TA : Rancang Bangun Aplikasi Simulasi Antrian Pelayanan Restoran Cepat Saji Dengan Menggunakan Metode Next-Event Time Advance.

EVENT TIME ADVANCE

Nama : Nurfaisal NIM : 06.41010.0118 Program : S1 (Strata Satu) Jurusan : Sistem Informasi

SEKOLAH TINGGI

MANAJEMEN INFORMATIKA & TEKNIK KOMPUTER SURABAYA

x

ABSTRAK ... vii

KATA PENGANTAR ... viii

DAFTAR ISI ... x

DAFTAR GAMBAR ... xiv

DAFTAR TABEL ... xvii

DAFTAR LAMPIRAN ... xix

BAB I PENDAHULUAN ... 1

1.1. Latar Belakang Masalah ... 1

1.2. Rumusan Masalah ... 4

1.3. Batasan Masalah ... 4

1.4. Tujuan Pembahasan ... 5

1.5. Sistematika Penulisan ... 6

BAB II LANDASAN TEORI ... 8

2.1. Simulasi ... 8

2.2. Antrian ... 12

2.3. Pelayanan ... 12

2.4. Restoran Cepat Saji ... 12

2.5. Next-Event Time Advance ... 13

2.6. Komponen dan Organisasi Model Next-Event Time Advance .... 15

2.7. Pengujian Data ... 18

2.8. Bilangan Acak Uniform ... 20

xi

2.9.2. Distribusi Normal ... 22

2.10. Pengukuran Penggunaan Utilization ... 27

2.11. Database Management System (DBMS) ... 28

2.12. Random Seed (Bibit Bilangan Acak) ... 28

2.13. Entity Relationship Diagram ... 30

2.14. Data Flow Diagram ... 30

2.15. System Flow ... 31

2.16. Testing ... 32

2.16.1. White Box Testing ... 32

2.16.2. Black Box Testing ... 33

2.17. Skala Likert ... 33

BAB III ANALISIS DAN PERANCANGAN SISTEM ... 36

3.1. Analisis Sistem ... 36

3.1.1. Identifikasi Masalah ... 36

3.1.2. Analisis Permasalahan ... 37

3.2. Proses Perhitungan Metode Next-Event Time Advance ... 38

3.3. Perancangan Sistem ... 44

3.3.1. Sistem Flow ... 46

3.3.2. Context Diagram ... 48

3.3.3. Data Flow Diagram Level 0 ... 49

3.3.4. Data Flow Diagram Level 1 ... 50

xii

3.4. Entity Relationship Diagram ... 55

3.5. Struktur Tabel ... 56

3.6. Desain Input Output ... 58

3.6.1. Desain Form Utama ... 59

3.6.2. Desain Form Waktu Pelayanan ... 60

3.6.3. Desain Form Waktu Kedatangan ... 61

3.6.4. Desain Form Perhitungan Distribusi Frekuensi ... 62

3.6.5. Desain Form Perhitungan Distribusi Normal... 63

3.6.6. Desain Form Bilangan Acak ... 64

3.6.7. Desain Form Simulasi Antrian ... 65

BAB IV IMPLEMENTASI DAN EVALUASI ... 66

4.1. Kebutuhan Sistem ... 66

4.1.1. Kebutuhan Perangkat Keras (Hardware Requirements) . 66 4.1.2. Kebutuhan Perangkat Lunak ... 67

4.2. Implementasi Sistem ... 67

4.2.1. Form Utama ... 67

4.2.2. Form Master Waktu Pelayanan ... 68

4.2.3. Form Master Data Waktu Kedatangan ... 69

4.2.4. Form Simulasi ... 70

4.2.4.1. Form Simulasi Perhitungan Distribusi Frekuensi ... 71

xiii

4.2.4.4. Form Simulasi Pelayanan Restoran ... 74

4.2.4.5. Form Simulasi Print ... 75

4.3. Petunjuk Penggunaan Aplikasi ... 76

4.3.1 Petunjuk Memanajemen Waktu Pelayanan ... 76

4.3.2. Petunjuk Memanajemen Waktu Kedatangan ... 77

4.3.2. Petunjuk Proses Simulasi ... 79

4.4. Evaluasi Sistem... 83

4.4.1 Evaluasi Hasil Uji Coba Sistem ... 83

4.4.2. Evaluasi Hasil Uji Coba Pengguna Sistem ... 87

4.4.3. Evaluasi Hasil Uji Coba Perhitungan Aplikasi Dengan Perhitungan Manual ... 88

BAB V PENUTUP ... 100

5.1 Kesimpulan ... 100

5.2 Saran ... 100

DAFTAR PUSTAKA ... 101

BIODATA PENULIS ... 103

1 BAB I PENDAHULUAN

1.1 Latar Belakang

Restoran cepat saji adalah salah satu tempat makan yang banyak diminati oleh konsumen dari segala umur dan kalangan. Hal ini di ungkapkan bebeapa restoran cepat saji dalam annual report sebagai berikut, KFC dalam situs resmi laporan kinerja usahanya menjelaskan bahwa PT. Fast Food Indonesia Tbk. menghasilkan penjualan bersih sebesar Rp. 3,96 triliun dari penjualan makanan dan minuman, yang memberikan 11,5% dari tahun sebelumnya sebesar Rp. 3,55 triliun. Hal ini dapat dilihat pada tabel ikhtisar keuangan pada annual report KFC tahun 2013 tercantum dalam gambar 1.1.

McDonald’s dalam jurnal annual report juga menunjukkan selalu terjadi peningkatan penjualan dan peningkatan pendapatan bersih, hal ini dapat dilihat pada gambar 1.2.

Gambar 1.2 Annual Report McDonald’s 2013

Awal kemunculan restoran ini langsung menarik minat cukup tinggi pada konsumen. Dengan proses antrian pelayanan yang cepat dan mudah membuat daya tarik konsumen semakin meningkat.

Proses bisnis yang ditawarkan dari antrian pelayanan restoran cepat saji ini dimulai dari konsumen datang dan berdiri menunggu untuk dilayani di salah satu

counter berdasarkan urutan waktu kedatangan konsumen dan waktu lamanya

pelayanan konsumen sebelumnya.

Namun seiring dengan berjalannya waktu dan bertambahnya konsumen, masalah demi masalah mulai timbul. Mulai dari permasalahan lamanya konsumen

dilayani yang mengakibatkan waktu tunggu konsumen lain untuk mendapatkan pelayanan menjadi semakin lama, permasalahan lain seperti kapan harus membuka

counter dengan jumlah yang sedikit ketika kondisi restoran tidak begitu ramai, hingga

sampai pemasalahan kapan waktu yang tepat membuka counter baru untuk kondisi restoran yang ramai yang mengakibatkan panjangnya antrian.

Krueger Tumiwa dalam situsnya mengatakan antrian yang panjang di KFC menyebabkan konsumen bosan karena lamanya menunggu. Hal ini terjadi karena restoran cepat saji hanya membuka dua kasir atau bahkan hanya satu kasir dari tiga kasir yang tersedia.

Kesalahan dalam memperkirakan jumlah counter yang akan dibuka di restoran berdampak sangat besar bagi keefektifan pelayanan dan juga keefisiensian restoran dalam hal biaya yang akan dikeluarkan untuk membuka setiap counter. Dalam hal memperkirakan jumlah counter ini pihak restoran membutuhkan data kedatangan konsumen dan juga data lamanya pelayanan konsumen. Namun kondisi kedatangan konsumen yang tidak tetap atau fluktuatif perwaktunya mengakibatkan pihak restoran kesulitan dalam hal menentukan jumlah counter yang akan dibuka pada saat itu.

Dari permasalahan tersebut dapat dilihat bahwa terjadi kesulitan dari pihak restoran cepat saji dalam menentukan jumlah counter yang diperlukan dalam waktu-waktu tertentu yang disebabkan faktor fluktuatifnya jumlah konsumen dalam setiap waktunya. Kesulitan ini nantinya akan mempengaruhi tingkat keefektifan dan keefisienan dari pelayanan restoran tersebut.

Oleh Sebab itu dalam tugas akhir ini dibuatlah sebuah aplikasi simulasi antrian pelayanan. Aplikasi simulasi antrian pelayanan ini menggunakan metode

next-event time advance. Data yang didapatkan untuk membuat aplikasi simulasi

antrian pelayanan adalah data yang bersifat kontinu, maka untuk pengujian distribusinya digunakan distribusi Kolmogorov-Smirnov Normal. Setelah data tersebut diuji, maka program simulasi antrian akan membangkitkan bilangan acak dengan distribusi normal. Kemudian simulasi antrian dapat dijalankan dan hasilnya ditujukan untuk mendapatkan gambaran tentang pengambilan keputusan manajer restoran tentang kapan harus menambah atau mengurangi counter yang beroperasi, sehingga dapat mengoptimalkan efektifitas dan efisiensi tenaga maupun biaya serta meningkatkan kepuasan konsuumen baik dalam hal mengantri yang diharpakan tidak terlalu lama menunggu serta dapat mempercepat pelayanan.

1.2 Rumusan Masalah

Dari latar belakang masalah yang telah diutarakan di atas maka dapat dirumuskan permasalahan yaitu bagaimana merancang dan membangun aplikasi simulasi antrian pelayanan restoran cepat saji dengan menggunakan metode

next-event time advance.

1.3 Batasan Masalah

Sesuai dengan perumusan masalah yang telah diuraikan di atas dan agar permasalahan tidak melebar maka diperlukan beberapa batasan masalah.

1. Program simulasi antrian pelayanan ini digunakan untuk restoran cepat saji di Surabaya.

2. Program simulasi antrian pelayanan di restoran cepat saji didesain dengan metode next-event time advance menggunakan pengujian distribusi

Kolmogorov-Smirnov Normal.

3. Program simulasi ini ditekankan pada waktu kedatangan konsumen ke restoran dan lama pelayanan.

4. Simulasi ini dibuat tanpa memperhatikan jumlah dan jenis pesanan yang dipesan oleh konsumen.

5. Data yang digunakan harus berdistribusi normal.

6. Data yang digunakan dalam program simulasi ini, tidak memperhatikan dari pintu mana konsumen masuk.

7. Untuk membangkitkan bilangan acak, menggunakan distribusi normal.

8. Data yang dipakai untuk pembuatan program merupakan sampel dengan pengambilan sampel dilakukan secara acak.

9. Program simulasi ini tidak membahas tentang metode lain seperti single channel

multi server, multi channel multi server, multi channel single server atau single channel single server.

1.4 Tujuan

Berdasarkan rumusan masalah serta batasan-batasan masalah yang telah disampaikan di atas, maka tujuan pembuatan aplikasi ini adalah menghasilkan rancang bangun aplikasi simulasi pelayanan antrian restoran cepat saji dengan menggunakan metode next-event time

advance, agar menyelesaikan masalah penentuan jumlah counter yang akan dibuka di

restoran cepat saji tersebut.

1.5 Penulisan

Pada penyusunan Tugas Akhir ini, sistematika penulisan dibagi menjadi lima bab. Pada setiap babnya juga terdapat sub-sub bahasan yang menjelaskan isi dari bab secara lebih terperinci. Berikut ini sistematika yang digunakan, yaitu:

BAB I : PENDAHULUAN

Bab ini berisi pendahuluan yang menjelaskan latar belakang, perumusan masalah, pembatasan masalah, tujuan pembuatan tugas akhir, dan sistematika penulisan laporan tugas akhir.

BAB II : LANDASAN TEORI

Bab ini membahas tentang teori-teori penunjang dari berbagai literatur yang berkaitan dengan simulasi, antrian, pelayanan, restoran cepat saji, metode next-event time advance, pengujian data, bilangan acak, distribusi probabilitas (distribusi frekuensi dan distribusi normal), pengukuran penggunaan, database management system, random seed,

entity relationship diagram, data flow diagram, system flow, Testing,

BAB III : ANALISI DAN PERANCANGAN SISTEM

Bab ini menjelaskan tentang model pengembangan yang akan dilakukan, analisis sistem (identifikasi permasalahan dan analisis permasalahan), proses perhitungan metode next-event time advance, perancangan sistem, entity relationship diagram, struktur tabel, dan desain input output.

BAB IV : IMPLEMENTASI DAN EVALUASI

Bab ini menjelaskan tentang implementasi dari rancangan sistem yang telah dibuat mencakup kebutuhan sistem, implementasi sistem, petunjuk penggunaan aplikasi, evaluasi sistem, dan evaluasi hasil perhitungan aplikasi dengan perhitungan manual.

BAB V : PENUTUP

Bab ini merupakan bab terakhir yang berisi kesimpulan dari tugas akhir yang dibuat dan saran-saran yang digunakan untuk pengembangan sistem selanjutnya.

8 BAB II

LANDASAN TEORI

Dalam merancang dan membangun sebuah aplikasi, sangatlah penting untuk mengetahui terlebih dahulu dasar-dasar yang akan digunakan nantinya. Dasar-dasar teori tersebut akan digunakan sebagai landasan berpikir dalam pembuatan aplikasi tersebut sehingga nantinya akan terbentuk suatu aplikasi yang sesuai dengan tujuan pembuatannya.

2.1 Simulasi

Simulasi merupakan salah satu cara untuk memecahkan berbagai persoalan yang dihadapi didunia nyata. Simulasi dapat diartikan sebagai suatu system yang digunakan untuk memecahkan atau menguraikan persoalan-persoalan dalam kehidupan nyata yang penuh dengan ketidakpastian dengan atau menggunakan model atau metode tertentu dan lebih ditekankan pada pemakaian komputer untuk mendapatkan solusinya (Kakiay, 2003).

Menurut Kakiay (2003), keuntungan yang bias diperoleh dengan memanfaatkan simulasi adalah sebagai berikut:

1. Compress Time (Menghemat Waktu)

Kemampuan di dalam menghemat waktu ini dapat dilihat dari pekerjaan yang bila dikerjakan akan memakan waktu tahunan tetapi kemudian dapat disimulasikan hanya dalam beberapa menit, bahkan dalam beberapa kasus hanya dalam hitungan detik.

2. Expand Time (Dapat Melebar-Luaskan Waktu)

Hal ini terlihat terutama dalam dunia statistik di mana hasilnya diinginkan tersaji dengan cepat. Simulasi dapat digunakan untuk menunjukkan perubahan struktur dari suatu system nyata yang sebenarnya tidak dapat diteliti pada waktu yang seharusnya. Dengan demikian simulasi dapat membantu mengubah system nyata tersebut hanya dengan memasukkan sedikit data.

3. Control Source of Variation (Dapat Mengawasi Sumber-sumber yang Bervariasi)

Kemampuan pengawasan dalam simulasi ini tampak terutama apabila analisa statistik yang digunakan untuk meninjau hubungan antara variabel bebas dengan variabel terkait faktor-faktor yang akan dibentuk dalam percobaan. Hal ini dalam kehidupan sehari-hari merupakan suatu kegiatan yang harus dipelajari dan ditanganiserta tidak dapat dipeloreh dengan cepat.

4. Error in Meansurement Correction (Mengoreksi Kesalahan-kesalahan

Perhitungan)

Dalam prakteknya, pada suatu kegiatan ataupun percobaan dapat saja muncul ketidak-benaran dalam mencatat hasil-hasilnya. Sebaliknya, dalam simulasi computer jarang ditemukan kesalahan perhitungan terutama bila angka-angka yang diambil dari computer secara teratur dan bebas. Komputer mempunyai kemampuan untuk melakukan perhitungan dengan akurat.

5. Stop Simulation dan Restart (Dapat Dihentikan dan Dijalankan Kembali)

Simulasi computer dapat dihentikan untuk kepentingan peninjauan ataupun pencatatan semua keadaan yang relevan tanpa berakibat buruk terhadap program simulasi tersebut. Dalam dunia nyata, percobaan tidak dapat dihentikan begitu

saja. Dalam simulasi computer, setelah dilakukan penghentian maka kemudian dapat dengan cepat dijalankan kembali.

6. Easy to Replicate (Mudah Diperbanyak)

Dengan Simulasi computer percobaan dapat dilakukan setiap saat dapat diulang-ulang. Penggunaan dilakukan terutama untuk mengubah berbagai komponen dan variabelnya, seperti dengan perubahan pada parameternya, perubahan pada kondisi operasinya, ataupun dengan memperbanyak outputnya.

Menurut Suryani (2006), model simulasi merupakan tool yang cukup fleksibel untuk memecahakan masalah yang sulit untuk dipecahkan dengan model matematis biasa. Model simulasi sangat efektif digunakan untuk sistem yang relatif kompleks untuk pemecahan analitis dari model tersebut. Penggunaan simulasi akan memberikan wawasan yang lebih luas pada pihak manajemen dalam menyelesaikan suatu masalah. Oleh sebab itu, manfaat yang didapat dengan menggunakan metode simulasi adalah sebagai tool bagi perancangan system atau pembuat keputusan, dalam hal ini manajer untuk menciptakan system dengan kinerja tertentu baik dalam tahap operational.

Simulasi dapat juga dikatakan sebagai proses perancangan model dari suatu sistem nyata dan pelaksanaannya menggunakan eksperimen-eksperimen dengan modul-modul yang bertujuan memahami tingkah laku atau untuk menyusun strategi sehubungan dengan beroperasinya sistem tersebut.

Keandalan simulasi mampu menghadapi kompleksitas permasalahan, mengukur kinerja suatu data yang bervariasi dan mampu memberikan solusi alternatif secara cepat lewat bantuan program komputer. Oleh karena itu model simulasi adalah

jawaban atas ketidakmampuan model analitis. Berikut ini adalah keterbatasan yang dimiliki model analitis:

1. Model analitis tidak mampu menyajikan karakteristik dari sistem tetapi hanya memberikan jawaban tunggal yaitu nilai optimum saja.

2. Model matematika yang digunakan pada model analitis biasanya tidak mampu menyajikan sistem nyata yang biasanya lebih komplek, kalaupun hal ini terjadi biasanya tidak mungkin diselesaikan dengan hanya menggunakan tekhnik analitis yang sudah ada.

3. Model analitis tidak mungkin digunakan untuk hal-hal yang tidak pasti dan mempunyai aspek yang dinamis (fungsi waktu).

Model simulasi dapat digunakan untuk menyelesaikan permasalahan yang komplek tersebut memiliki lima langkah pokok yang diperlukan, langkah-langkah tersebut adalah sebagai berikut:

1. Menentukan sistem atau permasalahan yang akan disimulasikan.

2. Menentukan tujuan simulasi (apa yang harus dipecahkan, dijawab, dan disimpulkan atas permasalahan yang ada) dan hal-hal lain yang mendukung terwujudnya model simulasi.

3. Mengembangkan model simulasi dan uji terhadap kebenaran proses perhitungan yang ada didalamnya.

4. Mengembangkan model simulasi dengan menentukan lamanya simulasi (dilakukan beberapa kali) dan uji.

2.2 Antrian

Pengertian antrian menurut Ma’arif dan Tanjung (2003) adalah situasi barisan tunggu dimana sejumlah kesatuan fisik (pendatang) sedang berusaha untuk menerima pelayanan dari fasilitas terbatas (pemberi pelayanan), sehingga pendatang harus menunggu beberapa waktu dalam barisan agar dilayani.

Sedangkan menurut Heizer and Render (2006) dalam bukunya Operation

Management yang diterjemahkan oleh Setyoningsih dan Almahdy adalah

orang-orang atau barang dalam yang sedang menunggu untuk dilayani.

2.3 Pelayanan

Definisi pelayanan menurut Kotler (2002) adalah setiap tindakan atau kegiatan yang dapat ditawarkan oleh suatu pihak kepada pihak lain, yang pada dasarnya tidak berwujud dan tidak mengakibatkan kepemilikan apapun.

Menurut Assauri (1999) definisi pelayanan adalah bentuk pemberian yang diberikan oleh produsen baik terhadap pelayanan barang yang diproduksi maupun terhadap jasa yang ditawarkan guna memperoleh minat konsumen, dengan demikian pelayanan mempengaruhi minat konsumen terhadap suatu barang atau jasa dari pihak perusahaan yang menawarkan produk atau jasa.

2.4 Restoran Cepat Saji

Menurut Marsum (2000) restoran adalah suatu tempat atau bangunan yang diorganisir secara komersil, yang menyelenggarakan pelayanan dengan baik kepada semua konsumennya baik berupa makanan maupun minuman. Tujuan operasional restoran adalah untuk mencari keuntungan sebagaimana tercantum dalam definisi Prof.

Vanco Christian dari School Hotel Administration di CornellUniversity. Selain bertujuan bisnis atau mencari keuntungan, membuat puas para konsumennya pun merupakan tujuan operasional restoran yang utama.

Restoran cepat saji menurut Marsum (2000) merupakan restoran dengan tempat yang tidak terlalu luas yang sifatnya tidak resmi dengan pelayanan yang cepat, dimana konsumen mengumpulkan makanan mereka diatas baki yang diambil dari atas counter (meja panjang yang membatasi dua ruangan) kemudian membawanya sendiri ke meja makan. Konsumen bebas memilih makanan yang disukai. Makanan yang tersedia umumnya hamburger , roti isi, kentang goreng, ayam goreng, nasi, dan mie.

Adapun definisi restoran cepat saji yang lain adalah salah satu industri di dunia yang berkembang dengan cepat, khususnya di area perkotaan, sebagai tanggapan terhadap gaya hidup modern dengan fleksibilitas yang semakin meningkat. Dengan adanya perubahan gaya hidup serta semakin diterimanya restoran cepat saji oleh masyarakat, maka persaingan antar gerai restoran cepat saji terhadap kualitas produk dan layanan akan semakin menonjol di masa mendatang (Goyal, Anita and Singh, N.P., 2007).

2.5 Next-Event Time Advance

Dengan menggunakan pendekatan Next-Event Time Advance, waktu simulasi diinisialisasikan dengan 0 (nol) dan waktu kejadian pada event selanjutnya dideklarasikan pada saat server melayani sejumlah permintaan dan pesanan. Waktu simulasi kemudian mendekat pada waktu kejadian berikutnya yang paling dekat

(diutamakan) sebagai event selanjutnya, yang menunjuk keadaan sistem yang diperbaharui untuk menjelaskan fakta bahwa suatu kejadian telah berlangsung secara kontinyu. Waktu simulasi dideklarasikan menuju pada waktu yang paling dekat berikutnya berikutnya (kejadian baru), batasan dari sistem diperbaharui, dan waktu simulasi pada suatu kejadian-kejadian yang lain dilanjutkan sampai akhir. Proses pendekatan dari waktu simulasi pada satu kejadian ke kejadian yang lain dilanjutkan sampai akhir. Kondisi pelayanan terhadap konsumen tersebut dianggap terlayani dalam keadaan aman. Dengan melihat batas-batas waktu pelayanan yang selalu berubah kejadiannya, maka peristiwa ini termasuk dalam model Discrete-Event

Simulation, karena dalam periode aktivitas dalam sistem selalu diputar dengan

melompati waktu dari satu waktu kejadian tiap periode ke waktu kejadian yang lainnya.

Gambar 2.1. Ilustrasi Model Next-Event Time Advance (Nurlita H.;2006)

Main Program Timing Routine Event Routine I No Yes Initialization Routine Report Generator INPUT 1. set simulation clock = 0

2. initialization system state and statistical counter

3. initialization event list

1. call the timing routine 2. call event routine i

1. update system state 2. update statistical counter 3. generate future events and add to the event list

Is simulation over

1. computer estimates of interest 2. print report

OUTPUT PROCESS

1. determine the next event type, say, i 2. advance the simulation clock 1

2

2.6 Komponen dan Organisasi Model Next-Event Time Advance

Gambar 2.2. Alur Kontrol Menggunakan Pendekatan Next-Event Time Advance (Nurlita H.;2006)

Walaupun simulasi telah digunakan pada berbagai sistem yang sesungguhnya, namun hampir semua model discrete-event simulation memiliki sejumlah komponen-komponen yang sama serta menyediakan logika dari komponen-komponen-komponen-komponen tersebut, juga menawarkan coding debugging begitu juga perubahan-perubahan lebih lanjut pada program komputer yang berkaitan dengan model-model simulasi. Lebih rinci tentang komponen-komponen yang pasti ada pada discrete event simulation models yang menggunakan Fixed-Increment Time Advance Approach, adalah sebagai berikut:

1. System state (kondisi sistem).

Sekumpulan kondisi (variabel) yang perlu untuk menjelaskan sistem pada waktu tertentu.

2. Simulation clock (jam simulasi)

Variabel yang memberikan nilai waktu simulasi yang sedang berlangsung.

3. Event-list (daftar kejadian).

Suatu daftar yang berisi waktu untuk berikutnya pada saat masing-masing jenis

event (kejadian) yang akan terjadi.

4. Statistical counter (counter statistik).

Variabel-variabel yang digunakan untuk melakukan proses statistik dan penyimpanan sebagai informasi statistik mengenai kemampuan dari sistem.

5. Initialization routine (rutin awal).

Sub rutin yang diperlukan untuk mengawali model simulasi pada saat “0”.

6. Timing routine.

Sub rutin yang akan menetapkan kejadian berikutnya dari event list (daftar kejadian) dan kemudian mempercepat jam simulasi sampai waktu pada saat event tersebut harus terjadi.

7. Event routine.

Sub rutin yang digunakan untuk meng-update (memperbarui) kondisi sistem pada saat suatu jenis event khusus terjadi (ada suatu kejadian untuk masing-masing jenis kejadian).

8. Report generator.

Sub rutin yang digunakan untuk memperhitungkan estimasi-estimasi (dari counter statistical) pada pengukuran-pengukuran kemampuan yang diinginkan dan mencetak report pada saat akhir simulasi.

9. Main program (program utama).

Program yang digunakan untuk memanggil timing routine untuk menetapkan kejadian berikutnya dan kemudian memindahkan (mentransfer) kontrol ke event routine yang telah ditentukan guna meng-update kondisi sistem yang tepat.

Hubungan-hubungan logika (alur kontrol) diantara komponen-komponen

tersebut menunjukkan saat simulasi dimulai dengan zero (“0”) yang kemudian

dipanggil oleh program utama untuk pada awal rutin dan pada saat ini simulation

clock (jam simulasi) dikondisikan pada zero, keadaan system dan statistical counter

diawali dan counter list dimulai. Setelah kontrol dikembalikan pada program utama, maka kontrol memanggil timing routine untuk menentukan jenis event mana yang paling mendekati akan terjadi. Apabila suatu event jenis I adalah event yang akan terjadi, maka jam simulasi dipercepat sampai pasa waktu dimana event jenis I akan terjadi dan kontrol dikembalikan pada program utama. Kemudian, main program memanggil event routine I, dimana terdapat 3 (tiga) jenis aktivitas yang terjadi, yaitu: (1) updating kondisi system sampai kepada fakta bahwa event jenis I telah terjadi; (2) mengumpulkan informasi mengenai system performance dengan cara meng-update

statistical counter; (3) menghasilkan waktu-waktu event untuk kejadian-kejadian

Setelah semua proses dilalui, maka baik event routine I atau program, sebuah check (pemeriksaan) dibuat untuk menentukan (berhubungan dengan beberapa kondisi berhenti) apakah simulasi tersebut harus dibatalkan sekarang atau tidak.

2.7 Pengujian Data

Pada beberapa eksperimen, dibutuhkan suatu proses pengambilan data secara langsung di lapangan atau diperlukan suatu pembangkitan data pada proses eksperimen yang memerlukan simulasi. Pada proses ini tentunya diinginkan adanya kesamaan antara distribusi data yang diperoleh, dengan distribusi data yang tepat secara teori. Oleh karena itu diperlukan suatu proses pengujian kecocokan distribusi.

Distribusi data ada dua macam, distribusi data yang bersifat diskrit dan distribusi data yang bersifat kontinu. Tentunya kedua macam distribusi ini akan berbeda proses pencocokan distribusinya. Untuk distribusi data yang bersifat diskrit, akan tepat jika digunakan pengujian distribusi dengan metode Pearson’s Test

Goodness of Fit. Sedangkan untuk distribusi data yang bersifat kontinu, akan tepat

jika digunakan pengujian distribusi dengan metode Kolmogorov-Smirnov.

Karena data sampel yang didapat oleh penulis merupakan data yang bersifat kontinu, maka untuk pengujian distribusi menggunakan metode Kolmogorov-Smirnov

2.7.1 Pengujian Kolmogorov-Smirnov Normal

Pengujian bertujuan melihat tingkat kesesuaian antara fungsi distribusi hasil pengamatan dengan fungsi distribusi teoritik tertentu, dengan menetapakan suatu titik yang menggambarkan perbedaan maksimum keduanya.

1. Statistik Uji

Menggunakan rumus seperti pada rumus 1. 2. Kriteria Penolakan

Jika nilai T ≥ W1-α , maka H0 ditolak (tabel yang digunakan adalah tabel

Kolmogorov-Smirnov). Langkah-langkah Pengujian :

1) Menetapkan hipotesis awal dan hipotesis tandingan Hipotesis :

H0 : data mengikuti distribusi eksponensial H1 : data tidak mengikuti distribusi eksponensial 2) Menghitung statistik uji

Banyaknya parameter pada distribusi eksponensial adalah β yang menyatakan

nilai rata-rata. Untuk menentukan harga F(x) maka nilai β harus ditentukan dengan menggunakan rumus 2.

3) Menetapkan α (taraf signifikan)

α = 0,05

4) Menentukan daerah penolakan

W1-α didapatkan dari tabel Kolmogorov-Smirnov sesuai dengan n yang ada,

5) Membuat kesimpulan

Membandingkan antara T dengan W1-α , jika T < W1-α maka H0 gagal tolak

dan bila nilai T ≥ W1-α , maka H0 ditolak.

6) Membuat interpensi dari kesimpulan

Jika H0 gagal tolak maka data yang diuji adalah berdistribusi normal.

2.8 Bilangan Acak Uniform

Sekali dan rutin adalah cara untuk membangkitkan bilangan acak uniform yang mempunyai jarak antar bilangannya adalah (0,1). Untuk mendapatkan bilangan acak uniform dapat menggunakan rumus :

Ui = ni/m ... (2.1) Keterangan:

Ui = bilangan acak uniform Ni = data ke i

m = konstanta modulus

2.9 Distribusi Probabilitas

Dalam ketidakpastian permintaan pelanggan yang ada menimbulkan banyak kemungkinan-kemungkinan. Salah satu cara untuk memperkecil beberapa kemungkinan tersebut adalah dengan mempelajari pola dari distribusi probabilitasnya. Distribusi probabilitas teoritis yang sering digunakan dalam fungsi permintaan adalah distribusi Normal, distribusi Poisson, dan distribusi Eksponensial, sebagaimana dijelaskan oleh Tersine (1994) bahwa “The normal, poisson, and

demand functions. The normal distribution has been found describe many demand functions at the factory level; the poisson, at the retail level; and the exponential, at

the wholesale and retail levels”. 2.9.1 Distribusi frekuensi

Untuk dapat memahami data dengan mudah, maka baik data Kualitatif maupun data Kuantitatif harus disajikan dalam bentuk yang ringkas dan jelas.

Salah satu cara untuk meringkas data adalah dengan distribusi frekuensi, yaitu pengelompokan data ke dalam beberapa kelompok atau kelas dan kemudian dihitung banyaknya data yang masuk ke dalam tiap kelas. Distribusi frekuensi menunjukkan jumlah atau banyaknya item dalam setiap kategori atau kelas.

Dalam menentukan kelas yang digunakan pada distribusi frekuensi sebaiknya harus hati-hati. Ada tiga hal yang perlu diperhatikan dalam menentukan kelas bagi distribusi frekuensi untuk data kuantitatih, yaitu jumlah kelas, lebar kelas, dan batas kelas. H.A. Sturges pada tahun 1926 menulis artikel dengan judul: “The Choice of a Class Interval” dalam Journal of the American Statistical Association, yang mengemukakan suatu rumus untuk menentukan banyaknya kelas sebagai berikut:

k = 1 + 3,33 log n ... (2.2)

(Supranto; 2000) Di mana k = banyaknya kelas

n = banyaknya nilai observasi

rumus tersebut diberi nama Kriterium Sturges dan merupakan suatu ancar-ancar tentang banyaknya kelas. Kemudian disarankan interval atau lebar kelas adalah sama

untuk setiap kelas, dan untuk menentukan besarnya kelas (panjang interval) digunakan rumus:

C = �− ᵢ

� ... (2.3) (Supranto; 2000) Di mana c = perkiraan besarnya (class width, class size, class length)

k = banyaknya kelas

Xn = nilai observasi terbesar

Xi = nilaiobservasi terkecil

2.9.2 Distribusi normal

Distribusi normal memegang peranan yang sangat penting dalam statistic inferensial, yaitu sebagai model distribusi probabilitas. Ada 3 (tiga) alasan yang melandasi pentingnya distribusi normal, yaitu :

1. Distribusi normal merupakan model yang sangat baik untuk mendekati frekuensi dari fenomena alam dan sosial jika sampel besar. Populasi berbagai perilaku dan karakteristik alam dan social yang bersekala interval dan rasio umumnya diasumsikan berdistribusi normal.

2. Ada hubungan yang kuat antara besarnya sampel dengan distribusi rata-rata yang diperoleh dari sampel-sampel acak yang diambil dari suatu populasi yang sama. Semakin besar sampel, distribusi rata-rata sampel semakin mendekati normal. 3. Distribusi normal mendekati penghampiran (aproksimasi) yang baik terhadap

distribusi teoritis lainnya yang pada umumnya lebih sulit digunakan untuk memodelkan distribusi peluang.

Model matematik yang digunakan pada distribusi normal adalah :

= 1

� 2�

−1₂(�−�

� )

2

... (2.4) (Element Of Stochastic Process Simulation Gottfried; Byron. S; 1984)

Di mana :

Y = ordinat pada grafik π = 3,1416 (pembulatan)

X = skor yang diperoleh e = 2,7183 (pembulatan)

μ = rata-rata populasi σ = simpangan baku populasi

Karena distribusinya kontinyu, maka cara menghitung probabilitasnya dilakukan dengan jalan menentukan luas di bawah kurvanya, sayangnya fungsi frekuensi normal tidak memiliki integral yang sederhana sehingga probabilitasnya dihitung dengan menggunakan distribusi normal standar di mana variabel normal standar di berikan rumus sebagai berikut :

= − �

� ... (2.5) (Element Of Stochastic Process Simulation Gottfried; Byron. S; 1984) Di mana :

Z = number of standard deviation from X to the mean of this distribution X = nilai tengah

μ = rata-rata (dalam pola distribusi ini didekati dengan , karena menggunakan

data sampel dari populasi)

σ = standard deviation of this distribution (didekati dengan S karena

Kenyataan hidup yang dihadapi setiap hari sering memiliki perilaku berdistribusi normal, baik dalam perhitungan nilai maupun kejadian-kejadian yang lainnya. Distribusi normal memiliki bentuk simetri dengan densitas peluang menyerupai bell (melengkung seperti gambar gunung).

� = 1

� 2�exp − 1 2

�−�

σ ... (2.6) Di mana :

μ = merupakan rata-rata

σ = simpangan baku (standard deviation)

Seperti halnya dengan fungsi gamma dan fungsi poisson maka distribusi normal juga tidak dapat dianalisa dengan integral secara langsung; sehingga dapat dicoba dengan membangkitkan generate random menggunakan simulasi langsung. Untuk sekedar mempermudah dalam pemecahan masalah terhadap data yang

berdistribusi normal di mana nilai σ = 1. Sehingga akan didapat nilai standard normal

Z, rumusnya seperti pada rumus 9.

Sehingga persamaan diatas akan menjadi : � = 1

2� −�0,5

...(2.7) (Element Of Stochastic Process Simulation Gottfried; Byron. S; 1984) Sekarang dapat diketahui bahwa hasil dari kumpulan (rangkaian) sampel yang diambil menunjukkan satu atau beberapa fungsi distribusi statistic, dengan ukuran sampel yang besar (disebut consequence of the central limit theorem) akan menjadi distribusi normal atau bias dianggap distribusa normal.

Dalam hal khusus, bila sampel dapat menunjukkan perilaku dari sejumlah N bialngan acak U(0,1), maka isi dari random number tersebut :

Dari rumus ini untuk mencari Z maka jumlahkan saja sebanyak 12(0,1) dan hasilnya dikurangi dengan 6.

Selanjutnya bila dikehendaki membangkitkan bilangan acak berdistribusi normal dengan rata-rata = μ dan standard deviasi = σ maka dengan mudah bisa dicari dengan persamaan berikut:

= �+ � ...(2.8) (Element Of Stochastic Process Simulation Gottfried; Byron. S; 1984) Dalam distribusi normal standar tersebut diatas, yang pertama harus dilakukan

dengan menentukan μ (jika populasi yang digunakan untuk penelitian) atau

menggunakan (penulis mengambil data berupa data sampel dari populasi yang digunakan dalam penelitian). Rumus yang digunakan dalam menemukan tersebut dapat dihitung dengan menggunakan rumus 2.

Kemudian dalam mencari simpangan baku (σ) dapat didekati dengan S, hal

tersebut dikarenakan data yang diambil merupakan data sampel bukan populasi.

�= ��=0 �( �− )2

� ...(2.9) (Supranto; 2000) Di mana :

n = jumlah sampel dari populasi Xi = nilai tengah

Jadi dalam menggunakan distribusi normal nantinya, penulis dalam mengaplikasikannya akan menggunakan distribusi normal standar tidak menggunakan rumus kumulatif distribusi normal yang ada integralnya.

Untuk membangkitkan bilangan acak berdistribusi normal masih bias dengan menggunakan cara lain yaitu dengan rumus :

= −2lnU1 1

2sin(2πU₂) ...(2.10) atau

= −2lnU1 1

2cos(2πU₂) ...(2.11) (Supranto; 2000) Kedua rumus diatas ini memberikan hasil bilangan acak yang berdistribusi standard normal. Sehingga untuk membangkitkan bilangan acak berdistribusi normal dengan rata-rata μ (didekati dengan ) dan standard deviasi σ (didekati dengan S), maka alur atau flowchart penyelesaian dengan rumus tersebut adalah :

Gambar 2.3. Flowchart Perhitungan Bilangan Random Distribusi Normal

Z = −2lnU1 1 2cos(2πU2)

Z = −2lnU₁ 1 2sin(2πU₂)

atau Generate

U1, U2

X = μ + σZ

NORMS

2.10 Pengukuran Penggunaan (Utilization)

Kebutuhan umum akan simulasi adalah untuk mengukur beban pada suatu entitas. Pengukuran paling sederhana adalah penentuan fraksi waktu penggunaan suatu item selama berlangsungnya simulasi. Istilah penggunaan atau pemanfaatan (utilization) dipakai untuk menggambarkan statistik ini. Untuk mengukur tingkat penggunaan, dibutuhkan rekaman sampai di saat itu adalah saat terakhir penggunaan peralatan. Nilai utilization (u) dapat diperoleh dengan cara membagi waktu total penggunaan dengan waktu total pengaktifan suatu item. Untuk menemukan utilitas sistem pada suatu item, jika item tersebut berjumlah lebih dari satu, maka utilitas sistem didapat dengan menghitung rata-rata dari jumlah utilitas masing-masing item.

2.11 Database Management System (DBMS)

Database adalah sekumpulan data/informasi yang tersimpan secara teratur

berdasarkan criteria/kelompok tertentu, dimana criteria tersebut saling berhubungan satu sama lain. Sedangkan Database Management Sistem (DBMS) adalah kumpulan program perangkat lunak (software) yang memperbolehkan user untuk membuat dan memelihara database. Semua DBMS tersebut disatukan oleh Relational Database

2.12 Random Seed (Bibit Bilangan Acak)

Metode ini menggunakan hubungan kongruensial rekursif, yang mana menggunakan metode ini peruntukkan dalam mengendalikan random number yang akan dibangkitkan pada saat proses simulasi setelah uji distribusi. Berlakunnya

random seed untuk semua distribusi yang hasilnya terima H0, baik itu distribusi

normal, eksponensial, poisson, dan empiris. Berikut rumus metode kongruensial rekursif.

n_i = a∗ n_i−1(mod m) ...(2.12) Dimana :

ni & ni-1 : integer acak

a (pengali) : nilai yang telah ditetapkan m (modulus) : nilai yang telah ditetapkan

perolehan rumus diatas memerlukan beberapa penurunan yang tidak perlu penulis tuangkan dalam buuku ini.

Untuk mendapatkan ni yang bersifat acak tersebut maka nilai-nilai m, n0 dan a ditetapkan sedemikian hingga dengan menggunakan aturan yang telah ditentukan, berikut langkah dalam menentukan perolehan nilai m, n0, dan a :

1. Pertama m ditentukan nilainya sebesar mungkin sesuai dengan kemampuan computer bila menggunakan computer. Dengan w bits setiap word (kemampuan daya tampung memory untuk menerima proses penyimpanan data). Persamaan dalam penentuan nilai m adalah sebagai berikut :

m≅2w−1 ...(2.13) (Watson; 1981)

2. Kedua a ditentukan, dimana proses penentuan niilai a ini harus disesuaikan sedemikian hingga yang mana agar ada hubungan (ketertarikan) antara random

number yang dibangkitkan mulai dari nilai random yang paling kecil, rumus

berikut memungkinkan untuk dapat digunakan :

a≅2w−1 ...(2.14) a ≡ ±3 (mod 8) ...(2.15) (Watson; 1981) 3. n0 dapat juga disebut dengan seed (bibit) diman n0 adalah bilangan integer positif yang ganjil (dengan m dan a yang sama), jika n0 (bibit) yang diberikan nilainya berbeda, maka tetap didapat jumlah bilangan acak yang sama. Dalam arti bahwa dengan bibit yang dimasukkan sebagai inputan sama jika yang dibangkitan bilang acaknya sama hasil yang diperoleh juga sama, dengan bibit yang sama jumlah bilangan acak yang dibangkitkan berbeda hasil yang diperoleh dalam himpunan bilangan acak akan berbeda.

Bila diikuti aturan-aturan ini, maka secara tidak langsung akan diperoleh bilangan acak dengan periode m/4 dengan ni yang didapat berharga mulai dari 1 sampai dengan m-1. Sedangkan untuk mendapatkan bilangan acak yang terdistribusi secara uniform (0,1) akan ditampung dalam memori dengan nilai pointer seperti berikut : u1, u2,…,un; maka bagi saja masing-masing ni dengan m. Rumus yang digunakan untuk memproses langkah tersebut adalah :

ui = ni

m ...(2.16) (Watson, 1981)

Dan perlu diingat lagi bahwa keberadaan random seed sangat menguntungkan bagi user pada saat melakukan proses ulang terhadap data sampel yang sama setelah komputer dimatikan, dimana hasil yang di peroleh ketika random seed sebelumnya akan tersimpan dalam memori computer tanpa harus membangkitkan ulang untuk melihat hasilnya. Atau nilai random yang dihasilkan tidak berubah-ubah pada saat sistem atau aplikasi yang berhubungan dengan simulasi sedang dijalankan. Dari

random seed ini proses simulasi dapat terkendali dengan baik tanpa selalu melakukan

ulang terhadap pembangkitan bilangan acak setiap computer dijalankan.

Random seed pada tugas akhir ini sesuai dengan perangkat keras yang

digunakan yaitu dengan rumus umum :

Rs = - 2wsampai dengan 2w-1 ...(2.17) Dimana :

Rs = random seed w = word size

2.13 Entity Relationship Diagram

Entity Relationship Diagram, atau yang lebih dikenal dengan nama ERD,

digunakan untuk mengimplementasikan, menentukan, dan mendokumentasikan kebutuhan-kebutuhan untuk sistem pemrosesan database.

2.14 Data Flow Diagram

Menurut Kristanto (2004), Data Flow Diagram (DFD) adalah suatu model logika data atau proses yang dibuat untuk menggambarkan darimana asal data dan kemana tujuan data yang keluar dari sisem, di mana data tersebut disimpan, proses

apa yang menghasilkan data tersebut dan interaksi antara data yang tersimpan, dan proses yang dikenakan pada data tersebut.

Data Flow Diagram merupakan suatu metode pengembangan sistem yang

terstruktur (structure analysis and design). Penggunaan notasi dalam data flow diagram sangat membantu untuk memahami suatu sistem pada semua tingkat kompleksitas. Pada tahap analisi, penggunaan notasi ini dapat membantu dalam berkimunikasi dengan pemakai sistem untuk memahami sistem secara logika.

Di dalam data flow diagram, terdapat empat simbol yang digunakan yaitu

process, external entity, data store, dan data flow. Simbol process digunakan untuk

melakukan suatu perubahan berdasarkan data yang dimasukkan dan menghasilkan data dari perubahan tersebut.

2.15 System Flow

Menurut Jogiyanto (2005) system flow adalah bagan yang menunjukkan arus pekerjaan secara menyeluruh dari suatu sistem di mana bagan ini menjelaskan urutan prosedur-prosedur yang ada dalam sistem dan biasanya dalam membuat system flow sebaiknya ditentukan pula fungsi-fungsi yang melaksanakan atau bertanggung jawab terhadap sub-sistem yang ada.

Terdapat berbagai macam bentuk simbol yang digunakan untuk merancang sebuah desain dari sistem, diantaranya adalah terminator, manual operation,

document, process, database, manual input, decision, off-line storage, on-page reference, dan off-page reference.

2.16 Testing

Menurut Romeo (2003), testing adalah proses pemantapan kepercayaan akan kinerja program atau sistem sebagaimana yang diharapkan. Testing software adalah proses mengoperasikan software dalam suatu kondisi yang dikendalikan untuk verifikasi, mendeteksi error dan validasi. Verifikasi adalah pengecekan atau pengetesan entitas-entitas, termasuk software, untuk pemenuhan dan konsistensi dengan melakukan evaluasi hasil terhadap kebutuhan yang telah ditetapkan. Validasi adalah melihat kebenaran sistem apakah proses yang telah dituliskan sudah sesuai dengan apa yang dibutuhkan oleh pengguna. Deteksi error adalah testing yang berorientasi untuk membuat kesalahan secara intensif, untuk menentukan apakah suatu hal tersebut terjadi bilamana tidak seharusnya terjadi atas suatu hal tersebut tidak terjadi. Tase case merupakan suatu tes yang dilakukan berdasarkan pada suatu inisialisasi, masukan, kondisi ataupun hasil yang telah ditentukan sebelumnya. Adapun kegunaan dari tase case ini, adalah sebagai berikut:

1. Untuk melakukan testing kesesuaian suatu komponen terhadap desain White

Box Testing.

2. Untuk melakukan testing kesesuaian suatu komponen terhadap spesifikasi

Black Box Testing.

2.16.1 White Box Testing

Menurut Romeo (2003), white box testing adalah suatu metode desain tase

case yang menggunakan struktur kendali dari desain prosedural. Seringkali white box testing diasosiasikan dengan pengukuran cakupan tes, yang mengukur persentase

jalur-jalur dari tipe yang dipilih untuk dieksekusi oleh test cases. White box testing dapat menjamin semua struktur internal data dapat dites untuk memastikan validasinya.

Cakupan pernyataan, cabang dan jalur adalah suatu teknik white box testing yang menggunakan alur logika dari program untuk membuat test cases. Alur logika adalah cara dimana suatu bagian dari program tertentu dieksekusi saat menjalankan program. Alur logika suatu program dapat dipresentasikan dengan flow graph.

2.16.2 Black Box Testing

Menurut Romeo (2003), black box testing dilakukan tanpa adanya suatu pengetahuan tentang detail struktur internal dari sistem atau komponen yang dites, juga disebut sebagai functional testing. Black box testing berfokus pada kebutuhan fungsional pada software, berdasarkan pada spesifikasi kebutuhan dari software.

Dengan adanya block box testing, perekayasa software dapat menggunakan kebutuhan fungsional pada suatu program. Black box testing dilakukan untuk melakukan pengecekan apakah sebuah software telah bebas dari error dan fungsi-fungsi yang diperlukan telah berjalan sesuai dengan yang diharapkan.

2.17 Skala Likert

Angket atau kuisioner adalah daftar pertanyaan yang diberikan kepada orang lain yang bersedia memberikan respon, sesuai dengan permintaan pengguna. Tujuan dari menyebarkan angket adalah mencari informasi dari responden tanpa khawatir bila responden memberikan jawaban yang tidak sesuai dengan kenyataan (Riduwan, 2005).

Menurut Husein (2003), skala likert berhubungan dengan pernyataan seseorang terhadap sesuatu. Skor pada skala likert berarah positif dan negatif. Skala likert digunakan untuk mengukur sikap, pendapat, dan persepsi seseorang atau kelompok tentang kejadian atau gejala sosial.

Perhitungan skor penilaian untuk setiap pertanyaan (QS) didapatkan dari jumlah pengguna (PM) dikalikan dengan skala nilai (N). Jumlah skor tertinggi (STtot) didapatkan dari skala tertinggi (NT) dikalikan jumlah pertanyaan (Qtot) dikalikan total pengguna (Ptot). Sedangkan nilai persentase akhir (Pre) diperoleh dari jumlah skor hasil pengumpulan data (JSA) dibagi jumlah skor tertinggi (STtot) dikalikan 100%.

Rumus skala likert:

QS(n) = PM x N ...(2.18) STtot = NT x Qtot x Ptot ...(2.19) Pre = JSA / STtot x 100% ...(2.20) Keterangan:

QS(n) = Skor pertanyaan ke-n

PM = Jumlah pengguna yang menjawab N = Skala nilai

STtot = Total skor tertinggi NT = Skala nilai tertinggi Qtot = Total pertanyaan Ptot = Total pengguna Pre = Persentase akhir (%)

JSA = Jumlah skor akhir

Analisis dilakukan dengan melihat persentase akhir dari proses perhitungan skor. Nilai persentase kemudian dicocokkan dengan criteria interpretasi skor yang dapat dilihat pada table 2.1.

Tabel 2.1 Keterangan Nilai

Nilai Keterangan

0% - 20% Sangat Kurang

21% - 40% Kurang

41% - 60% Cukup

61% - 80% Baik

36

Pada bab ini akan dijelaskan mengenai analisis dari permasalahan yang diambil beserta rancangan sistem dari Aplikasi Simulasi Pelayanan Restoran Cepat Saji Dengan Menggunakan Metode Next-event Time Advance.

3.1 Analisis Sistem

3.1.1 Identifikasi Permasalahan

Restoran cepat saji sangat mengutamakan kecepatan dalam pelayanannya. Pelayanan yang dimaksud adalah ketika pelanggan datang ke counter memesan makanan dan dilayani oleh pelayan restoran cepat saji tersebut. Namun seiring dengan berjalannya waktu dan bertambahnya konsumen, masalah demi masalah mulai timbul.

Mulai dari permasalahan lamanya konsumen dilayani yang mengakibatkan waktu tunggu konsumen lain untuk mendapatkan pelayanan menjadi semakin lama, permasalahan lain seperti kapan harus membuka counter dengan jumlah yang sedikit ketika kondisi restoran tidak begitu ramai, hingga sampai pemasalahan kapan waktu yang tepat membuka counter baru untuk kondisi restoran yang ramai yang mengakibatkan panjangnya antrian. Kesalahan dalam memperkirakan jumlah counter yang akan dibuka di restoran berdampak sangat besar bagi keefektifan pelayanan dan juga keefisiensian restoran dalam hal biaya yang akan dikeluarkan untuk membuka

setiap counter. Kesulitan ini nantinya akan mempengaruhi tingkat keefektifan dan keefisienan dari pelayanan restoran tersebut.

3.1.2 Analisis Permasalahan

Dari permasalahan yang ada tersebut, maka berikut adalah analisis dari sistem yang dibuat penulis untuk menyelesaikan. Prosedur pengembangan merupakan rangkaian alur penyelesaian dengan metode next-event time advance yang sudah baku untuk penyelesaian program simulasi yang penulis buat, dan bukan hanya merupakan dasar yang menjadi acuan untuk mengembangkan program tetapi juga untuk memecahkan masalah sesuai dengan kebutuhan yang diperlukan pada saat penyelesaian program.

Hal-hal tersebut akan penulis tuangkan dalam bentuk diagram penelitian seperti gambar 3.1 berikut.

Mulai

Data sampel

Proses Pencatatan Data Kedatangan

dan Pelayanan

Proses Uji Distribusi Kolmogorof Smirnov

Diterima Bangkit Bilangan

Random

Proses Simulasi

Selesai YA

TIDAK Data Kedatangan

dan Pelayanan

Data Bialngan Random

Data Hasil Simulasi

Dalam hal memperkirakan jumlah counter ini pihak restoran membutuhkan data kedatangan konsumen dan juga data lamanya pelayanan konsumen. Namun kondisi kedatangan konsumen yang tidak tetap atau fluktuatif perwaktunya mengakibatkan pihak restoran kesulitan dalam hal menentukan jumlah counter yang akan dibuka pada saat itu. Oleh Sebab itu dalam tugas akhir ini dibuatlah sebuah aplikasi simulasi antrian pelayanan. Aplikasi simulasi antrian pelayanan ini menggunakan metode next-event time advance.

Data yang didapatkan untuk membuat aplikasi simulasi antrian pelayanan adalah data yang bersifat kontinu, maka untuk pengujian distribusinya digunakan distribusi Kolmogorov-Smirnov Normal. Setelah data tersebut diuji, maka program simulasi antrian akan membangkitkan bilangan acak dengan distribusi normal. Kemudian simulasi antrian dapat dijalankan dan hasilnya ditujukan untuk mendapatkan gambaran tentang pengambilan keputusan manajer restoran tentang kapan harus menambah atau mengurangi counter yang beroperasi.

3.2 Proses Perhitungan Metode Next-Event Time Advance

Waktu antar kedatangan merupakan selang waktu antar kedatangan pelanggan ke t dan ke t+1. Dari data waktu antar kedatangan ini akan dilakukan pendugaan sementara distribusi probabilitas waktu antar kedatangan dengan cara menghitung koefisiensi variasi data dari hasil pengamatan. Dengan pendugaan sementara distribusi waktu antar kedatangan seperti pada table 3.1 berikut:

Tabel 3.1 Distribusi Frekuensi Waktu Antar Kedatangan No. Batas

Bawah

Batas

Atas Fi Xi fiXi

Xbar =

∑fixi : n Xi2 fi.Xi2 Simpangan Baku

1 10 25 7 22 154 484 3388

2 26 41 11 38 418 1444 15884

3 42 57 10 54 540 2916 29160

4 58 73 28 70 1960 4900 137200

5 74 89 18 86 1548 7396 133128

6 90 105 21 102 2142 10404 218484

7 106 121 5 118 590 13924 69620

100 490 7352 73.52 41468 606864 25.88728

Simpangan baku yang diperoleh dari table diatas adalah 25.88728 dan hasil dari distribusi frekuensi di atas di uji dengan distribusi normal dan menghasilkan suatu nilai Z. Kemudian nilai Z akan dicocokkan dengan table distribusi normal seperti tampak pada table 3.2

Tabel 3.2 Uji Distribusi Normal Waktu Antar Kedatangan No. Batas

Bawah

Batas Atas

Z = (Xi -

Xbar )/S F(x) Dari Tabel Dis Normal

1 10 25 -1.990167 0.0233

2 26 41 -1.372103 0.0853

3 42 57 -0.754038 0.2266

4 58 73 -0.135974 0.4483

5 74 89 0.4820901 0.6844

6 90 105 1.1001543 0.8643

7 106 121 1.7182186 0.9564

Jika nilai F(X) telah didapatkan melalui tabel distribusi normal maka selanjutnya akan melakukan uji dengan kolmogorof smirnov seperti pada tabel 3.3 di bawah ini, dimana nilai dari frekuensi kumulatif didapat dari kumulatif nilai Fi atau nilai

frekuensi. Nilai S(X) didapatkan dari nilai frekuensi kumulatif dibagi dengan Xbar atau jumlah data yang telah ada.

Tabel 3.3 Uji Distribusi Normal Waktu Antar Kedatangan No. Batas

Bawah

Batas Atas

Frekuensi

Komulatif S(X) F(X)-S(X) |F(X)-S(X)|

1 10 25 7 0.07 -0.0467 0.0467

2 26 41 18 0.18 -0.0947 0.0947

3 42 57 28 0.28 -0.0534 0.0534

4 58 73 56 0.56 -0.1117 0.1117

5 74 89 74 0.74 -0.0556 0.0556

6 90 105 95 0.95 -0.0857 0.0857

7 106 121 100 1 -0.0436 0.0436

Dari tabel uji distribusi normal didapatkan nilai |F(X) – S(X)| yang tertinggi (terbesar) kemudian bandingkan dengan nilai dari table Kolmogorov Smirnov.

Dengan tingkat kepercayaan α = 0.05 dengan n = 100, maka:

1. Jika Thitung < W1-α = maka H0 Gagal Tolak 2. Jika Thitung ≥ W1-α = maka H0 DiTolak

Dari perhitungan diatas Thitung = 0,1117 < W1-α = 0,134, jadi hasil dari uji distribusi Normal ini H0 Gagal Tolak (diterima). Maka dapat disimpulkan bahwa data waktu kedatangan konsumen berdistribusi Normal lalu akan dibangkitkan bilangan random sesuai dengan hasil uji distribusi yang telah diterima.

Setelah diketahui data telah berdistribusi normal, selanjutnya adalah membangkitkan bilangan acak dengan menggunakan data berdistribusi normal tersebut.

Cara pembangkitan bilangan acak dengan menggunakan perhitungan sebagai berikut: U_{i = ni/m}

Keterangan:

Ui = bilangan acak uniform Ni = data ke i

m = konstanta modulus Contoh:

Data bilangan acak ke-1 diperoleh dari data waktu kedatangan dibagi konstanta modulus.

Data waktu kedatangan ke-1 = 60 Konstanta modulus 1 (untuk Ati) = 124 Konstanta modulus 2 (untuk Sti) = 128

Jadi: U1 Ati = 60 / 124 = 0,46875 U1 Sti = 60 / 128 = 0,48387 U2 Ati = 53 / 124 = 0,41406 U2 Sti = 53 / 128 = 0,42742 U3 Ati = 20 / 124 = 0,15625 U3 Sti = 20 / 128 = 0,16129 U4 Ati = 60 / 124 = 0,46875 U4 Sti = 60 / 128 = 0,48387 U5 Ati = 28 / 124 = 0,21875 U5 Sti = 28 / 128 = 0,22581 U6 Ati = 15 / 124 = 0,11719 U6 Sti = 15 / 128 = 0,12097 U7 Ati = 27 / 124 = 0,21094 U7 Sti = 27 / 128 = 0,21774 U8 Ati = 10 / 124 = 0,07813 U8 Sti = 10 / 128 = 0,08065 U9 Ati = 65 / 124 = 0,50781 U9 Sti = 65 / 128 = 0,52419 U10 Ati = 42 / 124 = 0,32813 U10 Sti = 42 / 128 = 0,33871,dst.

Setelah data bilangan acak telah dibangkitkan dengan distribusi normal, selanjutnya proses dimulai simulasi antrian pelayanan restoran cepat saji dilakukan dengan menentukan terlebih dahulu waktu pelayanan, jumlah fasilitas, dan maksimum waktu tunggu.

Contoh kebijakan perusahaan dalam pelayanan:

Waktu pelayanan = shift pagi (shift ada tiga: pagi, siang, dan malam).

Jumlah counter yang dibuka = 3 fasilitas (fasilitas akan akan diijinkan ditambah jika waktu tunggu counter melebihi maksimum waktu tunggu).

Maksimum waktu tunggu = 60.

Ketiga data tersebut akan digunakan sebagai inputan dalam proses simulasi antrian pelayanan restoran cepat saji ini. simulasi dimulai dengan waktu kedatangan pelanggan ke-1 (At1) mengecek kondisi counter 1 yaitu kosong atau sedang melayani pelanggan. Ketika kosong maka pelanggan ke-1 akan langsung dilayani di counter 1. Namun jika counter 1 sedang melayani, maka harus dicek lagi lamanya pelayanan

counter tersebut melebihi maksimum waktu tunggu atau tidak melebihi maksimum

waktu tunggu. Jika tidak melebihi waktu tunggu maksimum maka pelanggan akan dilayani dengan syarat harus menunggu pelanggan sebelumnya selesai dilayani. Sedangkan jika melebihi maksimum waktu tunggu maka pelanggan akan dilayani di

counter baru (counter 2). Alur perhitungan tersebut digunakan sampai proses

Tabel 3.5 Simulasi Restoran Cepat Saji

3.3 Perancangan Sistem

Penelitian yang dilakukan merupakan pembuatan program simulasi pengolahan data yang mewakili perilaku dari sistem yang benar-benar mengacu pada kejadian-kejadian yang nyata untuk pelayanan konsumen dan strategi penyediaan meja di restoran cepat saji.

Program simulasi ini bertujuan untuk memprediksikan jumlah counter pelayanan yang disiapkan pada hari dan segment waktu yang ditentukan.

Pada permasalahan tersebut di atas penulis mendapatkan beberapa event yang terjadi yaitu event kedatangan, dan event pelayanan. Setelah data setiap event sudah didapatkan, penulis akan menganalisa data tersebut dengan menerapkannya pada program simulasi tersebut sehingga penulis dapat melihat perilaku data pada setiap event yang ada.

Simulasi pelayanan restoran cepat saji ini menggunakan metode next-event

time advance. Berikut ini adalah gambar blok Berikut gambar diagram penelitian

program simulasi dengan menggunakan metode next-event time advanced. Mulai

Setting permasalahan (tujuan dan perumusan)

Proses pengumpulan data yang Dibutuhkan

Data kedatangan,dan lama pelayanan perhari yang dibutuhkan

sesuai dengan permasalahan

Proses menentukan variabel yang dibutuhkan sesuai dengan

permasalahan

Data yang sudah diketahui jenis dan variabel yang diperlukan

Proses pembuatan HIPO, DFD, ERD, dan desai Input Output

Data hasil

HIPO Data hasil DFD

Data hasil ERD

Data hasil desain Input

Output

Proses pembuatan aplikasi simulasi antrian pelayanan pada restoran

cepat saji

Selesai

Gambar 3.2 Diagram Penelitian

Pada gambar 3.2 merupakan rangkaian dari alur yang di mulai dengan mengidentifikasi masalah, merumuskan masalah dan tujuan, mengumpulkan data, menentukan data yang dibutuhkan dan variabel untuk proses program simulasi, merancang sistem, dan lain-lain yang dibutuhkan hingga membuat laporan dari program simulasi tersebut.

Sedangkan program yang telah dijalankan memuat data-data yang berdistribusi countinu, maka memungkinkan bahwa penggunaan uji distribusi nantinya akan menggunakan distribusi kolmogorof-smirnov. Penulis dalam

mengembangkan program ini tidak menggunakan alat bantu apapun selain murni dari pengembangan rumus-rumus yang ada di buku teori statistik.

Model yang digunakan dalam diagram proses pelayanan yang akan dilakukan:

Gambar 3.3 Diagram Blok Simulasi Pelayanan Restoran Cepat Saji

3.3.1 System flow

Desain System Data Flow Diagram (DFD) menggunakan Power Desaigner 6.

Proses Analyst, untuk Desain Database digunakan Power Desaigner 6. Conceptual Data Model (CDM) dan Physical Data Model (PDM). Untuk system flow digunakan

tool Microsoft Visio 2007.

Tugas akhir ini merupakan rancang bangun perangkat lunak, dibuat untuk membangun sebuah simulasi pelayanan yang dapat digunakan untuk menentukan jumlah counter pelayanan guna menunjang efesiensi dan efektifitas pelayanan

restoran tersebut dengan menggunakan metode Next-Event Time Advance. Alur proses sistem yang akan dibuat digambarkan sebagai berikut :

Simulasi Pelayanan Restoran Cepat Saji

Manajer Area Manajemen Perusahaan Restoran Cepat Saji Data Kedatangan Customer Penyimpanan sampel Data Lama Pelayanan Customer Master Data Pembuatan data sampel Frekuensi Pengujian Distribusi Data Sampel Pembangkitan Bilangan Acak Rumus Normal Bilangan Acak Simulasi Rumus Simulasi Laporan yang dibutuhkan Laporan Pembuatan Laporan

Gambar 3.4 System Flow Simulasi Pelayanan Restoran Cepat Saji

Berdasarkan gambar di atas dapat dilihat bahwa bagian manajemen menerima berbagai data yang diperlukan dalam melakukan simulasi. Seperti data kedatangan customer dan data lama pelayanan customer. Sehingga mendapatkan hasil akhir simulasi yang akan dibuat dalam bentuk laporan yang akan diberikan kepada pihak manajer area.

3.3.2 Context diagram

Context diagram pada untuk proses simulasi pelayanan restoran cepat saji

dapat dilihat pada gambar di bawah ini.

data lama pelayanan data kedatangan kons umen

data laporan yang diminta Laporan Hasil Simulasi per segment Waktu

0 Simulasi Pelayanan Res toran Cepat

Saji ₊ Manajer

Area

Gambar 3.5 Context Diagram Simulasi Pelayanan Restoran Cepat Saji

Dalam context diagram di atas, terdapat satu entity yaitu Manager Area.

Context Diagram ini dimulai dari Manajer Area yang menginputkan data berupa data

kedatangan, dan lama pelayanan konsumen per segment waktu yang nantinya data-data ini diuji kenormalan distribusinya dengan uji distribusi normal. Setelah itu melakukan pembangkitan bilangan acak dan kemudian data tersebut disimulasikan. Dari data-data yang ada tersebut, digunakan oleh Manajer Area untuk melihat laporan berupa laporan hasil simulasinya yang nantinya akan digunakan untuk pengambilan keputusan oleh pihak Manajer Area.

Context Diagram ini akan dipecah lagi menjadi data flow diagram (DFD)

level 0 ke dalam beberapa proses yaitu proses maintenance, penyimpanan data sampel, proses perhitungan frekuensi, dan pembuatan laporan.

3.3.3 Data Flow Diagram Level 0

data sampel data lama pelayanan

Data Sampel data kedatangan konsumen

data laporan yang diminta data kelas frekuensi

Laporan Hasil Simulasi per segment Waktu

hasil simulasi hasil simulasi data kelas Manajer Area 2 Perhitung an Simulasi + 3 Pembuatan Laporan +

1 Data Sampel

3 Frekuensi

2 Simulasi 1

Maintenance +

Gambar 3.6 Data Flow Diagram Level 0 Proses Simulasi Pelayanan Restoran Cepat Saji

Seperti yang telah dijelaskan diatas, DFD level 0 ini terdapat tiga proses yaitu proses maintenance, proses perhitungan simulasi dan pembuatan laporan. Pada DFD level 0 ini dimulai dari Manajer Area memberikan inputan data kedatangan konsumen yang akan akan diproses menjadi tabel data sampel dan tabel data rumus. kemudian dengan inputan data lama pelayanan, data sampel, data kelas, dan data rumus yang diproses dalam perhitungan simulasi akan menghasilkan data hasil simulasi. hasil simulasi yang disimpan ke dalam tabel simulasi digunakan untuk proses keempat

yaitu pembuatan laporan yang nantinya laporan tersebut yang berupa laporan hasil simulasi per segment waktu diterima oleh manager area.

3.3.4 Data Flow Diagram Level 1

A. Data Flow Diagram Level 1 Proses Maintenance

Gambar 3.7 Data Flow Diagram Level 1 Proses Maintenance

Pada proses ini terdapat dua inputan dari Manager Area untuk dua proses yang ada. Inputan berupa data kedatangan konsumen digunakan dalam proses penentuan data sampel. Hasil dari proses proses menentukan urutan data sampel yang berupa data sampel akan disimpan ke dalam tabel data sampel.

B. Data Flow Diagram Level 1 Proses Perhitungan Simulasi

Gambar 3.8 Data Flow Diagram Level 1 Proses Perhitungan Simulasi

Pada proses ini, terdapat empat proses yaitu proses uji frekuensi, uji distribusi normal, pembangkitan bilangan acak, dan simulasi. Proses dimulai data sampel yang digunakan sebagai inputan perhitungan pada proses uji frekuensi dan menghasilkan data kelas frekuensi yang kemudian disimpan kedalam tabel frekuensi. Data yang ada pada tabel frekuensi digunakan pada proses uji distribusi normal. Data tersebut digunakan untuk menguji sifat distribusinya. Dan hasil dari pengujian tersebut berupa data hasil distribusi normal dan kemudian disimpan kedalam tabel normal. Setelah itu data dari tabel normal digunakan pada proses pembangkitan bilangan acak dengan tambahan inputan data sampel dari tabel data sampel yang akan disimpan ke dalam tabel bilangan acak dan data tabel acak tersebut akan diolah pada proses simulasi untuk menentukan data hasil simulasi.

C. Data Flow Diagram Level 1 Proses Pembuatan Laporan

Gambar 3.9 Data Flow Diagram Level 1 Proses Pembuatan Laporan

Pada proses ini Manajer Area melakukan inputan data laporan yang diminta dan akan diproses pada proses permohonan laporan untuk menentukan jenis laporan yang dibutuhkan tersebut. Kemudian melakukan proses pembuatan laporan tersebut dan memberikannya kembali kepada Manajer Area.

3.3.5 Data Flow Diagram Level 2

A. Data Flow Diagram Level 2 Proses Uji Frekuensi

Gambar 3.10 Data Flow Diagram Level 2 Proses Uji Frekuensi

Pada gambar diatas, data sampel dari tabel data sampel diolah dalam proses pembuatan kelas distribusi frekuensi dengan perhitungan-perhitungan tertentu. Hasil

dari proses ini diproses dalam penentuan frekuensi untuk mencari nilai dari kelas distribusi frekuensinya dan kemudian disimpan ke dalam tabel frekuensi.

B. Data Flow Diagram Level 2 Proses Uji Distribusi Normal Data

Gambar 3.11 Data Flow Diagram Level 2 Proses Uji Distribusi Normal Data

Pada proses ini proses dimulai pada data kelas dari tabel frekuensi dilakukan perhitungan mencari nilai kolmogorov smirnov yang akan digunakan pada proses menentukan uji distribusi normal. Hasil dari proses menentukan uji distribusi normal ini berupa data hasil distribusi normal yang kemudian akan disimpan ke dalam tabel normal.

C. Data Flow Diagram Level 2 Proses Pembangkitan Bilangan Acak

Gambar 3.12 Data Flow Diagram Level 2 Proses Pembangkitan Bilangan Acak

Proses awal dimulai dari data dari data sampel diproses dengan perhitungan-perhitungan untuk pembangkitan bilangan acak sesuai dengan kebutuhan dalam proses simulasi. Hasil dari masing-masing proses pembangkitan bilangan acak diolah melalui proses penyimpanan dan hasilnya disimpan ke dalam tabel acak.

D. Data Flow Diagram Level 2 Proses Simulasi

Pada gambar diatas, data dari tabel bilangan acak, data lama pelayanandan data sampel diolah dalam proses perhitungan simulasi dengan perhitungan-perhitungan tertentu. Dan hasil dari proses ini lakukan penyimpulan kedalam proses dalam proses penyimpulan hasil simulasi untuk disimpan ke dalam tabel simulasi.

3.4 Entity Relationship Diagram

Entity Relatioship Diagram digunakan untuk menginterpretasikan,

menentukan, dan mendokumentasikan kebutuhan-kebutuhan untuk pemrosesan sistem database serta menunjukkan relationship dari beberapa data dalam entity yang saling berhubungan dalam sistem.

Berikut adalah entity relationship diagram yang dibuat dalam merancang

system database yang terdapat dalam gambar conceptual data modelling (CDM) dan physical data modelling (PDM).

Gambar 3.14 Conceptual Data Modelling melakukan dibangkitkan dibut uhkan membuat Master Data data no urut Normal W Z F(x) frekuensi komulatif S(X) FXSX parsial FXSX Frekuensi

Simpang Baku batas atas batas baw frekuensi fi xi fi xi xi kuadrat fi xi kuadrat Xbar

Bilangan Ac ak data acak ati data acak sti no Simulasi

no s imulasi ati sti Ai Bi Wti ITi counter Wti M ax Waktu Pelayanan

Gambar 3.15 Physical Data Modelling

3.5 Struktur Tabel

Dalam hal merancang struktur tabel yang diperlukan, meliputi nama tabel nama atribut, tipe data pelengkap seperti primary key. Rancangan basis data aplikasi ini menggunakan data base Microsoft SQL Server 2007 dan terdiri dari tabel-tabel sebagai berikut:

1) Tabel Data Sampel Nama Tabel : Data Sampel

Fungsi : Untuk menyimpan data sampel atau data dasar untuk kebutuhan simulasi

SI MPANG_BAKU = SIMPANG _BAKU

SI MPANG_BAKU = SIMPANG _BAKU

DATA_ACAK_ATI = DAT A_ACAK_ATI DATA_ACAK_STI = DAT A_ACAK_STI

DATA = DATA

MASTER_DATA NO_URUT integer DATA integer NORMAL Z float F_X_ float X_BAR float S_X_ float HASIL varchar(35) KOLM float SIMPANG_BAKU float W float FREKUENSI BATAS_ATAS varchar(25) BATAS_BAW integer FREKUENSI_FI integer SIMPANG_BAKU float DATA integer XI integer FI_XI integer XI_KUADRAT integer FI_XI_KUADRAT integer XBAR float BILANGAN_ACAK DATA_ACAK_ATI float DATA_ACAK_STI float SIMPANG_BAKU float NO integer SIMULASI NO_SIMULASI integer ATI timestamp STI integer AI char(1) BI timestamp WTI integer ITI integer DATA_ACAK_ATI float DATA_ACAK_STI float COUNTER integer WTI_MAX timestamp WAKTU_PELAYANAN time

Tabel 3.6 Data Sampel

Kolom Panjang Tipe Keterangan

No urut 3 Integer

Data 3 Integer PK

2) Tabel Frekuensi Nama Tabel : Frekuensi

Fungsi : Untuk menyimpan data distribusi frekuensi Tabel 3.7 Frekuensi

Kolom Panjang Tipe Keterangan

Simpang Baku 4 Float PK

Data 3 Integer FK

Batas Atas Integer

Batas Bawah Integer

Xi Integer

Fi Integer

Fi.Xi Integer

Xi Kuadrat Integer

Fi.Xi Kuadrat Integer

Xbar 4 Float

3) Tabel Acak Nama Tabel : Acak

Fungsi : Untuk menyimpan bilangan acak Tabel 3.8 Acak

Kolom Panjang Tipe Keterangan

Data Acak Ati 4 Float PK

Data Acak Sti 4 Float

No Integer

Data 3 Integer FK

4) Tabel normal Nama Tabel : Normal

Fungsi : Untuk menyimpan data hasil perhitungan distribusi normal Tabel 3.9 Normal

Kolom Panjang Tipe Keterangan

W 4 Float

Simpang Baku 4 Float FK

Z 4 Float

F(x) 4 Float

Frekuensi Komulatif Integer

S(x) 4 Float

F(x)-S(x) 4 Float

| F(x)-S(x) | 4 Float

5) Tabel Simulasi Nama Tabel : Simulasi

Fungsi : Untuk menyimpan data hasil simulasi

Tabel 3.10 Simulasi

Kolom Panjang Tipe Keterangan

No Simulasi Integer PK

Data Acak Ati 4 Float FK

Ati 4 Timestamp

Sti 4 Timestamp

Ai Time

Bi Time

Wti 4 Timestamp

ITi 4 Timestamp

Counter Integer

Wti Max 3 Timestamp

Waktu Pelayanan Time

3.6 Desain Input Output

Desain Input Output (I/O) merupakan rancangan awal dari pembuatan suatu aplikasi. Desain I/O sangat membantu dalam mempercepat proses pengembangan serta mengetahui dengan lebih jelas alur program yang akan di rancang. Desain I/O

menggambarkan desain sistem dalam bentuk form-form yang mengimplementasikan inputan dan rancangan output yang berupa laporan-laporan dimana laporan-laporan tersebut digunakan sebagai dokumentasi. Desain I/O untuk aplikasi simulasi pelayanan restoran cepat saji dengan menggunakan metode next-event time advanced dapat digambarkan sebagai berikut:

3.6.1 Desain form utama

Applikasi Simulasi Antrian

Waktu Pelayanan

Data Waktu Kedatangan

Simulasi

Menu Utility MENU

Gambar 3.16 Desain Form Utama

Pada gambar 3.16 di atas merupakaan desain form utama. Form utama adalah form yang pertama kali muncul ketika aplikasi dijalankan. Pada form ini terdapat menu yang merupakan navigasi untuk mengakses form-form berikutnya. Navigasi

menu terdapat di bagian sebelah kiri. Navigasi menu terbagi menjadi 4 bagian yaitu Utility, Waktu Pelayanan, Data Waktu Kedatangan, dan Simulasi.

3.6.2 Desain form master waktu pelayanan

Applikasi Simulasi Antrian

Waktu Pelayanan

Data Waktu Kedatangan

Simulasi

Menu Utility MENU

Data Baru Simpan Data Hapus Data Keluar

Nama

Jam Awal Jam Akhir

Nama Jam Awal Jam Akhir

Ati Rentang Acak

Sti Rentang Acak

Gambar 3.17 Desain Form Master Waktu Pelayanan

Pada gambar 3.17 di atas merupakan form master waktu pelayanan. Form master waktu pelayanan ini berfungsi untuk melakukan manajemen terhadap data waktu pelayanan yang dimiliki oleh perusahaan. Pada form ini pengguna dapat memasukkan data waktu pelayanan baru, melakukan perubahan terhadap data waktu

pelayanan yang ada, ataupun menghapus data waktu pelayanan. Terdapat beberapa isian yang diperlukan yaitu nama waktu pelayanan (berdasarkan pembagian jam kerja), jam awal, jam akhir, rentang acak, Ati (indeks waktu kedatangan pelanggan), dan Sti (indeks waktu lama pelayanan). Data yang telah tersimpan akan terlihat pada tabel di sebelah kiri, dan apabila akan dilakukan perubahan data atau menghapus data dapat dilakukan dengan memilih data pada tabel tersebut.

3.6.3 Desain form Master Waktu Kedatangan Applikasi Simulasi Antrian

Waktu Pelayanan

Data Waktu Kedatangan

Simulasi

Menu Utility MENU

Data Baru Simpan Data Hapus Data Keluar

Nama Data Keterangan Jumlah Data

Ati Data

Import Excel

Gambar 3.18 Desain Form Master Waktu Kedatangan

Pada gambar 3.18 di atas merupakan form master waktu kedatangan. Form master waktu kedatangan berfungsi untuk melakukan manajemen terhadap data waktu kedatangan yang dimiliki oleh perusahaan. Pada form ini pengguna dapat memasukkan data waktu kedatangan baru, melakukan perubahan terhadap data waktu kedatangan yang ada, ataupun menghapus data waktu kedatangan. Terdapat dua cara

pengisian yaitu berupa pengisian langsung, dan pengisian melalui pengambilan data pada data yang telah tersimpan di excel. Pengisian langsung memiliki isian yang diperlukan yaitu waktu kedatangan . Data yang telah tersimpan akan terlihat pada tabel di sebelah kiri, dan apabila akan dilakukan perubahan data atau menghapus data dapat dilakukan dengan memilih data pada tabel tersebut.

3.6.4 Desain form perhitungan distribusi frekuensi

Applikasi Simulasi Antrian

Waktu Pelayanan

Data Waktu Kedatangan

Simulasi

Menu Utility MENU

Nama

Jam Awal Jam Akhir

Ati Rentang Acak

Sti Rentang Acak

Applikasi Simulasi Antrian

Waktu Pelayanan

Data Waktu Kedatangan

Simulasi Menu Utility MENU X bar Simpang Baku Grafik

No Batas Bawah Batas Atas Frekuensi (fi) Nilai Tengah (Xi) Fi x Xi Xi 2 _{Fi x Xi} 2 Data

Data

Data Baru_FrekuensiDistribusi Simpan DataUji Distribusi _Normal Bilangan AcakHapus Data SimulasiKeluar Simpan DataPrint Hapus DataKeluar

Gambar 3.19 Desain Form Perhitungan Distribusi Frekuensi

Pada gambar 3.19, terdapat desain Form Perhitungan Distribusi Frekuensi. Form simulasi perhitungan distribusi frekuensi berfungsi untuk melakukan proses perhitungan distribusi frekuensi pada data waktu kedatangan (data sample) guna menguji distribusi frekuensinya.

3.6.5 Desain form uji distribusi normal

Applikasi Simulasi Antrian

Waktu Pelayanan

Data Waktu Kedatangan

Simulasi

Menu Utility MENU

Nama

Jam Awal Jam Akhir

Rentang Acak Applikasi Simulasi Antrian

Waktu Pelayanan

Data Waktu Kedatangan

Simulasi

Menu Utility MENU

Grafik

No Batas Bawah Batas Atas Z F(X) dari tabel Frekuensi _Komulatif S(X) _{Fi x Xi} 2

Data

Data

F(X) - S(X) | F(X) - S(X)

W = Data BaruDistribusi Simpan Data Hapus Data Keluar

Frekuensi

Uji Distribusi

Normal Bilangan Acak Simulasi Simpan DataPrint Hapus DataKeluar

Gambar 3.20 Desain Form Perhitungan Distribusi Normal

Pada gambar 3.20, terdapat desain Form Uji Distribusi Normal. Pada Form uji distribusi normal berfungsi untuk melakukan proses uji distribusi normal setelah data terlebih dahulu diuji distribusi frekuensinya.

3.6.6 Desain form bilangan acak

Applikasi Simulasi Antrian

Waktu Pelayanan

Data Waktu Kedatangan

Simulasi

Menu Utility MENU

Nama

Jam Awal Jam Akhir

Applikasi Simulasi Antrian

Waktu Pelayanan

Data Waktu Kedatangan

Simulasi

Menu Utility MENU

Data

Data

Bilangan Acak _{Bilangan Acak}

Bilangan Acak Ati Konstanta Modulus

Bilanagan Acak Sti Konstanta Modulus Data BaruDistribusi Simpan Data Hapus Data Keluar

Frekuensi

Uji Distribusi

Normal Bilangan Acak Simulasi Simpan DataPrint Hapus DataKeluar

Gambar 3.21 Desain Form Bilangan Acak

Pada gambar 3.21, terdapat desain form bilangan acak. Form bilangan acak berfungsi untuk melakukan proses pembangkitan bilangan acak setelah data terlebih dahulu dipastikan berdistribusi normal.

97

C.2 Perhitungan pembangkitan bilangan acak melalui aplikasi

Perhitungan pembangkitan bilangan acak melalui aplikasi dilakukan secara otomatis dengan menekan tombol bilangan acak.

Gambar 4.22 Form hasil pembangkitan bilangan acak

D. Perhitungan Simulasi Restoran Cepat Saji

D.1 Perhitungan simulasi resrtoran cepat saji sacara manual

Perhitungan simulasi restoran cepat saji secara manual dimulai simulasi antrian pelayanan restoran cepat saji dilakukan dengan menentukan terlebih dahulu waktu pelayanan, jumlah fasilitas, dan maksimum waktu tunggu.

Contoh:

Waktu pelayanan = shiff pagi

Jumlah counter yang dibuka = 3 fasilitas Maksimum waktu tunggu = 60

98

Ketiga data tersebut akan digunakan sebagai inputan dalam proses simulasi antrian pelayanan restoran cepat saji ini. simulasi dimulai dengan waktu kedatangan pelanggan ke-1 (At1) mengecek kondisi counter 1 yaitu kosong atau sedang melayani pelanggan. Ketika kosong maka pelanggan ke-1 akan langsung dilayani di counter 1.

Namun jika counter 1 sedang melayani, maka harus dicek lagi lamanya pelayanan counter tersebut melebihi maksimum waktu tunggu atau tidak melebihi maksimum waktu tunggu. Jika tidak melebihi waktu tunggu maksimum maka pelanggan akan dilayani dengan syarat harus menunggu pelanggan sebelumnya selesai dilayani.

Sedangkan jika melebihi maksimum waktu tunggu maka pelanggan akan dilayani di counter baru (counter 2). Alur perhitungan tersebut digunakan sampai proses simulasi antrian pelayanan restoran cepat saji selesai dijalankan.

99

D.2 Perhitungan simulasi resrtoran cepat saji melalui aplikasi

Perhitungan simulasi restoran cepat saji melalui aplikasi dilakukan melakukan penginputan terlebih dahulu pada waktu pelayanan, jumlah fasilitas (counter), dan maksimum waktu tunggu. Kemudian melakukan klik pada tombol proses.

100 BAB V PENUTUP

5.1 Kesimpulan

Dari penjelasan aplikasi simulasi pelayanan restoran cepat saji ini dapat ditarik kesimpulan yaitu aplikasi ini dapat menghasilkan perhitungan pelayan antrian restoran cepat saji yang sesuai dengan tujuan dari penelitian dengan metode next time even advance.

5.2 Saran

Untuk kemungkinan pengembangan lebih lanjut dari rancang bangun aplikasi simulasi pelayanan restoran cepat saji, dapat diberikan saran-saran yang berguna untuk pemikiran maupun implementasi yang akan dilakukan, yaitu :

1. Melihat potensi dan perlunya sistem akuntansi, aplikasi ini perlu dikembangkan dengan sistem akuntansi tersebut sehingga dapat melihat dampak positif simulasi ini pada efisiensi karyawan dan fasilitas.

2. Demi meningkatkan fungsi utama restoran yaitu pelayan, aplikasi ini perlu dikembangkan dengan sistem pemilihan karyawan terbaik berdasarkan segi pelayanan.

3. Aplikasi ini difokuskan pada tingkat pelayanan konsumen. Namun jika hasil akhir yang diharapkan adalah keefisiensian, maka metode next-event time advance tidak dapat digunakan silahkan mencoba dengan metode lain.

101

DAFTAR PUSTAKA

Arifin, E. Zaenal. 2006. Dasar-dasar Penulisan Karya Ilmiah (Edisi Revisi).PT. Grasindo. Jakarta.

Arnold, Susan. 2014. 2013 Annual Report. R.R. Donnelley, USA. Assauri. 1999. Manajemen Pemasaran. Raja Grafindo, Jakarta. Gelael, Dick. 2014. 2013 Annual Report. (Online),

(http://report2013.kfcindonesia.com/, diakses 18 juli 2014).

Gottfried, B. S. 1984. Elements Of Stochastic Process Simulation. London. Prentice Hall Inc.

Goyal,Anita dan Singh, N.P. 2007. Consumer Perception About Fast Food. India: An Exploratory Study”, British Food Journal, Vol. 109 No. 2, pp.182-195

Heizer, Jay, Barry Render. 2006. Manajemen Operas, Edisi Ketujuh Jilid I. Salemba Empat, Jakarta.

Husein Umar, 2003. Metodologi Penelitian Untuk Skripsi dan Tesis Bisnis. PT. Gramedia Pustaka,Jakarta.

Jogiyanto. 2005. Analisis dan Desain Sistem Informasi. Andi, Yogyakarta. Kakiay, Thomas J. 2003. Pengantar Sistem Simulasi. ANDI, Yogyakarta.

Kotler, Philip. 2002. Manajemen Pemasaran, Analisa perencanaan, Implementasi dan control, Edisi Kesembilan, Jilid 1 dan jilid 2, Jakarta, Prehalindo, alih bahasa oleh Hendra Teguh S.E.,A.K., dan Ronny A. Rusli, S.E.

Kristanto, Andri. 2004. Perancangan Sistem Informasi. Gaya Media, Yogyakarta. Ma’arif, M. Syamsul, dan Hendri Tanjung. 2003. Manajemen Operasi. PT.

Gramedia. Widiasarana Indonesia, Jakarta.

Marsum, WA. 2000. Restoran dan segala permasalahannya, Edisi 3. ANDI, Jogjakarta.

Nurlita,H 2006. Program Simulasi Pelayanan Restoran Dengan Menggunakan Metode Next-Event Time Advance (Studi Kasus Pada McDonald Fontana). Tugas Akhir pada STIKOM Surabaya: tidak diterbitkan.

102

Riduwan. 2007. Metode Penelitian untuk Tesis. Alfabeta, Bandung.

Romeo. 2003. Testing dan Implementasi Sistem, Edisi Pertama. STIKOM, Surabaya. Supranto, J. 2000. Statistik Teori dan Aplikasi, edisi ke-6. Erlangga, Jakarta.

Suryani, Erma. 2006. Pemodelan & Simulasi. Graha Ilmu, Yogyakarta.

Tumiwa, Krueger. 2011. Pengalaman Di Kentucky Fried Chicken, (Online), (http://kruegerkristotumiwa.blogspot.com/, diakses 15 september 2014). Watson H. J. 1981.Computer Simulation in Business. John Wiley & Sons, Inc.