BAB 2

LANDASAN TEORI

2.1 Simulasi
Simulasi dapat dilakukan untuk menyelesaikan masalah antrian
kendaraan. Simulasi merupakan sebuah eksperimen buatan yang
disederhanakan ke dalam sebuah sistem operasi yang prosesnya
memperhitungkan waktu dengan tujuan untuk memahami dan/atau
meningkatan sistem tersebut (Robinson, 2004, hal. 4)
Menurut Sugiarto dan Buliali (2012, hal. 236), urutan proses yang harus
dilakukan dalam membuat model simulasi adalah sebagai berikut:
1. Menganalisis masalah dan mengumpulkan informasi
2. Mengumpulkan data
3. Membangun model
4. Melakukan verifikasi model
5. Melakukan validasi model
6. Mendesain dan membuat skenario simulasi
7. Melakukan analisis output
8. Membuat rekomendasi akhir
Suatu model simulasi yang baik dapat dilihat berdasarkan nilai utilitas
resource di setiap work station. Nilai utilitas didapatkan dari hasil output
software simulasi yang digunakan. Utilitas memiliki rentang nilai dari 0 hingga
1, nilai mendekati 0 berarti resource pada work station tersebut terlalu
menganggur dan sebaliknya jika mendekati nilai 1 berarti resource pada work
station tersebut terlalu sibuk. Nilai utilitas yang terbaik adalah yang terdapat
dalam rentang 0,5 sampai 0,7 (Sugiarto & Buliali, 2012, hal. 239).
Metode simulasi ini menggunakan software simulasi yang
menggambarkan sistem sesungguhnya dengan ruang lingkup yang lebih luas
dalam sistem tiruan berupa animasi. Salah satu software yang sering digunakan
adalah ARENA.
Software simulasi ARENA merupakan salah satu software simulasi
general purpose yang berbasis pada Graphical User Interface (GUI) yang
dibuat oleh Systems Modeling Corp, USA. Software simulasi lainnya yang ada
dipasaran sampai saat ini adalah GPSS/H, SIMAN, Pro-Model, Vensim,
Powersim, dan PROOF Animation (Kelton, Sadaowski, & Zupick, 2015, hal.
11-12).

Gambar 2.1 Simulasi Menggunakan Software ARENA

5
6

Dalam menjalankan simulasi menggunakan software ARENA,

dibutuhkan beberapa proses dalam memasukkan data aktual ke dalam
pembuatan model animasi. Untuk itu dibutuhan beberapa pemilihan beberapa
panel basic process sebagai gambar yang mewakilkan proses simulasi aktual
ke dalam software ARENA. Panel basic process yang digunakan dalam
pembuatan model simulasi terdiri dari berbagai macam modul untuk
menjalankan perintah simulasi. Modul-modul tersebut diantaranya (Kelton,
Sadaowski, & Zupick, 2015, hal. 60-68):

Tabel 2.1 Jenis Modul dan Keterangan pada Software ARENA

Jenis Modul Keterangan
Digunakan pada awal pembuatan model simulasi,
pada modul ini dilakukan input data seperti, nama
model simulasi, jumlah entity yang di input, dan
Modul
waktu antar kedatangan.
Create

Digunakan untuk mengakhiri pembuatan model

simulasi, pada modul ini dapat menampilkan nama
dari dispose yang disesuaikan dengan model.
Modul Dispose
Digunakan sebagai metode proses utama dalam
pembuatan simulasi, pada modul ini dilakukan
input data seperti jumlah resource yang tersedia,
waktu proses yang dapat dipertimbangkan sebagai
Modul Process non/value-added, transfer, wait dan sebagainya.

Digunakan sebagai opsi pemilihan keputusan dalam

sebuah sistem, pemilihan keputusan yang dapat
dipilih contohnya adalah probabilitas kemungkinan
benar 80% dan kemungkinan salah 20%.
Modul Decide
Modul Batch digunakan untuk membatasi entities
yang memasuki sistem, pada modul ini dapat
dilakukan pengaturan batch size sebagai ukuran
batch yang akan dimodelkan.
Modul Batch
Modul Separate ini berfungsi sebagai pembuat
salinan entity yang datang dan dijadikan entities
yang berlipat atau membagi entity dari modul batch
sebelumnya.
Modul Separate
Digunakan untuk mengumpulkan statistik dalam
model simulasi. Jenis statistik yang dapat di-input
seperti waktu antar keluar melalui modul, entity
waktu, biaya, penelitian umum, dan statistik
Modul Record interval.
 7

Tabel 2.1 Jenis Modul dan Keterangan pada Software ARENA (lanjutan)
Pada modul data ini akan menampilkan berbagai
macam tipe dari entity dan memberikan nilai
pictures dalam simulasi. Salah satu entity yang dapat
ditampilkan adalah informasi biaya.
Modul Entity
Pada modul ini akan menampilkan jumlah sumber
daya dalam sistem simulasi. Resource dapat
ditentukan dengan pasti dan dioperasikan
berdasarkan jadwal kegagalan dari resource dapat
Modul Resource dispesifikasikan di sini.
Pada modul data ini digunakan untuk menjelaskan
ukuran variabel dan nilai awal, contoh variabel yang
dapat dimasukkan antara lain modul decide yang
dapat dimasukkan ulang nilainya dengan modul
Modul Variabel assign dan dapat digunakan pada segala expression.

Pada modul data ini, dapat dilakukan input data

yang akan mengatur jadwal pengoperasian dari
modul resource yang tersedia.
Modu Schedule
Pada modul Set akan menjelaskan berbagai macam
tipe dari sets, seperti resource, counter, tally, entity,
type, entity picture. Modul ini dapat digunakan
dalam modul process.
Modul Set

Setelah memasukkan beberapa modul kedalam simulasi ARENA,

selanjutnya adalah menghubungkan beberapa garis tersebut dengan garis
konektor. Garis ini digunakan untuk menghubungkan modul dan mengarahkan
aliran data entities. Untuk data statistikal, seperti waktu siklus dan waktu
tunggu akan dicatat dan ditampilkan secara otomatis sebagai hasil simulasi
oleh ARENA (Liong & Loo, 2009, hal. 47).

2.2 Jenis Data pada Simulasi ARENA

1. Beta
Distribusi Beta banyak digunakan untuk mewakili proporsi acak. Jenis
distribusi ini memiliki spesifikasi ukuran dari seluruh populasi Beta () dan
Alpha () sebagai bilangan asli positif. Variabel acak distribusi ini terletak
diantara 0 dan 1. Karena kisaran distribusi beta adalah dari 0 sampai 1,
Sampel X dapat ditransformasi ke skala beta sampel Y dengan range dari a
hingga b dengan menggunakan Y = a + (b a) X (Kelton, Sadaowski, &
Zupick, 2015, hal. 599).
2. Exponential
Distribusi Exponensial sering digunakan untuk model yang terdapat
perbedaan waktu antar kejadian (interevent times) pada kedatangan acak dan
proses yang berbeda. Model distribusi ini umumnya tidak dapat digunakan
pada model yang terdapat jeda waktu (delay). Spesifikasi ukuran dari
8

seluruh populasi Beta () sebagai bilangan asli positif (Kelton, Sadaowski,

& Zupick, 2015, hal. 604).
3. Gamma
Distribusi Gamma digunakan pada jenis kejadian yang memiliki parameter
integer. Model distribusi ini sering digunakan untuk mewakili jumlah waktu
yang dibutuhkan untuk menyelesaikan beberapa pekerjaan. Jenis distribusi
ini memiliki spesifikasi ukuran dari seluruh populasi Beta () dan Alpha ()
sebagai bilangan asli positif (Kelton, Sadaowski, & Zupick, 2015, hal. 605).
4. Normal
Distribusi Normal digunakan pada situasi dimana teori batas tengah berlaku,
pada kondisi ini penyebaran data terbagi secara merata atau simetris dengan
satu puncak. Rata-rata distribusi ini terletak di tengah kurva yaitu satu garis
dengan puncak kurva. Nilai rata-rata () dispesifikasikan sebagai bilangan
asli dan standar deviasi () dispesifikasikan sebagai bilangan asli positif
(Kelton, Sadaowski, & Zupick, 2015, hal. 608).
5. Weibull
Distribusi Weibull memiliki skala parameter Beta () dan bentuk parameter
Alpha () dispesifikasikan sebagai bilangan asli positif. Pada model ini
secara luas digunakan dalam model reabilitas untuk mewakilkan suatu umur
pemakaian dari suatu alat. Jika sistem terdiri dari sejumlah data yang besar
dengan bagian yang gagal secara independent dan ketika sistem itu gagal,
maka waktu antar kegagalannya berturut-turut diperkirakan distribusi ini
adalah distribusi Weibull (Kelton, Sadaowski, & Zupick, 2015, hal. 612).
6. Lognormal
Distribusi Lognormal dapat digunakan dalam kondisi dimana terdapat
banyak jumlah kuantitas produk dengan jenis random. Distribusi ini
berhubungan dengan distribusi normal jika sebuah variabel acak X adalah
distribusi Log (l, l), dan hanya jika, Ln x mengikuti distribusi normal
dengan mean dan varians . Parameter distribusi ini memiliki rata-rata
LogMean (l> 0) dan standar deviasi LogStd (l> 0) dari lognormal variabel
acak. Baik nilai LogMean dan LogStd harus terspesifikasi sebagai bilangan
asli positif (Kelton, Sadaowski, & Zupick, 2015, hal. 607).
7. Triangular
Distribusi triangular atau segitiga banyak digunakan pada situasi dimana
bentuk pasti dari distribusi tidak dapat diketahui, tetapi dapat di estimasikan
sebagai minimum, maksimum, dan data yang tersedia paling banyak.
Distribusi segitiga sangat mudah digunakan untuk menjelaskan distribusi
lainnya yang mungkin digunakan pada situasi ini. Spesifikasi nilai untuk
distribusi ini terdiri dari minimum (a), mode (m), dan maksimum (b)
sebagai bilangan asli dengan a < m < b (Kelton, Sadaowski, & Zupick,
2015, hal. 610).
8. Erlang
Distribusi Erlang dapat dipakai saat kondisi dimana terjadi suatu aktivitas
pada fase keberhasilan dengan setiap fase merupakan distribusi
eksponensial. Pada distribusi ini parameter yang digunakan adalah rata-rata
() untuk setiap komponen dengan distribusi eksponensial, dan nilai
eksponensial random variabel (k) adalah parameter distribusi, nilai
eksponensial rata-rata tergolongkan sebagai bilangan nyata positif integer
positif. Distribusi ini biasanya digunakan untuk mewakilkan permintaan
 9

waktu untuk menyelesaikan sebuah tugas (Kelton, Sadaowski, & Zupick,

2015, hal. 603).

2.3 Uji Kecukupan Data

Uji kecukupan data dilakukan untuk menentukan apakah jumlah data
yang kita ambil sudah cukup atau tidak. Data dianggap cukup apabila N (data
yang diambil) lebih besar dari N1 (data minimal yang seharusnya diambil).
Apabila data yang di ambil (N) lebih besar dari jumlah data minimal yang
seharusnya diambil (N1), ini artinya bahwa jumlah data pengamatan yang
diambil sudah cukup untuk dilakukan perhitungan selanjutnya.
Rumus Perhitungan uji kecukupan data (Wignjosoebroto, 2008, hal. 172):

N1 =

2.4 Uji Keseragaman Data

Setelah melakukan observasi data cycle time diperoleh dan dilakukan
kecukupan data, selanjutnya data harus dilakukan tes penyeragaman jenis data.
Tes keseragaman data ini bisa dilaksanakan dengan cara visual dan/atau
mengaplikasikan peta kontrol (control chart).
Untuk tes dengan cara visual dilakukan pengamatan dan
pengidentifikasikan data yang terlalu ekstrem. Data yang termasuk ekstrem
adalah data yang memiliki nilai yang terlalu besar atau terlalu kecil dan jauh
menyimpang dari trend rata-ratanya. Sehingga data ekstrem tersebut dibuang
dan tidak dimasukkan dalam perhitungan selanjutnya (Wignjosoebroto, 2008,
hal. 194).
Untuk peta kontrol dilakukan perhitungan rata-rata ( ) dari keseluruhan
data, kemudian dari seluruh data yang didapatkan dilakukan pengeplotan dari
setiap titik yang mewakilkan nilai data tersebut pada grafik pengamatan.
Selanjutnya dilakukan perhitungan batas kontrol atas (BKA) dan batas kontrol
bawah (BKB). Perhitungan BKA dan BKB dapat dilakukan dengan
menggunakan rumus (Wignjosoebroto, 2008, hal. 195):
BKA = + 3 SD
BKB = 3 SD
Setelah mendapatkan garis batas atas dan garis batas bawah, dilakukan
pengamatan dari setiap titik plot apakah berada dalam batas kontrol atau diluar
kontrol. Titik plot yang berada di dalam garis batas berarti data seragam
sedangkan titik plot yang berada di luar garis batas tersebut dibuang dan tidak
dimasukkan dalam perhitungan selanjutnya.

2.5 Verifikasi dan Validitas

Untuk memulai pembuatan simulasi, terlebih dahulu dilakukan
pengamatan langsung terhadap sebuah sistem dan interaksi komponen-
komponen yang ada didalam sistem tersebut. Setelah dilakukan pengamatan
data terkumpul dilakukan verifikasi. Proses verifikasi adalah proses yang
berguna untuk memastikan apakah model simulasi yang dibuat telah berjalan
sesuai dengan yang diharapkan dan untuk memastikan model simulasi bebas
10

dari error dan berjalan sesuai dengan konsep yang diharapkan (Sugiarto &
Buliali, 2012, hal. 237).
Selanjutnya dilakukan validitas yang akan menentukan apakah model
konseptual merupakan gambaran berarti dan akurat dari sistem nyata. Validasi
merupakan kegiatan untuk mengetahui apakah simulasi merupakan
representasi akurat dari sistem yang sedang berjalan (Manuj, 2009, hal. 185).
Setelah mendapatkan data model simulasi yang dinyatakan valid,
selanjutnya dilakukan pengujian validasi model simulasi dengan metode
Confidence Interval. Metode Confidence Interval adalah cara statistik untuk
menunjukkan bagaimana seberapa akurat dari rata-rata nilai yang diperkirakan.
Biasanya pada interval yang sempit hasil yang didapatkan akan lebih akurat.
Secara umum, semakin banyak sampel data yang dimasukkan dalam interval,
maka interval akan semakin menjadi sempit (Robinson, 2004, hal. 154). Jika
terdapat perbedaan jumlah sampel data antara data existing dan data simulasi
usulan maka metode yang digunakan adalah Welch Confidence Interval. Untuk
menghitung validasi Welch Confidence Interval dapat menggunakan rumus
(Fakhruzy, Suwignjo, & Wiratno, 2009, hal. 6):

df =

Setelah mendapatkan hasil replikasi selanjutnya adalah mencari HW

(half width). Perhitungan HW dilakukan untuk menghitung nilai eror dari data
tersebut. Untuk menghitung half width dapat dicari dengan rumus (Fakhruzy,
Suwignjo, & Wiratno, 2009, hal. 7):

hw = t df

2.6 Menghitung Replikasi

Teori replikasi adalah menjalankan model simulasi dengan menggunakan
aliran angka acak tertentu, yang pada gilirannya menyebabkan peristiwa acak
dari urutan angka tersebut. Melakukan beberapa replikasi adalah setara dengan
mengambil beberapa sampel dalam statistik. Replikasi umumnya adalah satu-
satunya metode yang tersedia untuk memperoleh cukup data output dari
mengakhiri simulasi. Sementara itu, untuk non-terminating simulasi model
pengguna dapat menggunakan berjalan panjang atau beberapa replications.
Tujuan melakukan replikasi adalah untuk menghasilkan beberapa sampel dan
untuk mendapatkan perkiraan yang lebih baik dalam meningkatkan performa
kinerja. Replikasi dapat dihitung dengan menggunakan (Law & Kelton, 2000,
hal. 513):
 11

2.7 Perhitungan Pemotongan pada Cutting Tools

Proses permesinan merupakan suatu proses yang merubah bahan baku
menjadi produk akhir yang bermanfaat, pada dasarnya proses permesinan
dibutuhkan sebagai proses akhir untuk mengurangi dimensi permukaan bahan
material setelah pengecoran. Jenis jenis proses yang dapat dilakukan dengan
proses permesinan adalah (Murthy & Sreenivas, 2013, hal. 2259):
1. Drilling
2. Boring
3. Shaping
4. Grinding
5. Reaming
6. Milling
Waktu permesinan berarti memperhitungkan waktu yang dibutuhkan
untuk menyelesaikan komponen yang diberikan sesuai dengan bentuk yang
diinginkan, estimasi waktu permesinan didapatkan dari waktu aktual yang
sudah ditambahkan dengan waktu allowance untuk diberikan kepada pekerja.
Waktu yang dibutuhkan untuk permesinan terdiri dari (Murthy & Sreenivas,
2013, hal. 2259):
1. Pemindahan material
2. Down time
3. Kelonggaran kelelahan
4. Kelonggaran pergantian tools
5. Kelonggaran inspeksi ukuran
6. Kelonggaran untuk membersihkan material
7. Mengambil bahan material baru.
Salah satu mesin yang digunakan dalam proses pembuatan cylinder head
adalah tapping center yang merupakan mesin CNC atau mesin otomatis. Mesin
tapping center berfungsi untuk membuat lubang, membesar lubang, dan
membuat chamfering. Untuk dapat mempercepat waktu proses dalam
pengeboran dapat dilakukan dengan menambahkan kecepatan putar mesin dan
kecepatan feeding rate (Groover, 2007, hal. 518).

1. Rumus kecepatan putar mesin

Keterangan:
N = Kecepatan putar mesin (rev/mm)
V = Kecepatan potong (mm/min)
D = Diameter mata bor (mm)

2. Rumus waktu permesinan bor lubang tembus

12

Keterangan:
= Waktu permesinan
t = Jarak kedalamam pemotongan
A = Kelonggaran sudut potong mata bor
= Feeding rate

3. Rumus waktu permesinan bor lubang buntu

Keterangan:
= Waktu permesinan
t = Jarak kedalamam pemotongan
= Feeding rate

4. Rumus waktu permesinan frais

Keterangan:
= Waktu permesinan
L = Jarak pemotongan
A = Kelonggaran sudut potong mata bor
= Feeding rate

2.8 Uji Hipotesa Bonferroni

Pengambilan keputusan dilakukan untuk menentukan apakah alternatif
solusi yang diberikan memiliki hasil yang berbeda dengan model yang ada
sekarang. Penentuan hipotesa telah ditentukan jika nilai 0 berada pada range
1 2 maka terima H0, dan sebaliknya jika nilai 0 berada di luar range 1
2 maka tolak H0. Jika tolak H0, maka menunjukan pada hasil model existing
dengan skenario alternatif perbaikan sangat berbeda secara signifikan.
Sehingga skenario ini dapat dipertimbangkan sebagai solusi perbaikan.
Sebaliknya, jika terima H0, maka pada hasil model existing dengan skenario
alternatif perbaikkan hampir menyerupai. Sehingga skenario ini tidak dapat
dijadikan dipertimbangkan sebagai solusi perbaikan (Zaini & Marsigit, 2014,
hal. 158-159).
Hipotesa =
H0 : 1 = 2
H1 : 1 = 2

hw 1 2 + hw

2.9 Breakeven Analysis

Breakeven point atau titik impas merupakan suatu titik yang menunjukan
hubungan matematika antara parameter pendapatan penjualan dan biaya yang
dikeluarkan dari proses permintaan hingga memasok barang ke pembeli.
Tujuan dari breakeven analysis adalah untuk menampilkan nilai dari setiap
 13

variabel atau parameter suatu projek (Blank & Tarquin, 2012, hal.341), dalam
hal ini titik impas yang dicari adalah jumlah output yang harus terjual atau
jumlah harga jual sehingga jumlahnya harus seimbang dengan biaya yang
dikeluarkan. Pada saat breakeven ini keuntungan atau profit yang didapatkan
adalah harus 0 sehingga tidak ada keuntungan atau kerugian yang didapatkan.
Breakeven point ini bermanfaat bagi setiap perusahaan untuk dapat
mengambil berbagai macam keputusan bisnis, termasuk menetapkan harga,
mempersiapkan tawaran kompetitif dan mengajukan permohonan pinjaman
dengan lembaga keuangan (Sharma, 2014, hal. 164). Untuk menghitung
breakeven point dibutuhkan data berupa biaya-biaya yang mempengaruhi
proses produksi, biaya tersebut terdiri dari (Sharma, 2014, hal. 164):
1. Biaya variabel berarti biaya yang selalu mengikuti dengan kuantitas barang
atau jasa yang dihasilkan dan juga penambahan bahan-bahan lain yang akan
diperlukan sebagai pelengkap unit yang diproduksi.
2. Biaya tetap adalah biaya yang harus dikeluarkan oleh perusahaan walaupun
jika tidak ada unit yang diproduksi. Dalam sebuah perusahaan yang
memproduksi baik satu jenis barang atau jasa, biaya ini akan mencakup
semua biaya yang diperlukan untuk menyediakan dilingkungan produksi,
seperti biaya administrasi, depresiasi peralatan, dan peraturan biaya
(regulation fee). Namun, dalam sebuah perusahaan multi produk, biaya
tetap biasanya dialokasikan untuk semua produk.

Perhitungan Breakeven Point (Blank & Tarquin, 2012, hal. 342):

= Breakeven Quantity (unit)

FC = Fixed cost
r = Revenue per unit
v = Variable cost per unit

Profit = Revenue (FC + V)

14