Lampiran Gabung PDF

DAFTAR PUSTAKA
Arif, Muhammad. 2017. Pemodelan Sistem. Yogyakarta: Deepublish.

Averill M. Law & Associates. 2013. ExpertFit Demonstration Version 8.
Darsini. 2014. Penentuan Waktu Baku Produksi Kerupuk Rambak Ikan Laut “Sari
Enak”Di Sukaharjo. Spektrum Industri, Vol. 12, No. 2.
Halifia, dkk. 2015. Pemodelan dan Simulasi Sistem dengan Metoda Kolmogorov-
Smirnov pada Antrian Pendaftaran Ulang Siswa Baru Yang Lulus Psb
Online. Jurnal Prosiding ISSN: 2460– 4690 Vol. 1.
Hutahaean, Jeperson. 2014. Konsep Sistem Informasi. Yogyakarta: Deepublish.
Siregar, Kiman. 2016. Simulasi dan Pemodelan. Yogyakarta: Deepublish.
Walpole, Ronald.1992. Pengantar Statistika. Jakarta: Gramedia Pustaka Utama.
LAMPIRAN
Work Sheet Pembuatan Ragum
Tabel 1. Work Sheet Landasan Ragum
Setup Time
No Operation Descriptiom Machine Type Operation Time Material Part
(Seconds)
1 Dihaluskan baja di sisi atas dan
Gerinda 60 600 Baja ASTM 1
bawah
2 Dilubangi baja pada sisi kanan
Drilling 60 360 Baja ASTM 1
sebanyak 2 lubang
3 Dilubangi pada sisi kiri sebanyak 2
Drilling 60 360 Baja ASTM 1
lubang
4 Dikurangi dimensi pada tempat
peletakan set rahang tetap Sekrap 60 240 Baja ASTM 1
sepanjang 19 cm
5 Dikurangi dimensi pada tempat
Sekrap 60 240 Baja ASTM 1
peletakan dudukan sepanjang 19 cm
6 Dilubangi pada bagian tempat
peletakan set rahang tetap sebanyak Drilling 60 240 Baja ASTM 1
2 lubang
7 Dilubangi pada bagian tempat
peletakan dudukan tangkai ragum Drilling 60 240 Baja ASTM 1
sebanyak 2 lubang
8 Dilubangi pada bagian tengah
Milling 55 420 Baja ASTM 1
sehingga menjadi landasan ragum
Sumber : Pengolahan Data
Tabel 2. Work Sheet Badan Penjepit Kiri Ragum
Setup Time
(Seconds)
1 Dikurangi dimensi baja sebagai Baja ASTM 2
Sekrap 60 240
tempat dudukan rahang tetap
2 Dikurangi dimensi baja pada Baja ASTM 2
Sekrap 60 180
bagian bawah sisi kanan
3 Dikurangi dimensinya pada Baja ASTM 2
Sekrap 60 180
bagian bawah sisi kiri
4 Drilling 60 240 Baja ASTM 2
Dilubangi pada sisi kanan
5 Drilling 60 240 Baja ASTM 2
Dilubangi pada sisi kiri
Dlubangi pada sisi bawah sisi
6 kanan sebagai tempat baut Drilling Baja ASTM 2
60 240
terhadap landasan
7 Dilubangi pada sisi bawah sisi
kiri sebagai tempat baut terhadap Drilling Baja ASTM 2
60 240
Landasan
8 Tap and Dies 60 240 Baja ASTM 2
Diberi ulir pada lubang sis kanan
9 Diberi ulir pada lubang sis kiri Tap and Dies Baja ASTM 2
60 240
10 Diberi ulir pada lubang bagian Tap and Dies Baja ASTM 2
bawah sisi kanan 60 240
Tabel 2. Work Sheet Badan Penjepit Kiri Ragum (Lanjutan)
Setup Time
(Seconds)
11 Diberi ulir pada lubang bagian bawah Baja ASTM 2

Tap and Dies 60 240
sisi kiri
12 Dihaluskan menjadi badan Baja ASTM 2
Gerinda 20 300
penjepit kiri
Tabel 3. Work Sheet Rahang Penjepit Kiri Ragum

Setup Time
(Seconds)
1 Baja ASTM 4
Pengurangan dimensi Gerinda 60 300
2 Dilubangi sisi kanan Drilling 60 240 Baja ASTM 4
3 Baja ASTM 4
Dilubangi sisi kiri Drilling 60 240
4 Dikurangi dimensi pada bagian Baja ASTM 4
tengah untuk membentuk garis v Sekrap 60 120
5 Dihaluskan menjadi rahang Baja ASTM 4
penjepit kiri Gerinda 20 240
Tabel 4. Work Sheet Rahang Penjepit Kanan Ragum
Setup Time
(Seconds)
1 Dikurangi dimensi baja Gerinda 60 300 Baja ASTM 4
2 Dikurangi dimensi baja
pada bagian tengah hingga Sekrap 50 240 Baja ASTM 4
membentuk garis v
3 Dilubangi baja pada bagian Baja ASTM 4
Drilling 60 300
kanan
4 Dilubangi baja pada bagian kiri Drilling 60 300 Baja ASTM 4
Dihaluskan baja ASTM sehingga Baja ASTM 4
5 Gerinda 60 240
menjadi rahang penjepit kanan
Tabel 5. Work Sheet Badan Penjepit Kanan Ragum

Setup Time
(Seconds)
1 Dikurangi dimensi untuk menjadi Sekrap Baja ASTM 2

tempat dudukan rahang geser 60 240
2 Dikurangi dimensi bagian bawah sisi Sekrap Baja ASTM 2

kanan 60 180
3 Dikurangi dimensi bagian bawah sisi Sekrap Baja ASTM 2

kiri
60 180
Tabel 5. Work Sheet Badan Penjepit Kanan Ragum (Lanjutan)
No Operation Descriptiom Machine Type Setup Time (Seconds) Operation Time Material Part
4 Dilubangi sisi kanan baja Drilling 60 300 Baja ASTM 2

5 Dilubangi pada sisi kiri baja Drilling 60 300 Baja ASTM 2
6 Dilubangi pada bagian tengah Drilling 60 360 Baja ASTM 2
7 Diberi ulir pada lubang sisi kanan Tap and Dies 60 240 Baja ASTM 2
8 Diberi ulir pada lubang sisi kiri Tap and Dies 60 240 Baja ASTM 2
Dihaluskan permukaan baja
9 sehingga menjadi badan penjepit Gerinda 60 300 Baja ASTM 2
kanan
Tabel 6. Work Sheet Badan Pemutar Ragum
Setup Time
(Seconds)
1 Dikurangi dimensi bagian kanan
Sekrap 60 180 Baja ASTM 3
sisi bawah baja
2 Dikurangi dimensi bagian kiri Sekrap 60 300 Baja ASTM 3
3 Dilubangi bagian bawah sisi kanan Drilling 60 300 Baja ASTM 3
4 Dilubangi bagian bawah sisi kiri Drilling 60 300 Baja ASTM 3
5 Dilubangi bagian tengah baja Milling 60 360 Baja ASTM 3
Tabel 6. Work Sheet Badan Pemutar Ragum (Lanjutan)
6 Diberi ulir pada lubang bagian Tap and Dies 60 360 Baja ASTM 3
tengah
bawah sisi kanan
bawah sisi kiri
9 Dihaluskan seluruh permukaan Gerinda 20 240 Baja ASTM 3

menjadi badan pemutar
Tabel 7. Work Sheet Badan Lahar Ragum
1 Dikurangi dimensi dengan dua kali Bubut 120 600 Baja ST37
pemakanan
2 Diberi ulir pada sisi dengan 5 kali Bubut 120 274 Baja ST37
pemakanan
3 Dilubangi pada bagian tengah ujung Drilling 120 780 Baja ST37
4 Dihaluskan baja menjadi badan Gerinda 20 180 Baja ST37

lahar
Tabel 8. Work Sheet Handle Ragum

Setup Time
(Seconds)
Dikurangi dimensi dengan dua kali
1 Bubut 120 600 Baja ST37
pemakanan
2 Dihaluskan permukaan baja Gerinda 30 180 Baja ST37
Tabel 9. Work Sheet Assembly
Operation Total Operation
Assembly No Operation Description
Time (detik) Time
1 Dipasang landasan pada badan penjepit kiri 24
2 Dipasang rahang penjepit kiri pada badan
penjepit 4
kiri
1 3 Dipasang mur B1 pada rahang penjepit kiri 11 103
4 Dipasang mur B2 pada rahang penjepit kiri 16
5 Dipasang badan pemutar pada landasan 22
6 Dipasang mur A1 pada landasan 26
1 Memasang mur A2 pada landasan 14
2 Memasang mur A3 pada landasan 14
3 Memasang mur A4 pada landasan menjadi
7
produk setengah jadi
4 Memasang rahang penjepit kanan pada
2 67
badan 5
penjepit kanan
5 Memasang mur B3 ke badan penjeoit kanan 13
6 Memasang mur B4 ke badan penjepit kanan
14
menjadi set badan penjepit kanan
3 1 Memasang handle ke lahar menjadi set lahar 19 19
1 Memasang set badan penjepit kanan pada
5
produk setengah jadi
2 Memasang set lahar pada produk setengah
4 15 23
jadi
3 Memasang ring lahar pada produk setengah
3
jadi menjadi produk jadi
Jurnal Ilmiah Teknik Industri (2015), Vol. 3 No. 2, 69 – 75
SIMULASI FLEXSIM UNTUK OPTIMASI SISTEM ANTRIAN

POLI UMUM RAWAT JALAN RUMAH SAKIT X
Nunung Nurhasanah, Siti Nurlina dan Tri Nugroho

Teknik Industri, Fakultas Sains dan Teknologi,Universitas Al Azhar Indonesia
Jl. Sisingamangaraja, Kebayoran Baru, Jakarta Selatan 12110
e-mail: nunungnurhasanah@uai.ac.id
ABSTRAK
Kualitas suatu rumah sakit selain ditentukan oleh tingkat keahlian dokter yang dimiliki, sarana dan
prasarana pendukung yang berkualitas juga ditentukan oleh sistem antrian yang terjadi di dalam rumah
sakit tersebut. Jika tingkat kedatangan dan tingkat pelayanan yang diberikan kepada pasien tidak
seimbang akan menyebabkan ketidakpuasaan bagi pasien dan kerugian bagi rumah sakit karena pasien
cenderung beralih ke rumah sakit yang memiliki tingkat pelayanan yang lebih optimal. Pada penelitian
ini, simulasi dilakukan khusus pada sistem antrian Dokter Poli Umum rawat jalan. Pada penelitian ini
dinyatakan bahwa semua pasien yang datang melakukan layanan mulai dari registrasi hingga
pengambilan obat ke apotek RSX. Tujuan umum dari penelitian adalah meningkatkan kualitas pelayanan
di poli umum rawat jalan RSX. Tujuan khusus dari penelitian ini adalah: (1) menentukan jumlah
optimum pasien yang dapat dilayani oleh dokter umum di antrian poli umum, dan (2) lamanya waktu
tunggu yang harus dilalui pasien pada antrian rawat jalan di RSX berdasarkan software Flexsim. Jumlah
optimum pasien yang dapat dilayani dalam 1 hari adalah 16 pasien, dengan kondisi 1 orang pasien tidak
dapat terlayani. Oleh sebab itu, dinyatakan bahwa terdapat 17 pasien yang masuk dalam sistem antrian
poli umum rawat jalan. Sistem antrian yang terjadi adalah pasien masuk dalam sistem antrian diawali di
bagian registrasi, ruang tunggu dokter, dilayani dokter umum, apotek, ruang tunggu, menerima obat dan
meninggalkan sistem antrian. Lamanya waktu tunggu untuk sistem antrian ini adalah 107,18 menit atau
selama 1,78 jam.
Kata Kunci: Sistem Antrian, Waktu Menunggu, Simulasi
ABSTRACT
The quality of a hospital other than determined by the level of expertise of the doctor-owned, facilities
and infrastructure, quality is also determined by the queuing system that occur in the hospital. If the
arrival rate and the level of service provided to the patient is not balanced will lead to patient
dissatisfaction and loss for the hospital because patients tend to switch to a hospital that has a more
optimal level of service. In this research, simulations done specifically on the system queue Public Poli
outpatient doctor. In this study stated that all patients who come to the service from registration to taking
drugs to the pharmacy RS X. The general objective of the research is to improve the quality of care in
general clinic outpatient RSX. The specific objectives of this study were: (1) determine the optimum
number of patients that can be served by a general practitioner in the queue general clinic, and (2) the
length of time patients wait to be passed in the queue outpatient RSX based software Flexsim. The
optimum number of patients that can be served in one day was 16 patients, 1 patient with the condition
can not be served. Therefore, it is stated that there are 17 patients were included in the general queue
system poly outpatient. Queuing system that happens is the patient entered in the queuing system begins
at the registration, doctor's waiting room, serviced general practitioners, pharmacy, waiting room,
receiving medication and leave the queue system. The length of time waiting for this queuing system is
107.18 minutes or for 1.78 hours
Keywords: Queue System, Waiting Time, Simulation
PENDAHULUAN Rumah sakit merupakan industri jasa

Layanan merupakan indikator utama yang perkembangannya cukup pesat di
dalam keberhasilan usaha. Kualitas layanan Indonesia. Dirjen Bina Upaya Kesehatan
industri jasa merupakan faktor utama yang Kemenkes Akmal Taher pada tahun 2014
harus diperhatikan dalam mempertahankan menyatakan bahwa pertumbuhan industri jasa
keberadaan dan persaingan industri jasa, tidak rumah sakit swasta adalah 5-10% [1].
terkecuali industri jasa rumah sakit. Data Kemenkes pada tahun 2014
menunjukkan bahwa jumlah rumah sakit swasta
69
Simulasi Flexsim untuk Optimasi Sistem Antrian Poli Umum Rawat Jalan Rumah Sakit X
yang terdaftar per 1 Januari 2014 sebanyak 455 Simulasi pada penelitian ini dilakukan
untuk rumah sakit umum dan 246 untuk rumah terhadap sistem antrian pasien pada layanan
sakit khusus, rumah sakit swasta non profit dokter umum di poli umum rawat jalan. Hasil
sebanyak 531 dan rumah sakit khusus non profit simulasi diharapkan dapat membantu pihak
berjumlah 202 [2]. manajemen rumah sakit dalam mengetahui
Data Ikatan Dokter Indonesia menyatakan tingkat performance karyawan dan dokter di
jumlah rumah sakit di Kota Depok dan rumah sakit. Selain itu, diharapkan dapat
sekitarnya adalah 16 rumah sakit. Terdiri dari 2 membantu pihak manajemen untuk mengambil
rumah sakit milik pemerintah dan 14 rumah strategi yang tepat dalam melakukan
sakit milik swasta [2]. penambahan karyawan atau dokter yang sesuai
Kualitas layanan di rumah sakit dapat dengan kondisi yang ada di rumah sakit.
mencakup berbagai aspek, seperti layanan Pada penelitian ini, simulasi dilakukan
antrian, layanan dokter dan konsultasi, layanan khusus pada sistem antrian Dokter Poli Umum
kebersihan, layanan kesediaan obat dan alat rawat jalan. Pada penelitian ini dinyatakan
kesehatan. Layanan antrian merupakan salah bahwa semua pasien yang datang melakukan
satu layanan yang menjadi perhatian pasien. layanan mulai dari registrasi hingga
Oleh sebab itu, kualitas layanan terhadap sistem pengambilan obat ke apotek RSX.
antrian di rumah sakit menjadi suatu hal yang Tujuan umum dari penelitian adalah
menarik untuk diteliti. meningkatkan kualitas pelayanan di poli umum
Rumah Sakit X (RSX) merupakan salah rawat jalan RSX. Tujuan khusus dari penelitian
satu rumah sakit ternama di kota Depok. RSX ini adalah: (1) menentukan jumlah optimum
memiliki 21 poli yang aktif melayani pasien pasien yang dapat dilayani oleh dokter umum di
setiap hari. antrian poli umum, dan (2) lamanya waktu
Penelitian in dilakukan pada bagian rawat tunggu yang harus dilalui pasien pada antrian
jalan, khususnya di poli umum. Poli umum rawat jalan di RSX berdasarkan software
merupakan poli yang ditangani oleh dokter Flexsim.
umum yang memiliki tingkat kedatangan yang
konstan setiap harinya. Rata-rata kedatangan TINJAUAN PUSTAKA
dan pasien yang terlayani setiap bulannya Teori Antrian
adalah 335 pasien. Antri (queue) merupakan kejadian yang
Penelitian ini mengukur tingkat biasa dalam kehidupan sehari-hari. Antrian
optimalitas sistem antrian yang berlaku saat ini tidak hanya dialami oleh manusia, tapi juga
di RSX. Pengukuran dititikberatkan pada waktu dialami adalah barang.
layanan, jumlah pasien yang terlayani dan Kejadian antrian yang paling sering
waktu tunggu pasien hingga terlayani dalam ditemui antara lain adalah menunggu di depan
sistem antrian. loket untuk mendapatkan tiket kereta api,
Hasil pengukuran tingkat optimalitas menunggu pada SPBU, pada pintu jalan tol,
sistem antrian saat ini dibandingkan dengan ketika akan keluar dari supermarket, dan
usulan sistem antrian agar tingkat kepuasan situasi-situasi yang lain merupakan kejadian
pasien selaku pelanggan terpenuhi. Sistem yang sering ditemui. Tujuan penggunaan teori
antrian usulan diperoleh melalui pendekatan antrian adalah [3]
simulasi, dengan bantuan perangkat lunak • Untuk merancang fasilitas pelayanan
Flexsim. • Untuk mengatasi permintaan pelayanan
Pendekatan simulasi dipilih untuk yang berfluktuasi secara random
memudahkan pemodelan dalam sistem antrian • Untuk menjaga keseimbangan antara biaya
yang diusulkan. Simulasi merupakan salah satu (waktu menganggur) pelayanan dan biaya
cara yang dapat membantu dalam proses (waktu) yang diperlukan selama antri
pengambilan keputusan. Percobaan dengan
simulasi merupakan model yang mengadaptasi Timbulnya antrian terutama tergantung
perilaku sistem nyata. dari sifat kedatangan dan proses pelayanan.
70
Penentu antrian lain yang penting adalah tentang sistem nyata. Peniruan sistem nyata
disiplin antri. Disiplin antri adalah aturan dilakukan dengan mengembangkan dalam
keputusan yang menjelaskan cara melayani bentuk program komputer.
pengantri, misalnya, datang awal dilayani dulu, Simulasi komputer merupakan disiplin
datang terakhir dilayani dulu, berdasar prioritas, merancang model sistem fisik yang sebenarnya
dan secara random. Jika tak ada antrian berarti atau teoritis, melaksanakan model pada
terdapat pelayan yang nganggur atau kelebihan komputer digital, dan menganalisis output
fasilitas pelayanan eksekusi.
Flexsim adalah aplikasi perangkat lunak
Sistem Antrian simulasi berbasis PC digunakan untuk
Pelaku utama dalam sistem antrian memodelkan, simulasi dan visualisasi proses
adalah: (1) pelanggan (customer), dan (2) bisnis. Flexsim dapat membantu menentukan
pelayan (server). Elemen dalam sistem antrian, kapasitas pabrik, menyeimbangkan lini
yaitu: pelanggan (customer) dari suatu populasi manufakturing, mengatur penyebab penundaan,
(source) memasuki antrian (queue) untuk memecahkan masalah inventori, menguji
menerima layanan (service) dari fasilitas praktek penjadwalan baru, dan
layanan (service facility) [3]. mengoptimumkan laju produksi. Setiap model
Kerangka dalam sistem antrian adalah Flexsim dapat digambarkan dalam animasi
kedatangan pelanggan untuk mendapatkan realitas virtual 3D. Selain itu, Flexsim
layanan, pelanggan menunggu untuk memungkinkan pemodel dengan kemampuan
mendapatkan layanan, pelanggan mendapat pemrograman model dan submode secara
layanan, dan pelanggan meninggalkan sistem langsung dalam C++ [4].
antrian. Gambar 1 menyajikan kerangka sistem
antrian. METODE PENELITIAN
Penelitian Terdahulu
Simulasi Penelitian terdahulu yang pernah
Simulasi merupakan suatu aktivitas dilakukan menggunakan pendekatan simulasi
meniru perilaku dari sistem nyata. Dari tiruan dengan bantuan software Flexsim adalah
itu, dipelajari berbagai hal yang ada dalam penelitian yang dititikberatkan pada
sistem nyata sehingga diperoleh informasi penjadwalan produksi di industri garmen.
N: jumlah yang dalam sistem s : waktu layanan

(steady state)
Nq: jumlah
pengantri
(steady state)
l : rate rata-rata
c : jumlah server
kedatangan
q : lama dalam
antrian
t : jarak antar kedatangan
Ns : jumlah yang
sedang dilayani
w : waktu total sejak mengantri
(steady state)
hingga selesai dilayani
Gambar 1. Sistem Antrian [3]
71
Pendekatan simulasi dengan bantuan software RSX. Penelitian dilanjutkan dengan melakukan
Flexsim pada penelitian tersebut dilakukan observasi terhadap waktu layanan dan jumlah
untuk memudahkan peneliti mendapatkan hasil pasien yang dilayani, serta waktu tunggu yang
optimal waktu produksi per unit per satuan terjadi di dokter poli umum.
waktu [4]. Software Flexsim merupakan alat bantu
Untuk memperoleh waktu siklus yang yang digunakan untuk menentukan waktu
akan dimasukkan dalam simulasi, maka terlebih layanan dan jumlah pasien yang dilayani, serta
dahulu harus menentukan waktu baku untuk waktu tunggu dalam sistem antrian dokter poli
seluruh stasiun kerja. Saat itu, terdapat 24 umum.
stasiun kerja yang harus diamati. Setelah kondisi awal teridentifikasi dan
Penelitian tersebut menghasilkan waktu kondisi usulan berdasarkan software Flexsim
proses pembuatan produk selama 28 menit dilakukan, maka dilakukan analisis untuk
dengan mempertimbangkan jumlah mesin dan menentukan sejauh mana hasil simulasi ini
tenaga kerja yang tersedia. memungkinkan untuk diimplementasikan di
RSX. Gambar 2 menyajikan kerangka berpikir
Mulai dalam penelitian ini.
HASIL DAN PEMBAHASAN

Identifikasi sistem antrian RSX saat ini memiliki 21 layanan poli
Dokter Poli Umum rawat jalan. Empat poli yang memiliki tingkat
kedatangan konstan tiap bulan dan lebih dari
200 kedatangan tiap bulan adalah: (1) Poli anak,
Observasi waktu layanan dan jumlah pasien (2) poli obgin, (3) poli gigi, dan (4) poli umum.
yang dilayani pada Dokter Poli Umum Tabel 1. menyajikan data kedatangan pasien
selama 1 tahun untuk poli umum.
Observasi waktu tunggu pada
Dokter Poli Umum
Tabel 1. Jumlah Kedatangan Pasien Poli Umum
Rawat Jalan Tahun 2013
Jumlah Jumlah
Bulan Pasien Bulan Pasien
Penentuan waktu layanan dan jumlah pasien (orang) (orang)
yang dilayani dalam sistem antrian
Januari 275 Juli 341
Februari 315 Agustus 316
Penentuan waktu tunggu Maret 312 September 312
April 347 Oktober 346
Mei 390 November 354
Usulan sistem antrian Juni 305 Desember 396
Dokter Poli Umum
Hasil observasi dan interview dengan
pihak menajamen, diketahui bahwa saat ini
Analisis sistem antrian saat ini
dan usulan diperkirakan dalam satu jam seorang dokter
umum dapat melayani 4 hingga 6 pasien.
Gambar 3 menyajikan sistem antrian dokter
Selesai umum di poli umum rawat jalan RSX.
Sistem antrian yang terjadi di sini adalah:
Gambar 2. Kerangka Berpikir 1. Terjadi kedatangan pasien untuk siap masuk
dalam sistem antrian di meja registrasi, yang
Penelitian ini diawali dengan identifikasi akan diterima oleh petugas administrasi.
sistem antrian yang saat ini berlaku pada Kegiatan yang terjadi adalah pasien
kegiatan dokter umum di Poli Umum pada mendaftarkan nama dan kepemilikan
72
Gambar 3. Sistem Antrian Poli Umum RSX
asuransi. Petugas akan mencatat rekam 5. Pasien akan dilayani untuk pembayaran dan
medik pasien, jika pasien adalah pasien pengambilan obat sesuai resep.
yang pernah terdaftar, dan membuat status Tampilan dalam Flexsim untuk sistem
rekam medik baru karena pasien adalah antrian dokter umum di poli umum rawat jalan
pasien yang pertama kali terdaftar di RSX. RSX disajikan pada Gambar 4.
Petugas juga akan mencatat poli dan dokter Adapun input data yang dimasukan
yang dipilih pasien akan dikunjungi. kedalam entities terdiri dari waktu proses atau
2. Pasien sudah masuk dalam sistem antrian, siklus setiap stasiun (dalam hal ini pos layanan)
dan berada pada ruang tunggu poli umum. dan waktu operasional pelayanan dokter dalam
Pasien menunggu untuk dilayani oleh dokter sehari. Pada penelitian ini waktu proses atau
umum. pelayanan setiap stasiun kerja secara detail
3. Pasien masuk dalam pelayanan dokter. disajikan pada Tabel 2.
Pasien akan diterima oleh dokter untuk
mengkonsultasikan keluhannya. Kemudian Tabel 2. DataWaktu Pelayanan
pasien akan ditindak oleh perawat, untuk Waktu Layanan Rata-
No Kegiatan
ditimbang, diukur tinggi, diukur suhu dan rata (menit)
diukur tekanan darah. Setelah itu, konsultasi 1 Tunggu registrasi 13,16
kembali dilakukan, dan dokter akan 2 Registrasi 21,9
memberikan resep, serta penjelasan untuk 3 Ruang Tunggu 1 8,8
penggunaan resep bagi pasien. 4 Dokter Umum 19,1
4. Setelah pasien dilayani dokter, maka pasien 5 Ruang Tunggu 2 17,4
akan masuk dalam antrian pembelian obat 6 Obat dan Kasir 16,1
di apotek. Pada pos ini, pasien akan
menunggu
ADMINISTRASI
Gambar 4. Sistem Antrian dalam Flexsim
73
Tabel 3. Hasil Simulasi Sistem Antrian dengan Flexsim

Stats_ stats_ stats_ stats_
Object Class stats_input
content contentmin contentmax contentavg
Source2 Source 0 0 1 1 0
Administrasi Processor 0 0 1 0,591274 35
Ruang Tunggu Queue 17 0 17 8,963441 35
Dokter Umum Processor 1 0 1 0,929851 18
Antrian Obat Queue 1 0 1 0,755814 17
Obat & Kasir 1 Processor 0 0 1 0,377052 5
Rack8 Rack 16 1 16 6,297482 16
Obat & Kasir Processor 0 0 1 0,524790 11
Tabel 4. Hasil Simulasi Sistem Antrian dengan Flexsim Lanjutan

stats_ stats_ state_
stats_ stats_
Object Class staytime staytime curre state_since
output staytimemax
in avg nt
Source2 Source 35 0 6,778544 1,448102 5 407,35920
Administrasi Processor 35 7 7 7 1 414,35920
Ruang Tunggu Queue 18 10 215,237671 107,189189 8 414,35920
Dokter Umum Processor 17 22 22 22 2 407,21514
Antrian Obat Queue 16 19 19 19 7 402,21514
Obat & Kasir 1 Processor 5 20 20 20 1 265,21514
Rack8 Rack 0 0 0 0 1 0
Obat & Kasir Processor 11 20 20 20 1 419,21514
Pada pos registrasi, diidentifikasi waktu tersebut dari 17 pasien yang datang yang dapat
setup adalah 3 menit dan waktu proses selama 4 dilayani adalah sebanyak 16 pasien. Hanya 1
menit. Pada pos ini ditetapkan maksimum orang yang tidak terlayani.
waktu menunggu adalah 10 menit.
Pada pos pelayanan dokter umum, KESIMPULAN
diidentifikasi waktu setup adalah 5 menit, dan Jumlah optimum pasien yang dapat
waktu proses selama 17 menit. Pada pos ini dilayani dalam 1 hari adalah 16 pasien, dengan
ditetapkan maksimum waktu menunggu selama kondisi 1 orang pasien tidak dapat terlayani.
19 menit. Oleh sebab itu, dinyatakan bahwa terdapat 17
Pada pos pelayanan obat dan kasir, pasien yang masuk dalam sistem antrian poli
diidentifikasi waktu setup selama 3 menit, dan umum rawat jalan. Sistem antrian yang terjadi
waktu proses selama 17 menit. Pada ini adalah pasien masuk dalam sistem antrian
ditetapkan maksimum waktu menunggu adalah diawali di bagian registrasi, ruang tunggu
selama 16 menit. dokter, dilayani dokter umum, apotek, ruang
Hasil running simulation dengan Flexsim tunggu, menerima obat dan meninggalkan
disajikan pada Tabel 3. Tabel ini menyatakan sistem antrian. Lamanya waktu tunggu untuk
bahwa diketahui waktu maksimal dan minimal sistem antrian ini adalah 107,18 menit atau
lamanya pasien mengantri dalam sistem. Pada selama 1,78 jam.
Tabel 3 juga mengidentifikasi letak pos layanan
atau lokasi terjadinya penumpukan pasien DAFTAR PUSTAKA
dalam mengantri untuk menunggu pelayanan. [1]. Jumlah Rumah Sakit Umum Diprediksi
Dengan jumlah dokter yang melayani Tumbuh 10% Tahun Depan,
hanya satu orang dan tingkat kedatangan pasien http://industri.bisnis.com/read/20140914/
sebanyak 17 orang menyebabkan terjadinya 12/257255/ jumlah- rumah- sakit- umum-
penumpukan di ruang tunggu pasien sebelum diprediksi-tumbuh-10-tahun-depan, (12
mendapatkan pelayanan dari dokter,sehingga Februari 2015).
setiap pasien harus menunggu selama 107,18 [2]. Daftar Rumah Sakit di Kota Depok,
menit atau selama 1,78 jam. Dari hasil simulasi http://idi-depok.blogspot.com/2012/05/
74
daftar-rumah-sakit-di-kota-depok.html dengan Simulasi Fleksim. Jurnal Ilmiah

(12 Februari 2015). Teknik Industri, Universitas
[3]. Hamdy A. Taha. (1996). Riset Operasi Tarumanagara. Volume 2 nomor 3,
edisi kelima (terjemahan), Jilid 2. Jakarta: Oktober 2014.p:141-148.
Binarupa Aksara.
[4]. Nurhasanah, Nunung., dkk. (2014).
Penjadwalan Produksi Industri Garmen
75

ExpertFit
Demonstration Version 8
AVERILL M. LAW & ASSOCIATES ■
4729 East Sunrise Drive, # 462

Tucson, AZ 85718
Phone: 520-795-6265 Fax: 520-795-6302
E-mail: averill@simulation.ws Website: www.averill-law.com
1. Introduction
ExpertFit allows one to determine automatically and accurately which probability

distribution best represents a data set. In many cases a complete analysis can be done
in less than 5 minutes. A secondary goal is to provide simulation analysts with
assistance in modeling a source of randomness (e.g., a service time) in the absence of
data (see the discussion in Section 1.1).
ExpertFit is extensively used by analysts performing discrete-event simulation
studies of real-world systems in application areas such as defense, manufacturing,
transportation, healthcare, call centers, and communications networks. For these
users, ExpertFit will take the selected distribution and put it into the proper format for
direct input to a large number of different simulation-software products. ExpertFit is
also used for data analyses in such diverse disciplines as actuarial science, agriculture,
chemistry, economics, environmental analysis, finance, forestry, hydrology, medicine,
meteorology, mining, physics, psychology, reliability engineering, and risk analysis.
ExpertFit is the result of 33 years of statistical research.
ExpertFit has extensive context-sensitive online help for every options and
results screen, a built-in User’s Guide (see the Help pull-down menu at the top of the
screen), and a Feature Index. There is a glossary of key terms and also tutorials on a
number of general topics such as the available probability distributions. All ExpertFit
results can be printed or copied to the Windows Clipboard and used in other
applications (e.g., Microsoft Word or Excel).
The Demonstration version of ExpertFit includes 9 different data sets (see
Section 3) and allows one to use most of the features available in the commercial
version of ExpertFit on these data sets.
A large amount of additional information on ExpertFit can be found on our
website www.averill-law.com (see “ExpertFit”).
2
1.1. Types of ExpertFit Analyses
ExpertFit can perform the three main types of analyses given in Table 1.1.
Table 1.1. Main types of ExpertFit analyses.
Module Description
Data Analysis Used to determine what probability distribution best
represents a data set. You can either have ExpertFit
determine the best distribution automatically or specify
the distributions for consideration manually. See
Chapter 2 for further discussion and an example.
Task-Time Models Used to specify a probability distribution for a task time

when no data are available. Based on subjective
estimates of the minimum task time, the most-likely
task time, and, say, the 90th percentile of the task time,
ExpertFit specifies a Weibull, lognormal, or triangular
distribution as a model for the task time. This analysis
type is not available in the Demonstration Version.
Machine-Breakdown Used to model the random downtimes of a machine

Models
when no downtime data are available. Based on
subjective estimates of such parameters as machine
efficiency (e.g., 0.90) and mean downtime, ExpertFit
specifies a busy-time distribution and a downtime
distribution. This analysis type is not available in
the Demonstration Version.
3
In addition, the important features given in Table 1.2 can be accessed from the
Menu Bar at the top of the screen.
Table 1.2. Additional important ExpertFit features.
Module Description
Distribution Viewer Used to display/calculate characteristics (e.g., the

density function or moments) of a distribution without
having to enter a data set.
Batch Mode Used to fit distributions to one or more data sets with
only a few mouse clicks. This feature is only
available in the “Simulation Professional” or
“Analyst with Batch Mode” versions of ExpertFit.
4
2. Data Analysis Module
There are two modes of operation (see the Mode pull-down menu) for the Data
Analysis module: Standard and Advanced. Standard Mode is sufficient for 95 percent
of all analyses and is easier to use. It focuses the user on those features that are the
most important at a particular point in an analysis. Advanced Mode contains a large
number of additional features for the sophisticated user. A user can switch from one
mode to another at any time. In this brochure we will only discuss the Standard Mode.
There are also two levels of precision when fitting distributions (see the
Precision pull-down menu): Normal and High. Normal Precision provides good
estimates, for many data sets, of the parameters of a distribution and has a small
execution time. High Precision (the default) provides better parameter estimates for
most data sets, but may have a large execution time for data sets containing many
observations.
The use of the Data Analysis module to determine what probability distribution
best represents a data set is based on the sequential application of the four tabs shown
in Table 2.1.
Table 2.1. Tabs for the Data Analysis module.
Tab Overall Purpose
Data Used to read in a data set from a file, enter a data set at the
keyboard, paste in a sample from the Clipboard, or import a data set
from Excel
Models Used to “fit” probability distributions to a data set
Comparisons Used to compare the fitted distributions to the data set
Applications Used to determine or display characteristics of a distribution (e.g., its

density function) or to represent the distribution in a simulation-
software package
5
Although there are different ways that these four tabs could be used to
determine the best distribution for a data set, the following are the explicit steps that we
recommend for real-valued data:
1. Obtain a data set using the Data tab.
2. View the resulting Data-Summary Table (in Data tab) – provides information on the
shape and range of the true underlying density function.
3. Make a histogram of your data (used in Step 5) using the Data tab – see the
Constructing a Histogram from Your Data tutorial in the Help pull-down menu.
4. Determine the distribution that is the best representation for your data using the
Automated Fitting option in the Models tab.
5. Confirm using the Comparisons tab that the best distribution as determined by
ExpertFit is, in fact, satisfactory in an absolute sense.
6. If you are doing simulation modeling, then either represent the best distribution (if
good in an absolute sense) or an empirical distribution based on your data (if the
best distribution is not satisfactory) in your simulation software using the
Applications tab.
An example of the use of the Data Analysis module is given next.
6
Example 2.1: Customer Service Times
This example illustrates how you can use the six-step approach given at the
beginning of this chapter to find the probability distribution that best represents a data
set. We discuss both the ExpertFit commands necessary to accomplish a particular
part of the analysis and the actual results of the analysis. This analysis will use High
Precision.
Steps for Action A:
At window: Do:
Project 1 Click on New.
Project-Element Editing Select Fit distributions to data.
In the Project-Element Name edit box, enter
Example 2.1.
Click on OK.
Project 1 Click on Analyze.
Data tab Click on Enter Data.
Enter-Data Options Click on Apply.
Open In the File Name scroll list, select Example21.EXP.
Examine the Data-Summary Table.
Data-Summary Table Click on Done.
A: The Data-Summary Table for this set of n = 450 service times (read in the Data
tab) is given in Table 2.2. The positive value of the sample skewness indicates that the
underlying distribution of the data is skewed to the right (i.e., it has a longer right tail
than left tail). This is supported by the sample mean being larger than the sample
median.
7
Table 2.2. Data summary for the service-time data.
Data Characteristic Value
Source file Example21

Observation type Real valued
Number of observations 450
Minimum observation 0.06438
Maximum observation 3.11115
Mean 1.18250
Median 1.15192
Variance 0.32394
Coefficient of variation 0.48131
Skewness 0.48796
8
Steps for Action B:
At window: Do:
Data tab Click on Histogram.
Histogram Options Click on Apply.
Examine the Histogram Plot.
Click on Done.
The following shows how to change the lower endpoint

of the first interval from 0.064 to 0:
Histogram Options Click on the equal-sign ("=") button next to 0.06400.

Change the value to 0.0 in the edit box.
Click on Apply.
Perform similar actions to change the interval width to 0.25

and the number of intervals to 13.
Histogram Options Click on Apply.
Histogram Plot Examine the Histogram Plot.
Click on Done.
Histogram Options Click on Done.
B: In Figure 2.1 we present the default ExpertFit histogram for the service-time data.
Note that the histogram is quite “ragged,” since the interval width is too small. Using a
trial-and-error approach discussed in the Constructing a Histogram from Your Data
tutorial, we determined that a better histogram is obtained by using an interval width of
0.25. The improved “smooth” histogram is shown in Figure 2.2. In general we
recommend that you construct your own histogram rather than rely on the ExpertFit
default. There is no definitive prescription for choosing histogram intervals!
Note that the histogram interval width can also be changed by using the
two buttons with arrowheads at the top of the histogram screen. The left (right)
9
Histogram
0.10
0.08
0.06
Proportion
0.04
0.02
0.00
0.13 0.53 0.93 1.33 1.73 2.13 2.52 2.92
Interval Midpoint
23 intervals of w idth 0.133
Figure 2.1. Default ExpertFit histogram of the service-time data.
10
Histogram
0.17
0.13
0.10
Proportion
0.07
0.03
0.00
0.13 0.63 1.13 1.63 2.13 2.63 3.13
Interval Midpoint
13 intervals of w idth 0.25
Figure 2.2. Histogram of the service-time data with an interval width of 0.25.
11
button decreases (increases) the interval width by 5 percent, and can be applied
repeatedly.
12
Steps for Action C:
At window: Do:
Data tab Click on the Models tab.
Models tab Click on Automated Fitting.
Examine Automated-Fitting Results.
Automated-Fitting Results Click on Done.
C: We begin the actual process of finding a distribution that is a good representation
for our data by selecting the Automated Fitting option at the Models tab. Based on
certain heuristics, ExpertFit determined that the “best” representation for the data is
provided by a Weibull distribution (see Table 2.3) with location, scale, and shape
parameters of 0, 1.334, and 2.183, respectively. This best model received a Relative
Score of 100.00 and its Absolute Evaluation message is “Good,” indicating no reason
for concern. (See the context-dependent online help for a discussion of the terms in
boldface.) Furthermore, the model mean and the sample mean are almost identical.
Note that the third-best fitting model is a Rayleigh distribution with an estimated
location parameter (denoted by “E”) of 0.062. (If we were to click on View/Delete
Models at the Models tab, we would see that the normal distribution was not
automatically fit to our non-negative service-time data. This is because the normal
distribution can take on negative values. However, the normal distribution could, if
desired, be fit to our data using the Fit Individual Models option at the Models tab.)
13
Table 2.3. Evaluation of the candidate models.
Relative Evaluation of Candidate Models

Relative
Model Score Parameters
1 - Weibull 100.00 Location 0.00000
Scale 1.33367
Shape 2.18304
-4
2 - Beta 95.00 Lower endpoint 6.46210 e
Upper endpoint 3.72935
Shape #1 2.53832
Shape #2 5.47937
3 - Rayleigh(E) 88.75 Location 0.06196
Scale 1.25652
21 models are defined with scores between 3.75 and 100.00
Absolute Evaluation of Model 1 - Weibull
Evaluation: Good
Suggestion: Additional evaluations using Comparisons Tab might be informative.
See Help for more information.
Additional Information about Model 1 - Weibull
"Error" in the model mean

relative to the sample mean 0.00139 = 0.12%
14
Steps for Action D:
At window: Do:
Comparisons tab Click on Graphical Comparisons.
Graphical-Comparisons
Options Select Density-Histogram Plot.
Click on Apply.
Examine Density-Histogram Plot.
Density-Histogram
Plot Click on Done.
D: We now do some additional confirmation of the best-fitting Weibull distribution
using the Comparison tab, as suggested by the latter part of the Absolute Evaluation
message. The Density-Histogram Plot based on the final histogram is shown in
Figure 2.3. The closeness of the density function to the histogram visually confirms the
quality of the Weibull representation. Note that we could have simultaneously
plotted the density functions of several distributions in Figure 2.3.
15
Density-Histogram Plot
0.17
0.14
0.10
Density/Proportion
0.07
0.03
0.00
0.13 0.63 1.13 1.63 2.13 2.63 3.13
Interval Midpoint
13 intervals of w idth 0.25 1 - Weibull
Figure 2.3. Density-Histogram Plot for the fitted Weibull distribution and the
service-time data.
16
Steps for Action E:
At window: Do:
Options Select Distribution-Function-Differences Plot.
Click on Apply.
Examine Distribution-Function-Differences Plot.
Distribution-Function-
Differences Plot Click on Done.
Options Click on Done.
E: We present a Distribution-Function-Differences Plot for the Weibull distribution
in Figure 2.4. The plot shows the differences between the Weibull distribution function
and the sample distribution function, over the range of the data. [The sample
distribution function, which is an estimate of the true underlying distribution function of
the data, is defined at a particular value of x as the proportion of observations in the
sample that is less than or equal to x.] Since the vertical differences in the plot are
close to 0, this is further indication that the Weibull distribution is a good model for the
data.
17
Distribution-Function-Differences Plot
0.20
0.13
0.07
Difference (Proportion)
0.00
-0.07
-0.13
-0.20
0.06 0.50 0.93 1.37 1.81 2.24 2.68 3.11
x
Use caution if plot crosses line 1 - Weibull (mean diff. = 0.00501)
Figure 2.4. Distribution-Function-Differences Plot for the fitted Weibull

distribution and the service-time data.
18
Steps for Action F:
At window: Do:
Comparisons tab Click on Goodness-of-Fit Tests.
Options for
Goodness-of-Fit Tests Select Anderson-Darling Test.
Click on Apply.
Examine Anderson-Darling Test.
Anderson-Darling Test Click on Done.
Options for
Goodness-of-Fit Tests Click on Done.
F: We conclude the confirmation process by performing an Anderson-Darling Test
(the most-powerful test available in ExpertFit) to see formally whether our data could
have been generated from the specified Weibull distribution. (You may want to read
the discussion of goodness-of-fit tests in the Goodness-of-Fit Tests and Their
Interpretation tutorial in the software before proceeding.) We will perform the test at a
level (alpha) of 0.05. Since the Anderson-Darling statistic, 0.205, is less than critical
value, 0.750, we do not reject the Weibull distribution. You should keep in mind that
failure to reject by this test does not necessarily mean that the Weibull distribution is
exactly the distribution that produced the data; this test tends to have low power for
small to moderate sample sizes. (We also performed the Kolmogorov-Smirnov Test
and Chi-Square Test and they did not reject the Weibull distribution.)
In summary, there is no reason to believe based on the above heuristics and
tests that the Weibull distribution does not provide a good model for the service-time
data.
19
Steps for Action G:
At window: Do:
Comparisons tab Click on Applications tab.
Applications tab Click on Simulation Representation in the
Use a Specified Distribution (Model) section.
Simulation-Representation
Options Select the simulation software of your choice.
Click on Apply.
Examine Simulation-Software Representation.
Simulation-Software
Representation Click on Done.
Simulation-Representation Click on Done.
Options
Applications tab In the File menu, select Close Data Analysis.
G: If you are using ExpertFit in the context of simulation modeling, we now see how to
put the selected Weibull distribution into the proper format for several different
simulation-software products using the Applications tab. In particular, the above
actions show how to represent the Weibull distribution in the software product of your
choice; the actual representations for selected products are shown in Table 2.4.
20
Table 2.4. Simulation-software representations for the Weibull distribution.
Software Product Representation
AnyLogic weibull(2.183039, 1.333669, 0.000000)
Arena WEIB(1.333669, 2.183039, <stream>)
AutoMod weibull 2.183039, 1.333669
ExtendSim Distribution Weibull

Scale 1.333669
Shape 2.183039
Location 0.000000
Flexsim Distribution Weibull

Location 0.000000
Scale 1.333669
Shape 2.183039
ProModel W(2.183039, 1.333669, <stream>)
Simio Random.Weibull(2.183039, 1.333669, <stream>)
WITNESS WEIBULL(2.183039, 1.333669, <stream>)
21
3. Example Data Sets
Data-Set Name Description
Exam21.exp Example 2.1 in the User’s Guide (service times of customers)
InterarrivalTimes.exp Interarrival times of cars to a drive-up bank
LoadingTimes.exp Loading times for an oil tanker
ProcessingTimes.exp Processing times for a machine
RepairTimes.exp Times to repair for a machine
RollYardages.exp Yards of paper on large rolls
ServiceTimes.exp Service times at a post office
TestScores.exp Test scores on an examination (integer data)
WeeklySales.exp Weekly sales of a product (integer data)
22
Prosiding Seminar Ilmiah Nasional Teknologi Komputer (SENATKOM 2015) Vol. 1, Oktober 2015
Universitas Putra Indonesia YPTK Padang - 23 Oktober 2015 ISSN : 2460– 4690
PEMODELAN DAN SIMULASI SISTEM

DENGAN METODA KOLMOGOROV-SMIRNOV PADA ANTRIAN
PENDAFTARAN ULANG SISWA BARU YANG LULUS PSB ON-
LINE
(Studi Kasus: SMA Negeri 4 Padang)
Halifia Hendri (1), Eko Amri Jaya (2), Yonky Pernando (3)
Fakultas Ilmu Komputer, U n i v e r s i t a s P u t r a I n d o n e s i a “ Y P T K ” P a d a n g
email: halifiah@gmail.com
Abstract
At the time of re-registration of new students who passed the PSB On-line at SMAN 4 Padang
happened long queues. The aim of research of this study are knowing the model, process simulation
model and how to use the method of Kolmogorov-Smirnov of system for re-registration of new
students at SMAN 4 Padang. The number of applicants on the first day as many as 115 people, and
the average length of applicants waiting at the post 1 and post 2 days during the first 15 minutes.
From the simulation results on circumstances such registration is proposed to manufacture a new
model that is solving registration post 1 and post 2 be heading 1a, 1b and 2a , 2b. After the
breakdown of the post and re simulation showed the average length of applicants waiting at the post
1a and 1b smaller at 3.7 minutes and 2.8 minutes. While at the post 2a and 2b post showed the
average length of a smaller registrants wait 0.2 minutes in both previous post for 32 minutes. With the
results of the simulation can be concluded that the solution to the registration posts can make an
average registration time waiting to be smaller.
Keywords: Modeling, Simulation, Queue, Kolmogorov-Smirnov Method, Promodel 7.5
1. PENDAHULUAN penyeleksian terhadap siswa baru yang

melanjutkan pendidikan di sekolah Negeri
1.1. Latar Belakang yang ada di kota Padang.
SMA Negeri 4 Padang menetapkan Proses PSB On-Line dilakukan selama 6
beberapa syarat Tujuan Pendidikan Nasional hari, selanjutnya sistem melakukan
yaitu mencerdaskan kehidupan bangsa yang perengkingan dan penyeleksian terhadap
tercantum pada Pembukaan Undang-Undang siswa yang mendaftar berdasarkan hasil
Dasar (UUD) Negara Republik Indonesia SKHUN/NEM siswa dan juga pilihan sekolah
Tahun 1945 pada Alinea ke-4. Banyak yang telah dipilih oleh siswa tersebut. Setelah
program yang dilakukan untuk mewujudkan siswa dinyatakan diterima di sekolah yang
tujuan tersebut salah satunya adalah melalui dituju maka siswa itu diwajibkan melakukan
Pendidikan. Pendidikan yang dienyam oleh pendaftaran ulang di sekolah tersebut. Proses
seluruh warga Negara Indonesia yang kaya pendaftaran ulang dilakukan di sekolah tempat
maupun miskin, yang tua maupun muda dan siswa itu diterima dengan melengkapi syarat-
laki-laki maupun perempuan. syarat yang telah ditentukan oleh sekolah
Siswa yang merupakan objek/sasaran masing-masing.
pendidikan seyogianya harus mengikuti proses SMA Negeri 4 Padang adalah salah satu
pembelajaran yang dilakukan di lembaga sekolah menengah atas yang berstatus sekolah
pendidikan salah satunya yaitu sekolah. Untuk negeri yang ada di kota Padang merupakan
memasuki sebuah sekolah seorang siswa harus salah satu sekolah penyelenggara PSB On-
melakukan tahapan pendaftaran siswa baru Line. SMA Negeri 4 Padang juga melakukan
yang disebut dengan nama pendaftaran siswa pendaftaran ulang bagi siswa yang diterima di
baru (PSB). SMA Negeri 4 Padang. SMA Negeri 4 Padang
Pemerintah kota Padang melalui Dinas menetapkan beberapa syarat yang harus
Pendidikan dan Kebudayaan kota Padang dipenuhi oleh siswa dalam melakukan
mencanangkan proses pendaftaran siswa baru pendaftaran ulang. Syarat-syarat untuk
di kota Padang harus melalui sistem melakukan pendaftaran ulang diantaranya
komputerisasi dan internetisasi yang bernama yaitu:
sistem PSB On-Line. Sistem PSB On-Line ini a. Menyerahkan bukti pendaftaran PSB On-
kusus melakukan pendaftaran dan Line yang berupa Print-Out PSB On-Line
Fakultas Ilmu Komputer, U n i v e r s i t a s P u t r a I n d o n e s i a “ Y P T K ” P a d a n g 104
b. Membayar uang pembangunan sekolah dapat menggambarkan dunia nyata yang

dan training ESQ sebenarnya. Metoda Kolmogorov-Smirnov ini
c. Membayar uang seragam sekolah sangat cocok digunakan untuk simulasi karena
diantaranya yaitu seragam putih abu-abu, persebaran data inputnya tersebar dengan
pramuka, batik, muslim dan olah raga merata dengan demikian hasilnya sangat
d. Melakukan pemilihan ukuran pakaian akurat.
yang telah dipesan Bedasarkan kondisi real dilapangan yang
Untuk mempermudah dan mempercepat telah terjadi selama ini dan keinginan penulis
proses pendaftaran ulang di SMA Negeri 4 untuk mencari jalan keluar dari masalah
Padang maka sekolah menyediakan 4 pos tersebut maka penulis akan melakukan
pendaftaran ulang. Pos pertama melayani penelitian dengan judul “Pemodelan Dan
penyerahan print-out PSB On-Line, pos kedua Simulasi Sistem Dengan Metoda
melayani pembayaran uang pembangunan dan Kolmogorov-Smirnov Pada Antrian
training ESQ, pos ketiga melayani Pendaftaran Ulang Siswa Baru Yang Lulus
pembayaran uang seragam sekolah, dan pos PSB On-Line (Studi Kasus: SMA Negeri 4
keempat melayani pemilihan ukuran pakaian Padang).
seragam sekolah. Setiap siswa harus
melakukan urutan pendaftaran dengan 1.2. Maksud dan Tujuan Penelitian
melengkapi syarat pada pos satu kemudian Adapun tujuan yang diharapkan tercapai
dilanjutkan pada pos dua lalu pos tiga dan setelah penelitian ini selesai yaitu:
terakhir pada pos empat tanpa ada pos yang 1. Mengetahui bentuk model yang tepat
diloncati. untuk sistem pendaftaran ulang siswa baru
Pendaftaran ulang siswa baru SMA di SMA Negeri 4 Padang
Negeri 4 Padang pada tahun 2013 yang lalu 2. Mengetahui jalannya proses simulasi
melayani sebanyak 280 orang siswa. Proses model yang sesuai dengan sistem nyata
pendaftaran ulang dibuka selama 4 hari yang pada antrian pendaftaran ulang siswa baru
dimulai dari pukul 09.00 WIB s/d pukul 15.00 di SMA Negeri 4 Padang
WIB. Pada setiap pos pendaftaran 3. Mengetahui cara menggunakan metoda
ditempatkan 1 orang petugas pendaftaran Kolmogorov-Smirnov dalam
ulang yang akan melayani siswa. Oleh karena mensimulasikan sistem pada antrian
begitu singkatnya waktu yang dibuka untuk pendaftaran ulang siswa baru di SMA
pendaftaran ulang, terbatasnya petugas Negeri 4 Padang.
pendaftaran dan banyak siswa yang
melakukan pendaftaran ulang maka pasti akan 1.3. Perumusan Masalah
terjadi antrian yang cukup panjang dalam Perumusan masalah dalam penelitian ini
proses pendaftaran ulang tersebut. yaitu:
Salah satu cara yang dapat untuk 1. Bagaimana membuat model yang tepat
mengatasi masalah antrian tersebut adalah untuk sistem pendaftaran ulang siswa
dengan membuat model yang dapat baru di SMA Negeri 4 Padang?
menggambarkan sistem nyata pendaftaran 2. Bagaimana mensimulasikan model yang
ulang siswa baru. Kemudian model tersebut sesuai dengan sistem nyata pada antrian
disimulasikan sehingga bisa mengetahui pendaftaran ulang siswa baru di SMA
seperti apa antrian yang akan terjadi. Dengan Negeri 4 Padang?
mencoba berbagai model dan simulasi model 3. Bagaimana menggunakan metoda
tersebut maka sekolah bisa mengetahui Kolmogorov-Smirnov untuk
kelemahan dari sistem tersebut sehingga dapat mensimulasikan sistem pada antrian
mengambil tindakan yang paling tepat agar pendaftaran ulang siswa baru di SMA
antrian yang terjadi menjadi seminimal Negeri 4 Padang?
mungkin.
Pemodelan dan Simulasi mempunyai 2. LANDASAN TEORI
keterkaitan yang erat. Pemodelan adalah suatu
tindakan yang dilakukan untuk membuat 2.1. Pemodelan
model. Model merupakan suatu perumpamaan Pemodelan berasal dari kata model yang
yang mewakili dunia nyata. Sedangkan diberi awalan pe- dan akhiran –an. Pada
simulasi adalah proses atau tindakan yang awalnya kata model adalah sebuah kata benda
terjadi antara model-model yang telah dibuat namun dengan adanya penambahan imbuhan
berdasarkan dunia nyata. Metoda maka pemodelan menjadi kata kerja yang
Kolmogorov-Smirnov adalah metoda yang berarti tindakan yang dilakukan untuk
dilakukan agar simulasi yang dilakukan membuat model.
terhadap model yang telah dibuat benar-benar Pemodelan adalah tahapan (langkah)
dalam membuat model dari suatu sistem nyata 1. Model Terbuka

(realitas). Bahasa yang disepakati dalam 2. Model Tertutup
pemodelan bisa dalam bentuk bahasa alamiah g. Kelas VII, pembagian model menurut
(natrural) seperti Bahasa Indonesia, bahasa derajat kuantifikasinya yaitu:
gambar, bahasa simbol, bahasa matematika, 1. Model Kualitatif
atau bahasa komputer. Tujuan dari studi 2. Model Kuantitatif
pemodelan adalah menetukan informasi h. Kelas VIII, pembagian model menurut
(variable atau parameter) yang dianggap dimensinya yaitu:
penting untuk dikumpulkan, sehingga tidak 1. Model Dua Dimensi
ada model yang unik [1]. 2. Model Multi Dimensi
Model dapat berfungsi sebagai [1]: Tahapan tahapan pengembangan model
a. Pembantu untuk berfikir yaitu:
b. Pembantu untuk berkomunikasi
c. Alat dan latihan 2.2. Simulasi
d. Alat prediksi Simulasi adalah proses implementasi
e. Pembantu dalam percobaan model menjadi program komputer (software)
Model harus memiliki empat atau rangkaian elektronik dan mengeksekusi
karakteristik dasar [2] sebagai berikut: software tersebut sedemikian rupa sehingga
a. Model harus mempunyai tingkat perilakunya menirukan atau menyerupai
generalisasi yang tinggi sistem nyata (relitas) tertentu untuk tujuan
b. Model harus mempunyai mekanisme mempelajari perilaku (behavior) sistem,
yang transparan pelatihan (trainning), atau permainan
c. Model harus mempunyai potensi untuk (gaming) yang melibatkan sistem nyata. Jadi
dikembangkan (pengembangan model) proses simulasi adalah proses merancang
d. Model harus mempunyai kepekaan model dari suatu sistem yang sebenarnya,
terhadap perubahan asumsi mengadakan percobaan-percobaan terhadap
Model dapat ditampilkan dengan model tersebut dan mengevaluasi hasil
berbagai cara, oleh karena itu model dibagi percobaan [1].
atas beberapa jenis. Klasifikasi model ini Simulasi sebagai suatu teknik dalam
sangat bermanfaat untuk memberikan pembuatan suatu model dari sistem yang nyata
berbagai alternatif ataupun pilihan model yang atau usulan sistem sedemikian sehingga
dapat mewakili sistem yang nyata. Model perilaku dalam sistem tersebut pada kondisi
terdiri dari 8 kelas [3] yaitu: tertentu dapat dipelajari. Dengan simulasi para
a. Kelas I, pembagian model menurut analisis dimungkinkan untuk mengambil
fungsinya yaitu: kesimpulan tentang sistem baru tanpa harus
1. Model deskriptif membangunnya terlebih dahulu atau
2. Model prediktif melakukan perubahan pada sistem yang ada
3. Model normative tanpa mengganggu kegiatan yang sedang
b. Kelas II, pembagian model menurut berjalan [2].
strukturnya yaitu : Simulasi terbagi kedalam beberapa jenis
1. Model Ikonis yang dibagi kedalam beberapa
2. Model Analog pengelompokkan [1] diantaranya yaitu:
3. Model Simbolik a. Berdasarkan Perangkat Keras
c. Kelas III, pembagian model menurut 1. Simulasi Analog
acuan waktu yaitu : 2. Simulasi Digital
1. Model Statik 3. Simulasi Hybird
2. Model Dinamik b. Berdasarkan Waktu Simulasi
d. Kelas IV, pembagian model menurut 1. Simulasi Waktu Nyata (Real Time)
acuan kepastian yaitu : 2. Simulasi Off-Line
1. Model Deterministik c. Berdasarkan Teknik / Metodologi
2. Model Probabilistik 1. Simulasi Monte Carlo
3. Model Konflik 2. Simulasi Kemudi Jejak (Trace
4. Model Tidak Pasti Driven)
5. Model Game 3. Simulasi Kejadian Diskrit
e. Kelas V, pembagian model menurut
4. Simulasi Dinamis Kontinyu
derajat generalitas yaitu :
1. Model Umum
2. Model Spesifik/Kusus
2.3. Metoda Kolomogorov-Smirnov
f. Kelas VI, pembagian model menurut
Metoda Kolmogorov Smirnov adalah
lingkungannya yaitu:
suatu metoda uji nonparametrik untuk
perbedaan antara distribusi-distribusi

kumulatif, sebuah sampel uji menyangkut
persesuaian antara distribusi kumulatif yang 8. Menghitung nilai Ft dari setiap baris data
teliti dari nilai-nilai sampel dan fungsi yang akan diuji dan memasukkan nilai
distribusi kontinyu yang spesifik, jadi hal tersebut kedalam tabel 2.1. Untuk
tersebut merupakan suatu Goodness of Fit menghitung nilai Ft dapat menggunakan
Test. rumus:
Uji dua sampel menyangkut persesuaian a. Jika nilai z negatif, maka 0,5
antara dua distribusi yang diteliti yang dikurangi luas wilayah pada tabel z
menguji suatu hipotesa apakah dua sampel (Fz)
bebas berasal dari distribusi kontinyu identik, b. Jika nilai z positif, maka 0,5
dan peka terhadap perbedaan populasi dengan ditambah luas nilai z pada tabel z
melihat pada lokasi, disperse atau skewness. (Fz).
Uji sebuah sampel Kolmogorov Smirnov Nilai tabel z (Fz) dapat dilihat pada
secara umum lebih efisien dibandingkan lampiran 3
dengan uji Chi-square untuk Goodness of fit Dimana;
test dari sampel dalam jumlah kecil, dan dapat Ft = Probabilitas komulatif normal
digunakan untuk sampel yang sangat kecil, Fz = Nilai z yang ada pada tabel z
dimana di dalam uji Chi-square tidak dapat 9. Menghitung nilai Fs dari setiap baris data
diterapkan. yang akan diuji dan memasukkan nilai
Langkah-langkah untuk melakukan uji tersebut kedalam table 2.1. Dengan
Kolmogorov Smirnov diantaranya yaitu: menggunakan Rumus:
1. Menentukan Hipotesis yang akan diuji.
Hipotesis yang akan diuji yaitu:
H0 = Data terdistribusi secara normal
10. Menghitung nilai Absolute dari setiap
H1 = Data tidak terdistribusi secara normal
baris data yang akan diuji dan
2. Menentuan taraf signifikansi (α)
memasukkan nilai tersebut kedalam tabel
pengukuran, taraf signifikansi pengukuran
2.1. Untuk menghitung nilai Absolute
yang sering digunakan adalah sebesar 5 %
dapat menggunakan rumus |Ft - Fs|.
atau 0,05. α = 0,05
11. Menghitung statistik uji pada tabel tersebut
3. Menghitung banyak data ( ) dari data dengan rumus: D = Maks |Ft - Fs|
yang akan diuji. 12. Kriteria Uji yaitu: Tolak Ho jika D
4. Menghitung rata-rata (mean) dari data maks ≥ D tabel , terima H0 jika D maks <
yang akan diuji. Untuk menghitung rata- D Tabel.
rata data dapat menggunakan rumus: 13. Menarik kesimpulan apakah data yang
dijadikan sampel telah terdistribusi secara
5. Menghitung standar deviasi (SD) dari yang normal.
akan diuji. Untuk menghitung standar
deviasi data dapat menggunakan rumus: 2.4. Antrian
Teori tentang antrian diketemukan dan
dikembangkan oleh A. K. Erlang, seorang
6. Mengurutkan seluruh data dari yang insinyur dari Denmark yang bekerja pada
terkecil hingga yang terbesar kemudian perusahaan telepon di Kopenhagen pada tahun
memasukkan hasilnya kedalam tabel 1910. Erlang melakukan eksperimen tentang
perhitungan dibawah ini: fluktuasi permintaan fasilitas telepon yang
berhubungan dengan automatic dialing
Tabel 1. Tabel Perhitungan Kolmogorv Smirnov equipment, yaitu peralatan penyambungan
telepon secara otomatis.
Antrian ialah suatu garis tunggu dari
nasabah (satuan) yang memerlukan layanan
dari satu atau lebih pelayan (fasilitas layanan)
[4]. Proses antrian (queueing process) adalah
7. Menghitung nilai Z Score dari setiap baris suatu proses yang berhubungan dengan
data yang akan diuji dan memasukkan kedatangan seseorang pelanggan pada suatu
nilai tersebut kedalam tabel 2.1. Untuk fasilitas pelayanan, kemudian menunggu
menghitung Z Score data dapat dalam suatu baris (antrian) jika semua
menggunakan rumus: pelayannya sibuk, dan akhirnya meninggalkan
fasilitas tersebut. Sebuah antrian adalah suatu
himpunan pelanggan, pelayan dan suatu SMA Negeri 4 Padang juga melakukan
aturan yang mengatur kedatangan pada proses pendaftaran ulang bagi siswa baru yang
pelanggan dan pemroses masalahnya [5]. telah lulus PSM On-Line dengan prosedur
Dalam sistem antrian terdapat beberapa sebagai berikut:
komponen dasar proses antrian antara lain a. Menyerahkan bukti pendaftaran PSB On-
yaitu: Line yang berupa Print-Out PSB On-Line
a. Kedatangan b. Membayar uang pembangunan sekolah
b. Pelayanan dan training ESQ
1. Tersedianya Pelayanan c. Membayar uang seragam sekolah
2. Kapasitas Pelayanan diantaranya yaitu seragam putih Abu-abu,
3. Lama Pelayanan pramuka, batik, muslim dan olah raga
c. Antrian d. Melakukan pemilihan ukuran pakaian
d. Disiplin Antrian yang telah dipesan
1. First Come First Served (FCFS) atau Untuk melakukan prosedur yang telah
First In First Out (FIFO) ditetapkan diatas maka SMA Negeri 4 Padang
2. Last Come First Served (LCFS) atau membuka pos-pos pelayanan untuk melayani
Last In First Out (LIFO) pendaftaran ulang siswa baru tersebut. Fungsi
3. Service In Random Order (SIRO) ke empat pos tersebut sebagai berikut:
atau Random Selection for Service a. Penyerahan print-out PSB On-Line
(RSS) b. Pos kedua melayani pembayaran uang
4. Priority Service (PS) pembangunan dan training ESQ
e. Struktur Antrian c. Pos ketiga melayani pembayaran uang
1. Single Channel – Single Phase seragam sekolah
2. Single Channel – Multi Phase d. Pos keempat melayani pemilihan ukuran
3. Multi Channel – Single Phase pakaian seragam sekolah.
4. Multi Channel – Multi Phase Keempat pos pelayanan tersebut harus
f. Model Antrian dilewati satu per satu secara berurutan tanpa
Format umum model : (a/b/c);(d/e/f) ada pos yang diloncati agar proses pendaftaran
di mana : ulang lengkap sehingga siswa baru tersebut
a = distribusi pertibaan / kedatangan telah sah untuk menjadi siswa baru di SMA
(arrival distribution), yaitu jumlah Negeri 4 Padang. Setiap pos dilayani oleh
pertibaan pertambahan waktu. minimal satu orang petugas pelayanan.
b = distribusi waktu pelayanan /
perberangkatan, yaitu selang waktu 2.6. SMA Negeri 4 Padang
antara satuan – satuan yang dilayani
(berangkat). SMA Negeri 4 Padang terletak lebih
c = jumlah saluran pelayanan paralel kurang 5 km arah Timur dari pusat Kota
dalam sistem. Padang tepatnya di Jalan Linggar Jati No.1,
d = disiplin pelayanan. RT.04, RW 01, Kelurahan Lubuk Begalung,
e = jumlah maksimum yang Kecamatan Lubuk Begalung Kota Padang
diperkenankan berada dalam sistem Provinsi Sumatera Barat Indonesia. SMA
(dalam pelayanan ditambah garis Negeri 4 Padang bersebelahan dengan SMA
tunggu). PGRI 2 Padang dan berdekatan dengan
f = besarnya populasi masukan. kampus Universitas Putra Indonesia (UPI)
“YPTK” Padang.
2.5. Pendaftaran Ulang Siswa Baru yang
Lulus PSB On-Line 3. METODOLOGI PENELITIAN
Pendaftaran ulang siswa baru yang lulus 3.1. Kerangka Kerja Penelitian
PSB On-Line adalah proses pendaftaran Langkah-langkah tersebut mencakup dari
lanjutan (ulang) bagi siswa-siswi yang telah awal penelitian sampai dengan akhir
lulus seleksi Pendaftaran Siswa Baru (PSB) penelitian. Agar penelitian yang dilakukan
secara On-Line yang dilakukan oleh dapat terlaksana dengan terstruktur dan
pemerintah Kota Padang melalui website: sistematis maka dirasa perlu untuk menyusun
http://www.psbonlinepadang.go.id. Proses kerangka kerja penelitian.
pendaftaran ulang siswa tersebut dilakukan di
Sekolah masing-masing dengan prosedur yang
berbeda-beda tergantung kepada pengelola
Sekolah tersebut.
dibatasi sebelumnya yang bersumber buku,

jurnal, karya tulis ilmiah, artikel,
ensykolopedi, tesis, dan berbagai sumber dari
internet dan para ahli yang dapat
dipertanggung jawabkan. Kegiatan studi
literatur yang dilakukan dalam penelitian ini
yaitu:
1. Mempelajari Literatur
2. Mengamati Kondisi Lapangan
3.2.4. Mengumpulkan Data

Teknik yang dilakukan dalam
mengumpulkan data dalam penelitian ini
adalah dengan teknik observasi dan
wawancara. Data-data yang dibutuhkan
dikumpulkan langsung dilapangan yang
bertempat di tempat pendaftaran ulang siswa
baru yang lulus PSB on-line di SMA Negeri 4
Padang Jl. Linggar Jati No. 1, Kelurahan
Gambar 1. Kerangka Kerja Penelitian
Lubuk Begalung, Kecamatan Lubuk Begalung
3.2. Uraian Kerangka Kerja Penelitian
kota Padang. Pengumpulan data menggunakan
alat bantu yaitu form pengumpulan data dan
3.2.1. Mengidentifikasi, Merumuskan dan
sebuah alat pencatat waktu yaitu stop watch.
Membatasi Masalah
Sedangkan untuk pengumpulan data
Mengidentifikasi masalah adalah
wawancara menggunakan daftar pertanyaan.
melakukan identifikasi terhadap masalah-
Form pengumpulan data yang
masalah yang ada pada suatu sistem.
digunakan berbentuk sebuah tabel yang
Identifikasi adalah tindakan mengenali,
berisikan data-data angka yang didapatkan
mendeteksi, mengelompokkan, dan
dilapangan. Bentuk form pengumpulan data
menentukan suatu hal yang spesifik/penyebab
sebagai berikut:
dari suatu peristiwa/kejadian tertentu.
Merumuskan masalah adalah melakukan
Tabel 2. Form Pengumpulan Data
perumusan terhadap masalah-masalah yang
telah diidentifikasi dari suatu sistem.
Merumuskan adalah tindakan mengkonsep,
menformulakan, mempolakan, dan
memperjelas suatu hal yang telah
diidentifikasi sebelumnya. Membatasi 3.2.5. Merancang Model
masalah adalah melakukan pembatasan Model disni merupakan suatu
terhadap masalah-masalah yang telah representasi atau formalisasi dalam bahasa
dirumuskan dari suatu sistem. tertentu yang disepakati dari suatu sistem yang
nyata. Model menggambarkan bentuk
3.2.2. Menentukan Tujuan Penelitian sebenarnya dari benda/alat, sistem yang
Tujuan penelitian adalah suatu hal dicontoh, diacu, diragami, tersebut. Model
yang akan dituju/dicapai dalam suatu yang dimaksud dalam penelitian ini adalah
penelitian yang dilakukan. Tujuan penelitian model antrian sistem pendaftaran ulang siswa
merupakan hasil akhir ideal yang diharapkan baru yang lulus PSB on-line di SMA Negeri 4
tercapai setelah penelitian tersebut dilakukan. Padang.
3.2.3. Studi Literatur 3.2.6. Mensimulasikan Model

Studi literatur berasal dari dua kata Mensimulasikan berarti mencoba
yaitu studi dan literatur. Studi adalah tindakan mengoperasikan model yang telah dirancang
mempelajari dan memahami sesuatu ilmu secara komputerisasi agar model tersebut
sedangkan literatur adalah bahan sumber dapat menggambarkan kondisi sistem secara
tertulis yang telah dibahas oleh para ahli nyata dilapangan. Dalam penelitian ini
sebelumnya mengenai sesuatu ilmu. Studi simulasi yang dilakukan adalah terhadap
literatur adalah tindakan yang dilakukan untuk model antrian pendaftaran ulang siswa baru
mempelajari secara ilmiah dan teoritis yang lulus PSB on-line di SMA Negeri 4
terhadap masalah-masalah/ilmu yang telah Padang. Untuk mensimulasikan model
tersebut digunakan sebuah perangkat lunak Jumlah pos pendaftaran adalah sebanyak 4
8
(sofware) khusus untuk mensimulasikan pos.
model yaitu Promodel 7.5. Jumlah petugas pendaftaran adalah
sebanyak 1 orang pada setiap pos maka
9
3.2.7. Mengimplementasi Model jumlah petugas pada seluruh pos adalah
Mengimplementasikan model adalah sebanyak 4 orang.
menerapkan model yang terbaik dilapangan Petugas lain yang ditugaskan adalah 1 orang
sesungguhnya. Selain dari itu dengan IT, 1 orang pelayanan informasi dan 1 orang
penerapan model yang terbaik tersebut maka 10 kurir dan 1 orang keamanan/satpam maka
antrian yang terjadi dapat seminimal mungkin. total keseluruhan petugas adalah sebanyak 8
orang.
3.2.8. Menguji Model Waktu istirahat petugas selama 60 Menit / 1
11
Menguji model adalah menguji model Jam.
usulan yang terbaik dengan model yang Waktu istirahat petugas dari pukul 12.00 s/d
12
sebenarnya apakah hasil simulasi yang telah 13.00 WIB.
dilakukan memang lebih baik dibandingkan Jumlah siswa yang mendaftar adalah
13
dengan simulasi sistem nyatanya. sebanyak 280 orang.
Pada umumnya siswa baru yang mendaftar
4. ANALISA DAN PERANCANGAN 14 datang bersama 1 orang teman atau 1 orang
MODEL orang tuanya.
Kondisi antrian pendaftaran semeraut, tidak
4.1. Analisa Data tertib dan tidak merata pada hari pertama
4.1.1. Analisis Data Hasil Wawancara 15 pendaftaran. Pada hari kedua berangsur
Sumber informasi wawancara dalam lebih sepi dan hari ketiga lebih sepi lagi dan
penelitian ini yaitu Kepala Sekolah SMA hari ke empat sangat sepi.
Negeri 4 Padang yaitu Bapak Drs. Yunisra, Penyebab antrian yang semeraut, tidak tertib
M.Kom. Dalam pengumpulan data hasil dan tidak merata diantaranya karena
wawancara ini digunakan pertanyaan karakter peserta pendaftaran yang tidak mau
16
sebanyak 20 pertanyaan. bersabar antri, susunan/model pendaftaran
yang tidak bagus, petugas pelayanan yang
Tabel 3. Kesimpulan Jawaban Pertanyaan
kurang, waktu pendaftaran yang singkat dll.
Wawancara
Ada, Sebanyak 1 orang untuk ke empat pos
No Kesimpulan
pendaftaran yang merupakan
Pendaftaran dilakukan dari tanggal 27 Mei
1 17 security/satpam merangkap sebagai
2013 s/d 30 Mei 2013.
pengatur pendaftar agar tertib antri secara
Pendaftaran dilakukan di lapangan parkir
2 tertib dan teratur.
dan ruang kelas SMA Negeri 4 Padang.
Antrian pendaftaran paling panjang dan
Alamat lengkap SMA Negeri 4 Padang 18
tidak tertib terjadi pada pos 2.
yaitu Jl. Linggar Jati No. 1, Kel. Lubuk
3 Penyebab antrian panjang dan tidak tertib
Begalung, Kec. Lubuk Begalung, Kota
karena pos 2 merupakan tempat pembayaran
Padang, Propinsi Sumatera Barat.
uang pembangunan sekolah dan biaya ESQ
Pendaftaran dibuka dari pukul 09.00 s/d
4 sehingga petugas pendaftaran harus hati-hati
15.00 WIB. 19
menghitung uang yang dibayarkan
5 Tahapan pendaftaran sebanyak 4 tahap. pendaftar, mengembalikan uang kembalian
Tahapan pendaftaran yaitu: pendaftar serta membuatkan kuitansi
1. Menyerahkan bukti pendaftaran PSB pembayaran
On-Line yang berupa Print-Out PSB Solusi untuk memecahkan kesemerautan,
On-Line ketidak tertiban dan ketidak merataan
2. Membayar uang pembangunan sekolah antrian pendaftaran seperti merancang
dan training ESQ 20
6 susunan model pendaftaran ulang,
3. Membayar uang seragam sekolah mensimulasikan model, menambah petugas,
diantaranya yaitu seragam putih abu- menambah hari pendaftaran dll.
abu, pramuka, batik, muslim dan olah
raga
Diagram alir (flow chart) proses
4. Melakukan pemilihan ukuran pakaian
pendaftaran ulang siswa baru yang lulus PSB
yang telah dipesan
On-Line di SMA Negeri 4 Padang ditunjukkan
Pendaftaran dilakukan dengan membuka
pada gambar 4.1. dibawah ini:
beberapa pos pendaftaran dan menempatkan
7
petugas pelayanan pada masing-masing pos
pendaftaran.
Mulai
sebanyak 15 orang dan begitu seterusnya

sampai jam istirahat.
 Pendaftar menyerahkan bukti3. Kondisi Pos Pendaftaran 3
pendaftaran PSB On-Line Pada pos 3 tidak terjadi penumpukan
Pos 1  Pendaftar mendapatkan blangko pendaftar. Persebaran jumlah antrian cukup
pembayaran uang pembangunan merata. Namun perbedaannya antrian baru
sekolah dan trainning ESQ ramai setelah pendaftaran dibuka 30 menit.
Pada saat pendaftaran dibuka jumlah antrian
sebanyak 9 orang. Pada 30 menit berikutnya
 Pendaftar membayar uangjumlah pendaftar bertambah menjadi sebanyak
pembangunan sekolah dan trainning 14 orang dan begitu seterusnya sampai jam
Pos 2 ESQ istirahat.
 Pendaftar mendapatkan kuitansi 4. Kondisi Pos Pendaftaran 4
pembayaran uang pembangunan Pada pos 4 tidak terjadi penumpukan
sekolah dan training ESQ dan pendaftar. Persebaran jumlah antrian cukup
blangko pembayaran uang seragammerata. Namun perbedaannya antrian baru
sekolah. ramai setelah pendaftaran dibuka 30 menit.
 Pendaftar membayar uang seragam
Pos 3 sebanyak 9 orang. Pada 30 menit berikutnya
sekolah
jumlah pendaftar bertambah menjadi sebanyak
 Pendaftar mendapatkan kuitansi
12 orang dan begitu seterusnya sampai jam
seragam sekolah dan blangko
pemilihan ukuran seragam sekolah. istirahat.
Tabel 5. Distribusi Frekuensi Data Hari Kedua
 Pendaftar memilih ukuran seragam
Pos 4 sekolah
 Pendaftar mendapatkan blangko
pemilihan ukuran seragam sekolah
Gambar 2. Diagram Alir Pendaftaran
yang telah ditanda tangani dan
Ulang
Selesai Siswa Baru SMAN 4 Padang
distempel petugas.
4.1.2. Analisis Data Hasil Pengisian Form

Pengumpulan Data
4.1.2.1. Analisa Data Distribusi Frekuensi 1. Kondisi Pos Pendaftaran 1

Pada pos 1 jumlah antrian yang paling
Tabel 4. Distribusi Frekuensi Data Hari panjang dan ramai terjadi saat pendaftaran
Pertama baru saja dibuka di 30 menit pertama yaitu
pukul 09.00 – 09.29.59. Jumlah antrian yang
terjadi sebanyak 28 orang.
2. Kondisi Pos Pendaftaran 2
Pada pos 2 tidak terjadi penumpukan
pendaftar. Persebaran jumlah antrian cukup
merata. Pada saat pendaftaran dibuka jumlah
antrian sebanyak 19 orang. Pada 30 menit
berikutnya jumlah pendaftar berkurang sedikit
menjadi sebanyak 17 orang dan begitu
seterusnya sampai jam istirahat.
1. Kondisi Pos Pendaftaran 1 3. Kondisi Pos Pendaftaran 3
Pada pos 1 jumlah antrian yang paling Pada pos 3 tidak terjadi penumpukan
panjang dan ramai terjadi saat pendaftaran pendaftar. Persebaran jumlah antrian cukup
baru saja dibuka di 30 menit pertama yaitu merata. Namun perbedaannya antrian baru
pukul 09.00 – 09.29.59. Jumlah antrian yang ramai setelah pendaftaran dibuka 30 menit.
terjadi sebanyak 47 orang. Pada saat pendaftaran dibuka jumlah antrian
2. Kondisi Pos Pendaftaran 2 sebanyak 9 orang. Pada 30 menit berikutnya
Pada pos 2 terjadi penumpukan pendaftar. jumlah pendaftar bertambah menjadi sebanyak
Pada saat pendaftaran dibuka jumlah antrian 14 orang dan begitu seterusnya sampai jam
sebanyak 21 orang. Pada 30 menit berikutnya istirahat.
jumlah pendaftar berkurang sedikit menjadi 4. Kondisi Pos Pendaftaran 4

merata. Namun perbedaannya antrian baru
ramai setelah pendaftaran dibuka 30 menit.
sebanyak 8 orang. Pada 30 menit berikutnya
jumlah pendaftar bertambah menjadi sebanyak
12 orang dan begitu seterusnya sampai jam
istirahat.
Tabel 6. Distribusi Frekuensi Data Hari Ketiga 1. Kondisi Pos Pendaftaran 1

Pada pos 1 jumlah antrian yang paling
panjang dan ramai terjadi saat pendaftaran
baru saja dibuka di 30 menit pertama yaitu
pukul 09.00 – 09.29.59. Jumlah antrian yang
terjadi sebanyak 10 orang.
2. Kondisi Pos Pendaftaran 2
merata. Pada saat pendaftaran dibuka jumlah
antrian sebanyak 9 orang. Pada 30 menit
1. Kondisi Pos Pendaftaran 1 berikutnya jumlah pendaftar berkurang sedikit
Pada pos 1 jumlah antrian yang paling menjadi sebanyak 4 orang dan begitu
panjang dan ramai terjadi saat pendaftaran seterusnya sampai jam istirahat.
baru saja dibuka di 30 menit pertama yaitu 3. Kondisi Pos Pendaftaran 3
pukul 09.00 – 09.29.59. Jumlah antrian yang Pada pos 3 tidak terjadi penumpukan
terjadi sebanyak 16 orang. pendaftar. Persebaran jumlah antrian cukup
2. Kondisi Pos Pendaftaran 2 merata. Pada saat pendaftaran dibuka jumlah
Pada pos 2 tidak terjadi penumpukan antrian sebanyak 8 orang. Pada 30 menit
pendaftar. Persebaran jumlah antrian cukup berikutnya jumlah pendaftar berkurang
merata. Pada saat pendaftaran dibuka jumlah menjadi sebanyak 4 orang dan begitu
antrian sebanyak 14 orang. Pada 30 menit seterusnya sampai jam istirahat.
berikutnya jumlah pendaftar berkurang sedikit 4. Kondisi Pos Pendaftaran 4
menjadi sebanyak 7 orang dan begitu Pada pos 4 tidak terjadi penumpukan
seterusnya sampai jam istirahat. pendaftar. Persebaran jumlah antrian cukup
3. Kondisi Pos Pendaftaran 3 merata. Pada saat pendaftaran dibuka jumlah
Pada pos 3 tidak terjadi penumpukan antrian sebanyak 7 orang. Pada 30 menit
pendaftar. Persebaran jumlah antrian cukup berikutnya jumlah pendaftar berkurang
merata. Namun perbedaannya antrian baru menjadi sebanyak 5 orang dan begitu
ramai setelah pendaftaran dibuka 30 menit. seterusnya sampai jam istirahat.
sebanyak 13 orang. Pada 30 menit berikutnya 4.1.2.2. Analisa Uji Kolmogorov-Smirnov
jumlah pendaftar berkurang menjadi sebanyak
5 orang dan begitu seterusnya sampai jam Langkah-langkah untuk melakukan uji
istirahat. Kolmogorov Smirnov diantaranya yaitu:
4. Kondisi Pos Pendaftaran 4 1. Hipotesis yang akan diuji yaitu:
Pada pos 4 tidak terjadi penumpukan H0 = Data terdistribusi secara normal
pendaftar. Persebaran jumlah antrian cukup H1 = Data tidak terdistribusi secara normal
merata. Namun perbedaannya antrian baru 2. Pengukuran, taraf signifikansi pengukuran
ramai setelah pendaftaran dibuka 30 menit. yang sering digunakan adalah sebesar 5 %
Pada saat pendaftaran dibuka jumlah antrian atau 0,05. α = 0,05
sebanyak 7 orang. Pada 30 menit berikutnya 3. Dalam penelitian ini data yang akan diuji
jumlah pendaftar bertambah menjadi sebanyak adalah sebanyak 280 data yang didapatkan
13 orang dan begitu seterusnya sampai jam dengan menjumlahkan banyak data hari
istirahat. pertama, hari kedua, hari ketiga dan hari
keempat pendaftaran. Dengan rincian
Tabel 7. Distribusi Frekuensi Data Hari sebagai berikut:
Keempat
= Banyak data hari pertama + Banyak luas nilai z pada tabel z (Fz).
Ft = 0,5 - Fz = 0,5 - 0,3413 = 0,1587
data hari kedua + Banyak data hari
Ft = 0,5 - Fz = 0,5 - 0,3413 = 0,1587
ketiga + Banyak data hari keempat
Ft = 0,5 + Fz = 0,5 + 0,4783 = 0,9783
= 115 + 82 + 53 + 30
= 280 9. Menghitung nilai Fs Dengan
4. Untuk menghitung rata-rata data dapat menggunakan Rumus:
menggunakan rumus: Fs =
x=
Fs = Probabilitas komulatif empiris
Dalam penelitian ini maka:
= xi 1 + xi 2 + ….. + xi 280 Dalam penelitian ini data pada baris 1
= 1,0 + 1,0 + ….. + 350,0 (*) terdapat data 1,0 munculnya sebanyak 34
Sehingga: kali seperti tabel berikut ini:
x= = = 116,9 Tabel 8. Perhitungan Nilai Fs
5. Untuk menghitung standar deviasi data

dapat menggunakan rumus:
SD =
maka:
Fs =
= = 0,1214
Sehingga:
10. Untuk menghitung nilai Absolute dapat
menggunakan rumus: |Ft - Fs|
SD = =
Dalam penelitian ini nilai Absolute adalah:
SD = = 115,4 |Ft - Fs| = |0,1587 – 0,1214| = 0,0363 (Data
baris 1)
|Ft - Fs| = |0,1587 – 0,1214| = 0,0363 (Data
6. Mengurutkan seluruh data dari yang
baris 2)
terkecil hingga yang terbesar kemudian
|Ft - Fs| = |0,9783 –1,0000|=0,0217 (Data baris
memasukkan hasilnya kedalam tabel
280)
perhitungan Kolmogorov-Smirnov.
11. Melengkapi seluruh data pada tabel
7. Untuk menghitung Z Score data dapat
tersebut tanpa ada yang kosong
menggunakan rumus:
12. Menghitung statistik uji pada tabel tersebut
Z= dengan rumus:
D = Maks |Ft - Fs| = |0.1483| = 0.1483 13.
Z= = = = - 1,0043 Kriteria Uji yaitu: Tolak Ho jika D
maks ≥ D tabel , terima H0 jika D maks <
Z= = = = - 1,0043 D Tabel. Dengan α = 0,05 dan n = 280.
Karena D maks = 0, 1483 < D tabel =
Z = = = = 0,2336, jadi Ho diterima, berarti sampel
yang diambil dari populasi yang
2,0192 terdistribusi secara normal.
13. Berdasarkan hasil perhitungan yang telah
8. Menghitung nilai Ft dari setiap baris data dilakukan didapat kesimpulan bahwa
yang akan diuji dan memasukkan nilai persebaran data yang didapat telah
tersebut kedalam tabel 4.6. Untuk terdistribusi secara normal.
menghitung nilai Ft dapat menggunakan
rumus:
 Jika nilai z negatif, maka 0,5 dikurangi
luas wilayah pada tabel z (Fz)
 Jika nilai z positif, maka 0,5 ditambah a. Simulasi Data Antrian
Model pendaftaran ulang pada saat Tabel 11. Simulasi Antrian Pada Hari 1 Di Pos 3
pendaftaran ulang yaitu:
Gambar 3. Model Antrian Pendaftaran
Simulasi model antrian yang dilakukan

adalah simulasi terhadap 280 pendaftar yang
terbagi kedalam 4 macam yaitu simulasi
antrian pada hari pertama, hari kedua, hari
ketiga dan hari keempat. Oleh karena banyak
peserta pendaftaran yang termasuk dalam
antrian maka simulasi dalam BAB ini
dilakukan pada hari pertama di pos
pendaftaran 1 s/d 4 terhadap 20 sampel 30
menit pertama saat pendaftaran baru dibuka
pukul 09.00.00 – 09.30.00. Tabel 12. Simulasi Antrian Pada Hari 1 Di Pos 4
Tabel 9. Simulasi Antrian Pada Hari 1 Di Pos 1
Tabel 10. Simulasi Antrian Pada Hari 1 Di Pos 2 b. Perancangan Model Usulan
Pada penelitian ini peneliti mengusulkan
agar model pendaftaran pada hari pertama
dimodifikasi menjadi enam pos pendaftaran.
Enam pos pendaftaran tersebut diusulkan
karena terjadi penumpukan antrian pada kedua
pos pendaftaran. Enam pos pendaftaran
tersebut terbentuk dari pemecahan pos
pendaftaran pertama dan kedua yang panjang
sehingga pos pendaftaran kedua dipecah
menjadi pos 1a, 1b dan 2a, pos 2b yang
melayani secara bersama-sama atau paralel.
Sedangkan pada hari kedua, ketiga dan
keempat model yang telah ada sudah cukup
baik karena antrian yang terjadi.
Gambar 4. Rancangan Model Usulan
sedangkan pos pendaftaran 2 dipecah

5. IMPLEMENTASI DAN PENGUJIAN menjadi dua pos yaitu pos 2a dan 2b.
MODEL
5.1. Implementasi Metoda Kolmogorov-

Smirnov
Implementasi metoda Kolmogorov

Smirnov dilakukan dengan menggunakan
perangkat lunak aplikasi statistik. Perangkat
lunak yang digunakan adalah SPSS Versi 16.
Gambar 8. Simulasi Model Usulan Kasus 1
Gambar 9. Statistik Simulasi Model Kasus 1
Gambar 5. Hasil Uji Kolmogorov-Smirnov

2. Pada kasus 2 model pos pendaftaran pada
kasus 1 diterapkan untuk melayani
5.2. Implementasiu Model Nyata pendaftar yang lebih banyak dibandingkan
dengan kasus 1 yaitu sebanyak 300
Implementasi model yang telah
dirancang dibuat dengan bantuan perangkat
lunak komputer yaitu Promodel versi 7.5.
Gambar 10. Simulasi Model Usulan Kasus

2
Gambar 6. Implementasi Model Nyata
5.3. Implementasi Model Usulan
Implementasi model yang telah dirancang

dibuat dengan bantuan perangkat lunak
komputer yaitu Promodel versi 7.5.
Gambar 11. Statistik Simulasi Model Kasus 2
5.5. Tabel Perbandingan Model Nyata
Dengan Kasus 1
Tabel 13. Perbandingan Model Nyata Dengan

Model Usulan Kasus 1
Gambar 7. Menjalankan Simulasi Model
5.4. Pengujian Model Usulan

Pada model ini peneliti melakukan
pengujian terhadap dua kasus yaitu:
1. Pada kasus 1 pos pendaftaran 1 dipecah
menjadi dua pos yaitu pos 1a dan pos 1b
2. Setelah dilakukan pemecahan pos 2

menjadi 2 pos yaitu pos 2a dan 2b pada
hari pertama diketahui bahwa rata-rata
lama pendaftar menunggu pada pos 2a dan
2b lebih kecil yaitu sama-sama 0.2 menit
pada kedua pos yang sebelumnya selama
32 menit.
3. Dengan hasil simulasi yang dilakukan
dapat disimpulkan bahwa pemecahan pos
pendaftaran dapat membuat waktu rata-
rata pendaftaran menunggu menjadi lebih
kecil pada hari pertama pendaftaran.
DAFTAR REFERENSI
5.6. Tabel Perbandingan Model Nyata [1] Bambang Sridadi (2009). “Pemodelan dan
Dengan Kasus 2 Simulasi Sistem”. . Bandung:
Informatika Bandung. 1 – 70.
Tabel 13. Perbandingan Model Nyata Dengan [2] Miftahol Arifin (2009). “Simulasi Sistem”
Model Usulan Kasus 2
. Yokyakarta: Graha Ilmu. 1 – 100.
[3] Simatupang T. M. (2009). “Pemodelan
Sistem”. . Klaten: Penerbit Nindita.
1 – 50.
[4] Walley T., Haycox A., Boland A. (2004).
“Pharmacoeconomics”. . Philadelphia:
Churchil Livingstone. 5 – 10.
[5] Banks, J. (1998). “Principles of
simulations”. . in “Handbook of
Simulations”. New York: John Wiley &
Sons, , chapter I, pp. 3–30.
[6] Borwein, E. B. J. (1989). “Collins
Dictionary Mathematics”. Great Britain:
Collins. 20 – 30.
[7] Sabungan H. Hutapea, Michael, Ngarap In
Manik (2011). Jurnal. “Perancangan
Program Simulasi Penjadwalan Busway-
Transjakarta dengan Metode Repetitive
Scheduling”. Jakarta: Kementrian
Perhubungan RI dan Universitas Bina
Nusantara. 1 – 9.
[8] Veni Rianti Gerson, Syaripuddin, Darnah
A. Nohe (2013). Jurnal. “Simulasi Antrian
di Bank Kaltim KCP Sei. Pinang
6. KESIMPULAN
Samarinda Menggunakan Promodel”.
Samarinda: Universitas Mulawarman. 65 –
Berdasakan penelitian yang telah
73.
dilakukan penulis dapat menarik beberapa
[9] Herry Purwanti, Erma Suryani (2012).
kesimpulan diantaranya yaitu:
Jurnal. “Pemodelan dan Simulasi Untuk
1. Setelah dilakukan pemecahan pos 1
Meningkatkan Market Share Kartu
menjadi 2 pos yaitu pos 1a dan 1b pada
Prabayar dengan Pendekatan Sistem
hari pertama pendaftaran diketahui bahwa
Dinamik”. Surabaya: Institut Teknologi
rata-rata lama pendaftar menunggu pada
Sepuluh Nopember (ITS). A278 – A283.
pos 1a dan 1b lebih kecil yaitu 3.7 menit
[10] Elsa Pudji Setiawati (2009). “Penyusunan
dan 2.8 menit yang sebelumnya selama 15
Model”. Bandung: Universitas
menit.
Padjajaran. 1 – 17. “Tidak Diterbitkan”.
[11] I Made Tirta, Drs., M. Sc., Ph. D. (2006).
“Pengantar Metode Simulasi Statistika Universitas Jember. 1 – 20. “Tidak

dengan Aplikasi R dan S+”. Jember: Diterbitkan”.
PENENTUAN WAKTU BAKU PRODUKSI KERUPUK RAMBAK IKAN LAUT
“SARI ENAK” DI SUKOHARJO
Darsini
Program Studi Teknik Industri Fakultas Teknik
Universitas Veteran Bangun Nusantara Sukoharjo
E-mail : dearsiny@yahoo.com
ABSTRAK
Tujuan dalam penelitian ini adalah untuk mengetahui waktu baku dalam proses produksi
rambak/kerupuk ikan laut di KUBE “Sari Enak” yang beralamat di Wotgaled RT2 RW IX Sukoharjo.
Obyek penelitian adalah pada proses produksi pembuatan kerupuk rambak ikan laut. Metode yang
digunakan dalam pengumpulan data dengan cara observasi langsung di lapangan dan teknik
pengukuran waktu kerja dengan menggunakan metode pengukuran jam henti. Metode pengolahan data
dengan uji keseragaman data dan uji kecukupan data, kemudian dilakukan penghitungan waktu normal
dan waktu baku (standart) dalam proses produksi. Dari hasil pengolahan dan pembahasan diperoleh
bahwa data yang telah diperoleh selama 20 kali pengamatan yang terdiri dari 6 stasiun kerja
menunjukkan data seragam dan telah cukup. Sedangkan waktu baku yang digunakan untuk proses
produksi dalam pembuatan kerupuk rambak ikan laut dalam 1 periode pembuatan (60 kg)
membutuhkan waktu 306.58 menit, dalam satu hari dapat memproduksi kerupuk ikan laut sebanyak 1
sampai 2 kali produksi.
Kata Kunci : Waktu baku, proses produksi rambak ikan laut.
I. PENDAHULUAN
Kelurahan Sukoharjo merupakan salah satu kelurahan di pusat kota kabupaten
Sukoharjo namun pencaharian penduduknya masih ada yang buruh tani mencapai 1.485
orang, dan lain-lain mencapai 1.883 orang termasuk industri kecil yang bergerak di bidang
produksi makanan kecil. Salah satu industri kecil tersebut telah membentuk kelompok
usaha bersama (Kube) yang disebut KUBE ”Sari Enak” yang saat ini masih berkategori
Kube tumbuh. KUBE yang diberi nama ”Sari Enak” yang memproduksi makanan olahan
dari kulit ikan laut ”menjadi kerupuk rambak. Rambak adalah makanan semacam krupuk
atau kripik yang biasanya diolah dari kulit sapi, kerbau atau kambing. Rambak biasanya
dikonsumsi sebagai makanan kecil atau pendamping makan nasi. Kerupuk rambak yang
diproduksi KUBE ”Sari Enak” diberi label Rambak Asli Ikan Laut ” SARI ENAK” dan
telah dilakukan uji keamanan di Dinas Kesehatan Sukoharjo dan dinyatakan aman
dikonsumsi sehingga telah memiliki sertifikat tertanggal 04 Juni 2008 dengan kategori
Produksi Pangan Industri Rumah Tangga (P-IRT) No. 20233101188.
Kelompok usaha bersama (KUBE) ”Sari Enak” ini dirintis oleh Bapak Sri Yatno
sejak 4 tahun lalu. Dalam perkembangan usaha yang terus dijalankannya, makin lama
menunjukkan geliat hasilnya kemudian terbentuklah kelompok-kelompok yang mendukung
usaha ini yang hingga saat ini dipakailah sistem inti plasma. Sebagai inti adalah usaha
pengolahan kulit ikan laut yang dikelola oleh Bapak Sri Yatno sedang plasma adalah
kelompok-kelompok yang melakukan pengemasan terhadap produk jadi berupa kerupuk
rambak kulit ikan laut. Saat ini produksi kerupuk rambak yang dijalankan oleh KUBE ”Sari
Enak” hanya mencapai 50 kg bahan baku per 2 minggu. Padahal sebenarnya kapasitas
produksi bisa jauh lebih tinggi. Dari hasil pengamatan diketahui bahwa mulai dari proses
pengukusan, pencampuran bumbu, penjemuran, penggorengan dan pengemasan semua
dilakukan dengan cara manual. Meskipun dengan cara manual selain pencampuran bumbu
semua tahapan proses tidak terdapat kendala yang berarti. Untuk pemasaran krupuk ikan
219
Spektrum Industri, 2014, Vol. 12, No. 2, 113 – 247 ISSN : 1963-6590
laut di wilayah sekitar kabupaten Sukoharjo seperti kabupaten Sragen, kabupaten

Karanganyar.
Untuk mengetahui waktu, kuantitas, kualitas, serta biaya produksi harus diketahui
waktu baku yang digunakan untuk proses produksi dalam pembuatan kerupuk rampak ikan
laut tersebut. Untuk itu perlu dilakukan perhitungan analisis waktu baku sehinga dapat
diketahui waktu yang diperlukan dalam proses produksi tersebut. Berikut gambar proses
pembuatan kerupuk rambak ikan laut.
Kulit ikan pari, ikan hiu, dll

(setengah basah setengah kering, SSD)
Pengukusan, 30 menit
Pemotongan/pengirisan
Pencampuran bumbu
Pengeringan/Penjemuran
Penggorengan
Pengemasan
Kerupuk rambak ikan laut siap jual
Gambar 1. Proses pembuatan kerupuk rambak ikan laut

Berdasarkan proses produksi tersebut akan di lakukan penghitungan waktu baku
dalam proses pembuatan krupuk rambak ikan laut tersebut di atas, sehingga dapat
memberikan masukan yang berhubungan dengan kegiatan produksi terhadap KUBE ”Sari
Enak” di Wotgaleh Sukoharjo.
II. LANDASAN TEORI

A. Pengertian Pengukuran Waktu Kerja
Pengukuran waktu kerja dan analisis metode kerja pada dasarnya
memusatkan pada bagaimana pekerjaan tersebut diselesaikan. Pengukuran waktu
kerja adalah pekerjaan mengamati perkerja dan mencatat waktu kerjanya baik tiap
elemen maupun siklus. Tujuan dari pengukuran waktu kerja adalah untuk
menentukan waktu kerja rata-rata yang dibutuhkan oleh operator dalam melakukan
suatu pekerjaan. Tujuannya untuk mendapatkan waktu baku penyelesaian pekerjaan,
yakni waktu yang secara wajar untuk menyelesaikan suatu pekerjaan yang
dilaksanakan dalam system kerja terbaik. Pengukuran waktu kerja dapat dilakukan
secara langsung, yaitu suatu bentuk atau cara pengukuran kerja yang dilakukan di
tempat dimana pekerjaan tersebut dijalankan. Ada dua cara yang termasuk di dalam
220
pengukuran secara langsung, yaitu pengukuran dengan cara jam henti (Stop Watch)
dan sampling pekerjaan (Wignyosoebroto, 1989).
Pengukuran waktu ditujukan juga untuk mendapatkan waktu baku
penyelesaian dalam proses produksi, yaitu yang dibutuhkan secara wajar oleh
seorang pekerja normal untuk menyelesaikan pekerjaan yang dijalankan
dalam system kerja yang terbaik (Sutalaksana, 1980 : 117)
B. Pengukuran Waktu Kerja dengan Jam Henti

Pengukuran waktu jam henti adalah perangkat pengukuran yang telah
digunakan secara luas dalam industry. Sesuai dengan namanya, teknik ini
menggunakan jam henti sebagai alat pengukur waktu. Cara ini paling dikenal, karena
aturan-aturan cara penggunaannya sangat sederhana (Assauri Sofyan, 1984).
Secara garis besar langkah-langkah untuk pelaksanaan pengukuran waktu
kerja dengan jam henti adalah sebagai berikut :
a. Definisikan pekerjaan yang akan diteliti untuk diukur waktunya dan beritahukan
maksud dan tujuan pengukuran ini kepada pekerja yang dipilih untuk diamati dan
supervisor.
b. Catat informasi yang berkaitan erat dengan penyelesaian pekerjaan seperti lay-
out, spesifikasi mesin atau peralatan kerja yang digunakan dan lain-lain.
c. Bagi operasi kerja sedetail-detailnya tetapi masih dalam kemudahan untuk
pengukuran waktu.
d. Amati, ukur dan catat waktu yang dibutuhkan oleh operator untuk menyelesaikan
elemen-elemen kerja tersebut.
e. Terapkan siklus kerja yang harus diukur dan dicatat, tes pula keseragaman dana
dan kecukupan data.
f. Tetapkan rata of performance dari operatos saat melaksanakan ektifitas kerja
yang diukur dan dicatat waktu tersebut.
g. Sesuaikan waktu pengamatan dan performance kerja yang ditujukan oleh
operator tersebut sehingga akhirnya akan diperoleh waktu kerja normal.
h. Ditetapkan waktu longgar (allowance time) guna menghadapi kondisi-kondisi
seperti kebutuhan pribadi, factor kelelahan, keterlambatan material, dan lain-lain.
i. Tetapkan waktu baku yaitu jumlah dari waktu normal dan waktu longgar.
Untuk menentukan waktu baku dengan rumus : (Wignyosoebroto, 1989)
Dimana :
Wb = Waktu baku
Wn = Waktu normal
L = Faktor Kelonggaran
C. Uji Keseragaman Data

Berdasarkan langkah-langkah tersebut terlihat bahwa pengukuran kerja dengan
jam henti ini merupakan pengukuran yang obyektif karena disini waktu yang
ditetapkan berdasarkan fakta yang terjadi dan tidak sekedar diestimasi secara
obyektif.
Data yang diperoleh dari pengukuran terlebih dahulu dilakukan uji keseragaman
data sebelum digunakan untuk menetapkan waktu baku. Uji keseragaman data
dilaksanakan dengan mengaplikasikan peta control (control chart) adalah suatu alat
yang cocok untuk menguji keseragaman data yang diperoleh dari pengamatan. Data
yang diperoleh dari pengukuran dikelompokkan ke dalam sub group-sub group
(Wignyosoebroto, 1989).
221
Uji keseragaman data dilakukan dengan langkah-langkah sebagai berikut :

1. Memasukkan data ke dalam sub group dan menghitung rata-rata dari setiap sub
group dengan rumus sebagai berikut :
Dimana :
X = Rata-rata dari seluruh sub group
X1 = Waktu penyelesaian yang diamati
n = Banyaknya data dari sub group ke-i
2. Menghitung harga rata-rata dari harga ratasub group
Dimana :
X = Rata-rata dari seluruh sub group
X = Rata-rata dari sub group
kσ = Banyaknya sub group
3. Menghitung harga standar deviasi sebenarnya dari waktu penyelesaian dengan
rumus sebagai berikut :
Dimana :
N = Jumlah pengamatan pendahulu yang sudah dilakukan
X1 = Data waktu pengamatan
4. Menghitung deviasi dari distribusi harga sub group dengan rumus sebagai berikut
:
Dimana :
σ = Standar deviasi sebenarnya
n = Banyaknya data setiap group/ukuran sub group
σX = Standar deviasi dari distribusi rata-rata sub group
5. Menghitung batas control atas dan batas control bawah dengan rumus sebagai
berikut :
BKA = X + k.σ. X
BKB = X – k.σ. X
Dimana :
K = Jarak batas pengendali dari garis tengah
- Tingkat kepercayaan 68% maka nilai k = 1
Data yang berada di luar batas kontrol atas dan batas kontrol bawah data tersebut
adalah data ekstrim dan harus dibuang (Wignyosoebroto, 1989).
D. Uji Kecukupan Data

Pengujian ini dilakukan untuk mengetahui apakah sampel data yang telah
diambil cukup mewakili atau populasi atau belum. Yang ideal adalah dengan
melakukan pengukuran / pengamatan yang jumlahnya cukup banyak. Namun hal
tersebut tidak mungkin mengingat factor waktu, tenaga, dan biaya.
Untuk menetapkan berapa jumlah pengamatan yang seharusnya dilakukan di
sini diputuskan dahulu tingkat keyakinan (confidence of accurancy) untuk
mengukuran ini yang merupakan tingkat kepastian yang diinginkan oleh pengamat /
222
analis berkenaan dengan pengamatan yang dilakukan tersebut. Di dalam aktifitas

pengukuran kerja biasanya diambil 95% tingkat keyakinan, dan 5% derajat
ketelitian. Hal ini berarti bahwa sekurang-kurangnya 95 dari 100 rata-rata dari waktu
dicatat / diukur untuk suatu elemen kerja akan memiliki penyimpangan lebih dari 5%
dengan demikian formula yang digunakan sebagai berikut: (Sutalaksana, 1980)
2
k N ∑ X 2 − (∑ X ) 
2
N' =  s 
 ∑X 
 
Dimana :
N` = keseragaman dan kecukupan data
N = banyak data yang diukur
k = tingkat kepercayaan
s = derajat ketelitian
Dari langkah uji keseragaman data data dan kecukupan data akan didapat harga N`
sehingga dapat diambil kesimpulan sebagai berikut :
- N` ≤ N maka data yang telah diambil sudah cukup dan tidak perlu melakukan
pengambilan data kembali.
- N` ≥ N maka data belum cukup dan harus melakukan pengambilan data -
tambahan sebanyak N`- N data
Dalam penelitian ini penulis mengambil tingkat kepercayaan 95% (k-2) dan derajat
ketelitian 5% (s – 0,05)
III. METODE PENELITIAN

Obyek penelitian adalah pada proses produksi pembuatan kerupuk rambak ikan
laut. Sedangkan tempat penelitian dilaksanakan di KUBE “Sari Enak” yang Dukuh
Wotgaleh RT 02 RW IX Kalurahan Sukoharjo, Kecamatan/Kabupaten Sukoharjo.
Metode yang digunakan untuk mendukung dalam penelitian ini diperoleh melalui
metode pengumpulan data sebagai berikut :
1. Observasi melalui dokumen perusahaan, dengan mengajukan pertanyaan-
pertanyaan secara langsung kepada pemilik KUBE untuk mendapatkan data-data
yang diperlukan seperti : sejarah KUBE “Sari Enak”, jumlah tenaga kerja, jam
kerja/hari, jam kerja per hari/jumlah produksi dan kondisi lingkungan kerja.
2. Observasi lapangan, dengan melakukan pengamatan dan pencatatan secara
langsung terhadap obyek yang akan diteliti yaitu proses produksi pembuatan
kerupuk ikan laut.
3. Teknik pengukuran waktu kerja pada proses produksi dengan menggunakan metode
pengukuran jam henti. Data-data yang diukur meliputi : (1) Jam kerja operator tiap
elemen pekerjaan, (2) Penilaian lingkungan kerja untuk menentukan besar
kelonggaran, dan (3) Penilaian cara dan sikap kerja untuk menentukan performance
rating factor.
Sedangkan untuk metode pengolahan data dilakukan dengan :
1. Pengukuran waktu kerja dilakulam secara langsung dengan menggunakan jam henti
(stop watch)
2. Pengujian keseragaman data dan kecukupan data
a. Menghitung harga rata-rata
b. Menghitung standar deviasi
c. Menghitung keseragaman data
d. Menghitung kecukupan data
3. Menghitung waktu baku / waktu standar
a. Menghitung waktu normal
b. Menghitung waktu baku
223
Adapun langkah-langkah atau kerangka pemecahan masalahnya adalah sebagai

berikut :
Persiapan :
- Identifikasi masalah
- Tujuan penelitian
Pengumpulan data : Pengukuran waktu kerja

dengan Metode Jam Henti
1. Uji Keseragaman Data :

a. Standar Deviasi :
Buang
data
ekstrim Tambahan data
b. BKA = X + k.σ. X N’ = N
BKB = X – k.σ. X
2. Uji Kecukupan Data :

2
k N ∑ X 2 − (∑ X ) 
2
N' =  s 
 ∑X 
 
(N’≤N) Tidak
Ya
Menghitung Waktu Baku :
Kesimpulan dan saran
Gambar 2. Kerangka Pemecahan Masalah

IV. HASIL DAN PEMBAHASAN
A. Hasil
Dalam melakukan pengukuran kerja di pilih tenaga yang mempunyai kompetensi
(kemampuan dan keterampilan) normal, bukan yang mempunyai kompetensi tinggi ( diatas
mormal ) agar waktu baku yang akan diterapkan mampu diikuti oleh rata-rata operator
yang ada. Dalam penelitian ini setiap stasiun kerja dipilih satu operator. Adapun hasil
pengamatannya dalam pengumpulan data ditunjukkan seperti tabel 1.
224
1. Uji Keseragaman Data

Uji keseragaman data perlu dilakukan untuk mengetahui apakah data yang
diperoleh sudah seragam atau belum. Langkah-langkah dalam uji keseragaman data
adalah sebagai berikut :
Tabel 2. Lembar Pengamatan

Stasiun Kerja I : Pengukusan Nama KUBE : "Sari Enak"
Produk : Kerupuk Rambak Ikan Laut Alamat : Wotgaleh Rt 02 RW IV
Jam Kerja : 12 Jam / hari Sukoharjo
Tanggal dibuat : 12 Mei 10 Juni 2013 Dibuat oleh : Darsini
Sub Waktu Pengamatan (menit )

Grup 1 2 3 4 5 Sub total Rata-rata
1 31 31 30 30 31 152 30.4
2 31 30 30 31 31 153 30.6
3 31 29 31 30 28 149 29.8
4 30 30 31 30 30 151 30.2
2
(∑X ) 18374 ∑X = 606 ∑ X = 121,2
Untuk menguji keseragaman data di atas maka langkah perhitungannya

sebagai berikut :
a. Harga rata-rata dari rata-rata sub grup
b. Standar deviasi
= 0,80
225
Tabel 1. Pengumpulan data
Jumlah Stasiun Kerja : 6 (Enam) Nama Perusahaan : KUBE "Sari Enak"

Produk : Kerupuk Rambak Ikan Laut Alamat : Wotgaleh RT 02 RW IV
Jam Kerja : 12 Jam / hari Sukoharjo
Tanggal dibuat : 15 Juni 2013 Dibuat oleh : Darsini
Stasiun Waktu Pengukuran ( Menit) Rata-

No Jenis Kegiatan Jml
Kerja 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 rata
1 I Pengukusan 31 31 31 30 31 30 29 30 30 30 31 31 30 31 30 30 31 31 28 30 606 30.30
2 II Pemotongan/Pengirisan 58 59 58 58 58 58 58 58 57 60 58 58 58 58 60 58 59 58 57 58 1164 58.20
3 III Pencampuran Bumbu 6 5 5 5 6 6 6 5 5 4 5 6 5 7 6 5 5 4 5 5 106 5.30

Pengeringan/
4 IV 120 120 120 118 120 120 118 120 120 120 120 120 120 120 118 120 120 120 120 120 2394 119.70
Penjemuran
5 V Penggorengan 15 14 15 15 15 15 14 15 15 15 15 15 15 14 15 15 15 15 15 15 297 14.85
6 VI Pengemasan 40 40 40 41 41 40 40 40 40 41 40 40 40 40 40 41 41 40 40 41 806 40.30
226
a. Standart deviasi dari harga rata-rata sub group
b. Batas Kontrol
BKA =
= 30,3 + 3 (0,36)
= 31,38
BKB =
= 30,3 - 3 (0,36)
= 29,22
2. Tes Keseragaman Data
Tingkat kepercayaan = 95%, maka nilai k = 2
Derajat ketelitian (s) = 5%
2
k N∑X 2
− (∑ X )2 
N' =  s 
 ∑X 

 

Karena N’ < N maka data di atas cukup
3. Penghitungan Waktu Normal

Faktor penyesuaian :
a. Ketrampilan (skill) = B2 = 0.08
b. Usaha (effort) = C1 = 0.05
c. Kondisi (condition) = C = 0.02
d. Keajegan (consistency) = C = 0.01
Jumlah = 0.16
Ws =
Faktor penyesuaian di atas normal, sehingga
P = (1 + 0.16) = 1.16
Wn =
= 30.30 x 1.16 = 35.15 menit
4. Penghitungan Waktu Baku (Standart)

Faktor Kelonggaran (allowance) :
a. Kebutuhan pribadi (personal needs) = 5 % = 0.05
b. Melepas lelah (fatique) = 0 % = 0.00
c. Keterlambatan (delay) = 2 % = 0.02
Jumlah = 7 % = 0.07
227
= 35.15 x 1.0007 = 35,17 Menit
Jadi waktu baku untuk pekerjaan pengadukan satu tenaga kerja yang menangani
adalah 35,17 menit setiap kali pengolahan.
Dengan cara yang sama, maka untuk hasil perhitungan uji keseragaman dan kecukupan
semua data dikatakan seragam dan data telah cukup. Sedangkan juga waktu normal dan
waktu baku (standart) pada setiap stasiun kerja hasilnya seperti pada tabel 3.
B. Pembahasan
Berdasarkan pengumpulan data kemudian dilakukan pengolahan data di atas, dapat
dianalisa sebagai berikut :
1. Dalam proses produksi pembuatan rambak/kerupuk ikan laut di KUBE “Sari Enak” di
Wotgaleh Sukoharjo sampai produk akhir melalui enam stasiun kerja yang tujuannya
adalah untuk mempermudah dalam pengukuran waktu kerja.
2. Pengukuran waktu kerja dilakukan sebanyak 20 kali dengan cara pengukuran langsung
menggunakan stop watch dari masing-masing stasiun kerja atau urutan proses
produksinya.
3. Dari pengamatan yang telah dilakukan langsung di lokasi / KUBE “Sari Enak”
diperoleh total waktu standar dari 6 stasiun kerja adalah 306,58 menit. Dan setiap kali
pengamatan yang dilakukan sebanyak 20 kali setiap memasak 3 kg. Waktu yang
dibutuhkan untuk proses produksi dari stasiun kerja I sampai stasiun kerja 6 dengan
memasak 60 kg rambak/kerupuk ikan laut membutuhkan waktu standar sebesar =
306,58 menit atau 5.11 jam.
228
Tabel 3.
Perhitungan Waktu Normal dan Waktu Baku (Standart)
Waktu Normal Waktu Standart

Stasiun Penyesuaian (P) Kelonggaran (Allowance)
No Jenis Kegiatan N
kerja Wn
X Consis Keb. melepa Keter- Wb
Skill Effort Condition ∑ (Menit) ∑
- tency Pribadi s lelah lambatan
Pengukusan
1 I 20 30.30 0.08 0.05 0.02 0.01 0.16 35.15 0.05 0.00 0.02 0.07 35.17
Pemotongan/
2 II Pengirisan 20 58.20 0.08 0.05 0.02 0.01 0.16 67.51 0.02 0.00 0.02 0.04 67.54
Pencampuran Bumbu
3 III 20 5.30 0.08 0.05 0.02 0.01 0.16 6.15 0.05 0.00 0.02 0.07 6.15
Pengeringan/
119.7
Penjemuran
4 IV 20 0 0.08 0.02 0.02 0.00 0.12 134.06 0.00 0.00 0.02 0.02 134.09
Penggorengan
5 V 20 14.85 0.08 0.05 0.02 0.01 0.16 17.23 0.00 0.00 0.02 0.02 17.23
Pengemasan
6 VI 20 40.30 0.06 0.05 0.02 0.02 0.15 46.35 0.06 0.02 0.02 0.10 46.39
Waktu Normal 306.44 Waktu baku (standart) 306.58
229
I. KESIMPULAN DAN SARAN

Dari hasil pengamatan, pengolahan data dan analisa yang telah dipaparkan di muka dapat
di simpulkan bahwa :
1. Dari hasil perhitungan keseragaman data dan kecukupan data yang terdiri enam stasiun
kerja yang masing-masing diambil sebanyak 20 (dua puluh) data. Dari perhitungan
diperoleh hasil bahwa data seragam dan cukup.
2. Dari perhitungan telah diperoleh waktu normal dan waktu baku (standart) tiap stasiun
kerja dalam proses produksi pembuatan kerupuk rambak ikan laut. Secara komulatif
waktu normal 306,44 menit dan waktu baku (standart) 306,58 menit. Jadi waktu yang
dibutuhkan untuk proses pembuatan kerupuk rambak ikan lain dalam 1 periode
pembuatan (60 kg) membutuhkan waktu 306,58 menit. Jadi selama satu hari kerja
misalnya 8 jam, untuk istirahat 1 jam, maka satu hari dapat memproduksi kerupuk ikan
laut sebanyak : = 1.4 kali. Dalam satu hari dapat memproduksi 1
sampai dengan 2 kali proses produksi/pemasakan.
II. DAFTAR PUSTAKA

[1] Assauri Sofyan. 1984. Teknik dan Metode Peramalan. Penerbit BPFE UI, Jakarta
[2] Sutalaksana , I Z, 1980. Teknik Tata Cara Kerja, Edisi Ke-2. Departemen Teknik
Industri ITB. Bandung
[3] Wignyosoebroto, Sritomo, 1989, Teknik Tata Cara, dan Pengukuran Kerja,
Laboratorium Ergonomi dan Tata Cara. Teknik Industri ITS, Surabaya
230
TAMPILAN LANTAI PRODUKSI 3D

Lampiran Gabung PDF

Diunggah oleh

Informasi Dokumen

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

Lampiran Gabung PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

DAFTAR PUSTAKA

Arif, Muhammad. 2017. Pemodelan Sistem. Yogyakarta: Deepublish.

11 Diberi ulir pada lubang bagian bawah Baja ASTM 2

Tabel 3. Work Sheet Rahang Penjepit Kiri Ragum

Tabel 5. Work Sheet Badan Penjepit Kanan Ragum

1 Dikurangi dimensi untuk menjadi Sekrap Baja ASTM 2

2 Dikurangi dimensi bagian bawah sisi Sekrap Baja ASTM 2

3 Dikurangi dimensi bagian bawah sisi Sekrap Baja ASTM 2

4 Dilubangi sisi kanan baja Drilling 60 300 Baja ASTM 2

9 Dihaluskan seluruh permukaan Gerinda 20 240 Baja ASTM 3

4 Dihaluskan baja menjadi badan Gerinda 20 180 Baja ST37

Tabel 8. Work Sheet Handle Ragum

SIMULASI FLEXSIM UNTUK OPTIMASI SISTEM ANTRIAN

Nunung Nurhasanah, Siti Nurlina dan Tri Nugroho

Kata Kunci: Sistem Antrian, Waktu Menunggu, Simulasi

Keywords: Queue System, Waiting Time, Simulation

PENDAHULUAN Rumah sakit merupakan industri jasa

N: jumlah yang dalam sistem s : waktu layanan

Gambar 1. Sistem Antrian [3]

HASIL DAN PEMBAHASAN

Gambar 3. Sistem Antrian Poli Umum RSX

Gambar 4. Sistem Antrian dalam Flexsim

Tabel 3. Hasil Simulasi Sistem Antrian dengan Flexsim

Tabel 4. Hasil Simulasi Sistem Antrian dengan Flexsim Lanjutan

daftar-rumah-sakit-di-kota-depok.html dengan Simulasi Fleksim. Jurnal Ilmiah

AVERILL M. LAW & ASSOCIATES ■

4729 East Sunrise Drive, # 462

ExpertFit allows one to determine automatically and accurately which probability

Table 1.1. Main types of ExpertFit analyses.

Task-Time Models Used to specify a probability distribution for a task time

Machine-Breakdown Used to model the random downtimes of a machine

Table 1.2. Additional important ExpertFit features.

Distribution Viewer Used to display/calculate characteristics (e.g., the

Tab Overall Purpose

Models Used to “fit” probability distributions to a data set

Comparisons Used to compare the fitted distributions to the data set

Applications Used to determine or display characteristics of a distribution (e.g., its

Steps for Action A:

Examine the Data-Summary Table.

Data-Summary Table Click on Done.

Data Characteristic Value

Source file Example21

Examine the Histogram Plot.

The following shows how to change the lower endpoint

Histogram Options Click on the equal-sign ("=") button next to 0.06400.

Perform similar actions to change the interval width to 0.25

Histogram Options Click on Apply.

Histogram Plot Examine the Histogram Plot.

Histogram Options Click on Done.

Figure 2.1. Default ExpertFit histogram of the service-time data.

Examine Automated-Fitting Results.

Automated-Fitting Results Click on Done.

C: We begin the actual process of finding a distribution that is a good representation

Relative Evaluation of Candidate Models

Absolute Evaluation of Model 1 - Weibull

Additional Information about Model 1 - Weibull

"Error" in the model mean

Examine Density-Histogram Plot.

D: We now do some additional confirmation of the best-fitting Weibull distribution

Examine Distribution-Function-Differences Plot.

E: We present a Distribution-Function-Differences Plot for the Weibull distribution

Figure 2.4. Distribution-Function-Differences Plot for the fitted Weibull

Examine Anderson-Darling Test.