Simulasi sistem antrian klinik kecantikan Dr. Retnowati dilakukan untuk memodelkan sistem antrian sebenarnya dan mengetahui cara meningkatkan efisiensi waktu tunggu. Penelitian ini menganalisis distribusi data kedatangan pelanggan dan waktu pelayanan untuk setiap tahapan serta melakukan uji validitas untuk membuktikan simulasi sesuai dengan kondisi nyata. Hasilnya menunjukkan simulasi dapat mewakili sistem sebenarn

1. SIMULASI SISTEM ANTRIAN KLINIK KECANTIKAN
DR.RETNOWATIJl. Manyar Jaya 4/B N0. 19A Surabaya
Mata Kuliah :
Teknik Simulasi

2. Anggota Kelompok
1 Ainul Fatwa K (1310100096)
2 Esti Lutfikasari (1310100098)
3 Yanti Anggraeni (1310100100)
4 Sistya Rosi Diaprina (1310100104)
5 Nanta Sigit (1310100106)
6 Zakariyah (1310100702)
7 Rosyid Abdillah (1310100704)

3. Latar Belakang
Latar belakang
Pada zaman modern saat ini, banyak masyrakat yang sering
heboh dalam masalah penampilan. Banyak di antara
mereka yang bermasalah mulai ujung rambut sampai ujung
kaki. Pada umumnya mereka remaja putri yang sangat
memperhatikan penampilan sering sekali merasa kurang
nyaman apabila salah satu bagian tubuh mereka ada yang
kurang. Sehingga tak jarang mereka mengunjungi klinik
kecantikan untuk melakukan perawatan atau hanya sekedar
berkonsultasi. Namun saat ini tidak hanya perempuan saja
yang mulai melakukan perawatan ini, priapun sudah mulai
banyak yang melakukan perawatan di klinik-klinik
kecantikan.
Melihat banyaknya orang yang mulai melakukan perawatan
ini, maka semakin banyak pula klinik-klinik kecantikan yang
mulai membuka praktek di kalangan masyarakat. Salah satu
klinik kecantikan tersebut adalah Klinik Kecantikan “dr.
Retnawati” yang berada di Surabaya. Antrian yang panjang,
jam server yang sibuk, dan waktu tunggu yang lama
menyebabkan terjadinya antrian

4. RumusanRumusan masalah:
Masalah
Bagaimana model simulator dari Sistem antrian di Klinik
Kecantikan “dr.Retnowati” Surabaya?
Apakah Simulasi ini dapat mewakili sistem
sesungguhnya?

5. Tujuan
Tujuan penelitian
1
Mengetahui model simulator untuk sistem antrian pada klinik
kecantikan “dr.Retnowati” Surabaya
2
Mengetahui cara untuk mengefisiensikan waktu tunggu
pelanggan dalam sistem antrian di Klinik Kecantikan
“dr.Retnowati” Surabaya

6. Manfaat penelitian
Manfaat
Bagi Peneliti Bagi Klinik Kecantikan
Dapat menerapkan mata kuliah teknik simulasi dalam
membuat model simulator Dapat mengefisiensikan
Dapat mengetahui bagaimana sistem antrian yang
baik.
waktu tunggu pelanggan

7. Batasan masalah
Batasan Simulasi
Penelitian ini diasumsikan pada tahap treatment
adalah satu server bisa melayani beberapa paket
treatment. Dalam antrian simulator memakai FIFO.
Penghitungan tahap dimulai dari registrasi sampai
tahap pembayaran.

8. LANDASAN
TEORI

9. Konsep dasar antrian
Output
Input (customer) Proses Pelayanan (customer
yang telah
dilayani)

10. Unsur dasar model antrian
 kedatangan pelanggan waktu pelayanan disebut distribusi
kedatangan (arrival distribution)
 distribusi waktu pelayanan (service time distribution)
Kedua distribusi ini mewakili kondisi dimana pelanggan tiba
dan dilayani secara individual (sebagai contoh : bank dan
supermarket). Tetapi jika pelanggan tiba dalam kelompok
(sebagai contoh : restoran) dan dilayani secara kelompok,
maka kasus ini disebut sebagai antrian kelompok (bulk
queue).

11. Disiplin antrian

12. Jenis-jenis antrian
SINGLE CHANNEL SINGLE CHANNEL
SINGLE PHASE MULTI PHASE
MULTI CHANNEL MULTI CHANNEL
SINGLE PHASE MULTI PHASE

13. Model antrian
M / M / 1 / I / I : berarti tingkat kedatangan berdistribusi poisson, tingkat
pelayanan berdistribusi eksponensial, jumlah server sebanyak 1, serta jumlah
sumber populasi ( input ) dan panjang antrian sifatnya tidak terbatas.
M / M / S / I / I : berarti tingkat kedatangan berdistribusi poisson, tingkat
pelayanan berdistribusi eksponensial, jumlah server sebanyak S, serta jumlah
sumber populasi ( input ) dan panjang antrian sifatnya tidak terbatas
M / M / 1 / I / F : berarti tingkat kedatangan berdistribusi poisson, tingkat
pelayanan berdistribusi eksponensial, jumlah server sebanyak 1, jumlah sumber
populasi ( input ) tidak terbatas dan panjang antrian sifatnya terbatas
M / M / S / I / F : berarti tingkat kedatangan berdistribusi poisson, tingkat
pelayanan berdistribusi eksponensial, jumlah server sebanyak S, jumlah sumber
populasi ( input ) tidak terbatas dan panjang antrian sifatnya terbatas

14. Simulasi
Simulasi adalah suatu teknik numerik untuk melakukan percobaan-percobaan
pada suatu komputer digital, yang melibatkan bentuk-bentuk fungsi matematika
dan logika tertentu untuk menjelaskan tingkah laku dan struktur suatu sistem
nyata yang kompleks. Simulasi dapat digunakan untuk merancang, menganalisa,
dan menilai suatu sistem.

15. EXTEND
event Inf o Rand
F
count
V 1 2 3 1 2 3 L W
0,197368
a
a F U #
Exit
? b
0,802632
b D C L W
select

16. METODOLOGI
PENELITIAN

17. Sumber Data
Pada penelitian ini data yang digunakan adalah data
primer yaitu data diambil secara langsung di Klinik
Kecantikan “dr.Retnowati” yang buka praktik pada :
Hari : Senin - Sabtu
Pukul : 08.00 – 20.00 WIB
Tempat dan Waktu Penelitian
Pengamatan sistem antrian dilakukan di Klinik
Kecantikan “dr.Retnowati” yang berada di Jl. Manyar
Jaya 4/B N0. 19A Surabaya pada sabtu 24 November
2012 Penelitian
Survey 1 hari tanggal 24 November 2012
pukul18.30 WIB 2 kali shift

18. Tahapan Proses Pelayanan
4. 5.
1. Registrasi 2. Konsultasi 3. Treatmen
Beli Obat Pembayaran

19. Alat dan bahan
Software
Stopwatch Statistika Laptop/
Alat Tulis Flashdisk
/ arloji PC

22. ANALISIS DAN
PEMBAHASAN

23. UJI KEACAKAN
DATA

24. Uji keacakan
Waktu antar
0,106
kedatangan
Pelayanan registrasi 0,271
Pelayanan konsultasi 0,327 0,480 0,716
Pelayanan treatment 0,225 0,663 0,513
1,000 0,513
Pelayanan apotek 0,710 0,603
Pelayanan kasir 0,145 0,790

25. UJI KECUKUPAN
DATA

26. Uji kecukupan data
waktu konseling treament apotik kasir
regist
antar
rasi
kedatang 1 2 3 1 2 3 4 5 1 2 1 2
tingkat
kepercayaa
n 20% 20% 30% 20% 20% 20%
tingkat
ketelitian 25% 20% 40% 25% 20% 15%
kecukupan 2,4
data 29,47 14,78 7,95 5,75 5 4,63 3,89 4,85 5,41 4,16 9,44 6,7 15,73 2,81
data yang
diambil 35 35 9 6 7 7 5 5 6 5 13 12 18 17

27. Uji Distribusi
Data dan
Validitas Server

28. Waktu antar kedatangan
Probability Density Function
H0: Waktu lama pelayanan
0.64 dokter 1 berdistribusi
Gamma
0.56
H1: Waktu Lama
0.48 pelayanan dokter 1 tdk
0.4 berdistribusi
Gamma
f(x)
0.32
0.24
Gagal Tolak H0C
0.16
0.08
0
0 1000 2000 3000 4000 5000
x
Histogram Gamma

29. Lama Registrasi
H0: Waktu lama pelayanan
dokter 1 berdistribusi
normal
H1: Waktu Lama
pelayanan dokter 1 tdk
berdistribusi
normal
Gagal Tolak H0C

30. Uji validitas lama regitrasi
H0 : Data waktu registrasi dari
simulator dan data waktu
registrasi asli memiliki
distribusi yang identik.
H1 : Data waktu registrasi dari
simulator dan data waktu
registrasi asli memiliki
distribusi yang berbeda.
GAGAL
TOLAK H0

31. Lama
Konsultasi

32. Konsultasi Server 1
H0: Waktu lama pelayanan
dokter 1 berdistribusi
Lognormal
H1: Waktu Lama
pelayanan dokter 1 tdk
berdistribusi
Lognormal
Gagal Tolak H0C

33. Uji validitas konsultasi 1
H0 : Data lama pelayanan
dokter pertama dari simulator
dan data lama pelayanan
dokter pertama asli memiliki
distribusi yang identik.
H1 : Data lama pelayanan
dokter pertama dari simulator
dan data lama pelayanan
dokter pertama asli memiliki
distribusi yang berbeda.
GAGAL
TOLAK H0

34. Konsultasi Server 2
H0 : Data lama pelayanan
dokter kedua
pengamatan
berdistribusi lognormal
H1 : Data lama pelayanan
dokter kedua
pengamatan tidak
berdistribusi lognormal
Gagal Tolak H0

35. Uji validitas konsultasi 2
H0 : Data lama pelayanan dokter
kedua dari simulator dan data lama
pelayanan dokter kedua asli
memiliki distribusi yang identik.
H1 : Data lama pelayanan dokter
kedua dari simulator dan data lama
pelayanan dokter kedua asli
memiliki distribusi yang berbeda.
GAGAL
TOLAK H0

36. Konsultasi Server 3
H0 : Data lama
pelayanan
dokter ketiga
pengamatan
berdistribusi pearson
5
H1 : Data lama
pelayanan
dokter ketiga
pengamatan tidak
berdistribusi pearson
5
Gagal Tolak H0

37. Uji validitas konsultasi 3
H0 : Data lama pelayanan dokter
ketiga dari simulator dan data lama
pelayanan dokter ketiga asli
memiliki distribusi yang identik.
H1 : Data lama pelayanan dokter
ketiga dari simulator dan data lama
pelayanan dokter ketiga asli
memiliki distribusi yang berbeda
GAGAL
TOLAK H0

38. Lama
treatmenT

39. Treatment server 1
H0 : Data waktu Pelayanan
Treatment yang ditangani server 1
berdistribusi uniform
H1 : Data waktu Pelayanan
Treatment yang ditangani server 1
tidak berdistribusi Uniform
Gagal Tolak H0

40. Uji validitas treatment 1
H0 : Data waktu waktu Treatment
server 1 dari simulator dan data
waktu Treatment server 1 dari
pengamatan sebenarnya memiliki
distribusi yang identik.
H1 : Data waktu waktu Treatment
server 1 dari simulator dan data
waktu Treatment server 1 dari
pengamatan sebenarnya memiliki
distribusi yang berbeda.
GAGAL
TOLAK H0

41. Treatment server 2
H0 : Data waktu Pelayanan
Treatment yang ditangani server 1
berdistribusi Johnson SB
H1 : Data waktu Pelayanan
Treatment yang ditangani server 1
tidak Johnson SB
Gagal Tolak H0

42. Uji validitas treatment 2
H0 : Data waktu waktu Treatment server
2 dari simulator dan data waktu
Treatment server 2 dari pengamatan
sebenarnya memiliki distribusi yang
identik.
H1 : Data waktu waktu Treatment server
2 dari simulator dan data waktu
Treatment server 2 dari pengamatan
sebenarnya memiliki distribusi yang
berberda.
GAGAL
TOLAK H0

43. Treatment server 3
H0 : Data waktu Pelayanan
Treatment yang ditangani server 1
berdistribusi Uniform
H1 : Data waktu Pelayanan
Treatment yang ditangani server 1
tidak berdistribusi Uniform
Gagal Tolak H0

44. Uji validitas treatment 3
H0 : Data waktu waktu Treatment server
3 dari simulator dan data waktu
Treatment server 3 dari pengamatan
sebenarnya memiliki distribusi yang
identik.
H1 : Data waktu waktu Treatment server
3 dari simulator dan data waktu
Treatment server 3 dari pengamatan
sebenarnya memiliki distribusi yang
berbeda.
GAGAL
TOLAK H0

45. Treatment server 4
H0 : Data waktu Pelayanan
Treatment yang ditangani server 1
berdistribusi Normal
H1 : Data waktu Pelayanan
Treatment yang ditangani server 1
tidak berdistribusi Normal
Gagal Tolak H0

46. Uji validitas treatment 4
H0 : Data waktu waktu Treatment server
4 dari simulator dan data waktu
Treatment server 4 dari pengamatan
sebenarnya memiliki distribusi yang
identik.
H1 : Data waktu waktu Treatment server
4 dari simulator dan data waktu
Treatment server 4 dari pengamatan
sebenarnya memiliki distribusi yang
berbeda.
GAGAL
TOLAK H0

47. Treatment server 5
H0 : Data waktu Pelayanan
Treatment yang ditangani server 1
berdistribusi Johnson SB
H1 : Data waktu Pelayanan
Treatment yang ditangani server 1
tidak berdistribusi Johnson SB
Gagal Tolak H0

48. Uji validitas treatment 5
H0 : Data waktu waktu Treatment server
5 dari simulator dan data waktu
Treatment server 5 dari pengamatan
sebenarnya memiliki distribusi yang
identik.
H1 : Data waktu waktu Treatment server
5 dari simulator dan data waktu
Treatment server 5 dari pengamatan
sebenarnya memiliki distribusi yang
berbeda.
GAGAL
TOLAK H0

49. Lama
beli obat

50. Beli obat server 1
H0 : Data pasien yang beli obat di
server pertama memiliki distribusi
Johnson SB
H1 : Data pasien yang beli obat di
server pertama tidak memiliki
distribusi Johnson SB
Gagal Tolak H0

51. Uji validitas obat 1
H0 : Data pasien yang beli obat di server
pertama dari simulator dan data pasien
yang beli obat di server pertama hasil
pengamatan memiliki distribusi yang
identik.
H1 : Data pasien yang beli obat di server
pertama dari simulator dan data pasien
yang beli obat di server pertama hasil
pengamatan memiliki distribusi yang
berbeda.
GAGAL
TOLAK H0

52. Beli obat server 2
H0 : Data pasien yang beli obat
di server kedua memiliki
distribusi Gamma
H1 : Data pasien yang beli obat
di server kedua tidak memiliki
distribusi Gamma
Gagal Tolak H0

53. Uji validitas obat server 2
H0 : Data pasien yang beli obat di
server kedua dari simulator dan
data pasien yang beli obat di server
kedua hasil pengamatan memiliki
distribusi yang identik.
H1 : Data pasien yang beli obat di
server kedua dari simulator dan
data pasien yang beli obat di server
kedua hasil pengamatan memiliki
distribusi yang berbeda.
GAGAL
TOLAK H0

54. Lama
pembayaran

55. Pembayaran server 1
H0 : Data pasien yang bayar di
server pertama memiliki
distribusi Johnson SB.
H1 : Data pasien yang bayar di
server pertama tidak memiliki
distribusi Johnson SB.
Gagal Tolak H0

56. Uji validitas pembayaran 1
H0 : Data pasien yang bayar di server
pertama dari simulator dan data
pasien yang bayar di server pertama
hasil pengamatan memiliki distribusi
yang identik.
H1 : Data pasien yang bayar di server
pertama dari simulator dan data
pasien yang bayar di server pertama
hasil pengamatan memiliki distribusi
yang berbeda.
GAGAL
TOLAK H0

57. Pembayaran server 2
H0 : Data pasien yang
bayar di server kedua
memiliki distribusi
Johnson SB.
H1 : Data pasien yang
bayar di server kedua
tidak memiliki distribusi
Johnson SB.
Gagal Tolak H0

58. Uji validitas pembayaran 2
H0 : Data pasien yang bayar di server
kedua dari simulator dan data
pasien yang bayar di server kedua
hasil pengamatan memiliki distribusi
yang identik.
H1 : Data pasien yang bayar di server
kedua dari simulator dan data
pasien yang bayar di server kedua
hasil pengamatan memiliki distribusi
yang berbeda.
GAGAL
TOLAK H0

59. UJI VALIDITAS
SISTEM

60. VALIDITAS SISTEM
5000
4800
4600
4400
Axis Title
4200 Series1
4000
3800
3600
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59 61 63 65 67 69 71 73 75 77
Axis Title

61. H0 : Lama dalam sistem dari simulator = lama dalam sistem data asli
H1 : Lama dalam sistem dari simulator ≠ lama dalam sistem data asli

62. KESIMPULAN

63. • Distribusi untuk waktu antar kedatangan dan waktu pelayanan pada masing-
masing tahap di klinik kecantikan dr. Retnawati ditampilkan pada tabel di
bawah ini.

64. • Data lama waktu antar kedatangan dan data pelayanan
pada setiap tahap memiliki distribusi yang sama dengan
data hasil simulasi extend
• Dari hasil uji validitas sistem diperoleh hasil bahwa lama
waktu lama dalam sistem dari simulator sama dengan
lama waktu dalam sistem data asli sehingga dapat
disimpulkan bahwa sistem simulasi sudah valid untuk
antrian di klinik kecantikan dr. Retnoati dapat diakatakan
bahwa simulasi mewakili sistem dengan n (n data asli = 35
dan n data extend=78)

65. Dibalik Layar
1. Survey di Natasha ternyata ditolak mentah-mentah
2. Survey di LBC ternyata harus menunggu keputusan
dari pusat selama kurang lebih satu bulan
3. Survey di Apotik RS Haji sudah mengirimkan surat
namun ternyata tidak ada respon dari pihak Apotik
4. AKHIRNYA, berkat saran salah saumenuju ke sebuah
klinik kecantika didaerah Manyar, meskipun kecil
Namun pelanggannya lumayan banyak

66. TERIMA KASIH KLINIK
DR.RETNOWATI !!!

67. Bersikaplah kukuh seperti batu karang yang
tidak putus-putusnya
dipukul ombak. Ia tidak saja tetap berdiri
kukuh, bahkan ia menentramkan
amarah ombak dan gelombang itu.
(Marcus Aurelius)