Oleh:
TIM DOSEN SIMULASI PEMODELAN
Dosen : Program Studi Teknik Informatika UMPAR
2016
Teknik simulasi dan pemodelan dalam Kurukulum merupakan matakuliah inti yang
dilaksanakan pada Program Teknik Informatika UMPAR, dimana mata kuliah ini
mengkaji konsep, prinsip dan tahapan serta implementasi dalam melakukan pemodelan
Model dapat merupakan tiruan dari suatu benda, sistem atau kejadian yang
sesungguhnya yang hanya berisi informasi-informasi yang dianggap penting untuk
ditelaah. Tujuan dari studi pemodelan adalah menentukan informasi-informasi yang
dianggap penting untuk dikumpulkan, sehingga tidak ada model yang unik.
b. Kekurangan
Kualitas dan analisis model tergantung si pembuat model
Hanya mengestimasi karakteristik sistem berdasarkan masukan tertentu
BAB II
TIPE DAN PROSES PEMODELAN DAN SIMULASI
Proses tahapan dalam pengembangan model dan simulasi model secara umum sebagai
berikut:
Untuk menilai apakah suatu model anggap baik cukup sulit, tetapi pada garis besarnya dapat
disebutkan criteria suatu model yang baik antara lalin:
Gambar berikut memperlihatkan hubungan antara model dan sistem nyata (realitas)
yang akan dimodelkan. Sistem nyata (realitas) adalah sistem yang sedang berlangsung
dakam kehidupan, sustem yang dijadikan titik perhatian dan dipermasalahkan. Dengan
demikian pemodelan adalah proses membangun atau membentuk sebuah model dari suatu
sistem nyata dalam bahasa formal tertentu. Hasil analisis sistem nyata dengan asumsi
Sistem Nyata
(Realitas)
Validasi Model
Spesifikasi Model
Analisis
Simulasi
Verifkasi Model
Model konsep yang berupa persamaan matematika atau diagram (DFD, Flowchart)
kemudian diimplementasi menggunakan bahasa pemograman komputer tertentu menjadi
model komputer (kode sumber-source code). Model komputer harus sesuai dengan model
konsep asalnya, proses penyesuaian antara model komputer (kode sumber) dengan model
konsep (DFD) disebut dengan verifikasi model. Kode sumber kemudian dieksekusi (run)
pada perangkat keras kompoter (hardware) merupakan proses simulasi untuk tujuan tertentu.
Penyesuaian antara hasil simulasi dengan data realitas disebut validasi model. Hasil validasi
model biasanya dalam bentuk grafik POM (Proof of Match), yaitu kurva overlay antara hasil
keluaran simulasi dan data hasil pengukuran dari sistem nyata (realitas). Simulasi dianggap
bagus (diterima) jika beda overlay kurang dari 5%. Agar simulasi dapat menirukan seperti
Model dapat direpresentasikan dalam berbagai cara, tergantung tujuan dari studi.
Beberapa jenis model dapat dikelopokkan sebagai berikut.
a. Model Skala : adalah model yang dibuat biasanya dengan memperkecil skala dari
aslinya. Misalnya: model mobil, model peswat terbang untuk uji terowongan angin (wind
tunel).
b. Model Piktorial (Visual Grafis): model yang dibuat dengan menggambar rancangan yang
sebenarnya sebelum ada. Misalnya: designer menggambar model baju. Arsitek
menggambar rumah.
c. Model verbal: model yang penjelasannya dengan kata-kata. Misalnya: proses inflasi
tergantung dari beberapa factor ekonomi makro, dijelaskaan dengan kata-kata baru
dibuat diagram skematis.
d. Model Skematis: model yang melukiskan unsur-unsur sistem dalam bentuk skema,
petak-petak dan arus barang atau informasi. Model dapat berupa diagram, seperti:
diagram blok, DFD (Data flow Diagram), Petri Net, Flowchart, PERT (Program
Evaluation and Review Technique). Model dalam bentuk skema static, seperti: tabel,
bagan Gantt (Gantt chart).
e. Model Simbolik (Matematika): model dalam bentuk persamaan matematika, seperti:
persamaan diferensial, persamaan deferens, persamaan aljabar, persamaan logika, dan
lain-lain.
f. Model Komputer: model dalam bentuk program komputer (source code) yang ditulis
menggunakan bahasa komputer tertentu, seperti VB, PHP, Pascal, dll.
Proses tahapan dalam pengembangan model dan simulasi komputer secara umum
sebagai berikut:
Gambar berikut memperlihatkan proses tahapan dalam pemodelan dan simulasi sistem.
Model
Tidak
Konsep
Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR
Valid?
Ya
Gambar Tahapan-tahapan pemodelan dan simulasi
2. Simulasi Kontinu
Simulasi yang komponen sistemnya bersifat continue
Contoh:
- Simulasi gerakan roket
- Simulasi suhu udara
BAB III
SIMULASI DENGAN MATLAB
2. Command History
Window ini berfungsi untuk menyimpan perintah-perintah apa saja yang sebelumnya
dilakukan oleh pengguna terhadap matlab.
Matlab menyediakan fungsi help yang tidak berisikan tutorial lengkap mengenai
Matlab dan segala keunggulannya. User dapat menjalankan fungsi ini dengan menekan
tombol pada toolbar atau menulis perintah ‘helpwin’ pada command window. Matlab juga
Penamaan variabel pada matlab bersifat caseSensitif karena itu perlu diperhatikan
penggunaan huruf besar dan kecil pada penamaan variabel. Apabila terdapat variabel lama
dengan nama yang sama maka matlab secara otomatis akan me-replace variabel lama
tersebut dengan variabel baru yang dibuat user.
3.1 Matriks
Dapat diasumsikan bahwa didalam matlab setiap data akan disimpan dalam bentuk
matriks. Dalam membuat suatu data matriks pada matlab, setiap isi data harus dimulai dari
kurung siku ‘[‘ dan diakhiri dengan kurung siku tutup ‘]’. Untuk membuat variabel dengan
Matlab menyediakan beberapa fungsi yang dapat kita gunakan untuk menghasilkan
bentuk-bentuk matriks yang diinginkan. Fungsi-fungsi tersebut antara lain:
zeros : untuk membuat matriks yang semua datanya bernilai 0
ones : matriks yang semua datanya bernilai 1
rand : matriks dengan data random dengan menggunakan distribusi uniform
randn : matris dengan data random dengan menggunakan distribusi normal
eye : untuk menghasilkan matriks identitas
3.4. Operator
Beberapa penggunaan operator aritmatika antara dua operand (A dan B) ditunjukkan
pada tabel berikut ini :
3.6. M File
Di dalam matlab, kita dapat menyimpan semua script yang akan digunakan dalam
file pada
matlab dengan ekstensi .M. M-File dapat dipanggil dengan memilih menu file->new->M-
File.
3.6.1 Fungsi
Di dalam M File, kita dapat menuliskan fungsi-fungsi yang berisikan berbagai
operasi sehingga menghasilkan data yang diinginkan.
BILANGAN RANDOM
Bilangan acak adalah bilangan sembarang tetapi tidak sembarangan. Kriteria yang harus
dipenuhi, yaitu :
Dengan
Kita lihat pada tabel , U17 mempunyai nilai yang sama dengan U1. Jika kita
menginginkan bilangan acak dalam jumlah yang banyak, maka nilai m hendaknya
sebesar 2b dengan b adalah jumlah bit pada komputer yang akan digunakan.
2. Metode Multiplikatif
Rumus : Zi = (aZi-1 ) mod m
Dengan
a : konstanta pengali
m : konstanta modulus
Z0 : bilangan awal
Bilangan Acak yang akan dipergunakan dalam simulasi, harus mempunyai pola yang sama
dengan pola data pengamatan. Dikarenakan hal diatas, maka dari bilangan acak yang didapat
harus dibangkitkan bilangan acak yang sesuai pola distribusi.
Distribusi Diskrit
1. Bangkitkan U(0,1)
2. Dapatkan X = a+(b-a+1)*U
Contoh
Sebuah perusahaan bakery membuat suatu kelompok jenis donat yang dijual ke toko-
toko dengan distribusi diskrit uniform dengan kebutuhan harian maksimum 100 unit
dan minimum 40 unit.
Tentukan bilangan acak dari distribusi diskrit uniform dengan a = 77 z 0 = 12357 dan
m = 128
b. Distribusi Poisson
Algoritma
1. Hitung a= e , b =1 dan i =0
2. Bangkitkan Ui+1= U(0,1)
3. Ganti b = bUi+1
4. Jika b<a maka dapatkan X = i dan jika tidak lanjutkan ke langkah 5
5. Ganti i = i+1 kembali ke langkah 2
Contoh:
Suatu kejadian berdistribusi poisson dengan rata-rata 3 kejadian perjam dan terjadi
selama periode waktu 1,4 jam.
c. Distribusi Binomial
Metode transformasi dari distribusi binomial
Dengan mempergunakan fungsi densitas binomial yang dinyatakan dengan :
x
F(x) = f (k )
k 0
Contoh
d. Distribusi Geometri
Algoritma
1. Bangkitkan U(0,1)
2. Dapatkan X = ln(U)/ln(1-p)
Contoh
Pada seleksi karyawan baru sebuah perusahaan terdapat 30 % pelamar yang sudah
mempunyai keahlian komputer tingkat advance dalam pembuatan program. Para
pelamar diinterview secara insentif dan diseleksi secara acak.
p= 0.3
q= 0.7
bangkitkan U dengan metode multiplikatif
i a m zi-1 zi U X
1 43 1237 12357 678 0.5481 2
2 43 1237 678 703 0.5683 2
3 43 1237 703 541 0.4373 2
4 43 1237 541 997 0.8060 1
5 43 1237 997 813 0.6572 1
6 43 1237 813 323 0.2611 4
7 43 1237 323 282 0.2280 4
8 43 1237 282 993 0.8027 1
9 43 1237 993 641 0.5182 2
10 43 1237 641 349 0.2821 4
Distribusi Kontinu
1. Bangkitkan U(0,1)
2. Dapatkan X = a+(b-a)*U
Contoh
b. Distribusi Eksponensial
Algoritma
1. Bangkitkan U(0,1)
2. Dapatkan X = ln(U)
Contoh
Contoh
Sebuah rumah sakit berniat mempelajari penggunaan suatu alat pada ruang
emergency. Jika diketahui bahwa lamanya seorang pasien yang di’treat’
menggunakan alat tsb berdistribusi normal dgn mean 0.8 jam dan standard deviasi
0.2 jam, tentukan bilangan acak yang mewakili lamanya penggunaan alat tersebut
oleh 6 orang pasien.
i U1 U2 V1 V2 W Y X1 X2
1 0.32 0.65 -0.36 0.30 0.22 3.72 -1.34 1.11
2 0.63 0.48 0.26 -0.04 0.07 8.79 2.28 -0.35
3 0.60 0.31 0.20 -0.38 0.18 4.28 0.86 -1.63
X
0.53 1.02 1.26 0.73 2.52 1.27
1. b=(e+α)/e
2. Bangkitkan U1= U(0,1)
3. Hitung P= bU1
4. Jika P > 1 maka lanjut ke langkah 7 dan jika tidak lanjutkan ke langkah 4
1
5. Hitung Y = P
6. Bangkitkan U2= U(0,1)
Y
7. Jika U ≤ e maka X=Y dan jika tidak kembali ke langkah 1
8. Hitung Y = - ln[(b-p)/α]
9. Bangkitkan U2= U(0,1)
Gagasan dasar dari simulasi monte carlo adalah membuat nilai dari tiap variabel
yang merupakan bagian dari model yang dipelajari. Banyak variabel di dunia nyata
yang secara alami mempunyai berbagai kemungkinan yang mungkin ingin kita
simulasikan.
Contoh: Permintaan akan ban di toko ban “Benjol” selama 200 hari
kebelakang terlihat di tabel berikut:
Kita dapat merubah keadaan tersebut diatas menjadi distribusi kemungkinan (bila
kita asumsikan tingkat penjuala dimasa lalu akan tetap bertahan sampai ke
Konversi dari distribusi kemungkinan biasa, seperti pada kolom kanan tabel
2 menjadi distribusi kumulatif dilakukan dengan menjumlahkan tiap angka
kemungkinan dengan jumlah sebelumnya seperti pada tabel 3.
Kumulatif Random
0 0.05 0.05 01 s/d 05
1 0.10 0.15 06 s/d 15
2 0.20 0.35 16 s/d 35
3 0.30 0.65 36 s/d 65
4 0.20 0.85 66 s/d 85
5 0.15 1.00 86 /d 100
Kita bisa membuat simulasi dari sebuah eksperimen dengan mengambil angka
random dari gambar diatas, misal kita akan membuat simulasi untuk 10 hari, kita
ambil Kolom A1‐ A10. Cara penentuan permintaan adalah dengan ditentukan oleh
angka random. Contohnya bila angka random adalah 56, angka itu terletak pada
interval 36 s/d 65 yang berarti permintaan 3 buah ban.
Salah satu model yang sangat berkembang sekarang ini ialah model matematika.
Umumnya, solusi untuk model matematika dapat dijabarkan berdasarkan dua macam
prosedur, yaitu : analitis dan simulasi. Pada model simulasi, solusi tidak dijabarkan secara
deduktif. Sebaliknya, model dicoba terhadap harga – harga khusus variabel jawab
berdasarkan syarat – syarat tertentu (sudah diperhitungkan terlebih dahulu), kemudian
diselidiki pengaruhnya terhadap variabel kriteria. Karena itu, model simulasi pada hakikatnya
mempunyai sifat induktif. Misalnya dalam persoalan antrian, dapat dicoba pengaruh
bermacam – macam bentuk sistem pembayaran sehingga diperoleh solusi untuk situasi atau
syarat kedatangan yang mana pun.
Antrian yang sangat panjang dan terlalu lama untuk memperoleh giliran pelayanan
sangatlah menjengkelkan. Rata – rata lamanya waktu menunggu (waiting time) sangat
tergantung kepada rata – rata tingkat kecepatan pelayanan (rate of services). Teori tentang
antrian diketemukan dan dikembangkan oleh A. K. Erlang, seorang insinyur dari Denmark
yang bekerja pada perusahaan telepon di Kopenhagen pada tahun 1910. Erlang melakukan
eksperimen tentang fluktuasi permintaan fasilitas telepon yang berhubungan dengan
automatic dialing equipment, yaitu peralatan penyambungan telepon secara otomatis.
Menurut Siagian (1987), antrian ialah suatu garis tunggu dari nasabah (satuan) yang
memerlukan layanan dari satu atau lebih pelayan (fasilitas layanan). Pada umumnya, sistem
antrian dapat diklasifikasikan menjadi system yang berbeda – beda di mana teori antrian dan
simulasi sering diterapkan secara luas. Klasifikasi menurut Hillier dan Lieberman adalah
sebagai berikut
1. Sistem pelayanan komersial
2. Sistem pelayanan bisnis – industry
3. Sistem pelayanan transportasi
4. Sistem pelayanan social
Sistem pelayanan komersial merupakan aplikasi yang sangat luas dari model – model
antrian, seperti restoran, kafetaria, toko, salon, butik, supermarket, dan sebagainya. Sistem
pelayanan bisnis – industri mencakup lini produksi, sistem material – handling, sistem
pergudangan, dan sistem – sistem informasi komputer. Sistem pelayanan sosial merupakan
sistem – sistem pelayanan yang dikelola oleh kantor – kantor dan jawatan – jawatan lokal
maupun nasional, seperti kantor registrasi SIM dan STNK, kantor pos, rumah sakit,
puskesmas, dan lain – lain (Subagyo, 2000).
Gambar : Antrian
a) Populasi
Populasi yang akan Dilayani (calling population) 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), variable 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.
Karakteristik dari populasi yang akan dilayani (calling population) dapat dilihat menurut
ukurannya, pola kedatangan, serta perilaku dari populasi yang akan dilayani. Menurut
ukurannya, populasi yang akan dilayani bisa terbatas (finite) bisa juga tidak terbatas
(infinite). Sebagai contoh jumlah mahasiswa yang antri untuk registrasi di sebuah perguruan
tinggi sudah diketahui jumlahnya (finite), sedangkan jumlah nasabah bank yang antri untuk
setor, menarik tabungan, maupun membuka rekening baru, bisa tak terbatas (infinte).
b) Distribusi Kedatangan
Secara umum, formula garis tunggu antrian memerlukan informasi tingkat kedatangan
unit per periode waktu (arrival rate). distribusi kedatangan bisa teratur - tetap dalam satu
periode. Artinya kedatangan unit/ pelanggan dalam antrian dengan unit/ pelanggan
berikutnya memiliki periode waktu yang sama. Kedatangan yang seperti ini biasanya hanya
ada di sistem produksi dimana antrian dikendalikan oleh mesin. Kedatangan yang teratur
sering kita jumpai pada proses pembuatan/ pengemasan produk yang sudah distandardisasi.
Pada proses semacam ini, kedatangan produk untuk diproses pada bagian selanjutnya
biasanya sudah ditentukan waktunya, misalnya setiap 30 detik.
Pada banyak kasus dalam praktek, kedatangan unit/ pelanggan dalam antrian dengan
unit/ pelanggan berikutnya bersifat variabel atau acak (random).Kedatangan yang sifatnya
acak (random) banyak kita jumpai misalnya kedatangan nasabah di bank. Pola kedatangan
yang sifatnya acak dapat digambarkan dengan distribusi statistik dan dapat ditentukan dua
cara yaitu
Dengan cara menganalisa kedatangan per satuan waktu untuk melihat apakah waktu
kedatangan unit/ pelanggan dalam antrian mengikuti pola distribusi statistik tertentu.
Biasanya kita mengasumsikan bahwa waktu kedatangan unit/ pelanggan dalam antrian
dengan unit/ pelanggan berikutnya berdistribusi eksponensial.
Dengan cara menetapkan lama waktu (T) dan mencoba menentukan berapa banyak
unit/ pelanggan yang datang ke dalam sistem dalam kurun waktu T. Secara spesifik
biasanya diasumsikan bahwa jumlah kedatangan per satuan waktu mengikuti pola
distribusi Poisson.
Probabilita bahwa seorang pasien datang merupakan angka yang sangat kecil dan
konstan untuk setiap interval
Probabilita bahwa 2 atau lebih pasien akan datang dalam waktu interval sangat kecil
sehingga probabilita untuk 2 atau lebih dikatakan nol (0).
Jumlah pasien yang yang datang pada interval waktu bersifat independent
Jumlah pasien yang datang pada satu interval tidak tergantung pada interval yang lain.
Jika kedatangan mengikuti Distribusi Poisson dapat ditunjukkan secara matematis bahwa
waktu antar kedatangan akan terdistribusi sesuai dengan distribusi eksponensial .
Populasi yang akan dilayani mempunyai perilaku yang berbeda-beda dalam membentuk
antrian. Ada tiga jenis perilaku: reneging, balking, dan jockeying. Reneging menggambarkan
situasi dimana seseorang masuk dalam antrian, namun belum memperoleh pelayanan,
kemudian meninggalkan antrian tersebut. Balking menggambarkan orang yang tidak masuk
dalam antrian dan langsung meninggalkan tempat antrian. Jockeying menggambarkan orang
yang pindah-pindah antrian.
c) Pola Kedatangan
Kedatangan unit/ pelanggan dalam sistem antrian, untuk beberapa kasus, dapat
dikendalikan. Misalnya kedatangan dikendalikan dengan cara memberikan potongan pada
hari-hari tertentu yang sepi dengan maksud menggiring pelanggan untuk datang pada jam
sepi, memberikan harga tinggi pada sesi-sesi padat agar pelanggan tergiring datang pada hari
lain yang lebih murah. Namun demikian, dalam beberapa kasus yang lain, kedatangan unit/
pelanggan dalam antrian tidak dapat dikendalikan misalnya permintaan bantuan imergensi di
rumah sakit, atau pemadam kebakaran atau kantor polisi.
e) Tingkat Kesabaran
Tingkat kesabaran pelanggan dalam antrian dikelompokkan menjadi dua, yakni
Kedatangan yang sabar. Yaitu seseorang yang bersedia menunggu hingga dilayani
terlepas apakah mereka menunjukkan perilaku tidak sabar seperti menggerutu atau
mengomel tetapi tetap menunggu dalam antrian.
Sistem Pelayanan Antrian meliputi beberapa hal yakni garis antrian/ baris tunggu dan
ketersediaan fasilitas.
Faktor-faktor yang terkait dengan garis antrian meliputi panjang antrian, jumlah baris
antrian dan disiplin antrian.
Jumlah Antrian.
Jumlah antrian dalam sistem antrian dikelompokkan menjadi dua yakni antrian
tunggal. Artinya hanya ada satu fasilitas layanan untuk melayani antrian. 2) Antrian
berganda/ multi. Artinya ada beberapa fasilitas layanan di depan baris antrian.
Disiplin Antrian
1. FirstCome FirstServed (FCFS) atau FirstIn FirstOut (FIFO) artinya, lebih dulu datang
(sampai), lebih dulu dilayani (keluar). Misalnya, antrian pada loket pembelian tiket
bioskop.
2. LastCome FirstServed (LCFS) atau LastIn FirstOut (LIFO) artinya, yang tiba terakhir
yang lebih dulu keluar. Misalnya, sistem antrian dalam elevator untuk lantai yang sama.
3. Service In Random Order (SIRO) artinya, panggilan didasarkan pada
4. peluang secara random, tidak soal siapa yang lebih dulu tiba.
5. Priority Service (PS) artinya, prioritas pelayanan diberikan kepada pelanggan yang
mempunyai prioritas lebih tinggi dibandingkan dengan pelanggan yang mempunyai
prioritas lebih rendah, meskipun yang terakhir ini kemungkinan sudah lebih dahulu tiba
dalam garis tunggu. Kejadian seperti ini kemungkinan disebabkan oleh beberapa hal,
misalnya seseorang yang dalam keadaan penyakit lebih berat dibanding dengan orang
lain dalam suatu tempat praktek dokter.
Dalam hal di atas telah dinyatakan bahwa entitas yang berada dalam garis tunggu tetap
tinggal di sana sampai dilayani. Hal ini bisa saja tidak terjadi. Misalnya, seorang pembeli bisa
menjadi tidak sabar menunggu antrian dan meninggalkan antrian. Untuk entitas yang
meninggalkan antrian sebelum dilayani digunakan istilah pengingkaran (reneging).
Pengingkaran dapat bergantung pada panjang garis tunggu atau lama waktu tunggu. Istilah
penolakan (balking) dipakai untuk menjelaskan entitas yang menolak untuk bergabung dalam
garis tunggu (Setiawan, 1991).
Struktur Antrian
Tanda pertama notasi selalu menunjukkan distribusi tingkat kedatangan. Dalam hal ini,
M menunjukkan tingkat kedatangan mengikuti distribusi probabilitas Poisson. Tanda kedua
menunjukkan distribusi tingkat pelayanan. Tanda ketiga menunjukkan jumlah fasilitas
pelayanan dalam sistem. Tanda keempat dan kelima ditambahkan untuk menunjukkan apakah
sumber populasi dan kepanjangan antrian adalah tak-terbatas (I) atau terbatas (F).
Ada 4 model struktur antrian dasar yang umum terjadi dalam seluruh sistem antrian :
1. Single Channel – Single Phase
Single Channel berarti hanya ada satu jalur yang memasuki system pelayanan atau ada
satu fasilitas pelayanan. Single Phase berarti hanya ada satu pelayanan.
b) Ketersediaan Pelayanan
3. Exit
Setelah pelanggan dilayani, ada dua kemungkinan kondisi pelanggan itu keluar sistem:
1) pelanggan mungkin kembali ke populasi sumber dan mengantri lagi, Misalnya, sebuah
mesin setelah mendapat perawatan servis dan dioperasikan lagi, namun ternyata mesin
tersebut rusak lagi.atau 2) pelanggan hanya kemungkinan kecil untuk mendapat pelayanan
ulang. Misalnya sebuah mesin mendapat perbaikan menyeluruh atau modifikasi sehingga
kemungkinan kecil mesin tersebut dalam waktu dekat untuk rusak lagi.
Ada dua jenis biaya yang timbul. Yaitu biaya karena orang mengantri, dan di sisi lain
biaya karena menambah fasilitas layanan. Biaya yang terjadi karena orang mengantri, antara
lain berupa waktu yang hilang karena menunggu. Sementara biaya menambah fasilitas
layanan berupa penambahan fasilitas layanan serta gaji tenaga kerja yang memberi
pelayanan. Tujuan dari sistem antrian adalah meminimalkan biaya total, yaitu biaya karena
mengantri dan biaya karena menambah fasilitas layanan.
Berikut ini beberapa saran yang dapat diaplikasikan dalam mengelola antrian sebelum
memutuskan menambah fasilitas:
Menentukan waktu tunggu yang masih dapat diterima oleh pelanggan. Susun tujuan
operasional didasarkan pada apa yang dapat diterima oleh pelanggan