Laporan Penelitian

Analisis Antrian Menggunakan Simulasi AWESIM
(Studi Kasus ATM BCA, Giant, Ciledug)

Uray Mohammad Fachriansyah 17110036 – 5 KA 20

Jurusan Sistem Informasi Universitas Gunadarma

2012

1

BAB I PENDAHULUAN

1.1. Latar Belakang

Dalam kehidupan sehari-hari, kita sering menjumpai banyaknya contoh kasus antrian, mulai dari antrian kendaraan, barang-barang, dan antrian manusia di beberapa tempat tertentu. Antrian bisa terjadi karena masing-masing memiliki kepentingan yang sama untuk memperoleh pelayanan dalam memenuhi kebutuhannya, namun datang dalam waktu yang bersamaan sedangkan sarana pelayanan yang ada tidak sebanding dengan jumlah yang datang untuk dilayani. Selain itu beberapa faktor yang juga ikut menetukan timbulnya suatu antrian yaitu lokasi dari pelayanan kebutuhan tersebut. Semakin strategis lokasinya maka akan semakin banyak pula yang akan memanfaatkannya. Contohnya, ATM atau automatic teller machine pada Bank yang berlokasi di kampus atau pusat perbelanjaan, biasanya lebih ramai dan berpotensi menimbulkan antrian karena terdapat konsentrasi masyarakat yang besar, daripada ATM Bank yang berada di pinggir jalan. Faktor lain yang juga bisa menimbulkan antrian, yaitu adanya kebutuhan yang sama pada saat-saat tertentu namun dalam waktu yang terbatas. Contohnya ketika masa liburan tiba, maka akan banyak masyarakat yang berkonsentrasi di tempattempat rekreasi dalam waktu yang bersamaan, sehingga di beberapa tempat akan

2

menimbulkan antrian, bukan hanya masyarakat, tapi juga dari kendaraan yang akan memasuki tempat rekreasi tersebut. Jika sudah terjadi antrian terhadap suatu tempat, maka akan ada proses menunggu yang membutuhkan waktu yang tidak sedikit. Hal ini akan berpengaruh pada penilaian yang timbul dari masyarakat, baik dari sisi pelayanan maupun kenyamanan tempat tersebut. Oleh karena itu penulis mengambil tema mengenai Analisis Antrian pada ATM BCA (Bank Cental Asia) yang berlokasi di Pusat Perbelanjaan GIANT Ciledug. Dengan harapan bisa mendapatkan metode dan solusi pemecahan masalah, atas antrian yang timbul.

1.2. Permasalahan

Permasalahan dan pembahasan dalam makalah penilitian ini anatara lain : 1. Apakah distribusi yang sesuai untuk menggambarkan aktivitas durasi antar kedatangan dan durasi pekerjaan dari pengguna ATM yang datang ? 2. Bagaimana simulasi atau permodelan antrian yang terjadi di ATM tersebut. 3. Berapakah rata-rata waktu yang dihabiskan oleh pengguna ATM selama melakukan transaksi. 4. Berapa persen waktu pemanfaatan mesin ATM yang dipakai oleh pengguna berdasarkan simulasi?

3

1.3. Pembatasan Masalah

Penulis membatasi masalah hanya pada : 1. Sistem antrian yang terjadi di ATM BCA Pusat Perbelanjaan GIANT Ciledug. 2. Waktu yang dipilih oleh penulis yakni pada hari libur besar nasional, sehingga pada waktu tersebut memungkinkan terjadinya antrian. 3. Berdasarkan antrian yang terjadi, penelitian ini hanya difokuskan pada 40 (empat puluh) pengguna yang tengah melakukan transaksi di ATM BCA tersebut.

1.4. Tujuan Penulisan

Adapun tujuan yang hendak dicapai dari penelitian ini adalah : 1. Mengetahui distribusi yang sesuai untuk menggambarkan aktivitas durasi antar kedatangan dan durasi pekerjaan dari pengguna ATM yang datang. 2. Membuat simulasi dengan menggunakan program AWESIM terhadap sistem antrian yang terjadi di ATM tersebut. 3. Mengetahui rata-rata waktu yang dihabiskan oleh pengguna selama di ATM tersebut berdasarkan hasil simulasi. 4. Mengetahui persentase waktu pemanfaatan mesin ATM yang dipakai oleh tiap pengguna berdasarkan hasil simulasi

4

BAB II LANDASAN TEORI

2.1. Teori Antrian Analisis antrian pertama kali diperkenalkan oleh A.K. Erlang (1913) yang mempelajari fluktuasi permintaan fasilitas telepon dan keterlambatan

pelayanannnya. Saat ini analisis antrian banyak diteapkan dibidang bisnis (Bank, Supermarket), industri (pelayanan mesin otomatis), transportasi (pelabuhan udara, pelabuhan laut, jasa-jasa pos) dan lain-lain. Analisis antrian memberikan informasi probabilitas yang dinamakan operating characteristics, yang dapat membantu pengambil keputusan dalam merancang fasilitas pelayanan antrian untuk mengatasi permintaan pelayanan yang fluktuatif secara random dan menjaga keseimbangan antara biaya pelayanan dan biaya menunggu.

2.1.1. Komponen Proses Antrian. Komponen dasar proses antrian adalah kedatangan, pelayanan, dan antri. Komponen-komponen ini disajikan pada gambar 1.1.

Sumber Kedatangan Antrian Fasilitas pelayanan Keluar

Gambar 2.1 Komponen Proses Antrian

5

1. Kedatangan. Setiap msalah antrian melibatkan kedatangan, misalnya orang, mobil, atau panggilan telepon untuk dilayani. Unsur ini sering dinamakan proses input. Proses input meliputi sumber kedatangan atau biasa dinamakan calling population, dan cara terjadinya kedatangan yang umumnya merupakan proses random.

2. Pelayanan. Pelayanan atau mekanisme pelayanan dapat terdiri dari satu atau lebih pelayan, atau satu atau lebih fasilitas pelayanan. Contohnya, pada sebuah check-out counter dari suatu supermarket terkadang hanya ada seorang pelayan, tetapi bisa juga diisi seorang kasir dengan pembantunya untuk memasukkan barang-barang ke kantong plastic. Sebuah bank dapat mempekerjakan seorang atau banyak teller. Disamping itu, perlu diketahui cara pelayanan dirampungkan, yang kadang-kadang merupakan proses random.

3. Antri. Inti dari analisis antrian adalah antri itu sendiri. Timbulnya antrian terutama tergantung dari sifat kedatangan dan proses pelayanan. Penentu antrian lain yang penting adalah disiplin antri. Disiplin antri adalah aturan yang menjelaskan cara melayani pengantri, misalnya datang lebih awal dilayani dulu, yang lebih dikenal dengan singkatan FCFS (First Come First

6

Serve), datang terakhir dilayani dulu LCFS (Last Come First Serve), berdasar prioritas, berdasar abjad, berdasar janji, dan lain-lain. Jika tak ada antrian berarti terdapat pelayan yang nganggur atau kelebihan fasilitas pelayanan.

2.1.2. Struktur Dasar Proses Antrian Proses antrian pada umunya dikelompokkan ke dalam empat struktur dasar menurut sifat-sifat fasilitas pelayanan, yaitu : 1. Satu saluran satu tahap. 2. Banyak saluran satu tahap 3. Satu saluran banyak tahap. 4. Banyak saluran banyak tahap.

Antrian

Pelayan

Antrian Pelayan

Antrian

Pelayan

7

Antrian Pelayan Gambar 2.2 Struktur Dasar Proses Antrian

Banyaknya saluran dalam proses antrian adalah jumlah pelayanan parallel yang tersedia. Banyaknya tahap menunjukkan jumlah pelayanan berurutan yang harus dilalui oleh setiap kedatangan.

2.1.3. Kerangka Keputusan Masalah Antrian Kebanyakan analisis masalah antrian akhirnya sampai pada pertanyaan bagaimana merancang fasilitas pelayanan atau berapa tingkat pelayanan yang seharusnya disediakan. Jika variabel keputusannya adalah tingkat pelayanan, maka model harus mengidentifikasi hubungan antara tingkat pelayanan dengan parameter dan variabel-variabel yang relevan. Kriteria evaluasi keputusan dari model ini adalah total expected cost. Hubungan variabel keputusan (tingkat pelayanan) dengan kriteria evaluasi (total expected cost) ditunjukkan pada gambar 1.3. Terlihat bahwa total total expected cost merupakan jumlah dari dua biaya yang berlainan yaitu biaya pelayanan (1) dan biaya menunggu (2). Jadi jelas bahwa tingkat pelayanan yang disarankan adalah yang menyebabkan total expected cost terendah. Namun, ini tidak berarti analisis ini dapat menentukan biaya total terendah secara tepat, sebab operating characteristics yang

8

diperoleh hanya merupakan angka rata-rata dan tidak pasti. Dengan demikian analisis antrian bukanlah suatu tehnik optimasi melainkan hanya penyedia informasi.

0 Gambar 2.3 Kerangka Keputusan Masalah Antrian

2.1.4. Asumsi-Asumsi Teori Antrian Teori antrian dikembangkan dengan membuat sejumlah asumsi tentang beberapa komponen proses antrian. Terdapat banyak sekali variasi situasi antri. Meskipun pada bab ini hanya akan dibicarakan dua struktur antrian yang popular, namun seluruh konsep dasar analisis antrian perlu dijelaskan.

1. Distribusi Kedatangan dan Waktu Pelayanan. Bahasan tentang materi ini akan dijelaskan lebih mendalam pada sub-bab 2.2.

9

2. Disiplin Waktu Pelayanan. Bahasan tentang materi ini akan dijelaskan lebih mendalam pada sub-bab 2.2.

3. Disiplin Antri Dalam teori antrian, pada umumnya diasumsikan pengantri dilayani berdasar FIFO (First in First Out). Jika asumsi ini tidak cocok dengan sistem antrian yang dipelajari, model lain harus dikembangkan. Suatu tingkah laku pengantri yang dapat mempengaruhi aturan pelayanan adalah pengantri yang tak sabar dan memutuskan untuk meninggalkan sistem sebelum dilayani, yang dikenal dengan nama reneging.

4. Sistem Antri Steady State dan Transient. Suatu asumsi yang sangat penting dalam teori antrian adalah apakah sistem mencapai suatu keadaan keseimbangan atau dinamakan steady state. Ini berarti diasumsikan bahwa cirri-ciri operasi seperti panjang antrian dan rata-rata waktu menunggu akan memiliki nilai konstan setelah sistem berjalan selama suatu periode waktu. Hampir semua model antrian dasar mengasumsikan keadaan steady state. Namun beberapa sistem antrian tak pernah dapat diharapkan berjalan cukup lama dalam keadaan steady state. Model terakhir ini dinamakan keadaan transient. Dalam analisis sistem antrian transient solusinya tergantung pada waktu yang telah dilewati sejak sistem mulai beroperasi.

10

5. Tingkat Kedatangan dan Tingkat Pelayanan. Diasumsikan bahwa tingkat pelayanan, µ, harus melebihi tingkat kedatangan pengantri, l. Jika tidak, antrian akan makin panjang sehingga tak ada solusi keseimbangan. Hubungan antara tingkat kedatangan, λ, dan tingkat pelayanan, µ, dan panjang antrian yang diharapkan ditunjukkan pada gambar 1.4. Jika λ kurang dari µ, maka traffic intensity atau utilization factor R = λ / µ kurang dari l. Jika rasio ini mendekati l, panjang antrian yang diharapkan akan mendekati tak terbatas.

0

0,1

0,2 0,3 0,4 0,5

0,6

0,7 0,8 0,9 1,0 λ/µ

Gambar 2.4 Hubungan Antara Panjang Antrian Dengan Traffic Intencity

Perlu diingat bahwa dalam teori antrian umumnya dimulai dengan asumsi sumber kedatangan dan panjang antrian adalah tak terbatas, meskipun asumsi ini seringkali tidak realistik.

11

2.2. Pendugaan Distribusi Data Antrian. Dalam sub-bab 2.2 ini akan dibahas prosedur statistik yang bermanfaat dalam validasi model simulasi. 1. Distribusi Kedatangan. Model antrian adalah model probabilistik (stochastic) karena unsur-unsur tertentu proses antrian yang dimasukkan dalam model adalah variabel random. Variabel random ini sering digambarkan dengan distribusi probabilitas. Baik kedatangan maupun waktu pelayanan dalam suatu proses antrian pada umumnya dinyatakan sebagai variabel random. Asumsi yang biasa digunakan dalam kaitannya dengan distribusi kedatangan (banyaknya kedatangan per unit waktu) adalah distribusi Poisson. Rumus umum distribusi probabilitas Poisson adalah : e-λ λx P (x) = x! x P(x) Λ e x! : banyaknya kedatangan : probabilita kedatangan : rata-rata tingkat kedatangan : dasar logaritma natural, yaitu 2,71828 : x (x-1) (x-2) … 1, (dibaca x factorial) Distribusi Poisson adalah distribusi diskrit dengan rata-rata sama dengan varians. Suatu cirri menarik dari proses Poisson adalah bahwa jika banyaknya kedatangan per satuan waktu mengikuti distribusi Poisson dengan rata-rata tingkat , dimana

12

kedatangan λ, maka waktu antar kedatangan (inter arrival time) akan mengikuti exsponensial negative dengan rata-rata l / λ.

2. Distribusi Waktu Pelayanan. Waktu pelayanan dalam proses antrian dapat juga sesuai atau pas dengan salah satu bentuk distribusi probabilitas. Asumsi yang biasa digunakan bagi distribusi waktu pelayanan adalah distribusi eksponensial negatif. Sehingga jika waktu pelayanan mengikuti distribusi eksponensial negatif, maka tingkat pelayanan mengikuti distribusi Poisson. Rumus umum density function probabilitas eksponensial negatif adalah : ƒ(t) = µ e -µt , dimana t ƒ(t) µ l/µ e : waktu pelayanan : probabilitas yang berhubungan dengan t : rata-rata tingkat pelayanan : rata-rata waktu pelayanan : dasar logaritma natural, yaitu 2,71828 Penelitian empiris menunjukkan bahwa asumsi distribusi eksponensial negatif maupun Poisson seringkali tidak absah. Karena itu asumsi ini harus diperiksa sebelum mencoba menggunakan suatu model. Pemeriksaan dilakukan melalui test goodness of fit dengan menggunakan distribusi chi-square.

13

3. Uji Goodness of Fit Terdapat dua uji goodness of fit suatu distribusi, yaitu chi kuadrat dan Kolmogorov-Smirnov (K-S). prosedur chi kuadrat berkaitan dengan uji data diskrit, sedangkan prosedur K-S berkaitan dengan uji data kontinu. Prosedur K-S dibagi menjadi dua yaitu untuk data satu sampel dan data dua sampel. Pada saat uji satu sampel diterapkan, perhatian dipusatkan pada dua buah fungsi distribusi kumulatif, yaitu distribusi kumulatif yang dihipotesakan yang diberi notasi F0(x) dan distribusi kumulatif teramati yaitu S(x). Data x1, x2, x3, …, xn diurutkan dari kecil ke besar sehingga x1 < x2 < x3 < …. < xn. Dihipotesakan x1, x2, x3, …, xn mengikuti distribusi F(x). Distribusi kumulatif empirik adalah proporsi nilai-nilai pengamatan dalam sampel dengan notasi i S(x) = n i : banyaknya nilai pengamatan yang < χ ,

4. Tes Satu Sampel Kolmogorov-Smirnov Tes satu sampel Kolmogorov-Smirnov adalah suatu tes goodness of fit. Artinya, yang diperhatikan adalah tingkat kesesuaian antara distribusi serangkaian harga sampel (skor yang diobservasi) dengan suatu distribusi teoritis tertentu. Tes ini menetapkan apakah skor-skor dalam sampel dapat secara masuk akal dianggap berasal dari suatu populasi dengan distribusi teoritis itu. Tes ini mencakup penghitungan distribusi frekuensi kumulatif yang akan terjadi dibawah distribusi teoritisnya, serta membandingkan distribusi frekuensi

14

itu dengan distribusi frekuensi kumlatif hasil observasi. Distribusi teoritis tersebut merupakan representasi dari apa yang diharapkan dibawah H0. Tes ini menetapkan suatu titik dimana kedua distribusi itu yakni yang teoritis dan yang terobservasi memiliki perbedaan terbesar. Dengan melihat distribusi samplingnya dapat diketahui apakah perbedaan yang besar itu mungkin terjadi hanya karena kebetulan saja. Artinya distribusi sampling itu menunjukkan apakah perbedaan besar yang diamati itu mungkin terjadi apabila observai-observasi itu benar-benar suatu sampel random dari distribusi teoritis itu. Perbedaan terbesar antara distribusi dugaan dengan distribusi empiris dapat dihitung sebagai berikut : D = max |F(z) - s(z)| Uji hipotesa dilakukan dengan menetapkan hipotesa awal dan hipotesa alternatif sebagai berikut : H0 : Data berdistribusi normal H1 : Data tidak berdistribusi normal

Aturan pengambilan keputusan adalah hipotesa awal H0 ditolak bila Dhitung>Dtabel(1-α, n) dimana D1-α, n diperoleh dari tabel K-S, atau distribusi dugaan secara statistik diterima bila H0 diterima. Apabila Ho ditolak, maka gunakan koefisien korelasi ( ∂ ) sebagai ciri atau sifat fungsi parameter dalam penentuan distribusi. Dengan n buah data yang independen dan identik x1, x2, … , xn maka taksiran koefisien variansi ditunjukkan oleh : 15

∂=

S

2

x

−   ∑  xi − x   dan − dengan S 2 = i =1  x= n −1 n

2

∑x
i =1

n

i

n

Untuk distribusi Exponensial, Gamma, dan Erlang dapat ditunjukkan melalui nilai koefisiensi variansi dengan ketentuan sebagai berikut :
∂ (n ) ≈ 1 maka data diduga berdistribusi Exponensial ∂ (n ) < 1 maka data diduga berdistribusi Gamma/Erlang dengan parameter k >1 ∂ (n ) > 1 maka data diduga berdistribusi Gamma/Erlang dengan parameter k < 1.

2.3. Model Simulasi Istilah Model,banyak sekali dipergunakan orang, akan tetapi pengertian yang ditimbulkan bisa berbeda-beda. Namun setidaknya kita dapat mengenal penggunaan istilah model itu untuk menunjuk du hal, yaitu model dalam arti contoh atau teladan, dan model dalam arti bentuk,pola atau suatu rancangan. Dalam penelitian ini, istilah model dapat diartikan sebagai tiruan dari kenyataan yang sebenarnya, tiruan dari realita, atau tiruan bukan dalam arti imitasi. Seperti yang dikatakan secara singkat oleh Elias. M. Awad (1979 : 10) : ‘A model is a representation of a real or a planned system’. Jadi yang dinamakan model itu adalah pencerminan atau penggambaran dari suatu sistem yang nyata atau yang direncanakan. Karena model adalah gambaran dari suatu sistem, maka model seharusnya dikembangkan untuk menyelesaikan masalah-masalah tertentu atau solusi permasalahan.

16

Adapun beberapa bentuk solusi dalam memecahkan permasalahan antara lain : a. Solusi Analitik adalah solusi yang diperoleh secara langsung dengan tersedianya suatu formula atau rumus b. Solusi Algoritmik adalah solusi yang diperoleh dengan menggunakan suatu algoritma (prosedure) tertentu c. Solusi Simulasi adalah solusi yang diperoleh dengan melakukan suatu eksperimentasi simulasi Dalam penelitian ini, model simulasi sangat sesuai sebagai solusi pemecahan masalah, seperti diilustrasikan pada gambar berikut : System Purpose Level of Detail Boundaries

Performance Measures

Model Assessment Implementation

Design Alternatives

Gambar 2.5 Pemodelan Suatu Sistem Berdasarkan Gambar 1.5, dapat diperoleh informasi bahwa : 1. Model simulasi adalah suatu model tiruan dari suatu proses (sistem) tertentu 2. Model simulasi harus mempunyai karakteristik yang serupa dengan proses (sistem) yang sesungguhnya.

17

Karena model simulasi mempunyai karakteristik yang serupa dengan sistem yang sesungguhnya, maka kita dapat mempelajari sistem nyata itu melalui model tiruannya (simulasinya). Dengan adanya model simulasi sebagai model tiruan yang karakteristiknya serupa dengan sistem, beberapa kelebihan (manfaat) model simulasi sebagai salah satu solusi alternatif pemecahan permasalahan antara lain: a. Mempelajari suatu proses (sistem) jika hal tersebut terlalu sukar (mahal, berbahaya, secara teknis sulit) untuk dilakukan secara langsung b. Pembuatan model dapat dilakukan dengan cepat, murah, dan tanpa harus mengganggu sistem yang tengah berjalan c. Mempelajari suatu sistem bahkan sebelum sistem itu ada secara fisik d. Mempelajari efek penempatan suatu fasilitas tertentu sebelum fasilitas itu dibangun e. Mempelajari setiap alternatif keputusan tanpa harus secara nyata menerapkan alternatif tersebut sehingga dapat pembantu dalam usaha mencari alternatif terbaik. Secara garis besar, simulasi dibagi menjadi dua golongan, yakni : 1. Simulasi diskrit: variabel dependen berubah secara diskrit pada suatu titik waktu tertentu 2. Simulasi kontinu: variabel dependen berubah secara kontinu dengan berubahnya waktu.

18

Model Simulasi dapat digunakan pada lima tingkatan : a) Sebagai salah satu alat penjelasan untuk mendefinisikan sebuah sistem atau permasalahan. b) Sebagai sarana analisis untuk menentukan elemen-elemen dan komponen penting serta persoalan-persoalan yang sifatnya pokok. c) Sebagai rancangan penaksir untuk mensintesa dan mengevaluasi solusi yang telah ada. d) Sebagai prediktor untuk meramalkan dan membantu perencanaan dimasa yang akan datang. e) Sebagai bagian dari sistem untuk menyediakan pengawasan dan pengamatan secara langsung, proyeksi keadaan pendukung keputusan.

2.4. Simulasi AWESIM Tujuan dari model simulasi adalah menyediakan informasi yang berguna untuk penyelesaian suatu permasalahan. Salah satu alternatif permodelan simulasi bahasa visual adalah Visual SLAM. Visual SLAM mendukung sistem-sistem permodelan berdasarkan sudut pandang yang beraneka ragam, dan berisi informasi dari metode-metode berbeda dalam membangun model dari sistem. AWESIM merupakan simulasi pemecahan masalah untuk Visual SLAM. Berdasarkan kemampuannya, AWESIM menyediakan perluasan input, output, dan peningkatan kemampuan untuk memfasilitasi kegunaan Visual SLAM bagi insinyur, manager dan peneliti. Dengan perlengkapan simulasi terkini, seperti AWESIM, model dapat dibuat secara cepat dan jelas. Dan dalam beberapa kasus,

19

AWESIM dapat diproses dalam beberapa menit dikomputer perorangan dan AweSim mempunyai fleksibilitas yang amat tinggi sebab penggunanya dimungkinkan untuk berinteraksi dengan AweSim melalui bahasa C++ atau Visual Basic. Karena inilah, simulasi menjadi pilihan utama sebagai pendekatan performa sistem yang menarik. Paradigma pengambilan keputusan dalam permodelan simulasi AWESIM dapat dilukiskan seperti pada Gambar 2.6 berikut.

Gambar 2.6 Gambar 2.6 Bagan Paradigma Pengambilan Keputusan Untuk melukiskan konsep dasar jaringan sistem diperlukan simbol-simbol atau elemen-elemen dari AWESIM, sebagai pendukung dalam pembuatan model simulasi. Dengan tujuh elemen (node) dasar network berbagai masalah dapat dimodelkan. Ketujuh node terseut antara lain :

20

1. CREATE node CREATE node berfungsi untuk membangkitkan entity dan meneruskannya ke sistem melalui aktivitas yang keluar dari create node. Lima parameter dalam node ini antara lain : a. TF adalah saat entity pertama datang ke sistem b. TBC adalah waktu antar dua kedatangan suatu entity disimpan c. MV adalah variabel tempat menyimpan waktu entity d. MC adalah maksimum banyaknya entity yang akan di CREATE e. M adalah maksimum banyaknya cabang yang akan dipilih.

Gambar 2.7 Create Node 2. QUEUE node QUEUE NODE adalah suatu lokasi pada network dimana entity menunggu untuk mendapatkan pelayanan. Jika suatu entity sampai di suatu QUEUE node maka ada dua kemungkinan yang terjadi: 1. Jika pelayan (server) menganggur, maka entity itu akan langsung melewati QUEUE node dan pergi ke aktivitas pelayanan untuk dilayani. 2. Jika server sibuk, maka entity itu menunggu pada QUEUE node sampai ada server yang dapat melayani. Jika hal itu terjadi, maka entity tersebut langsung keluar dari QUEUE node dan aktifitas pelayanan segera dimulai. Tidak ada delay waktu pada situasi ini.

21

Pada saat tertentu mungkin ada sejumlah entity yang menunggu. Entity diurutkan pada QUEUE node berdasarkan prioritas tertentu seperti: a. b. c. d. FIFO (First In First Out) LIFO (Last In First Out) LVF(k): Low Value First pada atribut k HVF(k): High Value First pada atribut k

Pemilihan prioritas setiap QUEUE dilaksanakan melalui PRIORITY statement pada CONTROL statemen.

Gambar 2.8 Queue Node Keterangan Parameter : IQ QC IFL : banyaknya entiti yang menunggu untuk dilayani pada awal simulasi : kapasitas dalam antrian : file ketika entiti menunggu untuk dilayani (urutan dalam queue)

3. ASSIGN node ASSIGN NODE digunakan untuk memberikan nilai pada atribut entity yang melewati ASSIGN node atau memberikan nilai pada variable network (global).

Gambar 2.9 Assign Node ASSIGN node berfungsi sebagai:

22

a. Atribut ke 1 entity tersebut dibuat mempunyai nilai yang diperoleh dari suatu sample dari distribusi eksponensial dengan mean 5.0 b. Nilai global variable XX[1] diberi nilai TNOW (nilai saat entity tersebut melewati node ini) 4. GOON node Goon node berfungsi sebagai penanda adanya percabangan dari suatu aktivitas.

Gambar 2.10 Goon Node Keterangan : M : banyaknya percabangan yang akan dibentuk. 5. COLCT node Node yang menyimpan atau mengumpulkan waktu observasi dari tiap entiti yang datang pada node ini. Dalam collect node, bisa dibuat bagan histogram.

Gambar 2.11 Collect Node Keterangan : VALUE IDH, H M : identifikasi variabel yang di simpan dalam collect node : pembuatan histogram : banyaknya cabang yang dapat dibentuk dari node ini.

23

6. TERMINATE node Terminate node adalah satu cara untuk menghentikan prosedur yang digunakan ketika menganalisa sebuah jaringan model AWESIM.

Gambar 2.11 Terminate Node Keterangan : TC : maksimum entity yang melewati node ini .

7. ACTIVITY node Activity node merupakan tempat dimana kegiatan pelayanan dilakukan.

Gambar 2.12 Activity Node Tahap terakhir dalam membuat model simulasi AWESIM adalah menggabungkan deskripsi model jaringan dengan control statement. Control Statement yang ada antara lain : a. GEN: nama analis, nama proyek, tgl, dsb b. Limits: banyaknya maksimum file, atributes yang digunakan (banyaknya memori yang di blok oleh komputer) ketika menjalankan simulasi c. NETWORK: Network yang digunakan d. INITIALIZE: Awal dan akhir simulasi e. FINISH: akhir simulasi .

24

BAB III METODOLOGI PENELITIAN

3.1. Tempat dan Waktu Penelitian Penyelenggaraan tempat dan waktu penelitian selengkapnya adalah sebagai berikut :

Tempat Penelitian Alamat Waktu Penelitian

: ATM BCA Pusat Perbelanjaan GIANT : Jl. Ciledug Raya No. 53 Kreo – Tangerang : Kamis, 25 Desember 2008 Pukul 13.00 – 14.00 WIB.

3.2. Metode Pengumpulan Data Tehnik pengumpulan data yang digunakan yaitu peneliti melakukan observasi secara langsung terhadap objek, yakni pengguna ATM BCA di Pusat Perbelanjaan GIANT, yang berlokasi di Ciledug. Sehingga dapat dikatakan bahwa data dalam penelitian ini adalah data primer dengan durasi pengamatan adalah 60 menit, dimulai pukul 13.00 hingga pukul 14.00 WIB, pada hari Kamis 25 Desember 2008. Peneliti mengamati jalannya proses antrian yang terjadi di ATM tersebut, kemudian mencatat durasi antar kedatangan pengguna ATM dan durasi lamanya penggunaan mesin ATM oleh tiap pengguna. Selama proses penggunaan ATM

25

berlangsung, peneliti melakukan pengamatan dari tempat yang tidak terlalu dekat dengan objek penelitian, dengan harapan bahwa proses tersebut bisa berjalan dengan lancar dan alami, sehingga benar-benar mewakili system yang ada.

3.3. Metode Pengolahan Data Pengolahan data yang dilakukan dalam penelitian ini yaitu menggunakan metode eksplanatif dan metode kajian pustaka. Dengan metode eksplanatif, peneliti bukan hanya bertujuan untuk mendeskripsikan atau menjelaskan sesuatu hal seperti apa adanya dan mengkajinya secara mendalam berdasarkan gambaran dari objek penelitian, tetapi peneliti juga mencari tahu penyebab dan solusi dari kejadian antrian yang cukup panjang, yang terjadi pada ATM tersebut. Sebagai pemecahan permasalahan, peneliti menggunakan solusi simulasi kontinu dengan software AWESIM. Penelitian ini juga disempurnakan dengan kajian kepustakaan untuk menunjang argumen-argumen maupun penganalisaan output yang dihasilkan oleh software AWESIM. Dengan harapan, hasil penelitian ini bisa atau mampu memiliki daya analisis kritis yang cukup tinggi. Sedangkan untuk kajian kepustakaannya, diambil melalui buku atau literatur perkuliahan, baik terbitan dalam dan luar negeri, serta artikel-artikel yang diambil melalui situs-situs internet.

26

3.4. Alur Penelitian Mulai

Penelitian

Jenis Data Penelitian

Y Primer

N Sekunder Observasi

Pengumpulan Data

Distribusi Data Pemodelan Dengan AWESIM Analisis Output AWESIM Penarikan Kesimpulan Hasil Model Simulasi

Selesai Gambar 3.1 Flowchart Alur Penelitian

27

BAB IV HASIL DAN PEMBAHASAN

4.1. Penentuan Distribusi

4.1.1. Data Durasi Antar Kedatangan Pengguna ATM Selama 60 menit melakukan pengamatan di ATM BCA Gaint, Ciledug, didapat 40 entiti (pengguna ATM) yang datang untuk melakukan transaksi di mesin tersebut dan berikut data lamanya antar kedatangan tiap pengunjung. Tabel 4.1 Data Durasi Antar Kedatangan Pengguna ATM

11 306 8 40 25 33 18 18 29 7 118 229 27 37 116 28 146 97 42 86 35 64 149 41 17 124 43 63 47 53 71 28 287 69 166 311 64 190 66 63

Kemudian data pada Tabel 4.1 dibuat tabel frekuensi kumulatif agar bisa dibuat histogram yang akan digunakan sebagai penduga distribusi apa yang sesuai untuk data tersebut.

28

Tabel 4.2 Frekuensi Kumulatif Data Durasi Antar Kedatangan

Waktu Antar Kedatangan
7--57 58-108 109-159 160-210 211-261 >261

Jumlah Pengguna ATM
20 9 5 2 1 3 40

∑x

Histogram Data Durasi Antar Kedatangan
25
Jumlah Pengguna ATM

20 15 10 5 0 7--57 58-108 109-159 160-210 211-261 >261 Waktu Antar Kedatangan
Series1

Gambar 4.1 Histogram Durasi Antar Kedatangan Berdasarkan pembentukan histogram, dapat diduga bahwa data durasi antar kedatangan berdistribusi exponensial atau poisson, untuk membuktikan dugaan tersebut maka dilakukan Uji Goodness of Fit. Berikut adalah prosesnya. Tabel 4.3 Uji Goodness of Fit Durasi Antar Kedatangan

xi − x
No. x

−    xi − x   

2

x −x z= i s
F(z) S(z) |F(z) - s(z)|

29

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

7 8 11 17 18 18 25 27 28 28 29 33 35 37 40 41 42 43 47 53 63 63 64 64 66 69 71 86 97 116 118 124 146 149 166 190 229 287 306 311

-77.3 -76.3 -73.3 -67.3 -66.3 -66.3 -59.3 -57.3 -56.3 -56.3 -55.3 -51.3 -49.3 -47.3 -44.3 -43.3 -42.3 -41.3 -37.3 -31.3 -21.3 -21.3 -20.3 -20.3 -18.3 -15.3 -13.3 1.7 12.7 31.7 33.7 39.7 61.7 64.7 81.7 105.7 144.7 202.7 221.7 226.7

5975.29 5821.69 5372.89 4529.29 4395.69 4395.69 3516.49 3283.29 3169.69 3169.69 3058.09 2631.69 2430.49 2237.29 1962.49 1874.89 1789.29 1705.69 1391.29 979.69 453.69 453.69 412.09 412.09 334.89 234.09 176.89 2.89 161.29 1004.89 1135.69 1576.09 3806.89 4186.09 6674.89 11172.49 20938.09 41087.29 49150.89 51392.89

-0.95 -0.94 -0.90 -0.83 -0.81 -0.81 -0.73 -0.70 -0.69 -0.69 -0.68 -0.63 -0.61 -0.58 -0.54 -0.53 -0.52 -0.51 -0.46 -0.38 -0.26 -0.26 -0.25 -0.25 -0.22 -0.19 -0.16 0.02 0.16 0.39 0.41 0.49 0.76 0.79 1.00 1.30 1.78 2.49 2.72 2.78

0.1711 0.1736 0.1814 0.2033 0.2090 0.2090 0.2327 0.2420 0.2451 0.2451 0.2483 0.2643 0.2709 0.2810 0.2946 0.2981 0.3015 0.3050 0.3288 0.3520 0.3974 0.3974 0.4013 0.4013 0.4129 0.4247 0.4364 0.5080 0.5636 0.6517 0.6591 0.6879 0.7737 0.7852 0.8413 0.8485 0.9625 0.9936 0.9967 0.9973

0.025 0.050 0.075 0.100 0.125 0.150 0.175 0.200 0.225 0.250 0.275 0.300 0.325 0.350 0.375 0.400 0.425 0.450 0.475 0.500 0.525 0.550 0.575 0.600 0.625 0.650 0.675 0.700 0.725 0.750 0.775 0.800 0.825 0.850 0.875 0.900 0.925 0.950 0.975 1.000

0.1461 0.1236 0.1064 0.1033 0.0840 0.0590 0.0577 0.0420 0.0201 0.0049 0.0267 0.0357 0.0541 0.0690 0.0804 0.1019 0.1235 0.1450 0.1462 0.1480 0.1276 0.1526 0.1737 0.1987 0.2121 0.2253 0.2386 0.1920 0.1614 0.0983 0.1159 0.1121 0.0513 0.0648 0.0337 0.0515 0.0375 0.0436 0.0217 0.0027

30

D = max |F(z) - s(z)| = 0.2386 Statistik Inferensia : 1. Hipotesis H0 : data berdistribusi normal H1 : data tidak berdistribusi normal 2. Tingkat Signifikansi α = 0.05 3. Statistik Uji : Dhitung = 0.2386 4. Tabel harga kritis D dalam tes satu sampel Kolmogorov-Smirnov Dtabel = 0.2150

5. Aturan Keputusan Dtabel < Dhitung ⇒ Ho ditolak 0.2150 < 0.2386 . ⇒ Ho ditolak sehingga H1 diterima 6. Kesimpulan H1 = " Data tidak berdistribusi normal" Untuk itu, akan dihitung Koefisien Korelasi, agar dapat diduga distribusi dari data durasi pekerjaan.
s2

∂=

x

31

= 0.9657 karena nilai koefisien korelasinya mendekti 1, maka data tersebut berdistribusi exponensial. Dan untuk lebih meyankinkan dugaan tersebut, peneliti melakukan pengujian tes satu sampel Kolmogorov-Smirnov dengan bantuan software SPSS 11.5. dan berikut hasil outputnya : Tabel 4.4 Tes Satu Sampel K-S

Analisis Output : 1. Hipotesa : Ho = data berdistribusi exponensial H1 = data tidak berdistribusi exponensial 2. Aturan Keputusan : Sig > 0.5 ⇒ Ho tidak ditolak
0.743 > 0.5 ⇒ Ho tidak ditolak

3. Kesimpulan : “data berdistribusi exponensial”

4.2.2. Data Durasi Penggunaan ATM Selama 60 menit pengamatan di ATM BCA Gaint, Ciledug, didapat 40 entiti (pengguna ATM) yang datang untuk melakukan transaksi di mesin tersebut dan berikut data lamanya penggunaan tiap pengunjung dalam melakukan transaksi di ATM. 32

Tabel 4.5 Data Durasi Lamanya Penggunaan ATM
99 54 75 71 88 98 146 38 125 27 207 71 62 133 117 173 124 75 43 156 48 136 57 57 33 112 57 89 100 49 96 47 123 83 99 46 68 82 67 127

Kemudian data pada Tabel 4.5 dibuat tabel frekuensi kumulatif agar bisa dibuat histogram yang akan digunakan sebagai penduga distribusi apa yang sesuai untuk data tersebut. Tabel 4.6 Frekuensi Kumulatif Data Durasi Lamanya Penggunaan ATM Waktu Penggunaan
27-56 57-86 87-116 117-146 147-176 >176

Jumlah Pengguna ATM
9 12 8 8 2 1 40

∑x

33

Histogram Data Lamanya Penggunaan ATM
14

Jumlah Pengguna

12 10 8 6 4 2 0 27-56 57-86 87-116 117-146 147-176 >176 Waktu Lamanya Penggunaan
Series1

Gambar 4.2 Histogram Durasi Penggunaan ATM Berdasarkan pembentukan histogram, dapat diduga bahwa data durasi antar kedatangan berdistribusi normal, untuk membuktikan dugaan tersebut maka dilakukan Uji Goodness of Fit. Berikut adalah prosesnya. Tabel 4.7 Uji Goodness of Fit Durasi Penggunaan ATM

xi − x
No. 1 2 3 4 5 6 7 8 9 10 11 12 13 x 27 33 38 43 46 47 48 49 54 57 57 57 62 -61.95 -55.95 -50.95 -45.95 -42.95 -41.95 -40.95 -39.95 -34.95 -31.95 -31.95 -31.95 -26.95

−    xi − x   

2

x −x z= i s
-1.51 -1.37 -1.24 -1.12 -1.05 -1.02 -1.00 -0.98 -0.85 -0.78 -0.78 -0.78 -0.66 F(z) 0.0655 0.0853 0.1075 0.1314 0.1469 0.1539 0.1587 0.1635 0.1977 0.2177 0.2177 0.2177 0.2546 S(z) 0.025 0.050 0.075 0.100 0.125 0.150 0.175 0.200 0.225 0.250 0.275 0.300 0.325 |F(z) - s(z)| 0.0405 0.0353 0.0325 0.0314 0.0219 0.0039 0.0163 0.0365 0.0273 0.0323 0.0573 0.0823 0.0704

3837.8025 3130.4025 2595.9025 2111.4025 1844.7025 1759.8025 1676.9025 1596.0025 1221.5025 1020.8025 1020.8025 1020.8025 726.3025

34

14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

67 68 71 71 75 75 82 83 88 89 96 98 99 99 100 112 117 123 124 125 127 133 136 146 156 173 207

-21.95 -20.95 -17.95 -17.95 -13.95 -13.95 -6.95 -5.95 -0.95 0.05 7.05 9.05 10.05 10.05 11.05 23.05 28.05 34.05 35.05 36.05 38.05 44.05 47.05 57.05 67.05 84.05 118.05

481.8025 438.9025 322.2025 322.2025 194.6025 194.6025 48.3025 35.4025 0.9025 0.0025 49.7025 81.9025 101.0025 101.0025 122.1025 531.3025 786.8025 1159.4025 1228.5025 1299.6025 1447.8025 1940.4025 2213.7025 3254.7025 4495.7025 7064.4025 13935.8025

-0.54 -0.51 -0.44 -0.44 -0.34 -0.34 -0.17 -0.15 -0.02 0.00 0.17 0.22 0.25 0.25 0.27 0.56 0.68 0.83 0.86 0.88 0.93 1.08 1.15 1.39 1.64 2.05 2.88

0.2946 0.3050 0.3300 0.3300 0.3669 0.3669 0.4325 0.4404 0.4920 0.5000 0.5675 0.5871 0.5987 0.5987 0.6064 0.7123 0.7517 0.7967 0.8051 0.8106 0.8238 0.8599 0.8749 0.9177 0.9495 0.9798 0.9980

0.350 0.375 0.400 0.425 0.450 0.475 0.500 0.525 0.550 0.575 0.600 0.625 0.650 0.675 0.700 0.725 0.750 0.775 0.800 0.825 0.850 0.875 0.900 0.925 0.950 0.975 1.000

0.0554 0.0700 0.0700 0.0950 0.0831 0.1081 0.0675 0.0846 0.0580 0.0750 0.0325 0.0379 0.0513 0.0763 0.0936 0.0127 0.0017 0.0217 0.0051 0.0144 0.0262 0.0151 0.0251 0.0073 0.0005 0.0048 0.0020

D = max |F(z) - s(z)| = 0.1081 Statistik Inferensia : 1. Hipotesis H0 : data berdistribusi normal H1 : data tidak berdistribusi normal 2. Tingkat Signifikansi

35

α = 0.05 3. Statistik Uji : Dhitung = 0.1081 4. Tabel harga kritis D dalam tes satu sampel Kolmogorov-Smirnov Dtabel = 0.2150

5. Aturan Keputusan Dtabel > Dhitung ⇒ Ho tidak ditolak 0.2150 > 0.1081 ⇒ Ho tidak ditolak 6. Kesimpulan Ho = " Data berdistribusi normal" Dan untuk lebih meyankinkan dugaan tersebut, peneliti melakukan pengujian tes satu sampel Kolmogorov-Smirnov dengan bantuan software SPSS 11.5. dan berikut hasil outputnya : Tabel 4.8 Tes Satu Sampel K-S

Analisis Output : 1. Hipotesa : Ho = data berdistribusi normal

36

H1 = data tidak berdistribusi normal 2. Aturan Keputusan : Sig > 0.5 ⇒ Ho tidak ditolak
0.743 > 0.5 ⇒ Ho tidak ditolak

3. Kesimpulan : “data berdistribusi normal”

4.2. Permodelan Menggunakan AWESIM Project Network

Gambar 4.3 Project Network Sistem Antrian ATM BCA 4.3. Analisis Sensitivitas Dari project network yang telah dibangun dan diproses, maka akan keluar beberapa output yang bisa dianalisis lebih lanjut.

37

Gambar 4.4 Echo Report Berdasarkan Echo Report, dapat diperoleh informasi : 1. Nomor file 1 merupakan ARRIVAL yakni create node dengan waktu antar kedatangan tiap entiti berdistribusi exponensial dan rata-rata kedatangan tiap entiti 84.30 detik. 2. File nomor 2 adalah activity node. 3. File nomor 3 meupakan ATM yakni queue node dengan satu jalur antrian dan di awal simulasi sudah ada dua orang yang mengantri dan satu orang yang sedang melakukan transaksi di dalam ATM. Banyaknya entiti yang dapat mengantri tidak dibatasi jumlah orangnya. 4. File nomor 4 menyatakan activity node dengan banyaknya server (mesin ATM) adalah 1 aktivitas penggunaan ATM berdistribusi normal dengan rata-rata 88.90 dan standar deviasi 40.96. Penaman untuk activity ini adalah USAGE.

38

5. File nomor 5 adalah terminate node diberi nama FINISH, dengan ketentuan bahwa proses simulasi ini akan berhenti apabila 40 entiti sudah selesai melakukan aktivitas di ATM.

Gambar 4.5 Summary Report Informasi yang dapat didapatkan berdasarkan summary report diantaranya : 1. 2. Simulasi ini berjalan selama 3549.698220 detik atau 59.16 menit. File Statistics Report Pada antrian ATM, rata-rata waktu tunggu tiap entiti sebelum akhirnya dilayani adalah 673.753 detik atau 11 menit 23 detik. Dengan rata-rata 39

penjang antrian adalah 10.819 orang (karena entiti bersifat diskrit sehingga dibulatkan menjadi 11 orang) dan panjang maksimum antrian yang terjadi bisa mencapai 21 orang dan pada akhir simulasi ada 17 orang yang mengantri untuk dilayani. 3. Service Activity Statistics Untuk aktivity USAGE, jumlah mesin yang tersedia adalah satu mesin dengan pemanfaatan mesin tersebut sangat maksimal, hal ini dapat terlihat dari nilai average utilization adalah satu yang artinya mesin tersebut bekerja 100% . Dan tidak ada waktu untuk mesin tersebut menganggur, waktu maksimum penggunaan mesin adalah 3549.698. Banyaknya pengguna yang telah selesai melakukan transaksi selama 59 menit 16 detik telah mencapai 40 orang dan di akhir simulasi ada satu orang yang sedang melakukan transaksi di dalam ATM.

40

BAB V PENUTUP

5.1. Kesimpulan Berdasarkan hasil analisis output dan pembahasan yang telah dilakukan, maka dapat diambil kesimpulan, antara lain : 1. Distribusi untuk data durasi antar kedatangan dan durasi lamanya penggunaan ATM BCA di pusat perbelanjaan Giant, Ciledug masingmasing adalah berdistribusi exponensial dan normal. 2. Model simulasi program yang dapat dibangun menggunakan AWESIM, yakni

3. Rata-rata waktu tunggu yang dihabiskan oleh pengguna ATM adalah selama 11 menit 23 detik, dengan maksimum panjang antrian mencapai 21 orang. 4. Persentase waktu pemanfaat ATM adalah 100%.

41

5.2. Saran Dengan pemanfaatan mesin ATM yang maksimum, yakni 100% mengakibatkan timbulnya antrian yang cukup panjang. Hal ini dapat dimaklumi karena peneliti melakukan penelitian pada hari libur keagaaman dan berdekatan dengan musim liburan panjang maka banyak orang yang mempunyai tujuan sama untuk berbelanja dengan waktu yang relatif sama pula. Untuk mengantisipasi antrian semacam itu lagi, yang bisa saya sarankan adalah pihak bank dalam hal ini BCA dapat membuat program baru. Program ATM berjalan atau ATM Mobile dapat dijadikan sebuah solusi, sehingga diharapkan para nasabah bank tersebut dapat terlayani kebutuhannya dengan memuaskan. Dan pihak bank tidak akan mendapat citra negatif dari para nasabahnya. Penelitian ini masih dapat dikembangkan lebih lanjut dengan memodelkan dengan program simulasi yang berbeda atau dalam pengambilan data dilakukan tidak hanya pada jam-jam sibuk saja.

42

REFERENSI

[1]

Amirin, Tatang M. 2003. Pokok-pokok Teorti Sistem. Jakarta : PT Raja Grafindo Persada HFS, Cecep Anwar. 2008. Landasan Teori.doc HFS, Cecep Anwar. 2008. Pengantar AWESIM I.ppt HFS, Cecep Anwar. 2008. Pengantar ke AWESIM Session II.ppt

[2] [3] [4]

[5] Irawan, Prasetya. 2002. Logika dan Prosedur Penelitian. Jakarta : STIALAN Press [6] Mulyono, Sri. 2004. Riset Operasi. Jakarta : Lembaga Penerbit Fakultas Ekonomi UI [7] Siegel, Sidney. 1992. Statistik NonParametrik. Jakarta : PT Gramedia Pustaka Utama [8] Sturgul, J.R. 1995. Simulation and Animation.

43

Sign up to vote on this title
UsefulNot useful