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
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
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.
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.
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
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
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.