bab 2 landasan teori 2.1 pengambilan dan pengolahan...
TRANSCRIPT
BAB 2
LANDASAN TEORI
2.1 Pengambilan dan Pengolahan Data
2.1.1 Rumus Jarak dan Kecepatan
Dalam melakukan observasi, kecepatan yang diambil ada 2 macam.
1. Kecepatan konstan, yaitu kecepatan yang dihitung berdasarkan
panjang jalan yang diamati dan waktu tempuh yang dialami oleh
sampel. Kecepatan ini dapat dihitung dengan rumus:
di mana : = kecepatan
= jarak tempuh
= waktu tempuh
2. Kecepatan tak konstan, yaitu kecepatan yang dialami oleh sampel
secara nyata, termasuk percepatan dan perlambatannya. Kecepatan
jenis ini dicatat langsung secara manual pada saat observasi.
2.1.2 Rata-rata dan Simpangan
Dalam penelitian ini akan dicari rata-rata kecepatan, jarak, dan kepadatan
lalu lintas dan semua perhitungan yang terjadi dilaksanakan berdasarkan
perhitungan sampel yang diambil dari observasi. Karena itu, rata-rata atau nilai
tengah dari sampel yang telah diperoleh dapat dihitung dengan rumus:
∑
13
di mana : = rata-rata sampel
= sampel
= banyak sampel
Sedangkan ragam dari sampel tersebut dapat dihitung dengan rumus:
∑ ∑1
di mana : = ragam sampel
= sampel
= banyak sampel
2.1.3 Teknis Pengambilan Sampel
Dalam penelitian, pengambilan sampel merupakan salah satu hal yang
penting yang harus diperhatikan, baik dari segi perencanaan maupun
pelaksanaan. Apalagi tujuan dari penelitian tersebut adalah untuk
menggambarkan sistem dalam suatu simulasi.
Pada dasarnya, pengambilan sampel atau sampling selalu disesuaikan
dengan kebutuhan, serta tujuan yang ingin dicapai dalam suatu penelitian.
Menurut Sugiyono (1999, p73-78) sampling, pada dasarnya dapat dibagi menjadi
dua.
1. Probability Sampling, teknik pengambilan data yang memberikan
peluang yang sama bagi setiap unsur populasi untuk dipilih menjadi
anggota sampel. Teknik ini meliputi:
14
a. Simple random sampling, sampling acak tanpa memperhatikan
strata;
b. Proportionate stratified random sampling, sampling acak,
tetapi diambil sama jumlahnya per strata;
c. Disproportionate stratified random sampling, sampling acak,
diambil berbeda-beda jumlahnya per strata, sesuai banyaknya
populasi dalam tiap stratanya;
d. Area sampling, sampling acak berdasarkan daerah populasi
yang telah ditetapkan.
2. Non Probability Sampling, teknik pengambilan sampel yang tidak
memberi peluang yang sama bagi setiap unsur populasi untuk dipilih
menjadi sampel. Teknik sampel ini meliputi:
a. Sampling sistematis, pengambilan sampel berdasarkan urutan
dari anggota populasi yang telah diberi nomor urut
sebelumnya;
b. Sampling kuota, pengambilan sampel secara terus-menerus
sampai memenuhi jumlah (kuota) yang diinginkan;
c. Sampling aksidental, teknik penentuan sampel berdasarkan
kebetulan;
d. Sampling purposive, teknik penentuan sampel berdasarkan
pertimbangan tertentu;
e. Sampling jenuh, teknik penentuan sampel bila semua anggota
populasi digunakan sebagai sampel;
15
f. Sampling snowball, teknik penentuan sampel yang mula-mula
jumlahnya kecil, kemudian membesar.
Dalam penelitian ini, telah diketahui bahwa pada jam-jam tertentu, lalu
lintas di jalan-jalan yang menjadi fokus penelitian yaitu jalan-jalan di sekitar
kampus BINUS University lebih padat daripada jam-jam lainnya. Karena itu
waktu pengambilan sampel akan dibagi menjadi dua bagian sebagai berikut.
1. Rush hours atau peak hours atau jam-jam sibuk, yaitu waktu-waktu di
mana lalu lintas lebih padat dan intensitas kemacetannya lebih tinggi.
Waktu-waktu itu adalah waktu-waktu di mana terjadi pergantian jam
kuliah di BINUS University. Di BINUS University, 1 shift kuliah
adalah selama 100 menit, yang kemudian akan diikuti dengan 20
menit waktu istirahat. Shift pertama setiap harinya dimulai pada pukul
7.20 pagi dan akan berakhir pada pukul 9.00. Shift selanjutnya mulai
pada pukul 9.20 dan selesai pukul 11.00, dan seterusnya. Dengan
demikian dapat disimpulkan bahwa rush hour pada jalan-jalan yang
menjadi fokus penelitian terjadi setiap jam-jam ganjil setiap hari dan
waktu kuliah, yaitu dari hari Senin sampai hari Sabtu. Hari Senin
sampai Jumat waktu kuliah adalah dari pukul 7.00 sampai pukul
19.00, sedangkan pada hari Sabtu dari pukul 7.00 sampai pukul
17.00;
2. Off hours atau jam-jam kosong, yaitu waktu-waktu di mana lalu lintas
lebih kosong dan intensitas terjadinya kemacetan lebih rendah.
Waktu-waktu itu adalah waktu-waktu ketika sebagian besar
16
mahasiswa BINUS University sedang berada di dalam kelas untuk
mengikuti perkuliahan. Bila pergantian kelas terjadi pada jam-jam
ganjil, seperti yang telah dijabarkan sebelumnya, maka dapat
disimpulkan off hours terjadi pada jam-jam genap di mana sebagian
besar mahasiswa BINUS University masih mengikuti pelajaran di
dalam kelas. Disamping itu, pada hari Jumat terdapat waktu
kerohanian, yaitu pada pukul 11.20 sampai pukul 13.00, pada waktu
tersebut pada umumnya kondisi jalan di sekitar kampus BINUS
University terbilang sepi, karena sebagian besar mahasiswa dan
karyawan BINUS University sedang menjalankan ibadat.
Dari keterangan-keterangan yang telah dipaparkan sebelumnya, maka
dapat disimpulkan dalam penelitian ini harus dilakukan simple random sampling
tetapi waktu dan tempat pengambilan data ditentukan secara purposive, yaitu di
jalan-jalan sekitar kampus BINUS University pada rush hours dan pada saat off
hours.
2.1.4 Teori Observasi Lalu Lintas
Tujuan dari penelitian ini adalah untuk membuat suatu simulasi dari
kondisi lalu lintas di sekitar kampus BINUS University sehingga dapat
disimpulkan apakah pemisahan lajur antara sepeda motor dan mobil merupakan
salah satu cara yang efektif untuk mengurangi intensitas kemacetan.
17
Salah satu indikator dari intensitas lalu lintas adalah kecepatan perjalanan
atau waktu perjalanan. Kecepatan rata-rata dari kendaraan-kendaraan melintasi
jalan juga dapat diketahui dari waktu perjalanan. Agar data yang diperoleh dapat
secara konsisten diperbandingkan, maka survei sebaiknya sesuai dengan Panduan
Survei yang dikeluarkan oleh Dirjen Bina Marga.
Ketentuan-ketentuan yang ditetapkan telah teruji sesuai untuk diterapkan
di Indonesia yang padasa dasarnya telah dipilih berdasarkan ketepatan
matematik, kemudahan pelaksanaan dan hasil survey yang sangat mendekati
sasaran.
Kecepatan adalah tingkat pergerakan lalu lintas atau kendaraan yang
sering dinyatakan dalam kilometer per jam. Terdapat dua kategori kecepatan
rata-rata yaitu:
1. Kecepatan waktu rata-rata, yaitu rata-rata dari sejumlah kecepatan
pada lokasi tertentu;
2. Kecepatan ruang rata-rata atau kecepatan perjalanan yang mencakup
waktu perjalanan dan hambatan.
Metode yang dipakai untuk mendapatkan data adalah Metode Kendaraan
Contoh.
18
A. Pengertian Metode Kendaraan Contoh
Cara ini dilakukan dengan kendaraan contoh yang dikendarai pada arus
lalu lintas dengan mengikuti salah satu dari kondisi operasi sebagai berikut:
1. Pengemudi mengatur kecepatan sesuai dengan perkiraan
kecepatan arus kendaraan.
2. Kendaraan contoh melaju sesuai dengan kecepatan batas kecuali
terhambat oleh kondisi lalu lintas yang disurvey.
B. Tata Cara Survey
Titik awal dan titik akhir dari rute yang disurvey perlu diidentifikasi
terlebih dahulu untuk memperkirakan kondisi lalu lintas yang ada. Titik-titik
antara di sepanjang rute perlu juga diidentifikasi yang dapat dipakai sebagai titik
kontrol.
Stop watch dimulai pada titik awal survey. Selanjutnya kendaraan contoh
dikendarai di sepanjang rute sesuai dengan perkiraan kriteria operasi yang
diambil. Pada akhir rute, stop watch dihentikan, dan waktu total perjalanan
dicatat. Jarak rute serta jarak pada masing-masing seksi dapat diperoleh dari
odometer kendaraan contoh.
19
C. Perhitungan Hasil Survey
Pada metode ini, rangkuman statistik dapat dihasilkan pada masing-
masing seksi di antara rute yang disurvey yang mencakup kecepatan dan
hambatan yang ada. Kecepatan total perjalanan dan kecepatan perjalanan
bergerak dapat diperoleh dari persamaan berikut.
60
dimana : = kecepatan perjalanan (kpj)
= panjang rute/seksi (km)
= waktu tempuh (menit)
2.2 Pemodelan Data
2.2.1 Teori Automata
Automaton adalah model matematik untuk finite state machine (FSM).
FSM adalah sebuah mesin yang apabila diberikan input berupa simbol-simbol
akan “meloncat” melalui beberapa baris states menurut fungsi transisinya yang
biasanya diekspresikan dalam bentuk tabel.
Input yang masuk ke dalam sistem dibaca simbol demi simbol. Sebuah
automaton dikatakan berhenti apabila inputnya sudah habis. Bergantung pada di
state mana automaton berhenti, dikatakan bahwa automaton menerima/accept
atau menolak/reject input tersebut. Apabila automaton mendarat di accept state,
maka automaton tersebut menerima input. Apabila mendarat di reject-accept
state, input ditolak.
20
2.2.2 Cellular Automata dan Model Nagel and Schreckenberg (NaSch)
Cellular automata adalah sebuah model diskrit yang dipelajari dalam
bidang teori perhitungan, matematika, dan biologi teoritikal. Cellular automata
terdiri dari tabel yang berisi sel-sel, di mana setiap cell berada dalam states
tertentu yang jumlahnya terbatas. Tabel tersebut dapat berdimensi berapa pun
yang terbatas.
Waktu juga diskrit, dan state dari sebuah cell pada waktu adalah sebuah
fungsi dari states dari sejumlah cell lainnya (disebut tetangganya/neighborhood)
pada waktu 1. Tetangga-tetangga ini merupakan sel-sel pilihan yang
berhubungan dengan cell yang dimaksud, dan tidak berubah (meskipun cell itu
sendiri berada dalam neighborhood, tetapi biasanya tidak dianggap sebagai
tetangga). Setiap cell mempunyai aturan yang sama dalam updating, didasarkan
pada nilai dari neighborhood ini. Setiap kali aturan-aturan digunakan untuk
seluruh tabel, sebuah generasi baru tercipta. Aturan-aturan tersebut dapat
diterapkan berulang-ulang sebanyak langkah yang diinginkan.
Von Neumann merupakan salah satu dari orang pertama yang memikirkan
model seperti itu, dan mengaplikasikan sebuah model selular ke dalam universal
constructor-nya.
Cellular automata dipelajari pada awal 1950 sebagai sebuah model yang
memungkinkan untuk sistem biologis (Wolfram 2002, p48). Penelitian
mendalam atas selular automata dilakukan oleh S. Wolfram dimulai dari tahun
1980an, dan penelitian mendasar Wolfram pada bidang ini menghasilkan sebuah
buku 'A New Kind of Science (Wolfram 2002)'.
21
Pada dasarnya Model NaSch adalah simulasi lalu lintas dengan
menggunakan cellular automata yang pertama kali diperkenalkan. Ide dasar dari
model ini adalah untuk mensimulasikan gerak kendaraan pada satu jalur dengan
satu set update rules yang paralel untuk mendeskripsikan fitur lalu lintas secara
mikro.
Dalam penelitian ini digunakan model NaSch yang dimodifikasi dan
mengambil dua macam partikel yaitu sepeda motor dan mobil ke dalam proses
dan mendefinisikan aturan cellular automata sebagai pengatur logika
pergerakan, termasuk logika maju ke depan dan pergantiah posisi lateral dari
“kiri” ke “kanan”, atau sebaliknya. Kendaraan (baik sepeda motor maupun
mobil) akan berpindah “lajur” apabila kondisi berikut terpenuhi.
1. Jarak dengan kendaraan di depannya pada lajur saat ini, kurang dari
kecepatan saat ini.
2. Jarak dengan kendaraan di depannya pada lajur sebelah, lebih besar
dari kecepatan saat ini.
3. Perubahan lajur tidak akan menabrak atau menghalangi kendaraan
lain. Karena itu, perubahan lajur hanya mungkin terjadi pada
kendaraan apabila lajur sebelah dalam kondisi kosong dan
kecepatan (yang nilainya sama dengan jarak untuk time step satu
detik) kendaraan dibelakang kendaraan lebih kecil dari jarak antara
kendaraan dengan kendaraan dibelakangnya.
22
Jika , , adalah jarak antara kendaraan i dengan kendaraan
tepat di depannya, di depan kirinya, dan di depan kanannya. Sedangkan
, , , , , , , adalah posisi kendaraan i,
kiri depan dan kanan depan dari kendaraan i. Lalu, , 0 ,
, 0 , , 0 , , 0 , dan , 0 adalah kecepatan
kendaraan i, kiri depan, kanan depan, kiri belakang, dan kanan belakang dari
kendaraan i. Besaran , , , menggambarkan panjang dari kendaraan i,
kendaraan di depan dan di kiri dan di kanan i. menggambarkan perubahan
posisi lateral vektor, di mana 0, 1 menggambarkan perpindahan
kendaraan i ke kanan, dan 0, 1 menggambarkan perpindahan kendaraan i
ke kiri. Dan jika diasumsikan kendaraan mulai pada kecepatan , 0 dan
posisi , , maka sistem akan diupdate dengan ketentuan sebagai
berikut.
23
1. Speed Update
Kendaraan i akan berubah kecepatannya menurut aturan:
1,0 , , 0
,
,
, , 0
2. Movement Update
Partikel i bergerak dari ke berdasarkan kecepatan
terbarunya yaitu 1. Berikut flowchart yang
menggambarkan perhitungan dari movement update.
24
Gambar 2.1 Aturan Perubahan Kondisi Kendaraan Sumber: Lan, Chang, 2003, p6
25
Gambar 2.2 Aturan Perubahan Kondisi Kendaraan (lanjutan) Sumber: Lan, Chang, 2003, p7
26
2.2.3 Particle Hopping Model
Untuk membuat model dari suatu kondisi lalu lintas harus dilakukan
beberapa survey, sehingga model yang dibuat benar-benar mendekati kenyataan,
dan dapat dipertanggungjawabkan.
Particle Hopping Model pada dasarnya menggambarkan komponen-
komponen simulasi ke dalam bentuk partikel. Untuk menentukan banyaknya
partikel dalam satu komponen dan ukuran partikel dalam sistem, tentunya
harus diketahui terlebih dahulu ukuran komponen tersebut.
Berdasarkan pengamatan akan besaran yang umumnya dipakai di
Indonesia, ditetapkan satuan waktu yang digunakan adalah detik dan satuan
panjang yang digunakan adalah satuan metrik dengan SI base unit (km, m,
mm).
Dari data-data yang diperoleh dapat ditentukan besar partikel/cell untuk
setiap komponennya, baik jalan maupun setiap jenis kendaraan yang termasuk di
dalamnya.
Setiap cellnya mempunyai 2 alternatif kondisi, yaitu kosong atau terisi
dengan kendaraan.
Berikut gambaran 8 kondisi yang mungkin terjadi pada jalan dengan 1
jalur dengan 2 jenis kendaraan yaitu mobil dan motor yang tercampur.
27
Gambar 2.3 Alternatif Posisi Kendaraan Sumber: Lan, Chang, 2003, p4
28
2.3 Penyajian dan Penampilan Data
2.3.1 Teori Simulasi
Seperti yang telah dijelaskan pada bab-bab sebelumnya, dari penelitian
ini diharapkan dapat menggambarkan dengan jelas pergerakan kendaraan
khususnya sepeda motor yang telah diketahui sebagai salah satu faktor kuat yang
menyebabkan kemacetan di jalan-jalan di Jakarta pada umumnya, dan di sekitar
BINUS University pada khususnya.
Kendala yang ditemui adalah banyaknya faktor yang mempengaruhi laju
kendaraan itu sendiri. Ditambah lagi tidak pastinya gerak dari tiap kendaraan
yang disebabkan oleh suatu faktor yang tidak dapat diduga.
Menurut Law dan Kelton (1991, p1), simulasi atau juga dapat disebut
pengimitasian adalah meniru atau menggambarkan operasi-operasi yang terjadi
pada berbagai macam fasilitas atau proses yang terjadi pada kehidupan nyata
dengan menggunakan bantuan komputer. Fasilitas-fasilitas atau proses-proses
yang disebutkan di atas itulah yang dikenal dengan nama sistem. Lebih
lengkapnya, sistem adalah kumpulan kesatuan, yang bekerja dan berinteraksi
bersama-sama menuju hasil akhir yang logis, yang menjadi tujuan bersama.
Untuk mempelajari suatu sistem secara ilmiah, asumsi-asumsi tentang
bagaimana sistem itu bekerja seringkali harus dilakukan. Asumsi-asumsi ini
biasanya dipaparkan dalam relasi matematik atau logik. Dari sanalah dibangun
sebuah model yang digunakan untuk mencoba membangun pengertian tentang
kerja atau perilaku dari sistem yang bersangkutan.
29
Apabila hubungan yang membangun model cukup sederhana, dapat
digunakan metode-metode matematik seperti aljabar, kalkulus, atau teori
probabilitas untuk mendapatkan jawaban yang pasti. Solusi ini dikenal dengan
solusi analitik.
Sayangnya, seperti yang telah dipaparkan diatas, banyaknya faktor-faktor
tak terduga maupun yang tidak dapat diprediksikan sebelumnya terlalu banyak,
sehingga sistem menjadi sangat kompleks. Karena itu, sistem ini tidak
memungkinkan model yang realistik untuk dievaluasi secara analitik.
Dalam simulasi, komputer digunakan sebagai alat bantu untuk
mengevaluasi sebuah model secara numerik, dan data-data dikumpulkan untuk
mengestimasi karakteristik sesungguhnya dari sebuah model.
Secara umum, sistem dapat dipelajari perilakunya dengan menggunakan
beberapa metode yang digambarkan pada diagram berikut.
Gambar 2.4 Cara untuk Mempelajari Sistem Sumber: Law (1991, p4)
Sistem
Eksperimen dengan sistem yang sebenarnya
Eksperimen dengan model dari suatu sistem
Model fisik Model matematik
Solusi analitik Simulasi
30
Jika memungkinkan untuk bereksperimen dengan sistem yang
sebenarnya, tentunya hasil yang didapatkan mempunyai tingkat ketepatan yang
sangat tinggi, bahkan sempurna. Sayangnya eksperimen ini membutuhkan biaya
yang sangat tinggi dan waktu yang lama serta source yang besar, dan mungkin
saja sistem yang diteliti belum pernah ada sebelumnya, sehingga eksperimen
dengan menggunakan model merupakan pilihan yang seringkali harus ditempuh.
Model fisik, atau yang pada umumnya dikenal sebagai emulator adalah
model yang dibuat sungguh-sungguh mirip dengan aslinya, model tersebut dapat
berperilaku hampir sama dengan sistem asli. Contohnya simulator pesawat
terbang yang digunakan sekolah penerbangan untuk memberikan gambaran
kondisi terbang sesungguhnya pada para siswa. Model ini dapat menggambarkan
sistem dengan akurat, mendekati kondisi aslinya, tetapi biaya dan resource yang
diperlukan sangatlah besar, sehingga seringkali model matematik dipilih untuk
membuat model dari suatu sistem.
Model matematik merepresentasikan sistem dalam relasi logical dan
kuantitatif yang kemudian diubah dan dimanipulasi untuk melihat reaksi dari
sistem yang dimaksud. Contoh sederhana dari model ini adalah relasi , di
mana adalah jarak tempuh, adalah kecepatan dan adalah waktu tempuhnya.
Relasi matematik tersebut diharapkan dapat menggambarkan jalannya sistem,
yaitu seberapa panjang jarak yang ditempuh dengan kecepatan dan waktu
tempuh yang telah diketahui.
31
Setelah menggambarkan model matematik, harus dilihat apakah sistem
yang digambarkan cukup sederhana. Jika cukup sederhana, maka model
matematik ini dapat dikembangkan untuk mencari solusi pasti dari masalah
tersebut, yaitu yang dikenal dengan solusi analitik. Sebaliknya, apabila sistem
terlalu kompleks, maka harus dibuat simulasi.
Pembuatan simulasi tentunya harus disesuaikan dengan data yang
didapat, karena itu simulasi dapat dibagi menjadi 3 dimensi perbedaan.
1. Simulasi statis dan dinamis
Simulasi statis adalah simulasi yang menggambarkan suatu
sistem pada waktu tertentu di mana pada saat itu waktu tidak
memiliki pengaruh terhadap perubahan state. Sebaliknya, simulasi
dinamis menggambarkan sebuah sistem yang berubah seiring dengan
perubahan waktu.
2. Simulasi deterministik dan stokastik
Simulasi deterministik adalah simulasi yang tidak mempunyai
komponen berdasarkan probabilitas. Sebaliknya, simulasi stokastik
adalah simulasi yang memiliki komponen berdasarkan probabilitas.
3. Simulasi kontinu dan diskrit
Simulasi kontinu adalah simulasi di mana komponen-
komponen di dalamnya berubah secara kontinu. Sebaliknya simulasi
diskrit adalah simulasi yang komponen-komponennya berubah sesuai
dengan perubahan waktu.
32
2.3.2 Simulasi Lalu Lintas
Secara kasar, model lalu lintas dapat dibagi menjadi dua cabang, yaitu
model makro dan model mikro. Di dalam model makro tercakup model akan arus
lalu lintas yang merupakan relasi antar kecepatan, kepadatan, dan volume
kendaraan dan model fluida bergerak yang menyentuh perilaku pengemudi yang
sesuai dengan keadaan lalu lintas pada saat itu.
Model mikro menjelaskan tentang perilaku masing-masing kendaraan dan
hubungannya dengan kendaraan lain dalam arus lalu lintas. Teori car following
adalah model yang paling menggambarkan perilaku mikroskopik dari dua
kendaraan yang bergerak dalam longitudinal lane, sehingga kendaraan yang
mengikutinya menyesuaikan kecepatannya agar jarak aman terhadap kendaraan
di depannya dapat dicapai.
Secara umum simulasi secara mikro adalah membuat sebuah model yang
memiliki objek-objek yang ada pada sistem sebenarnya, yang berinteraksi dan
berperilaku menyerupai perilaku dan interaksi objek-objek pada sistem
sebenarnya melalui aplikasi komputer. Model NaSch adalah simulasi mikro yang
diterapkan pada masalah lalu lintas dengan menggunakan data yang dibangkitkan
menggunakan aturan-aturan dari cellular automata.
Karena itu, seperti halnya simulasi mikro, Model NaSch adalah simulasi
dinamis, stokastik, dan diskrit. Disebut dinamis karena state dalam sistem
berubah-ubah seiring dengan terjadinya perubahan waktu. Stokastik karena
model ini menggunakan probabilitas yaitu distribusi Poisson dan eksponensial
untuk menentukan waktu kendaraan masuk ke dalam sistem serta selang waktu
33
yang terjadi dengan kendaraan setelahnya. Diskrit karena semua perubahan yang
terjadi dalam simulasi ini adalah berdasarkan pergerakan partikel-partikel yang
bergerak secara diskrit pada satu satuan waktu tertentu.
2.3.3 Sebaran Poisson dan Eksponensial
Dalam simulasi yang menggambarkan pergerakan lalu lintas, banyak
faktor yang dibangkitkan secara acak. Faktor-faktor itu antara lain waktu dari
sebuah kendaraan memasuki sistem dan seberapa besar kecepatan rata-ratanya
ketika sedang berada didalam sistem.
Hal ini sesuai dengan apa yang dikemukakan oleh Kreyszig (1999,
p1081) tentang distribusi Poisson yaitu suatu distribusi diskrit dengan nilai unsur
yang mungkin tak terbatas jumlahnya dengan fungsi probabilitas:
!
di mana: = probabilitas jumlah kedatangan
= rata-rata jumlah kedatangan
Rata-rata dari distribusi Poisson adalah:
Varians dari distribusi Poisson adalah:
Menurut Hamdy (2003, p476-478) apabila banyaknya kedatangan ke
dalam sistem mengikuti distribusi Poisson sesuai dengan relasi yang sudah
dijabarkan di atas, maka secara otomatis distribusi dari jeda waktu antar tiap
kedatangan mengikuti distribusi eksponensial negatif.
34
Jika adalah rata-rata jumlah kedatangan dalam distribusi Poisson, maka
distribusi jeda waktu antar tiap kedatangan dengan parameter distribusi
adalah: , 0
Dari kedua distribusi tersebut, dapat dibangkitkan sebuah peubah acak
berdistribusi Poisson dengan waktu kedatangan berdistribusi eksponensial
negatif. Menurut Law (1991, p465) algoritma yang dapat dipakai untuk
membangkitkan bilangan acak tersebut adalah:
1. Tentukan bilangan acak antara 0 sampai 1 yaitu 0,1
2. Hitung
Untuk membangkitkan sebuah bilangan berdistribusi eksponensial pada
suatu aplikasi digunakan rumus:
1
1
2.4 Perancangan Program Simulasi
2.4.1 Rekayasa Piranti Lunak
Rekayasa Piranti Lunak menurut Fritz Bauer (Pressman, 2005, p23)
adalah penetapan dan pemakaian prinsip-prinsip rekayasa dalam rangka
mendapatkan piranti lunak yang ekonomis yaitu terpecaya dan bekerja efisien
pada mesin (komputer).
Menurut Pressman (2005, p24), rekayasa piranti lunak mencakup 3
elemen yang mampu mengontrol proses pengembangan piranti lunak,yaitu:
35
1. Metode-metode (methods),
menyediakan cara-cara teknis untuk membangun piranti lunak
2. Alat-alat bantu (tools)
mengadakan dukungan otomatis atau semi otomatis untuk metode-
metode seperti CASE (Computer Aided Software Engineering) yang
mengkombinasikan software, hardware, dan software engineering
database.
3. Prosedur-prosedur (procedurs)
merupakan pengembangan metode dan alat bantu.
Dalam perancangan software dikenal istilah software life cycle yaitu
serangkaian kegiatan yang dilakukan selama masa perancangan software.
Pemakaian jenis software life cycle yang cocok salah satunya ditentukan oleh
jenis bahasa pemrograman yang cocok. Contohnya, Waterfall Model merupakan
model yang paling umum dan paling dasar pada software life cycle pada
umumnya, Rapid Application Development (RAD) dan Joint Application
Development (JAD) cocok untuk software berbasis objek (OOP), sedangkan
Sync+Stabilize dan Spiral Model yang merupakan pengembangan model
waterfall dengan komponen prototyping cocok untuk sebuah aplikasi yang rumit
dan cenderung mahal pembuatannya.
36
Menurut Dix (1997, p180), berikut adalah visualisasi dari kegiatan pada
software life cycle model waterfall:
1. Spesifikasi kebutuhan (Requirement specification)
Pada tahap ini, pihak pengembang dan konsumen
mengidentifikasi apa saja fungsi-fungsi yang diharapkan dari sistem
dan bagaimana sistem memberikan layanan yang diminta.
Pengembang berusaha mengumpulkan berbagai informasi dari
konsumen.
2. Perancangan arsitektur (Architectural design)
Pada tahap ini, terjadi pemisahan komponen-komponen sistem
sesuai dengan fungsinya masing-masing.
3. Detailed design
Setelah memasuki tahap ini, pengembang memperbaiki
deskripsi dari komponen-komponen dari sistem yang telah dipisah-
pisah pada tahap sebelumnya.
4. Coding and unit testing
Pada tahap ini, disain diterjemahkan ke dalam bahasa
pemrograman untuk dieksekusi. Setelah itu komponen-komponen
dites apakah sesuai dengan fungsinya masing-masing.
5. Integration and testing
Setelah tiap-tiap komponen dites dan telah sesuai dengan
fungsinya, komponen-komponen tersebut disatukan lagi. Lalu sistem
37
dites untuk memastikan sistem telah sesuai dengan kriteria yang
diminta konsumen.
6. Pemeliharaan (maintenance)
Setelah sistem diimplementasikan, maka perlu dilakukannya
perawatan terhadap sistem itu sendiri. Perawatan yang dimaksud
adalah perbaikan error yang ditemkan setelah sistem
diimplementasikan.
Gambar 2.5 Software Life Cycle Model Waterfall
Sumber: Dix (1997, p181)
38
2.4.2 Rich Picture
A. Tujuan
Rich picture pada awalnya dikembangkan sebagai bagian dari Soft
Systems Metodology yang diciptakan oleh Peter Checkland untuk mengumpulkan
informasi tentag sebuah situasi yang rumit (Checkland, 1981; Checkland and
Scholes, 1990). Ide untuk menggunakan gambar atau foto untuk berpikir tentang
suatu masalah sangat umum untuk kasus problem solving atau metode berpikir
kreatif (termasuk terapi), karena sesuai denga intuisinya, manusia dapat
berkomunikasi dengan lebih mudah bila diekpresikan dengan simbol dibanding
dengan kata-kata.
Gambar dapat memunculkan sekaligus merekam pengartian yang
mendalam terhadap sebuah situasi. Sementara itu dan teknik visualisasi yang
berbeda seperti visual brainstorming, manipulasi penggunaan ibarat dalam
tulisan, telah dikembangkan sebelumnya, tetapi hanya memenuhi satu tujuan
dari dua tujuan yang ada. (Garfield, 1976; McKim, 1980; Shone, 1984; Parker,
1990).
Rich picture digambar pada masa pra-analisis, sebelum diketahui secara
jelas bagian mana dari suatu situasi yang terbaik untuk dijadikan bagian dari
suatu proses dan bagian mana dibuat sebagai sebuah struktur.
39
Gambar 2.6 Contoh rich picture
Sumber: http://systems.open.ac.uk/materials/t552/pages/rich/richAppendix.html
Rich picture atau yang juga dikenal sebagai rangkuman situasi digunakan
untuk menggambarkan situasi yang rumit. Rich picture adalah suatu usaha untuk
menggabungkan situasi yang sesungguhnya melalui representasi kartun secara
bebas tentang semua ide mengenai layout, connections, relationships, pengaruh,
sebab dan akibat, dan lain sebagainya. Seperti ide-ide objektif ini, rich picture
harus dapat menggambarkan elemen-elemen subjektif seperti karakter dan
karakteristik, sudut pandang dan dugaan, semangat dan tingkah laku manusia.
40
B. Elemen
Pada umumnya rich picture terdiri dari beberapa elemen, yaitu:
1. Simbol bergambar; 2. Kata kunci; 3. Kartun; 4. Sketsa; 5. Simbol; 6. Judul.
2.4.3 Use Case Diagram
Use Case menunjukkan hubungan interaksi antara aktor dengan use case
di dalam suatu sistem (Mathiassen, 2000, p343) yang bertujuan untuk
menentukan bagaimana aktor berinteraksi dengan sebuah sistem. Aktor adalah
orang atau sistem lain yang berhubungan dengan sistem.
Ada tiga simbol yang mewakili komponen sistem seperti terlihat pada
gambar dibawah ini.
Gambar 2.7 Notasi Use Case Diagram Sumber : Mathiassen (2000, p343)
41
Menurut Schneider dan Winters, ada lima hal yang harus diperhatikan
dalam pembuatan diagram use case (Schneider dan Winters, 1997, p26):
1. Aktor: segala sesuatu yang berhubungan dengan sistem dan
melaksanakan use case yang terkait.
2. Precondition: kondisi awal yang harus dimiliki aktor untuk masuk ke
dalam sistem untuk terlibat dalam suatu use case.
3. Postcondition: kondisi akhir atau hasil apa yang akan diterima oleh
aktor setelah menjalankan suatu use case.
4. Flow of Events: kegiatan-kegiatan yang dilakukan pada sebuah proses
use case.
5. Alternative Paths: kegiatan yang memberikan serangkaian kejadian
berbeda yang digunakan dalam Flow of Events.
2.4.4 Sequence Diagram
Menggambarkan bagaimana objek berinteraksi satu sama lain melalui
pesan pada pelaksanaan use case atau operasi. Diagram sequence
mengilustrasikan bagaimana pesan dikirim dan diterima antar objek secara
berurutan. (Whitten et. al., 2004, p441). Beberapa notasi diagram sequence
terlihat pada gambar dibawah ini.
42
Gambar 2.8 Notasi Sequence Diagram Sumber: Whitten (2004, p441)
2.4.5 Activity Diagram
Menurut Whitten et. al. (2004, p442) diagram activity digunakan untuk
menggambarkan urutan aliran kegiatan-kegiatan dari sebuah proses bisnis atau
sebuah use case. Diagram ini juga dapat digunakan untuk memodelkan aksi dan
hasil ketika operasi berlangsung. Seperti terlihat pada gambar dibawah ini:
Gambar 2.9 Notasi Activity Diagram Sumber: Whitten (2004, p442)
43
2.4.6 Interaksi Manusia dan Komputer
Menurut Shneiderman (2005, p4), Interaksi manusia dan komputer
merupakan disiplin ilmu yang berhubungan dengan, perancangan, evaluasi, dan
implementasi sistem komputer interaktif untuk digunakan oleh manusia, serta
studi fenomena-fenomena besar yang berhubungan dengannya.
Pada interaksi manusia dan komputer ditekankan pada pembuatan
antarmuka pemakai (user interface), dimana user interface yang dibuat
diusahakan sedemikian rupa sehingga seorang user dapat dengan baik dan
nyaman menggunakan aplikasi perangkat lunak dibuat.
Antar muka pemakai (user interface) adalah bagian sistem komputer
yang memungkinkan manusia berinteraksi dengan komputer. Tujuan antar muka
pemakai adalah agar sistem komputer dapat digunakan oleh pemakai (user
interface), istilah tersebut digunakan untuk menunjuk kepada kemampuan yang
dimiliki oleh piranti lunak atau program aplikasi yang mudah dioperasikan dan
dapat membantu menyelesaikan suatu persoalan dengan hasil yang sesuai dengan
keinginan pengguna, sehingga pengguna merasa betah untuk mengoperasikan
program tersebut.
44
A. Program Interaktif
Suatu program yang interaktif dan baik harus bersifat user friendly.
(Scheiderman, p15) menjelaskan lima kriteria yang harus dipenuhi oleh suatu
program yang user friendly, yaitu:
1. Waktu belajar yang tidak lama;
2. Kecepatan penyajian informasi yang tepat;
3. Tingkat kesalahan pemakaian rendah;
4. Penghafalan sesudah melampaui jangka waktu;
5. Kepuasan pribadi.
B. Pedoman Merancang User Interface
Beberapa pedoman yang dianjurkan dalam merancang suatu program,
guna mendapatkan suatu program yang user friendly yaitu:
1. Delapan aturan emas (Eight Golden Rules)
Untuk merancang sistem interaksi manusia dan komputer yang baik,
harus memperhatikan delapan aturan emas dalam perancangan
antarmukan, seperti: strive for consistency (konsisten dalam
merancang tampilan), enable frequent user to use shorcuts
(memungkinkan pengguna menggunakan shortcuts secara berkala),
offer informative feed back (memberikan umpan balik yang
informatif), design dialogs to yield closure (merancang dialog untuk
45
menghasilkan keadaan akhir), offer simple error handling
(memberikan penanganan kesalahan), permit easy reversal of actions
(mengijinkan pembalikan aksi dengan mudah), support internal locus
of control (mendukung pengguna menguasai sistem), dan reduce
short-term memory load (mengurangi beban jangka pendek pada
pengguna).
2. Teori waktu respon
Waktu respon dalam sistem komputer menurut (Scheiderman, p352)
adalah jumlah detik dari saat pengguna program memulai aktifitas
sampai menampilkan hasilnya di layar atau printer. Beberapa
pedoman yang disarankan: pemakai lebih menyukai waktu respon
yang pendek, waktu respon yang panjang mengganggu, waktu respon
yang pendek menyebabkan waktu pengguna berpikir lebih pendek,
waktu respon harus sesuai denga tugasnya, dan pemakai harus diberi
tahu mengenai penundaan yang panjang
2.5 Uji Hipotesis
Hipotesis statistik adalah pernyataan atau dugaan mengenai satu atau
lebih populasi. Benar atau salahnya suatu hipotesis tidak akan pernah diketahui
dengan pasti, kecuali bila kita memeriksa seluruh populasi, yang dalam banyak
kasus hal itu tidak mungkin dilakukan. Karena itu, dapat diambil suatu sampel
acak dari populasi tersebut dan menggunakan informasi yang dikandung sampel
46
itu untuk memutuskan apakah hipotesis tersebut kemungkinan besar benar atau
salah.
Dalam hipotesis statistik, bukti dari sampel yang tidak konsiten dengan
hipotesis yang dinyatakan akan membawa kesimpulan kepada penolakan
hipotesis tersebut, dan bukti yang mendukung hipotesis akan membawa
kesimpulan kepada penolakan hipotesis tersebut. Satu hal tentang hipotesis
statistik yang harus ditegaskan adalah bahwa penerimaan suatu hipotesis statistik
adalah merupakan akibat dari tidak cukupnya bukti untuk menolaknya, dan tidak
berimplikasi bahwa hipotesis itu pasti benar (Walepole, p288).
Uji hipotesis statistik mempunyai banyak jenis. Pemilihan jenis uji
hipotesis tergantung pada kondisi dari sampel data yang akan diuji. Dalam
penelitian ini, akan diuji rata-rata (nilai tengah) dari sampel yang diambil. Uji
nilai tengah sendiri mempunyai banyak jenis, tergantung kondisi simpangan
baku dari masing-masing sampel data. Berikut jenis-jenis uji nilai tengah.
Tabel 2.1 Jenis-jenis Uji Nilai Tengah Sumber: Walepole, 1982, p305
Nilai Statistik Uji Wilayah Kritik
√
bila diketahui atau 30 ⁄
dan ⁄
√
1 bila tidak diketahui atau 30
⁄
dan ⁄
47
⁄ ⁄
bila dan diketahui
⁄ dan
⁄
1⁄ 1⁄
1 12
2 tetapi tidak diketahui
⁄ dan
⁄
⁄ ⁄
⁄ ⁄⁄
1/
1
tetapi tidak diketahui
⁄ dan
⁄
/√
1 pengamatan berpasangan
⁄
dan ⁄
Dari sample yang didapat, harus diduga nilai tengah dari data yang
sesungguhnya. Berikut beberapa jenis pendugaan nilai tengah.
48
Tabel 2.2 Jenis-jenis Pendugaan Nilai Tengah Sumber: Walepole, 1982, p246
Kondisi Selang Kepercayaan Selang bagi bila diketahui
30 ⁄√
⁄√
Selang bagi bila tidak diketahui 30
1 ⁄
√⁄
√
Selang bagi bila dan diketahui 30
⁄
⁄
Selang bagi = tetapi nilai tidak diketahui
30 2
⁄1 1
⁄1 1
Selang bagi tetapi nilai tidak diketahui
30
⁄ ⁄
⁄1
⁄1
⁄
⁄
Selang bagi , untuk pengamatan berpasangan
1 ⁄
√⁄
√