihasilkan bernilai adalah terlalu tinggi atau terlalu rendah.
4. Tidak independen, misalnya masih terdapat nilai auto korelasi antar angka-angka yang
dihasilkan.
Suatu bilangan random harus replicable. Pembangkitan bilangan random memiliki beberapa
metode, salah satunya yaitu Linear Conruential Method (LCM).
LCM menghasilkan suatu urutan bilangan bulat x1, x2, antara 0 dan m-1 menurut hubungan
berulang berikut ini :
XI+1 = (a Xi + C) mod m, dengan I = 0,1,2…
Di mana :
a = Konstanta perkalian
Xi = Nilai awal yang ditentukan
C= Kenaikan
Mod = Modulus
Jika C ≠ 0, maka dikatakan sebagai Mixed Congruential Method.Ketika C = 0, maka dikatakan
sebagai Multiplicative Congruential Method. Bilangan random antara 0 dan 1 dihasilkan oleh :
𝑥𝑖
𝑅𝑖 = , 𝑖 = 0,1,2 ….
𝑚
Yang terpenting adalah bahwa pembangkitan bilangan random menghasilkan R1, R2 …
mendekatai keseragaman dan independen.Pertimbangan harus pula diberikan kepada maximum
density dan maximum period. Maxium density berarti bahwa nilai-nilai dihasilkan oleh Ri, i=
1,2,…. Tidak memberikan gap yang cukup besar [0,1]. Ini dapat dicapai dengan pembuatan m
yang besar.Untuk menghindari cycling (perulangan angka-angka yang dihasilkan) generator
perlu mempunyai possible periode yang cukup besar.Ini biasa dicapai oleh pemilihan a, c, m,
dan X0 yang sesuai.

2.9 Metode Monte Carlo

Monte Carlo adalah algoritma komputasi untuk mensimulasikan berbagai perilaku sistem fisika
dan matematika. Metode ini terbukti efisien dalam memecahkan persamaan diferensial, integral
medan radians. Metode monte carlo umumnya dilakukan meggunakan komputer dan memakai
teknik simulasi komputer.

2.9.1 Teknik Monte Carlo

Teknik Monte Carlo merupakan pendekatan khusus yang sangat berguna untuk mensimulasikan
situasi yang mengandung risiko sehingga diperoleh jawaban-jawaban perkiraan yang tidak dapat
diperoleh dari penelitian-penelitian secara fisik atau dari penggunaan analisis matematika.
Proses Monte Carlo dalam memilih angka acak berdasarkan distribusi probabilitas bertujuan
untuk menentukan variabel acak melalui uji sampel dari distribusi probabilitas. Teknik ini dapat

120
UPI YPTK Jurnal KomTekInfo Vol. 4, No. 1, Juni 2017, Hal. 116-128 ISSN :2356-0010
Copyright©2017 by LPPM UPI YPTK Padang

dikerjakan degan alat bantu yaitu perangkat lunak dari komputer berupa lembar kerja
(Spreadsheet) yang di program untuk membangkitkan bilangan random sesuai dengan yang
dibutuhkan. Memunculkan nilai bilangan acak seperti: tabel bilangan acak, prosedur atau
subrutin di dalam program (Simulasi Sistem Industri, Miftahol Arifin, 2008, Hal: 101).
Langkah-Langkah Simulasi Monte Carlo. Teknik simulasi Monte Carlo terbagi atas lima
langkah sederhana yaitu sebagai berikut :
1. Menetapkan sebuah distribusi probabilitas bagi variabel penting. Ide dasar simulasi Monte
Carlo adalah untuk membangkitkan nilai untuk variabel pada model yang sedang diuji.
Dalam sistem dunia nyata, sebagai besar variabel memilik probabilitas alami. Diantaranya
adalah :
a. Permintaan persediaan.
b. Waktu tenggang pesanan untuk tiba.
c. Waktu diantara mesin rusak.
d. Waktu diantara kedatangan pelanggan pada suatu fasilitas pelayanan.
e. Waktu pelayanan.
f. Waktu yang diperlukan untuk menyelesaikan aktivitas proyek, dan jumlah karyawan
yang tidak hadir setiap hari.
2. Membuat distribusi probabilitas kumulatif bagi setiap variabel. Untuk mengubah distribusi
probabilitas biasa menjadi sebuah distribusi probabilitas kumulatif (cumulative probability
distribution) merupakan pekerjaan yang mudah.
3. Menetapkan sebuah interval angka acak bagi setiap variabel. Setelah distribusi probabilitas
kumulatif bagi setiap varibel yang digunakan dalam simulasi sudah diterapkan, maka
diberikan serangkaian angka yang mewakili setiap nilai atau ouput yang mungkin, angka
ini disebut sebagai interval angka acak (random-number interval).
4. Membangkitkan angka acak yang sedang diteliti melibatkan banyak percobaan simulasi,
maka digunakan program komputer untuk membangkitkan angka acak. Jika simulasi
dilakukan dengan perhitungan tangan, angka acak dapat diambil dari sebuah tabel angka
acak.
5. Membangkitkan serangkaian percobaan Hasil dari eksperimen dapat disimulasikan secara
sederhana dengan memilih angka acak dari tabel angka acak.

2.9.2 Simulasi Monte Carlo

Simulasi computer harus melakukan dengan menggunkana model computer untuk menirukan
kehidupan nyata atau membuat prediksi. Bila diciptakan suatu model dengan satu spreadsheet
seperti excel, maka dipunyai sejumlah tertentu parameter masukan dan beberapa persamaan
yang menggunakan masukan tersebut untuk memberikan sekumpulan keluaran (atau variable
tanggapan). Model jenis ini umumnya deterministic, maksudnya adalah akan diperoleh hasil
yang sama berapapun komputasi diulang (Pemodelan dan Simulasi Sistem Teori Aplikasi Dan
Contoh Program Dalam Bahasa C, Bambang Sridadi, 2009, Hal:369).

3. Metodologi Penelitian
Kerangka penelitian adalah konsep atau tahapan-tahapan yang dilakukan dalam
penelitian yang akan diuraikan pada gambar berikut ini:

Gambar 1 : Kerangka Penelitian

121
UPI YPTK Jurnal KomTekInfo Vol. 4, No. 1, Juni 2017, Hal. 116-128 ISSN :2356-0010
Copyright©2017 by LPPM UPI YPTK Padang

4. Analisa dan Pengolahan Data

4.1 Single Channel Single Phase (satu saluran satu tahap)

Pada analisa proses ini yang dicontohkan hanya 50 data antrian yang akan diolah menggunakan
metode metode monte carlo dengan jalur antrian single channel single phase (satu saluran satu
tahap)
Ilustrasi simulasi sebagai berikut :
a. Data Input
Tabel 1 : Data Input
Input Waktu atau orang

Jumlah 50 orang
Nasabah
Waktu 0-3 menit
Kedatangan
Waktu 1-4 menit
Pelayanan

b. Interval waktu selisih dari sebuah kedatangan dimana dari pembagian banyak
bilangan random dibagi dengan banyak interval / selisih waktu kedatangan
jumlah bilangan random 50
Pembagian bialangan random = = = 12 nilai
jumlah interval 4
Banyak bilangan random yang didapatkan dari banyaknya kemungkinan yang
terjadi, nilai interval didapat dari banyak nya interval yang dapat dilihat pada tabel
berikut ini :
Tabel 2 : Data Input Selisih Waktu Kedatangan
Iterval Random

0 0-12

1 13-24

2 25-36

3 37-49

Interval mulai dari nol karena kedatangan pada nasabah dimulai dari nol dan selisih
kedatanganya 4 menit. Interval waktu pelayanan didapatkan dari pembagian banyak bilangan
random dibagi banyak interval.

Tabel 3 : Data Input Interval Waktu Pelayanan

Iterval Random

1 0-12

2 13-24

3 25-36

4 37-49

Untuk mementukan angka random yang digunakan pada penentuan selisih waktu kedatangan
dengan nilai waktu pelayanan dilakukan dengan menggunakan rumus LCM (Linear Congruent
Method). Pada penarikan angka random untuk nilai IAT berikut ini penerapan simulasinya :

122
UPI YPTK Jurnal KomTekInfo Vol. 4, No. 1, Juni 2017, Hal. 116-128 ISSN :2356-0010
Copyright©2017 by LPPM UPI YPTK Padang

Rumus LCM : Xi+1= (aXi+1+C) mod M

a : Konstanta Perkalian
Xi : Nilai awal yang ditentukan
C : Kenaikan
Mod : Modulus
M : Bilangan tetap

a=26 Xi=35 C=21 M=50

Xo = (26.35+21) mod 50 X13 = (26.33+21) mod 50

= 931 mod 50 = 879 mod 50
= 31 = 29
X1 = (26.31+21) mod 50 X14 = (26.29+21) mod 50
= 827 mod 50 = 775 mod 50
= 27 = 25
X2 = (26.27+21) mod 50 X15 = (26.25+21) mod 50
= 723 mod 50 = 671 mod 50
= 23 = 21
X3 = (26.23+21) mod 50 X16 = (26.21+21) mod 50
= 619 mod 50 = 567 mod 50
= 19 = 17
X4 = (26.19+21) mod 50 X17 = (26.17+21) mod 50
= 515 mod 50 = 463 mod 50
= 15 = 13
X5 = (26.15+21) mod 50 X18 = (26.13+21) mod 50
= 411 mod 50 = 359 mod 50
= 11 =9
X6 = (26.11+21) mod 50 X19 = (26.9+21) mod 50
= 307 mod 50 = 255 mod 50
=7 =5
X7 = (26.7+21) mod 50 X20 = (26.5+21) mod 50
= 203 mod 50 = 151 mod 50
=3 =1
X8 = (26.3+21) mod 50 X21 = (26.1+21) mod 50
= 99 mod 50 = 47
= 49 X22 = (26.47+21) mod 50
X9 = (26.49+21) mod 50 = 1243 mod 50
= 1295 mod 50 = 43
= 45 X23 = (26.43+21) mod 50
X10 = (26.45+21) mod 50 = 1139 mod 50
= 1191 mod 50 = 39
= 41 X24 = (26.39+21) mod 50
X11 = (26.41+21) mod 50 = 1035 mod 50
= 1087 mod 50 = 35
= 37 X25 = (26.35+21) mod 50
X12 = (26.37+21) mod 50 = 931 mod 50
= 983 mod 50 = 31
= 33

Dikarenakan hasil dari pencarian LCM yang berulang, pada nilai 31 maka pencarian bilangan
acak dihentikan. Sehingga 50 bilangan acak yang terbentuk tampak seperti tabel 4 di bawah ini:

123
UPI YPTK Jurnal KomTekInfo Vol. 4, No. 1, Juni 2017, Hal. 116-128 ISSN :2356-0010
Copyright©2017 by LPPM UPI YPTK Padang

Tabel 4 Merupakan Bilangan Acak Interval Waktu Kedatangan yang Terbentuk

31 41 1 11 21
27 37 47 7 17
23 33 43 3 13
19 29 39 49 9
15 25 35 45 5
11 21 31 41 1
7 17 27 37 47
3 13 23 33 43
49 9 19 29 39
45 5 15 25 35

Untuk sebuah pengujian maka diambil 50 angka random yang digunakan untuk mendapatkan
nilai Waktu Pelayanan. Sehingga 50 bilangan acak yang terbentuk tampak seperti tabel 5 di
bawah ini:

Tabel 5 Merupakan Bilangan Acak Interval Waktu Pelayanan yang Terbentuk

41 41 41 41 41
23 23 23 23 23
11 11 11 11 11
31 31 31 31 31
31 31 31 31 31
33 33 33 33 33
1 1 1 1 1
13 13 13 13 13
21 21 21 21 21
43 43 43 43 43

Sistem antrian yang akan disimulasikan sesuai dengan keadaan sebenarnya pada PT Sarana
Sumatera Barat Ventura (SSBV) Padang yaitu Single channel single phase (satu saluran dan
satu tahapan) pada loket pembayaran. Adapun simulasi monte carlo yang dilakukan tampak
seperti tabel 6 dibawah ini:
Tabel 6 Ilustrasi Simulasi Single Channel Single Phase

124
UPI YPTK Jurnal KomTekInfo Vol. 4, No. 1, Juni 2017, Hal. 116-128 ISSN :2356-0010
Copyright©2017 by LPPM UPI YPTK Padang

Dari data diatas maka dapat dilakukan perhitungan untuk mengetahui waktu rata-rata pelanggan
menunggu, dan juga waktu yang berjalan pada sistem seperti tabel 7 di bawah ini:

Tabel 7 Informasi Pembayaran Nasabah

Rata-rata
1230 / 50 =
waktu nasabah
24.6 menit
dalam antrian
Informasi
Rata-rata
1327 / 50 =
waktu nasabah
27.08 menit
dalam sistem

Keterangan pada kolom :

1. Merupakan nomor pada nasabah atau nomor urutan yang ada pada sistem
2. Merupakan bilangan random dari pencarian manual menggunakan Linear Congruent
Method (LCM) untuk mendapatkan nilai IAT atau Interval Waktu Kedatangan
3. Merupakan selisih antar kedatangan yang diacak menggunakan bilangan random
4. Merupakan waktu kedatangan dimana nilai dari waktu kedatangan pada baris pertama
didapat dari interval waktu kedatangan baris pertama dan untuk selanjutnya menggunakan
rumus Waktu Kedatang pada baris pertama + Interval Waktu Kedatangan pada baris ke
dua
5. Waktu Mulai Pelayanan = baris pertama diperoleh dari Waktu kedatangan baris pertama,
untuk baris selanjutnya diperoleh dari perbandingan nilai yang lebih besar antara waktu
selesai dilayani pada baris peratama dan waktu kedatangan pada baris kedua.
6. Merupakan bilangan random yang dihasilkan dengan cara Linear Congruent Method
(LCM) untuk mendapatkan nilai IAT atau Interval Waktu Kedatangan
7. Merupakan waktu pelayanan yang diacak menggunakan bilangan random
8. Merupakan Waktu Selesai Dilayani yang diperoleh dari waktu mulai pelayanan + waktu
pelayanan
9. Merupakan Waktu Antrian yang diperoleh dari Waktu Mulai Pelayanan – Waktu
kedatangan
10. Merupakan Waktu Sistem yang diperoleh dari Waktu selesai dilayani – Waktu Kedatangan

3.2 Multi Channel Single Phase (banyak saluran satu tahap)

Dimana pada tahap ini akan digunakan jalur antrian Multi Channel Single Phase (banyak
saluran satu tahap), agar waktu pelayanan menjadi lebih cepat dan dapat mempercepat jalannya
antrian.
a. Data Input
Tabel 8 : Data Input

Input Waktu atau orang

Jumlah Nasabah 50 orang

Waktu Kedatangan 0-3 menit

Waktu Pelayanan 1-4 menit

b. Interval waktu selisih dari sebuah kedatangan dimana dari pembagian banyak
bilangan random dibagi dengan banyak interval / selisih waktu kedatangan
jumlah bilangan random 50
Pembagian bialangan random = = = 12 nilai
jumlah interval 4
Banyak bilangan random yang didapatkan dari banyaknya kemungkinan yang
terjadi, nilai interval didapat dari banyak nya interval yang dapat dilihat pada tabel
4.5 berikut ini :

125
UPI YPTK Jurnal KomTekInfo Vol. 4, No. 1, Juni 2017, Hal. 116-128 ISSN :2356-0010
Copyright©2017 by LPPM UPI YPTK Padang

Tabel 9 : Data Input Selisih Waktu Kedatangan

Iterval Random

0 0-12
1 13-24
2 25-36
3 37-49

Interval mulai dari nol karena kedatangan pada nasabah dimulai dari nol dan selisih
kedatanganya 4 menit. Interval waktu pelayanan didapatkan dari pembagian banyak bilangan
random dibagi banyak interval.

Tabel 10 : Data Input Interval Waktu Pelayanan

Iterval Random

1 0-12
2 13-24
3 25-36
4 37-49

Untuk mementukan angka random yang digunakan pada penentuan selisih waktu kedatangan
dengan nilai waktu pelayanan dilakukan dengan menggunakan rumus LCM (Linear Congruent
Method). Pada penarikan angka random untuk nilai IAT maka diambil dari bilangan random
pada tabel 4.7 sebelumnya. Untuk pengujian maka diambil 50 angka random yang digunakan
untuk mendapatkan nilai Waktu Pelayanan loket 2 seperti tabel 11 di bawah ini:

Tabel 11 Merupakan Bilangan Acak Interval Waktu Kedatangan yang Terbentuk

49 47 49 47 49
45 1 45 1 45
7 39 7 39 7
21 25 21 25 21
29 17 29 17 29
5 41 5 41 5
27 19 27 19 27
11 35 11 35 11
9 37 9 37 9
15 31 15 31 15

Tabel 12 Ilustrasi Simulasi Multi Channel Single Phase Loket Pembayaran Kredit Nasabah

126
UPI YPTK Jurnal KomTekInfo Vol. 4, No. 1, Juni 2017, Hal. 116-128 ISSN :2356-0010
Copyright©2017 by LPPM UPI YPTK Padang

Tabel 13 Operating Charactheristic Hasil Simulasi

Rata-rata waktu
menunggu nasabah 77 / 50 = 1,54
Informasi diantrian menit
Rata-rata waktu 201 / 50 = 4,02
nasabah dalam sistem menit

Dari simulasi antrian pembayaran uang pinjaman nasabah pada PT Sarana Sumatera Barat
Ventura (SSBV) Padang dengan metode monte carlo menunjukkan bahwa perhitungan hasil
analisis dengan Multi Channel Single Phase (banyak saluran satu tahap) memiliki perbedaan
yang jauh dari kenyataannya.

5. Implementasi dan Pengujian

5.1 Tampilan Software Promodel

Tahap ini akan dilakukan pengujian pada software promodel untuk menganalisa waktu
pelayanan. Berikut hasil dari proses sistem Multi Channel Single Phase dan Single Channel
Single Phase yang terlihat pada gambar dibawah ini:

5.1.1 Hasil dari proses Multi Channel Single Phase

Gambar 3. Report Multi Channel Singgle Phase

Dari report diatas terlihat pada location, dimana Scheduled di running selama 2.4 jam, Avg
Time Per Entry nasabah dalam antrian pada Multi Channel 2.84. Dan Utilization adalah beban
kerja untuk setiap tugas pada antrian Multi Channel.

Gambar 4. Report Multi Channel Singgle Phase

Entity Activity dari report dapat dilihatAvg Time Waiting(MIN) atau rata-rata waktu nasabah
menunggu diantrian adalah 1.05 dimana hasil tersebut sama dengan hasil pencarian manual

5.1.2 Hasil dari proses Single Channel Single Phase

Gambar 5. Report Single Channel Singgle Phase

127
UPI YPTK Jurnal KomTekInfo Vol. 4, No. 1, Juni 2017, Hal. 116-128 ISSN :2356-0010
Copyright©2017 by LPPM UPI YPTK Padang

Dari report diatas terlihat pada location, dimana Scheduled di running selama 2.4 jam, Avg
Time Per Entry nasabah dalam antrian pada Multi Channel 27.09. Dan Utilization adalah beban
kerja untuk setiap tugas pada antrian Multi Channel berikut ini.

Gambar 6 Report Single Channel Single Phase

Entity Activity dari report dapat dilihatAvg Time Waiting (MIN) atau rata-rata waktu nasabah
menunggu diantrian adalah 23.82 dimana hasil tersebut sama dengan hasil pencarian manual

5. Kesimpulan
Setelah mengimplementasikan bentuk model simulasi dari data antrian pada PT SSBV.
Penelitian ini menghasilkan kesimpulan sebagai berikut :
1. Dari data yang dihasilkan maka waktu pelayanan antrian yang ada pada PT SSBV jauh
berbeda dengan waktu yang dihasilkan dengan metode Monte Carlo sistem antrian Multi
Channel Single Phase
2. Waktu pelayanan yang lama pada PT SSBV menjadi lebih singkat sehingga waktu tunggu
yang dihadapi nasabah juga dapat teratasi bila menggunakan metode Monte Carlo sistem
antrian Multi Channel Single Phase
3. Hasil penelitian dapat disimpulkan bahwa dengan menggunakan metode Monte Cerlo
dengan jenis antrian Multi Channel Single Phase, maka antrian yang panjang menjadi
berkurang dan juga kinerja pelayanan menjadi lebih efektif dan efesien.

Daftar Pustaka
[1] Arifin, Miftahol, 2008, Simulasi Sistem Industri, Bandung: INFORMATIKA.
[2] A.S, Rosa dan Shalahuddin M, 2013, Rekayasa Perangkat Lunak (Terstruktur dan Berorientasi
Objek), Bandung: INFORMATIKA.
[3] Farkhan, Feri, Hendikawati, Putriaji, dan Arifudin, Riza, 2013, Aplikasi Teori Antrian dan
Simulasi pada Pelayanan Teller Bank, UNNES Journal of Mathematics, ISSN : 2252-6943.
[4] Fauziah, Agustins, Ina, dan Andryana, Septi, 2012, Analisis Implementasi Random Number
Generate(RNG) pada Simulasi Antrian Menggunakan Aplikasi Berbasis. Net Framework, ISSN :
1979-2328.
[5] Kakiay, Thomas J, 2004, Dasar Teori Antrian Untuk Kehidupan Nyata, Yogyakarta: ANDI. .
[6] Sridadi, Bambang, 2009, Permodelan dan Simulasi Sistem (Teori Aplikasi dan Contoh Program
dalam Bahasa C, Bandung: INFORMATIKA.

128