MODUL IV

VERIFIKASI DAN VALIDASI

 MODUL IV
VERIFIKASI DAN VALIDASI

4.1 TUJUAN PRAKTIKUM

Adapun tujuan praktikum yang didapatkan pada modul IV adalah sebagai
berikut.
1. Mengetahui cara memverifikasi dan memvalidasi model yang telah
dibuat menggunakan software Flexime dengan menggunakan software
R Studio.
2. Mengetahui cara penggunaan expertfit.
3. Mengaplikasi expertfit untuk mencari distribusi yang akan dipilih.

4.2 PENDAHULUAN
Verifikasi dan validasi merupakan tahapan untuk menguji kredibilitas/
kesesuaian sistem nyata dengan model simulasi. Verifikasi adalah proses untuk
menentukan apakah model telah beroperasi sesuai yang diinginkan. Verifikasi
berkaitan dengan melakukan perbandingan antara model konseptual dengan model
simulasi (Banks, Carson, dan Nelson, 1995). Verifikasi adalah proses pemeriksaan
logika operasional model (program komputer) sesuai dengan logika diagram alur
(Hoover dan Perry, 1989). Validasi adalah proses penentuan apakah model
merupakan representasi yang akurat dan sesuai dengan sistem nyata (Hoover dan
Perry, 1989).
4.3 TEORI DASAR
Adapun teori dasar pada modul IV verifikasi dan validasi adalah sebagai
berikut.
4.3.1 Definisi Verifikasi Dan Validasi
4.3.1.1 Verifikasi
Konsep verifikasi adalah membangun model dengan benar atau proses
membandingkan antara model komputer dengan model konseptual yang
diinginkan. Verifikasi dikatakan berhasil jika suatu program bisa dijalankan
 dengan baik dengan memperhatikan urutan proses sehingga dapat dikatakan
bahwa model yang dibangun sudah benar. Adapun saran-saran untuk
melakukan proses verifikasi, diantaranya sebagai berikut.
1. Model yang dibangun diperiksa oleh orang lain.
2. Membuat diagram alir, yang meliputi segala tindakan logis yang
mungkin terjadi ketika kejadian (event) terjadi.
3. Menguji output model dengan parameter-parameter input yang berbeda.
4. Mencetak parameter-parameter input di akhir simulasi, untuk
memastikan nilai-nilai parameter ini tidak diubah secara tidak disadari.
5. Membuat model yang memiliki pendokumentasian. Memberi definisi
yang tepat untuk setiap variabel dan gambar.
6. Jika model merupakan animasi, maka perlu diverifikasi agar animasi
tersebut mengimitasi sistem nyata.
7. The Interactive Run Controller (IRC) atau debugger merupakan
komponen yang penting untuk membangun simulasi model yang
berhasil. The IRC berguna untuk menemukan dan mengoreksi
kesalahan-kesalahan yang terjadi dengan cara-cara sebagai berikut:
a. Simulasi dimonitor saat sedang berjalan. Informasi model dapat
ditampilkan saat kondisi atau waktu tertentu yang telah ditentukan.
b. Perhatian difokuskan pada block tertentu, grup blocks atau entity
tertentu. Setiap entity tersebut memasuki block tertentu, simulasi
akan berhenti sejenak sehingga informasi dapat dikumpulkan.
c. Simulasi diberhentikan sementara atau sewaktu-waktu untuk
menampilkan informasi.
8. Penggambaran grafis disarankan untuk dilakukan proses verifikasi dan
validasi.
4.3.1.2 Validasi
Konsep validasi adalah membangun model yang benar atau proses
membandingkan model beserta sifat-sifatnya dengan sistem nyata. Validasi
mempunyai tujuan untuk mengetahui apakah model yang dibangun sudah
mendekati sistem nyata atau belum, dan untuk meningkatkan kredibilitas
 tingkat kepercayaan. Validasi dapat dilakukan dengan 3 cara pendekatan
sebagai berikut:
1. Face validity Menunjukkan model kepada orang yang ahli untuk
membantu mengidentifikasi kekurangan dari model, misalnya: kepala
departemen produksi.
2. Validasi asumsi model Asumsi model terdiri atas 2 bagian, yaitu:
a. Asumsi struktural, yaitu asumsi akan struktur untuk
menyederhanakan model dari sistem aslinya. Contoh: aturan dalam
antrian FIFO, padahal dalam kenyataannya mungkin tidak
menggunakan antrian FIFO.
b. Asumsi data, yaitu asumsi akan pengumpulan data yang dapat
dipercaya dan analisa statistiknya. Contoh: pengambilan data hanya
dilakukan.
3. Validasi input-output trasnformation Mengambil parameter proses dari
simulasi yang telah dilakukan untuk dibandingkan dengan hasil
sesungguhnya dari sistem nyata. Contoh: membandingkan output
produksi harian dari model dengan output harian sesungguhnya. Data
yang digunakan sebagai pembanding dapat berupa waktu kedatangan,
output produksi, jumlah entiti yang dilayani dan utilitas server. Alat
yang digunakan untuk perbandingan tersebut adalah uji one sample t
atau uji two sample t.
4.3.2 Teknik Verifikasi
Menurut Harrel (2004:178), terdapat beberapa teknik dalam melakukan
verifikasi, diantarAnya adalah sebagai berikut:
1. Melakukan pemeriksaan ulang terhadap model, dapat dilakukan
secara bottom-up yaitu melakukan pemeriksaan satuan dan logika
proses yang digunakan dalam model.
2. Melakukan pengecekan terhadap output yang dihasilkan pada
masing-masing proses pada model.
3. Mengamati animasi dari model yang dijalankan, apakah tingkah laku
dari sistem telah sesuai dengan model yang diinginkan.
 4. Melakukan compile error atau debugging pada model simulasi.
5. Verifikasi dengan flowchart produksi.
6. Verifikasi kesusaian model dengan activity cycle diagram.
4.3.3 Teknik Validasi
Adapun cara memvalidasi model yang telah dibuat secara umum adalah
sebagai berikut adalah sebagai berikut.
1. Melakukan verifikasi model terlebih dahulu.
2. Membandingkan model dengan sistem nyata. Caranya yaitu
menjalankan model dalam kondisi yang sama dengan sistem nyata
(subjective test).
3. Melakukan perbandingan antara output model dengan output pada
sistem nyata (objective test). Output pada model dapat dilihat dengan
menjalankan model sebanyak satu kali replikasi, lalu melihat hasilnya
setelah simulasi selesai dijalankan. Adapun rumus untuk menghitung
jumlah replikasi yang harus dilakukan dalam proses validasi sebuah
model adalah sebagai berikut:

Dimana :
N’ = jumlah replikasi
S = Standar deviasi dari sampel yang diambil
e = absolute error
Setelah model dijalankan sebanyak n kali replikasi.
4. Membandingkan output masing-masing replikasi dengan ouput
aktual, lalu lakukan uji statistic dengan menggunakan software R Studio.
4.3.3.1 Uji Validitas Dengan Subjective Test
Memvalidasi model dengan subjective test yaitu melibatkan orang yang
berpengalaman atau memiliki pengetahuan mengenai aspek-aspek dalam sistem
untuk melakukan penilaian tentang model dan output model. Mengamati animasi
pada model yang dijalankan, membandingkan tingkah laku pada model dengan
tingkah laku pada sistem nyata menurut pengetahuan orang lain mengenai sistem
tersebut.
4.3.3.2 Uji Validasi Dengan Objective Test

Uji validasi dengan objective test dilakukan dengan tahapan sebagai

berikut :
1. Membagi data input menjadi 2 kelompok data dengan perbandingan 2/3
dan 1/3 data.
2. Lakukan analisa expertfit pada 2/3 data dan 1/3 data untuk menentukan
distribusi yang akan digunakan.
3. Bandingkan distribusi antara 2/3 data dengan 1/3 data yang didapatkandari
hasil expertfit. Masukan distribusi terpilih dari keseluruhan data tersebut
pada model.
4. Bandingkan jumlah input dan output antara model dengan jumlah input
dan output pada sistem nyata
Ada beberapa aturan dalam memilih ditribusi yaitu sebagai berikut.
1. Jika hanya ada 1 distribusi yang sama, maka pilih distribusi yang
memiliki skor tertinggi dari distribusi yang sama.
2. Jika ada 2 distribusi yang sama, maka pilih distribusi dari 2/3 data dengan
skor tertinggi dari distribusi yang sama.
3. Jika tidak ada distribusi yang sama, maka distribusi dengan skor tertinggi
pada 2/3 data diuji dengan uji goodness of fit. Jika hasilnya failed to
reject maka distribusi dapat digunakan sedangkan jika hasilnya reject
maka menggunakan distribusi empiris.
4.3.3.3 Uji Validasi Menggunakan Software R Studio

Berikut merupakan langkah-langkah validasi menggunakan software R

Studio seperti dibawah ini.
1. Uji Normalitas
Menurut Duwi Priyatno (2012:144), Uji normalitas adalah untuk menguji
apakah nilai residual yang dihasilkan dari regresi terdistribusi secara
normal atau tidak. Model regresi yang baik adalah yang memiliki nilai
residual yang terdistribusi normal. Uji Normalitas berguna untuk
menentukan data yang telah dikumpulkan berdistribusi normal atau
 diambil dari populasi normal. Cara uji normalitas untuk uji validasi
aturan :
a. Jika data 0-30 menggunakan Saphiro Wilk
b. Jika data lebih dari 30 menggunakan Kolmogorov-Smirnof.
2. Dalam teori validasi jika data normal atau data tidak normal dapat
dilakukan uji validasi sebagai berikut:
a. Independent Sample T-Test adalah uji komparatif atau uji beda untuk
mengetahui adakah perbedaan mean atau rata-rata ketika 2 sampel
adalah independen (tidak berpasangan) dan ketika sampel diambil
dari 2 populasi yang mendekati distribusi normal.
b. Paired t-test membandingkan rata-rata atau mean dari dua kelompok
yang saling berpasangan, atau membandingkan rata-rata dari satu
kelompok yang diperiksa pada waktu yang berbeda. Sampel diambil
dari 2 populasi yang mendekati distribusi normal.
c. Mann Whitney U Test adalah uji non parametris yang digunakan
untuk mengetahui perbedaan median 2 kelompok bebas apabila skala
data variabel terikatnya adalah ordinal atau interval/ratio tetapi tidak
berdistribusi normal.
STUDI KASUS!
PT KISO memproduksi dua buah produk berbentuk box dengan tipe warna
yang berbeda, yakni merah dan biru. Produk tipe 1 berwarna merah diproduksi
dengan persentase 60% dan produk tipe 2 berwarna biru diproduksi dengan
persentase 40%. Bahan baku dari kedua buah produk tersebut berasal dari sumber
(source) yang sama dengan waktu kedatangan dapat dilihat pada Tabel 1.
Masing-masing produk akan masuk ke dalam queue (ruang tunggu) sesuai
dengan tipe warnanya, yaitu BoxMerah 600 buah dan BoxBiru 400 buah, sebelum
dilanjutkan ke tahap inspeksi serta dihitung jumlahnya. Lalu, produk tersebut akan
diperiksa di dalam satu mesin yang sama dengan waktu proses dapat dilihat pada
Tabel 1.
Produk yang sudah diperiksa melalui mesin inspeksi selanjutnya akan
dialirkan menggunakan conveyor menuju mesin packaging-nya masing-masing.
Pada mesin packaging, tiap empat buah produk akan ditempatkan pada sebuah
pallet sebagai alas. Adapun waktu proses kedua mesin packaging dapat dilihat pada
Tabel 1. Waktu kedatangan source penghasil pallet dapat dilihat pada Tabel 1.
Selanjutnya, box yang telah disusun pada pallet akan diletakkan ke tempat
penyimpanan sementara (ruang tunggu) di mana memiliki target batch sebesar 2,
lalu dikirim menuju rack (gudang).
Perlu diketahui bahwa seluruh rack memiliki kapasitas maksimal mengikuti
nilai persentase tiap produk serta ukurannya sebesar 50 bays. Pabrik bekerja mulai
dari pukul 08:00-16:00 dengan istirahat selama satu jam (12:00-13:00).
Tabel 1. Tabel Data Waktu
Source Processor 1 Combiner 1 Combiner 2 Sumber Pallet 1 Sumber Pallet 2

10 8 31 31 10 8
11 7 35 32 7 7
6 6 33 32 10 9
13 5 35 34 8 5
11 6 31 33 8 7
8 7 34 33 9 7
8 8 35 30 9 8
6 6 32 34 10 9
7 5 34 33 7 8
Source Processor 1 Combiner 1 Combiner 2 Sumber Pallet 1 Sumber Pallet 2
6 6 34 34 8 7
8 6 31 31 9 10
7 7 32 32 7 7
7 5 32 32 8 10
9 8 34 34 7 8
5 8 33 33 10 8
6 9 33 33 10 7
3 9 30 30 8 7
5 5 34 34 8 10
10 7 33 33 7 7
5 8 35 35 7 10
9 9 33 33 10 8
10 7 34 32 7 8
9 6 33 32 10 9
6 7 35 34 8 7
7 5 31 33 8 10
10 6 31 33 9 10
4 8 33 30 9 8
4 8 30 34 10 8
10 7 31 33 7 7
7 7 33 35 8 7

Tabel 2. Data Produksi Sistem Nyata

Hari Data Sistem Nyata
1 460
2 462
3 462
4 464
5 465
6 461
7 463
8 461
9 462
10 460
Total 4620
Langkah Penyelesaian:
1. Buatlah model sesuai study case (model yang digunakan merupakan model yang
dibuat pada modul 2 namun process time dikosongkan).

2. Kemudian tambahkan:
• Dispacher, operator, transporter, task executer, dan ASRSvehicle.
• Sesama task executer dihubungkan menggunakan connect objects, sedangkan
antara dispacher dengan fixed resources dihubungkan menggunakan connect
center ports.
• Checklist use transport pada pengaturan menu flow untuk semua fixed resources
yang terhubung dengan dispacher.
3. Memasukan data dan membentuk distribusi dari data waktu untuk process time. Klik
statistics - expertfit - new.

4. Ubah nama project-element name dan klik ok.

5. Klik dua kali pada project yang sudah dibuat.

6. Klik data – enter data – enter/edit data value – apply.

7. Buka excel data waktu – copy 2/3 data (20 data pertama) waktu Sumber Produk -
kembali ke expertfit - klik paste at end from clipboards - klik ok - klik yes - klik done.

8. Klik models - automated fitting - klik done.

9. Untuk 1/3 data (10 data terakhir) lakukan yang sama seperti langkah 4 - 8.

10. Hasil experfit data 2/3 dan data 1/3 dibandingkan apakah ada yang sama atau tidak,
apakah ada distribusi yang sama atau tidak. Dari hasil yang didapat ada distribusi yang
 sama yaitu jhonson-sb dan erlang. Lihat aturan pemilihan distribusi pada teori singkat.
Maka distribusi yang terpilih adalah distribusi dari 2/3 data dengan skor tertinggi yaitu
johnson-sb.
11. Klik dua kali project 2/3 data – klik applications – pilih distribusi jhonson-sb pada
selected model – klik simulation representation - klik apply – klik copy - klik done –
klik copy selected portion – klik Ok.

12. Kembali ke flexsim, lalu isi process time dengan cara paste pada inter-arrival time
pada kata stream tambahkan get dan (current) lalu klik apply.
13. Untuk Mesin Inspeksi, Mesin Packaging dan Sumber Pallet lakukan cara yang sama
seperti langkah 3 - 12. Maka didapatkan hasil sebagai berikut.
Proses Hasil Experfit

Sumber Produk johnsonbounded( 0.707496, 22.800138, 1.564679, 1.827319,

getstream(current))
Mesin Inspeksi beta( 4.633070, 9.234162, 1.117225, 1.231437,
getstream(current))
Mesin Packaging 1 beta( 29.856069, 35.281737, 1.297166, 0.946510,
getstream(current))
Mesin Packaging 2 johnsonbounded( 26.150340, 35.764490, -1.166539, 1.427214,
getstream(current))
Sumber Pallet 1 weibull( 5.878027, 2.727297, 2.000000, getstream(current))
Sumber Pallet 2 erlang( 5.675026, 0.631244, 4.000000, getstream(current))

14. Run model simulasi. Lalu didapatkan hasil simulasi seperti berikut.
Tabel 3. Perbandingan Data Produksi Sistem Nyata dan Hasil Simulasi
Hari Nyata Simulasi
1 460 462
2 462 464
3 462 461
4 464 466
5 465 464
6 461 459
7 463 461
8 461 462
9 462 461
10 460 464
 Hari Nyata Simulasi
Total 4620 4624

15. Uji normalitas menggunakan R-Studio.

Karena aturannya, jika data 0 - 30 menggunakan Shapiro Wilk dan jika data lebih dari
30 menggunakan Kolmogorov-Smirnov. Jadi, dapat dilihat nilai df < 30 maka pilih uji
Shapiro Wilk, karena p-value data nyata 0,4941 > 0,05 dan data simulasi 0,5753 >
0,05 maka kedua kelompok tersebut berdistribusi normal. Data yang diujikan juga
berlaku jika ingin menggunakan selisih dari kedua data, sehingga didapat nilai p-value
menggunakan selisih kedua data yaitu nyata dan simulasi sebesar 0,1747 > 0,05. Jadi,
dapat disimpulkan kedua kelompok berdistribusi normal.
16. Karena data berpasangan dan beristribusi normal maka lakukan uji paired t-test.

Berdasarkan gambar uji paired t-test di atas dapat diketahui bahwa nilai p-value atau
sig (2-tailed) pada nyata-simulasi sebesar 0,5554, Nilai p-value lebih besar dibanding
nilai signifikasi (0,5554 > 0,05), maka H0 diterima artinya model simulasi sama
dengan sistem nyata.