MODUL 3

UJI DISTRIBUSI & GENERATE RANDOM

3.1 Tujuan Praktikum

Setelah menyelesaikan praktikum uji distribusi dan generate random,
praktikan diharapan :
1. Mampu melakukan uji distribusi probabilitas.
2. Mampu melakukan pembangkitan bilangan acak (generate random).
3.2 Prosedur praktikum
1. Lakukan uji distribusi pada data yang sudah diambil pada modul 1
praktikum, diantaranya adalah waktu antar kedatangan, waktu proses 1,
waktu prses 2, waktu proses 3, dst dengan menggunakan arena (input
analyzer).
2. Lakukanlah intepetrasi dari uji distribusi yg sudah anda lakukan
3. Asumsikanlah bahwa waktu antar kedatangan dan waktu proses 1
berdistribusi eksponensial, lakukan uji distribusi eksponensial untuk
mendapatkan parameter rata-rata dari waktu antar kedatangan dan waktu
proses 1. Lakukan generate random (replika 1) untuk data waktu antar
kedatangan, waktu proses 1 berdasarkan distribusi eksponensial tersebut.
4. Dari langkah 3 generate random tersebut uji apakah nilai Ui dari generator
independen atau acak
5. Dari langkah 3 generate random tersebut uji apakah nilai Ui seragam (0,1)
6. Asumsikanlah bahwa system yang anda amati pada modul 1 praktikum
simulasi komputer tersebut menggunakan single-server single-phase
dengan disiplin aturan pelayan adalah FCFS
7. Lakukanlah simulasi secara manual sampai entitas ke 5 meninggalkan
syistem pelayanan dengan menggunakan hasil generate random distribusi
eksponensial waktu antar kedatangan dan waktu proses 1.
8. Lakukanlah perhitungan performansi dari sistem tersebut, terkait dengan:
 Total output
 Average waiting time
 Maximum waiting time
 Average flowtime time
  Maximum flomwtime time
 Avarege queue time
 Avarege queue langht
 Utiliztion
9. Analisislah performansi sistem tersebut
10. Lakukanlah replika ke 2 untuk generate random pada langkah 3 dengan
nilan Zo untuk waktu antar kedatangan proses 1 yang berbeda dangan
nilai Zo sebelumnya sampai langkah ke 9 dan hiitung rata-rata
perfomansinya
11. Analisa performansinya dari rata-rata 2 replika tersebut.

3.3 Pengumpulan Data

Pada praktikum ini, untuk melakukan uji distribusi dan generate random pada
sistem di Waroeng Steak and Shake (WSS) akan digunakan 20 entity dari
hasil pengamatan. Data yg digunakan adalah waktu antar kedatangan dan
waktu proses seperti pada tabel dibawah ini :

Tabel 3.1. Data Pengamatan (menit)

Waktu Wakt Waktu Jam

No. Waktu
Antar u Mulai Seles
Custom Kedatang
Kedatang Prose Dilaya ai
er an
an s ni Pesan
1 0 1 2.82 0 2.82
2 1 0.83 1.33 2.82 4.15
3 1.84 0.88 1.01 4.15 5.16
4 2.05 0.21 1.03 5.16 6.19
5 2.84 2.83 1.03 6.19 7.22
6 4 0.2 0.83 7.22 8.05
7 4.2 0.71 2 8.05 10.05
8 4.92 1.27 1.92 10.05 11.97
9 6.17 3,85 1.08 11.97 13.05
10 10.04 1.15 1.67 13.05 14.72
11 11.18 2.52 1.67 14.72 16.39
12 13.7 6,41 1.03 16.39 17.42
13 20.12 3.42 2 20.12 22.12
14 23.54 0.38 1.3 23.54 24.84
 15 23.92 6.11 4.48 24.84 29.32
16 30.04 0.98 0.83 30.04 30.87
17 31.02 0.88 2.75 31.02 33.77
18 31.9 1.3 2.97 33.77 36.74
19 33.2 6.85 1.83 36.74 38.57
20 40.05  - 4.13 40.05 44.18

3.4 Hasil dan Analisis

3.4.1 Uji Distribusi
Uji distribusi dilakukan untuk mengetahui distribusi dari data yang
didapatkan. Pengujian distribusi akan dilakukan pada waktu antar
kedatangan dan waktu proses pelayanan. Pengujian dilakukan dua kali
yaitu untuk mengetahui distribusi sebenarnya dari data dan menggunakan
distribusi eksponensial. Pada praktikum ini menggunakan input analyzer
dari software Arena untuk menentukan jenis distribusi dari data waktu
antar kedatangan dan waktu proses
3.4.1.1 Uji Distribusi (Fit All)
Uji distribusi pada input analyzer digunakan untuk menentukan
jenis distribusi. Pada uji distribusi fit all digunakan untuk mengetahui
jenis distribusi yang sebenarnya dari data.
Input analyzer adalah fasilitas dari Software Arena yang
berguna untuk mencari distribusi yang sesuai dari data historis yang
telah dikumpulkan atau didapatkan. Pada uji distribusi ini akan dicari
waktu antar kedatangan dan waktu proses. Langkah-langkah untuk
melakukan uji distribusi (fit all) adalah :
1. Buka Notepad untuk menginputkan data waktu antar kedatangan
dan waktu proses.
2. Kemudian simpan sebagai file dengan nama waktu antar
kedatangan.txt dan waktu proses.txt.
3. Buka input analyzer, kemudian klik menu file pilih menu new.
4. Klik menu file, pilih klik menu data file kemudian klik menu use
existing.
5. Inputkan data notepad yang tersimpan, klik open.
6. Klik menu fit, kemudian fit all
7. Kemudian akan muncul tampilan seperti pada gambar dibawah dan
akan diketahui distribusinya.

 Waktu antar kedatangan

Gambar 3.1. Uji Distribusi Waktu Antar Kedatangan (Fit All)

Interpretasi :
Dari hasil input analyzer yang sudah diproses bahwa jenis distribusi
yang terbentuk adalah distribusi erlang, dengan expression ERLA
(0,607, 2). Tingkat error yang dihasilkan (square error) sebesar
0,065154.
  Waktu proses

Gambar 3.2. Uji Distribusi Waktu Proses (Fit All)

Interpretasi :
Dari hasil input analyzer yang sudah diproses bahwa jenis distribusi
yang terbentuk adalah distribusi exponential, dengan expression 0,46 +
EXPO (1,43). Tingkat error yang dihasilkan (square error) sebesar
0,011967.
3.4.1.2 Uji Distribusi (Eksponential)
Uji yang dilakukan apabila data menggunakan distribusi
eksponential. Data dikatakan berdistribusi eksponensial ketika ada
daerah yang berada dibawah rata rata lebih besar daripada yang berada
diatas rata rata.

 Waktu antar kedatangan

Gambar 3.3. Uji Distribusi Waktu Antar Kedatangan (Eksponential)

Interpretasi :
Dari hasil input analyzer yang sudah diproses bahwa jenis distribusi
yang terbentuk adalah distribusi exponential, dengan expression EXPO
(1,21). Tingkat error yang dihasilkan (square error) sebesar 0,108089.
  Waktu proses

Gambar 3.4. Uji Distribusi Waktu Proses (Eksponential)

Interpretasi :
Dari hasil input analyzer yang sudah diproses bahwa jenis distribusi
yang terbentuk adalah distribusi exponential, dengan expression 0,46 +
EXPO (1,43). Tingkat error yang dihasilkan (square error) sebesar
0,011967.
3.4.2 Generate Random Linier Congruential Generator (LCG)
Bilangan acak / random banyak dibutuhkan dalam simulasi
sehingga untuk itu perlu tahu bagaimana caranya membangkitkan
bilangan acak tersebut dan juga perlu tahu bagaimana caranya menguji
keacakannya. Untuk diketahui pembangkit bilangan acak yang mana saja
tidak ada yang betul-betul acak hal ini sering disebut sebagai bilangan
pseudo random number. Sehingga untuk menyatakan sebuah bilangan itu
acak maka perlu dilaksanakan pengujian keacakan. Bilangan acak yang
dibahas yang terdistribusi uniform dan terletak antara interval (0,1).

Linier Congruental Generator

Metode ini digunakan untuk membangkitkan bilangan acak dalam
simulasi.
Untuk Zmenghasilkan angka
i =( aZ i −1 +c ) mod ( m )
acak-pseudo
(pseudo-random number).
Dimana :
Zi = bilangan acak ke – i dari deretnya.
Zi-1 = bilangan acak sebelumnya.
a = faktor pengali
c = increment
m = modulus
Kunci pembangkit adalah Zo yang disebut umpan (seed).

3.4.2.1 Generate Random Linier Congruential Generator (LCG)

Replikasi 1
Pada replikasi 1 ditentukan terlebih dahulu nilai a, c, m dan Z0 sebagai
berikut :
a = 21
c =3
m = 32
Z0 waktu antar kedatangan = 15
 Tabel 3.2. Generate Random LCG kedatangan Replikasi 1
i 21 Zi-1+3 Zi Ui
0   15  
1 318 30 0.9375
2 633 25 0.78125
3 528 16 0.5
4 339 19 0.59375
5 402 18 0.5625
6 381 29 0.90625
7 612 4 0.125
8 87 23 0.71875
9 486 6 0.1875
10 129 1 0.03125
11 24 24 0.75
12 507 27 0.84375
13 570 26 0.8125
14 549 5 0.15625
15 108 12 0.375
16 255 31 0.96875
17 654 14 0.4375
18 297 9 0.28125
19 192 0 0
20 3 3 0.09375

Contoh Perhitungan :
Z i =( aZ i −1 +c ) mod ( m )

Z0 = 15 (pilih antara angka 0 – 31 (m – 1)

 Z1 = (21 Z1-1 (15) + 3) mod (32) = 318 mod (32)
= 30
 Z12 = (21 Z12-1 (24) + 3) mod (32) = 507 mod (32)
= 27
( a Z 1−1 + c ) mod m 30
 U 1= = =¿ 0,9375
m 32
( a Z12−1 +c ) mod m 27
 U 12= = =¿ 0,84375
m 32
 Tabel 3.3. Generate Random LCG proses pelayanan Replikasi 1
i 21 Zi-1+3 Zi Ui
0   3  
1 66 2 0.0625
2 45 13 0.40625
3 276 20 0.625
4 423 7 0.21875
5 150 22 0.6875
6 465 17 0.53125
7 360 8 0.25
8 171 11 0.34375
9 234 10 0.3125
10 213 21 0.65625
11 444 28 0.875
12 591 15 0.46875
13 318 30 0.9375
14 633 25 0.78125
15 528 16 0.5
16 339 19 0.59375
17 402 18 0.5625
18 381 29 0.90625
19 612 4 0.125
20 87 23 0.71875

Contoh Perhitungan :
Z i =( aZ i −1 +c ) mod ( m )

Z0 = Hasil dari Z20 dari generate random LCG kedatangan = 3

 Z1 = (21 Z1-1 (3) + 3) mod (32) = 66 mod (32)
=2
 Z12 = (21 Z12-1 (28) + 3) mod (32) = 591 mod (32)
= 15
( a Z 1−1 + c ) mod m 2
 U 1= = =¿ 0,0625
m 32
( a Z12−1 +c ) mod m 15
 U 12= = =¿ 0,46875
m 32
3.4.2.2 Generate Random Linier Congruential Generator (LCG)
Replikasi 2
Pada replikasi 2 ditentukan terlebih dahulu nilai a, c, m dan Z0 sebagai
berikut :
a = 21
c =3
m = 128
Z0 waktu antar kedatangan = 32

Tabel 3.4. Generate Random LCG kedatangan Replikasi 2

i 21 Zi-1+3 Zi Ui
0 32
1 675 35 0.273438
2 738 98 0.765625
3 2061 13 0.101563
4 276 20 0.15625
5 423 39 0.304688
6 822 54 0.421875
7 1137 113 0.882813
8 2376 72 0.5625
9 1515 107 0.835938
10 2250 74 0.578125
11 1557 21 0.164063
12 444 60 0.46875
13 1263 111 0.867188
14 2334 30 0.234375
15 633 121 0.945313
16 2544 112 0.875
17 2355 51 0.398438
18 1074 50 0.390625
19 1053 29 0.226563
20 612 100 0.78125

Contoh Perhitungan :
Z i =( aZ i −1 +c ) mod ( m )

Z0 = 32 (pilih antara angka 0 – 127 (m – 1)

 Z1 = (21 Z1-1 (32) + 3) mod (128) = 675 mod (128)
= 35
  Z12 = (21 Z12-1 (21) + 3) mod (128) = 444 mod (128)
= 60
( a Z 1−1 + c ) mod m 35
 U 1= = =¿ 0,273438
m 128
( a Z12−1 +c ) mod m 60
 U 12= = =¿ 0,46875
m 128

Tabel 3.5. Generate Random LCG proses pelayanan Replikasi 2

i 21 Zi-1+3 Zi Ui
0 100
1 2103 55 0.4296875
2 1158 6 0.046875
3 129 1 0.0078125
4 24 24 0.1875
5 507 123 0.9609375
6 2586 26 0.203125
7 549 37 0.2890625
8 780 12 0.09375
9 255 127 0.9921875
10 2670 110 0.859375
11 2313 9 0.0703125
12 192 64 0.5
13 1347 67 0.5234375
14 1410 2 0.015625
15 45 45 0.3515625
16 948 52 0.40625
17 1095 71 0.5546875
18 1494 86 0.671875
19 1809 17 0.1328125
20 360 104 0.8125

Contoh Perhitungan :
Z i =( aZ i −1 +c ) mod ( m )

Z0 = Hasil dari Z20 dari generate random LCG kedatangan = 100

 Z1 = (21 Z1-1 (100) + 3) mod (128) = 2103 mod (128)
= 55
 Z12 = (21 Z12-1 (9) + 3) mod (128) = 192 mod (128)
= 64
 ( a Z 1−1 + c ) mod m 55
 U 1= = =¿ 0,4296875
m 128
( a Z12−1 +c ) mod m 64
 U 12= = =¿ 0,5
m 128

3.4.3 Uji Independensi/Keacakan Nilai UI dari Generate Random Linier

Congruential Generator (LCG)
Uji independensi atau keacakan nilai Ui dari generate random
linier congruental generator dilakukan dengan menggunakan uji Runs. Uji
Runs digunakan untuk menguji apakah urutan kejadian dari 2 jenis nilai
suatu variabel dikatakan bersifat acak (random). Runs adalah kelompok
dalam baris yang terdiri dari elemen yang sama.
3.4.3.1 Uji Independensi/Keacakan Nilai UI dari Generate Random
Linier Congruential Generator (LCG) Replikasi 1
Dari nilai Ui yang telah dihitung uji independensi atau
keacakan nilai Ui dari generate random linier congruental generator
dilakukan sebagai berikut:
 Hipotesis
H0 : susunan bersifat random
H1 : susunan bersifat tidak random
 Dasar Pengambilan Keputusan uji hipotesis dengan α = 0,05
Sig ≥ α maka H0 diterima
Sig < α maka H0 ditolak
 Hasil Uji Run dengan SPSS
Uji Runs diolah dengan software SPSS sehingga didapatkan hasil
sebagai berikut :
 Kedatangan

Runs Test

Ui_Kedatangan

Test Valuea .5031

Cases < Test Value 10
Cases >= Test Value 10
Total Cases 20
Number of Runs 10
Z -.230
Asymp. Sig. (2-tailed) .818

a. Mean

Gambar 3.5 Hasil Uji Runs Ui Kedatangan Replikasi 1

Test value menunjukkan nilai cut point yaitu nilai mean
0,5031. Cases < Test Value menunjukkan angka 10 yang merupakan
jumlah nilai sampel sama dengan mean. Sedangkan Cases ≥ Test
Value menunjukkan angka 10 yang merupakan jumlah nilai sampel
yang sama dengan mean. Number of runs adalah jumlah urutan
kejadian negatif dan positif yang terjadi. Dalam data tersebut terdapat
10 Run. Nilai Asymp. Sig (2-tailed) adalah 0,818. Nilai tersebut lebih
besar dari nilai a = 0,05 sehingga keputusan adalah H0 diterima yang
menyatakan susunan bersifat random.

 Proses Pelayanan

Runs Test

Ui_Pelayanan
a
Test Value .5281
Cases < Test Value 9
Cases >= Test Value 11
Total Cases 20
Number of Runs 12
Z .279
Asymp. Sig. (2-tailed) .781

a. Mean
 Gambar 3.6 Hasil Uji Runs Ui Proses Pelayanan Replikasi 1
Test value menunjukkan nilai cut point yaitu nilai mean
0,5281. Cases < Test Value menunjukkan angka 9 yang merupakan
jumlah nilai sampel dibawah mean. Sedangkan Cases ≥ Test Value
menunjukkan angka 11 yang merupakan jumlah nilai sampel yang
sama dengan atau lebih besar dari mean. Number of runs adalah
jumlah urutan kejadian negatif dan positif yang terjadi. Dalam data
tersebut terdapat 12 Runs. Nilai Asymp. Sig (2-tailed) adalah 0,781.
Nilai tersebut lebih besar dari nilai a = 0,05 sehingga keputusan adalah
H0 diterima yang menyatakan susunan bersifat random.

3.4.3.2 Uji Independensi/Keacakan Nilai UI dari Generate Random

Linier Congruential Generator (LCG) Replikasi 2
Dari nilai Ui yang telah dihitung uji independensi atau
keacakan nilai Ui dari generate random linier congruental generator
dilakukan sebagai berikut:
 Hipotesis
H0 : susunan bersifat random
H1 : susunan bersifat tidak random
 Dasar Pengambilan Keputusan uji hipotesis dengan α = 0,05
Sig ≥ α maka H0 diterima
Sig < α maka H0 ditolak
 Hasil Uji Run dengan SPSS
Uji Runs diolah dengan software SPSS sehingga didapatkan hasil
sebagai berikut :
 Kedatangan

Runs Test

Ui_Kedatangan

Test Valuea .5117

Cases < Test Value 11
Cases >= Test Value 9
Total Cases 20
Number of Runs 10
Z -.186
Asymp. Sig. (2-tailed) .853

a. Mean
Gambar 3.7 Hasil Uji Runs Ui Kedatangan Replikasi 2

Test value menunjukkan nilai cut point yaitu nilai mean

0,5117. Cases < Test Value menunjukkan angka 11 yang merupakan
jumlah nilai sampel yg sama atau lebih besar dari mean. Sedangkan
Cases ≥ Test Value menunjukkan angka 9 yang merupakan jumlah
nilai sampel yang lebih kecil dari mean. Number of runs adalah jumlah
urutan kejadian negatif dan positif yang terjadi. Dalam data tersebut
terdapat 10 Runs. Nilai Asymp. Sig (2-tailed) adalah 0,853. Nilai
tersebut lebih besar dari nilai a = 0,05 sehingga keputusan adalah H0
diterima yang menyatakan susunan bersifat random.

 Proses Pelayanan

Runs Test

Ui_Pelayanan

Test Valuea .4055

Cases < Test Value 10
Cases >= Test Value 10
Total Cases 20
Number of Runs 11
Z .000
Asymp. Sig. (2-tailed) 1.000

a. Mean
 Gambar 3.8 Hasil Uji Runs Ui Proses Pelayanan Replikasi 2
Test value menunjukkan nilai cut point yaitu nilai mean
0,4055. Cases < Test Value menunjukkan angka 10 yang merupakan
jumlah nilai sampel yg sama dengan mean. Sedangkan Cases ≥ Test
Value menunjukkan angka 10 yang merupakan jumlah nilai sampel
yang sama dengan mean. Number of runs adalah jumlah urutan
kejadian negatif dan positif yang terjadi. Dalam data tersebut terdapat
11 Runs. Nilai Asymp. Sig (2-tailed) adalah 1,0. Nilai tersebut lebih
besar dari nilai a = 0,05 sehingga keputusan adalah H0 diterima yang
menyatakan susunan bersifat random.

3.4.4 Uji Keseragaman (Uniform) Nilai UI dari Generate Random Linier

Congruential Generator (LCG)
Pada uji keseragaman (uniform) nilai Ui dari generate random
linier congruental generator menggunakan Uji Kolmogorov-Smirnov 1
sampel. Uji ini digunakan untuk mengetahui apakah distribusi nilai dalam
sampel sesuai dengan suatu distribusi teoritis tertentu
(uniform/normal/poisson).
 Hipotesis
H0 : distribusi sampel mengikuti distribusi uniform
H1 : distribusi sampel tidak mengikuti distribusi uniform
 Dasar Pengambilan Keputusan dengan α = 0,05
Sig ≥ α maka H0 diterima
Sig < α maka H0 ditolak

3.4.4.1 Uji Keseragaman (Uniform) Nilai UI dari Generate Random

Linier Congruential Generator (LCG) Replikasi 1
Dengan menggunakan software SPSS maka hasil uji keseragaman
(uniform) untuk kedatangan dan proses pelayanan replikasi 1 adalah
sebagai berikut :
 Kedatangan

One-Sample Kolmogorov-Smirnov Test

Ui_Kedatangan

N 20
Minimum .00
Uniform Parametersa,b
Maximum .97
Absolute .142
Most Extreme Differences Positive .106
Negative -.142
Kolmogorov-Smirnov Z .635
Asymp. Sig. (2-tailed) .815

a. Test distribution is Uniform.

b. Calculated from data.

Gambar 3.9 Hasil Uji Keseragaman Ui Kedatangan Replikasi 1

Pada nilai N adalah jumlah dari pengamatan customer adalah

sebanyak 20. Most extrem differences merupakan perbedaan nilai
fungsi distribusi kumulatif pengamatan dan teoritis. Nilai absolute
merupakan nilai mutlak (0,142) dari nilai terbesar dari nilai perbedaan
positive (0,106) dan negative (-0,142). Nilai Asymp. Sig.(2-tailed)
adalah 0,815 yang menunjukkan bahwa nilai tersebut lebih besar dari a
= 0,05 sehingga H0 diterima. Jadi, distribusi sampel mengikuti
distribusi uniform.

 Proses pelayanan

One-Sample Kolmogorov-Smirnov Test

Ui_Pelayanan

N 20
Minimum .06
Uniform Parametersa,b
Maximum .94
Absolute .114
Most Extreme Differences Positive .050
Negative -.114
Kolmogorov-Smirnov Z .511
 Asymp. Sig. (2-tailed) .956

a. Test distribution is Uniform.

b. Calculated from data.

Gambar 3.10 Hasil Uji Keseragaman Ui Proses Pelayanan Replikasi 1

Pada nilai N adalah jumlah dari pengamatan customer adalah

sebanyak 20. Most extrem differences merupakan perbedaan nilai
fungsi distribusi kumulatif pengamatan dan teoritis. Nilai absolute
merupakan nilai mutlak (0,114) dari nilai terbesar dari nilai perbedaan
positive (0,050) dan negative (-0,114). Nilai Asymp. Sig.(2-tailed)
adalah 0,956 yang menunjukkan bahwa nilai tersebut lebih besar dari a
= 0,05 sehingga H0 diterima. Jadi, distribusi sampel mengikuti
distribusi uniform.

3.4.4.2 Uji Keseragaman (Uniform) Nilai UI dari Generate Random

Linier Congruential Generator (LCG) Replikasi 2
Dengan menggunakan software SPSS maka hasil uji keseragaman
(uniform) untuk kedatangan dan proses pelayanan replikasi 2 adalah
sebagai berikut :

 Kedatangan

One-Sample Kolmogorov-Smirnov Test

Ui_Kedatangan

N 20
Minimum .10
Uniform Parametersa,b
Maximum .95
Absolute .137
Most Extreme Differences Positive .120
Negative -.137
Kolmogorov-Smirnov Z .613
Asymp. Sig. (2-tailed) .847

a. Test distribution is Uniform.

b. Calculated from data.

Gambar 3.11 Hasil Uji Keseragaman Ui Kedatangan Replikasi 2

 Pada nilai N adalah jumlah dari pengamatan customer adalah
sebanyak 20. Most extrem differences merupakan perbedaan nilai
fungsi distribusi kumulatif pengamatan dan teoritis. Nilai absolute
merupakan nilai mutlak (0,137) dari nilai terbesar dari nilai perbedaan
positive (0,120) dan negative (-0,137). Nilai Asymp. Sig.(2-tailed)
adalah 0,847 yang menunjukkan bahwa nilai tersebut lebih besar dari a
= 0,05 sehingga H0 diterima. Jadi, distribusi sampel mengikuti
distribusi uniform.

 Proses pelayanan

One-Sample Kolmogorov-Smirnov Test

Ui_Pelayanan

N 20
Minimum .01
Uniform Parametersa,b
Maximum .99
Absolute .202
Most Extreme Differences Positive .202
Negative -.068
Kolmogorov-Smirnov Z .902
Asymp. Sig. (2-tailed) .391

a. Test distribution is Uniform.

b. Calculated from data.

Gambar 3.12 Hasil Uji Keseragaman Ui Proses Pelayanan Replikasi 2

Pada nilai N adalah jumlah dari pengamatan customer adalah

sebanyak 20. Most extrem differences merupakan perbedaan nilai
fungsi distribusi kumulatif pengamatan dan teoritis. Nilai absolute
merupakan nilai mutlak (0,202) dari nilai terbesar dari nilai perbedaan
positive (0,202) dan negative (-0,068). Nilai Asymp. Sig.(2-tailed)
adalah 0,391 yang menunjukkan bahwa nilai tersebut lebih besar dari a
= 0,05 sehingga H0 diterima. Jadi, distribusi sampel mengikuti
distribusi uniform.
3.4.5 Generate Random Untuk Distribusi Eksponensial
3.4.5.1 Generate Random Untuk Distribusi Eksponensial Replikasi 1
Hasil dari Generate Random distribusi eksponensial untuk kedatangan
dan proses pelayanan berdistribusi eksponensial pada replikasi 1
dengan kedatangan β = 1,21 dan proses pelayanan β = 1,43 adalah
sebagai berikut :

Tabel 3.6 Hasil Generate Random Kedatangan Replikasi 1

Kedatangan
Interarival
i Zi Ui Arrival Time
time
0 15
1 30 0.9375 3.354832354 3.354832354
2 25 0.78125 1.838989162 5.193821516
3 16 0.5 0.838708088 6.032529604
4 19 0.59375 1.089951720 7.122481324
5 18 0.5625 1.000281074 8.122762398
2.864219573 10.98698197
6 29 0.90625
1
0.161572985 11.14855495
7 4 0.125
6
1.534898704 12.68345366
8 23 0.71875
0
0.251243631 12.93469729
9 6 0.1875
1
0.038415925 12.97311321
10 1 0.03125
6
1.677416177 14.65052939
11 24 0.75
3
2.246120568 16.89664996
12 27 0.84375
1
2.025511485 18.92216144
13 26 0.8125
6
0.205577835 19.12773928
14 5 0.15625
1
0.568704391 19.69644367
15 12 0.375
2
4.193540442 23.88998411
16 31 0.96875
4
0.696190615 24.58617473
17 14 0.4375
0
0.399592441 24.98576717
18 9 0.28125
1
19 0 0 0.000000000 24.98576717
 1
0.119112488 25.10487965
20 3 0.09375
9

 Perhitungan Interarrival
−β × ln ( 1−U 1) =−1,21 × ln ( 1−0,9375 )=3,354832354
−β × ln ( 1−U 12) =−1,21× ln ( 1−0,84375 )=2,246120568

 Perhitungan Arrival
Arrival time1=Arrival time 0+ Interarrival 1
¿ 0+3.354832354=3.354832354
Arrival time12=Arrival time 11 + Interarrival12
¿ 14.650529393+2.246120568=16.896649961

Tabel 3.7 Hasil Generate Random Proses Pelayanan Replikasi 1

Proses
i Zi Ui Process time
0 3
1 2 0.0625 0.552290085
2 13 0.40625 1.205454601
3 20 0.625 1.862585832
4 7 0.21875 0.813009911
5 22 0.6875 2.123305658
6 17 0.53125 1.543490553
7 8 0.25 0.871385364
8 11 0.34375 1.062335255
9 10 0.3125 0.995811633
10 21 0.65625 1.987012101
11 28 0.875 3.433601405
12 15 0.46875 1.364507259
13 30 0.9375 4.424801873
14 25 0.78125 2.633350828
15 16 0.5 1.451200468
16 19 0.59375 1.748124760
17 18 0.5625 1.642150360
18 29 0.90625 3.844986768
19 4 0.125 0.650949891
 20 23 0.71875 2.273971195

 Perhitungan Process Time

−β × ln ( 1−U 1) =−1,43 × ln ( 1−0,0625 ) +0,46=0.552290085
−β × ln ( 1−U 12) =−1,43 ×ln ( 1−0,46875 )+ 0,46=1.364507259

3.4.5.2 Generate Random Untuk Distribusi Eksponensial Replikasi 2

Hasil dari Generate Random distribusi eksponensial untuk kedatangan
dan proses pelayanan berdistribusi eksponensial pada replikasi 2
dengan kedatangan β = 1,21 dan proses pelayanan β = 1,43 adalah
sebagai berikut :

Tabel 3.8 Hasil Generate Random Kedatangan Replikasi 2

Kedatangan
i Zi Ui Interarival time Arrival Time
0 32
1 35 0.273438 0.386511233 0.386511233
2 98 0.765625 1.755507788 2.142019020
3 13 0.101563 0.129588744 2.271607764
4 20 0.15625 0.205577835 2.477185599
5 39 0.304688 0.439706612 2.916892211
6 54 0.421875 0.663037857 3.579930067
7 113 0.882813 2.594215876 6.174145943
8 72 0.5625 1.000281074 7.174427017
9 107 0.835938 2.187084470 9.361511486
1.044285923 10.40579740
10 74 0.578125 9
0.216833730 10.62263113
11 21 0.164063 9
0.765352296 11.38798343
12 60 0.46875 5
2.442768473 13.83075190
13 111 0.867188 8
0.323145970 14.15389787
14 30 0.234375 8
3.516405339 17.67030321
15 121 0.945313 7
 2.516124265 20.18642748
16 112 0.875 3
0.614952059 20.80137954
17 51 0.398438 2
0.599338939 21.40071848
18 50 0.390625 1
0.310861601 21.71158008
19 29 0.226563 1
1.838989162 23.55056924
20 100 0.78125 3

 Perhitungan Interarrival
−β × ln ( 1−U 1) =−1,21 × ln ( 1−0,273438 )=0.386511233
−β × ln ( 1−U 12) =−1,21× ln ( 1−0,46875 )=0,765352296

 Perhitungan Arrival
Arrival time1=Arrival time 0+ Interarrival 1
¿ 0+0.386511233=0.386511233
Arrival time12=Arrival time 11 + Interarrival12
¿ 10.622631139+0.765352296=11.387983435

Tabel 3.9 Hasil Generate Random Proses Pelayanan Replikasi 2

Proses
i Zi Ui Process time
0 100
1 55 0.4296875 1.263046277
2 6 0.046875 0.528653183
3 1 0.0078125 0.471215744
4 24 0.1875 0.756924292
5 123 0.9609375 5.096907063
6 26 0.203125 0.784692154
7 37 0.2890625 0.947874183
8 12 0.09375 0.600769304
9 127 0.9921875 7.398403277
10 110 0.859375 3.265171664
11 9 0.0703125 0.564256682
 12 64 0.5 1.451200468
13 67 0.5234375 1.519853652
14 2 0.015625 0.482520150
15 45 0.3515625 1.079461208
16 52 0.40625 1.205454601
17 71 0.5546875 1.616839964
18 86 0.671875 2.053535723
19 17 0.1328125 0.663775090
20 104 0.8125 2.853786300

 Perhitungan Process Time

−β × ln ( 1−U 1) =−1,43 × ln ( 1−0,4296875 ) +0,46=1.263046277
−β × ln ( 1−U 12) =−1,43 ×ln ( 1−0,5 )+ 0,46=1.451200468

3.4.6 Simulasi Manual dari Generate Random

Setelah didapatkan waktu kedatangan dan waktu proses maka akan
dilakukan simulasi manual dari hasil generate random dengan distribusi
eksponential.
3.4.6.1 Simulasi Manual dari Generate Random Replikasi 1
Data periode simulasi untuk generate random replikasi 1 adalah
sebagai berikut :

Tabel 3.10 Periode Simulasi Replikasi 1

No. Waktu Waktu Waktu

Waktu Waktu
Custome Antar Mulai Meninggalkan
Kedatangan Proses
r Kedatangan Dilayani Sistem

1 3.35 3.35 0.55 3.35 3.9

2 5.19 1.84 1.21 5.19 6.4
3 6.03 0.84 1.86 6.4 8.26
4 7.12 1.09 0.81 8.26 9.07
5 8.12 - 2.12 9.07 11.19
 Tabel 3.11 Simulasi Manual Replikasi 1

Total
Arrival Number of Number of Waiting of
Event
Time of Completed Completed Time in Waitin Total of Area Area
Cloc Calendar Syste Q(t Flowtim
Event B(t) Custome Waiting Processin Queue g Flow Under Under
k (Entity no; m ) e Entity
r in Customer g until Times Time Q(t) B(t)
Time; Type)
Queue in Queue Customer Processed in
Queue
0
0 inisialisasi 1;3.35;Arr 0 0 0 0 0 0 0 0 0 0 0 0
1;3.9;Dep
1;3.9;Dep
3.35 1 ; Arr 2;5.19;Arr 1 1 0 0 1 0 0 0 0 0 0 0
3;6.03;Arr
2;5.19;Arr
3.9 1 ; Dep 3;6.03;Arr 0 0 0 0 1 1 0 0 0.55 0.55 0 0.55
2;6.4;Dep
3;6.03;Arr
5.19 2 ; Arr 2;6.4;Dep 2 1 0 0 2 1 0 0 0 0.55 0 0.55
4;7.12;Arr
2;6.4;Dep
6.03 3 ; Arr 4;7.12;Arr 32 1 1 3 = 6.03 2 1 0 0 0 0.55 0 1.39
5;8.12;Arr
6.4 2 ; Dep 4;7.12;Arr 3 1 0 0 3 2 0.37 0.37 1.21 1.76 0.37 1.76
 5;8.12;Arr
3;8.26;Dep
5;8.12;Arr
7.12 4 ; Arr 3;8.26;Dep 43 1 1 4 = 7.12 3 2 0 0.37 0 1.76 0.37 2.48
4;9.07;Dep
3;8.26;Dep
4 = 7.12
8.12 5 ; Arr 4;9.07;Dep 543 1 2 3 2 0 0.37 0 1.76 1.37 3.48
5 = 8.12
5;11.19;Dep
4;9.07;Dep
8.26 3 ; Dep 54 1 1 5 = 8.12 4 3 1.14 1.51 2.23 3.99 1.65 3.62
5;11.19;Dep
9.07 4 ; Dep 5;11.19;Dep 5 1 0 0 5 4 0.95 2.46 1.95 5.94 2.46 4.43
11.19 5 ; Dep END 0 0 0 0 5 5 0 2.46 3.07 9.01 2.46 6.55
 Performansi Sistem :
Dari simulasi manual replikasi 1 maka akan dilakukan perhitungan
performansi sistem sebagai berikut :
 Total Output
Jumlah entiti yang telah meninggalkan sistem atau selesai diproses. Dalam
simulasi manual yang dilakukan terdapat 5 entity yang keluar dari sistem.
 Average Waiting Time
Rata rata waktu yang dihabiskan customer dalam antrian.
Total Waiting Time 2,46
= =0,492 menit /customer
Total Output 5
 Maximum Waiting Time
Maksimal waktu tunggu entity dalam sistem. Untuk mengetahui
maksimum waiting time dapat dilihat dari kolom waiting time in queue
untill process. Dari kolom tersebut dicari waktu tunggu terbesar yang
dialami oleh entity. Didapati nilai maksimum tunggu adalah 1,14 menit.
 Average Flowtime
Rata rata waktu pelayanan dihitung mulai dari pelanggan datang hingga
meninggalkan sistem.
Total Flowtime 9,01
= =1,802 menit /customer
Total Output 5
 Maximum Flowtime
Maksimum waktu pelayanan dihitung mulai dari pelanggan datang hingga
meninggalkan sistem. Dari kolom flowtime entity dicari untuk waktu
terlama yang dihabiskan entity dalam sistem yaitu 3,07 menit.
 Average Queue Length
Rata rata antrian yang terjadi di dalam sistem.
Area (Q ) t 2,46
= =0,219 customer
t 11,19
 Maximum Queue Length
Maksimal antrian yang terjadi di dalam sistem. Dapat dilihat pada kolom
Q(t) berapa antrian terpanjang yang terjadi dalam sistem. Pada kolom
tersebut menunjukkan nilai terbesar antrian adalah 2 entity.
  Machine Utilization
Waktu sibuk dari kasir yang melayani customer dalam sistem.
Area ( B ) t 6,55
x 100 %= x 100 %=58,53 %
t 11,19

3.4.6.2 Simulasi Manual dari Generate Random Replikasi 2

Data periode simulasi untuk generate random replikasi 2 adalah sebagai
berikut :

Tabel 3.12 Periode Simulasi Replikasi 2

No. Waktu Waktu Waktu

Waktu Waktu
Custome Antar Mulai Meninggalkan
Kedatangan Proses
r Kedatangan Dilayani Sistem

1 0.39 0.39 1.26 0.39 1.65

2 2.14 1.76 0.53 2.14 2.67
3 2.27 0.13 0.47 2.67 3.14
4 2.48 0.21 0.76 3.14 3.9
5 2.92 - 5.10 3.9 9
 Tabel 3.13 Simulasi Manual Replikasi 2

Total
Number Waiting
Arrival Number of of
Event of Time in Total
Time of Completed Waitin Area Area
Cloc Calendar Syste Q(t Complete Queue Flowtim of
Event B(t) Custome Processin g Under Under
k (Entity no; m ) d Waiting until e Entity Flow
r in g Times Q(t) B(t)
Time; Type) Customer Processe Time
Queue Customer in
in Queue d
Queue
0
0 inisialisasi 1;0.39;Arr 0 0 0 0 0 0 0 0 0 0 0 0
1;1.65;Dep
1;1.65;Dep
0.39 1 ; Arr 2;2.14;Arr 1 1 0 0 1 0 0 0 0 0 0 0
3;2.27;Arr
2;2.14;Arr
1.65 1 ; Dep 3;2.27;Arr 0 0 0 0 1 1 0 0 1.26 1.26 0 1.26
4;2.48;Arr
3;2.27;Arr
2.14 2 ; Arr 4;2.48;Arr 2 1 0 0 2 1 0 0 0 1.26 0 1.26
2;2.67;Dep
4;2.48;Arr
2.27 3 ; Arr 2;2.67;Dep 32 1 1 3 = 2.27 2 1 0 0 0 1.26 0 1.39
5;2.92;Arr
2.48 4 ; Arr 2;2.67;Dep 432 1 2 3 = 2.27 2 1 0 0 0 1.26 0.21 1.6
 5;2.92;Arr
4 = 2.48
3;3.14;Dep
5;2.92;Arr
2.67 2 ; Dep 3;3.14;Dep 43 1 1 4 = 2.48 3 2 0.4 0.4 0.53 1.79 0.59 1.79
4;3.9;Dep
3;3.14;Dep
4 = 2.48
2.92 5 ; Arr 4;3.9;Dep 543 1 2 3 2 0 0.4 0 1.79 0.84 2.04
5 = 2.92
5;9;Dep
4;3.9;Dep
3.14 3 ; Dep 54 1 1 5 = 2.92 4 3 0.66 1.06 0.87 2.66 1.28 2.26
5;9;Dep
3.9 4 ; Dep 5;9;Dep 5 1 0 0 5 4 0.98 2.04 1.42 4.08 2.04 3.02
9 5 ; Dep END 0 0 0 0 5 5 0 2.04 6.08 10.16 2.04 8.12
 Performansi Sistem :
Dari simulasi manual replikasi 2 maka akan dilakukan perhitungan
performansi sistem sebagai berikut :
 Total Output
Jumlah entiti yang telah meninggalkan sistem atau selesai diproses. Dalam
simulasi manual yang dilakukan terdapat 5 entity yang keluar dari sistem.
 Average Waiting Time
Rata rata waktu yang dihabiskan customer dalam antrian.
Total Waiting Time 2,04
= =0,408 menit/ customer
Total Output 5
Karena tidak ada antrian dalam sistem.
 Maximum Waiting Time
Maksimal waktu tunggu entity dalam sistem. Untuk mengetahui
maksimum waiting time dapat dilihat dari kolom waiting time in queue
untill process. Dari kolom tersebut dicari waktu tunggu terbesar yang
dialami oleh entity. Didapati nilai maksimum tunggu adalah 0,98 menit.
 Average Flowtime
Rata rata waktu pelayanan dihitung mulai dari pelanggan datang hingga
meninggalkan sistem.
Total Flowtime 10,16
= =2,032 menit /customer
Total Output 5
 Maximum Flowtime
Maksimum waktu pelayanan dihitung mulai dari pelanggan datang hingga
meninggalkan sistem. Dari kolom flowtime entity dicari untuk waktu
terlama yang dihabiskan entity dalam sistem yaitu 6,08 menit.
 Average Queue Length
Rata rata antrian yang terjadi di dalam sistem.
Area (Q ) t 2,04
= =0 , 227 customer
t 9
Tidak ada antrian customer di dalam sistem.
  Maximum Queue Length
Maksimal antrian yang terjadi di dalam sistem. Dapat dilihat pada kolom
Q(t) berapa antrian terpanjang yang terjadi dalam sistem. Pada kolom
tersebut menunjukkan nilai terbesar antrian adalah 2 entity.
 Machine Utilization
Waktu sibuk dari kasir yang melayani customer dalam sistem.
Area ( B ) t 8,12
x 100 %= x 100 %=90,22%
t 9

3.4.7 Analisa Output Untuk Rata-rata 2 Replikasi

Dengan melakukan 2 kali replikasi didapatkan hasil simulasi yang berbeda.
Perbedaan dapat dilihat pada utilisasi dari kedua replikasi melalui simulasi
by hand sebagai berikut :

Tabel 3.14 Perbandingan Utilisasi

Replikasi 1 Replikasi 2
Utilisasi 58,53 % 90,22 %

Dari replikasi 1 dihasilkan utilitas sistem sebesar 58,53 % dan replikasi 2

sebesar 90,22 %. Perbedaan utilitas ini dapat disebabkan oleh penentuan
parameter atau konstanta awal pada pembangkit bilangan acak. Parameter-
parameter yang telah dihitung dan diuji tersebut akan menghasilkan selisih
waktu dengan pengamatan pada sistem nyata. Pada setiap replikasi terdapat
idle atau kondisi sistem yang menganggur sehingga utilitas tidak dalam nilai
maksimal.
Pada replikasi 1 waktu yang dibutuhkan hingga entity ke 5 meninggalkan
sistem adalah 11,19 menit sementara kondisi sibuk pada server hanya terjadi
selama 6,55 menit sehingga terdapat kondisi menganggur selama 4,64 menit
dalam sistem. Untuk replikasi 2 didapatkan waktu total hingga entity ke 5
meninggalkan sistem adalah 9 menit. Sedangkan waktu yang dihitung dalam
Area Under (B) atau waktu kesibukan dalam sistem hanya sebesar 8,12
sehingga terdapat kondisi menganggur selama 0.88 menit.
3.5 Kesimpulan
1. Dengan data waktu antar kedatangan dan proses yang didapatkan dari
pengamatan sistem nyata maka dilakukan pengujian distribusi data. Uji
distribusi probabilitas dilakukan untuk mengetahui distribusi dari data
tersebut sehingga dapat digunakan sebagai dasar dalam melakukan
simulasi. Pada uji distribusi yang telah dilakukan diketahui bahwa untuk
waktu antar kedatangan berdistribusi erlang dan waktu proses berdistribusi
eksponential. Distribusi lain yang digunakan adalah dengan distribusi
eksponential.
2. Pembangkit bilangan acak adalah suatu algoritma untuk dapat
menghasilkan urutan-urutan bilangan atau barisan bilangan sehingga hasil
dari perhitungan menggunakan komputer dengan diketahui distribusinya.
Salah satu cara untuk membangkitkan bilangan acak adalah dengan
pendekatan Linear Congruential Generator dimana akan ditentukan nilai
faktor pengali, increment, modulus, dan bilangan umpan (seed) untuk Z
Initial. Dengan nilai-nilai tersebut maka akan didapatkan random number
yang digunakan dalam membangkitkan random variates sesuai dengan
distribusi eksponensial. Sehingga menghasilkan waktu antar kedatangan
dan waktu proses untuk replikasi 1 dan replikasi 2.