TUGAS BESAR IEH3Q2 - SIMULASI KOMPUTER

MEMINIMASI WAKTU ANTRIAN PADA RESTORAN RICHEESE FACTORY

TRANSMART BUAH BATU

Oleh:
Kelompok 5
Alya Raisa Khanza (NIM: 1201174212)

Za’imatul Hakimah Septiani (NIM: 1201174471)

Ryu Fajar Harmawan (NIM: 1201174335)

PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS REKAYASA INDUSTRI
UNIVERSITAS TELKOM
BANDUNG 2019
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Menurut kamus bahasa Inggris Merriam-Webster pada 1951. Makanan siap saji
adalah istilah untuk makanan yang dapat disiapkan dan dilayankan dengan cepat.
Sementara makanan apapun yang dapat disiapkan dengan segera dapat disebut
makanan siap saji, biasanya istilah ini merujuk kepada makanan yang dijual di sebuah
restoran atau toko dengan persiapan yang berkualitas rendah dan dilayankan kepada
pelanggan dalam sebuah bentuk paket untuk dibawa pergi. Sebelum terjadi proses
pelayanan, tentunya terdapat antrian.
Antrian merupakan suatu fenomena yang timbul dalam aktivitas manusia.
Antrian yang muncul disebabkan oleh aktivitas pelayanan yang tidak diimbangi oleh
kebutuhan akan pelayanan sehingga pengguna layanan tersebut tidak terlayani dengan
segera. Menurut Donald Gross (2008: 1-2), sistem antrian tercipta jika pelanggan
datang ke tempat pelayanan, pelanggan menunggu untuk dilayani jika pelayanan tidak
segera dilakukan dan pelanggan meninggalkan sistem pelayanan jika sudah terlayani.
Pelanggan yang dimaksud dalam sistem pelayanan ini bukan hanya manusia, tetapi
juga seperti suatu benda yang juga ingin dilayani.
Teori tersebut mendasari kelompok kami melakukan penelitian ini, objek
penelitian kami yaitu Restoran Fast Food Richeese Factory yang berlokasi di
Transmart Buah Batu. Kami melakukan observasi secara langsung selama dua hari,
kami mengambil data berupa waktu kedatangan (arrival time), waktu pelayanan
(service time) dan waktu pergi (end time) selama 2 jam setiap pengambilan data.
Setelah melakukan observasi, kami membuat model simulasi dari sistem antrian
pelanggan Richeese Factory menggunakan software Flexsim untuk dapat
membandingkan antara model simulasi dengan sistem yang sesungguhnya.

1.2 Identifikasi Masalah

Berdasarkan uraian sebelumnya, maka masalah dalam tulisan ini dirumuskan

sebagai berikut:
1. Bagaimana perbandingan antara model simulasi dengan sistem yang sesungguhnya?
2. Bagaimana hasil penerapan simulasi pada software Flexsim untuk memberikan solusi
agar layanan optimal?

1.3 Tujuan Simulasi

Berdasarkan penelitian yang kami lakukan, maka tujuan dari penelitian ini
adalah sebagai berikut:
1. Untuk mengetahui perbandingan antara model simulasi dengan sistem yang
sesungguhnya.
2. Untuk mengetahui hasil penerapan simulasi dengan software Flexsim untuk
memberikan solusi agar layanan optimal.

1.4 Batasan Masalah

Adapun batasan masalah dari simulasi yang dilakukan pada Restoran Richeese
Factory adalah sebagai berikut :
A) Melakukan observasi secara langsung ke tempat pengamatan.
B) Pengambilan dan pengumpulan data dilakukan selama 2 jam yaitu pada
hari Kamis, 21 November 2019 pukul 13.52 – 15.52 dan hari Selasa, 26
November 2019 pukul 13.27 – 15.27.
C) Dalam objek yang diamati, terdapat 2 server kasir yang melayani
pelanggan.
 BAB II

MODEL KENSEPTUAL

2.1 Variabel Yang Mempengaruhi Keluaran Sistem

Karena kita tidak mengetahui secara pasti yang terjadi di dalam suatu sistem, maka kami
menggambarkannya dalam sebuah Black Box, dengan tujuan untuk melihat aspek atau
variabel apa saja yang berpengaruh terhadap keluaran sistem yang terjadi di Restoran
Richeese Factory. Berikut merupakan Black Box yang telah dibuat :

Gambar 2.1. 1 Black Box

Berdasarkan Black Box yang telah dibuat, dapat kita lihat bahwa dalam suatu sistem
Richeese Factory terdapat beberapa variabel, yaitu :

1. Input : Waktu Antar Kedatangan dan Waktu Pelayanan setiap pelanggan.

2. Uncontrollable Input : Jumlah pelanggan yang datang ke Restoran Richeese

Factory.

3. Controllable Input : Jumlah server pada kasir.

4. Output : Pelanggan mendapat pelayanan.

2.2 Pengumpulan dan Pengolahan Data
2.1.1 Pengumpulan Data
Dibawah ini merupakan pengumpulan data yang telah kami lakukan selama
melakukan pengamatan di Restoran Richeese Factory. Terdapat data struktur
yang terdiri atas entitas, resources dan location. Selanjutnya ada data operasional
yang berisi jam kerja operasional, dan yang terakhir ada data numerik yang
terdiri dari data antar waktu kedatangan dan waktu pelayanan.
 Table 1 Pengumpulan Data

1. Kedatangan konsumen
Entitas
2. Konsumen meninggalkan tempat
Resources Operator
Data Struktur
1. Server 1 Kasir
Location 2. Server 2 Kasir
3. Tempat menunggu makanan jadi
Data Operasional Jadwal Operasi 10.30-21.30 WIB
1. Waktu Antar kedatangan pelanggan
Data Numerik
2. Waktu Pelayanan Pelanggan
Berikut merupakan hasil pengumpulan data kami dengan waktu pengamatan selama dua
hari dengan waktu selama dua jam per harinya.
Table 2.1. 1 Hasil Pengumpulan Data Hari Pertama

Server 2

No Server Arrival Time Service Time End Time

S2 13:47:18 13:50:05 13:54:12
S2 13:49:53 13:53:11 13:58:02
S2 14:06:17 14:07:21 14:11:09
Server 1 S2 14:09:28 14:08:36 14:16:15
S2 14:09:40 14:12:00 14:17:53
No Server Arrival Time Service Time End Time S2 14:18:46 14:19:34 14:22:51
S1 13:52:45 13:58:08 14:03:11 S2 14:19:52 14:21:41 14:25:04
S1 13:58:23 14:00:16 14:12:43
S2 14:24:14 14:25:52 14:29:32
S1 14:03:03 14:04:51 14:06:19
S2 14:30:20 14:30:01 14:33:05
S1 14:09:57 14:11:13 14:14:32
S2 14:32:37 14:32:32 14:35:13
S1 14:11:11 14:12:18 14:18:21
S2 14:34:03 14:35:23 14:38:04
S1 14:14:42 14:16:38 14:19:00
S2 14:36:53 14:37:02 14:47:22
S1 14:18:27 14:19:20 14:22:07
S2 14:39:05 14:40:10 14:44:35
S1 14:18:33 14:26:33 14:31:52
S2 14:40:42 14:45:15 14:49:02
S1 14:21:06 14:22:44 14:26:08
S2 14:40:49 14:46:07 14:49:27
S1 14:33:09 14:34:01 14:38:58
S1 14:40:17 14:40:53 14:45:31 S2 14:49:08 14:49:11 14:53:04
S1 14:46:09 14:47:16 14:56:03 S2 14:50:45 14:53:19 14:57:05
S1 15:01:25 15:01:42 15:19:35 S2 14:52:18 14:55:06 14:58:11
S1 15:16:22 15:16:36 15:20:04 S2 15:01:19 15:01:31 15:19:15
S1 15:19:04 15:20:17 15:25:37 S2 15:05:06 15:05:10 15:07:24
S1 15:21:16 15:21:24 15:24:00 S2 15:05:16 15:07:01 15:12:21
S1 15:30:02 15:30:52 15:33:12 S2 15:05:26 15:09:05 15:12:08
S1 15:31:56 15:32:06 15:34:56 S2 15:06:19 15:10:57 15:14:17
S1 15:33:43 15:33:59 15:36:03 S2 15:10:39 15:12:46 15:16:07
S1 15:36:27 15:37:02 15:46:11 S2 15:17:56 15:17:06 15:20:02
S1 15:36:35 15:38 15:41:08 S2 15:20:21 15:20:29 15:23:15
S1 15:37:27 15:42:16 15:44:56 S2 15:33:01 15:33:04 15:37:18
S1 15:37:27 15:44:32 15:48:10 S2 15:37:09 15:42:49 15:44:03
 Tabel diatas merupakan hasil pengumpulan data yang kami lakukan pada hari pertama
yaitu pada hari Kamis, 21 November 2019 dengan dua server yang berbeda.
Table 2.1. 2 Hasil Pengumpulan Data Hari Kedua

Server 2

No Server Arrival Time Service Time End Time

S2 13:27:15 13:32:38 13:34:16
S2 13:27:21 13:33:51 13:39:38
S2 13:42:04 13:46:01 13:56:43
S2 13:48:26 13:50:08 13:53:48
S2 13:53:18 13:54:22 14:00:17
S2 13:55:02 14:01:06 14:09:38
S2 13:57:04 14:03:09 14:08:17
S2 14:05:33 14:08:11 14:10:06
S2 14:05:46 14:09:00 14:12:36
S2 14:11:14 14:13:12 14:19:54
S2 14:15:06 14:17:39 14:22:32
S2 14:18:16 14:23:31 14:28:22
S2 14:20:08 14:27:25 14:38:27
S2 14:22:12 14:28:22 14:30:41
S2 14:23:18 14:26:14 14:28:44
S2 14:27:52 14:30:19 14:36:22
Server 1 S2 14:29:19 14:31:16 14:35:05
S2 14:30:11 14:38:29 14:41:12
No Server Arrival Time Service Time End Time S2 14:31:17 14:40:22 14:42:49
S1 13:25:02 13:29:10 13:34:05 S2 14:33:15 14:42:26 14:46:51
S1 13:27:04 13:31:43 13:34:31
S2 14:36:05 14:42:05 14:49:57
S1 13:31:10 13:33:10 13:47:01
S2 14:43:09 14:49:18 14:54:17
S1 13:32:19 13:38:07 13:40:14
S2 14:43:15 14:53:49 14:58:04
S1 13:38:39 13:43:05 13:46:57
S2 14:47:13 14:57:08 15:02:10
S1 13:45:43 13:46:00 13:55:20
S2 14:52:53 14:59:05 15:00:17
S1 13:52:04 13:54:19 13:55:11
S1 13:55:32 14:01:07 14:06:30 S2 14:52:59 15:02:55 15:06:07
S1 13:59:10 14:03:11 14:10:46 S2 14:55:16 15:03:59 15:07:23
S1 13:59:47 14:04:18 14:11:35 S2 14:59:15 15:07:51 15:14:51
S1 14:09:21 14:10:04 14:17:05 S2 14:59:37 15:07:09 15:14:19
S1 14:11:34 14:12:09 14:17:19 S2 15:07:05 15:13:29 15:17:28
S1 14:15:08 14:17:34 14:23:21 S2 15:10:01 15:18:30 15:20:57
S1 14:16:17 14:22:35 14:26:19 S2 15:24:00 15:25:19 15:30:09
S1 15:26:13 15:31:18 15:34:29 S2 15:25:08 15:25:28 15:26:15
S1 15:28:12 15:32:27 15:37:12 S2 15:25:15 15:27:38 15:34:26 \

Tabel diatas merupakan hasil pengumpulan data yang kami lakukan pada hari pertama
yaitu pada hari Kamis, 21 November 2019 dengan dua server yang berbeda.
 2.1.2 Pengolahan Data

Tahap selanjutnya yaitu pengolahan data. Data yang telah dikumpulkan selama dua
hari diolah sehingga menghasilkan data waktu antar kedatangan (interarrival time)
dan waktu pelayanan (service time) yang akan dijelaskan dalam tabel sebagai
berikut :

Table 2.1.2. 1 Pengolahan Data Hari Pertama

Server 1 Server 2
Interarrival Time Service Time End Time Interarrival Time Service Time End Time
0 5.05 0 0 4.12 0
5.63 12.45 9.53 2.58 4.85 3.08
4.67 1.47 5.2 16.4 3.8 13.12
6.9 3.95 8.2 3.18 7.65 5.1
1.23 6.15 3.82 0.2 5.88 1.63
3.52 2.37 0.65 9.1 3.28 4.97
3.75 2.78 3.12 1.1 3.38 2.22
6.00 5.32 9.75 4.37 3.67 4.47
2.55 3.4 7.28 6.1 4.07 3.55
12.05 4.95 12.83 2.28 2.68 2.13
7.13 4.63 6.55 1.43 2.68 2.85
5.87 8.78 10.53 2.83 10.33 9.3
15.27 17.88 23.53 2.2 4.42 8.73
14.95 3.47 0.48 1.62 3.78 4.45
2.7 5.33 5.55 0.12 3.33 0.42
2.2 2.6 7.87 8.32 3.88 3.62
8.77 2.33 9.2 1.62 3.77 4.02
1.9 2.83 1.73 1.55 3.08 1.1
1.78 2.07 1.12 9.02 17.73 21.07
2.73 9.15 10.13 3.78 2.23 20.03
0.13 2.82 12.2 0.17 5.33 4.95
0.87 2.67 3.8 0.17 3.05 7.13
0.00 3.63 3.23 0.88 3.33 2.15
4.33 3.35 1.83
7.28 4.33 3.92
2.42 2.77 3.22
12.67 4.23 14.05
4.13 1.23 6.75
 Table 2.1.2. 2 Pengolahan Data Hari Kedua

Server 1 Server 2
Interarrival Time Service Time End Time Interarrival Time Service Time End Time
0 4.92 0 1.63
2.03 2.8 0.43 0.1 5.78 5.37
4.10 13.85 12.5 14.72 10.7 17.08
1.15 2.12 1.88 6.37 3.67 10.32
6.33 3.87 6.72 4.87 5.92 6.48
7.07 9.33 8.38 1.73 8.53 9.35
6.35 0.87 7.3 2.03 5.13 7.62
3.47 5.38 11.32 8.48 1.92 1.82
3.63 7.58 4.27 0.22 3.6 2.5
0.62 7.28 0.82 5.47 6.7 7.3
9.57 7.02 5.5 3.87 4.88 2.63
2.22 5.17 0.23 3.17 4.85 5.83
3.57 5.78 6.03 1.87 11.03 10.08
1.15 3.73 2.97 2.07 2.32 5.48
69.93 3.18 68.17 1.3 2.5 9.18
1.98 4.75 2.72 4.57 6.05 7.63
1.45 3.82 5.02
0.87 2.72 6.12
1.1 2.45 1.62
1.97 4.42 4.03
2.83 7.87 3.1
7.07 4.98 4.33
0.1 4.25 3.78
3.97 5.03 4.1
5.67 1.2 3.17
0.10 3.2 5.83
2.28 3.4 1.27
3.98 7 7.47
0.37 7.17 5.45
7.97 3.98 3.15
2.93 2.45 3.48
13.98 4.83 9.2
1.13 0.78 4.97
0.12 6.8 8.18
2.1.3 Analisis Data

Analisis Data dilakukan dengan melakukan beberapa tes, diantaranya adalah

Independent Test dan Distribution Test.

A) Tes Independensi

Uji Independensi dilakukan dengan tujuan untuk mengetahui adakah terdapat

hubungan antara dua faktor. Berikut adalah uji independensi dari data numerik
yang diperoleh dengan menggunakan metode Autocorrelation menggunakan
software Stat::Fit :

1) Pengamatan Hari Pertama

• Interarrival Time Server 1

Gambar 2.1.3. 1 Tes Independensi Interarrival Time Server 1

Berdasarkan uji autokorelasi yang telah dilakukan, dapat dianalisis

bahwa karena nilai yang dihasilkan (0.343, 0.104) masih berada didekat
daerah 0.00 maka data dikatakan aman dan memiliki korelasi.
• Interarrival Time Server 2

Gambar 2.1.3. 2 Tes Independensi Arrival Time Server 2

Berdasarkan uji autokorelasi yang telah dilakukan, dapat dianalisis

bahwa karena nilai yang dihasilkan (0.285, -0.234) masih berada didekat
daerah 0.00 maka data dikatakan aman dan memiliki korelasi.

• Service Time Server 1

Gambar 2.1.3. 3 Tes Independensi Service Time Server 1

Berdasarkan uji autokorelasi yang telah dilakukan, dapat dianalisis

bahwa karena nilai yang dihasilkan (0.0326, -0.259) masih berada didekat
daerah 0.00 maka data dikatakan aman dan memiliki korelasi.
 • Service Time Server 2

Gambar 2.1.3. 4 Tes Independensi Service Time Server 2

Berdasarkan uji autokorelasi yang telah dilakukan, dapat dianalisis

bahwa karena nilai yang dihasilkan (0.285, -0.234) masih berada didekat
daerah 0.00 maka data dikatakan aman dan memiliki korelasi.

2) Pengamatan Hari Kedua

• Interarrival Time Server 1

Gambar 2.1.3. 5 Tes Independensi Interarrival Time Server 1

Berdasarkan uji autokorelasi yang telah dilakukan, dapat dianalisis

bahwa karena nilai yang dihasilkan (-0.0126, -0.149) masih berada didekat
daerah 0.00 maka data dikatakan aman dan memiliki korelasi.
• Interarrival Time Server 2

Gambar 2.1.3. 6 Tes Independensi Interarrival Time Server 2

Berdasarkan uji autokorelasi yang telah dilakukan, dapat dianalisis

bahwa karena nilai yang dihasilkan (0.174, -0.145) masih berada didekat
daerah 0.00 maka data dikatakan aman dan memiliki korelasi.

• Service Time Server 1

Gambar 2.1.3. 7 Tes Independensi Service Time Server 1

Berdasarkan uji autokorelasi yang telah dilakukan, dapat dianalisis

bahwa karena nilai yang dihasilkan (0.438, -0.411) masih berada didekat
daerah 0.00 maka data dikatakan aman dan memiliki korelasi.
 • Service Time Server 2

Gambar 2.1.3. 8 Tes Independensi Service Time Server 2

Berdasarkan uji autokorelasi yang telah dilakukan, dapat dianalisis

bahwa karena nilai yang dihasilkan (0.107, -0.288) masih berada didekat
daerah 0.00 maka data dikatakan aman dan memiliki korelasi.

B) Tes Distribusi
Pengujian tes distribusi bertujuan untuk mengetahui jenis distribusi apa yang
sesuai dengan data yang digunakan. Berikut merupakan pengolahan tes
distribusi menggunakan software Stat::Fit adalah sebagai berikut :

1) Pengamatan Hari Pertama

• Interarrival Time Server 1

Gambar 2.1.3. 9 Tes Distribusi Interarrival Time Server 1

Berdasarkan pengolahan data yang dilakukan, maka jenis distribusi

yang diperoleh yaitu distribusi Lognormal(-1.07, 1.49, 0.778).
• Interarrival Time Server 2

Gambar 2.1.3. 10 Tes Distribusi Interarrival Time Server 2

Berdasarkan pengolahan data yang dilakukan, maka jenis distribusi

yang diperoleh yaitu distribusi Lognormal(-0.326, 0.997, 1.05).

• Service Time Server 1

Gambar 2.1.3. 11 Tes Distribusi Service Time Server 1

Berdasarkan pengolahan data yang dilakukan, maka jenis distribusi

yang diperoleh yaitu distribusi Lognormal(1.08, 1.03, 0.834).

• Service Time Server 2

Gambar 2.1.3. 12 Tes Distribusi Service Time Server 2

Berdasarkan pengolahan data yang dilakukan, maka jenis distribusi

yang diperoleh yaitu distribusi Lognormal(0.463, 1.23, 0.543).
• End Time Server 1 dan 2

Gambar 2.1.3. 13 Tes Distribusi End Time Server 1 dan 2

Berdasarkan pengolahan data yang dilakukan, maka jenis distribusi

yang diperoleh yaitu distribusi Lognormal(-0.811, 1.74, 0.716).

2) Pengamatan Hari Kedua

• Interarrival Time Server 1

Gambar 2.1.3. 14 Tes Distribusi Interarrival Time Server 1

Berdasarkan pengolahan data yang dilakukan, maka jenis distribusi

yang diperoleh yaitu distribusi Lognormal(-0.237, 1.21, 1.2).

• Interarrival Time Server 2

Gambar 2.1.3. 15 Tes Distribusi Interarrival Time Server 2

Berdasarkan pengolahan data yang dilakukan, maka jenis distribusi

yang diperoleh yaitu distribusi Exponential(0,3.49).
• Service Time Server 1

Gambar 2.1.3. 16 Tes Distribusi Service Time Server 1

Berdasarkan pengolahan data yang dilakukan, maka jenis distribusi

yang diperoleh yaitu distribusi Lognormal(-2.8, 2.05, 0.354).

• Service Time Server 2

Gambar 2.1.3. 17 Tes Distribusi Service Time Server 2

Berdasarkan pengolahan data yang dilakukan, maka jenis distribusi

yang diperoleh yaitu distribusi Lognormal(-2.76, 1.97, 0.323).

• End Time Server 1 dan 2

Gambar 2.1.3. 18 Tes Distribusi End Time Server 1 dan 2

Berdasarkan pengolahan data yang dilakukan, maka jenis distribusi

yang diperoleh yaitu distribusi Lognormal(-0.857, 1.77, 0.69).
2.3 Model Konseptual

Model konseptual adalah deskripsi tingkat tinggi mengenai bagaimana suatu sistem
diorganisasikan dan bekerja (Johnson dan Henderson, 2002, hal.26). Keputusan
mengenai design konseptual semestinya dibuat sebelum memulai design fisik apapun.

A. Entity Flow Diagram

Gambar 2.3. 1 Entity Flow Diagram

Berikut merupakan Entity Flow Diagram dari sistem yang ada di Restoran Richeese
Factory. Berawal dari kedatangan pelanggan dengan waktu kedatangan yang berbeda-
beda pada setiap server, memiliki waktu kedatangan dengan jenis distribusi Lognormal.
Untuk server 1 waktu antar kedatangannya yaitu L(-1.07, 1.49, 0.778) dan server 2 L(-
0.326, 0.997, 1.05). Kemudian, konsumen masuk ke antrian untuk server 1 dan 2, untuk
mengantri dilayani oleh petugas. Konsumen dilayani oleh petugas dengan jenis waktu
distribusi Lognormal di setiap servernya. Untuk server 1 waktu pelayanannya adalah
L(1.08, 1.03, 0.834) dan server 2 L(0.463, 1.23, 0.543). Setelah selesai dilayani,
 konsumen mengantri untuk mengambil pesanan, setelah pesanan diterima konsumen
meninggalkan masing-masing server.
Table 2.3. 1 Process Decsription

Activity Activity Next Move Move Move

Location
Time Resource Location Trigger Time Resource
Ketika
Area kedatangan L(-1.07, Petugas Antrian di Pelanggan
server 1 -
pelanggan di server 1 1.49, 0.778) server 1 server 1 sebelumnya
kosong
Ketika
Area kedatangan L(0.326, Petugas Antrian di Pelanggan
server 2 -
pelanggan di server 2 0.997, 1.05) server 2 server 2 sebelumnya
kosong
Ketika
Pelayanan pelanggan
Petugas
Antrian di server 1 None None konsumen sebelumnya -
server 1
di server 1 di server 1
selesai
Ketika
Pelayanan pelanggan
Petugas
Antrian di server 2 None None konsumen sebelumnya -
server 2
di server 2 di server 2
selesai
Antrian
Area pelayanan L(1.08, Petugas
pengambil None - None
konsumen di server 1 1.03, 0.834) server 1
an pesanan
Antrian
Area pelayanan L(0.463, Petugas
pengambil None - None
konsumen di server 2 1.23, 0.543). server 2
an pesanan
Ketika
Antrian pengambilan
None Petugas Keluar pesanan - None
pesanan server 1
selesai
Ketika
Antrian pengambilan
None Petugas Keluar pesanan - None
pesanan server 2
selesai
 B. Influence Diagram

Gambar 2.3. 2 Influence Diagram

Diatas ini merupakan sistem yang ada di Restoran Richeese Factory, digambarkan melalui
Influence Diagram. Melalui Influence Diagram dapat diketahui bahwa yang termasuk Input
adalah Waktu Antar Kedatangan dan Waktu Pelayanan setiap pelanggan, Uncontrollable Input
yaitu Jumlah pelanggan yang datang ke Restoran Richeese Factory, Controllable Input yaitu
Jumlah server pada kasir, dan Outputnya Pelanggan mendapat pelayanan.
 BAB III

Analisis Hasil Simulasi

3.1 Model Simulasi Antrian Restoran Richeese Factory

Setelah melakukan pengolahan data, tahapan selanjutnya yaitu mensimulasikan
permodelan dari sistem di Restoran Richeese Factory ke dalam software Flexim. Pada
permodelan ini, kami membuat lingkungan kerja yang sesuai dengan keadaan yang
sesungguhnya pada saat kami melakukan pengamatan.
Untuk skenario simulasi, dimulai dari pukul 08.00 – 10.00 karena pada saat
melakukan observasi, kami melakukannya selama dua jam dalam satu hari. Untuk
waktu yang menjadi iput pada software flexim yaitu Inter Arrival Time dan Service
Time. Karena terdapat 2 server pada kasir Richeese Buah Batu, maka input waktu yang
didapatkan yaitu Inter Arrival Time yang merupakan jarak kedatangan antara orang
pertama dengan orang kedua dan seterusnya dan Service Time yang merupakan jarak
antara waktu pelanggan dilayani.
Pada hari pertama, Inter Arrival Time pada server 1 sebesar L(-1.07, 1.49,
0.778), Service Time pada server 1 sebesar L(1.08, 1.03, 0.834), Inter Arrival Time pada
server 2 sebesar L(-0.326, 0.997, 1.05), serta Service Time pada server 2 sebesar
L(0.463, 1.23, 0.543). Kemudian pada hari kedua, Inter Arrival Time pada server 1
sebesar L(-0.237, 1.21, 1.2), Service Time pada server 1 sebesar L(-2.8, 2.05, 0.354),
Inter Arrival Time pada server 2 sebesar E(0,3.49), serta Service Time pada server 2
sebesar L(-2.76, 1.97, 0.323).
 3.2 Model Simulasi

Kami membuat 1 model Flexim dengan jumlah 2 server. Berikut merupakan

model simulasi yang telah kami buat menggunakan software Flexsim;

Gambar 3.2. 1 Model Simulasi Antrian Richeese Buah Batu

Model simulasi eksisting terdiri dari beberapa komponen objek yaitu :

a) Source (Area Kedatangan Pelanggan)
b) Queue (Antrian Pelayanan)
c) Processor (Area Pelayanan)
d) Queue (Antrian Pengambilan Pesanan)
e) Processor (Pengambilan Pesanan)
f) Sink (Keluar)
Dari masing-masing objek proses yang terjadi adalah pelanggan memasuki Restoran Richeese
Factory dengan waktu kedatangan yang berbeda-beda dari server 1 dan 2. Kemudian pelanggan
mengantri untuk dilayani pada server yang ia tuju, lalu masuk ke area pelayanan. Setelah selesai
dilayani, pelanggan masuk ke antrian pengambilan pesanan. Setelah pengambilan pesanan,
pelanggan meninggalkan tempat.

Gambar 3.2. 2 Antrian Pelayanan Setiap Server

Berdasarkan hasil running simulasi selama dua jam, didapatkan hasil selama dua jam maksimal
konsumen yang dapat mengantri pada server 1 yaitu 7 orang konsumen dengan average stay
time 15.7 menit. Sedangkan pada server 2 yaitu 4 orang konsumen dengan average stay time
6.1 menit.
3.3 Verifikasi dan Validasi Model Simulasi

A. Verifikasi

Berdasarkan hasil running simulation selama dua jam, didapatkan hasil berupa :

Gambar 3.2. 3 Antrian Pelayanan Server 1

Pada area kedatangan server 1, output yang didapatkan adalah 21. Selanjutnya
dari area kedatangan masuk ke antrian pelayanan server 1 dan terdapat 16 orang
yang sudah masuk ke antrian pelayanan server 1 dari 21 orang konsumen yang
datang.

Gambar 3.2. 4 Area Pelayanan Server 1

Setelah mengantri untuk mendapatkan pelayanan di server 1, konsumen masuk

ke area pelayanan server 1. Berdasarkan hasil simulasim diperoleh 15 orang
konsumen yang telah masuk ke area pelayanan dari 16 orang, 1 orang sisanya
masih berada di dalam server tersebut. Sedangkan untuk server 2 diperoleh hasil
sebagai berikut :
 Gambar 3.2. 5 Antrian Pelayanan Server 2

Pada area kedatangan server 2, output yang didapatkan adalah 21. Selanjutnya
dari area kedatangan masuk ke antrian pelayanan server 2 dan terdapat 17 orang
yang sudah masuk ke antrian pelayanan server 1 dari 19 orang konsumen yang
datang.

Gambar 3.2. 6 Area Pelayanan Server 2

Setelah mengantri untuk mendapatkan pelayanan di server 2, konsumen masuk

ke area pelayanan server 2. Berdasarkan hasil simulasim diperoleh 16 orang
konsumen yang telah masuk ke area pelayanan dari 17 orang, 1 orang sisanya
masih berada di dalam server tersebut.
B. Validasi

Validasi adalah proses menentukan apakah model merupakan representasi yang

bermakna dan akurat dari sistem nyata (Harrel, 2004). Validasi digunakan untuk
membandingkan sistem nyata dengan simulasi model. Model dapat valid bahkan
ketika banyak penyederhanaan mungkin telah dibuat dan detail dihilangkan saat
membangun model. Data yang diperlukan untuk melakukan tes validasi adalah
produksi data satu minggu sebelum dan setelah data berubah. Berikut merupakan
output replikasi yang dihasilkan selama dua minggu :

Determine Number of Replication

Replication Output
1 99
2 160
3 144
4 153
5 150
6 141
7 151
Tabel 3.2. 1 Hasil Replikasi

Berikut merupakan jumlah replikasi antara model simulasi dan sistem yang
sesungguhnya. Diperoleh hasil rata-rata pada model simulasi yaitu 143.71 dan
rata-rata pada sistem yang sesungguhnya adalah 142.57.
Simulation Real
Replication Model System
1 120 99
2 152 160
3 149 144
4 153 153
5 135 150
6 146 141
7 151 151
Average 143.7142857 142.5714
Tabel 3.2. 2 Perbandingan Model Simulasi dan Real System

• Normality Test

Selanjutnya kami melakukan Uji Normalitas untuk mengetahui data replikasi

yang dihasilkan berdistribusi normal atau tidak. Kami melakukan Uji
Normalitas menggunakan software IBM SPSS. Jika data yang dihasilkan tidak
berdistribusi normal, maka perlu dilakukan observasi ulang. Berikut hasil Uji
Normalitas yang telah kami lakukan :
 Gambar 3.2. 7 Hasil Uji Normalitas

• Welch Test
Selanjutnya kami membandingkan dua desain sistem. Perbandingan
dilakukan didasarkan pada perkiraan nilai yang diharapkan dari ukuran
kinerja yang kami peroleh dari simulasi desain sistem alternatif. Metode
T-test dan metode interval kepercayaan Welch digunakan untuk menguji
hipotesis tentang dua alternatif.

S1 12.10667 146.5714 𝑛 - 1 6
S2 20.17306 406.9524 𝑛 - 1 6
n1 7 𝑛 20.93878
n2 7 𝑛 58.13605
df 16.37624
tdf,α/2 2.17881
hw 19.37486
(x ̅1-x 2
̅ )-hw -19.3749
(x ̅1-x 2̅ )+hw 19.37486

Berdasarkan data ouput pada simulation model dan real system,

diperoleh informasi diantaranya:

a. 𝑆1 (standar deviasi simulation model) = 12.10667

b. S2 (standar deviasi real system) = 20.17306

c. 𝑛1 (jumlah data simulation model) = 7

d. 𝑛2 (jumlah data real system) = 7

• Rumus mencari df (degree of freedom) :

Sehingga diperoleh, df = 16.37624

 • Rumus mencari hw (halfwidth) :

Sehingga diperoleh, hw = 19.37486

[𝑥1 − 𝑥2 ] − hw ≤ μ1 − μ2 ≤ [𝑥1 − 𝑥2 ] + hw

-19.3749 ≤ μ1 − μ2 ≤ 19.3749

Karena 0 termasuk pada range hasil welch test, maka, kesimpulannya

adalah terima 𝐻0, yang berarti bahwa model simulasi yang telah dibuat
sesuai dengan sistem yang sesungguhnya. Sehingga dapat dikatakan
bahwa model telah valid.

3.4 Hasil Skenario Simulasi

Gambar 3.4. 1 State Bar

Grafik diatas menunjukkan bahwa mesin yang terlalu banyak mengalami operasi adalah mesin
pada server 1. Dapat dilihat bahwa persentase dari operasi yang mesin tersebut lakukan selama
dua jam adalah 76%. Sehingga untuk menyeimbangkan operasi antara kedua server tersebut,
kami memiliki sebuah usulan untuk menambah server pada area pelayanan agar tidak terjadi
mesin yang beroperasi secara berlebihan juga mengurangi antrian pada mesin area pelayanan
server 1.
 BAB IV

PENENTUAN PERLAKUAN

4.1 Simulasi Usulan Perbaikan

Gambar 4.1. 1 Simulasi Usulan

Berikut merupakan simulasi usulan perbaikan yang telah kami buat. Berdasarkan hasil State
Bar yang menunjukkan bahwa waktu proses terbesar terjadi pada area pelayanan server 1
dengan persentase 76%, sehingga kami melakukan penambahan mesin yaitu area pelayanan
server 3.

4.2 Melakukan Comparing System

Dibawah ini merupakan hasil dari simulasi usulan pada server 3 dan server 1 :

Gambar 4.1. 2 Hasil Usulan Area Pelayanan Server 3

 Gambar 4.1. 3 Hasil Usulan Area Pelayanan Server 1

Pada area pelayanan server 1, diperoleh average stay time dengan hasil 5.74 dimana
hasil tersebut lebih sedikit dibandingkan dengan model eksisting yaitu 5.78.

Gambar 4.1. 4 Antrian Pelayanan Server 1 Model Eksisting

Gambar 4.1. 5 Antrian Pelayanan Server 1 Model Usulan

Kemudian, pada antrian pelayanan server 1 model usulan, diperoleh maksimal antrian
sebanyak 4 antrian dengan rata-rata waktu tunggu selama 3.5 menit. Sedangkan pada
model eksisting, diperoleh maksimal antrian sebanyak 7 antrian dengan rata-rata waktu
tunggu selama 15.7 menit.
 BAB V
KESIMPULAN DAN SARAN

5.1 Kesimpulan
Richeese Factory Transmart Buah Batu merupakan salah satu jenis restoran
cepat saji yang sangat ramai dikunjungi oleh pelanggan baik dari kalangan anak-anak
hingga orang dewasa. Biasanya Richeese Factory ramai didatangi oleh para pengunjung
pada saat jam makan siang, yaitu kisaran dari puku 12.00 – 16.00. Berdasarkan hal
tersebut, kami melakukan pengamatan terhadap waktu antrian pada sistem yang ada
pada Richeese Factory. Terdapat 2 server pelayanan pemesanan dan 1 server pelayanan
pengambilan pesanan. Masing-masing server memiliki waktu pelayanan yang berbeda-
beda tergantung dari jumlah pengunjung yang datang. Maka dari itu, kami membuat
suatu model simulasi untuk mengetahui jumlah antrian pada setiap server dengan tujuan
untuk mengetahui apakah pelayanan pada Richeese Factory efektif atau tidak.
Model simulasi yang kami buat menggunakan software Flexsim, yang
menunjukkan waktu proses terbesar dialami oleh mesin area pelayanan server 1.
Sehingga kami membuat model simulasi usulan berupa penambahan mesin yaitu mesin
area pelayanan server 3. Dari usulan tersebut, diperoleh jumlah antrian yang lebih
sedikit yaitu dari 7 antrian menjadi 5 antrian dan rata-rata waktu tunggu yang lebih
singkat dari 15.7 menit menjadi 3.5 menit. Maka, diperoleh model simulasi pelayanan
pada Richeese Factory yang lebih efektif.

5.2 Saran
Berdasarkan observasi yang telah kami lakukan, terdapat beberapa saran yang dapat
diimplementasikan untuk perbaikan kedepannya, yaitu :
1. Proses pengambilan data sebaiknya dilakukan pada minggu yang berbeda secara
berurutan dengan hari yang sama.
2. Data yang dihasilkan kemungkinan belum akurat, diharapkan dapat lebih akurat
di kemudian hari apabila kami melakukan pengamatan lagi.
3. Pengamat harus lebih memperhatikan lagi, data apa saja yang dibutuhkan untuk
membuat model simulasi.
DAFTAR PUSTAKA

Laboratory, B. S. (2019). Practicum Module Simulation Business Laboratory.