Pemodelan dan Simulasi Kantor Pos

MODUL AJAR
PEMODELAN DAN SIMULASI

(JTI301010)
Disusun Oleh:
Mulyanto, S.Kom, M.Cs

NIP 19750213 200801 1 007
PRODI D4 TEKNIK INFORMATIKA MULTIMEDIA

JURUSAN TEKNOLOGI INFORMASI
POLITEKNIK NEGERI SAMARINDA
2017
KATA PENGANTAR
Puji syukur kehadirat Tuhan Yang Maha Esa, karena dengan rahmat
dan berkat hidayah-Nya, Modul Ajar ini dapat diselesaikan. Dalam suatu
institusi pendidikan, proses utama yang perlu diperhatikan dan merupakan
tolok ukur dari kualitas institusi tersebut adalah proses belajar mengajar yang
terjadi antara mahasiswa dan dosen. Guna menunjang proses tersebut kami
team pengajar Pemodelan dan Simulasi menyusun catatan kuliah ini.
Selain diperuntukkan bagi mahasiswa, catatan kuliah ini juga
diharapkan dapat digunakan sebagai acuan keseragaman materi antar dosen
yang mengajar pada beberapa kelas paralel di Jurusan Teknologi Informasi
Politeknik Negeri Samarinda.
Kami sangat mengharapkan saran dan kritik membangun dari
mahasiswa, dosen dan pembaca guna perbaikan modul ajar ini.
Samarinda, September 2017
Penyusun
Modul Ajar: Pemodelan dan Simulasi ii

DAFTAR ISI
KATA PENGANTAR .............................................................................. ii

DAFTAR ISI ........................................................................................... iii
RENCANA PEMBELAJARAN SEMESTER (RPS) ................................. vi
BAB I DASAR PEMODELAN DAN SIMULASI

1.1 Definisi ............................................................................................... 1
1.2 Tahapan Umum Pemodelan dan Simulasi ..................................... 2
1.3 Sistem ................................................................................................. 3
1.4 Terminologi Sistem ........................................................................... 6
1.4 Spesifikasi aktivitas per event ........................................................... 7
1.5 Model ................................................................................................. 8
1.6 Simulasi ............................................................................................ 16
Latihan ................................................................................................... 20
BAB II PROBABILITAS DAN PROSES RANDOM

2.1 Pengertian Dasar ............................................................................. 22
2.1.1 Variabel Random .................................................................. 22
2.1.2 Fungsi Massa Probabilitas (Probability Mass Function :
PMF) ...................................................................................... 23
2.1.3 Cummulative Distribution Function (CDF) variabel
random diskrit ....................................................................... 24
2.1.4 Fungsi Kepadatan Probabilitas (Probability Density
Function: PDF)....................................................................... 25
2.1.5 Cummulative Distribution Function (CDF) variabel
random kontinu..................................................................... 26
2.1.6 Nilai Harapan ........................................................................ 27
2.1.7 Variansi .................................................................................. 27
2.1.8 Standar Deviasi ..................................................................... 28
2.2 Variabel Random Diskrit Uniform ................................................ 28
2.3 Variabel Random Diskrit Geometrik ............................................ 29
2.4 Variabel Random Diskrit Binomial ............................................... 30
2.4.1 Pembangkitan Variabel Random Binomial ........................ 32
Modul Ajar: Pemodelan dan Simulasi iii

2.5 Variabel Random Diskrit Poisson ................................................. 34
2.6 Distribusi Poisson............................................................................ 38
Latihan ................................................................................................... 40
BAB III DASAR SISTEM ANTRIAN

3.1 Teori Antrian ................................................................................... 41
3.2 Karakteristik proses antrian ............................................................ 42
3.2.1 Pola Kedatangan ................................................................... 42
3.2.2 Pola Layanan ........................................................................ 43
3.2.3 Disiplin Antrian .................................................................... 43
3.2.4 Kapasitas Sistem ................................................................... 44
3.2.5 Jumlah jalur layanan ............................................................ 44
3.2.6 Tahap Layanan (stage of service) ............................................ 45
3.2.7 Model Antrian ....................................................................... 45
3.3 Notasi Antrian ................................................................................. 47
3.4 Dasar Topologi Sistem Antrian ..................................................... 48
3.5 Model-model Sistem Antrian ......................................................... 50
3.6 Konversi Satuan Waktu.................................................................. 52
3.7 Studi Kasus ...................................................................................... 53
Latihan 1 ................................................................................................ 63
Latihan 2 ................................................................................................ 65
Latihan 3 ................................................................................................ 67
BAB IV PEMODELAN SIMULASI DENGAN PROMODEL

4.1 Software Simulasi ............................................................................ 70
4.2 Pemodelan dengan ProModel ........................................................ 70
4.2.1 Definisi ProModel ................................................................ 70
4.2.2 Struktur Elemen Promodel .................................................. 71
4.2.3 Konsep Pemodelan Promodel ............................................. 74
4.3 Pengumpulan Data Input Simulasi ............................................... 76
4.4 Verifikasi dan Validasi .................................................................... 78
BAB V STUDI KASUS PEMODELAN & SIMULASI KANTOR POS

5.1 Deskripsi Sistem .............................................................................. 79
Modul Ajar: Pemodelan dan Simulasi iv

5.2 Tujuan .............................................................................................. 79
5.3 Manfaat ............................................................................................ 79
5.4 Batasan ............................................................................................. 80
5.5 Asumsi ............................................................................................. 80
5.6 Diagram Alir Praktikum (Metodologi Penelitian) ....................... 81
5.7 Prosedur Praktikum ........................................................................ 82
5.8 Gambaran Sistem ............................................................................ 83
5.9 PetriNet ............................................................................................ 84
5.10 Flowchart Sistem ........................................................................... 85
5.11 Pengujian Distribusi Data ............................................................ 87
5.12 Pembuatan Model Sistem Pengiriman Surat Nasional.............. 91
5.13 Analisis dan Pembahasan ............................................................. 99
5.13.1 Location Utilization ......................................................... 100
5.13.2 Resource Utilization ......................................................... 100
5.13.3 Resource States ................................................................. 101
5.13.4 Entity Activity ................................................................... 101
5.13.5 Variable (All) ..................................................................... 102
5.14 Verifikasi dan Validasi ................................................................ 102
5.14.1 Verifikasi ............................................................................ 102
5.14.2 Validasi .............................................................................. 105
5.15 Kesimpulan .................................................................................. 111
5.16 Saran............................................................................................. 113
Tugas Besar .......................................................................................... 113
Modul Ajar: Pemodelan dan Simulasi v

RENCANA PEMBELAJARAN SEMESTER
(RPS)
Program Studi : D4 Teknik Informatika Multimedia
Mata Kuliah Pemodelan dan Simulasi

Kode JTI301010
Semester V (lima)
Jumlah SKS 2 (dua)
Dosen Pengampu Mulyanto, S.Kom, M.Cs.
Achmad Fanany Onnilita Gaffar, S.T., M.T.
Deskripsi Singkat Mata Kuliah

Pada mata kuliah ini, mahasiswa akan belajar konsep pemodelan dan
simulasi, hubungan pemodelan dan simulasi, variabel acak, distribusi
probabilitas dan visualisasi dalam pemodelan dan simulasi, distribusi
probabilitas (pemodelan input dan analisis output pada model antrian),
pembuatan model simulasi menggunakan software simulasi.
Capaian Pembelajaran Mata Kuliah:
1. Mahasiswa mampu menerapkan konsep dan prosedur dalam pembuatan

model simulasi dari suatu sistem nyata yang dipelajari efisiensi kerjanya,
mengeksekusi model simulasi dan mengambil kesimpulan tentang kinerja
berdasarkan analisis terhadap luaran simulasi.
2. Mengembangkan sistem alternatif serta membandingkan kinerja

berdasarkan luaran simulasi sistem nyata dan sistem alternatif tersebut,
baik dengan bekerja secara individu maupun secara berkelompok dalam
kerjasama tim.
Metode Pembelajaran
1. Pembelajaran berbasis masalah
2. Diskusi kelompok
3. Simulasi
Modul Ajar: Pemodelan dan Simulasi vi

4. Studi Kasus
Media Pembelajaran
1. Spreadsheet: Microsoft Excel
2. Matlab
3. Aplikasi pemodelan dan simulasi: Promodel, Arena
4. LCD Proyektor
Metode Penilaian dan Pembobotan

1. Tugas / Quiz 30%
2. UTS 25%
3. UAS / Final Project 40%
4. Aktifitas 5%
Kriteria Penilaian
1. Pengerjaan soal latihan dan tugas, baik tugas individu maupun tugas
kelompok.
2. Ujian Tengah Semester (UTS) untuk menilai aspek serapan materi kuliah
sampai dengan tengah semester.
3. Ujian Akhir Semester (UAS) / Final Project untuk menilai aspek serapan
materi kuliah dari awal perkuliahan hingga selesai.
4. Partisipasi dan keaktifan mahasiswa di dalam kelas.
Daftar Referensi :
1. Banks, J, & John S. Carson II, Discrete-Event System Simulation, Prentice
Hall, 2009.
2. Law, Averill M. & Kelton, David W., Simulation Modelling & Analysis,
McGraw-Hill, 2006
3. Harrel, Charles, Simulation using Promodel, McGraw-Hill, 2012
4. Kelton, David W. & Sadowski, Randall P., Simulation with Arena, 2015.
Modul Ajar: Pemodelan dan Simulasi vii

Minggu Pokok
Kemampuan Akhir Bahan Kajian Metode Pembelajaran Kriteria Penilaian
Ke Bahasan
1 a. Mahasiswa mampu Konsep a. Teori sistem, model  Penjelasan materi,
membandingkan sistem dan Pemodelan dan simulasi pembelajaran berbasis
model dan b. Kelebihan dan masalah
b. Mahasiswa mampu Simulasi kekurangan simulasi
menjelaskan perlunya model
untuk kebutuhan simulasi.
2-4 a. Mahasiswa dapat mengetahui Hubungan a. Membangun model  Penjelasan materi,  Observasi dosen
langkah-langkah pemodelan b. Hubungan pemodelan latihan, diskusi  Hasil penilaian
pembangunan model dan dan simulasi dan simulasi kelompok, simulasi tugas
mengkaitkannya dengan c. Langkah-langkah  Tugas kelompok
simulasi sistem. simulasi membuat model
b. Mahasiswa dapat menjelaskan konseptual, yang
langkah-langkah dalam berbasis obyek dan
melakukan simulasi proses
(diskrit/kontinu)  Tugas membuat
c. Mahasiswa dapat simulasi sederhana
memformulasikan menggunakan job
permasalahan (statis) dan sheet dan Microsoft
menyelesaikannya dengan Excel
menggunakan simulasi.
5-7 a. Mahasiswa dapat menentukan Probabilitas a. Pembangkitan variabel  Penjelasan materi, Hasil penilaian
data acak berdasarkan dan Proses random diskrit latihan, tugas mandiri tugas
distribusi tertentu Random b. Pembangkitan variabel  Tugas
Modul Ajar: Pemodelan dan Simulasi viii

Minggu Pokok
Ke Bahasan
b. Mahasiswa dapat menjelaskan random kontinu membangkitkan
pembangkit bilangan acak bilangan acak
c. Mahasiswa dapat menjelaskan berdasarkan distribusi
variabel acak dan proses tertentu menggunakan
pembangkitannya. Matlab dan Microsoft
Excel.
8 Ujian Tengah Semester  Assesment (test Kebenaran proses
tertulis) materi 1-7 dan jawaban
9-10 a. Mahasiwa dapat menjelaskan Distribusi a. Distribusi probabilitas  Penjelasan materi, Hasil penilaian
definisi probabilitas probabilitas dari variabel diskrit latihan, kerja tugas
b. Mahasiswa dapat menjelaskan b. Distribusi probabilitas kelompok kolaboratif
fungsi probabilitas dari variabel kontinu  Tugas menentukan
c. Mahasiswa dapat menjelaskan c. Uji kesesuaian fungsi kepadatan
fungsi distribusi (goodness of fit test) probabilitas (PDF)
d. Mahasiswa memahami distribusi dan fungsi kumulatif
penggunaan distribusi distribusi (CDF) dari
probabilitas dalam simulai. suatu distribusi data
11-12 a. Mahasiswa dapat Sistem a. Karakteristik sistem  Penjelasan materi,
memformulasikan masalah Antrian antrian studi kasus, kerja
antrian didasarkan pada b. Notasi sistem antrian kelompok kolaboratif. Hasil penilaian
karakteristik sistem antrian c. Pengukuran performa  Tugas menghitung tugas/job sheet
b. Mahasiswa dapat sistem antrian performa sistem
mensimulasikan permasalahan antrian server tunggal
Modul Ajar: Pemodelan dan Simulasi ix

Minggu Pokok
Ke Bahasan
antrian  Tugas menghitung
c. Mahasiswa dapat menghitung performa sistem
kinerja sistem antrian antrian server ganda
13-16 a. Mahasiswa dapat membangun Software a. Membuat pemodelan  Studi kasus, observasi,  Progress
model dan menjalankan Simulasi dan simulasi kerja kelompok laporan
simulasi menggunakan menggunakan software kolaboratif, presentasi  Presentasi
software/aplikasi pemodelan. pemodelan  Tugas besar membuat
b. Mahasiswa dapat menganalisis b. Membangun model pemodelan simulasi
kinerja sistem berdasarkan c. Menjalankan simulasi menggunakan
output simulasi yang d. Analisis output software pemodelan
dihasilkan dari sistem riil yang
diamati.
Mengetahui, Mengetahui, Samarinda, 05 September 2017

Ketua Jurusan Teknologi Informasi Ketua Program Studi D4 TIM Penanggung Jawab Mata Kuliah
Ansar Rizal, S.T., M.Kom Mulyanto, S.Kom, M.Cs Mulyanto, S.Kom, M.Cs
NIP 19700809 199903 1 001 NIP 19750213 200801 1 007 NIP 19750213 200801 1 007
Modul Ajar: Pemodelan dan Simulasi x

BAB I
DASAR PEMODELAN DAN SIMULASI
1.1 Definisi
Sistem adalah sesuatu entity yang menjaga eksistensinya melalui interaksi
antar bagian-bagiannya.
Model adalah penyajian sederhana dari sistem nyata dengan tujuan untuk
mendeskripsikan suatu pemahaman dari sistem nyata dimaksud.
Simulasi adalah manipulasi suatu model sedemikian rupa (by computer) yang
dijalankan dalam jangka waktu tertentu dengan tujuan untuk mempelajari
gejala interaksi semua bagian dari sistem nyata yang telah dimodelkan.
Pemodelan dan Simulasi adalah suatu disiplin ilmu yang mengembangkan

tingkat pemahaman tentang interaksi semua bagian dari sistem, dan sistem itu
sendiri secara keseluruhan.
Baik atau buruknya suatu model tergantung dari kemampuan model untuk
menyampaikan pemahaman yang dimaksudkan. Karena semua model adalah
penyederhanaan dari keadaan nyata, maka selalu ada pilihan seberapa
banyak detail dari kondisi nyata yang tercakup di dalam model.
Detail yang terlalu sedikit  Model kehilangan relevansi interaksi

Detail yang terlalu banyak  Model menjadi sangat rumit dipahami
Why to use model?

Karena model dapat memberikan deskripsi yang cukup tentang sistem nyata,
eksperimen model dapat menghemat biaya, menghindari resiko musibah,
menghemat waktu.
When to use simulation?

Simulasi sebaiknya digunakan pada sistem dinamik (berubah menurut waktu)
yang kompleks dan memiliki terlalu banyak asumsi.
Modul Ajar: Pemodelan dan Simulasi 1

How to simulate
Simulasi dilakukan dengan cara membangun konstruksi buatan yang mirip
dengan sistem nyata yang didukung dengan hasil analisis data yang diperoleh
dari pendataan terhadap besaran-besaran yang ada di sistem nyata.
Jenis-jenis simulasi
 Discrete event simulation, simulasi yang melibatkan sejumlah event
(kejadian) yang berhingga, contoh: kedatangan, keberangkatan, keluar,
masuk, dll
 Continuous event simulation, simulasi yang melibatkan sejumlah event

(kejadian) yang terus menerus, contoh : perubahan level ketinggian air
setiap waktu
Discrete event simulation dapat digunakan untuk continuous event dengan cara
aproksimasi.
How is simulation performed

Simulasi dapat dilakukan baik secara manual atau bisa juga menggunakan
computer.
1.2 Tahapan Umum Pemodelan dan Simulasi

Tahapan yang dilakukan untuk melakukan pemodelan dan simulasi
adalah sebagai berikut:
1. Melakukan pengamatan terhadap actual system yang akan
dimodelkan.
2. Melakukan modelling terhadap sistem aktual, baik dari sisi proses, hal-
hal yang mempengaruhi, dan data-data parameter yang diperlukan.
3. Melakukan simulating terhadap model yang dibangun.
4. Mempelajari (learning) terhadap hasil simulasi, dan melakukan
perbandingan terhadap actual system, baik dari sisi urut-urutan proses,
maupun besaran parameter.
5. Apabila hasil perbandingan menunjukkan kesamaan, berarti model
yang dibangun bisa digunakan (satisfied).

6. Apabila perbandingan hasil simulasi dengan actual system
menunjukkan perbedaan, maka model perlu direvisi (revised).
Secara umum tahapan pemodelan dan simulasi ditunjukkan pada

Gambar 1.1.
Actual System Modeling Simulating
Revising Learning
Not Satisfied
How
Satisfied
Gambar 1.1 Tahapan pemodelan dan simulasi
1.3 Sistem
Banyak sekali referensi yang memberikan penjelasan mengenai
pengertian maupun definisi dari sistem, tetapi meskipun istilah sistem yang
ada sangat bervariasi sistem harus memiliki elemen atau karakteristik yaitu
batas sistem (boundary), lingkungan luar sistem (environment), penghubung
sistem (interface), masukan sistem (input), keluaran sistem (output), pengolahan
sistem (process), sasaran sistem, dan yang paling penting adalah sistem harus
mempunyai tujuan.
Berdasarkan persyaratan tersebut, sistem adalah sekelompok elemen-

elemen yang terintegrasi dengan maksud yang sama untuk mencapai suatu
organisasi. Organisasi terdiri dari sejumlah sumber daya yang bekerja menuju

tercapainya suatu tujuan tertentu oleh pemilik atau manajemennya (Raymond
Mc. Leod Jr, 2004).
Karakteristik sistem:
1. Kejadian (event), merupakan suatu peristiwa yang dapat merubah keadaan
sistem.
2. Aktivitas (activity), merupakan suatu proses yang menyebabkan
perubahan dalam sistem yang dapat merubah atribut maupun entity.
3. Hubungan (relationship), merupakan kesinambungan interaksi antara dua
objek atau lebih yang memudahkan proses pengenalan satu akan yang
lain.
4. Antarmuka penghubung (interface), merupakan media penghubung antar
subsistem.
5. Elemen-elemen, merupakan komponen bagian dari sistem yang berupa
entitas atau subsistem:
a. Entitas: merupakan kumpulan objek yang terdefinisikan yang
mempunyai karakteristik sama dan bisa dibedakan satu dan lainnya.
b. Subsistem
6. Atribut, merupakan sebutan, sifat atau karakteristik yang memiliki
elemen sistem. Terdapat dua macam atribut, yaitu:
a. Parameter: merupakan suatu nilai yang besarannya dianggap tetap
selama model simulasi dijalankan.
b. Variable: merupakan informasi yang mencerminkan karakteristik
suatu sistem, yang mengikat sistem secara keseluruhan sehingga
semua entity dapat mengandung variable yang sama, dalam Promodel
dikenal variable local dan global.
7. Batas sistem (boundary), merupakan daerah yang membatasi antar sistem
atau lingkungan luarnya.
8. Lingkungan luar (environment), merupakan kondisi ataupun entitas di luar
dari sistem yang mempengaruhi operasi sistem.

9. Masukan sistem (input), merupakan suatu energi yang dimasukkan ke
dalam sistem.
10. Pengganggu (disturbance/noise), merupakan faktor-faktor yang
menyebabkan terjadinya kesalahan pada sistem.
11. Keluaran sistem (output), merupakan hasil dari energy yang diolah dan
diklasifikasikan menjadi keluaran.
12. Umpan balik (feedback), merupakan reaksi dan respon stakeholder atas
sistem yang dilakukan.
13. Ukuran performansi sistem dibagi menjadi dua:
a. Transient state: yaitu situasi awal setelah sistem dimulai atau
diinisialisasikan (start-up or warm-up period).
b. Steady state: yaitu keadaan stabil memiliki berbagai properti yang
tidak berubah dalam waktu.
14. Proses pengolahan (transformation process), merupakan suatu proses yang
akan merubah masukan menjadi keluaran.
15. Perilaku sistem (behaviour), merupakan perilaku dari sistem yang
melibatkan masukan, pengolahan, dan keluaran.
Sistem dapat diklasifikasikan dari beberapa sudut pandang, dalam

bukunya yang berjudul Discrete Event Simulation, Jerry Banks (1999)
mengklasifikasikan sistem sebagai berikut:
1. Sistem abstrak (abstact system) dan sistem fisik (physical system).
a. Sistem abstrak: sistem yang berupa pemikiran atau ide-ide yang tidak
tampak secara fisik. Misalnya: sistem agama
b. Sistem fisik: sistem yang keberadaannya dapat dilihat secara fisik.
Misalnya: perusahaan, computer.
2. Sistem alamiah (natural system) dan sistem buatan manusia (human made
system).
a. System alamian: sistem yang terbentuk secara alami. Misalnya:
sistem tata surya, sistem pencernaan.

b. Sistem buatan manusia: sistem yang dirancang dan dibangun oleh
manusia yang melibatkan interaksi dengan mesin. Misalnya: sistem
produksi pabrik
3. Sistem tertentu (deterministic system) dan sistem tak tentu (probabilistic
system).
a. Sistem tertentu : sistem yang cara beroperasinya sudah dapat
diprediksi, interaksi-interaksi di dalamnya dapat dideteksi dengan
pasti dan outputnya dapat diramalkan. Misalnya: pengolahan data
(computer)
b. Sistem tak tentu: sistem yang outputnya tidak dapat diprediksi
dengan pasti karena mengandung unsur probabilitas.
4. Sistem tertutup (closed system) dan sistem terbuka (open system).
a. Sistem tertutup: sistem yang tidak berhubungan dengan dunia luar
dan tidak terpengaruh dengan lingkungan luarnya (bekerja secara
otomatis).
b. Sistem terbuka: Sistem yang mempunyai hubungan dengan dunia
luar dan terpengaruh dengan lingkungan luarnya. Sistem ini
menerima masukan dan menghasilkan ouput untuk subsistem yang
lain.
1.4 Terminologi Sistem

State Variabel yang mencirikan suatu atribut dalam suatu sistem,
contoh: level stok pada persediaan, volume air dalam
tabung.
Event Suatu kejadian pada saat tertentu yang mengubah keadaan
sistem, contoh : kedatangan pelanggan, kehilangan stok.
Entity Obyek yang terlibat di dalam sistem, contoh : kendaraan
pada sistem lalu lintas.
Queue Antrian tidak hanya secara fisik (antrian orang), juga
termasuk list job, penumpukan barang yang akan dikirim.

Creating Menyebabkan kedatangan entity baru di dalam sistem
pada saat tertentu.
Scheduling Aktivitas penugasan kejadian baru berikutnya pada entity
yang ada.
Random variable Kuantitas yang menunjukkan ketidakpastian.
Random variate Random variable yang dibangkitkan dengan sengaja.
Distribution Formula matematika yang digunakan untuk membuat
random variable menjadi probabilistik
Contoh :
Identifikasi terminologi yang terdapat pada model layanan SPBU dengan gas pump
station tunggal yang dioperasikan oleh satu orang operator.
Identifikasi
State Jumlah entity yang menunggu dilayani dan jumlah
entity yang telah terlayani pada waktu yang sama
Event Kedatangan entity, layanan dimulai, layanan selesai
Entity Semua kendaraan
Queue Antrian kendaraan di depan pump station, menunggu
dilayani
Random variable Waktu kedatangan, waktu layanan
Distribution Diasumsikan menggunakan distribusi eksponensial
untuk waktu kedatangan dan waktu layanan
1.4 Spesifikasi aktivitas per event

Pada model layanan SPBU dengan pump station tunggal, tentukan aktivitas
per event.
Saat event kedatangan entity  Create kedatangan berikutnya
Jika layanan free  Kirim entity untuk layanan dimulai
Jika layanan busy  Kirim entity ke Queue
Saat event layanan dimulai  Layanan ditempati entity
 Menjadwalkan akhir layanan untuk entity

dimaksud
 Kirim entity ke Queue
Saat event layanan selesai  Layanan menjadi free
Jika ada entity di Queue  Hilangkan entity pertama di Queue
 Kirim entity tsb ke layanan dimulai
Inisiasi yang dibutuhkan  Kedatangan pertama
1.5 Model
 Penyajian sederhana dari sistem nyata dengan tujuan untuk
mendeskripsikan suatu pemahaman dari sistem nyata dimaksud.
 Suatu penyajian dari suatu obyek, suatu sistem, atau suatu gagasan
dalam beberapa format selain dari kesatuan dirinya sendiri
 Suatu kumpulan gagasan dan lambang yang secara aproksimasi
menunjukkan hubungan fungsional dari unsur-unsur di dalam suatu
sistem
Model, terdiri dari tiga bagian penting:

1. Segala hal yang pengaruhnya diabaikan  Model mengabaikan hal-
hal tersebut.
2. Segala hal yang mempengaruhi model, tetapi model tidak dirancang
untuk mempelajari perilakunya independent variables, parameters,
inputs.
3. Segala hal yang mempengaruhi model, dan model dirancang untuk
mempelajari perilakunya state variables, dependent variables, outputs.
Stakeholder dari permasalahan pemodelan yang diangkat, antara lain:

1. Problem owner
Merupakan individu atau sekelompok orang yang memiliki kewenangan
mengendalikan permasalahan. Disebut juga sebagai decision maker.

2. Problem user
Merupakan individu atau sekelompok orang yang menggunakan solusi
model untuk memecahkan masalah, meningkatkan kinerja, dan
mengeksekusinya.
3. Problem customer
Merupakan pihak yang mendapatkan manfaat atau menjadi obyek akibat
penerapan solusi.
4. Problem analyst
Menganalisis masalah dan mendapatkan solusi kemudian disampaikan
kepada problem owner untuk mendapatkan persetujuan. Misalkan pada
proyek pembuatan pabrik baja; pimpinan perusahaan pengembang
merupakan owner, tim proyek merupakan user, pemilik pabrik merupakan
customer, dan konsultan sebagai analyst.
Asumsi model
Definisi semua variabel dan antar hubungannya.
Jenis-jenis model
1. Model fisik: scale, skeleton, prototype plant
(a) (b)

(c)
Gambar 1.2 Model Fisik (a) scale, (b) skeleton, (c) prototype plant
2. Model konseptual
 Model antrian (queueing): antrian, layanan, inter-arrival time (waktu
antar kedatangan), waktu layanan, distribusi, dll.
 Model jaringan (network) : nodes, link, traveling times, kapasitas, proses,
dll.

Gambar 1.3 Model jaringan
3. Model matematis :
 Model dinamis (time dependent) : x1 (t )  x2 (t )  x3 (t )  ...  xn (t )  0
Model statis (time independent) : x1  x2  x3  ...  xn  0
 Model diskrit (persamaan beda) : x(n)  x(n  1)  x(n  2)  ...  x(0)  0
Model diskrit (relasi rekursi) : xi 1  f ( xi )

 
Model kontinu (persamaan diferensial) : x  x x  ...  0
 Model deterministrik (tidak acak, tidak kompleks, variable cukup
sedikit) dan stokhastik (acak, terlalu kompleks, terlalu banyak variable)
4. Model kecerdasan buatan (Artificial Intellgent) :
Expert System, Neural Network (NN), Fuzzy Logic (FL), Neuro – Fuzzy
(NN-FL), Genetic Algorithm (GA), Ant Community
Berdasarkan pendapat Murdick, et.al (1987) dan Ackoff, et.al (1962), model
terdiri dari 8 kelas, yaitu:
1. Kelas I, Pembagian Menurut Fungsi
a. Model Deskriptif: model yang memberikan gambaran sistem nyata
tanpa rekomendasi dan peramalan.

Contoh: struktur organisasi, laporan keuangan, peta, daftar isi.
b. Model Prediktif: model ini menunjukkan apa yang akan terjadi, bila
sesuatu terjadi atau meramalkan hasil dari kondisi tertentu.
Contoh: analisis BEP, diagram pohon keputusan, antrian.
c. Model Normatif: model yang menyediakan jawaban terbaik dari
alternative yang ada. Model ini memberi rekomendasi tindakan-
tindakan yang perlu diambil.
Contoh: model optimasi, PL, CPM/PERT, marketing mix.
2. Kelas II, Pembagian Menurut Struktur
a. Model Ikonik: adalah model yang menirukan atau mempertahankan
sebagian sifat-sifat fisik sistem aslinya, terkadang dalam suatu skala
tertentu.
Contoh: model pesawat, maket, layout fasilitas, cetak biru.
b. Model Analog: adalah suatu model yang mewakili situasi dinamik
atau keadaaan yang berubah menurut waktu.
Contoh: sistem peredaran darah dengan selang, jaringan lalu lintas
dengan jaringan listrik
c. Model Simbolis: adalah suatu model yang menggambarkan sistem
yang ditinjau dengan simbol-simbol, biasanya dengan simbol-simbol
matematik.
Contoh: rumus ABC, model PL, hukum pithagoras
3. Kelas III, Pembagian Menurut Acuan Waktu
a. Model Statis: model yang tidak memperhitungkan perubahan-
perubahan karean pengaruh waktu.
Contoh: struktur organisasi, Model laba yang diharapkan.
b. Model Dinamis: model yang memperhitungkan faktor waktu dalam
menggambarkan suatu sistem nyata.
Contoh: model pertumbuhan populasi, model dinamis.
4. Kelas IV, Pembagian Menurut Tingkat Ketidakpastian
a. Model Deterministik: model yang keluarannya yang dihasilkan dapat
diduga secara pasti berdasarkan masukannya.

Contoh: model laba, model persediaan Wilson.
b. Model Probabilistik: model probabilistik menyangkut distribusi
probabilistik dari input atau proses.
Contoh: diagram pohon keputusan, peta kendali mutu, model RO.
c. Model Konflik: model yang memiliki sifat alamiah pengambil
keputusan berada dalam pengendalian lawan.
Contoh: model kompetisi, model posisi tawar.
d. Model Tak Pasti: model yang dikembangkan untuk menghadapi
ketidakpastian mutlak.
Contoh: model maksimin-minimaks, model teori permainan.
5. Kelas V, Pembagian Menurut Derajat Generalisasi
a. Model Umum: merupakan model yang dapat diterapkan pada
berbagai bidang fungsional. Model ini ini dapat digdunakan untuk
beberapa jenis masalah yang berbeda.
Contoh: model program linear, model antrian.
b. Model Khusus merupakan model yang hanya dapat diterapkan pada
bidang tertentu (khusus) saja dan hanya dapat digunakan pada
masalah-masalah tertentu.
Contoh: model persediaan probabilistik.
6. Kelas VI, Pembagian Menurut Acuan Lingkungan
a. Model Terbuka: model ini memiliki interaksi dengan lingkungan
berupa pertukaran informasi, material ataupun energi.
Contoh: model aksi reaksi, model sosial.
b. Model Tertutup: model ini tidak memiliki interaksi dengan
lingkungan.
Contoh: model thermostat.
7. Kelas VII, Pembagian Menurut Derajat Kuantifikasi
a. Model Kualitatif: merupakan model yang menggambarkan mutu
suatu realita. Model ini dibagi menjadi 2, yaitu:
1) Model Mental: model yang menggambarkan proses berpikir
manusia.

Contoh: proses belajar manusia.
2) Model Verbal: model yang disajikan dalam bahasa sehari-hari.
Contoh: definisi
b. Model kuantitatif, merupakan model yang semua variabelnya dapat
dikuantifikasikan. Model ini dibagi menjadi 4, yaitu.
1) Model Statistik: model yang mendeskripsikan dan
menyimpulkan data.
Contoh: tabel mortalitas, peta kendali.
2) Model Optimasi: Model yang digunakan untuk menentukan
jawaban terbaik.
Contoh: analisis marjinal, analisis incremental, model optimasi
algoritmik.
3) Model Heuristik: model yang digunakan untuk mencari jawaban
baik tetapi bukan jawaban optimum.
Contoh: kesetimbangan lintasan produksi.
4) Model Simulasi: model yang digunakan untuk mencari jawaban
baik dan menguntungkan pada sistem yang sangat kompleks.
Contoh: model simulasi diskrit, pemrograman dinamis.
8. Kelas VIII, Pembagian Berdasarkan Dimensi
a. Model Dua Dimensi: model terdiri dari dua faktor atau dua dimensi
penentu.
Contoh: model regresi sederhana.
b. Model Multi Dimensi: merupakan model yang mempunyai banyak
faktor penentu.
Contoh: model analisis regresi berganda, model multikriteria,
prototipe kapal.

Tahapan membangun model:
Gambar 1.4 Langkah-langkah membangun model
1. Identifikasi Problem (identify) Mulai dengan pengamatan

pendekatan
2. Formulasi Problem (formulate) Apa yang ingin diketahui ?
3. Formulasi garis besar model (outline)
 Tentukan ignorables dan variables
 Buat asumsi
4. Apakah model sudah cukup berguna ? (useful)
 Dapatkah data-data yang diperlukan diperoleh ?
 Dapatkah prediksi dibuat ?
5. Test Model (verify/validate) Membuat prediksi yang dapat diperiksa
dengan data yang diketahui
6. Modifikasi Model Lakukan jika perlu, kembali ke no. 3

Actual System
Modelling
Formulate
Identify Problem
Problem
Formulate
Outline Problem
Simulating
no Useful
?
yes
Learning
Test
Modify Model
(verify/validate)
not satisfied How

Revising ?
satisfied
Gambar 1.5 Diagram konseptual membangun model
1.6 Simulasi
Simulasi merupakan manipulasi suatu model sedemikian rupa, yang
dijalankan dalam jangka waktu tertentu dengan tujuan mempelajari gejala
interaksi semua bagian dari sistem nyata yang telah dimodelkan. Dengan
simulasi, percobaan sistem dapat mengurangi resiko kebingungan struktur
yang ada dengan perubahan yang tidak mendatangkan keuntungan.
Simulasi Monte Carlo sendiri merupakan simulasi probabilistik, dimana
datanya dibangkitkan dari bilangan random, yang kemudian disusun suatu
distribusi probabilitas. Simulasi Monte Carlo dikenal juga dengan istilah
Sampling Simulation atau Monte Carlo Sampling Technique. Simulasi adalah
model dari suatu sistem nyata, dimana sistem tersebut dimodelkan dengan
menggunakan sebuah software yang berfungsi untuk menirukan perilaku
sistem nyata. Selain itu, simulasi adalah teknik untuk membuat konstruksi

model matematika untuk suatu proses atau situasi, dalam rangka menduga
secara karakteristik atau menyelesaikan masalah berkaitan dengannya dengan
menggunakan model yang diajukan (Borowski & Borwein. 1989).
Elemen Simulasi
Suatu sistem dalam simulasi mencakup entities, activities, resources, and
control. Elemen-elemen tersebut mendefinisikan siapa, apa, di mana, kapan,
dan bagaimana suatu entity diproses. Berikut merupakan penjelasan elemen
dasar pemodelan:
1. Entities, yaitu segala sesuatu yang dapat diproses.
2. Activity, yaitu kegiatan yang dilakukan di dalam sistem yang
memperngaruhi entitas baik secara langsung atau tidak langsung.
3. Resources, yaitu alat atau operator untuk menjalankan aktivitas.
4. Controls, yaitu segala sesuatu yang menentukan bagaimana, kapan, dan di
mana aktivitas dijalankan.
Macam-macam simulasi
1. Discrete event simulation, apabila keadaan perubahan sistem hanya
terjadi pada discrete event.
2. Continous event simulation, keadaan sistem direpresentasikan
dengan persamaan aljabar (persamaan diferensial), dimana semua
variabel yang ada berubah secara kontinu terhadap waktu.
3. Mixed simulation, sistem yang memiliki elemen-elemen diskrit dan
kontinu.
4. Dynamic simulation, sistem dengan status yang berubah setiap saat.
5. Stochastic simulation, simulasi dari model yang memiliki input yang
random.
Contoh
Buatlah model layanan SPBU dengan pump station tunggal, yang dioperasikan oleh
satu orang operator, berdasarkan tahapan-tahapan pembangunan model!

Jawab
1. Identifikasi problem: Layanan SPBU dengan pump station tunggal yang
dioperasikan oleh satu orang operator
2. Formulasi problem
 Jumlah kedatangan kendaraan
 Jumlah kendaraan terlayani
 Rata-rata waktu layanan per kendaraan
 Maksimum antrian kendaraan
3. Outline model
Variabel :
 State: jumlah entity yang menunggu dilayani dan jumlah entity
yang telah terlayani pada waktu yang sama
 Events: kedatangan entity, layanan dimulai, layanan selesai
 Entity: semua kendaraan
 Queue: antrian kendaraan di depan gas pump, menunggu dilayani
Ignorables (hal-hal yang diabaikan):
 Kapasitas jalur antrian
 Volume bahan bakar yang tersedia
 Volume bahan bakar tiap kendaraan
 Jam kerja operator
Asumsi:
 Random variables: waktu kedatangan, waktu layanan
 Distribution: distribusi eksponensial

Inisiasi Kedatangan entity Create
busy free Layanan

Layanan
dimulai
Queue
(entities
waiting for Scheduling
Send first list generate
service) end of services
of entities
free
Remove first Layanan Number

Layanan
list of entities selesai of entities
free served
Number
of entities
Generate
waiting to
service
Gambar 1.6 Model logikal SPBU pump station tunggal
Pump station
(server)
Arriving Cars 7 6 5 4 Departing Cars
Car in service
Random number Random number

(exponensial) (exponensial)
Gambar 1.7 Prototype model layanan SPBU pump station tunggal
4. How far useful?

Dari analisis model (lihat model logikal) :
 Data jumlah kedatangan kendaraan dapat diperoleh dari blok
kedatangan entity.
 Data jumlah kendaraan terlayani dapat diperoleh dari blok layanan
selesai.

 Data rata-rata waktu layanan per kendaraan, diperoleh dari blok
scheduling end of service.
 Data maksimum antrian kendaraan diperoleh dari blok queue.
5. Test Model
Dari analisis model dapat dibuat prediksi tentang data-data yang akan
diamati (lihat model logikal) sesuai dengan spesifikasi event yang sudah
ditentukan.
Arriving Cars Services Queue Dep. Cars
Time
Cars Num Cars Duration Cars Num Duration Cars Num
1 A,B 2 A 5 B 1 5
2 C,D,E,F 4 B 4 C,D,E,F 4 4 A 1
3 - 0 C 6 D,E,F 3 6 B 2
4 G,H,I,J 4 D 7 E,F,G,H,I,J 6 7 C 3
5 K 1 E 4 F,G,H,I,J,K 6 4 D 4
Total kendaraan yang datang : 11 kendaran

Rata-rata waktu layanan : 11/5 = 5.2 menit
Maksimum panjang antrian : 6 kendaraan
Total kendaraan yang selesai : 4 kendaraan
Latihan 1
Buatlah model konseptual berbasis obyek dan proses dari sistem real yang
anda amati.
Latihan 2
Lakukan simulasi layanan SPBU dengan pump station tunggal, yang
dioperasikan oleh 1 orang operator.
 Initially (time 0) empty and idle
 Base time unit: minutes
 Input data : in minutes

Cars Arrival Time Interarrival Time Service Time
A 00:00 00:02 00:05
B 00:02 00:04 00:09
C 00:06 00:03 00:06
Interarrival time : random number (between 1-5)
Service time : random number (between 1-10)
 Stop when 40 minutes of (simulated) time have passed

 Change into table like Test Model Section with any needed
modification column
 Find output of performance measures (by Excel worksheet) as below:
1. Number of arriving cars
2. Number of departing cars
3. Number of cars in queue
4. Maxium waiting time
5. Average waiting time
6. Average total time in system

BAB II
PROBABILITAS DAN PROSES RANDOM
2.1 Pengertian Dasar

2.1.1 Variabel Random
Suatu fungsi yang memetakan tiap outcome (s) pada ruang sampel (S) ke
dalam bentuk bilangan nyata  X(s), x.
X dikatakan variabel random diskrit jika memiliki nilai berhingga (diskrit)
pada sumbu x-nya.
X(x)
x = x0, x1, ... (integer)
x
x0 x1 x2 x3 x4
Gambar 2.1 Variabel random diskrit
X dikatakan variabel random kontinu jika memiliki nilai real/kontinu pada

sumbu x-nya.
X(x)
x ≥ 0 (real)
Gambar 2.2 Grafik variabel random kontinu

2.1.2 Fungsi Massa Probabilitas (Probability Mass Function : PMF)
Suatu variabel random X dikatakan variabel random diskrit jika memiliki
fungsi sedemikian rupa sehingga :
 f ( xi )  0 dan  f (x )  1
i
i untuk i  1, 2, 3, ...
 Fungsi probabilitas dari variabel random diskrit X dinyatakan dengan :

f ( x)  P( X  x)
Contoh :
Pada kasus pelemparan mata uang logam 3 kali, maka kemungkinan
munculnya angka (A) dan gambar (G) sebagai berikut :
AAA AAG AGA GAA GGG GGA GAG AGG
Bila didefinisikan variabel random X adalah banyaknya angka (A) yang
muncul, maka :
Banyaknya Angka muncul 0 1 2 3
Frekuensi (f) 1 3 3 1
Probabilitas (P)  PMF 1/8 3/8 3/8 1/8
Dalam hal ini dapat dituliskan fungsi probabilitasnya adalah :

x
PMF  f ( x)  P( X  x)  PMF
n
x : banyaknya angka muncul 0.40
0.35
n : banyaknya kemungkinan yang
0.30
terjadi 0.25
0.20
Gambar grafik PMF adalah seperti di
0.15
samping : 0.10
Gambar 2.3 0.05
0.00
Grafik Probability Mass Function (PMF) 0 1 2 3

2.1.3 Cummulative Distribution Function (CDF) variabel random diskrit
Probabilitas suatu nilai dari variabel random diskrit X adalah lebih kecil atau
sama dengan suatu bilangan nyata x, didefinisikan sebagai :
j j
F (x j )   f ( xi ) 
i 0
 P( X  x )     x
i 0
i j   dan xi  x j
Teorema :
 0  F ( x)  1 untuk semua nilai x
 F ( x) : non  decreasing  jika x1  x2 maka F ( x1 )  F ( x2 )

 F ()  0 ; F ()  1
Pada contoh di atas maka dapat dicari :
 x0 = 0 (tidak ada angka yang muncul)
0 0
F ( x0 )   f ( xi ) 
i 0
 P( X  0)  1 / 8
i 0
 x1 = 1 (angka muncul 1 kali)

1 1
F ( x1 )   f ( x )   P( X  0)  P( X  1)  1 / 8  3 / 8  4 / 8
i 0
i
i 0

2 2
F ( x2 )   f ( xi ) 
i 0
 P( X  0)  P( X  1)  P( X  2)
i 0
 1/ 8  3 / 8  3 / 8  7 / 8

3
F ( x3 )   P( X  0)  P( X  1)  P( X  2)  P( X  2)  1 / 8  3 / 8  3 / 8 1 / 8 1
i 0
Dalam bentuk tabel adalah sebagai berikut :
Banyaknya Angka 0 1 2 3
muncul
Frekuensi (f) 1 3 3 1
Probabilitas (P)  PMF 1/8 3/8 3/8 1/8
CDF 1/8 4/8 7/8 1

Gambar grafik CDF adalah sebagai berikut :
CDF
1.20
1.00
0.80
0.60
0.40
0.20
0.00
0 1 2 3
Gambar 2.4 Grafik cummulative distribution function (CDF)
2.1.4 Fungsi Kepadatan Probabilitas (Probability Density Function: PDF)

Suatu variabel random X dikatakan variabel random kontinyu jika memiliki
fungsi sedemikian rupa sehingga :

 f ( x)  0 dan  f ( x).dx  1

untuk semua x dalam    x  
 Fungsi probabilitas dari variabel random kontinyu X dinyatakan

dengan :
b
 f ( x).dx
a
untuk a  x  b
Contoh :
Waktu layanan suatu teller bank untuk tiap pelanggan memiliki fungsi
x2
probabilitas seperti berikut : f ( x)   (0.01) .x 2 . Untuk waktu layanan per
100
pelanggan adalah 2.5 menit maka probabilitasnya adalah :
f ( x)  (0.01).x 2  (0.01).(2.5) 2  0.06
Grafik PDF kasus di atas ditunjukkan pada Gambar 2.5.

Sumbu x menyatakan waktu layanan. Sumbu y menyatakan probabilitasnya.
f(x)
0.06
x
2.5
Gambar 2.5 Grafik fungsi kepadatan probabilitas (PDF) kontinu
2.1.5 Cummulative Distribution Function (CDF) variabel random

kontinu
Probabilitas suatu nilai dari variabel random kontinu X adalah lebih kecil
atau sama dengan suatu bilangan nyata x, didefinisikan sebagai :

F ( x)  P( X  x)   f ( x).dx

   x  
Teorema CDF :
 F(-) = 0
 F() = 1
 P(x1  X  x2) = F(x2) - F(x1)

 F ( x)  

f ( x).dx  CDF merupakan integral dari PDF-nya
Contoh :
Waktu layanan suatu teller bank untuk tiap pelanggan memiliki fungsi
x2
probabilitas seperti berikut : f ( x)   (0.01) .x 2 . Maka CDF pada interval
100
 
b
x2 1 3b 1
[a,b] dapat dicari dengan cara : F ( x)  a 100  300 .x a  300 . (b)  (a)
3 3
Grafik CDF kasus di atas seperti ditunjukkan pada Gambar 2.6.

Sumbu x menyatakan waktu layanan. Sumbu y menyatakan probabilitasnya.
Luasan di bawah kurva pada interval [a,b] adalah CDF-nya.
F(x)= F(b)- F(a)

f(x)
x
a b
Gambar 2.6 Grafik CDF variabel random kontinu
2.1.6 Nilai Harapan

Nilai harapan atau Expected Value : E(X) adalah mean (rata-rata hitung) dari
suatu variabel random X, yang dinyatakan dengan :
 Variabel random diskrit  E ( X )     x. f ( x)
x

 Variabel random kontinyu  E ( X )     x. f ( x).dx

2.1.7 Variansi
Variansi dilambangkan dengan Var(X) = 2, merupakan pengukuran terhadap
bagaimana suatu nilai didistribusikan terhadap mean-nya, dan dinyatakan
dengan :
 Variabel random diskrit
Var ( X )   2  E (( X   ) 2 )   ( x   ) 2 . f ( x)
x
 Variabel random kontinyu


Var ( X )   2  E (( X   ) 2 )   (x  )
2
. f ( x).dx


2.1.8 Standar Deviasi
Standar deviasi dilambangkan dengan , merupakan pengukuran deviasi
standar suatu nilai terhadap mean-nya, dan dinyatakan dengan rumus:
  Var (X )
2.2 Variabel Random Diskrit Uniform
Suatu variabel random X dikatakan memiliki distribusi uniform diskrit jika
memiliki fungsi probabilitas (PMF) :
1
f ( x)  P( X  x)   x  x1 , x2 , x3 ,..., xn
n
Properti :
n 1
 E( X )   
2
n2 1
 Var ( X )   2
12
n2 1
  
12
Contoh
Dalam pelemparan sebuah dadu satu kali, carilah :
 Probabilitas munculnya sembarang angka, f (x).
 Expected value (mean) munculnya sembarang angka, E(X).
 Variance munculnya sembarang angka, Var(X).
 Standar deviasi munculnya sembarang angka, .
Jawab
1
 f ( x)  P( X  x) 
6
6 1
 E( X )     3.5
2
62  1
 Var ( X )   2   2.92
12
62  1
    1.71
12

2.3 Variabel Random Diskrit Geometrik
Dalam suatu kejadian bebas, dinyatakan :
 Percobaan/eksperimen dilakukan berulang-ulang
 p = probabilitas sukses
 1 – p = probabilitas gagal
 Masing-masing percobaan adalah bebas
 x = event yang menyatakan banyaknya percobaan hingga ditemukan
sukses pertama kali
X adalah variabel random geometrik jika memiliki PMF (Probability Mass
Function) :
f ( x)  P( X  x)  p.(1  p) x1
x = 1, 2, 3, ...
p dalam interval [0,1]
Dalam hal ini dikatakan variabel random X memiliki distribusi geometrik,
dan didefinisikan sebagai : X ~ G(p)
Properti :
1
 E( X )   
p
1 p
 Var ( X )   2 
p2
1 p
  
p2
Contoh
Dalam suatu permainan bola, setiap eksekusi finalty diprediksi mengalami
sukses 20 %.
1. Carilah probabilitas banyaknya 3 eksekusi hingga sukses pertama kali.
2. Carilah banyaknya eksekusi yang diharapkan hingga sukses pertama
kali.

Jawab
Diketahui : p = 0.2
 x = 3 (3 kali eksekusi hingga sukses pertama kali)
P( X  3)  (0.2).(0.8)2  0.128
 Untuk distribusi geometrik, E(X) = 1/p = 1/(0.2) = 5 kali
2.4 Variabel Random Diskrit Binomial

Dalam suatu kejadian bebas, dinyatakan :
 Percobaan/eksperimen dilakukan berulang-ulang
 p = probabilitas sukses
 1 – p = probabilitas gagal
 Masing-masing percobaan adalah bebas
 xk,n = event yang menyatakan sebanyak k sukses dalam n percobaan
 n  n n!
P( xk ,n )   . p k .(1  p) nk    
k   k  (n  k )!.k!
X adalah variabel random Binomial jika memiliki PMF (Probability Mass
Function) :
 n n n!
PMF  f ( x)  P( X  x)   . p x .(1  p) n x    
 x  x  (n  x)!.x!
x = 0, 1, 2, ..., n
p dalam interval [0,1] dan n  1
Dalam hal ini dikatakan variabel random X memiliki distribusi binomial, dan
didefinisikan sebagai : X ~ B(n,p)
Properti :
 E ( X )    n. p
 Var ( X )   2  n. p.(1  p)
   n. p.(1  p)

Contoh
Dalam pelemparan sebuah mata uang logam, carilah distribusi probabilitas
banyaknya angka yang keluar untuk pelemparan sebanyak 5 kali.
1. Banyaknya angka keluar yang diharapkan.
2. Carilah distribusi probabilitas banyaknya angka keluar.
3. Gambarkan grafik PMF dan CDF-nya.
Jawab
n = 5 ; p = probabilitas angka keluar = 0.5
1. E(x) = n . p = (5) . (0.5) = 2.5  jadi diharapkan sekitar 3 kali angka
keluar
2. Distribusi probabilitas banyaknya angka keluar :
 x = 0 (tidak ada angka yang muncul)
 5
P( X  0)   .(0.5) 0 .(0.5) 5  0.031
 0
 x = 1 (muncul angka 1 kali)
 5
P( X  1)   .(0.5)1 .(0.5) 4  0.156
1
 5
P( X  2)   .(0.5) 2 .(0.5) 3  0.313
 2
 5
P( X  3)   .(0.5) 3 .(0.5) 2  0.313
 3
 5
P( X  4)   .(0.5) 4 .(0.5)1  0.156
 4
 5
P( X  5)   .(0.5) 5 .(0.5) 0  0.031
 5

3. Gambar grafik PMF dan CDF
x 0 1 2 3 4 5
PMF 0.031 0.156 0.313 0.313 0.156 0.031
CDF 0.031 0.187 0.500 0.813 0.969 1.000
PMF CDF
0.350 1.200
0.300
1.000
0.250
0.800
0.200
0.600
0.150
0.400
0.100
0.200
0.050
0.000 0.000
0 1 2 3 4 5 0 1 2 3 4 5
2.4.1 Pembangkitan Variabel Random Binomial

Dari uraian di atas, didapatkan :
j j
n
CDF  F ( x j )   P( X  xi )    .( p) xi .(1  p) n xi
i 0 i 0  xi 
Untuk kasus di atas, maka :

0
F ( x0 )   P( X  x )  P( X  0)  0.031
i 0
i
1
F ( x1 )   P( X  x )  P( X  0)  P( X  1)  0.187
i 0
i
2
F ( x2 )   P( X  x )  P( X  0)  P( X  1)  P( X  2)  0.5
i 0
i
Dengan cara yang sama didapatkan hasil seperti pada tabel di atas.
Algoritma :
 Bangkitkan bilangan random uniform u dalam interval [0,1]
 Jika u  F ( x j ) , maka X = xj
 Jika F ( x j 1 )  u  F ( x j ) , maka X = xj

Misalnya, pada kasus di atas :
u = 0.875
 x0  0.875 < 0.031 (tidak benar)
 x1  0.031  0.875  0.187 (tidak benar)
 x2  0.187  0.875  0.500 (tidak benar)
 x3  0.500  0.875  0.813 (tidak benar)
 x4  0.813  0.875  0.969 (benar)
Jadi, X = x4 = 4
Artinya, dengan bilangan random uniform 0.875 menyebabkan munculnya
angka sebanyak 4 kali dalam pelemparan mata uang logam sebanyak 5 kali.
Contoh
Dalam suatu permainan bola, setiap eksekusi finalty diprediksi mengalami
sukses 20 %. Untuk eksekusi finalty sebanyak 5 kali :
1. Carilah banyaknya eksekusi yang diharapkan sukses.
2. Carilah distribusi probabilitas banyaknya eksekusi yang sukses.
3. Gambarkan grafik PMF dan CDF -nya
Jawab
n= 5 p = probabilitas eksekusi sukses = 0.2
1. E(X) = n . p = (5).(0.2) = 1 (artinya, diharapkan 1 kali sukses dalam 5
eksekusi)
2. Distribusi probabilitas :
 x = 0 (tidak ada eksekusi yang sukses)
 5
P( X  0)   .(0.2) 0 .(0.8) 5  0.328
 0
 x = 1 (eksekusi sukses 1 kali)
 5
P( X  1)   .(0.2)1 .(0.8) 4  0.410
1

 5
P( X  2)   .(0.2) 2 .(0.8) 3  0.205
 2
 5
P( X  3)   .(0.2) 3 .(0.8) 2  0.051
 3
 5
P( X  4)   .(0.2) 4 .(0.8)1  0.006
 4
 5
P( X  5)   .(0.2) 5 .(0.8) 0  0.000
 5
x 0 1 2 3 4 5
PMF 0.328 0.410 0.205 0.051 0.006 0.000
CDF 0.328 0.738 0.943 0.994 1.000 1.000
3. Grafik PMF dan CDF
PMF CDF
0.450 1.200
0.400
1.000
0.350
0.300 0.800
0.250
0.600
0.200
0.150 0.400
0.100
0.200
0.050
0.000 0.000
0 1 2 3 4 5 0 1 2 3 4 5
2.5 Variabel Random Diskrit Poisson

Dalam suatu kejadian yang :
 Terjadi secara random dalam interval waktu tertentu
 Rata-rata jumlah kejadian per unit waktu diketahui

 x = event yang menyatakan banyaknya kejadian dalam interval waktu
tertentu
X adalah variabel random diskrit Poisson jika memiliki PMF (Probability
Mass Function) :
𝑒 −𝜆 . 𝜆𝑥
𝑃 𝑋=𝑥 =𝑓 𝑥 =
𝑥!
Dimana:
x = 0, 1, 2, ...
 = parameter poisson (>0) = .T
 = rata-rata kejadian (mean)
T = interval waktu
Dalam hal ini dikatakan variabel random X memiliki distribusi poisson, dan
didefinisikan sebagai : X ~ Poisson()
e   .x
PMF  f ( x)  P( X  x) 
x!
j j
e   .xi
CDF  F ( x j )   f ( x).dx   p( xi )  
i 0 i 0 xi !
Properti :
 E (X )    
 Var (X )   2  
   
Contoh
Rata-rata kedatangan pelanggan pada sebuah teller bank diketahui 0.3
pelanggan per menit. Dalam waktu 10 menit :
1. Carilah banyaknya pelanggan yang diharapkan datang.
2. Carilah distribusi probabilitas banyaknya pelanggan yang datang.
3. Gambarkan grafik PMF dan CDF -nya
Jawab
1.  = 0.3, T = 10
 = .T = (0.3) * (10) = 3  E(X) =  = 3 pelanggan

2. Distribusi Probabilitas :
 x = 0 (0 pelanggan)
e 3 .30
P( X  0)  0.050
0!
 x = 1 (1 pelanggan)
e 3 .31
P( X  1)  0.149
1!
Dengan cara yang sama didapatkan :
x PMF CDF
0 0.050 0.050
1 0.149 0.199
2 0.224 0.423
3 0.224 0.647
4 0.168 0.815
5 0.101 0.916
6 0.050 0.966
7 0.022 0.988
8 0.008 0.996
9 0.003 0.999
10 0.001 1.000
3. Grafik PMF dan CDF
PMF CDF
0.250 1.200
1.000
0.200
0.800
0.150
0.600
0.100
0.400
0.050 0.200
- -
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5

2.5 Pembangkitan Variabel Random Poisson
Dari uraian di atas, didapatkan :
j j
e   .xi
CDF  F ( x j )   f ( x).dx   p( xi )  
i 0 i 0 xi !
Untuk kasus di atas, maka :
0
F ( x0 )   P( X  x )  P( X  0)  0.050
i 0
i
1
F ( x1 )   P( X  x )  P( X  0)  P( X  1)  0.199
i 0
i
Dengan cara yang sama akan didapatkan seperti pada tabel di atas.
Algoritma 1
 Bangkitkan bilangan random uniform u dalam interval [0,1]
 Jika u  F ( x j ) , maka X = xj
 Jika F ( x j 1 )  u  F ( x j ), maka X = xj

u = 0.875
 x0  0.875 < 0.050 (tidak benar)
 x1  0.050  0.875  0.199 (tidak benar)
 x2  0.199  0.875  0.423 (tidak benar)
 x3  0.423  0.875  0.647 (tidak benar)
 x4  0.647  0.875  0.815 (tidak benar)
 x5  0.815  0.875  0.916 (benar)
Jadi, X = x5 = 5
Artinya, dengan bilangan random uniform 0.875 menyebabkan kedatangan
pelanggan sebanyak 5 kali dalam interval waktu 10 menit.
Algoritma 2
1. Bangkitkan bilangan random uniform u dalam interval [0,1]
2. i  0 ;   e  ; F  

3. Jika u < F, maka X = i, stop
.
4. Jika tidak,   ; F  F   ; i  i  1 ; ke langkah 3
i 1
u = 0.875
 i  0 ;   e 3  0.050 ; F  0.050
 0.875 < 0.050 (tidak benar)
(3).(0.050)
   0.149 ; F  0.050  0.149  0.199 ; i 1
1
 0.875 < 0.199 (tidak benar)
(3).(0.149)
   0.224 ; F  0.199  0.224  0.423 ; i  2
2
 0.875 < 0.423 (tidak benar)
(3).(0.224)
   0.224 ; F  0.423  0.224  0.647 ; i  3
3
 0.875 < 0.647 (tidak benar)
(3).(0.224)
   0.168 ; F  0.647  0.168  0.815 ; i  4
4
 0.875 < 0.815 (tidak benar)
(3).(0.168)
   0.101 ; F  0.815  0.101  0.916 ; i  5
5
 0.875 < 0.916 (benar)
Jadi, X = x5 = 5  hasil sama dengan algoritma 1 .....!!!!!
2.6 Distribusi Poisson

Distribusi Poisson adalah suatu distribusi yang menyatakan suatu bilangan
suatu kedatangan. Bilangan acak berdistribusi Poisson digunakan untuk
membuat data simulasi yang menyatakan data kedatangan.
Distribusi Poisson mempunyai PDF dengan nilai rata-rata , sebagai berikut:
𝑒 −𝜆 . 𝜆𝑥
𝑃 𝑋=𝑥 =𝑓 𝑥 =
𝑥!

PDF dari distribusi Poisson adalah:

𝑝𝑖+1 = 𝑖+1 𝑝𝑖
Dengan menggunakan metode inversi, diperoleh proses pembangkitan

bilangan acak:
𝑝0 = 𝑒 −𝜆
𝑒 −𝜆 .𝜆 𝑖
𝑝 𝑖 =
𝑖!
Dengan menggunakan Matlab, kita dapat membuat program untuk

membangkitkan bilangan acak. Program fungsi poisson(m,n) berfungsi
untuk membangkitkan n bilangan acak berdistribusi poisson dengan rata-rata
m.
function s=poisson(m,n)
for bil=1:n
u=rand;
i=0; p=exp(-m),F=p;
sw=0;
while sw==0
if u<F
x(bil)=i;
sw=1;
else
p=m*p/(i+1);
F=F+p;
i=i+1;
end
end
end
s=x;
Gambar 2.7 Program Matlab untuk membangkitkan bilangan berdistribusi Poisson
Untuk membangkitkan bilangan 1000 bilangan acak berdistribusi Poisson dengan

rata-rata () = 4, dituliskan x=poisson(4,1000). Dan untuk menampilkan
histogramnya (PDF), tuliskan hist(x).

Latihan
1. Bangkitkan 100 bilangan acak berdistribusi Poisson dengan rata-rata () = 2,
gambarkan histogramnya. Dimanakah nilai puncak dari gambar histogram ini?
2. Bangkitkan 1000 bilangan acak berdistribusi Poisson dengan rata-rata () = 2,
gambarkan histogramnya. Dimanakah nilai puncak dari gambar histogram ini?
3. Kerjakan soal nomor 1 dengan menggunakan Microsoft Excel. Tambahkan
kolom-kolom yang Anda anggap perlu. Bandingkan hasilnya.

BAB III
DASAR SISTEM ANTRIAN
3.1 Teori Antrian

Ruang lingkup Sistem Antrian :
 Kedatangan untuk dilayani
 Menunggu untuk dilayani
 Memperoleh pelayanan
 Meninggalkan sistem setelah dilayani
Problem utama yang ditangani  MENUNGGU (WAIT)
Penyebab  Permintaan layanan > ketersediaan layanan (layanan tidak
mencukupi).
Penyebab layanan yang tidak mencukupi :
 Tidak ekonomis
 Tidak cukup ruang
 Kedatangan yang tidak dapat diprediksi dengan tepat
Akibat MENUNGGU (WAIT) :

 Biaya yang timbul karena ruang dan waktu yang diperlukan untuk
menunggu
 Kehilangan permintaan akan layanan
Pertanyaan yang perlu dijawab dari sisi permintaan layanan :

 Berapa lama waktu yang diperlukan untuk menunggu sebelum
dilayani?
 Berapa banyak permintaan layanan di dalam jalur antrian?
 Kapan suatu permintaan layanan memperoleh layanan lebih cepat?
Pertanyaan yang perlu dijawab dari sisi pemberi layanan :

 Berapa besar areal menunggu?
 Berapa banyak permintaan yang mampu dilayani?

 Haruskah menambah beberapa layanan (server)?
 Haruskah sistem dalam bentuk 1, 2, atau 3 antrian?
 Haruskah sistem memberikan jalur layanan pintas?
3.2 Karakteristik proses antrian

3.2.1 Pola Kedatangan
Setiap masalah antrian melibatkan kedatangan, misalnya orang, mobil,
panggilan telepon untuk dilayani, dan lain-lain. Unsur ini sering dinamakan
proses input. Proses input meliputi sumber kedatangan atau biasa dinamakan
calling population, dan cara terjadinya kedatangan yang umumnya merupakan
variabel acak. Menurut Levin, dkk (2002), variabel acak adalah suatu variabel
yang nilainya bisa berapa saja sebagai hasil dari percobaan acak. Variabel
acak dapat berupa diskrit atau kontinu. Bila variabel acak hanya
dimungkinkan memiliki beberapa nilai saja, maka ia merupakan variabel acak
diskrit. Sebaliknya bila nilainya dimungkinkan bervariasi pada rentang
tertentu, ia dikenal sebagai variabel acak kontinu.
Macam-macam pola kedatangan:
 Stokastik
o Distribusi probabilitas
o Kedatangan tunggal atau jamak
 Perilaku sumber permintaan layanan (pelanggan, data, dll)
o Menunggu selamanya
o Menunggu pada periode tertentu kemudian meninggalkan
sistem
o Melihat panjangnya jalur antrian dan memutuskan untuk tidak
bergabung
o Mengubah jalur antrian
 Ketergantungan waktu kedatangan
o Stationary arrival pattern (tidak tergantung waktu – distribusi
probabilitas)
o Non-stationary arrival pattern (tergantung waktu)

3.2.2 Pola Layanan
Pelayan atau mekanisme pelayanan dapat terdiri dari satu atau lebih
pelayan, atau satu atau lebih fasilitas pelayanan. Tiap-tiap fasilitas pelayanan
kadang–kadang disebut sebagai saluran (channel) (Schroeder, 1997).
Contohnya, jalan tol dapat memiliki beberapa pintu tol. Mekanisme
pelayanan dapat hanya terdiri dari satu pelayan dalam satu fasilitas pelayanan
yang ditemui pada loket seperti pada penjualan tiket di gedung bioskop.
 Distribusi untuk waktu layanan
 Layanan tunggal atau jamak (mesin paralel)
 Proses layanan tergantung pada jumlah permintaan layanan yang
menunggu
3.2.3 Disiplin Antrian

Menurut Christoper A Chung (2011), disiplin antrian adalah aturan
keputusan yang menjelaskan cara melayani pengantri. Ada 6 bentuk disiplin
pelayanan yang biasa digunakan, yaitu:
 First Come First Serve (FCFS) atau First In First Out (FIFO).
Entitas yang pertama kali berada dalam antrian akan dilayani terlebih
dahulu sebelum entitas yang lain datang.
Contoh: pelanggan yang mengantri di teller bank.
 Last Come First Serve (LCFS) atau Last In First Out (LIFO).
Entitas yang terakhir kali mendatangi antrian akan menjadi entitas
yang pertama kali dilayani oleh server.
Contoh: pengaturan barang/kontainer pada perusahaan logistik,
dimana barang yang diletakkan paling akhir akan dikirimkan duluan.
 Shortest Processing Time (SPT)
Entitas yang membutuhkan pelayanan lebih cepat akan mendapatkan
pelayanan lebih dulu.
Contoh: penumpang yang jadwal keberangkatannya lebih dahulu,
akan mendapatkan pelayanan terlebih dahulu di tempat check in tiket.

 Longest Processing Time (LPT)
Entitas yang memiliki kebutuhan pelayanan yang lebih rumit akan
dilayani terlebih dahulu.
Contoh: di bengkel mobil, ketika permintaan pelanggan lebih rumit
dibandingkan pelanggan lain, mobil pelanggan tersebut akan
diprioritaskan untuk dilayani lebih dahulu.
 Lowest Value First (LVF)
Sering digunakan untuk memodelkan penumpang di sistem
transportasi, dimana pelanggan dikategorikan dalam kelas pertama,
kelas kedua, dan kelas ketiga. Pelanggan yang berada di kelas kedua
akan mendapatkan pelayanan ketika sudah tidak ada antrian pada
pelanggan kelas pertama.
 High Value First (HVF)
Dalam situasi ini, sistem pelayanan akan memprioritaskan pelanggan
yang telah melakukan lebih banyak transaksi di waktu sebelumnya
 Random Service (RS = layanan secara acak)
 Priority Service (PS = layanan berdasarkan prioritas)
3.2.4 Kapasitas Sistem

 Kapasitas terhingga (ukuran sistem maksimum)
 Kapasitas tak terhingga
3.2.5 Jumlah jalur layanan Server
queue
 Single Line Service

 Multiple Line Service
3.2.6 Tahap Layanan (stage of service)

 Single Stage Service
 Multiple Stages Service
3.2.7 Model Antrian

Berdasarkan sifat pelayanannya, dapat diklasifikasikan fasilitas-fasilitas
pelayanan dalam susunan saluran dan phase yang akan membentuk suatu
struktur antrian yang berbeda-beda. Istilah saluran menunjukkan jumlah jalur
untuk memasuki sistem pelayanan. Sedangkan istilah phase berarti jumlah
stasiun-stasiun pelayanan, dimana para langganan harus melaluinya sebelum
pelayanan dinyatakan lengkap.
Ada empat model struktur antrian dasar yang umum terjadi dalam
seluruh sistem antrian:
1. Single Chanel – Single Phase
Single Chanel berarti bahwa hanya ada satu jalur untuk memasuki sistem
pelayanan atau ada satu pelayanan.

Gambar 3.2 Model antrian single chanel – single phase
2. Single Chanel – Multi Phase

Multi phase berarti ada dua atau lebih pelayanan yang dilaksanakn secara
berurutan dalam setiap fase.
Gambar 3.3 Model antrian single chanel – multi phase
3. Multi Chanel – Single Phase

Sistem multi chanel- single phase terjadi jika ada dua atau lebih fasilitas
pelayanan dialiri oleh suatu antrian tunggal.
Gambar 3.4 Model antrian multi chanel – single phase
4. Multi Chanel – Multi Phase

Sistem ini terjadi jika ada dua atau lebih fasilitas pelayanan dengan
pelayanan pada lebih dari satu fase.

Gambar 3.5 Model antrian multi chanel – multi phase
3.3 Notasi Antrian

A/B/X/Y/Z
A = distribusi inter-arrival time
B = distribusi service time
X = jumlah jalur layanan paralel (default = 1 server)
Y = kapasitas sistem (default = unlimited space)
Z = disiplin antrian (default = FCFS)
Karakteristik Simbol Penjelasan

A dan B M Eksponensial (memory less)
D Deterministik
G General (umum)
X 1, 2, ..., 
Y 1, 2, ..., 
Z FCFS, RS,
PS
Contoh :
1. M / M / 3 /  / FCFS
 Interarrival time dengan distribusi eksponensial
 Service time dengan distribusi eksponensial
 3 paralel server
 Kapasitas unlimited space
 First come First Serve

2. M / D / 1
 Interarrival time dengan distribusi eksponensial
 Service time deterministik (dapat ditentukan dengan pasti)
 1 server
 (default) kapasitas unlimited space
 (default) First come First Serve
3.4 Dasar Topologi Sistem Antrian

sumber arrival queue server
permintaan
Inter-arrival time (tn)

arrival time
waiting server
waiting time (wn)

arrival time
service
queue departure
service time (xn)

arrival system departure
system time (sn)
 Server akan melayani selama idle (nganggur) atau baru saja selesai
melakukan pelayanan
 Antrian yang terjadi pada queue tergantung dari kondisi server, idle
atau busy.
server 1
server 2
 Antara server 1 & 2 tidak ada hubungan, demikian pula queue 1 dan 2.
 Antrian pada queue 1 hanya tergantung pada kondisi server 1,
demikian pula dengan antrian pada queue 2.
server 1
 Pada saat server 1 dan 2 dalam kondisi idle, maka server yang
memiliki idle time terbesar yang dipilih untuk melayani kedatangan
berikutnya.

 Pada saat salah satu server busy dan yang lain idle, maka server yang
idle yang akan melayani kedatangan berikutnya.
 Antrian yang terjadi pada queue tergantung dari kondisi server 1 dan
2.
server 1
 Server 1 menjadi server utama dalam pelayanan. Server 2 bekerja

hanya pada saat server 1 busy.
 Pada saat server 1 dan 2 dalam kondisi idle, maka server 1 yang dipilih
untuk melayani kedatangan berikutnya.
 Antrian yang terjadi pada queue tergantung dari kondisi server 1 dan
2.
server 1
server 2
 Antara server 1 dan 2 tidak ada hubungan, demikian pula dengan
queue 1 dan 2.
 Antrian pada queue 1 tergantung pada kondisi server 1 dan 2,
sedangkan antrian pada queue 2 hanya tergantung pada kondisi server
2.
3.5 Model-model Sistem Antrian

 G/G/m
o Interarrival time dengan distribusi A(t)
o Service time dengan distribusi B(x)

o m server
 Sumber permintaan layanan (pelanggan, dll) yang masuk ke dalam
sistem : Cn
 Arrival time untuk Cn : n
 Interarrival time (n - n-1) : tn
 Service time untuk Cn : xn
 P(t n  t )  A(t ) P( x n  x )  B( x )
 Waiting time dalam queue untuk Cn : wn

 System time untuk Cn : sn (sn = wn + xn)
 Average arrival rate (rata-rata laju kedatangan) : 
 Average service rate (rata-rata laju pelayanan) : 
~ 1
 Rata-rata waktu kedatangan : t  lim t n 
n  
1
 Rata-rata waktu pelayanan : ~
t  lim xn 
n  
 No. urutan sumber permintaan layanan dalam sistem pada waktu t :
N(t)
 Pekerjaan/pelayanan yang belum selesai pada waktu t : U(t)
 U(t) = 0  sistem idle(nganggur) U(t) > 0  sistem busy
(sibuk)
 Jumlah kedatangan (arrival) dalam interval waktu (0,t) : (t)
 Jumlah keberangkatan (departure) dalam interval waktu (0,t) : (t)
 (t )
 Arrival rate (laju kedatangan) : t t   jumlah arrival / time
t
 Total waktu yang digunakan semua sumber permintaan layanan di
n n
dalam sistem : (t)  (source-second) :  (t )   wk   xk
k 1 k 1
 (t )
 Waktu sistem per sumber permintaan layanan : Tt 
 (t )

 Rata-rata jumlah sumber permintaan layanan dalam sistem :
 (t )
Nt   t .Tt
t
 Untuk t   , maka : N  .T
 Rata-rata waktu yang digunakan di dalam queue : W

 Rata-rata jumlah sumber permintaan layanan di dalam queue :
N q  .W
 Rata-rata waktu yang digunakan di dalam pelayanan : x

 Rata-rata jumlah sumber permintaan di dalam proses pelayanan :
N s  .x
 Total waktu sistem : T  W  x

 .x
 Faktor pemanfaatan (utilitas) :   dimana m = jumlah server
m
 Untuk sistem antrian G / G / 1 , agar stabil maka : 0    1
3.6 Konversi Satuan Waktu

 Format waktu (jam, menit, detik)  format desimal (basis jam)
02:20:03  2 + 20/60 + 3/3600 = 2.33417 jam
 Format waktu (jam, menit, detik)  format desimal (basis menit)
02:20:03  2*60 + 20 + 3/60 = 140.05 menit
 Format waktu (jam, menit, detik)  format desimal (basis detik)
02:20:03  2*3600 + 20*60 + 3 = 8403 detik
 Format desimal (basis jam)  Format desimal (basis menit)
2.33417 jam = 2.33417*60  140.05 menit
 Format desimal (basis jam)  Format desimal (basis detik)
2.33417 jam = 2.33417*3600  8403 detik
 Format desimal (basis menit)  Format desimal (basis detik)
140,05 menit = 140.05*60  8403 detik
 Format desimal (basis jam)  format waktu (jam, menit, detik)

2.33417 jam  INT(2.33417) = 2 jam
(0.33417) * 60 menit= 20.05  INT(20.05) = 20 menit
(0.05)*60 detik = 3 detik
2.33417 jam  02:20:03
 Format desimal (basis menit)  format waktu (jam, menit, detik)

140.05 menit  140.05/60 = 2.33417 jam
2.33417 jam  INT(2.33417) = 2 jam
(0.33417)*60 menit = 20.05  INT(20.05) = 20 menit
2.33417 jam  02:20:03
 Format desimal (basis detik)  format waktu (jam, menit, detik)
8403 detik  8403/3600 = 2.33417 jam
2.33417 jam  INT(2.33417) = 2 jam
(0.33417)*60 menit = 20.05  INT(20.05) = 20 menit
2.33417 jam  02:20:03
3.7 Studi Kasus

1. Suatu layanan teller bank memiliki model antrian M / M / 1 /  / FCFS
 Interarrival time menggunakan distribusi eksponensial dengan average
arrival rate (laju kedatangan rata-rata) :  = 0.25
 Service time menggunakan distribusi eksponensial dengan average
service rate (laju pelayanan rata-rata) :  = 0.29
 1 server
Waktu simulasi : 40 menit (start  0:00:00 ; end  0:40:00)

Topologi yang digunakan :
Single line service , Single stage service
Time
No. Arrival No. Waiting No. Service
between Start End
Customer Time Cust. Time Cust. Time
arrival
Ck k k - k-1 Ck wk Ck xk
1 0:00:00 0:05:36 1 0:00:00 0:02:32 0:02:32
2 0:05:36 0:01:33 2 0:05:36 0:02:19 0:07:55
3 0:07:09 0:02:03 3 0:00:46 3 0:07:55 0:07:42 0:15:37
4 0:09:12 0:05:34 4 0:06:25 4 0:15:37 0:01:34 0:17:11
5 0:14:46 0:02:33 5 0:02:25 5 0:17:11 0:07:20 0:24:31
6 0:17:19 0:14:06 6 0:07:12 6 0:24:31 0:02:20 0:26:51
7 0:31:25 0:01:26 7 0:31:25 0:01:03 0:32:28
8 0:32:51 0:00:42 0:32:51 0:11:59
9 0:33:33 0:02:12 0:33:33 0:01:01
10 0:35:45 0:05:17 0:35:45 0:01:28
Catatan : k = 1, 2, … 10
 C3 : no. Customer 3
 Arrival time untuk C3 : 3 = 0:07:09 (7.15 menit dari START)
 Inter-arrival time untuk C3 : 3 = 3 - 2 = 0:01:33 = 1.55 menit
 Service time untuk C3 : x3 = 0:07:42 (7.7 menit)
 Waiting time dalam queue untuk C3 : w3 = 0:00:46 (0.77 menit)
 System time untuk C3 : s3 = w3 + x3 = 7.7 + 0.77 =8.47 menit
 Average arrival rate :  = 0.25
 Average service rate :  = 0.29
 Average arrival time :
o 1/ = 1/(0.25) = 4 (secara rumus)
10
 k
jumlah kolom ( k   k 1 )
o k 1
  0 : 04 : 06  4.1 menit
10 10
(mendekati sama)

 Average service time :
o 1/ = 1/(0.29) = 3.5 (secara rumus)
10
x k
jumlah kolom ( x k )
o k 1
  0 : 03 : 56  3.93 menit
10 10
(mendekati sama)
 Jumlah customer (sumber permintaan layanan) pada waktu t = 0:09:00
 N(9) = 1 customer
 Jumlah pelayanan yang belum selesai pada waktu t = 0:09:00  U(9)
= 1 (customer ke 3). Karena U(9) > 0  sistem sibuk
 Jumlah kedatangan (arrival) dalam interval waktu (0,40) : (40) = 10
 Jumlah keberangkatan (departure) dalam interval waktu (0,40) : (40)
=7
10
 Arrival rate (laju kedatangan) : t  40   0.25
40
n n
dalam sistem : (t)  (source-second)  (t )   wk   xk
k 1 k 1
No.
Waiting Time Service Time
Customer
Ck wk xk
1 0:02:32
2 0:02:19
3 0:00:46 0:07:42
4 0:06:25 0:01:34
5 0:02:25 0:07:20
6 0:07:12 0:02:20
7 0:01:03
8 0:11:59
9 0:01:01
10 0:01:28
Total 0:16:48 0:39:18
(40) 0:56:06 = 56.1 menit

 (40) 56.1
 Waktu sistem per customer : T40    5.61 menit
 (40) 10
 Rata-rata jumlah customer dalam sistem :
 (40)
N 40   40 .T40  (0.25).(5.61)  1.4
40
 Rata-rata waktu yang digunakan di dalam queue : W = 0:16:48 = 16.8
menit
 Rata-rata jumlah customer di dalam queue :
N q  .W  (0.25).(16.8)  4.2
 Rata-rata waktu yang digunakan di dalam pelayanan : x = 0:39:18 =

39.3 menit
 Rata-rata jumlah customer di dalam proses pelayanan :
N s  .x  (0.25).(39.3)  9.8
 Total waktu sistem : T  W  x = 16.8 + 39.3 = 56.1 menit

 .x (0.25).(39.3)
 Faktor pemanfaatan (utilitas) :     9.8
m 1
Studi Kasus 2
Suatu layanan teller bank memiliki model antrian M / M / 2 /  / FCFS
arrival rate (laju kedatangan rata-rata) :  = 0.25
service rate (laju pelayanan rata-rata) :  = 0.29
 2 server

Server
queue
Topologi yang digunakan :
Single line service , Single stage service

Catatan :
 Idle time : waktu kosong (nganggur) dari server
 Server yang memiliki idle time lebih besar akan diprioritaskan
melayani customer berikutnya.
Pertanyaan :
 Buat simulasi dari model antrian di atas
 Arrival time () untuk customer ke 4
 Inter-arrival time untuk customer ke 4
 Service time (x) untuk customer ke 4
 Waiting time (w) untuk customer ke 4
 System time (s) untuk customer ke 4
 Average arrival rate
 Average service rate
 Average arrival time (secara rumus dan hasil simulasi)
 Average service time (secara rumus dan hasil simulasi)
 Jumlah pelayanan yang belum selesai pada waktu t = 0:06:00
 Jumlah kedatangan (arrival) dalam interval waktu (0,40)  (40)
 Jumlah keberangkatan (departure) dalam interval waktu (0,40) 
(40)
 Arrival rate (laju kedatangan) selama simulasi  40
dalam sistem  (40)
 System time (waktu sistem) per customer selama simulasi  T40

 Rata-rata jumlah customer dalam sistem selama simulasi  N 40
 Rata-rata waktu yang digunakan di dalam queue  W

 Rata-rata jumlah customer dalam queue  N q
 Rata-rata waktu yang digunakan di dalam pelayanan  x
 Rata-rata jumlah customer di dalam proses pelayanan  N s
 Total waktu sistem  T

 Faktor pemanfaatan  
Jawab :
 Perhatikan Tabel Hasil Simulasi pada halaman berikut ...... !!!
 Arrival time () untuk customer ke 4 : 4 = 0:05:02
 Inter-arrival time untuk customer ke 4 : 4 - 3 = 0:05:02 – 0:02:59 =
0:02:03
 Service time untuk customer ke 4 : x4 = 0:00:46 = 0.77 menit
 Waiting time untuk customer ke 4 : w4 = 0:00:47 = 0.78 menit
 System time untuk customer ke 4 : s4 = x4 + w4 = 0.77 + 0.78 = 1.55
menit
 Average arrival rate :  = 0.25
 Average service rate :  = 0.29

Arrival Queue Server 1 Server 2
Time
No. Arrival No. Waiting No. Service No. Service
between Idle Start End Idle Start End
Cust. Time Cust. Time Cust. Time Cust. Time
arrival
Ck k k - k-1 Ck wk I1k Ck x1k I2k Ck x2k
1 0:00:00 0:01:26 1 0:00:00 0:02:32 0:02:32 0:01:26
2 0:01:26 0:01:33 0:00:27 2 0:01:26 0:04:23 0:05:49
3 0:02:59 0:02:03 3 0:02:59 0:07:42 0:10:41
4 0:05:02 0:05:34 4 0:00:47 4 0:05:49 0:00:46 0:06:35
5 0:10:36 0:02:33 0:02:28 5 0:10:36 0:00:48 0:11:24
6 0:13:09 0:14:06 6 0:13:09 0:02:20 0:15:29 0:15:51
7 0:27:15 0:01:26 0:13:12 7 0:27:15 0:01:41 0:28:56
8 0:28:41 0:00:42 8 0:28:41 0:11:59 0:40:00 0:00:27
9 0:29:23 0:02:12 9 0:29:23 0:07:42 0:37:05
10 0:31:35 0:05:17 10 0:08:25 10 0:37:05 0:11:15 0:40:00
11 0:36:52 0:00:06 11 0:03:08
12 0:36:58 0:00:48 12 0:03:02
13 0:37:46 0:05:20 13 0:02:14
Tota
4:21:42 0:17:36 0:24:33 0:26:35
l
(40) wk + x1k + x2k 1:08:44 = 68.7 menit
Catatan :
Akhir simulasi k = 1, 2, ... 13
I1k = idle time pada server 1 saat customer ke Ck berada pada server 2
I2k = idle time pada server 2 saat customer ke Ck berada pada server 1
I17 = 0:13:12 = 0:27:15 + 0:01:26 – 0:15:29

 Average arrival time :
o 1/ = 1/(0.25) = 4 (secara rumus)
13
 k
jumlah kolom ( k   k 1 )
o k 1
  0 : 03 : 19  3.3 menit (agak
13 13
jauh...hati2)
 Average service time :
o 1/ = 1/(0.29) = 3.5 (secara rumus)
13
x k
jumlah kolom ( x1k  x 2 k )
 k 1
  0 : 03 : 56  3.93 menit
13 13
(mendekati sama)
 Jumlah pelayanan yang belum selesai pada waktu t = 0:06:00  U(6)
= 2 (cust. ke 3 di server 1, cust. ke 4 di server 2). Karena U(9) > 0 
sistem sibuk
 Jumlah kedatangan (arrival) dalam interval waktu (0,40) : (40) = 13
 Jumlah keberangkatan (departure) dalam interval waktu (0,40) 
(40) = 8 (cust. ke 1, 2, 3, 4, 5, 6, 7, 9).
13
 Arrival rate (laju kedatangan) selama simulasi : 40  40   0.33
40
(agak menyimpang dari arrival rate yang ditetapkan :  = 0.25 …..
hati-hati !!!!!)
 Total waktu yang digunakan semua customer di dalam sistem  (40)
= 68.7 menit
 Waktu sistem per customer selama simulasi :
 (40) 68.7
T40    5.3 menit
 (40) 13
 Rata-rata jumlah customer dalam sistem selama simulasi :
 (40)
N 40   40 .T40  (0.33).(5.3)  1.75
40

 Rata-rata waktu yang digunakan di dalam queue : W = 0:17:36 = 17.6
menit
 Rata-rata jumlah customer di dalam queue :
N q  .W  (0.25).(17.6)  4.4
 Rata-rata waktu yang digunakan di dalam pelayanan : x = 0:51:08 =

51.1 menit
 Rata-rata jumlah customer di dalam proses pelayanan :
N s  .x  (0.25).(51.1)  12.8
 Total waktu sistem : T  W  x = 17.6 + 51.1 = 68.7 menit

 .x (0.25).(51.1)
 Faktor pemanfaatan (utilitas) :     6.4
m 2
Kesimpulan :
Dengan model antrian yang sama, hanya berbeda pada jumlah servernya,
diperoleh :
Kriteria Penting 1 Server 2 Server Komentar
Dengan 2 server akan lebih
(40) 10 13
banyak customer
Dengan 2 server lebih banyak
(40) 7 8
yang terlayani
 0.25 0.25
Arrival rate simulasi yang
lebih besar menunjukkan
40 0.25 0.33
kemampuan layanan yang
lebih baik
(40) 56.1 68.7
Waktu sistem per customer
yang lebih kecil menunjukkan
T40 5.61 5.3
baiknya sistem layanan 2
server dibanding 1 server
Dengan 2 server, rata-rata
Ns 9.8 12.8 customer yang dilayani lebih
tinggi dibanding 1 server

Kriteria Penting 1 Server 2 Server Komentar
(seharusnya dengan 2 server
rata-rata customer dlm queue
Nq 4.2 4.4
lebih kecil dibanding 1
server)......!!!!
Dengan 2 server, rata-rata
N 40 1.4 1.75 customer dalam sistem lebih
tinggi dibanding 1 server
Dengan 2 server, beban
 9.8 6.4
pelayanan lebih ringan

Latihan 1
Suatu sistem komunikasi data memiliki model antrian M / M / s /  / FCFS
arrival rate (laju kedatangan rata-rata) : (kelas A :  = 0.2, kelas B :  =
0.5)
service rate (laju pelayanan rata-rata) : (kelas A: = 0.25, kelas B : =
0.2)
 m server (tergantung kelompok)
Pertanyaan :
 Buat simulasi sistem antrian di atas sesuai dengan topologi yang
diberikan per kelompok di bawah ini.
 Cari average arrival time dan average service time selama simulasi
 Jumlah kedatangan data ((40)) dan data yang telah terlayani ((40))
selama interval waktu simulasi [0,40]
 Cari laju kedatangan data (data arrival rate) selama simulasi : 40
 Cari waktu sistem per data dalam sistem selama simulasi : T40
 Cari rata-rata jumlah data dalam sistem selama simulasi : N 40
 Cari rata-rata jumlah data dalam buffer/queue selama simulasi : N q
 Cari rata-rata jumlah data dalam proses pelayanan selama simulasi :

Ns
 Total waktu sistem  T

 Faktor utilitas/pemanfaatan  

Topologi yang digunakan pilih salah satu

Latihan 2
Simulasi Layanan Teller Bank (Teller Tunggal)
Waktu simulasi (Start = 00:00:00; End = 00:40:00)
Arrival Time Between Waiting Service
No. Cust Start End
Time Arr Time Time
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
Dari hasil simulasi, tentukan:

1. Jumlah Nasabah yang datang _________
2. Jumlah Nasabah terlayani _________
3. Jumlah Nasabah yg antri selama simulasi _________
4. Total waktu tunggu antrian selama simulasi _________
5. Rata-rata waktu tunggu per nasabah _________
6. Maksimum waktu tunggu _________

INTER ARRIVAL TELLER 1
No
U Uji 1 Uji 2 Uji 3 Uji 4 U Uji 1 Uji 2 Uji 3 Uji 4
1 0,663 0,930
2 0,784 0,661
3 0,773 0,946
4 0,669 0,106
5 0,134 0,560
6 0,886 0,322
7 0,024 0,608
8 0,824 0,178
9 0,135 0,189
10 0,099 0,392
11 0,284 0,532
12 0,468 0,738
13 0,343 0,604
14 0,980 0,971
15 0,142 0,925
16 0,840 0,772
17 0,993 0,047
18 0,658 0,340
19 0,454 0,288
20 0,324 0,559
21 0,946 0,966
22 0,431 0,132
Distribusi Interarrival Time

Time between arrival Probabilitas Cummulative
(menit) P(x) F(x)
0:01:00 0,25
0:02:00 0,25
0:03:00 0,25
0:04:00 0,25
Distribusi Service Time (Duration)

Service time Probabilitas Cummulative
(menit) P(x) F(x)
0:01:00 0,25
0:02:00 0,10
0:03:00 0,35
0:04:00 0,30

Latihan 3
Simulasi Layanan Teller Bank (Teller Ganda)
Waktu simulasi (Start = 00:00:00; End = 00:40:00)
CUSTOMER TELLER 1 TELLER 2
Time
No. Arrival No. Waiting No Service No Service
Between Idle Start End Idle Start End
Cust Time Cust Time Cust Time Cust Time
Arr
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
Dari hasil simulasi, tentukan:

1. Jumlah Nasabah yang datang _________
2. Jumlah Nasabah terlayani _________
3. Jumlah Nasabah yg antri selama simulasi _________
4. Total waktu tunggu antrian selama simulasi _________
5. Rata-rata waktu tunggu per nasabah _________
6. Maksimum waktu tunggu _________
7. Idle time teller (menit) _________ ________
8. Utilisasi teller (%) _________ ________
Catatan: basis unit waktu dalam menit

Pembangkitan bilangan acak
PEMBANGKITAN BILANGAN RANDOM
NO INTER ARRIVAL TELLER 1 TELLER 2
U Uji 1 Uji 2 Uji 3 Uji 4 U Uji 1 Uji 2 Uji 3 Uji 4 U Uji 1 Uji 2 Uji 3 Uji 4
1 0,59 0,52 0,86
2 0,53 0,92 0,56
3 0,18 0,26 0,56
4 0,24 0,47 0,46
5 0,17 0,30 0,64
6 0,25 0,15 0,17
7 0,46 0,35 0,09
8 0,38 0,11 0,00
9 0,54 0,12 0,97
10 0,50 0,08 0,19
11 0,12 0,81 0,82
12 0,72 0,05 0,13
13 0,07 0,78 0,11
14 0,96 0,92 0,66
15 0,12 0,56 0,46
16 0,40 0,11 0,33
17 0,37 0,99 0,19
18 0,62 0,66 0,84
19 0,71 0,76 0,18
20 0,04 0,34 0,14
21 0,35 0,66 0,59
22 0,59 0,52 0,86
Distribusi Interarrival Time

Time between arrival Probabilitas Cummulative
(menit) P(x) F(x)
0:01:00 0,35
0:02:00 0,30
0:03:00 0,20
0:04:00 0,15

Distribusi Service Time (Duration)
Service time Probabilitas Cummulative
(menit) P(x) F(x)
0:01:00 0,05
0:02:00 0,10
0:03:00 0,35
0:04:00 0,50

BAB IV
PEMODELAN SIMULASI DENGAN PROMODEL
4.1 Software Simulasi

Dalam pemodelan simulasi dikenal dua software yang paling umum
digunakan, yaitu programming language dan simulation application. Programming
Language adalah suatu bahasa ataupun tata cara yang dapat digunakan oleh
manusia (programmer) untuk berkomunikasi secara langsung dengan
computer. Secara umum programming language dibagi menjadi dua, yaitu: High
Level Language dan Low Level Language. High level language lebih mudah
dipelajari karena semua kalimat, kata ataupun aturan yang ada di dalam high
level language juga merupakan kalimat, kata ataupun aturan yang digunakan
dalam kehidupan sehari-hari.
Simulation application adalah suatu program (software) yang berfungsi
untuk menirukan atau memodelkan suatu perilaku sistem nyata sehingga
hasilnya dapat dianalisis dan dipelajari. Secara umum simulation application
dibagi menjadi dua, yaitu: General Purposes Application yang dapat digunakan
secara umum untuk berbagai macam tugas atau tujuan dan Special Purposes
Application yang memiliki tugas atau tujuan yang spesifik dan lebih lengkap.
Beberapa software yang biasa digunakan untuk simulasi, Promodel dan
Arena.
4.2 Pemodelan dengan ProModel

Berikut ini terdapat definisi ProModel, struktur elemen ProModel, dan
konsep pemodelan pada ProModel.
4.2.1 Definisi ProModel

Promodel adalah software simulasi yang dapat digunakan untuk
mensimulasi dan menganalisa sistem produksi dari berbagai tipe dan berbagai
ukuran. Promodel merupakan software simulasi diskrit walaupun untuk

beberapa proses industry dapat dimodelkan dengan cara mengkonversi sistem
continous seperti produksi minyak menjadi sistem produksi minyak
berdasarkan barrel. Promodel didesain untuk memodelkan sistem ketika
kejadian pada sistem muncul pada waktu tertentu. Pada simulasi
menggunakan promodel dapat ditampilkan animasi yang mewakili sistem
yang telah dimodelkan. Promodel melihat suatu sistem produksi sebagai
susunan dari location process seperti mesin atau stasiun kerja dimana entitas
diproses sesuai dengan logika proses yang telah dibuat.
4.2.2 Struktur Elemen Promodel

Struktur elemen yang terdapat dalam ProModel antara lain:
1. Location
Dalam promodel, location merepresentasikan sebuah area dimana bahan
baku, bahan setengah jadi ataupun bahan jadi mengalami atau menunggu
proses, di-delay, disimpan, serta beberapa aktivitas lainnya. Data-data
yang diperlukan sebagai input dalam mendefinisikan location antara lain:
a. Name, yaitu nama masing-masing lokasi.
b. Capacity, merupakan kapasitas lokasi dalam memproses entity.
c. Unit, adalah jumlah lokasi yang dimaksud.
d. Downtimes (DTs), menyatakan saat-saat lokasi tidak berfungsi,
misal diakibatkan karena kerusakan, maintenance, waktu set-up, dan
lain-lain.
e. Rules, digunakan untuk merumuskan bagaimana aturan pemrosesan
bagi entity yang memasuki lokasi, bagaimana entity yang selesai
diproses mengantri, dan bagaimana lokasi yang lebih dari satu unit
untuk memproses entity yang datang.
f. Notes, digunakan untuk memasukan catatan atau program-program
lain.
2. Entities
Entities adalah setiap bahan yang akan diproses oleh model. Entitas
merupakan suatu objek yang akan diamati dari sistem, contohnya part

kerja atau operator. Di dalam menu entities pada ProModel, terdapat
menu yang harus diinputkan antara lain:
a. Name, yaitu nama dari setiap entity.
b. Speed, adalah kecepatan entity bergerak atau berpindah dari satu
lokasi ke lokasi berikutnya.
c. Stats, menyatakan level statistik dalam mengumpulkan hasil masing-
masing tipe entity. Terdapat tiga pilihan yaitu None, Basic, dan
Time Series.
3. Arrival
Arrival pada bagian ini menunjukkan mekanisme masuknya entitas ke
dalam sistem, baik banyaknya lokasi tempat kedatangan ataupun
frekuensi serta waktu kedatangannya secara periodik menurut interval
tertentu. Di dalam menu arrivals ada data yang harus dipenuhi yaitu:
a. Entity menunjukan entitas apa yang masuk ke dalam sistem.
b. Location, menunjukan lokasi pertama kali entitas memasuki sistem.
c. Quantity Each (Qty Each), menyatakan jumlah entitas yang datang
setiap satu kali kedatangan.
d. First Time, menunjukan waktu pertama kali entity masuk ke dalam
sistem.
e. Occurences, menyatakan banyaknya entity setiap satu kali kedatangan.
f. Frequency, menyatakan selang waktu antar dua kedatangan yang
berurutan.
g. Logic, digunakan untuk menyatakan logika-logika lain untuk
menyatakan arrival.
h. Disable, menyatakan apakah kedatangan entity yang bersangkutan ada
atau tidak. Default dalam Promodel adalah No, artinya ada
kedatangan entity yang bersangkutan.
4. Processing
Processing merupakan operasi yang dilakukan dalam location. Processing
mengambarkan apa yang dialami oleh suatu entitas mulai dari saat entitas
masuk sampai keluar dari sistem. Dalam mendefinisikan proses pada

ProModel, maka harus diinputkan data pada sub menu processing yaitu
entity, location, operation, sedangkan pada sub menu routing terdapat block,
output, destination, rule, dan move logic. Penjelasannya adalah sebagai
berikut:
a. Entity, menyatakan entity sebagai input yang akan diproses.
b. Location, menunjukan operasi yang akan dilakukan pada entity
(input), termasuk waktu operasinya.
c. Operation, menujukan proses operasi yang dialami entitas.
d. Block, maksudnya adalah jalur yang ditempuh entitas. Yang diisikan
dalam block adalah nomor. Jika nomor blocknya sama maka asal
jalurnya juga sama.
e. Output, menunjukan entitas yang keluar dari proses.
f. Destination, menyatakan lokasi yang menjadi tujuan selanjutnya
dalam memproses entity.
g. Rule, menyatakan aturan-aturan yang digunakan dalam processing,
misalnya proses perakitan (join), probabilitas, dan lainnya.
h. Move logic, digunakan untuk mendefinisikan metode pergerakan
entitas, yaitu dengan menetapkan waktu pergerakan atau dengan apa
entitas dipindahkan.
5. Resource
Resource merupakan sumber daya yang digunakan untuk melakukan
operasi tertentu dalam kinerja suatu sistem. Dalam promodel, objek yang
dijadikan resource akan bergerak sesuai dengan keinginan kita, contohnya
adalah operator, forklift, crane, alat angkut untuk material handling, dll. Di
dalam menu resources diperlukan data antara lain:
a. Name, menunjukan nama dari resources tersebut.
b. Units, menujukan jumlah resources.
c. Specs, menunjukan lintasan kerja yang akan digunakan dan lokasi
yang pertama kali akan dikunjungi.

6. Path network
Digunakan untuk menentukan arah dan jalur yang ditempuh oleh resource
ataupun entitas ketika bergerak dari suatu lokasi ke lokasi lainnya. Path
network ini merupakan suatu hal yang menjadi keharusan jika ingin
memakai resource ataupun entitas yang bergerak. Dalam menu path
network terdapat name, type, path, interface, nodes. Penjelasannya adalah
sebagai berikut:
a. Name, yaitu nama lintasan yang bersangkutan.
b. Type, terdiri dari 3 pilihan yaitu:
1. Non passing, pergerakan hanya untuk satu arah.
2. Passing, pergerakan yang berlaku untuk dua arah.
3. Crane, pergerakan yang berlaku untuk sistem crane.
c. T/S, menunjukan pilihan berdasarkan satuan waktu (Time) atau jarak
dan kecepatan (Speed and Distance).
d. Path, menunjukan jumlah dari lintasan dalam suatu jaringan.
e. Interface, menunjukan jumlah node yang berhubungan dengan
lokasi dalam path networks.
7. Variable
Terdapat dua jenis variable antara lain:
a. Variable global, yaitu tempat pemegang didefiniskan oleh pengguna
untuk mewakili perubahan nilai numerik.
b. Variable lokal, yaitu tempat pemegang yang tersedia hanya dalam
logika yang menyatakan mereka.
Beberapa variable yang terdapat dalam ProModel antara lain total change,
average (time) per change, minimum value, maximum value, current value,
average value.
4.2.3 Konsep Pemodelan Promodel

Konsep dari permodelan yaitu membangun model yang masuk akal dan
bisa mendeskripsikan sistem.

1. Pendekatan proses yang didasarkan pada tracking low dari entitas-entitas
keseluruhan sistem berikut titik pemrosesan dan aturan keputusan
percabangan.
2. Pendekatan peristiwa (event) atau pendekatan perubahan terhadap
keadaan (state change approach) berdasarkan variabel keadaan internal dan
event sistem yang mengubahnya, diikuti oleh deskripsi operasi sistem
ketika suatu event terjadi.
4.2.3.1 Batching Multiple Entities of Similar Type

Batching multiple entities of similar type terdiri dari dua jenis yaitu Temporary
Batching Using GROUP/UNGROUP dan Permanent Combine.
Temporary Batching Using Group/Ungroup

Pernyataan GROUP memungkinkan anda untuk membuat entitas
kelompok bersama-sama dan ungroup merekadi lain waktu. Anda dapat
mengelompokkan menurut jenis entitas-entitas individual dengan
mendefinisikan record proseske grup atau kelompok mereka, terlepas dari jenis
entitas dengan mendefinisikan catatan proses. Untuk menggabungkan jenis
beberapa entitas dimana anda harus mengontrol jumlah setiap jenis serta
membutuhkan kontrol routing dengan mengirimkan bagian ke lokasi
pengelompokan.ProModel mempertahankan semua identitas dan atribut dari
entitas dikelompokkan dan memungkinkan mereka untuk berpisah dengan
entitas individu setelah perintahUngroup.
Permanent Combine
ProModel menggunakan pernyataan COMBINE untuk mengumpulkan
dan mengkonsolidasi jumlah tertentu dari entitas menjadi satu kesatuan,
opsional dengan nama yang berbeda. Entitas yang digabung mungkin berasal
dari tipe yang sama dari entitas atau mereka mungkin berbeda. Entitas
gabungan akankehilangan identitas dan atribut serta tidak dapat di ungroup
nantinya. Ketika mendefinisikan lokasi, kapasitas lokasi di mana dapat

menggunakan pernyataan COMBINE harus setidaknya sama besar dengan
jumlah gabungan.
4.2.3.2 Accumulation of Entities

Accum bekerja seperti sebuah gerbang yang mencegah entitas dari
pengolahan sampai jumlah tertentu tiba. Setelah jumlah tertentu dari entitas
telah berhasil dikumpulkan, mereka akan pergi melalui pintu gerbang dan
mulai memproses secara individual, independen satu sama lain.
4.2.3.3 Spliting of One Entity Into Multiple Entities

Spliting of one entity into multiple entities akan mengubah nama entitas,
dan membagi semua statistik biaya dan waktu yang masih harus dibayar oleh
entitas dasar antara entitas baru. ProModel menghitung entitas lama sebagai
jalan keluar dan entitas yang dihasilkan berbagi nilai atribut yang sama
sebagai entitas aslinya.
Setiap entitas yang anda ingin bagi harus melepaskan semua sumber
daya yang dimiliki dengan menggunakan pernyataan FREE. Gunakan SPLIT
AS untuk membagi potongan bahan baku menjadi komponen-komponen.
Entitas yang dibentuk oleh SPLIT AS di lokasi tidak akan muncul dalam
statistik untuk lokasi ini.
ProModel tidak memungkinkan SPLIT AS pada konveyor, dan bukan
di ujung antrian. Anda juga tidak boleh menggunakan SPLIT AS setelah
pernyataan ROUTE. Jangan gunakan SPLIT AS dalam kombinasi dengan
COMBINE, CREATE, GROUP, UNGROUP, LOAD, atau pernyataan
perpecahan lainnya dalam logika proses yang sama.
4.3 Pengumpulan Data Input Simulasi

Waktu antar kedatangan untuk entitas yang masuk ke sistem hampir
selalu probabilistik. Interval antara entitas terakhir dengan entitas berikutnya
mungkin pendek, atau mungkin akanlama. Tidak diketahui dengan pasti
kapan entitas berikutnya akan tiba. Namun, dengan mengumpulkan data

antar kedatangan massa, adalah mungkin untuk melihat apakah data
mengikuti distribusi tertentu.
Distribusi eksponensial, biasanya digunakan dalam hubungannya
dengan proses antar kedatangan dalam model simulasi, karenakedatangan
entitas dalam banyak sistem telah terbukti baik atau diasumsikan acak atau
proses poisson. Ini berarti bahwa jumlah acak entitas akan tiba dalam satuan
waktu tertentu. Ada beberapa rata-rata jumlah kedatangan dalam satuan
waktu yang tiba pada unit waktu didistribusikan secara acak di sekitar nilai
rata-rata. Distribusi eksponensial hanya memiliki satu parameter. Nilai ini
adalah nilai rata-rata. Jika waktu antar kedatangan menunjukkan distribusi
eksponensial, akan ada lebih banyak pengamatan dengan waktu antar
kedatangan lebih kecil dari nilai rata-rata.
Distribusi uniform atau distribusi seragam yaitu sebuah distribusi yang
berarti bahwa selama rentang nilai yang mungkin, masing-masing perilaku
atau hal memiliki kemungkinan nilai yang sama harus diamati. Contoh yang
umum dari suatu distribusi seragam adalah perilaku dadu tunggal dengan
nilai 6. Nilai minimum mungkin adalah 1 dan nilai maksimal adalah 6.
Karena semua bagian adalah sarna, ada kemungkinan yang saran menerima
salah satu dari nilai-nilai antara 1 dan 6. Distribusi seragam memiliki
beberapa aplikasi dalam dunia simulasi. Distribusi seragam dapat digunakan
sebagai model pertama sebagai contoh untuk data input dari sebuah proses
jika ada sedikit pengetahuan tentang proses. Semua yang dibutuhkan untuk
menggunakan distribusi seragam hanyalah waktu minimum dan waktu
maksimum proses. Walaupun belum tentu asumsi valid bahwa data
terdistribusi secara seragam, distribusi seragam mengizinkan praktisi untuk
mulai membangun model simulasi. Distribusi seragam dapat bersifat diskrit
atau kontinu. Dalam kasus dadu tunggal dengan sisi enam, distribusi
dianggap diskrit. Ini berarti bahwa nilai-nilai data hanya dapat mengambil
seluruh bilangan dalam batas yang berlaku.

4.4 Verifikasi dan Validasi
Verifikasi dan validasi merupakan tahapan untuk menguji
kredibilitas/kesesuaian sistem nyata dengan model simulasi. Verifikasi adalah
proses untuk menentukan apakah model telah beroperasi sesuai yang
diinginkan oleh programmer. Verifikasi berkaitan dengan kondisi konseptual
apakah model telah sesuai dengan konsep yang diinginkan (Banks, Carson,
dan Nelson. 1995). Verifikasi adalah proses pemeriksaan logika operasional
model (program computer) sesuai dengan logika diagram alur (Hoover dan
Perry, 1989). Langkah-langkah verifikasi (Jerry Banks, 2004) adalah:
1. Membandingkan diagram alir konseptual dengan model pada software
simulasi
2. Melihat rangkuman proses pada model dan melakukan pengocokan ulang
terhadap logika proses.
3. Melakukan pengocokan animasi apakah sudah berjalan sesuai dengan
sistem nyata.
4. Melakukan compilasi error atau debugging.
Validasi adalah proses penentuan apakah model, sebagai konseptualisasi,
merupakan representasi yang akurat dan sesuai dengan sistem nyata (Hoover
dan Perry. 1989).
Gambar 4.1 Relasi verifikasi, validasi dan pembentukan model kredibel

BAB V
STUDI KASUS PEMODELAN & SIMULASI KANTOR POS
5.1 Deskripsi Sistem

Kantor pos adalah salah satu perusahaan milik negara yang terdiri dari
beberapa loket layanan, diantaranya layanan money changer, weselpos,
pengiriman paket, surat nasional dan surat internasional. Kantor pos yang
dijadikan objek pengamatan dalam studi kasus simulasi sistem dengan
software ProModel adalah Kantor Pos Pusat Samarinda yang terletak di Jalan
Gadjah Mada No. 1, Samarinda. Dalam studi kasus ini, praktikan mengambil
spesifikasi obyek pengamatan loket pengiriman surat nasional. Dengan
demikian, yang akan dimodelkan dalam software Promodel adalah sistem
pengiriman surat nasional pada Kantor Pos Pusat Samarinda.
5.2 Tujuan
Tujuan dari pengamatan ini antara lain:
1. Untuk mengetahui dan memahami sistem, model, simulasi,dan
komponen simulasi dalam proses pengiriman surat nasional di Kantor
Pos Pusat Samarinda.
2. Untuk memodelkan sistem nyatapengiriman surat nasional di Kantor Pos
Pusat Samarinda dengan menggunakan PetriNet dan software ProModel
serta mensimulasikanya.
3. Agar dapat menganalisis hasil simulasi pada proses pengiriman surat
nasional di Kantor Pos Pusat Samarinda.
4. Agar melakukan verifikasi dan validasi model dari sistem pengiriman
surat nasional di Kantor Pos Pusat Samarinda.
5.3 Manfaat
Manfaat yang dapat diperoleh dari pengamatan ini antara lain:

1. Dapat mengetahui dan memahami sistem, model, simulasi,dan
komponen simulasi dalam proses pengiriman surat nasional di Kantor
Pos Pusat Samarinda.
2. Mampu memodelkan sistem nyatapengiriman surat nasional di Kantor
Pos Pusat Samarinda dengan menggunakan PetriNet dan software
ProModel serta mensimulasikanya.
3. Praktikan dapat menganalisis hasil simulasi pada proses pengiriman surat
nasional di Kantor Pos Pusat Samarinda.
4. Praktikan mampu melakukan verifikasi dan validasi model dari sistem
pengiriman surat nasional di Kantor Pos Pusat Samarinda.
5.4 Batasan
Adapun batasan-batasan yang digunakan dalam studi kasus ini adalah sebagai
berikut:
1. Data yang diambil sebanyak 50 replikasi yang dibagi ke dalam 5 set data
dan tiap set terdiri dari 10 replikasi.
2. Loket yang diamati pada kantor pos adalah loket pengiriman surat
nasional.
3. Data yang diambil merupakan data yang berupa waktu antar kedatangan,
waktu dilayani, waktu scanning barcode, dan waktu memasukkan surat ke
truk surat.
5.5 Asumsi
Adapun asumsi-asumsi yang digunakan dalam studi kasus ini adalah
sebagai berikut:
1. Tidak ada petugas yang absen atau ijin tugas keluar.
2. Lamanya pelayanan yang diberikan tidak tergantung pada banyaknya
antrian dan jumlah kedatangan.
3. Dalam satu tray terdapat 50 surat, dalam satu kantong terdapat 50 surat,
dan dalam satu container terdapat 100 surat.

4. Proses pemindahan 50 surat ke tray untuk dibawa dari proses pelayanan
di loket hingga scan dilakukan dalam 10 menit.
5.6 Diagram Alir Praktikum (Metodologi Penelitian)

Mulai
Identifikasi Masalah
Tinjauan Pustaka
Pengumpulan Data
Perancangan
Model Konseptual
Pengolahan Data
Penentuan Distribusi
Pemodelan Sistem
Verifikasi Model
Model
Sesuai? Tidak
Validasi Model Ya
Model
Sesuai? Tidak
Kesimpulan danYa
Saran
Selesai
Gambar 5.1 Diagram Alir Praktikum

5.7 Prosedur Praktikum
Berikut ini merupakan prosedur praktikum pemodelan dan simulasi
menggunakan software Promodel.
1. Memulai praktikum
2. Identifikasi Masalah
Pada identifikasi masalah ini, praktikan mengamati apakah sistem yang
menjadi topik bahasan pada praktikum ini sudah berjalan secara efektif
dan efisien. Dalam hal ini, Kantor Pos Pusat Samarinda adalah obyek
pengamatan.
3. Studi Kepustakaan
Studi kepustakaan dilakukan dengan mempelajari berbagai referensi yang
sesuai dengan materi praktikum.
4. Pengumpulan Data
Pengumpulan data meliputi data sistem pelayanan yang ada pada studi
kasus yaitu data waktu antar kedatangan dan waktu proses, yaitu:
pelayanan di loket, scanning barcode, dan memasukkan surat ke kontainer.
5. Pengolahan Data
Data yang telah dikumpulkan sejumlah 5 set data dimana 1 set berjumlah
10 replikasi data, dan diolah sesuai dengan tahapan-tahapan yang ada.
6. Perancangan Model Konseptual

Membuat model konseptual dari sistem Loket Nasional pada Kantor Pos
menggunakan Petrinet dan Flowchart Sistem.
7. Penentuan Distribusi
Penentuan distribusi dilakukan dengan menggunakan tools Stat::Fit pada
Promodel. Data-data hasil pengamatan dimasukkan dalam Data View
dan diproses hingga muncul output distribusi data. Pilih distribusi yang
sesuai dengan distribusi berdasarkan karakteristik aktivitas.

8. Pemodelan Sistem
Merupakan proses membangun atau membentuk sebuah model dari
suatu sistem nyata yang diamati dan diterapkan dengan menggunakan
software Promodel.
9. Verifikasi Model
Merupakan proses menentukan apakah model simulasi merefleksikan
model konseptual dengan tepat. Jika model tidak terverifikasi, maka
kembali ke pemodelan sistem dengan Promodel.
10. Validasi Model

Merupakan proses menentukan apakah model konseptual merefleksikan
sistem nyata dengan tepat. Validasi dilakukan dengan membandingkan
parameter pada sistem nyata dan model simulasi menggunakan
independent-t test atau Mann Whitney. Jika model tidak valid maka
kembali ke pengambilan data input simulasi.
11. Kesimpulan dan Saran

Kesimpulan dan saran memberikan rangkuman dari awal proses hingga
akhir dan melengkapi apa yang kurang pada proses tersebut.Saran
diberikan untuk perbaikan sistem pada Kantor Pos.
12. Selesai
5.8 Gambaran Sistem

Kantor pos adalah salah satu perusahaan milik negara yang terdiri dari
beberapa loket layanan, diantaranya layanan penukaran uang (money changer),
wesel pos, pengiriman paket, surat nasional dan surat internasional. Obyek
yang diamati dalam pengambilan data adalah loket perngiriman surat
nasional. Pengunjung mendatangi loket pengiriman surat nasional setiap
kurang lebih 5 sampai 10 menit dari pintu masuk Kantor Pos dengan jumlah
entitas sebanyak 1 lembar surat setiap kali kedatangan. Lembaran surat satu
persatu dikumpulkan pada loket. Setelah terkumpul banyak, lembaran surat
tersebut dibawa ke Departemen Pengecekan untuk diberi nomor resi

pengiriman dan dipilah berdasarkan alamat tujuan. Setelah itu surat di-scan
menggunakan alat setiap 4 sampai 10 detik pada setiap lembar surat.
Kemudian dilanjutkan menuju Departemen Packaging. Dari Departemen
Packaging, surat dikumpulkan menjadi satu dalam karung, kemudian diberi
nomor resi dan dipilah berdasarkan alamat tujuan di setiap kota. Kemudian
kantong-kantong yang berisi surat tersebut dibawa ke Departemen
Pengangkutan, dimana kantong surat di-scan terlebih dahulu sebelum
dimasukkan ke dalam mobil box. Waktu yang dibutuhkan dalam proses scan
dan pengangkutan ke dalam mobil box masing-masing kurang lebih 5 sampai
20 detik untuk setiap karung surat.
Untuk meningkatkan efisiensi proses pengiriman surat yang ada di
Kantor Pos, manajemen perusahaan ingin menganalisa total pengiriman surat
yang dapat diselesaikan selama 8 jam kerja dan jumlah surat yang masih
berada di dalam proses. Biaya produksi dihitung untuk menentukan keuangan
perusahaan dan menghitung keuntungan yang diperoleh.
5.9 PetriNet
Idle Idle Idle

A9 A10 A11
A1 A2 A3 A5
A4 A6 A7 A8
Kustomer Kustomer Kustomer Antri Scan Scan Antri Masuk Surat Masuk
Barcode Surat Keluar
Datang Mengantri dilayani Barcode Kontainer Kontainer
Pada Surat
Gambar 5.2 PetriNet proses pengiriman surat nasional

5.10 Flowchart Sistem
Mulai
A = Antrian di loket
B = Scanning Barcode
C = Packaging
D = Pengangkutan ke Mobil
Mengantri di loket
A=A+1
Apakah proses ya
mengalami idle ?
tidak
A=A-1
Pelayanan di
Loket
Mengantri
Scanning Barcode
B=B+1
ya
Apakah proses
mengalami idle ?
tidak
B=B-1
Scanning
Gambar 5.3 Flowchart Sistem

A
Mengantri
Packaging
C=C+1
Apakah proses
mengalami idle ?
Ya
Tidak
C=C-1
Packaging
Mengantri
pengangkutan ke
mobil
D=D+1
Apakah proses
mengalami idle ?
Ya
Tidak
D=D-1
Diangkut ke mobil
Selesai
Gambar 5.3 Flowchart Sistem (lanjutan)

5.11 Pengujian Distribusi Data
Pada subbab ini akan dibahas tentang pengujian distribusi data dugaan
dengan data nyata. Data yang diambil adalah sebanyak 5 set replikasi dimana
1 set replikasi berisi 10 data. Data diambil secara random, maksudnya data
diambil selama 1 hari dengan pengambilan data saat pagi, siang, dan sore.
Data hasil pengamatan dapat dilihat pada Tabel 5.1.
Tabel 5.1 Data Pengamatan Kantor Pos dalam detik
No. Waktu Antar Proses Proses Proses Proses

Pelanggan Kedatangan 1 2 3 4
1 63 131.19 1.24 1.32 5.8
2 23 279.31 2.64 2.81 15.87
3 22 284.60 2.69 2.86 10.68
4 183 370.30 3.5 3.72 6.15
5 241 320.57 3.03 3.22 5.82
6 230 154.47 1.46 1.55 11.68
7 34 326.92 3.09 3.29 18.26
8 62 120.61 1.14 1.21 12.29
9 25 140.71 1.33 1.42 13.48
10 122 104.74 0.99 1.05 13.65
11 245 392.52 3.71 3.95 9.06
12 57 395.69 3.74 3.98 13.6
13 32 58.19 0.55 0.58 10.52
14 61 198.90 1.88 2 8.24
15 20 174.57 1.65 1.75 18.7
16 123 146.00 1.38 1.47 7.35
17 67 152.35 1.44 1.53 14.05
18 58 90.99 0.86 0.91 15.08
19 119 131.19 1.24 1.32 10.49
20 179 158.70 1.5 1.6 6.77
21 233 375.59 3.55 3.78 6.98
22 245 173.51 1.64 1.74 14.27
23 51 113.21 1.07 1.14 10.45

No. Waktu Antar Proses Proses Proses Proses
Pelanggan Kedatangan 1 2 3 4
24 69 329.04 3.11 3.31 12.33
25 60 243.34 2.3 2.45 16.56
26 60 55.02 0.52 0.55 18.98
27 180 350.20 3.31 3.52 12.54
28 25 235.93 2.23 2.37 8.97
29 60 238.05 2.25 2.39 10.6
30 185 256.04 2.42 2.57 15.4
31 180 190.44 1.8 1.92 13.33
32 20 130.13 1.23 1.31 12.23
33 180 57.13 0.54 0.57 8.7
34 120 154.47 1.46 1.55 12.22
35 15 139.66 1.32 1.4 17.27
36 65 239.11 2.26 2.4 18.52
37 10 235.93 2.23 2.37 12.32
38 60 115.32 1.09 1.16 16.39
39 245 350.20 3.31 3.52 10.22
40 15 65.60 0.62 0.66 12.62
41 60 129.08 1.22 1.3 11.16
42 15 320.57 3.03 3.22 10.8
43 55 168.22 1.59 1.69 11.23
44 60 319.52 3.02 3.21 11.25
45 10 315.28 2.98 3.17 6.65
46 60 106.86 1.01 1.07 9.16
47 60 361.84 3.42 3.64 15.36
48 55 397.81 3.76 4 9.72
49 5 219.01 2.07 2.2 13.98
50 55 183.03 1.73 1.84 12.2
Pada tabel hasil pengamatan di atas, dapat dianalisis distribusi data

yang didapatkan sebagai berikut.

Tabel 5.2 Tabel Pemilihan Distribusi Data Hasil Pengamatan
Distribusi Distribusi
Aktivitas Hasil Stat::fit Rank Acceptance
Dugaan Pilihan
Exponensial Do not
94.8
(5., 84.6) reject
Waktu
Antar Exponent Lognormal Do not Exponenti
70.9 al
Kedatang ial (5., 4.02, 1.03) reject
an
Uniform
0. Reject
(5., 245)
Uniform Do not
100
(55., 398) reject
Exponensial Do not
6.84
Proses 1 Uniform (55., 159) reject Uniform
2.73
Lognormal
e- Reject
(55., 4.58, 1.6)
002
Uniform Do not
100
(0.52, 3.76) reject
Lognormal
Proses 2 Uniform (0.52, 9.6e-002, 7.37 Reject Uniform
1.06)
Exponential Do not
1.44
(0.52, 1.5) reject
Uniform Do not
100
(0.55, 4.) reject
Lognormal
Proses 3 Uniform 6.79 Reject Uniform
(0.55, 0.158, 1.06)
Exponential Do not
2.52
(0.55, 1.6) reject
Uniform Do not
100
(5.8, 19.) Reject
Lognormal
Proses 4 Uniform 0.251 Reject Uniform
(5.8, 1.55, 1.08)
Exponential 256e-
Reject
(5.8, 6.2) 002

Tabel di atas merupakan tabel perbandingan antara distribusi dugaan
dan distribusi hasil stat::fit. Di bawah ini akan dijelaskan alasan-alasan
pemilihan distribusi data hasil pengamatan.
1. Pada aktivitas waktu antar kedatangan distribusi dugaan adalah
eksponensial karena pada umumnya distribusi eksponensial
merepresentasikan interarrival time. Sedangkan, hasil stat::fit rank yang
tertinggi adalah distribusi eksponensial yaitu 94,8. Hal ini berarti bahwa
distribusi dugaan dan hasil stat::fit memiliki hasil yang sama. Jadi, pada
waktu antar kedatangan dipilih distribusi eksponensial.
2. Pada proses 1 distribusi dugaan adalah uniform karena distribusi uniform
dapat merepresentasikan waktu proses. Sedangkan, hasil stat::fit rank yang
tertinggi adalah distribusi uniform yaitu 100. Hal ini berarti bahwa
proses 1 dipilih distribusi uniform.
Jadi, dapat disimpulkan bahwa semua distribusi dugaan dan hasil
stat::fit adalah sama dengan melihat rank dan acceptable pada stat::fit.

1. Pilih Tools pada tool bar, pilih Stat:Fit.
2. Masukkan data pengamatan yang telah dilakukan pada DataTable.
3. Klik Fit, kemudian Auto::Fit, pilih continous distribution klik OK.
Gambar 5.4 Pemilihan distribution
5.12 Pembuatan Model Sistem Pengiriman Surat Nasional

Langkah-langkah untuk pemodelan sistem dengan software Promodel:
1. Menjalankan software Promodel.
2. Membuat Project baru, dengan cara klik File-New atau memilih Icon
New, atau menggunakan CTRL-N, setelah itu dipilih, File-New maka
akan muncul kotak dialog General Information, ketikkan judul Project
yang akan dbuat pada Title. Klik OK.
Gambar 5.4 Langkah pembuatan project baru promodel

3. Setelah membuat project baru. Langkah berikutnya adalah pembuatan
background yang berfungsi sebagai latar belakang pemodelan sistem. Dengan
cara klik Build pada toolbar pilih Background Graphics pilih Behind Grid.
Setelah itu klik Edit pilih Import Graphics, pilih Tutorial Back klik Open.
Gambar 5.5 Gambar pemilihan latar belakang
Gambar 5.6 Latar belakang promodel 3D
4. Langkah berikutnya adalah pembuatan layout sistem produksi dimana proses

akan dilakukan. Pilih Build pada tool bar, klik Locations atau klik CTRL+L

buat Locations dengan cara men-drag simbol locations yang diinginkan ke
layout. Untuk mempermudah pembuatan sebaiknya pembuatan layout dilakukan
sesuai urutan proses produksi. Sehingga yang pertama kali dibuat adalah entity
spot kedatangan. Kemudian beri nama pada masing-masing locations dengan
cara rename di kolom Name kemudian klik di lokasi yang diinginkan di layout,
lalu memasukkan kapasitas setiap locations tersebut pada kolom Cap.
Gambar 5.7 Pembuatan locations
Tabel 5.3 Pembuatan Locations Graphic Type
Locations Graphics
No. Name Capacity
Type
1 Entity Spot Teller INFINITE
2 Desk Meja teller 50
3 Table Meja scanning barcode 50
4 Pallet Kantong surat 1
5 AGV Kontainer surat 2

Gambar 5.8 Locations proses pengiriman surat nasional
5. Setelah pembuatan locations selesai sesuai sistem yang dimodelkan, langkah

berikutnya adalah pendefinisian entitas yang akan diproses. Klik Build, klik
Entities atau CTRL-E. pilih simbol entitas yang diinginkan, ganti nama entitas
pada kotak dialog box Name. Untuk mengganti warna entitas di kotak dialog
Graphics, pilih Edit, pilih Color, klik OK pada dialog box color, klik OK pada
Library Graphics. Untuk mengganti ukuran entitas pilih Edit pada dialog box
graphics, pada Library Graphics pilih Dimensions, masukkan ukuran yang
diinginkan, klik OK. Kemudian klik OK pada Library Graphics.
Tabel 5.4 Elemen entities
No. Icon Name

1 Raw Material Surat
2 Box Kantong surat
3 Pallet Kontainer surat
Gambar 5.9 Entitas yang diproses

6. Langkah berikutnya adalah pembuatan jaringan aliran produksi. Klik Build, pilih
Path Network. Pilih kolom Path pada dialog box Path Network. Pada Layout
klik kiri di sekitar locations tertentu lalu tarik garis menuju Location berikutnya

klik kanan pada Locations tujuan, kemudian lanjutkan lagi sesuai langkah di
awal. Pada sistem ini terdapat 2 aliran produksi, yakni Net1 dan Net2. Dengan
jalur produksi sebagai berikut:
Gambar 5.10 Path network
Gambar 5.11 Membuat aliran produksi
Untuk membut interfaces pilih kolom Interfaces, klik kiri pada locations
yang dijadikan awal proses kemudian klik pada locations. Ulangi semua
langkah hingga seluruh tempat proses produksi terhubung sesuai jalur
dengan interfaces.

7. Untuk menambahkan resources yang akan digunakan klik Build, pilih Resources
atau CTRL-R, tambahkan operator dengan memilih Operator graphics. Klik
menu Specs untuk membuka dialog box Resource Specification, pilih Net1, lalu
klik OK.
Gambar 5.12 Menambahkan resource
8. Tahap selanjutnya adalah menentukan logika proses. Klik Build pilih Processing
atau CTRL-P. Pada Processing terdapat dua jenis logika yaitu logika Process
layout dan Routing layout. Alur proses ditunjukkan pada gambar, sebagai
berikut:
a. Kedatangan surat ke teller
Gambar 5.13 Proses kedatangan surat ke teller

b. Dari teller ke scan

Gambar 5.14 Proses surat dari scan ke teller
c. Dari scan ke container

Gambar 5.15 Proses dari scan ke container
d. Dari container ke “keluar”
Gambar 5.16 Proses dari countainer ke “keluar”
9. Setelah logika proses selesai, yang perlu dilakukan adalah mendefinisikan

kedatangan. Klik Build pilih Arrivals. Klik dialog box entity, pilih surat
klik OK. Untuk locations pilih datang klik OK. Kemudian masukkan data
seperti pada tutorial.
Gambar. 5.17 Langkah pendefinisian kedatangan
10. Untuk pembuatan variabel yang mendefinisikan fungsi tertentu seperti

total produk dan WIP, dapat dilakukan dengan cara sebagai berikut: klik
Build, pilih Variables atau klik icon V. Ketikkan ID yang diinginkan,
untuk pertama ketikkan WIP. Aktifkan ICON variable menjadi yes dengan
klik Variable WIP tempatkan pada layout model yang telah dibuat. Ulangi
langkah tersebut untuk total produk.

Gambar 5.18 Langkah pendefinisian variabel
11. Jalankan simulasi, klik Simulation pada toolbar. Pilih Options, pada run
time ketik 7 (to run for 7 hours). Hilangkan centang pada cost, pada
replications ketikkan jumlah replikasi yang diinginkan. Klik tombol OK.
Kemudian Save Project, klik Run dan simulasi akan dijalankan.
Gambar 5.19 Langkah menjalankan simulasi
5.13 Analisis dan Pembahasan

Analisa dan pembahasan dilakukan terhadap report hasil simulasi dari
model pada Promodel. Pada subab ini akan dibahas hasil simulasi yang
dijelaskan sebagai berikut:

5.13.1 Location Utilization
Tabel 5.5 Location Utilization (%)
Replikasi ke-
1 2 3 4 5
Nama
Kedatangan Pelanggan 0 0 0 0 0
Teller 2.24 2.47 1.99 2.02 2.22
Scan 24.37 20.83 19.07 16.95 19.24
Kontainer 0.39 0.36 0.38 0.41 0.47
Keluar 0 0.2 0 0 0
Persentase utilitas tertinggi terdapat pada location scan, dengan kisaran

utilitas 24,37% pada lima replikasi. Ini menunjukkan bahwa proses scan
barcode menggunakan waktu paling banyak bila dibandingkan dengan total
waktu running simulasi. Hal ini disebabkan oleh waktu proses scan yang
cukup tinggi untuk melakukan scan sekaligus terhadap 50 buah entitas surat.
Selain itu proses scan terhadap 50 buah surat terjadi terus menerus, sehingga
utilitas pada proses scan menjadi lebih tinggi bila dibandingkan dengan
utilitas pada proses lainnya.
5.13.2 Resource Utilization

Tabel 5.6 Location Utilization (%)
Avg
Scheduled Number Avg Time
Time Per %
Name Units Time Times Travel To
Usage Utilization
(HR) Used Use (Min)
(Min)
Karyawan 1 1.00 7.00 89.40 0.15 0.15 6.22
Karyawan 2 1.00 7.00 1.20 0.15 0.02 0.05
Dari tabel di atas, dapat dilihat bahwa utilitas karyawan 1 sebesar 0% -

6.22% dan karyawan 2 sebesar 0% - 0.05% dari lima replikasi, sehingga dapat
disimpulkan bahwa utilitas karyawan 1 lebih besar daripada karyawan 2. Hal
ini disebabkan karena waktu karyawan 1 (teller) untuk memindahkan entitas

dari location satu ke location lainnya lebih banyak. Oleh karena itu
membutuhkan durasi yang lebih lama dibanding waktu karyawan 2 (operator
scan) untuk melakukan scan surat yang rata-rata hanya membutuhkan waktu
antara satu hingga beberapa detik saja. Surat lebih sering berpindah dari loket
ke meja scan dari pada, dari meja scan ke truk atau container. Hal ini
disebabkan jumlah entitas surat lebih banyak dibandingkan dengan kantong
atau container.
5.13.3 Resource States

Tabel 5.7 General report resource states
% %
Scheduled % In %
Name Travel Travel % Idle
Time (HR) Use Down
To Use To Park
karyawan 1 7.00 3.12 3.09 0.00 93.78 0.00
karyawan 2 7.00 0.04 0.01 0.00 99.95 0.00
Dari tabel diatas, dapat disimpulkan bahwa karyawan 2 memiliki

persentase menganggur sebesar 0% - 99.91%. Jadi prosentase idle karyawan 2
termasuk tinggi, sehingga seharusnya ditambahkan tugas agar bisa
mengurangi idle pada karyawan 1, sehingga sistem yang ada menjadi lebih
efektif dan efisien.
5.13.4 Entity Activity

Tabel 5.8 General report entity activity
Avg
Avg Avg Avg Time
Current Time In
Total Time In Time In
Name Qty In Move
Exits System Waiting Operation
System Logic
(Min) (Min) (Min)
(Min)
Surat 60.00 31.60 113.32 0.30 112.97 0.05
kantong surat 0.40 0.80 15.13 0.05 14.87 0.21
kontainer
surat 0.20 0.00 0.17 0.00 0.00 0.17

Dari tabel di atas dapat diketahui bahwa total entitas surat yang keluar
terbesar dari proses terjadi pada entitas surat yakni sebesar 60 unit. Berarti hal
itu menunjukan bahwa dalam satu set pengamatan ada surat yang keluar
untuk dikirim ke alamat masing-masing.Pada tabel current qty in system
menunjukkan bahwa jumlah tersebut merupakan jumlah entitas yang ada di
dalam sistem sebelumnya. Misalnya untuk entitas surat sebelumnya yang
berada pada sistem berjumlah 31,60.
5.13.5 Variable (All)

Tabel 5.9 Variable (Total Changes)
Replikasi ke-
1 2 3 4 5
Nama
Total Produk 0 1 0 0 0
WIP 94 107 85 86 93
Jadi, nilai yang diberikan pada variabel (total pelanggan, total biaya,
dan WIP) berubah selama simulasi yaitu pada total pelanggan adalah X kali,
total biaya adalah X kali, dan WIP (work in process) adalah X kali.
5.14 Verifikasi dan Validasi

Berikut merupakan verifikasi dan validasi model pengiriman surat
nasional PT. POS Indonesia.
5.14.1 Verifikasi
Verifikasi berkaitan dengan kondisi konseptual apakah model telah sesuai
dengan konsep yang diinginkan (Banks, Carson, dan Nelson. 1995). Berikut
ini adalah tahapan-tahapan yang dilakukan dalam memverifikasi model
simulasi.
1. Melakukan pencocokan animasi dengan model pada software simulasi
dapat berjalan dengan sesuai.

Gambar 5.20 Animasi model pada software simulasi
Dari gambar di atas dapat dilihat animasi pada model software simulasi
dapat berjalan sesuai dengan logika proses sehingga dapat terverifikasi.
2. Membandingkan diagram alir konseptual (Petrinet) dengan model pada
software simulasi.
Idle Idle Idle
A9 A10 A11
A1 A2 A3 A5
A4 A6 A7 A8
Kustomer Kustomer Kustomer Antri Scan Scan Antri Masuk Surat Masuk
Barcode Surat Keluar
Datang Mengantri dilayani Barcode Kontainer Kontainer
Pada Surat
Gambar 5.21 Perbandingan antara petrinet dan Promodel

Gambar di atas dapat menunjukkan bahwa diagram alir konseptual
(petrinet) dan model pada software simulasi sama. Jadi dapat dikatakan
model pada software simulasi terverifikasi.
3. Melihat rangkuman proses pada model dan melakukan pencocokan ulang
terhadap logika proses.
Gambar 5.22 Logika proses pada software simulasi

Dari gambar di atas dapat dilihat bahwa rangkuman proses pada model
sudah sesuai terhadap logika proses dengan waktu dalam detik sudah
sesuai sehingga model pada software Promodel terverifikasi.

4. Melakukan pengecekan error (compile atau debugging)
Gambar 5.23 Pengecekan complied successfully
Pada gambar di atas, operation dalam build prossecing, lambang compiler

yang ada di kotak dialog menyatakan bahwa complied successfully sehingga
tidak terdapat error pada model dan telah terverifikasi.
5.14.2 Validasi
Pada uji validasi ini diambil lima data waktu aktual dan simulasi,
meliputi: output, waktu proses A dan waktu proses B.
Tabel 5.10 Data waktu aktual dan simulasi
Output Waktu Proses A Waktu Proses B

No.
Aktual Simulasi Aktual Simulasi Aktual Simulasi
1 120 50 600.87 606.73 1903.46 2224.63
2 90 100 602.32 597.63 1894.76 1749.75
3 105 50 598.21 598.20 2064.12 2027.50
4 102 50 603.45 600.18 1877.35 1715.09
5 97 50 614.15 608.99 1854.19 1757.13

1. Uji Normalitas Data
a. Buka software SPSS.
b. Masukkan data ke Data View.
c. Melakukan uji kenormalan data dengan klik Analyze  Descriptrive
Statistics  Explore. Masukkan semua data di tabel sebagai
dependent list. Klik plots, centang pada Normality Plots With Test.
Klik continue lalu klik OK.
Gambar 5.24 Langkah-langkah uji kenormalan data
d. Muncul output sebagai berikut.

Tabel 5.11 Uji Normalitas
Tests of Normality
a
Kolmogorov-Smirnov Shapiro-Wilk
Statistic Df Sig. Statistic df Sig.
*
Output1 ,222 5 ,200 ,959 5 ,800
Output2 ,473 5 ,001 ,552 5 ,000
Proses_A1 ,323 5 ,096 ,843 5 ,173
*
Proses_A2 ,262 5 ,200 ,859 5 ,226
Proses_B1 ,373 5 ,022 ,764 5 ,040
Proses_B2 ,332 5 ,076 ,828 5 ,135
*. This is a lower bound of the true significance.
a. Lilliefors Significance Correction
e. Output uji normal

1) Data outputaktual (output1)
Ho: Data aktual output berdistribusi normal

H1: Data aktual output tidak berdistribusi normal
Kriteria pengujian:
Ho diterima apabila nilai Sig. (2-Tailed) ≥ 0.05
H1 diterima apabila nilai Sig. (2-Tailed) ˂ 0.05
Kesimpulan: Pada tabel hasil SPSS nilai Shapiro-Wilk = (0,8) >
0.05, maka data output aktual berdistribusi normal.
2) Data output simulasi (output2)
Ho: Data aktual output berdistribusi normal
H1: Data aktual output tidak berdistribusi normal
Kriteria pengujian:
Kesimpulan: Pada tabel hasil SPSS nilai Shapiro-Wilk = (0,0) <
0.05, maka data output simulasi tersebut tidak berdistribusi
normal.
Data aktual proses A (A1)
Ho: Data aktual proses Aberdistribusi normal
H1: Data aktual proses Atidak berdistribusi normal
Kriteria pengujian:
Kesimpulan: Pada tabel hasil SPSS nilai Shapiro-Wilk(0,173)
lebih dari 0.05 maka data aktual berdistribusi normal.
3) Data simulasi proses A (A2)
Ho: Data simulasi proses A tiketberdistribusi normal
H1: Data simulasi proses A tikettidak berdistribusi normal
Kriteria pengujian:
Kesimpulan: Pada tabel hasil SPSS nilai Shapiro-Wilk (0.226)
lebih dari 0.05 maka data pada simulasi berdistribusi normal.

4) Data aktual proses B (B1)
Ho: Data aktual proses di kasir berdistribusi normal
H1 : Data aktual proses di kasir tidak berdistribusi normal
Kriteria pengujian:
Kesimpulan: Pada tabel hasil SPSS nilai Shapiro-Wilk(0,4) lebih
dari 0.05 maka data aktual berdistribusi normal.
5) Data simulasi proses B (B2)
Ho: Data aktual proses di kasir berdistribusi normal
H1 : Data aktual proses di kasir tidak berdistribusi normal
Kriteria pengujian:
Kesimpulan: Pada tabel hasil SPSS nilai Shapiro-Wilk(0,135)
lebih dari 0.05 maka data aktual berdistribusi normal.
f. Kesimpulan
Dari pengujian hipotesis di atas dapat diambil kesimpulan sebagai
berikut.
1) Data Output aktual berdistribusi normal.
2) Data Output Simulasi tidak berdistribusi normal.
3) Data aktual dan data simulasi proses di proses A berdistribusi
normal.
4) Data aktual dan data simulasi proses di proses B berdistribusi
normal.
2. Uji Perbandingan Rata-rata 2 Sampel Independen
a. Output
Output aktual berdistribusi normal sedangkan output simulasi tidak
berdistribusi normal sehingga harus diuji lagi dengan non parametrik
pada SPSS yaitu Mann-Whitney. Langkah-langkahnya adalah sebagai
berikut:

1) Aktifkan variable view danisikan nama variabel, kemudian isikan
data pada data view.
2) Klik analyze, pilih Nonparametric Tests, kemudian pilih Legacy
Dialogs dan klik 2 Independent Samples.
3) Masukkan variabel pada kotak test variable list, kemudian centang
Mann-Whitney U pada kotak Test Type.
4) Untuk menentukan grup, klik define groups. Selanjutnya pada
kotak dialog groups, tuliskan “1” untuk group 1 dan “2” untuk
group 2. Lalu klik continue.
5) Klik tombol options, kemudian centang descriptive dan pilih
Exclude cases test-by-test, lalu klik continue, kemudian klik OK.
6) Kemudian muncul output sebagai berikut:
Tabel 5.12 Output Aktual dan Simulasi

a
Test Statistics
Output1
Mann-Whitney U 2,000
Wilcoxon W 17,000
Z -2,263
Asymp. Sig. (2-tailed) ,024
b
Exact Sig. [2*(1-tailed Sig.)] ,032
a. Grouping Variable: group
b. Not corrected for ties.
Hipotesis:
H0 = tidak terdapat perbedaan antara data simulasi dengan data
nyata (valid)
H1 = terdapat perbedaan antara data simulasi dengan data nyata
(tidak valid)
Nilai taraf nyata (α) = 0.05
Kriteria pengujian:
H0 diterima jika nilai Asymp. Sig. (2-tailed) ≥ α/2
H0 ditolak jika nilai Asymp. Sig. (2-tailed) <α/2

7) Kesimpulan
Berdasarkan hasil output pada tabel , didapatkan nilai Sig. (2-
tailed)= 0.24 > 0.05, maka H0 diterima, berarti tidak terdapat
perbedaan antara data simulasi dengan data aktual (valid).
b. Proses di A dan Proses di B
Proses A dan Baktual berdistribusi normal sertaProses A dan
Bsimulasi berdistribusi normal sehingga harus diuji dengan
parametrik pada SPSS yaitu Idependent-t Test. Langkah-langkahnya
adalah sebagai berikut:
1) Aktifkan variable view danisikan nama variabel, kemudian isikan
data pada data view.
2) Klik analyze, pilih Compare Means, kemudian pilih Independent T-
Test.
3) Masukkan variabel pada kotak test variable.
4) Untuk menentukan grup, klik define groups. Selanjutnya pada
kotak dialog groups, tuliskan “1” untuk group 1 dan “2” untuk
group 2. Lalu klik continue.
5) Kemudian klik OK.
6) Kemudian muncul output sebagai berikut:
Tabel 5.13 Independent-t Proses A dan Proses B

Independent Samples Test
Levene's
Test for
Equality of
Variances t-test for Equality of Means
95% Confidence
Interval of the
Sig. (2- Mean Std. Error Difference
F Sig. t df tailed) Difference Difference Lower Upper
Proses_ Equal .020 .89 .40 8 .696 1.45400 3.583 -6.808 9.716
A variances 1 6
assumed
Equal .40 7.794 .696 1.45400 3.583 -6.847 9.755
variances not 6
assumed
Proses_ Equal 8.362 .02 .22 8 .828 23.95600 106.42 -221.45 269.36
B variances 0 5
assumed
Equal .22 5.099 .831 23.95600 106.42 -248.02 295.93
variances not 5
assumed

Hipotesis:
H0 = tidak terdapat perbedaan antara data simulasi dengan data
nyata (valid)
H1 = terdapat perbedaan antara data simulasi dengan data nyata
(tidak valid)
Nilai taraf nyata (α) = 0.05
Kriteria pengujian:
H0 diterima jika nilai Asymp. Sig. (2-tailed) ≥ α/2
H0 ditolak jika nilai Asymp. Sig. (2-tailed) <α/2
7) Kesimpulan
Berdasarkan hasil proses A dan proses B pada tabel, didapatkan
nilai Sig. (2-tailed) > 0.05, maka untuk proses A dan proses H0
diterima, berarti tidak terdapat perbedaan antara data simulasi
dengan data aktual (valid).
5.15 Kesimpulan
Berdasarkan praktikum pemodelan dan simulasi menggunakan software
Promodel yang telah dilakukan, maka dapat disimpulkan sebagai berikut.
1. Sistem adalah sekumpulan unsur atau elemen yang saling berkaitan dan
saling mempengaruhi dalam melakukan kegiatan bersama untuk
mencapai suatu tujuan. Model didefinisikan sebagai suatu deskripsi logis
tentang bagaimana sistem bekerja atau komponen-komponen
berinteraksi. Dengan membuat model dari suatu sistem maka diharapkan
dapat lebih mudah untuk melakukan analisis. Simulasi ialah suatu
metodologi untuk melaksanakan percobaan dengan menggunakan model
dari suatu sistem nyata. Pada kantor pos, pelanggan yang datang
mengantri di loket sesuai jenis dan area tujuan barang yang akan dikirim,
dalam studi kasus ini adalah loket pengiriman surat nasional. Kemudian
pelanggan dilayani di loket oleh teller untuk memasukkan database
mengenai entitas surat yang akan dikirim, kemudian dilakukan transaksi
pembayaran sesuai tujuan kirim. Pelayanan pelanggan oleh teller di loket

selesai, setelah itu dilanjutkan dengan pemrosesan entitas surat yaitu
scanning barcode pada tiap surat. Setelah itu, surat yang telah discan
dikumpulkan hingga berjumlah 50 buah untuk dimasukkan ke dalam
kantong-kantong surat. Kemudian, kantong-kantong surat tersebut
dimasukkan ke dalam kontainer surat untuk dikirim ke alamat tujuan.
2. Software Promodel merupakan suatu program komputer yang dapat
digunakan untuk simulasi dan menganalisa sistem produksi dari semua
tipe dan ukuran.Software tersebut digunakan untuk mensimulasikan
proses dari beberapa lokasi pada Kantor Pos Pusat Kota Samarinda.
Pengambilan data dilakukan pada masing-masing pelayanan, waktu antar
kedatangan pengunjung, dan masing-masing proses pada surat.
3. Hasil analisis simulasi untuk utilitas lokasi tertinggi adalah pada location
scan, karena waktu proses scan paling tinggi serta jumlah entitas banyak.
Untuk resource yang tertinggi adalah karyawan 1 karena waktu karyawan
1 (teller) untuk memindahkan entitas dari location satu ke location lainya
lebih banyak. Pada hasil resource states, dapat disimpulkan bahwa
karyawan 2 memiliki prosentase idle tertinggi sebesar 0%-99.91%. Pada
hasil analisis entity activity (total exit) dapat disimpulkan bahwa surat
yang keluar terbesar dari proses terjadi pada entitas surat yakni sebesar 60
unit. Dan pada analisis variable menunjukkan bahwa nilai yang diberikan
pada variabel (total pelanggan, total biaya, dan WIP) berubah selama
simulasi.
4. Verifikasi dilakukan dengan cara membandingkan model konseptual
dengan model simulasi, melakukan compile error, mengecek build
processing, dan mengecek jalannya animasi. Dari kegiatan yang
dilakukan, model sudah sesuai dengan konseptual dan logika proses
sehingga dapat diverifikasi. Validasi dilakukan dengan membandingkan
parameter output, proses A, dan proses B pada aktual dan simulasi
dengan menggunakan uji rata-rata dua sample independent yaitu uji
Mann-Whiteny (output) dan Independent-T (proses A dan proses B).

Hasil uji statistik menunjukkan untuk ketiga parameter yang diukur tidak
terdapat perbedaan rata-rata sehingga model dapat divalidasi.
5.16 Saran
Saran yang dapat diberikan dalam pengerjaan laporan studi kasus
adalah sebagai berikut.
1. Pada hasil simulasi ini didapatkan hasil bahwa Location Utilization pada
teller lebih rendah dari pada utilitas di lokasi scan. Hal ini bisa diatasi
dengan mengurangi kapasitas pada lokasinya. Sehingga untuk lokasi scan
dan teller diperoleh utilisasi yang seimbang.
2. Untuk karyawan 2 memiliki utilitas yang rendah dapat diatasi dengan
cara menambah jalur berpindah bagi karyawan tersebut.
3. Untuk permasalahan WIP yang tinggi sebaiknya bisa dilakukan dengan
mengurangi jumlah isi kantong yang berjumlah 50. Karena penyebab
WIP tinggi adalah menunggu entitas selesai diproses antara scan dan
pallet.
Tugas Besar
Mahasiswa membuat tugas besar pemodelan dan simulasi dari sistem real
secara berkelompok (3 orang), dengan format pengerjaan sebagaimana
dicontohkan pada studi kasus ini.

Pemodelan dan Simulasi Kantor Pos

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Pemodelan dan Simulasi Kantor Pos

Diunggah oleh

Hak Cipta:

Format Tersedia

MODUL AJAR

PEMODELAN DAN SIMULASI

Mulyanto, S.Kom, M.Cs

PRODI D4 TEKNIK INFORMATIKA MULTIMEDIA

Samarinda, September 2017

Modul Ajar: Pemodelan dan Simulasi ii

KATA PENGANTAR .............................................................................. ii

BAB I DASAR PEMODELAN DAN SIMULASI

BAB II PROBABILITAS DAN PROSES RANDOM

Modul Ajar: Pemodelan dan Simulasi iii

BAB III DASAR SISTEM ANTRIAN

BAB IV PEMODELAN SIMULASI DENGAN PROMODEL

BAB V STUDI KASUS PEMODELAN & SIMULASI KANTOR POS

Modul Ajar: Pemodelan dan Simulasi iv

Modul Ajar: Pemodelan dan Simulasi v

Mata Kuliah Pemodelan dan Simulasi

Deskripsi Singkat Mata Kuliah

Capaian Pembelajaran Mata Kuliah:

1. Mahasiswa mampu menerapkan konsep dan prosedur dalam pembuatan

2. Mengembangkan sistem alternatif serta membandingkan kinerja

Modul Ajar: Pemodelan dan Simulasi vi

Metode Penilaian dan Pembobotan

Modul Ajar: Pemodelan dan Simulasi vii

Modul Ajar: Pemodelan dan Simulasi viii

Modul Ajar: Pemodelan dan Simulasi ix

Mengetahui, Mengetahui, Samarinda, 05 September 2017

Modul Ajar: Pemodelan dan Simulasi x

Pemodelan dan Simulasi adalah suatu disiplin ilmu yang mengembangkan

Detail yang terlalu sedikit  Model kehilangan relevansi interaksi

Why to use model?

When to use simulation?

Modul Ajar: Pemodelan dan Simulasi 1

 Continuous event simulation, simulasi yang melibatkan sejumlah event

How is simulation performed

1.2 Tahapan Umum Pemodelan dan Simulasi

Modul Ajar: Pemodelan dan Simulasi 2

Secara umum tahapan pemodelan dan simulasi ditunjukkan pada

Actual System Modeling Simulating

Berdasarkan persyaratan tersebut, sistem adalah sekelompok elemen-

Modul Ajar: Pemodelan dan Simulasi 3

Modul Ajar: Pemodelan dan Simulasi 4

Sistem dapat diklasifikasikan dari beberapa sudut pandang, dalam

Modul Ajar: Pemodelan dan Simulasi 5

1.4 Terminologi Sistem

Modul Ajar: Pemodelan dan Simulasi 6

1.4 Spesifikasi aktivitas per event

Modul Ajar: Pemodelan dan Simulasi 7

Model, terdiri dari tiga bagian penting:

Stakeholder dari permasalahan pemodelan yang diangkat, antara lain:

Modul Ajar: Pemodelan dan Simulasi 8

Modul Ajar: Pemodelan dan Simulasi 9

Modul Ajar: Pemodelan dan Simulasi 10

Model statis (time independent) : x1  x2  x3  ...  xn  0

 Model diskrit (persamaan beda) : x(n)  x(n  1)  x(n  2)  ...  x(0)  0

Model diskrit (relasi rekursi) : xi 1  f ( xi )

Modul Ajar: Pemodelan dan Simulasi 11

Modul Ajar: Pemodelan dan Simulasi 12

Modul Ajar: Pemodelan dan Simulasi 13

Modul Ajar: Pemodelan dan Simulasi 14

Gambar 1.4 Langkah-langkah membangun model

1. Identifikasi Problem (identify) Mulai dengan pengamatan

Modul Ajar: Pemodelan dan Simulasi 15