KELAS :C
NAMA :
1. M. Rezza F (140421100086)
2. Mohammad Gunawan S. (150421100014)
3. Salma Fitria Salsabila (150421100072)
ASISTEN : Putri Rani Fhiliantie (140421100068)
i
ii
ABSTRAK
iii
ABSTRACT
The system is a collection of the few entity do and interact with the same to
achieve the purpose of a logic similarity. Facts contained on this definition, among
others, a system of the form of a collection of some of the entity, activities and
interact together, and has a particular purpose. Task of the module a description of
the system in the course simulation system the industry is held in order that we know
the relationship between the system, model, and simulation. Object research group we
use the GraPARI Telkomsel Bangkalan the problems Associated customer service
that have not been maximum. problems faced GraPARI Telkomsel Bangkalan that, in
this module we need to understand and find out the related system that is in GraPARI
Telkomsel Bangkalan before continuing to the modeling and simulate the existing
system.
Simulation can be done by making a miniature representative and valid with the
aim of sampling and survey statistics on real system, so that the system behavior can
be predicted to learn. So simulation simply can be interpreted as a process
impersonaion and interact together, and has a particular purpose. task of the module
two in the course simulation system the industry is held in order that we know the
relationship between the system, model, and simulation. Object research group we
use the GraPARI Telkomsel Bangkalan the problems Associated customer service
that have not been maximum. of the problems faced GraPARI Telkomsel Bangkalan
that, in this module we observed and take the time data needed to simulate the real
system using the software Arena. Output of the simulation is that we can analyze and
make some scenario improvements will proposed to repair services on GraPARI
Telkomsel Bangkalan.
Keywords : System, Model, Simulation, Arena
iv
DAFTAR ISI
v
4.2 Layout Objek..................................................................................................... 16
4.3 Deskripsi Sistem Menggunakan Elemen-Elemen Sistem................................. 16
4.4 Activity Table dan Activity Cycle Diagram (ACD)............................................18
4.5 Parameter untuk Mengamati Kinerja Sistem.....................................................19
4.6 Skenario Perbaikan untuk Meningkatkan Performansi Sistem......................... 19
4.7 Activity Cycle Diagram (ACD) Skenario Perbaikan......................................... 19
BAB V......................................................................................................................... 20
KESIMPULAN DAN SARAN...................................................................................20
5.1 Kesimpulan....................................................................................................20
5.2 Saran..............................................................................................................21
DAFTAR PUSTAKA.................................................................................................. 22
BAB 1..........................................................................................................................25
PENDAHULUAN.......................................................................................................25
1.1 Latar Belakang.............................................................................................. 25
1.2 Tujuan Tugas Besar.......................................................................................26
BAB II......................................................................................................................... 27
TINJAUAN PUSTAKA.............................................................................................. 27
2.1 Simulasi............................................................................................................. 27
2.2 Jenis Data pada Simulasi ARENA.....................................................................31
2.3 Uji Keseragaman Data.......................................................................................33
2.4 Uji Kecukupan Data.......................................................................................... 33
2.5 Independent t-test.............................................................................................. 34
2.6 ANOVA.........................................................................................................34
BAB III........................................................................................................................36
METODE PENELITIAN............................................................................................ 36
3.1 Alat dan Bahan...................................................................................................36
3.2 Prosedur Pelaksanaan Tugas Besar....................................................................36
3.3 Flowchart Pelaksanaan Tugas Besar................................................................. 37
BAB IV........................................................................................................................38
ANALISIS DAN PEMBAHASAN.............................................................................38
4.1 Rekapan Data.....................................................................................................38
vi
4.2 Uji Kecukupan Data Masing-masing Server....................................................39
4.3 Rekapan Data Baru ..........................................................................................42
4.4 Pola Data dari Masing-masing Data ................................................................42
4.4.1 Server 1 .................................................................................................43
4.4.2 Server 2 .................................................................................................43
4.4.3 Server 3 .................................................................................................44
4.4.4 Rekapan Pola Data Sebelum dan Sesudah Generate ................................. 45
4.5 Parameter untuk Acuan Penelitian (sesuai modul 1) Secara Matematis .......... 45
4.6 Model Simulasi menggunakan Arena dan Visio (sedetail mungkin)............... 51
4.7 Validasi Model Arena dengan Sistem Nyata melalui Parameter Performance
System ......................................................................................................................52
4.8 Skenario Perbaikan............................................................................................ 65
4.9 Proses Comparing System Masing-Masing Skenario ....................................... 66
4.10 Identifikasi Faktor Penghambat ......................................................................68
4.11 Animasi Menggunakan Software Arena .................................................. 69
BAB V ......................................................................................................................... 70
KESIMPULAN DAN SARAN ................................................................................... 70
5.1 Kesimpulan ...................................................................................................70
5.2 Saran .............................................................................................................70
DAFTAR PUSTAKA ................................................................................................. 71
vii
DAFTAR TABEL
viii
Tabel 2.4.30 Validasi parameter panjang antrean replikasi 4...................................... 60
Tabel 2.4.31 Panjang antreann nyata dan Arena replikasi 5........................................60
Tabel 2.4.32 Validasi panjang antrean replikasi 5....................................................... 61
Tabel 2.4.33 Lama antrean nyata dan Arena replikasi 1..............................................61
Tabel 2.4.34 Validasi lama antrean replikasi 1............................................................62
Tabel 2.4.35 Lama antrean nyata dan Arena replikasi 2..............................................62
Tabel 2.4.36 Validasi parameter lama antrean replikasi 2........................................... 62
Tabel 2.4.37 Lama antrean nyata dan Arena replikasi 3..............................................63
Tabel 2.4.38 Validasi parameter lama antrean replikasi 3........................................... 63
Tabel 2.4.39 Lama antrean nyata dan Arena replikasi 4..............................................64
Tabel 2.4.40 Validasi parameter lama antrean replikasi 4........................................... 64
Tabel 2.4.41 Lama antrean nyata dan Arena replikasi 5..............................................64
Tabel 2.4.42 Validasi replikasi 5..................................................................................65
Tabel 2.4.43 Rekapan data utilitas model awal dan skenario perbaikan..................... 67
Tabel 2.4.44 Tabel ANOVA parameter utilitas............................................................ 67
Tabel 2.4.45 Rekapan data panjang antrean model awal dan skenario perbaikan.......67
Tabel 2.4.46 Tabel ANOVA parameter panjang antrean..............................................67
Tabel 2.4.47 Rekapan data lama antrean model awal dan skenario perbaikan............68
Tabel 2.4.48 Tabel ANOVA parameter lama antrean...................................................68
ix
DAFTAR GAMBAR
x
TUGAS BESAR
MODUL 1
DESKRIPSI SISTEM
ASISTEN PRAKTIKUM
Putri Rani Fhiliantie
(140421100068)
Bab satu pendahuluan modul satu deskripsi sistem ini berisi tentang latar
belakang dan tujuan tugas besar.
1.1 Latar Belakang
Kepuasan pelanggan dalam pelayanan berdasarkan waiting time merupakan hal
yang penting bagi suatu perusahaan jasa agar tetap dapat mempertahankan konsumen.
Kepuasan pelanggan juga merupakan salah satu hal terpenting yang harus
diperhatikan oleh GraPARI Telkomsel sebagai salah satu perusahaan jasa di
Indonesia. Graha Pari Saraya Telkomsel atau yang biasa disingkat dengan GraPARI
Telkomsel Bangkalan merupakan titik akses yang menjadi tempat pelayanan yang
handal bagi pelanggan PT Telekomunikasi Seluler yang dikenal dengan sebutan
Telkomsel yang ada di daerah Bangkalan untuk menyelesaikan masalah mereka
terkait karu Prabayar (Simpati dan As) maupun Pasca bayar (Halo).
Sistem adalah kumpulan dari beberapa entitas yang melakukan dan berinteraksi
bersama – sama untuk mencapai tujuan dari sebuah logika persamaan. Fakta yang
terkandung dari definisi ini antara lain sebuah sistem berupa kumpulan beberapa
entitas, beraktifitas dan berinteraksi bersamasama, dan memiliki tujuan tertentu.
Proses atau cara operasi yang dimodelkan tidak harus persis sama karena yang
penting dari model adalah bagaimana proses berdampak pada sistem, bukan pada
bagaimana proses berlangsung (Sterman, 2000).
Tugas besar modul satu deskripsi sistem pada mata kuliah simulasi sistem industri
ini diadakan dengan tujuan agar kami mengetahui hubungan antara sistem, model,
dan simulasi. Objek penelitian yang kelompok kami pakai yaitu GraPARI Telkomsel
Bangkalan yang memiliki masalah terkait pelayanan konsumen yang belum
maksimal. Masalah yang dihadapi GraPARI Telkomsel tersebut, dalam modul ini
kami perlu memahami dan mengetahui terkait sistem yang ada di GraPARI Telkomsel
sebelum melanjutkan ke proses memodelkan dan mensimulasikan sistem yang ada.
3
1.2 Tujuan Tugas Besar
Tujuan adanya tugas besar modul satu deskripsi sistem mata kuliah Simulasi
Sistem Industri adalah sebagai berikut:
1. Praktikan dapat mengerti dan memahami pengertian sistem dan klasifikasinya.
2. Praktikan dapat mengerti dan memahami karakteristik dari sistem beserta elemen-
elemen pendukung suatu sistem.
3. Praktikan dapat mengerti dan memahami pengertian model, klasifikasi serta
alasan penggunaan model diperlukan.
4. Praktikan dapat mengerti dan memahami pengertian dari simulasi serta hubungan
antara sistem, model, dan simulasi.
5. Praktikan dapat mengerti dan memahami Activity Cycle Diagram (ACD) dan
usulan skenario perbaikan.
4
BAB II
TINJAUAN PUSTAKA
Bab 2 akan menjelaskan tentang tinjauan pustaka yang mendukung dasar dari
tugas besar ini.
2.1 Simulasi
Simulasi dapat diartikan sebagai suatu kegiatan yang menggambarkan keadaan
sebenarnya. Hal ini dapat dilakukan dengan membuat sebuah miniatur yang
representative dan valid dengan tujuan sampling dan survey statistik pada sistem
nyata, sehingga perilaku sistem dapat diprediksi untuk dipelajari. Jadi simulasi secara
sederhana dapat diartikan sebagai proses peniruan. Simulasi digunakan sebelum
sebuah sistem yang ada dibangun dan untuk mengevaluasi model secara numerik dan
mengestimasi karakteristik sebenarnya dari model berdasarkan data yang didapat.
Teknik simulasi dapat dibayangkan dengan percobaan (eksperimen), sebagai
penyelesaian masalah untuk mempelajari sistem yang kompleks yang tidak dapat
dianalisis secara langsung dengan cara analitik. States dari sebuah sistem merupakan
koleksi dari berbagai variabel yang dibutuhkan untuk menjelaskan sistem di waktu –
waktu tertentu. Elemen model dalam simulasi antara lain entitas, lokasi, resource, dan
paths (Ishardita, 2012).
2.1.1 Manfaat Simulasi
Menurut Ishardita (2012), manfaat dari simulasi sebagai berikut:
1. To reduce the chance of failure to meet specifications,
2. To eliminate unforeseen bottlenecks,
3. To prevent under or over utilization of resource,
4. To optimize system performance.
2.1.2 Kelemahan Simulasi
Menurut Ishardita (2012), kelemahan dari simulasi sebagai berikut:
1. Simulasi tidak akurat. Teknik ini bukan proses optimisasi dan tidak
menghasilkan sebuah jawaban tetap hanya menghasilkan sekumpulan output
dari sistem pada berbagai kondisi yang berbeda.
5
2. Model simulasi sangat mahal. Model simulasi yang baik bisa jadi sangat mahal,
bahkan sering dibutuhkan waktu lama untuk mengembangkan model yang
sesuai.
3. Tidak semua situasi dapat dievaluasi dengan simulasi. Hanya situasi yang
mengandung ketidak-pastian yang dapat dievaluasi dengan simulasi. Karena
tanpa komponen acak semua eksperimen si mulasi akan menghasilkan jawaban
yang sama.
4. Simulasi menghasilkan cara untuk mengevaluasi solusi, bukan menghasilkan
cara untuk memecahkan masalah. Jadi sebelumnya perlu diketahui dulu solusi
atau pendekatan solusi yang akan diuji.
2.1.3 Kelebihan Simulasi
Menurut Ishardita (2012), tidak semua pengolahan data untuk melihat
karakteristik sistem cocok menggunakan simulasi, hanya sistem yang cukup
kompleks yang baik dikerjakan dengan simulasi, sementara untuk sistem yang
sederhana lebih baik menggunakan cara analitik dibanding harus membuat
simulasinya. Beberapa kelebihan simulasi:
1. Sistem nyata sulit diamati secara langsung.
2. Mampu memberikan perkiraan sistem yang lebih nyata sesuai operasional dari
kumpulan pekerjaan.
3. Pengamatan sistem secara langsung tidak dimungkinka karena sangat mahal,
memakan waktu yang terlalu lama, akan merusak sistem yang sedang berjalan.
4. Solusi analitik tidak dapat dikembangkan, karena sistem yang digunakan di
dunia kerja sangat kompleks. Jadi simulasi dapat memberi solusi apabila model
analitik gagal.
5. Memudahkan pengontrolan lebih banyak kondisi dari suatu percobaan sehingga
dimungkinkan untuk dicoba diterapkan secara nyata pada sistem tersebut.
6. Menyediakan sarana untuk mempelajari sistem dalam waktu yang cukup lama
(lebih ekonomis) dengan proses yang membutuhkan waktu cukup singkat
ataupun sebagai alternatif pembelajaran yang lebih rinci dan jelas tentang
perilaku suatu sistem nyata yang prosesnya lebih panjang.
6
2.1.4 Contoh Area Aplikasi Simulasi
Menurut Ishardita (2012), area aplikasi simulasi sebagai berikut:
1. Sistem antrian.
2. Perancangan dan analisis sistem manufacturing.
3. Evaluasi persyaratan hardware dan software untuk sistem komputer.
4. Evaluasi sistem senjata atau taktik militer yang baru.
5. Perancangan sistem komunikasi dan message protocol.
6. Perancangan dan pengoperasian fasilitas transportasi, jalan tol, bandara, rel
kereta, atau pelabuhan.
7. Evaluasi perancangan organisasi jasa, rumah sakit, kantor pos, atau restoran fast
food.
8. Analisis sistem keuangan atau ekonomi.
2.2 Arena
Menurut Hadi (2010), software simulasi yang menggunakan sistem aplikasi
microsoft windows dimana secara packaging akan terlihat familiar dalam
penggunaannya. Di dalam arena akan disimulasikan model yang telah dibentuk
sebelumnya dengan input data primer maupun sekunder sebagai resources dalam
pengoperasiannya.
Software ARENA dispesialisasikan untuk menyelesaikan masalah-masalah
simulasi sistem diskret. Kelebihan lain dari ARENA adalah memiliki kemampuan
pengolahan data statistik, walaupun belum lengkap. Dengan menggunakan software
ini akan menghemat biaya besar sebelum melakukan perubahan atau memecahkan
suatu model.
Pada model simulasi menggunakan software Arena, terdapat beberapa komponen
yang dijelaskan sebagai berikut:
1. Sistem, merupakan sekumpulan entitas yang bergerak atau berinteraksi untuk
mencapai tujuan berdasarkan alur logika yang telah ditentukan.
2. Entitas, merupakan objek yang dikenai bergerak atau berinteraksi berdasarkan
alur logika yang ada.
7
3. Atribut, adalah karakteristik umum dari suatu entitas.
4. Variabel, merupakan suatu komponen sistem yang mengandung informasi dan
nilainya diperoleh dari eksekusi model simulasi.
5. Resources, merupakan wadah untuk menampung entitas dalam jumlah tertentu.
Entitas yang berasal dari suatu resources dapat bergerak di dalam sistem jika
resources tersebut bersifat seize-delay-relase (tampung-berhenti sejenak
keluarkan.
6. Queue (antrian), ketika entitas tidak dapat bergerak, dapat dimungkinkan sedang
terdapat entitas lain yang sedang berproses dalam sistem, sehingga entitas yang
tidak dapat bergerak tersebut dapat ditampung dalam suatu wadah sampai entitas
lain yang menghambat selesai berproses. Wadah tersebut disebut queue (antrian).
7. Events (kejadian), pada umumnya terdapat tiga kejadian yaitu kedatangan,
pelayanan dan selesai.
8. Statistical accumulators, komponen ini berfungsi untuk melihat kondisi sistem
sesungguhnya berdasarkan variabel-variabel yang telah ditentukan sebelumnya.
Contoh variabel adalah waktu tunggu, panjang antrian, utilitas fasilitas, dan waktu
total entitas di dalam sistem.
9. Simulation clock, waktu actual pada sistem sesungguhnya dapat direpresentasikan
ke dalam model simulasi lewat suatu variabel yang disebut simulation clock.
10. Starting dan stoping, suatu kondisi yang ditentukan berdasarkan input tertentu dan
berfungsi untuk membatasi simulasi yang berjalan.
8
menurut Sterman (2000), adalah suatu representasi atau formulasi dalam bahasa
tertentu dari suatu sistem nyata. Model adalah perwakilan dari dunia nyata yang
disederhanakan. Proses atau cara operasi yang dimodelkan tidak harus persis sama
karena yang penting dari model adalah bagaimana proses berdampak pada sistem,
bukan pada bagaimana proses berlangsung.
9
5. Merge : Berfungsi menggabungkan flow yang
dipecah oleh decission.
6. Synchronization : Dibagi menjadi 2 yaitu fork dan join: Fork
digunakan untuk memecah menjadi activity
atau action yang paralel, sedangkan join untuk
menggabungkan kembali activity atau action
yang paralel.
7. Swimlanes : Memecah activity diagram menjadi baris
dan kolom untuk membagi tangung jawab
obyek-obyek yang melakukan aktivitas.
8. Transition : Menunjukan aktivitas selanjutnya setelah
aktivitas sebelumnya. Terkadang keliru dalam
penggunaan decission dengan fork.
2.5 Antrian
Menurut Hadi (2010), suatu antrian ialah suatu garis tunggu dari konsumen
(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. Kejadian garis tunggu timbul disebabkan oleh kebutuhan akan layanan
melebihi kemampuan (kapasitas) pelayanan atau fasilitas layanan, sehingga
konsumen (pelanggan atau customer) 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 bank, dermaga di pelabuhan, loket jalan tol, pelabuhan udara, tempat
praktek dokter, loket stadion dan banyak lagi yang lain. Tujuan dasar model – model
antrian adalah untuk meminimumkan total dua biaya, yaitu biaya langsung
penyediaan fasilitas pelayanan dan biaya tidak langsung yang timbul karena para
individu harus menunggu untuk dilayani. Bila suatu sistem mempunyai fasilitas
pelayanan lebih dari jumlah optimal, ini berarti membutuhkan investasi modal yang
berlebihan, tetapi bila jumlahnya kurang dari optimal, hasilnya adalah tertundanya
10
pelayanan. Model antrian merupakan metode penting untuk sistem pengelolaan yang
menguntungkan dengan menghilangkan antrian (Soejanto, 2005).
11
BAB III
METODE PENELITIAN
Pada bab 3 modul 1 deskripsi sistem akan menjelaskan alat dan bahan, prosedur
pelaksanan serta flowchart pelaksanaan.
3.1 Alat dan Bahan
Alat dan bahan dari modul 1 deskripsi sistem, sebagai berikut:
1. Stopwatch.
2. Software Visio.
3. Software Arena.
4. Komputer.
12
3.3 Flowchart Pelaksanaan Tugas Besar
Flowchart Pelaksanaan Tugas Besar dari modul 1 deskripsi sistem, sebagai
berikut:
Mulai
Mencari Objek
Tidak
Asistensi Objek
Tahap Persiapan
ACC Objek
```
Pretes
Pengolahan data
1. Deskripsi sistem
2. Elemen Sistem
3. ACD
4. Parameter sistem
5. Skenario perbaikan
6. ACD skenario Tahap Pengolahan
perbaikan data
```
Kesimpulan dan saran Tahap Penarikan
Kesimpulan
```
Selesai
13
BAB IV
ANALISIS DAN PEMBAHASAN
Bab empat modul satu deskripsi sistem analisis dan pembahasan dari tugas besar
ini berisikan tentang deskripsi sistem nyata, layout objek, skenario perbaikan, dan
lainnya.
4.1 Deskripsi Sistem Nyata
Graha Pari Saraya Telkomsel atau yang biasa disingkat dengan GraPARI
Telkomsel Bangkalan yang beralamat di Jl. Trunojoyo No. 63 Pejagan Bangkalan
merupakan salah kantor pelayanan konsumen Tekomsel yang terletak di Kabupaten
Bangkalan. GraPARI Telkomsel Bangkalan merupakan titik akses yang menjadi
tempat pelayanan yang handal bagi pelanggan PT Telekomunikasi Seluler yang
dikenal dengan sebutan Telkomsel yang ada di daerah Bangkalan untuk
menyelesaikan masalah mereka terkait karu Prabayar (Simpati dan As) maupun Pasca
bayar (Halo). Selain itu, GraPARI juga merupakan tempat untuk menjual produk
telkomsel sendiri, seperti kartu As, simPATI, dan kartu HALO.
14
Gambar 1.4.8 Server melayani konsumen
Gambar 1.4.8 merupakan gambar situasi kantor saat customer service sabagai
server kedua sedang melayani konsumen. Terlihat ada beberapa orang yang
mengantri untuk mendapat layanan customer service. Sebelum menemui customer
service, pelanggan diharuskan mengambil nomor antrian pada mesin yang disediakan
di sebelah pintu masuk.
15
4.2 Layout Objek
Layout objek penelitian GraPARI Telkomsel adalah sebagai berikut:
16
Telkomsel yaitu server dan pelanggan. Setiap aktivitas yang terjadi pada sistem
tersebut dijalankan oleh kedua sumber daya tersebut, yaitu server dan pelanggan.
b. Entitty
Entity atau entitas merupakan segala item yang diproses dalam sistem. Pada objek
penelitian GraPARI Telkomsel terdapat beberapa entitas yaitu berupa pelanggan,
informasi, dan panggilan telepon atau email. Pelanggan merupakan entitas jenis
human or animate, entitas pelanggan dilayani oleh server yang ada. Dalam proses
pelayanan pelanggan, terdapat salah satu jenis inanimate entitiy yaitu aliran
informasi yang mengalir dari pelanggan ke server maupun server ke pelanggan.
Selain itu, entitas lain yang juga mungkin terjadi yaitu panggilan telepon atau
email yang masuk dalam kategori intangible entity.
c. Activity
Activity merupakan kegiatan yang dilakukan dalam sistem yang dapat
memengaruhi sistem secara langsung maupun tidak langsung dalam pemrosesan
entitas. Dalam objek penelitian GraPARI Telkomsel ini terdapat beberapa
aktivitas yang dilakukan oleh Resource yaitu aktivitas pengambilan nomor antrian
oleh pelanggan yang termasuk dalam entity processing, perpindahan pelanggan
dari satu server ke server lainnya yang merupakan entity and resource movement,
serta resource adjustment, maintenace, and repairs yaitu pemrosesan informasi
yang terjadi saat customer service melayani pelanggan.
17
4.4 Activity Table dan Activity Cycle Diagram (ACD)
Activity table dan Activity Cycle Diagram dari objek penelitian adalah sebagai
berikut:
Tabel 1.4.1 Activity table GraPARI Telkomsel
Entitas Aktivitas Simbol Aktivitas
Pelanggan datang ke GraPARI
Mengantri
Mengambil nomor antrian pada mesin
Mengantri
Pelanggan Menuju customer service dan
mendapatkan pelayanan
Mengantri
Membayar ke kasir
Meninggalkan tempat
Pegawai Waiting
pengambilan nomor Melayani pelanggan
(Server 1)
Customer Service Memanggil pelanggan urutan selanjutnya
(Server 2) Melayani pelanggan
Cashier (Server 3) Waiting
Melayani pembayaran
Idle
Idle Idle
Idle
18
4.5 Parameter untuk Mengamati Kinerja Sistem
Parameter yang digunakan untuk mengamati kinerja sistem merupakan tolak ukur
yang nilainya akan menentukan karakteristik tertentu dari suatu sistem. Pada objek
penelitian GraPARI Telkomsel, parameter yang digunakan pada sistem yang ada yaitu
panjang antrian yang ada di setiap server, lama antrian yang dialami pelanggan pada
setiap server, serta utilitas server saat melakukan tugasnya.
Idle
Idle
Idle
19
BAB V
KESIMPULAN DAN SARAN
Bab lima kesimpulan dan saran tugas besar modul satu deskripsi sistem adalah
sebagai berikut.
5.1 Kesimpulan
Kesimpulan dari modul 1 deskripsi sistem adalah sebagai berikut:
1. Sistem merupakan kumpulan dari lebih dari satu elemen-elemen yang saling
berinteraksi untuk mencapai tujuan yang sama. Sistem yang terjadi di GraPARI
Telkomsel Bangkalan menurut tipe entitasnya termasuk dalam discrete event
system, sedangkan menurut kondisi entitas ketika sistem berakhir digolongkan
sebagai terminating sistem.
2. Pada GraPARI Telkomsel Bangkalan yang menjadi objek penelitian kami,
terdapat beberapa elemen-elemen pendukung suatu sistem yaitu misalnya
Resource. Resource atau sumber daya yang melakukan aktivitas pada kantor
tersebut yaitu server dan pelanggan.
3. Sistem yang ada di GraPARI Telkomsel Bangkalan dimodelkan dengan cara
membuat Activity Cycle Diagram yang menjelaskan mengenai aliran aktivitas
yang terjadi pada sistem.
4. Hubungan antara sistem, model, dan simulasi pada obyek penelitian kami yaitu
sistem yang ada pada objek penelitian perlu dimodelkan terlebih dahulu dengan
menggunakan Activity Cycle Diagram, yang selanjutnya dapat disimulasikan
untuk menganalisa dan memperbaiki masalah antrian yang ada pada objek
penelitian tersebut.
5. Berasarkan Activity Cycle Diagram atau diagram aliran aktivitas yang telah
dibuat, selanjutnya akan dilakukan pembuatan usulan skenario perbaikan terkait
masalah yang sudah diamati. Misalnya pada masalah antrian yang dialami
GraPARI Telkomsel Bangkalan perlu adanya penambahan pegawai sebagai usulan
perbaikan pelayanan sebelumnya.
20
5.2 Saran
GraPARI Telkomsel Bangkalan perlu melakukan beberapa usulan perbaikan
seperti penambahan pegawai dan server untuk mengurang waiting time pelanggan,
terlebih saat jam istirahat berlangsung.
21
DAFTAR PUSTAKA
Hadi, Ahmad. (2010). Analisis bottle neck dengan pendekatan simulasi arena pada
produk sarung tenun ikat tradisional. Program Studi Teknik Industri, Fakultas
Teknologi Industri, Institut Teknologi Adhi Tama Surabaya.
Ishardita, Agustina. (2012). Model simulasi sistem produksi dengan sistem dinamik
guna membantu perencaan kapasitas produksi. Jurnal Rekayasa dan Manajemen
Sistem Industri Vol.3 N0.2, Teknik Industri Universitas Brawijaya.
Ratih, Ardia. (2013). Analisa Durasi Lampu Lalu Lintas Menggunakan Metode
Simulasi. Jurnal Jemis Vol.3 No. 2, Universitas Brawijaya.
Sterman, John D. (2000). Business Dynamic:Systems Thinking and Modeling for A
ComplexWorld. Amerika: McGraw-Hill HigherEducation.
22
TUGAS BESAR
MODUL 2
SIMULASI MENGGUNAKAN SOFTWARE ARENA
ASISTEN PRAKTIKUM
Putri Rani Fhiliantie
(140421100068)
23
24
BAB 1
PENDAHULUAN
Bab satu pendahuluan modul dua simulasi mengunakan software arena berisi
tentang latar belakang dan tujuan tugas besar:
1.1 Latar Belakang
Kepuasan pelanggan dalam pelayanan berdasarkan waiting time merupakan hal
yang penting bagi suatu perusahaan jasa agar tetap dapat mempertahankan konsumen.
Kepuasan pelanggan juga merupakan salah satu hal terpenting yang harus
diperhatikan oleh GraPARI Telkomsel sebagai salah satu perusahaan jasa di
Indonesia. Seiring dengan berkembangnya teknologi, terdapat software dan aplikasi
yang dapat membantu mempermudah menyelesaikan permasaahan antrean seperti
pada masalah di GraPARI Telkomsel. Software tersebut yaitu software arena yang
mamp mengggambarkaan kondisi pada suatu sistem nyata ke dalam model simulasi.
Simulasi dapat dilakukan dengan membuat sebuah miniatur yang representative
dan valid dengan tujuan sampling dan survey statistik pada sistem nyata, sehingga
perilaku sistem dapat diprediksi untuk dipelajari. Jadi simulasi secara sederhana dapat
diartikan sebagai proses peniruan.dan berinteraksi bersamasama, dan memiliki tujuan
tertentu. Metode simulasi ini menggunakan software simulasi yang menggambarkan
sistem sesungguhnya dengan ruang lingkup yang lebih luas dalam sistem tiruan
berupa animasi (Sterman, 2000).
Tugas besar modul dua pada mata kuliah simulasi sistem industri ini diadakan
dengan tujuan agar kami mengetahui hubungan antara sistem, model, dan simulasi.
Objek penelitian yang kelompok kami pakai yaitu GraPARI Tellkomsel Bangkalan
yang memiliki masalah terkait pelayanan konsumen yang belum maksimal. Dari
masalah yang dihadapi GraPARI Telkomsel tersebut, dalam modul ini kami
melakukan pengamatan dan mengambil data waktu yang dibutuhkan untuk
mensimulasikann sistem nyata dengan menggunakan software Arena. Output dari
simulasi tersebut yaitu kita dapat menganalisa dan membuat beberapa skenario
25
perbaikan yang akan diusulkan untuk perbaikan pelayanan pada GraPARI Telkomsel
Bangkalan.
26
BAB II
TINJAUAN PUSTAKA
Bab 2 akan menjelaskan tentang tinjauan pustaka yang mendukung dasar dari
tugas besar ini.
2.1 Simulasi
Simulasi dapat diartikan sebagai simulasi dapat diartikan sebagai suatu kegiatan
yang menggambarkan keadaan sebenarnya. Hal ini dapat dilakukan dengan membuat
sebuah miniatur yang representative dan valid dengan tujuan sampling dan survey
statistik pada sistem nyata, sehingga perilaku sistem dapat diprediksi untuk dipelajari.
Jadi simulasi secara sederhana dapat diartikan sebagai proses peniruan. Simulasi
digunakan sebelum sebuah sistem yang ada dibangun dan untuk mengevaluasi model
secara numerik dan mengestimasi karakteristik sebenarnya dari model berdasarkan
data yang didapat. Teknik simulasi dapat dibayangkan dengan percobaan
(eksperimen), sebagai penyelesaian masalah untuk mempelajari sistem yang
kompleks yang tidak dapat dianalisis secara langsung dengan cara analitik. States dari
sebuah sistem merupakan koleksi dari berbagai variabel yang dibutuhkan untuk
menjelaskan sistem di waktu – waktu tertentu. Elemen model dalam simulasi antara
lain entitas, lokasi, resource, dan paths (Ishardita, 2012).
Suatu model simulasi yang baik dapat dilihat berdasarkan nilai utilitas resource
di setiap work station. Nilai utilitas didapatkan dari hasil output software simulasi
yang digunakan. Utilitas memiliki rentang nilai dari 0 hingga 1, nilai mendekati 0
berarti resource pada work station tersebut terlalu menganggur dan sebaliknya jika
mendekati nilai 1 berarti resource pada work station tersebut terlalu sibuk. Nilai
utilitas yang terbaik adalah yang terdapat dalam rentang 0.5 sampai 0.7 (Ishardita,
2012).
Metode simulasi ini menggunakan software simulasi yang menggambarkan
sistem sesungguhnya dengan ruang lingkup yang lebih luas dalam sistem tiruan
berupa animasi. Salah satu software yang sering digunakan adalah ARENA. Software
simulasi ARENA merupakan salah satu software simulasi general purpose yang
27
berbasis pada Graphical User Interface (GUI) yang dibuat oleh Systems Modeling
Corp, USA. Software simulasi lainnya yang ada dipasaran sampai saat ini adalah
GPSS/H, SIMAN, Pro-Model, Vensim, Powersim, dan PROOF Animation (Ishardita,
2012).
28
Digunakan untuk mengakhiri pembuatan model
interval.
29
Tabel 2.2.2 Jenis modul dan keterangan pada Software ARENA (lanjutan)
Pada modul data ini akan menampilkan berbagai
macam tipe dari entity dan memberikan nilai
pictures dalam simulasi. Salah satu entity yang
dapat ditampilkan adalah informasi biaya.
30
2.2 Jenis Data pada Simulasi ARENA
Menurut Kelton, Sadaowski, & Zupick, (2015) jenis-jenis data pada simulasi
arena sebagai berikut:
1. Beta
Distribusi Beta banyak digunakan untuk mewakili proporsi acak. Jenis distribusi
ini memiliki spesifikasi ukuran dari seluruh populasi Beta (β) dan Alpha (α) sebagai
bilangan asli positif. Variabel acak distribusi ini terletak diantara 0 dan 1. Karena
kisaran distribusi beta adalah dari 0 sampai 1, Sampel X dapat ditransformasi ke skala
beta sampel Y dengan range dari a hingga b dengan menggunakan Y = a + (b – a) X
(Kelton, Sadaowski, & Zupick, 2015).
2. Exponential
Distribusi Exponensial sering digunakan untuk model yang terdapat perbedaan
waktu antar kejadian (interevent times) pada kedatangan acak dan proses yang
berbeda. Model distribusi ini umumnya tidak dapat digunakan pada model yang
terdapat jeda waktu (delay). Spesifikasi ukuran dari seluruh populasi Beta (β) sebagai
bilangan asli positif (Kelton, Sadaowski, & Zupick, 2015).
3. Gamma
Distribusi Gamma digunakan pada jenis kejadian yang memiliki parameter
integer. Model distribusi ini sering digunakan untuk mewakili jumlah waktu yang
dibutuhkan untuk menyelesaikan beberapa pekerjaan. Jenis distribusi ini memiliki
spesifikasi ukuran dari seluruh populasi Beta (β) dan Alpha (α) sebagai bilangan asli
positif (Kelton, Sadaowski seluruh populasi Beta (β) sebagai bilangan asli positif
(Kelton, Sadaowski, & Zupick, 2015).
4. Normal
Distribusi Normal digunakan pada situasi dimana teori batas tengah berlaku,
pada kondisi ini penyebaran data terbagi secara merata atau simetris dengan satu
puncak. Rata-rata distribusi ini terletak di tengah kurva yaitu satu garis dengan
puncak kurva. Nilai rata-rata (µ) dispesifikasikan sebagai bilangan asli dan standar
deviasi (σ) dispesifikasikan sebagai bilangan asli positif (Kelton, Sadaowski, &
Zupick, 2015).
31
5. Weibull
Distribusi Weibull memiliki skala parameter Beta (β) dan bentuk parameter
Alpha (α) dispesifikasikan sebagai bilangan asli positif. Pada model ini secara luas
digunakan dalam model reabilitas untuk mewakilkan suatu umur pemakaian dari
suatu alat.
Jika sistem terdiri dari sejumlah data yang besar dengan bagian yang gagal secara
independent dan ketika sistem itu gagal, maka waktu antar kegagalannya berturut-
turut diperkirakan distribusi ini adalah distribusi Weibull (Kelton, Sadaowski, &
Zupick, 2015).
6. Lognormal
Distribusi Lognormal dapat digunakan dalam kondisi dimana terdapat banyak
jumlah kuantitas produk dengan jenis random. Distribusi ini berhubungan dengan
distribusi normal variabel acak X adalah distribusi Log (µl, σl), dan hanya jika, Ln x
mengikuti distribusi normal dengan mean µ dan varians σ. Parameter distribusi ini
memiliki rata-rata LogMean (µl> 0) dan standar deviasi LogStd (σ l> 0) dari
lognormal variabel acak. Baik nilai LogMean dan LogStd harus terspesifikasi sebagai
bilangan asli positif (Kelton, Sadaowski, & Zupick, 2015).
7. Triangular
Distribusi triangular atau segitiga banyak digunakan pada situasi dimana bentuk
pasti dari distribusi tidak dapat diketahui, tetapi dapat di estimasikan sebagai
minimum, maksimum, dan data yang tersedia paling banyak. Spesifikasi nilai untuk
distribusi ini terdiri dari minimum (a), mode (m), dan maksimum (b) sebagai bilangan
asli dengan a < m < b (Kelton, Sadaowski, & Zupick, 2015).
8. Erlang
Distribusi Erlang dapat dipakai saat kondisi dimana terjadi suatu aktivitas pada
fase keberhasilan dengan setiap fase merupakan distribusi eksponensial. Pada
distribusi ini parameter yang digunakan adalah rata-rata (β) untuk setiap komponen
dengan distribusi eksponensial, dan nilai eksponensial random variabel (k) adalah
parameter distribusi. Distribusi ini biasanya digunakan untuk mewakilkan permintaan
waktu untuk menyelesaikan sebuah tugas (Kelton, Sadaowski, 2015).
32
2.3 Uji Keseragaman Data
Menurut wijaya (2009), Pengujian keseragaman data dilakukan untuk
mengetahui homogenitas data atau untuk mengetahui tingkat keyakinan tertentu data
yang diperoleh seluruhnya berada dalam batas kontrol. Data yang terlalu ekstrim
sewajarnya dibuang dan tidak dimasukkan dalam perhitungan selanjutnya (Wijaya,
2009).
Ada dua batas kontrol, yakni:
a. Batas Kontrol Atas (BKA) atau Upper Control Limit (UCL).
b. Batas Kontrol Bawah (BKB) atau Lower Control Limit (LCL).
pengukuran rancangan.
Menurut wijaya (2009) uji kecukupan data dapat dilakukan dengan
menggunakan persamaan sebagai berikut:
⁄√ ∑ ∑
[ ] …………………. (1)
∑
Dimana:
N = Jumlah data yang didapat
X = Data yang didapat dari pengamatan
N’ = Jumlah pengamatan yang diperlukan
K = Harga indeks confidance (tingkat kepercayaan)
S= tingkat ketelitian
33
2.5 Independent t-test
Menurut Istijanto (2005), Independent t-test adalah suatu metode uji statistik
parametrik yang dipakai untuk menganalisis perbandingan dua sampel yang bersifat
independen atau tidak saling berhubungan. Rumus untuk menghitung nilai
independen t-test adalah sebagai berikut:
√
..........................(2)
Keterangan:
t = Pengujian statistik independent t-test terhadap perbedaan rata-rata X1 dan X2.
1 = Rata-rata X1.
2 Rata-rata X2.
S1 = Varians data X1.
S2 = Varians data X2.
Pada analisis uji independent t-test menggunakan asumsi equal variances not
assumed pada kolom Sig (2-tailed).
a) Jika nilai t-test pada kolom Significant (2 tailed) > level of Significant (α 5%),
maka tidak ada perbedaan rata-rata antara X1 dan X2.
b) Jika nilai t-test pada kolom Significant (2 tailed) < level of Significant (α 5%),
maka ada perbedaan rata-rata antara X1 dan X2.
2.6 ANOVA
Analisis varians (ANOVA) adalah kumpulan dari model statistik yang digunakan
untuk menganalisis perbedaan rata-rata antara kelompok dan prosedur terkait (seperti
“variasi” antara kelompok), yang dikembangkan oleh ahli statistik dan evolusi biologi
Ronald Fisher. Dalam pengaturan ANOVA, varians diamati pada variabel tertentu
dibagi menjadi komponen disebabkan berbagai sumber variasi. Dalam bentuk yang
paling sederhana, ANOVA menyediakan uji statistik apakah rata-rata beberapa
kelompok adalah sama, dan adanya generalisasi t-test untuk lebih dari dua kelompok.
Seperti melakukan beberapa one-sample t-tes akan menghasilkan peningkatan
34
kesempatan dalam mengamati tipe I kesalahan statistik, maka ANOVA berguna untuk
membandingkan (pengujian) tiga atau lebih berarti (kelompok atau variabel) untuk
signifikansi statistic (Istijanto, 2005). Hipotesis dalam ANOVA sebagai berikut:
Dalam analysis of variance hanya satu hipotesis yang digunakan, yaitu hipotesis dua
arah (two tail) artinya hipotesis ini ingin mengetahui apakah ada perbedaan rata-rata
atau tidak dan tidak spesifik yang mana yang berbeda.
H0: μ1 μ2 μ3 … μn, Tidak ada perbedaan yang nyata antara rata-rata hitung dari n
kelompok
H1: μ1 ≠ μ2 ≠ μ3 ≠ … ≠ μn, Ada perbedaan yang nyata antara rata-rata hitung dari n
kelompo
Asumsi-asumsi dalam ANOVA adalah:
1. Data berdistribusi normal, karena pengujiannya menggunakan uji F-Snedecor
2. Varians atau ragamnya homogen, dikenal sebagai homoskedastisitas, karena
hanya digunakan satu penduga (estimate) untuk varians.
3. Masing-masing contoh saling bebas, yang harus dapat diatur dengan
perancangan percobaan yang tepat.
35
BAB III
METODE PENELITIAN
Pada bab 3 modul 2 simulasi menggunakan software arena akan menjelaskan alat
dan bahan, prosedur pelaksanan serta flowchart pelaksanaan.
3.1 Alat dan Bahan
Alat dan bahan dari modul 2 simulasi menggunakan software arena, sebagai
berikut:
1. Stopwatch.
2. Software Visio.
3. Software Arena.
4. Software SPSS.
5. Komputer.
36
9. Menganalisis kebaikan dan kekurangan skenario.
10. Praktikan mampu mengindentifikasi faktor penghambat apabila skenaria
diimplementasikan pada sistem nyata.
Tugas pendahuluan
modul 2
```
Pengambilan data
- Waktu Kedatangan
Tahap Pengaambilan
- Waktu Pelayanan
data
- Waktu Selesai
- Lama Waktu Antrian
```
Pengolahan data
- Uji Kecukupan Data
- Menentukan Pola Data
- Menentukan Parameter
Acuan
- Model Visio dan Arena Tahap Pengolahan data
- Validasi Model
- Skenario Perbaikan
- Comparyng System
- Identifikasi Faktor
Penghambat
```
37
BAB IV
ANALISIS DAN PEMBAHASAN
Bab empat modul dua simulasi menggunakan software Arena analisis dan
pembahasan dari tugas besar ini berisikan tentang rekapan data, uji kecukupan, pola
data, parameter, model simulasi, skenario perbaikan, serta identifikasi faktor
penghambat dan animasi menggunakan software arena.
4.1 Rekapan Data
Rekapan data yang digunakan untuk simulasi terdiri dari data kedatangan, awal
pelayanan, serta selesai pelayanan pada obyek yang digunakan yaitu GraPARI
telkomsel Bangkalan.
Tabel 2.4.3 Rekapan pengamatan
Waktu Server 1 Server 2 Server 3 Waktu Jumlah
No Waktu Waktu Waktu Jumlah Waktu Waktu Waktu Jumlah Waktu Waktu Waktu Jumlah
Datang Selesai Antrian
Kedatangan Pelayanan Selesai Antrean Kedatangan Pelayanan Selesai Antrean Kedatangan Pelayanan Selesai Antrean
1 10.56.45 10.56.47 10.56.47 10.57.11 1 10.57.15 11.01.22 11.08.45 5 11.08.49 11.09.11 11.09.36 1 11.09.36 3
2 10:56:57 10:57:00 10.57.12 10.57.45 1 10:57:50 11.02.58 11.09.12 4 11.09.15 11.09.37 11.10.00 0 11.10.00 4
3 10.57.13 10.57.15 10.58.30 10.58.58 0 10.59.02 11.04.12 11.11.21 3 11.11.26 11.11.26 11.11.46 0 11.11.46 3
4 10.59.30 10.59.33 10.59.33 11.00.00 0 11.00.05 11.08.27 11.15.09 3 11.15.11 11:15:11 11.15.33 0 11.15.33 2
5 11.01.32 11.01.34 11.01.34 11.01.56 0 11.02.00 11.08.50 11.15.43 2 11.15.46 11.15.49 11:16:14 3 11:16:14 1
6 11.02.44 11.02.46 11.02.46 11.03.15 0 11.03.20 11.20.15 11.26.12 5 11.26.14 11.26.14 11.26.44 0 11.26.44 1
7 11.13.40 11.13.42 11.13.42 11.14.11 0 11.14.17 11.25.20 11.32.43 7 11.32.47 11.32.47 11.33.11 0 11.33.11 4
8 11.20.56 11.20.59 11.21.05 11.21.32 1 11.21.36 11.26.15 11.33.29 6 11.33.34 11.33.34 11.33.58 0 11.33.58 3
9 11.21.17 11.21.19 11.21.20 11.21.48 0 11.21.52 11.33.44 11.40.17 6 11.40.20 11.40.21 11.40.47 0 11.40.47 6
10 11.22.41 11.22.44 11.23.47 11.24.20 1 11.24.23 11.34.11 11.41.23 5 11.41.26 11.44.26 11.44.41 0 11.44.41 5
11 11.23.27 11.23.31 11.25.20 11.25.51 0 11.25.57 11.38.33 11.44.57 5 11.45.01 11.45.01 11.45.29 0 11.45.29 4
12 11.26.42 11.26.44 11.26.44 11.27.11 0 11.27.17 11.45.02 11.51.56 7 11.52.00 11.52.05 11.52.33 1 11.52.33 4
13 11.30.30 11.30.32 11.30.32 11.30.59 0 11.31.05 11.45.09 11.52.04 6 11.52.08 12.02.08 12.02.29 2 12.02.29 3
14 11.31.32 11.31.36 11.31.55 11.32.18 0 11.32.23 11.49.45 11.56.41 6 11.56.46 11.57.47 11.58.11 0 11.58.11 3
15 11.32.41 11.32.43 11.33.10 11.33.38 0 11.33.44 11:53:45 12.01.27 6 12.01.30 12.02.32 12.02.57 0 12.02.57 4
16 11.40.25 11.40.27 11.40.50 11.41.14 0 11.41.17 11.59.11 12.06.11 5 12.06.14 12.06.17 12.06.43 0 12.06.43 5
17 11.48.20 11.48.21 11.48.21 11.48.53 0 11.48.59 12.02.13 12.09.56 7 12.09.59 12:10:01 12.10.29 1 12.10.29 4
18 11.49.56 11.49.59 11.50.13 11.50.47 0 11.50.55 12.02.22 12.10.26 6 12.10.30 12.10.33 12.11.00 0 12.11.00 3
19 11.51.27 11.51.29 11.51.29 11.51.50 0 11.51.53 12.07.14 12.15.22 6 12.15.26 12.15.26 12.15.53 0 12.15.53 3
20 11:54:49 11.54.52 11.55.44 11.56.05 0 11.56.09 12.13.29 12.20.03 6 12.20.06 12.20.07 12.20.29 0 12.20.29 5
21 11.59.02 11.59.05 11.59.05 11.59.37 0 11.59.41 12:14:59 12.21.48 5 12.21.52 12.21.55 12.22.24 1 12.22.24 4
22 12.06.11 12.06.15 12.07.23 12.07.54 1 12.08.00 12.12.10 12.18.56 4 12.18.58 12.22.25 12.22.51 0 12.22.51 2
23 12.07.39 12.07.41 12.07.41 12.08.09 1 12.08.14 12.19.25 12.26.24 5 12.26.27 12.26.29 12.26.59 0 12.26.59 3
24 12.08.04 12.08.08 12.08.08 12.08.36 0 12.08.42 12.21.58 12.28.29 5 12.28.31 12.28.34 12.29.03 0 12.29.03 3
25 12.12.22 12:12:24 12.12.46 12.13.17 0 12.13.21 12.19.02 12.26.29 3 12.26.31 12.29.13 12.29.38 0 12.29.38 1
26 12.15.27 12.15.32 12.15.32 12.16.00 0 12.16.03 12.25.34 12.31.55 4 12.31.58 12.32.00 12.32.29 0 12.32.29 2
27 12.21.25 12.21.27 12.22.34 12.23.01 0 12.23.04 12.32.26 12.39.03 3 12.39.05 12.39.09 12.39.36 1 12.39.36 3
28 12.23.11 12.23.15 12.23.42 12.24.11 0 12.24.16 12.29.58 12.37.12 2 12.37.14 12.37.15 12.37.27 0 12.37.27 5
29 12.27.17 12.27.20 12.27.20 12.27.43 1 12.27.47 12.35.18 12.42.03 1 12.42.05 12.42.08 12.42.39 1 12.42.39 5
30 12.27.34 12.27.36 12.29.04 12.29.32 0 12.29.38 12.35.41 12.42.11 0 12.42.14 12.42.17 12.42.39 0 12.42.39 4
38
4.2 Uji Kecukupan Data Masing-masing Server
Menurut wijaya (2009), Uji kecukupan data bertujuan untuk mengetahui
apakah data hasil pengukuran dengan tingkat kepercayaan dan tingkat ketelitian
tertentu, jumlahnya telah memenuhi atau tidak. Untuk menetapkan berapa jumlah
observasi yang seharusnya dibuat N’ ≤ N.
N’ = √ ∑
∑
.................................... (1)
∑
Dimana:
N’ Jumlah pengamatan yang seharusnya dilakukan.
K = tingkat kepercayaan dalam pengamatan (k = 2, 1-α 95%)
S = Derajat ketelitian dalam pengamatan (5%)
N = jumlah pengamatan yang sudah dilakukan.
= Data pengamatan
39
N’ =(
√ ∑ ∑
)2
∑
=(
)2
=( )2
= 25.41271
Dari hasil perhitugan di atas didapatkan nilai sebesar 25,412 yang
menunjukkan bahwa data yang digunakan sudah cukup karena nilai yang didapat
kurang dari 30.
2. Rekapan Data Waktu Pelayanan dan Perhitungan Matematis Uji
Kecukupan Server 2
Rekapan data waktu pelayanan server dua adalah sebagai berikut:
Tabel 2.4.5 Rekapan data lama pelayanan server 2
No Lama Pelayanan
(detik)
1 443
2 374
3 429
4 402
5 413
6 357
7 443
8 434
9 393
10 432
11 384
12 414
13 415
14 416
15 462
16 420
17 463
18 484
19 488
20 394
21 409
22 406
23 419
24 391
25 447
26 381
27 397
28 434
29 405
30 390
N’ =(
√ ∑ ∑
)2
∑
40
√
)2
√ )2
=(
= (
= 8.604
Dari hasil perhitugan di atas didapatkan nilai sebesar 8,604 yang menunjukkan
bahwa data yang digunakan sudah cukup karena nilai yang didapat kurang dari 30.
3. Rekapan Data Waktu Pelayanan dan Perhitungan Matematis Uji
Kecukupan Server 3
Rekapan data waktu pelayanan server tiga adalah sebagai berikut:
Tabel 2.4.6 Rekapan data lama pelayanan server 3
No Lama Pelayanan
(detik)
1 25
2 23
3 20
4 22
5 25
6 30
7 24
8 24
9 26
10 15
11 28
12 28
13 21
14 24
15 25
16 26
17 28
18 27
19 27
20 22
21 29
22 26
23 30
24 29
25 25
26 29
27 27
28 27
29 31
30 24
N’ =(
√ ∑ ∑
)2
∑
= ( √
)2
= ( √ )2
= 27,5266
41
Dari hasil perhitugan di atas didapatkan nilai sebesar 27,523 yang
menunjukkan bahwa data yang digunakan sudah cukup karena nilai yang didapat
kurang dari 30.
1 24 1 443 5 25 0
2 33 1 374 5 23 0
3 28 0 429 3 20 0
4 27 0 402 6 22 0
5 22 0 413 9 25 3
6 29 0 357 5 30 0
7 29 0 443 6 24 0
8 27 1 434 6 24 0
9 28 2 393 8 26 2
10 33 1 432 6 15 0
11 31 0 384 5 28 0
12 27 0 414 8 28 4
13 27 0 415 8 21 1
14 23 1 416 5 24 0
15 28 0 462 6 25 1
16 24 0 420 4 26 0
17 32 0 463 8 28 1
18 34 0 484 6 27 1
19 21 0 488 7 27 2
20 21 0 394 4 22 0
21 32 0 409 5 29 1
22 31 1 406 4 26 0
23 28 0 419 6 30 1
24 28 0 391 4 29 1
25 31 0 447 5 25 0
26 28 0 381 4 29 0
27 27 1 397 3 27 1
28 29 0 434 2 27 0
29 23 2 405 1 31 1
30 28 0 390 0 24 0
42
4.4.1 Server 1
43
Berdasarkan pada gambar 2.4.5 server 2 pola data sebelum generate dapat
diketahui bahwa pola data waktu pelayanan tersebut termasuk berdistribusi BETA
yaitu 24 + 1.47e+003 * BETA(0.919, 1.84).
44
Gambar 2.4.8 Pola data server 3 sesudah generate
Berdasarkan pada gambar 2.4.6 server 3 pola data sesudah generate dapat
diketahui bahwa pola data waktu selesai tersebut termasuk berdistribusi NORM
yaitu NORM(24.5, 8.28).
4.4.4 Rekapan Pola Data Sebelum dan Sesudah Generate
Rekapan pola data sebelum dan sesudah dilakukan generate adalah sebagai
berikut:
Tabel 2.4.8 Rekapan data sebelum dan sesudah generate
Se rve r Distribusi
Se be lum Se sudah
1 TRIA(20.5, 28, 34.5) TRIA(21, 27.8, 34)
2 24 + 1.47e+003 * BETA(0.919, 1.84) 24 + 1.45e+003 * BETA(0.842, 1.78)
3 NORM(24.4, 8.08) NORM(24.5, 8.28)
Tabel 2.4.8 di atas merupakan rekapan data lama pelayanan masing-masing
server sebelum dan sesudah di-generate. Misalnya pada server 1 pola data
sebelum di-generate yaitu TRIA (20.5,28,34.5)
45
Tabel 2.4.9 Rekapan data lama pelayanan ketiga server
Customer Lama Pelayanan Server (detik)
46
Perhitungan matematis utilitas masing-masing server adalah sebagai berikut:
1. Waktu pelayanan server 1
Ditanya = Perhitungan matematis parameter utilitas
Jawab :
Utilitas = ∑
x 100%
= x 100%
= 13%
Perhitungan matematis di atas menunjukkan nilai utilitas pada server 1. Nilai
utilitas pada server 1 didapatkan sebesar 13%.
2. Waktu pelayanan server 2
Ditanya = Perhitungan matematis parameter utilitas
Jawab :
Utilitas = ∑
x 100%
= x 100%
= 65,78%
Perhitungan matematis di atas menunjukkan nilai utilitas pada server 2. Nilai
utilitas pada server 2 didapatkan sebesar 197,34%.
3. Waktu pelayanan server 3
Ditanya = Perhitungan matematis parameter utilitas
Jawab :
Utilitas = ∑
x 100%
= x 100%
= 12,07%
Perhitungan matematis di atas menunjukkan nilai utilitas pada server 3. Nilai
utilitas pada server 3 didapatkan sebesar 12,07 %.
47
2. Rekapan Data dan Perhitungan Matematis Panjang Antrean Customer
Rekapan data panjang antrean untuk menentukan panjang antrean pada
masing-masing server adalah sebagai berikut:
Tabel 2.4.10 Rekapan data panjang antrean ketiga server
Panjang Antrian Customer
Customer (orang)
Server 1 Server 2 Server 3
1 1 5 0
2 1 5 0
3 0 3 0
4 0 6 0
5 0 9 3
6 0 5 0
7 0 6 0
8 1 6 0
9 2 8 2
10 1 6 0
11 0 5 0
12 0 8 4
13 0 8 1
14 1 5 0
15 0 6 1
16 0 4 0
17 0 8 1
18 0 6 1
19 0 7 2
20 0 4 0
21 0 5 1
22 1 4 0
23 0 6 1
24 0 4 1
25 0 5 0
26 0 4 0
27 1 3 1
28 0 2 0
29 2 1 1
30 0 0 0
= 0.233
Perhitungan matematis di atas menunjukkan nilai rata-rata panjang antrean
pada server 1. Nilai rata-rata panjang antrean pada server 1 didapatkan sebesar
0.233.
2. Panjang antrean server 2
Ditanya :Perhitungan matematis parameter panjang antrean
Jawab :
Rata-rata panjang antrean =
= 4.6 =
48
Perhitungan matematis di atas menunjukkan nilai rata-rata panjang antrean
pada server 2. Nilai rata-rata panjang antrean pada server 2 didapatkan sebesar
4,6.
3. Panjang antrean server 3
Ditanya : Perhitungan matematis parameter panjang antrean
Jawab :
Rata-rata panjang antrean =
= 3.2
Perhitungan matematis di atas menunjukkan nilai rata-rata panjang antrean
pada server 3. Nilai rata-rata panjang antrean pada server 3 didapatkan sebesar
3,2.
4. Rekapan Data dan Perhitungan Matematis Lama Antrean Customer
Rekapan data lama antrean untuk menentukan rata-rata lama antrean customer
pada masing-masing server adalah sebagai berikut:
Tabel 2.4.11 Rekapan data lama antrean ketiga server
Customer Lama Antrian Customer (detik)
49
1. Lama antrean server 1
Ditanya : Perhitungan matematis parameter lama antrean
Jawab :
Lama Antrean =
= 20,57 detik
Perhitungan matematis di atas menunjukkan nilai rata-rata lama antrean pada
server 1. Nilai rata-rata lama antrean pada server 1 didapatkan sebesar 20,57
detik.
2. Lama antrean server 2
Ditanya : Perhitungan matematis parameter lama antrean
Jawab :
Lama Antrean =
= 654,1 detik
Perhitungan matematis di atas menunjukkan nilai rata-rata lama antrean pada
server 2. Nilai rata-rata lama antrean pada server 2 didapatkan sebesar 654,1
detik.
3. Waktu pelayanan server 3
Ditanya : Perhitungan matematis parameter lama antrean
Jawab :
Lama Antrean =
= 27.17 detik
Perhitungan matematis di atas menunjukkan nilai rata-rata lama antrean pada
server 3. Nilai rata-rata lama antrean pada server 3 didapatkan sebesar 27,17
detik.
50
Tabel rekapan parameter pengamatan masing-masing server adalah sebagai
berikut:
Tabel 2.4.12 Parameter pengamatan
PARAMETER SERVER 1 SERVER 2 SERVER 3
Panjang Antrean 0.233 4.77 3.2
Lama Antrean 20.56 654.1 27,17
Utilitas 13% 65,78% 12%
51
b. Visio
Layout pada GraPARI Telkomsel Bangkalan digambarkan dengan
menggunakan software visio seperti di bawah ini:
52
Validasi model arena dengan sistem nyata melalui parameter performance
system adalah sebagai berikut:
Hipotesis:
H0 : Tidak terdapat perbedaan yang signifikan antara model arena dengan sistem
nyata
H1 : terdapat perbedaan yang signifikan antara model arena dengan sistem nyata
Pengambilan keputusan:
Jika –t tabel < t hitung < t tabel , maka terima H0.
Jika t hitung > t tabel atau –t hitung < - t tabel, maka tolak H0.
a. Parameter Utilitas
Tabel perbandingan dan hasil independent t-test 5 replikasi dari data utilitas
hasil perhitugan manual dengan hasil output Arena adalah sebagai berikut:
1. Replikasi 1
Tabel perbandingan utilitas dan hasil uji independen replikasi satu adalah
sebagai berikut:
Tabel 2.4.13 Utilitas nyata dan Arena replikasi 1
NO SERVER REPLIKASI 1
Nyata Arena
1 1 0.13031 0.0285
2 2 0.6578 0.1473
3 3 0.12071 0.0285
Tabel 2.4.13 rekapan data utilitas replikasi 1 diketahui bahwa nilai utilitas
perhitungan manual pada server 1 sebesar 0,13, server 2 sebesar 0,6578, dan
server 3 sebesar 0,121. Nilai utilitas output arena pada server 1 sebesar 0,029,
server 2 sebesar 0,1473 dan server 3 sebesar 0,0285.
Tabel 2.4.14 Validasi parameter utilitas replikasi 1
Variable 1 Variable 2
Mean 0.302941279 0.0681
Variance 0.094467033 0.00470448
Observations 3 3
Pooled Variance 0.049585756
Hypothesized Mean Difference 0
df 4
t Stat 1.291640326
P(T<=t) one-tail 0.133030957
t Critical one-tail 2.131846786
P(T<=t) two-tail 0.266061915
t Critical two-tail 2.776445105
53
Tabel 2.4.14 hasil uji independent utilitas replikasi 1 diketahui bahwa nilai
t hitung sebesar 1,29 kurang dari t tabel yaitu sebesar 2,776 yang artinya
terima H0 dengan kesimpulan tidak terdapat perbedaan yang signifikan antara
model arena dengan sistem nyata.
2. Replikasi 2
Tabel perbandingan utilitas dan hasil uji independen replikasi dua adalah
sebagai berikut:
Tabel 2.4.15 Utilitas nyata dan Arena replikasi 2
NO SERVER REPLIKASI 2
Nyata Arena
1 1 0.13031 0.0289
2 2 0.6578 0.148
3 3 0.12071 0.0268
Tabel 2.4.15 rekapan data utilitas replikasi 2 diketahui bahwa nilai utilitas
perhitungan manual pada server 1 sebesar 0,13, server 2 sebesar 0,6578, dan
server 3 sebesar 0,121. Nilai utilitas output arena pada server 1 sebesar 0,029,
server 2 sebesar 0,148 dan server 3 sebesar 0,027.
Tabel 2.4.16 Validasi parameter utilitas replikasi 2
Variable 1 Variable 2
Mean 0.302941279 0.0679
Variance 0.094467033 0.00481311
Observations 3 3
Pooled Variance 0.049640071
Hypothesized Mean Difference 0
df 4
t Stat 1.292032901
P(T<=t) one-tail 0.132969387
t Critical one-tail 2.131846786
P(T<=t) two-tail 0.265938775
t Critical two-tail 2.776445105
Tabel 2.4.16 hasil uji independent utilitas replikasi 1 diketahui bahwa nilai
t hitung sebesar 1,29 kurang dari t tabel yaitu sebesar 2,776 yang artinya
terima H0 dengan kesimpulan tidak terdapat perbedaan yang signifikan antara
model arena dengan sistem nyata.
54
3. Replikasi 3
Tabel perbandingan utilitas dan hasil uji independen replikasi tiga adalah
sebagai berikut:
Tabel 2.4.17 Utilitas nyata dan Arena replikasi 3
NO SERVER REPLIKASI 3
Nyata Arena
1 1 0.130 0.0286
2 2 0.658 0.1458
3 3 0.121 0.027
Tabel 2.4.17 rekapan data utilitas replikasi 2 diketahui bahwa nilai utilitas
perhitungan manual pada server 1 sebesar 0,13, server 2 sebesar 0,6578, dan
server 3 sebesar 0,121. Nilai utilitas output arena pada server 1 sebesar 0,029,
server 2 sebesar 0,1458 dan server 3 sebesar 0,027.
Tabel 2.4.18 Validasi parameter utilitas replikasi 3
Variable 1Variable 2
Mean 0.302941 0.067133
Variance 0.094467 0.004642
Observations 3 3
Pooled Variance 0.049555
Hypothesized Mean Difference 0
df 4
t Stat 1.297366
P(T<=t) one-tail 0.132136
t Critical one-tail 2.131847
P(T<=t) two-tail 0.264271
t Critical two-tail 2.776445
Tabel 2.4.18 hasil uji independent utilitas replikasi 3 diketahui bahwa nilai
t hitung sebesar 1,29 kurang dari t tabel yaitu sebesar 2,776 yang artinya
terima H0 dengan kesimpulan tidak terdapat perbedaan yang signifikan antara
model arena dengan sistem nyata.
4. Replikasi 4
Tabel perbandingan utilitas dan hasil uji independen replikasi empat
adalah sebagai berikut:
Tabel 2.4.19 Utilitas nyata dan Arena replikasi 4
NO SERVER REPLIKASI 4
Nyata Arena
1 1 0.130 0.0283
2 2 0.658 0.1496
3 3 0.121 0.0262
55
Tabel 2.4.19 rekapan data utilitas replikasi 4 diketahui bahwa nilai utilitas
perhitungan manual pada server 1 sebesar 0,13, server 2 sebesar 0,6578, dan
server 3 sebesar 0,121. Nilai utilitas output arena pada server 1 sebesar 0,029,
server 2 sebesar 0,1496 dan server 3 sebesar 0,0262.
Tabel 2.4.20 Validasi parameter utilitas replikasi 4
Variable 1Variable 2
Mean 0.302941 0.068033
Variance 0.094467 0.004991
Observations 3 3
Pooled Variance 0.049729
Hypothesized Mean Difference 0
df 4
t Stat 1.290145
P(T<=t) one-tail 0.133266
t Critical one-tail 2.131847
P(T<=t) two-tail 0.266531
t Critical two-tail 2.776445
Tabel 2.4.20 hasil uji independent utilitas replikasi 4 diketahui bahwa nilai
t hitung sebesar 1,29 kurang dari t tabel yaitu sebesar 2,776 yang artinya
terima H0 dengan kesimpulan tidak terdapat perbedaan yang signifikan antara
model arena dengan sistem nyata.
5. Replikasi 5
Tabel perbandingan utilitas dan hasil uji independen replikasi lima adalah
sebagai berikut:
Tabel 2.4.21 Utilitas nyata dan Arena replikasi 5
NO SERVER REPLIKASI 5
Nyata Arena
1 1 0.13031 0.0291
2 2 0.6578 0.1472
3 3 0.12071 0.0261
Tabel 2.4.21 rekapan data utilitas replikasi 5 diketahui bahwa nilai utilitas
perhitungan manual pada server 1 sebesar 0,13, server 2 sebesar 0,6578, dan
server 3 sebesar 0,121. Nilai utilitas output arena pada server 1 sebesar 0,029,
server 2 sebesar 0,1472 dan server 3 sebesar 0,028.
Tabel 2.4.22 Validasi parameter utilitas replikasi 5
Variable 1Variable 2
Mean 0.302941 0.067467
Variance 0.094467 0.00477
Observations 3 3
Pooled Variance 0.049619
Hypothesized Mean Difference 0
df 4
t Stat 1.294694
P(T<=t) one-tail 0.132553
t Critical one-tail 2.131847
P(T<=t) two-tail 0.265105
t Critical two-tail 2.776445
56
Tabel 2.4.22 hasil uji independent utilitas replikasi 5 diketahui bahwa nilai
t hitung sebesar 1,295 kurang dari t tabel yaitu sebesar 2,776 yang artinya
terima H0 dengan kesimpulan tidak terdapat perbedaan yang signifikan antara
model arena dengan sistem nyata.
b. Parameter Panjang Antrean
Tabel perbandingan dan hasil independent t-test 5 replikasi dari data
panjang antrean hasil perhitungan manual dengan hasil output Arena adalah
sebagai berikut:
1. Replikasi 1
Tabel perbandingan panjang antrean dan hasil uji independen replikasi
satu adalah sebagai berikut:
Tabel 2.4.23 Panjang antrean nyata dan Arena replikasi 1
NO SERVER REPLIKASI 1
Nyata Are na
1 1 0.233 0.00074
2 2 4.767 0.016
3 3 3.200 0.00093
Tabel 2.4.23 rekapan data panjang antrean replikasi 1 diketahui bahwa
nilai panjang antrean perhitungan manual pada server 1 sebesar 0,233, server
2 sebesar 4,767, dan server 3 sebesar 3,200. Nilai rata-rata panjang antrean
output arena pada server 1 sebesar 0,00074, server 2 sebesar 0,016 dan server
3 sebesar 0,00093.
Tabel 2.4.24 Validasi parameter panjang antrean replikasi 1
Variable 1 Variable 2
Mean 2.733333333 0.00589
Variance 5.301111111 7.66681E-05
Observations 3 3
Pooled Variance 2.65059389
Hypothesized Mean Difference 0
df 4
t Stat 2.051775169
P(T<=t) one-tail 0.054734723
t Critical one-tail 2.131846786
P(T<=t) two-tail 0.109469445
t Critical two-tail 2.776445105
57
2. Replikasi 2
Tabel perbandingan parameter panjang antrean dan hasil uji independen
replikasi dua adalah sebagai berikut:
Tabel 2.4.25 Panjang antrean nyata dan Arena replikasi 2
NO SERVER REPLIKASI 2
Nyata Are na
1 1 0.233 0.0039
2 2 4.767 0.057
3 3 3.200 0.0026
58
Tabel 2.4.27 Panjang antrean nyata dan Arena replikasi 3
NO SERVER REPLIKASI 3
Nyata Are na
1 1 0.233 0.0016
2 2 4.767 0.0097
3 3 3.200 0.0017
59
arena pada server 1 sebesar 0,0019, server 2 sebesar 0,0331 dan server 3
sebesar 0,000006.
Tabel 2.4.30 Validasi parameter panjang antrean replikasi 4
Variable 1 Variable 2
Mean 2.733333333 0.011668667
Variance 5.301111111 0.000345373
Observations 3 3
Pooled Variance 2.650728242
Hypothesized Mean Difference 0
df 4
t Stat 2.047376161
P(T<=t) one-tail 0.055008818
t Critical one-tail 2.131846786
P(T<=t) two-tail 0.110017635
t Critical two-tail 2.776445105
60
Tabel 2.4.32 Validasi panjang antrean replikasi 5
Variable 1 Variable 2
Mean 2.733333333 0.055666667
Variance 5.301111111 0.008450463
Observations 3 3
Pooled Variance 2.654780787
Hypothesized Mean Difference 0
df 4
t Stat 2.012740608
P(T<=t) one-tail 0.057220361
t Critical one-tail 2.131846786
P(T<=t) two-tail 0.114440721
t Critical two-tail 2.776445105
Tabel 2.4.32 hasil uji independent utilitas replikasi 5 diketahui bahwa nilai
t hitung sebesar 2,012 kurang dari t tabel yaitu sebesar 2,776 yang artinya
terima H0 dengan kesimpulan tidak terdapat perbedaan yang signifikan antara
model arena dengan sistem nyata.
c. Parameter Lama Antrean
Tabel perbandingan dan hasil independent t-test 5 replikasi dari data lama
antrean hasil perhitungan manual dengan hasil output Arena adalah sebagai
berikut:
1. Replikasi 1
Tabel perbandingan lama antrean dan hasil uji independen replikasi satu
adalah sebagai berikut:
Tabel 2.4.33 Lama antrean nyata dan Arena replikasi 1
NO SERVER REPLIKASI 1
Nyata Are na
1 1 20.567 0.00025
2 2 654.100 0.0042
3 3 27.167 0.00025
Tabel 2.4.33 rekapan data lama antrean replikasi 1 diketahui bahwa nilai
lama antrean perhitungan manual pada server 1 sebesar 20,567, server 2
sebesar 654,100, dan server 3 sebesar 27,167. Nilai rata-rata lama antrean
output arena pada server 1 sebesar 0,00025, server 2 sebesar 0,0042 dan
server 3 sebesar 0,00025.
61
Tabel 2.4.34 Validasi lama antrean replikasi 1
Variable 1 Variable 2
Mean 233.9444444 0.001566667
Variance 132408.9081 5.20083E-06
Observations 3 3
Pooled Variance 66204.45408
Hypothesized Mean Difference 0
df 4
t Stat 1.113555464
P(T<=t) one-tail 0.163935126
t Critical one-tail 2.131846786
P(T<=t) two-tail 0.327870252
t Critical two-tail 2.776445105
Tabel 2.4.35 rekapan data lama antrean replikasi 2 diketahui bahwa nilai
rata-rata lama antrean perhitungan manual pada server 1 sebesar 20,567,
server 2 sebesar 654,100, dan server 3 sebesar 27,167. Nilai rata-rata lama
antean output arena pada server 1 sebesar 0,001, server 2 sebesar 0,015 dan
server 3 sebesar 0,0007.
Tabel 2.4.36 Validasi parameter lama antrean replikasi 2
Variable 1 Variable 2
Mean 233.9444444 0.005566667
Variance 132408.9081 6.67633E-05
Observations 3 3
Pooled Variance 66204.45411
Hypothesized Mean Difference 0
df 4
t Stat 1.113536424
P(T<=t) one-tail 0.163938761
t Critical one-tail 2.131846786
P(T<=t) two-tail 0.327877522
t Critical two-tail 2.776445105
62
Tabel 2.4.36 hasil uji independent parameter panjang antrean replikasi 2
diketahui bahwa nilai t hitung sebesar 1,113 kurang dari t tabel yaitu sebesar
2,776 yang artinya terima H0 dengan kesimpulan tidak terdapat perbedaan
yang signifikan antara model arena dengan sistem nyata.
3. Replikasi 3
Tabel perbandingan parameter lama antrean dan hasil uji independen
replikasi tiga adalah sebagai berikut:
Tabel 2.4.37 Lama antrean nyata dan Arena replikasi 3
NO SERVER REPLIKASI 3
Nyata Are na
1 1 20.567 0.00043
2 2 654.100 0.00258
3 3 27.167 0.00046
63
Tabel 2.4.39 Lama antrean nyata dan Arena replikasi 4
NO SERVER REPLIKASI 4
Nyata Are na
1 1 20.567 0.00049
2 2 654.100 0.0088
3 3 27.167 0.0000017
Tabel 2.4.39 rekapan data lama antrean replikasi 4 diketahui bahwa nilai
rata-rata lama antrean perhitungan manual pada server 1 sebesar 20,567,
server 2 sebesar 654,100, dan server 3 sebesar 27,167. Nilai rata-rata lama
antrean output arena pada server 1 sebesar 0,00049, server 2 sebesar 0,0088
dan server 3 sebesar 0,0000017.
Tabel 2.4.40 Validasi parameter lama antrean replikasi 4
Variable 1 Variable 2
Mean 233.9444444 0.003097233
Variance 132408.9081 2.44508E-05
Observations 3 3
Pooled Variance 66204.45409
Hypothesized Mean Difference 0
df 4
t Stat 1.113548178
P(T<=t) one-tail 0.163936517
t Critical one-tail 2.131846786
P(T<=t) two-tail 0.327873034
t Critical two-tail 2.776445105
Tabel 2.4.41 rekapan data lama antrean replikasi 5 diketahui bahwa nilai
rata-rata lama antrean perhitungan manual pada server 1 sebesar 20,567,
server 2 sebesar 654,100, dan server 3 sebesar 27,167. Nilai rata-rata lama
antrean output arena pada server 1 sebesar 0,00024, server 2 sebesar 0,97 dan
server 3 sebesar 0.
64
Tabel 2.4.42 Validasi replikasi 5
Variable 1 Variable 2
Mean 233.9444444 0.014833333
Variance 132408.9081 0.000599413
Observations 3 3
Pooled Variance 66204.45437
Hypothesized Mean Difference 0
df 4
t Stat 1.113492313
P(T<=t) one-tail 0.163947183
t Critical one-tail 2.131846786
P(T<=t) two-tail 0.327894366
t Critical two-tail 2.776445105
65
Gambar 2.4.13 Skenario perbaikan 2
Gambar 2.4.13 di atas merupakan skenario perbaikan kedua dari model
simulasi pada objek GraPARI Telkomsel Bangkalan. Pada skenario perbaikan
kedua, kapasitas resourch pada server 2 yang awalnya 3 dikurangi satu menjadi 2.
Hal tersebut dianggap akan dapat meningkatkan utilitas pegawai.
3. Skenario Perbaikan 3
Skenario perbaikan ketiga dari model simulasi pada objek GraPARI
Telkomsel Bangkalan adalah sebagai berikut:
66
Tabel 2.4.43 Rekapan data utilitas model awal dan skenario perbaikan
Replikasi Data Awal Perbaikan 1 Perbaikan 2 Perbaikan 3
1 0.0681 0.0553 0.092 0.167
2 0.0679 0.0554 0.094 0.166
3 0.0671 0.0552 0.096 0.161
4 0.0680 0.0557 0.089 0.169
5 0.0675 0.0549 0.09 0.164
Tabel 2.4.43 merupakan tabel rekapan data dari nilai utilitas model awal dan
ketiga skenario perbaikan yang akan diuji ANOVA.
Tabel 2.4.44 Tabel ANOVA parameter utilitas
Source of Variation SS df MS F P-value F crit
Between Groups 0.036353 3 0.012118 2783.438 5.96849E-22 3.238872
Within Groups 6.97E-05 16 4.35E-06
Total 0.036422 19
Tabel 2.4.44 Tabel ANOVA di atas dapat diketahui bahwa nilai F hitung dari
hasil uji ANOVA yaitu 2783.44 dan lebih besar dari F tabel sebesar 3.24. Hasil
tersebut dapat diambil keputusan tolak H0, yaitu terdapat perbedaan signifikan
antara model awal dengan model skenario perbaikan pada parameter utilitasnya.
b. Parameter Panjang Antrean
Proses comparing sistem parameter panjang antrean antara model awal dengan
skenario perbaikan adalah sebagai berikut:
Tabel 2.4.45 Rekapan data panjang antrean model awal dan skenario perbaikan
Replikasi Model awal Perbaikan 1 Perbaikan 2 Perbaikan 3
1 0.0059 0.0022 0.0311 1.0208
2 0.0212 0.0031 0.0309 1.021
3 0.0043 0.0023 0.0313 1.0213
4 0.0117 0.0027 0.0313 1.0207
5 0.0557 0.0022 0.0308 1.0204
Tabel 2.4.45 merupakan tabel rekapan data dari nilai rata-rata panjang antrean
model awal dan ketiga skenario perbaikan yang akan diuji ANOVA.
Tabel 2.4.46 Tabel ANOVA parameter panjang antrean
Source of Variation SS df MS F P-value F crit
Between Groups 3.775095555 3 1.258365185 11257.98341 8.43559E-27 3.238872
Within Groups 0.001788406 16 0.000111775
Total 3.776883961 19
Tabel 2.4.46 Tabel ANOVA di atas dapat diketahui bahwa nilai F hitung dari
hasil uji ANOVA yaitu 11257.98 dan lebih besar dari F tabel sebesar 3.24. Hasil
tersebut dapat diambil keputusan tolak H0, yaitu terdapat perbedaan signifikan
antara model awal dengan model skenario perbaikan pada parameter panjang
antrean.
67
c. Parameter Lama Antrean
Proses comparing sistem parameter lama antrean antara model awal dengan
skenario perbaikan adalah sebagai berikut:
Tabel 2.4.47 Rekapan data lama antrean model awal dan skenario perbaikan
Replikasi Model awal Perbaikan 1 Perbaikan 2 Perbaikan 3
1 0.0016 0.0006 0.0083 0.2722
2 0.0056 0.0003 0.0089 0.2721
3 0.0012 0.0003 0.0093 0.2713
4 0.0031 0.0007 0.0083 0.2717
5 0.0148 0.0012 0.0088 0.2724
Tabel 2.4.47 merupakan tabel rekapan data dari nilai rata-rata lama antrean
model awal dan ketiga skenario perbaikan yang akan diuji ANOVA.
Tabel 2.4.48 Tabel ANOVA parameter lama antrean
Source of Variation SS df MS F P-value F crit
Between Groups 0.26765721 3 0.08921907 11071.4211 9.64149E-27 3.238872
Within Groups 0.00012894 16 8.0585E-06
Total 0.26778614 19
Tabel 2.4.48 Tabel ANOVA di atas dapat diketahui bahwa nilai F hitung dari
hasil uji ANOVA yaitu 11071.42 dan lebih besar dari F tabel sebesar 3.24. Hasil
tersebut dapat diambil keputusan tolak H0, yaitu terdapat perbedaan signifikan
antara model awal dengan model skenario perbaikan pada parameter lama antrean.
68
4.11 Animasi Menggunakan Software Arena
Animasi menggunakan software arena
69
BAB V
KESIMPULAN DAN SARAN
5.2 Saran
Saran modul 2 simulasi dengan menggunakan software arena adalah sebagai
berikut:
GraPARI Telkomsel Bangkalan sebaiknnya mempertimbangkan skenario
perbaikan-skenario perbaikan yang sudah disimulasikan di atas untuk mengurangi
permasalahan antrian atau pembengkakan biaya yang ada di GraPARI Telkomsel
Bangkalan.
70
DAFTAR PUSTAKA
71