ISSN 2087-2658

Prosiding Seminar Nasional Pendidikan Teknik Informatika

(SENAPATI) Ke-9
Bali, 08 September 2018

Penerapan Metode Simulasi Kejadian Diskrit Pada

Layanan Antar Pesan
Studi Kasus Restoran Kentucky Fried Chicken Cabang Tarakan

Suprianto1, Muhammad2, Aida Indriani3

STMIK PPKIA Tarakanita Rahmawati
Cilegon, Banten, Indonesia
1
rejectdiall@gmail.com, 2muhammad@ppkia.ac.id, 3aida@ppkia.ac.id

Abstrak—Pemodelan adalah suatu representasi sistem nyata
dari objek-objek dengan mengambil bentuk matematis dan
suatu relasi logika. Secara umum, simulasi didefinisikan sebagai
representasi dinamis dari sebagian dunia nyata dengan
menggunakan komputer dan berjalan berdasarkan waktu
tertentu. Salah satu teknik pemodelan adalah Discrete Event
Simulation (DES), melakukan pemodelan suatu sistem yang
berubah setiap satuan waktu. Metode ini bersifat stochastic,
dynamic, dan discret-event. Ada banyak restoran cepat saji
yang menawarkan berbagai menu dan pelayanan untuk
memuaskan konsumen. Restoran Kentucky Fried Chicken
Cabang Tarakan adalah salah satu restoran cepat saji yang
banyak diminati. Semakin banyaknya pengguna jasa
pengiriman dan jarak yang berbeda yang tentu dengan waktu
tempuh juga berbeda mengakibatkan munculnya masalah baru
dalam proses pengiriman. Penelitian ini mengimplementasikan
model simulasi kejadian diskrit yang menggunakan gabungan
antara Fixed-Increment Time Advance and Next-Event Time
Advance untuk mengatasi permasalahan yang terjadi pada
restoran Kentucky Fried Chicken Cabang Tarakan dengan
menggunakan bahasa pemrograman Delphi 7.0.
Kata Kunci— simulasi kejadian diskrit, layanan antar pesan,
kentucky fried chicken
I. PENDAHULUAN
Dalam kehidupan sehari–hari pada umumnya orang
sangat membutuhkan energi untuk bisa melakukan segala
macam aktivitas. Agar tubuh kita memperoleh energi untuk
beraktivitas, maka tubuh kita memerlukan zat karbohidrat.
Kesibukan orang yang padat atau inginnya kepraktisan dalam
hal mendapatkan makanan, membuat kebanyakan orang
mencari makanan-makanan instant atau yang tersedia di
restoran-restoran dengan menyediakan fasilitas layanan antar
pesan. Ada banyak restoran cepat saji yang menawarkan
berbagai menu dan pelayanan untuk memuaskan konsumen.
Restoran KFC (Kentucky Fried Chicken) adalah salah satu
restoran cepat saji yang banyak diminati.
Simulasi kejadian diskrit (Discrete-Event Simulation)
adalah simulasi yang membahas model suatu sistem yang
selalu berkembang karena adanya representasi perubahan
variabel-variabel pada kondisi tertentu di saat tertentu.
Dijelaskan juga bahwa discrete-event secara konsep dapat
dikerjakan dengan menggunakan perhitungan-perhitungan
secara manual, tetapi oleh karena begitu banyak data yang
akan diproses di mana dibutuhkan media penyimpanan atas
proses-proses tersebut maka penyelesaian permasalahan
menggunakan Discrete-Event Simulation disarankan untuk
menggunakan media komputer. Pada waktu-waktu tertentu
KFC menerima pesanan dari konsumen yang sangat banyak
dan dapat membuat proses pengiriman pesanan ke konsumen
menjadi lambat karena keterbatasan karyawan yang khusus
dalam menangani layanan antar pesan. Hal itu akan membuat
antrian dalam proses pengiriman pesanan. Metode Simulasi
kejadian diskrit banyak digunakan dalam menangani masalah
yang berhubungan dengan antrian.
Metode simulasi juga telah banyak digunakan untuk
memperbaiki kinerja dari suatu sistem produksi manufaktur
yang ada maupun sistem dari pelayanan ataupun jasa, salah
satunya adalah kajian simulasi ke atas sistem pemuatan dan
pemunggahan gudang menggunakan Aren [1]. Ong Andre
Wahyu Riyanto mengatakan [2], Pengolahan lebih lanjut
menggunakan metode statistik dipersiapkan sebagai input
dalam model simulasi. Tahap ini meliputi uji distribusi yang
sesuai dengan karakteristik data. Dari penelitian yang sudah
ada tersebut maka penulis melakukan penelitian untuk
simulasi kejadian diskrit pada layanan pesan antar kfc.
II. METODOLOGI PENELITIAN
Simulasi adalah suatu cara dalam melakukan percobaan
dengan menggunakan model pada sistem nyata, selain itu
simulasi juga dapat memberikan penyelidikan secara
langsung dan terperinci pada periode waktu khusus. Simulasi
tidak menghasilkan jawaban dari sebuah permasalahan, tetapi
menghasilkan cara untuk mengatasi permasalahan [3]. Pada
simulasi, ada beberapa pendekatan yang dapat digunakan
yaitu system dynamics, discrete event, dan agent based. Pada
penelitian ini, pendekatan yang digunakan adalah discrete
event dikarenakan discrete event merupakan pendekatan
simulasi untuk sistem yang memiliki tahapan proses waktu

Penyelenggara : Jurusan Pendidikan Teknik Informatika, Fakultas Teknik dan Kejuruan, 205
Universitas Pendidikan Ganesha,
Jl. Udayana Kampus Tengah, Singaraja – Bali,
Telp. (0362) 27213, http://pti.undiksha.ac.id/senapati

Prosiding Seminar Nasional Pendidikan Teknik Informatika
tententu [4]. Berdasarkan mekanisme pemajuan waktu
simulasi (Time Advance Mechanisme), maka Discrete-Event
Simulation dibedakan menjadi 2, yaitu Next-event Time
Advance dan Fixed-Increment Time Advance.
A. Next-Event Time Advance
Dengan menggunakan pendekatan Next-Event Time
Advance, waktu simulasi diinisialisasikan dengan 0 (nol) dan
waktu kejadian pada event selanjutnya dideklarasikan, yaitu
pada saat server melayani sejumlah permintaan dan pesanan.
Waktu simulasi kemudian mendekat pada waktu kejadian
berikutnya (diutamakan event selanjutnya), yang menunjuk
keadaan sistem yang diperbarui untuk menjelaskan fakta
bahwa suatu kejadian telah berlangsung secara kontinu.
Waktu simulasi menuju pada waktu berikutnya (kejadian
baru), batasan dari sistem diperbarui, dan waktu kejadian
selanjutnya dideklarasikan [5]. Proses pendekatan dari waktu
simulasi pada satu kejadian ke kejadian yang lain dilanjutkan
sampai akhir. Gambar ilustrasi model next-event time
advance pada Gambar 1.
Ilustrasi Model Next-Event Time Advance
Dari gambar di atas perlu didefiniskan simbol-simbol
yang dapat menggambarkan tiap-tiap kejadian yang akan
disimulasikan, antara lain:
ti = waktu kedatangan pelanggan yang ke-I (t0 = 0)
Ai = ti – ti-1 = waktu antar kedatangan antara yang (i – 1)
dank ke-I adalah kedatangan pelanggan
Si = waktu yang dibutuhkan server dalam melayani
pelanggan yang ke-i (pelanggan yang harus dilayani lebih
dahulu dalam antrian)
Di = waktu tunggu yang dibutuhkan pelanggan yang ke-i
ci = ti + Di + Si = waktu yang dibutuhkan untuk melayani
pelanggan yang ke-i sampai meninggalkan tempat pelayanan
vei = waktu kedatangan kejadian yang ke-i yang bervariasi (i
adalah nilai dari waktu simulasi, e0 = 0)
Pertama kali proses berlangsung, status e0 = 0. Itu berarti
server kosong, tidak ada pelayanan. Kedatangan t1 adalah
nilai waktu kedatangan pertama A1 yang dibangkitkan dari
table distribusi FA (teknik untuk membangkitkan angka
random). Waktu simulasi kemudian ditambahkan dari e0
dengan waktu kejadian berikutnya e1 = t1. Pada saat
pelanggan datang pada waktu t1 akan mendapati server yang
kosong tidak melayani (idle). Pelanggan tersebut otomatis
akan masuk untuk dilayani sehingga waktu tunggu yang
206 Penyelenggara : Jurusan Pendidikan Teknik Informatika, Fakultas Teknik dan Kejuruan,
Universitas Pendidikan Ganesha,
Jl. Udayana Kampus Tengah, Singaraja – Bali,
Telp. (0362) 27213, http://pti.undiksha.ac.id/senapati
ISSN 2087-2658
(SENAPATI) Ke-9
Bali, 08 September 2018
diperlukan D1 = 0. Status server kemudian dinyatakan sibuk
(sedang melayani). c1 menunjukkan bahwa lama waktu yang
dibutuhkan melayani e1, nilai yang dibangkitkan S1 dari
distribusi F1 dan ditambah dengan t1.
Kedatangan kedua t2 = t1 + A2, yang mana A2 adalah nilai
yang dibangkitkan dari FA. Jika diketahui nilai t2 < c1,
sebagaimana dijelaskan pada Gambar 2.3 bahwa waktu
simulasi maju dari e1 ke waktu kedatangan berikutnya, e2 =
t2 (jika c1 kurang dari t2 maka waktu harus maju dari e1
hingga c1). Ketika pelanggan datang pada waktu t2 dan
mendapati server sedang sibuk maka inisialisasi pelanggan
dalam antrian berubah dari 0 ke 1 dan waktu kedatangan
pelanggan tersebut disimpan.
Kedatangan ketiga t3, adalah hasil penjumlahan dari t3 =
t2 + A3. Jika c1 < t3, seperti yang dijelaskan pada gambar
maka waktu simulasi maju dari e3 hingga ke kejadian yang
berikutnya, e3 = c1, di mana pada saat itu pelanggan yang
datang pada t1 sudah selesai dilayani. Selanjutnya server akan
melayani pelanggan selanjutnya yang masuk dalam antrian
(t2). Ketika pelayanan pada t2 dimulai, status antrian pada t2
= 0, maka waktu tunggu dalam antrian dan waktu yang
dibutuhkan server dalam pelayanan dihitung. D2 = c1 – t2 dan
c2 = c1 + S2 (di mana S2 adalah nilai yang dibangkitkan dari
Fs distribusi).
Jika t3 < c2 maka status antrian untuk t3 berubah dari 0 =
1 (untuk menyatakan server dalam proses melayani
pelanggan, yaitu t2). t3 akan mendapatkan pelayanan pada
saat e5. Waktu yang dibutuhkan untuk menunggu pelayanan
D3 = c2 – t3 dan waktu yang dibutuhkan untuk melayani c3 =
c2 + S3 (di mana S3 dapat dibangkitkan ketika pelayanan pada
t2 selesai dan meninggalkan tempat). Kejadian akan
berlangsung terus hingga antrian selesai dilayani seluruhnya.
B. Fixed-Increment Time Advance
Dengan pendekatan ini waktu simulasi ditambah
sebanyak ∆t dengan tepat tanpa diubah untuk dijadikan acuan
penambahan waktu simulasi dilakukan berikutnya [5].
Setelah itu pada setiap perubahan waktu simulasi dilakukan
pengecekan terhadap kejadian-kejadian yang muncul selama
proses simulasi terjadi pada waktu yang bersangkutan dengan
membandingkan perbedaan kejadian waktu simulasi pada ∆t
sebelumnya. Jika terdapat satu atau lebih kejadian yang
muncul selama proses simulasi pada ∆t (jangka waktu
simulasi) maka kejadian-kejadian tersebut dapat dianggap
mewakili kondisi pada saat waktu simulasi bersangkutan dan
juga mempengaruhi hasil perhitungan terhadap waktu
simulasi tersebut. Gambar ilustrasi model fixed increment
time advance dapat dilihat pada Gambar 2.
 ISSN 2087-2658
Prosiding Seminar Nasional Pendidikan Teknik Informatika
(SENAPATI) Ke-9
Bali, 08 September 2018

Ilustrasi Model Fixed- n

Increment Time Advance  xi. fi
X = i =1
Di mana lengkungan menggambarkan percepatan waktu n
simulasi dan ei (I = 1,2,3,….) adalah waktu yang sebenarnya
Keterangan: X = µ = rata-rata
dari kejadian ith dari suatu kondisi (bukan nilai ith pada waktu
Ditentukan nilai probabilitas untuk masing-masing
simulasi). Pada jangka waktu (0, ∆t), suatu kejadian akan
x, dari normal:
muncul pada waktu ei tetapi kejadian tersebut dianggap
muncul pada waktu ∆t menurut model. Ditunjukkan juga di
X −
dalam gambar bahwa di antara waktu (∆t, 2∆t) tidak terdapat Z=
kejadian yang muncul, tetapi proses ini tetap harus dijalankan 
untuk mengetahui dan menentukan ada tidaknya kejadian
pada waktu tersebut. Pada waktu simulasi berikutnya (antara KeteranganX= nilai tengah dari kelas pada distribusi
2∆t, 3∆t) terdapat kejadian-kejadian yang muncul yang frekuensi
terdapat pada waktu e2 dan e3 tetapi perubahan tersebut
dianggap muncul pada waktu 3∆t dan seterusnya.
µ= rata-rata ( X )
Ketidakpastian permintaan pelanggan menimbulkan σ= simpangan baku
adanya banyak kemungkinan dalam pendistribusian,
persediaan bahan baku, persediaan barang jadi dan naik- Untuk mencari F(x) dengan menggunakan tabel
turunnya harga produk. Salah satu cara untuk memperkecil distribusi normal sesuai nilai Z yang didapatkan.
kemungkinan tersebut adalah dengan mempelajari pola S(x) diperoleh dari frekuensi kumulatif masing-
distribusi probabilitasnya. Distribusi probabilitas teroritis masing nilai xi dibagi dengan jumlah sampel.
yang sering digunakan dalam fungsi permintaan adalah
distribusi normal, distribusi poisso dan distribusi c. Menetapkan α (taraf signifikasi)
eksponensial. α = 0,05
Pengujian Distribusi Normal
d. Menentukan daerah penolakan
Pengujian bertujuan melihat tingkat kesesuaian antara
W1-α didapatkan dari tabel kolmogorov-smirnov
fungsi distribusi hasil pengamatan dengan fungsi distribusi
teoritik tertentu dengan menetapkan suatu titik yang sesuai dengan n yang ada dan simpangan baku yang
menggambarkan perbedaan maksismum keduanya. didapatkan.

1) Statistik Uji e. Membuat kesimpulan

Thitung = Maks | F(x) – S(x) |
Keterangan F(x): fungsi distribusi kumulatif dari suatu
distribusi normal
S(x): fungsi distribusi kumulatif dari suatu distribusi
pengamatan
2) Kriteria Penolakan
Jika nilai Thitung ≥ W1-α maka H0 ditolak (tabel yang
digunakan adalah tabel Kolmogorov-Smirnov).
Langkah-langkah pengujian:
a. Menetapkan hipotesis awal dan hipotesis tandingan
Hipotesis: H0: data mengikuti distribusi normal
H1: data tidak mengikuti distribusi normal
b. Menghitung statistik uji
X yang menyatakan nilai rata-rata. Untuk
menentukan harga F(x) maka nilai X harus
ditentukan dengan cara:
Membandingkan antara Thitung dengan W1-α jika
Thitung < W1-α maka H0 gagal tolak (H0 diterima) dan
bila nilai Thitung ≥ W1-α maka H0 ditolak.
f. Membuat interpretasi dari kesimpulan
Jika H0 gagal tolak (H0 diterima) maka data yang
diuji adalah berdistribusi normal [6].
Angka acak yang dibangkitkan merupakan angka acak
yang unik dan uniform (seragam), tidak ada perbedaan yang
membuat angka tersebut menampakkan ciri khas ketika
dibangkitkan secara acak. Angka acak ini disimbolkan dengan
U. Karena nilai acak yang dibangkitkan tersebut antara 0
sampai dengan 1 maka simbol yang digunakan adalah U(0,1).
Pembangkit Bilangan Acak Distribusi Normal
Seperti halnya fungsi gamma dan fungsi poisson,
distribusi normal juga tidak dapat dianalisis dengan integral
secara langsung. Namun demikian dapat mencobanya dengan
membangkitkan generate random menggunakan simulasi
langsung.

Penyelenggara : Jurusan Pendidikan Teknik Informatika, Fakultas Teknik dan Kejuruan, 207
Universitas Pendidikan Ganesha,
Jl. Udayana Kampus Tengah, Singaraja – Bali,
Telp. (0362) 27213, http://pti.undiksha.ac.id/senapati
 ISSN 2087-2658
Prosiding Seminar Nasional Pendidikan Teknik Informatika
(SENAPATI) Ke-9
Bali, 08 September 2018

Dapat diketahui, bahwa hasil dari serangkaian sampel Mulai

yang diambil akan menunjukkan satu atau beberapa fungsi

distribusi statistic. Dengan ukuran sampel yang besar maka
sampel itu akan berdistribusi normal atau bisa dianggap Setting Kejadian dan
Segmen W aktu
berdistribusi normal.
Bilangan acak disesuaikan dengan besarnya probabilitas
Input Data Setiap
yaitu antara 0 sampai dengan 1 [7]. Selanjutnya bila Kejadian Tiap
Segmen W aktu
diinginkan untuk membangkitkan bilangan acak berdistribusi
normal dengan rata-rata = µ dan standar deviasi = σ maka hal
itu dapat dengan mudah dicari dengan persamaan: Data Sampel Setiap
Event Pada Tiap
Segmen W aktu

X = µ + σZ Proses Pembuatan
Distribusi Frekuensi
(data sampel)

Untuk membangkitkan bilangan acak berdistribusi

normal juga dapat dilakukan dengan menggunakan cara lain, Pendekatan Dengan
Menduga Data Berdistribusi
yaitu dengan rumus: Tertentu (uji distribusi)

Z = (-2lnU1)1/2 sin(2πU2) Pendekatan Dengan

Menduga Data Berdistribusi
Normal

atau

Z = (-2lnU1)1/2 cos(2πU2) Terima H0

Tidak

di mana diketahui bahwa 2π = 3600 (dalam radian). Ya

Data Berdistribusi
Beberapa tahapan yang terjadi pada proses simulasi Normal

kejadian diskrit yang diawali dengan pengaturan kejadian dan

pembagian segmen waktu sampai dengan mendapatkan hasil Pendekatan Dengan

perhitungan (alternatif/solusi) dapat dilihat pada Gambar 3. Bangkitkan Bilangan Acak

Menduga Data Berdistribusi
Eksponensial
Sesuai Dengan Distribusi

Data Berdistribusi
Eksponensial
Data Bilangan
Acak Berdistribusi
Tertentu

Proses Perhitungan Dengan

Metode Discrete Event -
Time Advance

Hasil Perhitungan
(Alternatif/Solusi)

Selesai

Algoritma Discrete Event

Simulation

III. HASIL DAN PEMBAHASAN

Pada penelitian sebelumnya dengan judul Analisis dan
Simulasi Sistem Antrian pada Bank ABC yang dilakukan oleh
Faradhika Arwindy dkk. Simulasi dilakukan dengan
menggunakan model antrian (M/M/c) yaitu pelayanan yang
dilakukan secara ganda, pola kedatangan Poison, pola
pelayanan Eksponensial dan antrian tak berhingga [3]. Pada
studi kasus pada penelitian ini menggunakan simulasi

208 Penyelenggara : Jurusan Pendidikan Teknik Informatika, Fakultas Teknik dan Kejuruan,
Universitas Pendidikan Ganesha,
Jl. Udayana Kampus Tengah, Singaraja – Bali,
Telp. (0362) 27213, http://pti.undiksha.ac.id/senapati

Prosiding Seminar Nasional Pendidikan Teknik Informatika
kejadian diskrit dikarenakan antrian pada restoran KFC
cabang Tarakan mengalami antrian yang panjang pada waktu-
waktu tertentu saja. Aplikasi penerapan metode simulasi
kejadian diskrit pada layanan antar pesanan kfc dibuat
menggunakan bahasa pemrograman borland delphi. Proses
pendataan pesanan konsumen dapat dilihat pada Gambar 4.
Form Data Pesanan
Konsumen
Pada Gambar 4, Proses Data Pesanan Konsumen berfungsi
untuk mendapatkan data antar kedatangan telepon, data lama
telepon, waktu selesai dilayani dan jarak tujuan dengan
langkah-langkah sebagai berikut :
1. Tombol Start berfungsi untuk mendapatkan waktu awal
telepon.
2. Tombol Stop berfungsi untuk mendapatkan waktu akhir
telepon.
3. Tombol Close berfungsi untuk keluar dari form.
Kemudian akan dilakukan banyak proses lainnya yaitu,
Proses Penghitungan Distribusi Frekuensi digunakan untuk
mendapatkan Tabel Distribusi Frekuensi dari Data Antar
Kedatangan. Proses Penghitungan Mencari X dan S
digunakan untuk mendapatkan Nilai X Bar (rata-rata) dan S
(standar deviasi) dari Tabel Distribusi Frekuensi Data Antar
Kedatangan Telepon. Proses Penghitungan Distribusi Normal
digunakan untuk melakukan pengecekan akan kebenaran
dugaan distribusi Data Antar Kedatangan Telepon. Proses
Penghitungan Distribusi Frekuensi digunakan untuk
Penyelenggara : Jurusan Pendidikan Teknik Informatika, Fakultas Teknik dan Kejuruan,
Universitas Pendidikan Ganesha,
Jl. Udayana Kampus Tengah, Singaraja – Bali,
Telp. (0362) 27213, http://pti.undiksha.ac.id/senapati
ISSN 2087-2658
(SENAPATI) Ke-9
Bali, 08 September 2018
mendapatkan Tabel Distribusi Frekuensi dari Data Lama
Telepon. Proses Penghitungan Mencari X dan S digunakan
untuk mendapatkan Nilai X Bar (rata-rata) dan S (standar
deviasi) dari Tabel Distribusi Frekuensi Data Lama Telepon.
Proses Penghitungan Distribusi Normal digunakan untuk
melakukan pengecekan akan kebenaran dugaan distribusi
Data Lama Telepon. Proses Perhitungan Pembangkit
Bilangan Acak digunakan untuk memperoleh Nilai X dari
Data Antar Kedatangan Telepon Berdistribusi Normal yang
akan digunakan dalam Proses Perhitungan Simulasi. Proses
Perhitungan Pembangkit Bilangan Acak digunakan untuk
memperoleh Nilai X dari Data Lama Telepon Berdistribusi
Normal yang akan digunakan dalam Proses Perhitungan
Simulasi. Proses Perhitungan Pembangkit Bilangan Acak
digunakan untuk memperoleh Nilai X dari Data Antar
Kedatangan Telepon Berdistribusi Eksponensial yang akan
digunakan dalam Proses Perhitungan Simulasi. Proses
Perhitungan Pembangkit Bilangan Acak digunakan untuk
memperoleh Nilai X dari Data Lama Telepon Berdistribusi
Eksponensial yang akan digunakan dalam Proses Perhitungan
Simulasi. Hasil perhitungan simulasi dapat dilihat pada
Gambar 5.
Perhitungan Simulasi
Dari gambar 5, Proses Perhitungan Simulasi digunakan
untuk mendapatkan jumlah pengirim yang digunakan dalam
melakukan pengiriman pesanan. Dalam penentuan jumlah
petugas Rider terdapat 2 (dua) pilihan, yaitu melakukan
simulasi dengan menentukan jumlah petugas Rider yang
diinginkan dalam hal ini dengan membatasi jumlah petugas
Rider adalah 3 (tiga) atau tanpa menentukan jumlah petugas
Rider yang nantinya akan menghasilkan jumlah petugas Rider
yang optimal untuk melayani antar pesanan. Hasil yang
diperoleh pada penelitian sebelumnya mengharuskan pihak
Bank ABC menambah petugas Teller menjadi 2 (dua) orang
dan tidak menambah petugas CS [3]. Pada penelitian ini,
pihak restoran KFC cabang Tarakan menambah petugas Rider
bisa berubah-ubah sesuai dengan pola antrian yang terjadi
pada waktu tertentu, tidak seperti pada penelitian sebelumnya
yang memang harus menambah petugas Teller menjadi 2
orang untuk setiap hari.
209
 ISSN 2087-2658
Prosiding Seminar Nasional Pendidikan Teknik Informatika
(SENAPATI) Ke-9
Bali, 08 September 2018

Terdapat beberapa kendala pada simulasi yang dilakukan
pada penelitian ini terhadap kasus antrian pelayanan antar
pesan yang dilakukan oleh restoran KFC cabang Tarakan
antara lain dalam penentuan waktu jarak tempuh antar
restoran ke tujuan harus benar-benar menghitung waktu
dengan mempertimbangkan kondisi yang terjadi pada saat
pengantaran dengan mempertimbangkan beberapa hal seperti
lampu merah, kemacetan, kondisi motor yang kurang baik dan
lain sebagainya, sehingga simulasi yang dihasilkan benar-
benar optimal.
IV. KESIMPULAN
Dengan menerapkan simulasi kejadian diskrit pada proses
layanan antar pesan dapat meminimalkan jumlah karyawan
yang bertugas dalam proses pengiriman pesanan. Apabila
kesalahan yang timbul dari setiap proses bisa diminimalkan,
maka akan meningkatkan efisiensi dan efektifitas kerja pada
bagian pengiriman pesanan (rider) dengan batasan efisiensi
dan efektifitas yang dimaksud disini terbatas pada waktu yang
dibutuhkan. Dengan disimulasikannya permasalahan yang
terdapat pada KFC Cabang Tarakan dapat memberi masukan
kepada Supervisor untuk melakukan penambahan karyawan
khususnya rider pada saat waktu sibuk agar tidak terjadi
antrian. Untuk meningkatkan hasil penelitian dapat diperlukan
adanya sebuah perangkat lunak yang dapat membantu kerja
Supervisor dan Rider tersebut. Selain itu juga diperlukan
sumber daya Manusia yang mampu menguasai tentang
perangkat lunak maupun perangkat keras dengan baik, agar
perawatan program penerapan metode simulasi kejadian
diskrit pada layanan antar pesan terus berlanjut serta
diperlukan adanya pengembangan kasus-kasus pada sistem
komputerisasi penerapan metode simulasi kejadian diskrit
pada Restoran KFC Cabang Tarakan dan perlu juga
pengembangan perangkat lunak ini sehingga mampu
mengikuti perkembangan jaman.
DAFTAR PUSTAKA
[1] Liong, C-Y. Loo, dan C.S.E, “A simulation study of warehouse loading
and unloading systems using ARENA (Kajian simulasi ke atas sistem
pemuatan dan pemunggahan gudang menggunakan ARENA),”
Journal of Quality Measurement and Analysis (JQMA), Vol. 5 (2),
pp.45-56, 2009.
[2] O.A.W Riyanto, “Simulasi model sistem kerja pada departemen
injection untuk meminimasi waktu work-in-process,” Jurnal Ilmiah
Teknik Industri (JITI), Vol.15 (1), pp. 69–78, Juni 2016.
[3] F. Arwindy, F. Buulolo, dan E. Rosmaini, “Analisis dan simulasi
sistem antrian pada bank abc”, Saintia Matematika ISSN 2337-9197
Vol. 2 No. 2, pp. 147-162, 2014.
[4] T. Saputri, C. Nugraha, dan K. Amila, “Model simulasi untuk
pergerakan kendaraan pada ruang dua dimensi kontinu dengan
pendekatan pemodelan berbasis agen,” Jurnal Online Institut
Teknologi Nasional ISSN: 2338-5081 Vol.2 No. 4, pp. 12-24, Oktober
2014.
[5] A. Baihaqi, “Perancangan dan implementasi aplikasi simulator sistem
manajemen pelayanan pusat kesehatan masyarakat (puskesmas)
kecamatan gambiran menggunakan metode discrete-event simulation,”
Skripsi Program Studi Sistem Informasi Universitas Jember, 2015.
[6] A. Prataman, “Model simulasi antrian dengan metode kolmogorov-
smirnov normal pada unit pelayanan,” Jurnal Edik Informatika ISSN:
2407-0491, pp. 91-102, 2017.
[7] P. Suryati dan FX.H. Henry Nugroho, “Random number generator
dengan metode linear congruent,” Jurnal Teknologi Informasi dan Ilmu
Komputer ISSN: 1693-227 Vol. 13 No. 1, 2015.

210 Penyelenggara : Jurusan Pendidikan Teknik Informatika, Fakultas Teknik dan Kejuruan,
Universitas Pendidikan Ganesha,
Jl. Udayana Kampus Tengah, Singaraja – Bali,
Telp. (0362) 27213, http://pti.undiksha.ac.id/senapati