Anda di halaman 1dari 7

Sistem Penunjang Keputusan dengan Simulasi DECISION SUPPORT SYSTEMS ANALYSIS WITH SIMULATION (Tugas Terjemahan Jurnal Simulasi)

Shamsuddin Ahmed, BCB, KIMEP, Kazakhstan, Dr_Shamsuddin_Ahmed@Yahoo.Com Jim Cross, Edith Cowan University, Perth, Australia

ABSTRACT A decision support system (DSS) is developed for car registration in a Gulf Cooperation Council (GCC) country using simulation model. The car registration is managed by a government organization but a private corporation certifies the car fitness. High variation is noticed in registration and therefore a simulation model is developed to evaluate the registration operations and policies. The simulation model replicates the existing operational policies and evaluates feasible policies to maximize system performance. The suggested DSS model provides robust analysis in system time, service time and average queue lengths as an index to monitor the service quality. Key Words: Decision Support System (DSS), Simulation, Car Registration, Service Operation, Systems Analysis, Information Maximization PENDAHULUAN
Sebuah model simulasi komputer Visual SLAM [1] dikembangkan untuk menganalisis pendaftaran mobil dan pemeriksaan di negara GCC. Didirikan pada tanggal 26 Mei 1981, negara-negara GCC terdiri atas Bahrain, Qatar, Arab Saudi, Kuwait, Uni Emirat Arab, dan Oman. Tujuan dari negaranegara GCC adalah untuk meningkatkan koordinasi antara negara-negara anggota dalam segala bidang untuk mencapai kesatuan. Serangkaian wawancara direncanakan dengan manajer, insinyur dan pekerja di stasiun pemerikasaan mobil untuk mengidentifikasi langkah-langkah seorang pelanggan harus mengikuti kegiatan untuk melakukan registrasi mobil, seperti yang ditunjukkan pada Gambar 1. Masalah yang mendesak adalah lama waktu tunggu bagi pelanggan di mobil stasiun pendaftaran. Gambar 2 dan 3 menampilkan gambaran dari pola kedatangan mobil. Kedatangan Mobil adalah acak. Berbagai kegiatan pendaftaran dan kegiatan baru tergantung pada status hasil test, kewarganegaraan dari orang dan waktu yang tersedian hari itu. Permintaan pelanggan adalah berkualitas tinggi, layanan disesuaikan dengan waktu respons yang cepat [2]. Model simulasi memberikan strategi kompetitif [1] dan akibatnya meningkatkan kinerja organisasi [3, 4]. Sebuah model multivariate maksimisasi informasi dibangun dari hasil simulasi. Model yang dikembangkan DSS dengan demikian memberikan informasi tentang efisiensi sistem [5, 6]. Model DSS menunjuk pada faktor-faktor kritis untuk perbaikan sistem. Pengumpulan Data Data yang diperlukan dikumpulkan dengan teknik pengumpulan fakta[7]. Dalam pendekatan ini, wawancara, pengamatan, teknik sampling dan dokumentasi yang ada (termasuk memo dan data

dasar) digunakan untuk mengumpulkan informasi. Waktu antara kedatangan mobil akan ditampilkan pada Gambar 2 (b) dan 3 (b); yang menunjukkan bahwa waktu layanan dan sistem berdistribusi stokastik.

PEMODELAN SIMULASI DAN METODE ANALISIS Dalam model simulasi mobil bergerak melalui serangkaian stasiun pengujian seperti hidrokarbon, ban, rims, sistem pengereman, shock breker, visual, body dan chasis dalam proses pemerikasaan. Gambar 4 adalah model network simulasi AweSim. Di akhir pemeriksaan, hasilnya adalah lulus atau gagal. Jika hasil akhir adalah kesalahan gagal maka mobil bebas untuk yang diteruskan ke bagian lalu lintas untuk menyelesaikan pembaruan kartu registrasi. Jika tidak, hasilnya adalah gagal jika fungsi mobil tidak benar. Oleh karena itu, mobil yang diteruskan ke pusat perbaikan untuk memperbaiki cacat diidentifikasi. Setelah diperbaiki, mobil itu kembali dikirim kembali ke pusat pemeriksaan untuk mendapatkan sertifikat lulus jika memenuhi persyaratan tes. Mobil sistem registrasi diperlihatkan pada Gambar 1, sedangkan Gambar 2 (a) dan 3 (a) adalah informasi tentang waktu dalam sistem dan wkatu layanan. Mobil tiba di pusat pendaftaran dan diteruskan ke stasiun inspeksi sesuai dengan Gambar 1. Tiga jalur independen untuk pengujian di stasiun inspeksi direpresentasikan sebagai server [8]. Bila ketiga jalur pengujian sibuk, tiga antrian mobil paralel terbentuk. Proses ini dapat dengan mudah dimodelkan dalam AweSim dengan tiga QUEUE node yang mendahului kegiatan pelayanan sebagai pengujian, yang mewakili tiga SERVER independen. Aktivitas layanan dilambangkan oleh para pemeriksa dan 80 persen dari mobil yang lulus tes dan berangkat ke petugas lalu lintas. Sisa 20 persen dari mobil yang diperiksa gagal dalam tes pemeriksaan. Dengan demikian, dianjurkan untuk melakukan perbaikan. Perbaikan dimodelkan dengan QUEUE node diikuti oleh kegiatan layanan dengan kapasitas 15 mobil. Menyusul operasi penyesuaian, mobil diarahkan kembali ke area pemeriksaan QUEUE dengan kriteria pertama datang pertama keluar (FIFO).

AweSim model grafis ditunjukkan pada Gambar 4. Mobil mewakili entitas diciptakan oleh CREATE node dengan waktu antara entitas terdistribusi Uniform antara 10 dan 25 menit. Setiap mobil maju ke salah satu node antrian. QUEUE node dengan jumlah mobil antrian paling sedikit langsung dilayani dengan pemeriksaan. Jalur pemeriksaan diwakili oleh tiga kegiatan SERVICE yang mengikuti antrian. Waktu Layanan untuk semua server diidentifikasi berdistribusi uniform dalam kisaran antara 25 dan 35 menit. Setelah pemeriksaan, mobil tiba di sebuah GOON node di mana ia probabilistically diarahkan. Satu kegiatan mengarah ke node COLECT, mewakili keberangkatan dari departemen lalu lintas; kegiatan lain mengarah ke node antrian, yang mewakili baris menunggu untuk kegiatan perbaikan. Entitas,

yang diteruskan ke node COLCT, memiliki interval statistik yang dikumpulkan berdasarkan waktu penciptaan. Informasi yang disimpan dalam ATRIB [1] yang ditugaskan pada CREATE simpul. Total mobil menghabiskan waktu di daerah inspeksi dan perbaikan dicatat. Mobil-mobil tersebut kemudian dikeluarkan dari model dengan simpul mengakhiri. Pernyataan yang CONTROL menjalankan model simulasi. SIMULASI PERCOBAAN Ringkasan Laporan simulasi dikumpulkan dalam Tabel 2. Laporan ini berisi statistik Interval pada Waktu Dalam Sistem COLCT diperoleh dari node. Panjang simulasi dijalankan adalah 6.000 menit dan dikendalikan dengan pernyataan INITILIZE. Variabilitas yang tinggi dalam sistem kali untuk mobil sebesar ini terbukti dari minimum dan maksimum kali dicatat dalam laporan. Nilai tinggi standar deviasi dalam sistem menunjukkan bahwa beberapa mobil tidak dapat diperbaiki di tempat dalam perbaikan stasiun. Bagian kedua dari laporan adalah STATISTIK FILE. KEGIATAN LAYANAN STATISTIK yang menunjukkan bahwa keempat kegiatan pelayanan kegiatan dimodelkan sebagai 31, 32, 33 dan 34 (Gambar 4) sangat dimanfaatkan (misalnya lebih dari 95% dari waktu) [6]. Kegiatan inspeksi 31, 32 dan 33, sedangkan 34 adalah kegiatan perbaikan kendaraan fase ketika gagal ujian.

HASIL SIMULASI Kinerja model dievaluasi sesuai dengan skenario seperti ditunjukkan pada Tabel 1. Model simulasi dijalankan 14 kali dan hasilnya ditunjukkan pada Tabel 2 (a). Rata-rata waktu sistem di pusat pendaftaran dan inspeksi adalah sekitar 83 menit. Deviasi standar adalah sekitar 51, yang menunjukkan bahwa beberapa kendaraan membutuhkan waktu lebih lama untuk diperbaiki. Jumlah pengamatan dalam studi simulasi adalah sekitar 2.530 mobil untuk jangka waktu 6.000 menit. Distribusi frekuensi dari sistem waktu adalah distribusi eksponensial, dengan rata-rata 83 menit. Maksimum dan minimum dari sistem waktu 519 dan 31 menit berturut-turut. Rata-rata waktu tunggu di Queues 3, 4, 5 dan 6 ditunjukkan pada Tabel 2 (b). Rata-rata waktu tunggu dalam Antrian 3 adalah sekitar 15 menit, sedangkan di Queues 4 dan 5, waktu tunggu adalah 5,4 dan 1,55 menit. Mobil-mobil memasuki simpul queue berdasarkan ukuran terkecil dalam antrian aturan dengan SELECT simpul dalam sebuah modus BLOK dan digunakan ketika antrian berada dalam kapasitas penuh. Mobil dipaksa untuk memasuki antrian

DECISION SUPPORT SYSTEM (DSS) Hasil simulasi menunjukkan variabilitas karenanya, keputusan didasarkan pada satu set output tidak dapat diandalkan. Untuk mengurangi varians dalam studi simulasi, berbagai ulangan penelitian yang dihasilkan. DSS analisis dengan desain eksperimental adalah sebuah meta-model [9] dan nyaman untuk menginterpretasikan hasil [10, 11]. Dalam DSS faktor-faktor eksogen dan variabel endogen dikalibrasi untuk analisis sensitivitas [12, 13]. DSS juga mengoptimalkan respon sistem [14, 10]. Untuk sejumlah kecil variabel input, sebuah rancangan faktorial 3k lebih disukai. Dalam rancangan faktorial lengkap, jumlah poin adalah desain besar untuk sejumlah besar masukan. Tanggapan permukaan dengan desain kecil, meta-model membutuhkan rancangan faktorial fraksional 2k [15, 16 dan 17]. The Plackett dan Burmann [18] rancangan faktorial pecahan menyelidiki banyak faktor secara bersamaan tanpa harus menyelidiki semua kemungkinan kombinasi faktor [19]. Desain ini tidak banyak digunakan dalam simulasi. Beberapa ulangan dari hasil simulasi merupakan kerangka kerja untuk merancang metamodel. Desain kecil membutuhkan lebih sedikit jumlah simulasi berlari untuk model DSS untuk evaluasi kinerja [20]. Model DSS menggabungkan investigasi dan proyeksi kemampuan. DSS yang diusulkan memiliki langkah-langkah berikut: a.) b.) c.) d.) Suatu rancangan percobaan model dengan data simulasi menentukan parameter model analisis statistik model dan parameter model yang mendukung DSS Simulasi divalidasi dengan analisis statistik analisis dampak Penyebab disediakan untuk tujuan prediksi.

Uji statistik mencakup R2, Sum of Square Error, berarti kesalahan mutlak, Rata-rata Persentase Kesalahan dan probabilitas tes. Waktu tunggu rata-rata, merupakan indikasi dari waktu respon sistem. Sistem waktu adalah variabel sistem. Ini adalah kombinasi dari waktu tunggu dan pelayanan waktu. Waktu layanan adalah server terkait dan merupakan faktor teknologi. Jika layanan ini

dianggap konstan dengan beberapa parameter, maka sistem waktu adalah berbanding lurus dengan waktu menunggu. Oleh karena itu, menunggu merupakan indikasi dari sistem waktu. Model DSS dinyatakan sebagai:

Selanjutnya, hipotesis nol bahwa rata-rata waktu tunggu dalam sistem adalah sama diuji H0: a1 = a2 = a3 terhadap hipotesis bahwa setidaknya satu mean dari skenario yang diusulkan berbeda H0: a1 a2 a3 Dalam Tabel 4 dan 5, jelas bahwa nilai yang dihitung dari F melebihi nilai kritis; maka hipotesis nol H0: a1 = a2 = a3 ditolak dan kami menyimpulkan bahwa skenario yang diusulkan mempunyai waktu tunggu berarti berbeda. Ini berarti bahwa layanan pengaruh faktor sumber daya. Dalam rangka untuk menguji validitas dari DSS, kami menguji hipotesis yang mengalir: H01: a1 = 0; H02: a2 = 0; H03: a3 = 0 terhadap H11: a1 0, H12: a2 0 dan H13: a3 0. Karena nilai p-hampir diabaikan, maka ditolak

H01: a1 = 0, H02: a2 = 0, dan H03: a3 = 0 dan menyimpulkan bahwa regressors dalam DSS yang diusulkan berkontribusi secara signifikan. Oleh karena itu beberapa tingkat keterlambatan mobil sebesar yang diharapkan. Selain itu, koefisien korelasi adalah signifikan dan menjelaskan tentang 85% dari varians, sementara nilai F juga signifikan pada 41,5. Jelas bahwa waktu sistem secara signifikan mengurangi waktu tunggu dari 51,33 menit di skenario A 12,67 menit di skenario B, sementara dengan skenario C itu adalah 5,81 menit. Hasil dalam Tabel 3 dan 4 menunjukkan bahwa model secara statistik signifikan.

The ANOVA pada Tabel 4 tidak mendeteksi secara statistik tidak signifikan-of-fit. Selain itu, keseluruhan uji F adalah signifikan dan mengarah pada penerimaan DSS yang diusulkan meta-model. Rata-rata waktu tunggu untuk pelayanan, rata-rata pemanfaatan fasilitas, dan maksimum waktu idle dan sibuk dari fasilitas simulasi dikumpulkan dari ringkasan laporan. Panjang garis tunggu dan waktu tunggu rata-rata adalah salah satu indeks untuk mengukur kinerja pelayanan. Analisis sensitivitas memberikan informasi yang relevan untuk antrian panjang dalam kaitannya dengan jumlah karyawan. Angka 5, 6, 7 dan 8 menampilkan informasi skenario sistem layanan. Dari Gambar 5, jelas

bahwa dengan meningkatkan jumlah karyawan, pelanggan menunggu waktu yang ditingkatkan untuk Queues 1, 2, 3 dan 4. Pemanfaatan karyawan juga meningkat, tetapi untuk Antrian 4, tidak ada perbaikan yang signifikan tercatat (Gambar 6). Lebih lanjut, waktu idle (Gambar 7) telah ditingkatkan dengan variasi karyawan. Gambar 7 menunjukkan bahwa Skenario 2 adalah cocok, karena waktu idle diminimalkan dibandingkan dengan alternatif lain.

KESIMPULAN Dari analisis simulasi suatu model DSS dikembangkan untuk mobil pendaftaran dan pembaharuan operasi. Analisis simulasi inspeksi mengidentifikasi daerah sebagai hambatan dalam sistem. DSS menyediakan meta-model analisis sensitivitas dan mengevaluasi industri jasa kinerja. Model parameter membantu manajer untuk menafsirkan keputusan tanpa bantuan ahli. Sebagai jasa mobil pendaftaran dan pembaharuan yang disubkontrakkan ke instansi yang berbeda selama bertahun-tahun, analisis membantu dalam membuktikan dapat diandalkan perkiraan biaya dan persyaratan isian. Simulasi dan analisis DSS mengukur kinerja dari sistem relatif terhadap kepuasan pelanggan. Juga analisis mengidentifikasi konsekuensi dari sumber daya seperti ditunjukkan dalam analisis skenario. Lamanya waktu menunggu tinggi dan karena itu keadaan seperti itu menunjukkan hilangnya produktivitas dalam bisnis. Analisis Skenario ini menggambarkan bagaimana meningkatkan perkiraan waktu yang diperlukan untuk menyelesaikan mobil pendaftaran dan pembaruan.