SISFO Jurnal Sistem Informasi ANALISA EF
SISFO-Jurnal Sistem Informasi
ANALISA EFISIENSI JASA LAYANAN PERBANKAN UNTUK
MENINGKATKAN KINERJA LAYANAN DENGAN
MENGGUNAKAN PENDEKATAN SIMULASI DISKRIT
I Dewa Made Adi Baskara Joni1), Erma Suryani2)
Program Magister, Bidang Keahlian Sistem Informasi, Jurusan Teknik Informatika, Fakultas Teknologi
Informasi, Institut Teknologi Sepuluh Nopember Surabaya
Jl. Arief Rahman Hakim, Surabaya 60111
Telp : 031 5992526, Fax : 031 5947213
E-mail : [email protected], [email protected]
Abstract
Customer needs fulfillment are excellent banking services that can generate loyal customers and
increasing customer satisfaction. The demand for time efficiency in completing transactions in a bank, is
associated with a queuing system where it is included in the transaction through the speed of service and
the number of customer service and teller. However, the concept of customer service not only depend on
the existing service at cash offices or branch offices conducted by care workers, but it is the overall
service performance.In this study, a computer-based simulation where the output can describe the
characteristics and behavior of the observed system is designed and developed. Simulation is useful in
providing information and knowledge about the existing banking customer service system and in
developing scenario models to achieve an efficient service.From the output of the simulation results, we
found that in normal season service with addition of passbook updater scenario, the average waiting time
can be reduced as much as 4.74 minutes and the average utilization of customer service can achieve the
highest efficiency to 68%. In high season service with addition of customer service scenario the average
waiting time can be reduced as much as 10.97 minutes and the average utilization of customer service
can achieve the highest efficiency to 60%.
Keywords: Customer Service System, Service Efficiency, Simulation Model, Scenario Model
1. PENDAHULUAN
Seiring dengan perkembangan dunia perbankan
yang semakin pesat, maka dibutuhkan sistem
layanan yang semakin bisa memenuhi
kebutuhan para nasabahnya. Salah satu
permasalahan yang sering timbul dalam sistem
layanan nasabah perbankan adalah berupa
terjadinya penumpukan nasabah setelah tiba di
lajur layanan pada suatu waktu tertentu, yang
menyebabkan nasabah harus menuggu terlalu
lama untuk mendapatkan layanan. Pemenuhan
kebutuhan nasabah akan adanya layanan
perbankan yang prima dapat menghasilkan
nasabah yang loyal dan meningkatkan kepuasan
nasabah.
Dewasa ini layanan terhadap nasabah bank
dapat dilakukan di berbagai tempat yang
merupakan cakupan layanan dari bank
bersangkutan dengan adanya dukungan
Teknologi Informasi (TI). TI cenderung
memiliki dampak yang besar terhadap
kemampuan bank untuk menjual produk ritel
dan jasa. TI juga dapat menawarkan keunggulan
kompetitif dengan menciptakan skala ekonomi
melalui otomatisasi tugas-tugas rutin, atau
dengan meningkatkan kecepatan dimana
informasi manajemen dikomunikasikan. TI juga
telah digunakan untuk mendorong pelanggan
untuk mengurangi transaksi dengan petugas
layanan bank, membebaskan staf perbankan
untuk berkonsentrasi pada cross-selling yang
berpengaruh terhadap profitabilitas dan pangsa
pasar (Meepadung, 2009).
Untuk meningkatkan daya saing melalui inovasi
dan peningkatan efisiensi untuk dapat
menyediakan jasa layanan yang berkualitas dan
harga yang kompetitif, dalam penelitian ini
dilakukan perancangan dan pembuatan suatu
simulasi berbasis komputer yang outputnya
dapat menggambarkan karakteristik dan
perilaku sistem yang diamati. Simulasi yang
dilakukan dalam hal ini bermanfaat dalam
memberikan informasi dan pengetahuan
mengenai sistem layanan nasabah.
Dalam penelitian ini, data yang digunakan
adalah berdasarkan observasi yang dilakukan
penulis pada PT. Bank BPD Bali. Pada
observasi tersebut dilakukan dengan melakukan
1
SISFO-Jurnal Sistem Informasi
magang (apprenticeship) dengan tujuan untuk
mengumpulkan data mengenai sistem layanan
nasabah perbankan.
2. TINJAUAN PUSTAKA
Industri perbankan telah mengalami perubahan
besar dalam beberapa tahun terakhir. Industri ini
menjadi lebih kompetitif karena deregulasi
peraturan. Saat ini, bank memiliki fleksibilitas
pada layanan yang mereka tawarkan, lokasi
tempat mereka beroperasi, dan tarif yang
mereka bayar untuk simpanan deposan.
Fleksibilitas layanan tersebut dapat dilakukan
karena saat ini teknologi informasi bukan hanya
menjadi pendukung kinerja dari perbankan
namun telah menjadi syarat utama dalam
menjalankan industri ini. Kaitan dalam
menjalankan jasa layanan perbankan dengan
teknologi informasi adalah penggunaan
teknologi Informasi diperlukan bank dalam
rangka meningkatkan efektivitas dan efisiensi
dalam kegiatan operasional bank. Selain itu
perkembangan
teknologi
informasi
memungkinkan bank untuk meningkatkan
layanan kepada nasabah melalui produk-produk
Electronic Banking (Bank Indonesia, 2007).
Hasan (2008) mengatakan bahwa, penggunaan
teknologi informasi di industri perbankan
merupakan suatu keharusan. Penggunaan
teknologi
tersebut
seharusnya
mampu
memenuhi kebutuhan internal yakni kecepatan
proses layanan nasabah, kecepatan informasi
atau pelaporan untuk bahan pengambilan
keputusan selanjutnya dan juga penghematan
biaya karena berkurangnya tenaga pelaksana.
Kebutuhan ekstemal yang seharusnya mampu
dipenuhi berupa kelancaran pelaporan kepada
pihak terkait misalnya Bank Indonesia,
Departemen Keuangan RI serta tentunya yang
paling penting adalah kepuasan dari konsumen,
sehingga dampak akhir dari penggunaan
teknologi yakni adanya perbaikan kinerja secara
keseluruhan.
Hays (2009), rasio efisiensi merupakan ukuran
tingkat beban non-bunga yang diperlukan untuk
mendukung setiap satu dolar dari pendapatan
usaha, yang terdiri dari pendapatan baik
pendapatan bunga dan non-bunga. Nilai rasio
efisiensi dapat dipengaruhi oleh perubahan gaji
dan tunjangan, produktivitas tenaga kerja,
teknologi, pemanfaatan fasilitas fisik terutama
pada kantor cabang bersama dengan faktor lain
termasuk ekonomi. Casu (2009), efisiensi
perusahaan dapat didefinisikan dan diukur
sebagai jarak radial kinerja aktual dari sebuah
perbatasan (frontier). Dalam konteks fungsi
produksi, perbatasan ini didefinisikan sebagai
tingkat kelayakan dari maksimum output yang
diberikan tingkat input, atau alternatifnya
sebagai tingkat minimum kelayakan dari input
yang ditentukan dari tingkat output. Ketidak
efisienan (inefficiency) perusahaan yang akan
diukur sebagai masukan kontraksi radial atau
radial ekspansi output diperlukan untuk
mencapai perbatasan.
Untuk produk jasa menurut penelitian Hudgins
(1982) dalam Trisusilo (1994) mengenai
efisiensi waktu layanan, dikatakan bahwa 65%
dari waktu petugas digunakan untuk kontak
dengan pelanggan (customer) dianggap sudah
efisien. Dan menurut Lawlor (1988), apabila
suatu sumberdaya dipergunakan pada suatu
pekerjaan dapat dikatakan produktif secara
efisiennya adalah 2/3 atau 66% waktunya
dipakai untuk pekerjaan tersebut.
Tujuan utama dari sistem jasa adalah
memaksimalkan
keuntungan
dan
memaksimalkan kepuasan pelanggan. Namun
bagaimanapun juga ukuran adalah hal yang
dipertimbangkan menjadi kriteria penampilan
internal, karena ukuran-ukuran tersebut tidak
ditentukan oleh beberapa aktifitas tunggal.
Model simulasi dan analisis sangat membantu
mengevaluasi ukuran-ukuran yang berhubungan
dengan kriteria penampilan internal. Menurut
Arifin (2009), ukuran-ukuran kinerja internal
yang dapat di evaluasi menggunakan simulasi
adalah waktu jasa, waktu tunggu, panjang
antrian, pemanfaatan sumber daya, level jasa,
dan tingkat ketertinggalan. Salah satu
permasalahan yang paling sulit dalam
menyelesaikan suatu analisis simulasi, adalah
dalam menentukan suatu model simulasi apakah
merupakan penyajian yang nyata yang dapat
dipelajari secara akurat dan apakah model
tersebut sesuai dan telah mewakili dari sistem
yang nyata. Untuk membangun model simulasi
yang baik dan benar diperlukan penentuan
distribusi
yang
tepat
baik
distribusi
probabilitasnya maupun distribusi sampelnya.
Selanjutnya setelah penentuan distribusi yang
tepat untuk model, penentuan jumlah replikasi
juga harus tepat sesuai dengan kebutuhan dari
model simulasi yang bersangkutan.
3. PENGEMBANGAN MODEL SIMULASI
3.1 Model Eksisting
Pembuatan model simulasi ini menggunakan
bantuan perangkat lunak Arena Versi 12 – CPR
9. Dalam model eksisting terdapat dua model
yaitu model musim normal dan model musim
tinggi. Pemicu perbedaan antara kedua model
tersebut adalah berdasarkan pada tingkat
kedatangan nasabahnya. Untuk perbedaan
mendasar dari kedua model dalam model
2
SISFO-Jurnal Sistem Informasi
eksisting ini adalah pada beberapa hal seperti
jumlah petugas layanan, nilai distribusi
kedatangan nasabah, nilai persentase nasabah ke
customer service atau ke teller dan nilai rata-rata
waktu layanan oleh customer service dan teller.
Pada model musim normal maupun model
musim tinggi, proses dari layanannya adalah
pada saat kedatangan nasabah akan disambut
oleh satpam dan akan ditanyakan keperluan dari
nasabah tersebut. Apabila nasabah ingin
bertemu dengan customer service atau
bertransaksi dengan teller akan diarahkan untuk
mengambil nomer antrian dan dipersilahkan
menunggu seperti yang terlihat pada gambar 1.
Seperti yang dijelaskan sebelumnya, salah satu
perbedaan antara kedua model ini adalah pada
nilai distribusi kedatangan nasabahnya yaitu
10*BETA(0.486, 2.84) pada musim normal dan
8*BETA(0.715, 3.8) pada musim tinggi. Tipe
dari distribusi tersebut adalah distribusi Beta
dengan parameter pertama adalah Beta dan
parameter kedua adalah Alpha. Untuk
persentase nasabah ke customer service atau ke
teller pada musim normal 25% nasabah menuju
layanan customer service dan 75% sisanya
menuju layanan teller, berbeda pada musim
tinggi 22% nasabah menuju layanan customer
service dan 78% sisanya menuju layanan teller.
Nilai distribusi pada model simulasi tersebut
ditentukan berdasarkan hasil pengolahan data
yang
dikumpulkan
pada
saat
proses
apprenticeship
dan
kemudian
diolah
menggunakan software Input Analyser yang
menghasilkan nilai distribusi pada masingmasing proses. Untuk nilai persentase nasabah
ke customer service atau ke teller diolah dari
data yang dikumpulkan menggunakan software
Microsoft Excel 2007.
Gambar 3. Layanan Teller
Untuk proses layanan yang diberikan oleh
customer service dan teller dapat dilihat pada
gambar 2 dan gambar 3. Ketika nomer antrian
nasabah dipanggil nasabah dengan nomer
antrian yang diawali dengan huruf “C” akan
diarahkan ke salah satu dari 2 customer service
yang diaktifkan, jika nasabah dengan nomer
antrian yang diawali dengan huruf “A” akan
diarahkan ke salah satu dari 3 teller yang
diaktifkan pada musim normal namun pada
musim tinggi akan terdapat 4 teller yang
diaktifkan. Setelah nasabah sampai pada jalur
layanan, petugas layanan akan menanyakan
keperluan nasabah dan melayani keperluan
nasabah bersangkutan. Nilai waktu layanan
customer service dan teller pada musim normal
adalah 62+WEIB(562, 1.36) untuk customer
service dan 31+1.51e+003*BETA(1.72, 12.1)
untuk teller. Berbeda pada musim tinggi nilai
waktu layanannya adalah 95+2.01e+003*BETA
(0.69, 1.96) untuk customer service dan
29+LOGN(229, 283) untuk teller. Distribusi
WEIB atau disebut juga distribusi Weibull
memiliki parameter yang sama dengan
distribusi BETA. Parameter dari distribusi
LOGN atau disebut juga distribusi Lognormal
adalah Log Mean pada parameter pertama dan
Log Standar Deviasi pada parameter kedua.
3.2 Validasi Model
Gambar 1. Kedatangan Nasabah Bank
Gambar 2. Layanan Customer Service
Untuk proses validasi model, tipe validasi yang
digunakan adalah Behavior Validity Tests yaitu
fungsi yang mengecek apakah model yang
dibangun mampu menghasilkan tingkah laku
output yang dapat diterima (Barlas, 1989).
Validasi model ini dilakukan terhadap variabel
VA Time pada hasil atau output simulasi dan
variabel waktu layanan pada data yang
dikumpulkan. Variabel VA Time dan waktu
layanan yang divalidasi adalah nilai dari varibel
yang dimiliki oleh customer service. Pada
model musim normal, nilai rata-rata data dan
simulasi untuk perbandingan rata-rata disajikan
pada tabel 1 dan untuk nilai standar deviasi data
dan simulasi untuk perbandingan variasi
amplitude disajikan pada tabel 2. Baik nilai data
3
SISFO-Jurnal Sistem Informasi
maupun nilai simulasi adalah dalam satuan
menit.
Table 1. Perbandingan Rata-rata Data dan Simulasi
Model Musim Normal
Data
Data
Nilai
Data
10.01
Entity
Simulasi
Nilai
Data
9.42
Entity
Table 3. Perbandingan Rata-rata Data dan Simulasi
Model Musim Tinggi
Entity
Nilai
Simulasi
CS 1
10.07
9.26
CS 1
9.6301
CS 2
10.06
Rata-rata
10.140
E1
9.44
9.44
CS 2
9.7516
9.4356
E1
Rata-rata
9.6909
Data
0.027057103
9.26
Entity
CS 1
9.44
9.49
9.44
CS 2
9.7516
Std. Dev
0.0859
9.47
E2
0.0695
10.3483
0.020542
2.1%
10.07
0.235971223
Simulasi
Nilai
Entity
Simulasi
CS 1
10.2796
CS 2
10.4169
Std.Dev
0.0971
10.33
CS 2
10.06
10.22
23.6%
Pada tabel 1, hasil perhitungan perbandingan
rata-rata didapatkan nilai E1 adalah 2.7% dan
dari hasil perhitungan perbandingan variasi
amplitude pada tabel 2 didapatkan nilai E2
adalah 23.6%. Dari nilai tersebut dapat
disimpulkan bahwa model musim normal ini
adalah valid karena nilai E1 < 5% (2.7% < 5%)
dan nilai E2 < 30% (23.6% < 30%).
Pada model musim tinggi, nilai rata-rata data
dan simulasi untuk perbandingan rata-rata
disajikan pada tabel 3 dan untuk nilai standar
deviasi data dan simulasi untuk perbandingan
variasi amplitude disajikan pada tabel 4.
0.119
E2
9.6301
9.45
Std. Dev
CS 1
Std. Dev
9.47
CS 2
Rata-rata
10.15
Nilai
Simulasi
9.48
CS 1
Entity
Simulasi
Nilai
Data
9.42
Entity
Nilai
Data
10.01
2.7%
Table 2. Perbandingan Variasi Amplitude Data dan
Simulasi Model Musim Normal
Data
10.4169
Table 4. Perbandingan Variasi Amplitude Data dan
Simulasi Model Musim Tinggi
9.47
Rata-rata
CS 2
10.22
9.45
9.49
10.2796
10.15
9.47
CS 2
CS 1
10.33
9.48
CS 1
Simulasi
Nilai
Entity
Simulasi
0.184033
18.4%
Pada tabel 3 dapat dilihat dari hasil perhitungan
perbandingan rata-rata didapatkan nilai E1
adalah 2.1% dan dari hasil perhitungan
perbandingan variasi amplitude pada tabel 4
didapatkan nilai E2 adalah 18.4%. Sehingga
dari nilai tersebut dapat disimpulkan bahwa
model musim tinggi ini adalah valid karena nilai
E1 < 5% (2.1% < 5%) dan nilai E2 < 30%
(18.4% < 30%).
Formula (1) dan (2) adalah persamaan yang
digunakan untuk menghitung behavior validity
test pada tabel 1, 2, 3 dan 4 untuk perbandingan
rata-rata (E1) dan perbandingan variasi
amplitude (E2), persamaannya adalah sebagai
berikut:
E1 =
E2 =
[S − A]
(1)
A
Ss − Sa
(2)
Sa
Dimana:
S = Nilai rata-rata hasil simulasi
A = Nilai rata-rata data
Ss = Standar deviasi hasil simulasi
4
SISFO-Jurnal Sistem Informasi
Sa = Standar deviasi data
Model dianggap valid jika nilai dari E1 ≤ 5%
dan nilai E2 ≤ 30%.
3.3 Model Skenario
Berikut dibawah ini disajikan model skenario
dari sistem layanan nasabah. Jenis skenario
yang diterapkan adalah skenario struktur, yaitu
skenario yang dilakukan dengan jalan
mengubah struktur dari model. Skenario jenis
ini memerlukan pengetahuan yang cukup
mengenai sistem agar struktur baru yang
diusulkan dapat memperbaiki kinerja dari
sistem. Dalam model skenario ini terdapat dua
model yaitu satu model pada musim normal dan
satu model pada musim tinggi. Perbedaan antara
model musim normal dengan musim tinggi
tersebut pada dasarnya sama seperti pada model
eksisting, namun pada model skenario ini
strukturnya juga memiliki perbedaan. Perbedaan
struktur pada model musim normal adalah
dengan penambahan fasilitas passbook updater
yaitu fasilitas dimana nasabah dapat mencetak
sendiri (self service) transaksi yang ada ke buku
tabungan yang dimilikinya. Dengan adanya
fasilitas ini nasabah yang datang ke bank hanya
untuk mengetahui transaksi yang terjadi dan
mencetak pada buku tabungannya tidak perlu
mengantri pada layanan customer service,
namun nasabah dapat mencetak sendiri dengan
kebijakan yang ditentukan oleh pihak bank.
Untuk perubahan struktur pada model musim
normal dapat dilihat pada gambar 4.
Gambar 4. Model Skenario Musim Normal
Gambar 5. Model Skenario Musim Tinggi
Perubahan struktur pada model musim tinggi
dapat dilihat pada gambar 5. Pada musim tinggi
perubahan
strukturnya
adalah
dengan
penambahan satu customer service yang dapat
membagi beban kerja sehingga dapat
menurunkan waktu tunggu nasabah dan utilisasi
dari customer Service.
4. PERBANDINGAN HASIL SIMULASI
Untuk menunjukkan peningkatan kinerja yang
didapatkan dengan melakukan perubahan
struktur pada model eksisting, dapat dilihat
perbedaan nilai variabel-variabel hasil simulasi
pada masing-masing model yang dapat dilihat
pada tabel 5. Pada model eksisting terdapat dua
model simulasi yaitu model musim normal dan
model musim tinggi. Pada model skenario
terdapat dua model simulasi yaitu model musim
normal dengan penambahan fasilitas passbook
updater dan model musim tinggi dengan
penambahan satu customer service.
Untuk perbedaan nilai pada variabel VA Time
dan NVA time pada empat model tidak
menunjukkan perbedaan nilai yang signifikan,
karena nilai tersebut merupakan hasil dari
distribusi pada masing-masing proses yang
memiliki perbedaan hanya pada masing-masing
musim layanan saja (musim normal atau musim
tinggi).
Untuk variabel Wait Time memiliki perbedaan
hasil simulasi yang cukup signifikan. Pada
model eksisting musim normal nilai Wait Time
rata-rata adalah 10.8197 menit, cukup kecil jika
dibandingkan dengan nilai Wait Time pada
model eksisting musim tinggi yaitu 20.9607
menit. Perbedaan nilai tersebut terjadi karena
beberapa hal seperti perbedaan jumlah petugas
layanan, nilai distribusi kedatangan nasabah,
nilai persentase nasabah ke customer Service
atau teller dan nilai rata-rata waktu layanan oleh
customer service dan teller. Perbedaan Wait
Time dari model eksisting musim normal
dengan model skenario musim normal yang
terjadi penambahan fasilitas passbook updater
cukup signifikan yaitu 10.8197 menit dengan
6.0797 menit. Perbedaan tersebut menunjukkan
penurunan Wait Time rata-rata sebanyak 4.74
menit ketika ditambahkan fasilitas passbook
updater sebagai bagian dari layanan bank.
Perbedaan yang lebih signifikan terjadi pada
model eksisting musim tinggi dengan model
skenario musim tinggi yaitu 20.9607 menit pada
model eksisting dan 9.9906 menit pada model
skenario. Perbedaan tersebut menunjukkan
penurunan Wait Time rata-rata sebanyak
10.9701 menit ketika ditambahkan satu
customer service sebagai sumber daya tambahan
untuk dapat melayani kebutuhan nasabah.
5
SISFO-Jurnal Sistem Informasi
Untuk perbedaan nilai utilisasi petugas layanan
yang ada dapat dijabarkan sebagai berikut. Nilai
utilisasi customer service pada model eksisting
musim normal dan musim tinggi tidak memiliki
perbedaan yang terlalu tinggi yaitu 0.8076 dan
0.8209 pada model eksisting musim normal,
kemudian 0.8803 dan 0.8974 pada model
eksisting musim tinggi. Utilisasi dari customer
service terbukti menurun pada model skenario
musim normal menjadi 0.6809 dan 0.6696
karena salah satu fungsi layanan dari customer
service digantikan oleh passbook updater.
Penurunan nilai utilisasi kembali berubah
signifikan pada model skenario musim tinggi
karena terjadi penambahan customer service
yang mengakibatkan beban kerja dari customer
service menurun menjadi 0.5943, 0.5827 dan
0.6104. Nilai utilisasi dari Customer Service 3
pada model skenario musim tinggi yang
memiliki nilai 0.6104 (61.04%) dapat
membuktikan bahwa, dengan penambahan satu
customer service dapat menurunkan utilisasi
dari petugas layanan secara keseluruhan dan
nilai utilisasi dari sumber daya yang baru tetap
pada rentang nilai yang efisien. Dari kedua
model pada model skenario menunjukkan
bahwa utilisasi dari petugas layanan customer
service dapat mencapai rentang nilai yang
efisien yaitu antara 50%-70% tidak seperti pada
model eksisting yang nilai utilisasinya mencapai
diatas 80%. Hal tersebut menunjukkan bahwa
model skenario yang ada dapat meningkatkan
efisiensi petugas layanan yang ada.
Table 4. Perbandingan Hasil Simulasi
Eksisting
Variabel
Skenario
Normal Tinggi
Normal Tinggi
5.1451
5.612
4.8092 5.6372
NVA Time 6.626
6.5403
6.3499 6.5451
Wait Time 10.8197 20.9607
Utilization
Value:
6.0797 9.9906
VA Time
a. CS 1
0.8076 0.8803
0.6809 0.5943
b. CS 2
0.8209 0.8974
0.6696 0.5827
c. CS 3
-
-
-
0.6104
d. PU
-
-
0.0458
-
5. KESIMPULAN
Berikut ini adalah kesimpulan-kesimpulan yang
dapat diambil berdasarkan penelitian yang telah
dilakukan. Dalam penelitian ini dikembangkan
dua model berdasarkan kondisi eksisting yaitu
model musim normal dan model musim tinggi.
Setelah dua model tersebut valid, selanjutnya
dilakukan skenarioisasi pada kedua model yaitu
dengan penambahan passbook updater pada
musim normal dan penambahan customer
service pada musim tinggi.
Dari perbandingan hasil simulasi, didapatkan
untuk
model
skenario
musim
tinggi
(penambahan customer service) memiliki
penurunan nilai rata-rata Wait Time yang
terbanyak
yaitu
10.9701
menit
jika
dibandingkan dengan model eksistingnya. Hal
ini dikarenakan adanya penambahaan satu
customer service yang dapat menangani laju
kedatangan nasabah yang tinggi, sehingga
waktu tunggu dari nasabah untuk mendapatkan
layanan dapat berkurang.
Pada model musim normal dengan skenario
penambahan passbook updater, Wait Time ratarata dapat duturunkan sebanyak 4.74 menit.
Utilisasi dari customer service dengan nilai
utilisasi rata-rata 81% dapat diturunkan pada
rentang nilai efisien yaitu menjadi rata-rata
68%. Pada model musim tinggi dengan skenario
penambahan customer service, Wait Time ratarata dapat diturunkan sebanyak 10.97 menit.
Utilisasi dari customer service pada model
eksisting dengan nilai rata-rata 89% dapat
diturunkan pada rentang nilai efisien yaitu
menjadi rata-rata 60%.
6. DAFTAR PUSTAKA
Arifin, Miftahol, 2009. Simulasi Sistem Industri.
Yogyakarta: Graha Ilmu.
Bank Indonesia, 2007. Surat Edaran:
Penerapan
Manajemen
Risiko
dalam
Penggunaan Teknologi Informasi oleh Bank
Umum. Jakarta: No. 9/30/DPNP, BI.
Barlas, Yaman, 1989. Multiple tests for
validation of system dynamics type of
simulation models. European Journal of
Operational Research. 42, hal. 59-87.
Casu, Barbara., Girardone, Claudia, 2009.
Integration and Efficiency Convergence in EU
Banking Markets. Omega.
Hasan, Alizar, 2008. Pengaruh Kemampuan
Teknologi Informasi Terhadap Kinerja Bank
Umum di Sumatera Barat. Jurnal Ilmiah Teknik
Industri, Vol. 8 No. 1, hal. 32-37.
Hays, Fred H., Lurgio, Stephen A. De., Gilbert
Jr, Arthur H., 2009. Efficiency Ratios and
Community Bank Performance. Journal of
Finance and Accountancy.
6
SISFO-Jurnal Sistem Informasi
Meepadung, Napapan., Tang, John C.S., Khang,
Do Ba, 2009. IT-based banking services:
Evaluating operating and profit efficiency at
bank branches. Journal of High Technology
Management Research, 20, hal. 145-152.
Trisusilo, Annie Y. K., 1994. Esfisiensi Waktu
Pelayanan di Poliklinik Anak R.S.U.D Pasar
Rebo Jakarta. Tesis Magister. Jakarta:
Universitas Indonesia.
7
ANALISA EFISIENSI JASA LAYANAN PERBANKAN UNTUK
MENINGKATKAN KINERJA LAYANAN DENGAN
MENGGUNAKAN PENDEKATAN SIMULASI DISKRIT
I Dewa Made Adi Baskara Joni1), Erma Suryani2)
Program Magister, Bidang Keahlian Sistem Informasi, Jurusan Teknik Informatika, Fakultas Teknologi
Informasi, Institut Teknologi Sepuluh Nopember Surabaya
Jl. Arief Rahman Hakim, Surabaya 60111
Telp : 031 5992526, Fax : 031 5947213
E-mail : [email protected], [email protected]
Abstract
Customer needs fulfillment are excellent banking services that can generate loyal customers and
increasing customer satisfaction. The demand for time efficiency in completing transactions in a bank, is
associated with a queuing system where it is included in the transaction through the speed of service and
the number of customer service and teller. However, the concept of customer service not only depend on
the existing service at cash offices or branch offices conducted by care workers, but it is the overall
service performance.In this study, a computer-based simulation where the output can describe the
characteristics and behavior of the observed system is designed and developed. Simulation is useful in
providing information and knowledge about the existing banking customer service system and in
developing scenario models to achieve an efficient service.From the output of the simulation results, we
found that in normal season service with addition of passbook updater scenario, the average waiting time
can be reduced as much as 4.74 minutes and the average utilization of customer service can achieve the
highest efficiency to 68%. In high season service with addition of customer service scenario the average
waiting time can be reduced as much as 10.97 minutes and the average utilization of customer service
can achieve the highest efficiency to 60%.
Keywords: Customer Service System, Service Efficiency, Simulation Model, Scenario Model
1. PENDAHULUAN
Seiring dengan perkembangan dunia perbankan
yang semakin pesat, maka dibutuhkan sistem
layanan yang semakin bisa memenuhi
kebutuhan para nasabahnya. Salah satu
permasalahan yang sering timbul dalam sistem
layanan nasabah perbankan adalah berupa
terjadinya penumpukan nasabah setelah tiba di
lajur layanan pada suatu waktu tertentu, yang
menyebabkan nasabah harus menuggu terlalu
lama untuk mendapatkan layanan. Pemenuhan
kebutuhan nasabah akan adanya layanan
perbankan yang prima dapat menghasilkan
nasabah yang loyal dan meningkatkan kepuasan
nasabah.
Dewasa ini layanan terhadap nasabah bank
dapat dilakukan di berbagai tempat yang
merupakan cakupan layanan dari bank
bersangkutan dengan adanya dukungan
Teknologi Informasi (TI). TI cenderung
memiliki dampak yang besar terhadap
kemampuan bank untuk menjual produk ritel
dan jasa. TI juga dapat menawarkan keunggulan
kompetitif dengan menciptakan skala ekonomi
melalui otomatisasi tugas-tugas rutin, atau
dengan meningkatkan kecepatan dimana
informasi manajemen dikomunikasikan. TI juga
telah digunakan untuk mendorong pelanggan
untuk mengurangi transaksi dengan petugas
layanan bank, membebaskan staf perbankan
untuk berkonsentrasi pada cross-selling yang
berpengaruh terhadap profitabilitas dan pangsa
pasar (Meepadung, 2009).
Untuk meningkatkan daya saing melalui inovasi
dan peningkatan efisiensi untuk dapat
menyediakan jasa layanan yang berkualitas dan
harga yang kompetitif, dalam penelitian ini
dilakukan perancangan dan pembuatan suatu
simulasi berbasis komputer yang outputnya
dapat menggambarkan karakteristik dan
perilaku sistem yang diamati. Simulasi yang
dilakukan dalam hal ini bermanfaat dalam
memberikan informasi dan pengetahuan
mengenai sistem layanan nasabah.
Dalam penelitian ini, data yang digunakan
adalah berdasarkan observasi yang dilakukan
penulis pada PT. Bank BPD Bali. Pada
observasi tersebut dilakukan dengan melakukan
1
SISFO-Jurnal Sistem Informasi
magang (apprenticeship) dengan tujuan untuk
mengumpulkan data mengenai sistem layanan
nasabah perbankan.
2. TINJAUAN PUSTAKA
Industri perbankan telah mengalami perubahan
besar dalam beberapa tahun terakhir. Industri ini
menjadi lebih kompetitif karena deregulasi
peraturan. Saat ini, bank memiliki fleksibilitas
pada layanan yang mereka tawarkan, lokasi
tempat mereka beroperasi, dan tarif yang
mereka bayar untuk simpanan deposan.
Fleksibilitas layanan tersebut dapat dilakukan
karena saat ini teknologi informasi bukan hanya
menjadi pendukung kinerja dari perbankan
namun telah menjadi syarat utama dalam
menjalankan industri ini. Kaitan dalam
menjalankan jasa layanan perbankan dengan
teknologi informasi adalah penggunaan
teknologi Informasi diperlukan bank dalam
rangka meningkatkan efektivitas dan efisiensi
dalam kegiatan operasional bank. Selain itu
perkembangan
teknologi
informasi
memungkinkan bank untuk meningkatkan
layanan kepada nasabah melalui produk-produk
Electronic Banking (Bank Indonesia, 2007).
Hasan (2008) mengatakan bahwa, penggunaan
teknologi informasi di industri perbankan
merupakan suatu keharusan. Penggunaan
teknologi
tersebut
seharusnya
mampu
memenuhi kebutuhan internal yakni kecepatan
proses layanan nasabah, kecepatan informasi
atau pelaporan untuk bahan pengambilan
keputusan selanjutnya dan juga penghematan
biaya karena berkurangnya tenaga pelaksana.
Kebutuhan ekstemal yang seharusnya mampu
dipenuhi berupa kelancaran pelaporan kepada
pihak terkait misalnya Bank Indonesia,
Departemen Keuangan RI serta tentunya yang
paling penting adalah kepuasan dari konsumen,
sehingga dampak akhir dari penggunaan
teknologi yakni adanya perbaikan kinerja secara
keseluruhan.
Hays (2009), rasio efisiensi merupakan ukuran
tingkat beban non-bunga yang diperlukan untuk
mendukung setiap satu dolar dari pendapatan
usaha, yang terdiri dari pendapatan baik
pendapatan bunga dan non-bunga. Nilai rasio
efisiensi dapat dipengaruhi oleh perubahan gaji
dan tunjangan, produktivitas tenaga kerja,
teknologi, pemanfaatan fasilitas fisik terutama
pada kantor cabang bersama dengan faktor lain
termasuk ekonomi. Casu (2009), efisiensi
perusahaan dapat didefinisikan dan diukur
sebagai jarak radial kinerja aktual dari sebuah
perbatasan (frontier). Dalam konteks fungsi
produksi, perbatasan ini didefinisikan sebagai
tingkat kelayakan dari maksimum output yang
diberikan tingkat input, atau alternatifnya
sebagai tingkat minimum kelayakan dari input
yang ditentukan dari tingkat output. Ketidak
efisienan (inefficiency) perusahaan yang akan
diukur sebagai masukan kontraksi radial atau
radial ekspansi output diperlukan untuk
mencapai perbatasan.
Untuk produk jasa menurut penelitian Hudgins
(1982) dalam Trisusilo (1994) mengenai
efisiensi waktu layanan, dikatakan bahwa 65%
dari waktu petugas digunakan untuk kontak
dengan pelanggan (customer) dianggap sudah
efisien. Dan menurut Lawlor (1988), apabila
suatu sumberdaya dipergunakan pada suatu
pekerjaan dapat dikatakan produktif secara
efisiennya adalah 2/3 atau 66% waktunya
dipakai untuk pekerjaan tersebut.
Tujuan utama dari sistem jasa adalah
memaksimalkan
keuntungan
dan
memaksimalkan kepuasan pelanggan. Namun
bagaimanapun juga ukuran adalah hal yang
dipertimbangkan menjadi kriteria penampilan
internal, karena ukuran-ukuran tersebut tidak
ditentukan oleh beberapa aktifitas tunggal.
Model simulasi dan analisis sangat membantu
mengevaluasi ukuran-ukuran yang berhubungan
dengan kriteria penampilan internal. Menurut
Arifin (2009), ukuran-ukuran kinerja internal
yang dapat di evaluasi menggunakan simulasi
adalah waktu jasa, waktu tunggu, panjang
antrian, pemanfaatan sumber daya, level jasa,
dan tingkat ketertinggalan. Salah satu
permasalahan yang paling sulit dalam
menyelesaikan suatu analisis simulasi, adalah
dalam menentukan suatu model simulasi apakah
merupakan penyajian yang nyata yang dapat
dipelajari secara akurat dan apakah model
tersebut sesuai dan telah mewakili dari sistem
yang nyata. Untuk membangun model simulasi
yang baik dan benar diperlukan penentuan
distribusi
yang
tepat
baik
distribusi
probabilitasnya maupun distribusi sampelnya.
Selanjutnya setelah penentuan distribusi yang
tepat untuk model, penentuan jumlah replikasi
juga harus tepat sesuai dengan kebutuhan dari
model simulasi yang bersangkutan.
3. PENGEMBANGAN MODEL SIMULASI
3.1 Model Eksisting
Pembuatan model simulasi ini menggunakan
bantuan perangkat lunak Arena Versi 12 – CPR
9. Dalam model eksisting terdapat dua model
yaitu model musim normal dan model musim
tinggi. Pemicu perbedaan antara kedua model
tersebut adalah berdasarkan pada tingkat
kedatangan nasabahnya. Untuk perbedaan
mendasar dari kedua model dalam model
2
SISFO-Jurnal Sistem Informasi
eksisting ini adalah pada beberapa hal seperti
jumlah petugas layanan, nilai distribusi
kedatangan nasabah, nilai persentase nasabah ke
customer service atau ke teller dan nilai rata-rata
waktu layanan oleh customer service dan teller.
Pada model musim normal maupun model
musim tinggi, proses dari layanannya adalah
pada saat kedatangan nasabah akan disambut
oleh satpam dan akan ditanyakan keperluan dari
nasabah tersebut. Apabila nasabah ingin
bertemu dengan customer service atau
bertransaksi dengan teller akan diarahkan untuk
mengambil nomer antrian dan dipersilahkan
menunggu seperti yang terlihat pada gambar 1.
Seperti yang dijelaskan sebelumnya, salah satu
perbedaan antara kedua model ini adalah pada
nilai distribusi kedatangan nasabahnya yaitu
10*BETA(0.486, 2.84) pada musim normal dan
8*BETA(0.715, 3.8) pada musim tinggi. Tipe
dari distribusi tersebut adalah distribusi Beta
dengan parameter pertama adalah Beta dan
parameter kedua adalah Alpha. Untuk
persentase nasabah ke customer service atau ke
teller pada musim normal 25% nasabah menuju
layanan customer service dan 75% sisanya
menuju layanan teller, berbeda pada musim
tinggi 22% nasabah menuju layanan customer
service dan 78% sisanya menuju layanan teller.
Nilai distribusi pada model simulasi tersebut
ditentukan berdasarkan hasil pengolahan data
yang
dikumpulkan
pada
saat
proses
apprenticeship
dan
kemudian
diolah
menggunakan software Input Analyser yang
menghasilkan nilai distribusi pada masingmasing proses. Untuk nilai persentase nasabah
ke customer service atau ke teller diolah dari
data yang dikumpulkan menggunakan software
Microsoft Excel 2007.
Gambar 3. Layanan Teller
Untuk proses layanan yang diberikan oleh
customer service dan teller dapat dilihat pada
gambar 2 dan gambar 3. Ketika nomer antrian
nasabah dipanggil nasabah dengan nomer
antrian yang diawali dengan huruf “C” akan
diarahkan ke salah satu dari 2 customer service
yang diaktifkan, jika nasabah dengan nomer
antrian yang diawali dengan huruf “A” akan
diarahkan ke salah satu dari 3 teller yang
diaktifkan pada musim normal namun pada
musim tinggi akan terdapat 4 teller yang
diaktifkan. Setelah nasabah sampai pada jalur
layanan, petugas layanan akan menanyakan
keperluan nasabah dan melayani keperluan
nasabah bersangkutan. Nilai waktu layanan
customer service dan teller pada musim normal
adalah 62+WEIB(562, 1.36) untuk customer
service dan 31+1.51e+003*BETA(1.72, 12.1)
untuk teller. Berbeda pada musim tinggi nilai
waktu layanannya adalah 95+2.01e+003*BETA
(0.69, 1.96) untuk customer service dan
29+LOGN(229, 283) untuk teller. Distribusi
WEIB atau disebut juga distribusi Weibull
memiliki parameter yang sama dengan
distribusi BETA. Parameter dari distribusi
LOGN atau disebut juga distribusi Lognormal
adalah Log Mean pada parameter pertama dan
Log Standar Deviasi pada parameter kedua.
3.2 Validasi Model
Gambar 1. Kedatangan Nasabah Bank
Gambar 2. Layanan Customer Service
Untuk proses validasi model, tipe validasi yang
digunakan adalah Behavior Validity Tests yaitu
fungsi yang mengecek apakah model yang
dibangun mampu menghasilkan tingkah laku
output yang dapat diterima (Barlas, 1989).
Validasi model ini dilakukan terhadap variabel
VA Time pada hasil atau output simulasi dan
variabel waktu layanan pada data yang
dikumpulkan. Variabel VA Time dan waktu
layanan yang divalidasi adalah nilai dari varibel
yang dimiliki oleh customer service. Pada
model musim normal, nilai rata-rata data dan
simulasi untuk perbandingan rata-rata disajikan
pada tabel 1 dan untuk nilai standar deviasi data
dan simulasi untuk perbandingan variasi
amplitude disajikan pada tabel 2. Baik nilai data
3
SISFO-Jurnal Sistem Informasi
maupun nilai simulasi adalah dalam satuan
menit.
Table 1. Perbandingan Rata-rata Data dan Simulasi
Model Musim Normal
Data
Data
Nilai
Data
10.01
Entity
Simulasi
Nilai
Data
9.42
Entity
Table 3. Perbandingan Rata-rata Data dan Simulasi
Model Musim Tinggi
Entity
Nilai
Simulasi
CS 1
10.07
9.26
CS 1
9.6301
CS 2
10.06
Rata-rata
10.140
E1
9.44
9.44
CS 2
9.7516
9.4356
E1
Rata-rata
9.6909
Data
0.027057103
9.26
Entity
CS 1
9.44
9.49
9.44
CS 2
9.7516
Std. Dev
0.0859
9.47
E2
0.0695
10.3483
0.020542
2.1%
10.07
0.235971223
Simulasi
Nilai
Entity
Simulasi
CS 1
10.2796
CS 2
10.4169
Std.Dev
0.0971
10.33
CS 2
10.06
10.22
23.6%
Pada tabel 1, hasil perhitungan perbandingan
rata-rata didapatkan nilai E1 adalah 2.7% dan
dari hasil perhitungan perbandingan variasi
amplitude pada tabel 2 didapatkan nilai E2
adalah 23.6%. Dari nilai tersebut dapat
disimpulkan bahwa model musim normal ini
adalah valid karena nilai E1 < 5% (2.7% < 5%)
dan nilai E2 < 30% (23.6% < 30%).
Pada model musim tinggi, nilai rata-rata data
dan simulasi untuk perbandingan rata-rata
disajikan pada tabel 3 dan untuk nilai standar
deviasi data dan simulasi untuk perbandingan
variasi amplitude disajikan pada tabel 4.
0.119
E2
9.6301
9.45
Std. Dev
CS 1
Std. Dev
9.47
CS 2
Rata-rata
10.15
Nilai
Simulasi
9.48
CS 1
Entity
Simulasi
Nilai
Data
9.42
Entity
Nilai
Data
10.01
2.7%
Table 2. Perbandingan Variasi Amplitude Data dan
Simulasi Model Musim Normal
Data
10.4169
Table 4. Perbandingan Variasi Amplitude Data dan
Simulasi Model Musim Tinggi
9.47
Rata-rata
CS 2
10.22
9.45
9.49
10.2796
10.15
9.47
CS 2
CS 1
10.33
9.48
CS 1
Simulasi
Nilai
Entity
Simulasi
0.184033
18.4%
Pada tabel 3 dapat dilihat dari hasil perhitungan
perbandingan rata-rata didapatkan nilai E1
adalah 2.1% dan dari hasil perhitungan
perbandingan variasi amplitude pada tabel 4
didapatkan nilai E2 adalah 18.4%. Sehingga
dari nilai tersebut dapat disimpulkan bahwa
model musim tinggi ini adalah valid karena nilai
E1 < 5% (2.1% < 5%) dan nilai E2 < 30%
(18.4% < 30%).
Formula (1) dan (2) adalah persamaan yang
digunakan untuk menghitung behavior validity
test pada tabel 1, 2, 3 dan 4 untuk perbandingan
rata-rata (E1) dan perbandingan variasi
amplitude (E2), persamaannya adalah sebagai
berikut:
E1 =
E2 =
[S − A]
(1)
A
Ss − Sa
(2)
Sa
Dimana:
S = Nilai rata-rata hasil simulasi
A = Nilai rata-rata data
Ss = Standar deviasi hasil simulasi
4
SISFO-Jurnal Sistem Informasi
Sa = Standar deviasi data
Model dianggap valid jika nilai dari E1 ≤ 5%
dan nilai E2 ≤ 30%.
3.3 Model Skenario
Berikut dibawah ini disajikan model skenario
dari sistem layanan nasabah. Jenis skenario
yang diterapkan adalah skenario struktur, yaitu
skenario yang dilakukan dengan jalan
mengubah struktur dari model. Skenario jenis
ini memerlukan pengetahuan yang cukup
mengenai sistem agar struktur baru yang
diusulkan dapat memperbaiki kinerja dari
sistem. Dalam model skenario ini terdapat dua
model yaitu satu model pada musim normal dan
satu model pada musim tinggi. Perbedaan antara
model musim normal dengan musim tinggi
tersebut pada dasarnya sama seperti pada model
eksisting, namun pada model skenario ini
strukturnya juga memiliki perbedaan. Perbedaan
struktur pada model musim normal adalah
dengan penambahan fasilitas passbook updater
yaitu fasilitas dimana nasabah dapat mencetak
sendiri (self service) transaksi yang ada ke buku
tabungan yang dimilikinya. Dengan adanya
fasilitas ini nasabah yang datang ke bank hanya
untuk mengetahui transaksi yang terjadi dan
mencetak pada buku tabungannya tidak perlu
mengantri pada layanan customer service,
namun nasabah dapat mencetak sendiri dengan
kebijakan yang ditentukan oleh pihak bank.
Untuk perubahan struktur pada model musim
normal dapat dilihat pada gambar 4.
Gambar 4. Model Skenario Musim Normal
Gambar 5. Model Skenario Musim Tinggi
Perubahan struktur pada model musim tinggi
dapat dilihat pada gambar 5. Pada musim tinggi
perubahan
strukturnya
adalah
dengan
penambahan satu customer service yang dapat
membagi beban kerja sehingga dapat
menurunkan waktu tunggu nasabah dan utilisasi
dari customer Service.
4. PERBANDINGAN HASIL SIMULASI
Untuk menunjukkan peningkatan kinerja yang
didapatkan dengan melakukan perubahan
struktur pada model eksisting, dapat dilihat
perbedaan nilai variabel-variabel hasil simulasi
pada masing-masing model yang dapat dilihat
pada tabel 5. Pada model eksisting terdapat dua
model simulasi yaitu model musim normal dan
model musim tinggi. Pada model skenario
terdapat dua model simulasi yaitu model musim
normal dengan penambahan fasilitas passbook
updater dan model musim tinggi dengan
penambahan satu customer service.
Untuk perbedaan nilai pada variabel VA Time
dan NVA time pada empat model tidak
menunjukkan perbedaan nilai yang signifikan,
karena nilai tersebut merupakan hasil dari
distribusi pada masing-masing proses yang
memiliki perbedaan hanya pada masing-masing
musim layanan saja (musim normal atau musim
tinggi).
Untuk variabel Wait Time memiliki perbedaan
hasil simulasi yang cukup signifikan. Pada
model eksisting musim normal nilai Wait Time
rata-rata adalah 10.8197 menit, cukup kecil jika
dibandingkan dengan nilai Wait Time pada
model eksisting musim tinggi yaitu 20.9607
menit. Perbedaan nilai tersebut terjadi karena
beberapa hal seperti perbedaan jumlah petugas
layanan, nilai distribusi kedatangan nasabah,
nilai persentase nasabah ke customer Service
atau teller dan nilai rata-rata waktu layanan oleh
customer service dan teller. Perbedaan Wait
Time dari model eksisting musim normal
dengan model skenario musim normal yang
terjadi penambahan fasilitas passbook updater
cukup signifikan yaitu 10.8197 menit dengan
6.0797 menit. Perbedaan tersebut menunjukkan
penurunan Wait Time rata-rata sebanyak 4.74
menit ketika ditambahkan fasilitas passbook
updater sebagai bagian dari layanan bank.
Perbedaan yang lebih signifikan terjadi pada
model eksisting musim tinggi dengan model
skenario musim tinggi yaitu 20.9607 menit pada
model eksisting dan 9.9906 menit pada model
skenario. Perbedaan tersebut menunjukkan
penurunan Wait Time rata-rata sebanyak
10.9701 menit ketika ditambahkan satu
customer service sebagai sumber daya tambahan
untuk dapat melayani kebutuhan nasabah.
5
SISFO-Jurnal Sistem Informasi
Untuk perbedaan nilai utilisasi petugas layanan
yang ada dapat dijabarkan sebagai berikut. Nilai
utilisasi customer service pada model eksisting
musim normal dan musim tinggi tidak memiliki
perbedaan yang terlalu tinggi yaitu 0.8076 dan
0.8209 pada model eksisting musim normal,
kemudian 0.8803 dan 0.8974 pada model
eksisting musim tinggi. Utilisasi dari customer
service terbukti menurun pada model skenario
musim normal menjadi 0.6809 dan 0.6696
karena salah satu fungsi layanan dari customer
service digantikan oleh passbook updater.
Penurunan nilai utilisasi kembali berubah
signifikan pada model skenario musim tinggi
karena terjadi penambahan customer service
yang mengakibatkan beban kerja dari customer
service menurun menjadi 0.5943, 0.5827 dan
0.6104. Nilai utilisasi dari Customer Service 3
pada model skenario musim tinggi yang
memiliki nilai 0.6104 (61.04%) dapat
membuktikan bahwa, dengan penambahan satu
customer service dapat menurunkan utilisasi
dari petugas layanan secara keseluruhan dan
nilai utilisasi dari sumber daya yang baru tetap
pada rentang nilai yang efisien. Dari kedua
model pada model skenario menunjukkan
bahwa utilisasi dari petugas layanan customer
service dapat mencapai rentang nilai yang
efisien yaitu antara 50%-70% tidak seperti pada
model eksisting yang nilai utilisasinya mencapai
diatas 80%. Hal tersebut menunjukkan bahwa
model skenario yang ada dapat meningkatkan
efisiensi petugas layanan yang ada.
Table 4. Perbandingan Hasil Simulasi
Eksisting
Variabel
Skenario
Normal Tinggi
Normal Tinggi
5.1451
5.612
4.8092 5.6372
NVA Time 6.626
6.5403
6.3499 6.5451
Wait Time 10.8197 20.9607
Utilization
Value:
6.0797 9.9906
VA Time
a. CS 1
0.8076 0.8803
0.6809 0.5943
b. CS 2
0.8209 0.8974
0.6696 0.5827
c. CS 3
-
-
-
0.6104
d. PU
-
-
0.0458
-
5. KESIMPULAN
Berikut ini adalah kesimpulan-kesimpulan yang
dapat diambil berdasarkan penelitian yang telah
dilakukan. Dalam penelitian ini dikembangkan
dua model berdasarkan kondisi eksisting yaitu
model musim normal dan model musim tinggi.
Setelah dua model tersebut valid, selanjutnya
dilakukan skenarioisasi pada kedua model yaitu
dengan penambahan passbook updater pada
musim normal dan penambahan customer
service pada musim tinggi.
Dari perbandingan hasil simulasi, didapatkan
untuk
model
skenario
musim
tinggi
(penambahan customer service) memiliki
penurunan nilai rata-rata Wait Time yang
terbanyak
yaitu
10.9701
menit
jika
dibandingkan dengan model eksistingnya. Hal
ini dikarenakan adanya penambahaan satu
customer service yang dapat menangani laju
kedatangan nasabah yang tinggi, sehingga
waktu tunggu dari nasabah untuk mendapatkan
layanan dapat berkurang.
Pada model musim normal dengan skenario
penambahan passbook updater, Wait Time ratarata dapat duturunkan sebanyak 4.74 menit.
Utilisasi dari customer service dengan nilai
utilisasi rata-rata 81% dapat diturunkan pada
rentang nilai efisien yaitu menjadi rata-rata
68%. Pada model musim tinggi dengan skenario
penambahan customer service, Wait Time ratarata dapat diturunkan sebanyak 10.97 menit.
Utilisasi dari customer service pada model
eksisting dengan nilai rata-rata 89% dapat
diturunkan pada rentang nilai efisien yaitu
menjadi rata-rata 60%.
6. DAFTAR PUSTAKA
Arifin, Miftahol, 2009. Simulasi Sistem Industri.
Yogyakarta: Graha Ilmu.
Bank Indonesia, 2007. Surat Edaran:
Penerapan
Manajemen
Risiko
dalam
Penggunaan Teknologi Informasi oleh Bank
Umum. Jakarta: No. 9/30/DPNP, BI.
Barlas, Yaman, 1989. Multiple tests for
validation of system dynamics type of
simulation models. European Journal of
Operational Research. 42, hal. 59-87.
Casu, Barbara., Girardone, Claudia, 2009.
Integration and Efficiency Convergence in EU
Banking Markets. Omega.
Hasan, Alizar, 2008. Pengaruh Kemampuan
Teknologi Informasi Terhadap Kinerja Bank
Umum di Sumatera Barat. Jurnal Ilmiah Teknik
Industri, Vol. 8 No. 1, hal. 32-37.
Hays, Fred H., Lurgio, Stephen A. De., Gilbert
Jr, Arthur H., 2009. Efficiency Ratios and
Community Bank Performance. Journal of
Finance and Accountancy.
6
SISFO-Jurnal Sistem Informasi
Meepadung, Napapan., Tang, John C.S., Khang,
Do Ba, 2009. IT-based banking services:
Evaluating operating and profit efficiency at
bank branches. Journal of High Technology
Management Research, 20, hal. 145-152.
Trisusilo, Annie Y. K., 1994. Esfisiensi Waktu
Pelayanan di Poliklinik Anak R.S.U.D Pasar
Rebo Jakarta. Tesis Magister. Jakarta:
Universitas Indonesia.
7