Mandalika Mathematics and Education Journal

Volume 7 Nomor 2, Juni 2025

e-ISSN 2715-1190||p-ISSN 2715-8292
DOI: [Link]

Simulasi Pelayanan Pengisian Bahan Bakar Pertalite

pada SPBU 54.832.12 di Kota Mataram Menggunakan
Monte Carlo Termodifikasi

Noval Afandi1, Amrullah2, Nurul Hikmah2, Nani Kurniati2

1 Mahasiswa Pendidikan Matematika, FKIP, Universitas Mataram, Mataram
2 Pendidikan Matematika, FKIP, Universitas Mataram, Mataram

novalafandi15@[Link]

Abstract
PT. Pertamina (Persero) is one of the providers of refueling services in Indonesia. The role of Fuel
Oil (BBM) is very important in people's lives, so to meet fuel needs, this company has built a Public
Fuel Filling Station (SPBU). Petrol stations are a means to distribute fuel oil. As one of the
companies that provide fuel in Indonesia, this company must pay attention to the quality of service.
One of the strategic petrol stations in Mataram City is the petrol station 54.832.12 Jl. Gajah Mada
Pagesangan, Mataram City. The large number of pertalite refueling during peak times in the
morning and evening at this petrol station resulted in queues, so a study was carried out on the
optimal condition of petrol station services which aimed to find out the optimal condition of petrol
station 54,832.12 based on pertalite fuel and service peak hours using the Monte Carlo simulation
method, by modifying the generation of random numbers using the Linear Congruent Method
(LCM) random number generation. The simulation is carried out based on the arrival time and
service time taken every 3 minutes 100 times. By conducting simulations 500 times and as many
as 10 activities, optimal conditions were analyzed based on the number of noozles. The results
obtained show that as many as 4 noozles are needed on the pertalite motorcycle dispenser to get
optimal conditions because the average remaining queue is close to 1, which is 1.51 vehicles, and
the Pertalite Car dispenser is enough with 1 noozle, the average remaining queue is close to 1,
which is 1.62 vehicles.
Keywords: Simulation; Service; Linear Congruent Method, and Monte Carlo

Abstrak
PT. Pertamina (Persero) merupakan salah satu penyedia jasa pengisian bahan bakar di Indonesia.
Peran Bahan Bakar Minyak (BBM) sangat penting dalam kehidupan masyarakat, sehingga untuk
memenuhi kebutuhan bahan bakar, perusahaan ini telah membangun Stasiun Pengisian Bahan
Bakar Umum (SPBU). SPBU merupakan sarana untuk menyalurkan bahan bakar minyak.
Sebagai salah satu perusahaan yang menyediakan bahan bakar di Indonesia maka perusahaan
ini harus memperhatikan kualitas pelayanan. Salah satu SPBU yang strategis di Kota Mataram
adalah SPBU 54.832.12 Jl. Gajah Mada Pagesangan Kota Mataram. Banyaknya pengisian bahan
bakar pertalite di waktu sibuk pagi hari dan sore hari pada SPBU ini mengakibatkan terjadinya
antrian, sehingga dilakukan kajian tentang kondisi optimal pelayanan SPBU yang bertujuan
untuk mengetahui kondisi optimal SPBU 54.832.12 berdasarkan bahan bakar pertalite dan waktu
sibuk pelayanan menggunakan metode simulasi Monte Carlo, dengan memodifikasi
pembangkitan bilangan acak menggunakan pembangkitan bilang acak Linier Congruent Method
(LCM). Simulasi dilakukan berdasarkan waktu kedatangan dan waktu pelayanan yang diambil
setiap 3 menit sebanyak 100 kali. Dengan melakukan simulasi sebanyak 500 kali dan sebanyak

Mandalika Mathematics and Education Journal Volume 7 Nomor 2, Juni 2025 |273
 Noval Afandi, et al Simulasi Pelayanan Pengisian Bahan Bakar

10 kegiatan, dianalisis kondisi optimal berdasarkan jumlah noozle. Hasil yang diperoleh
menunjukkan bahwa dibutuhkan sebanyak 4 noozle pada dispenser pertalite motor untuk
mendapatkan kondisi optimal dikarenakan rata-rata sisa antrian mendekati 1 yaitu 1,51
kendaraan dan dispenser Pertalite Mobil cukup dengan 1 noozle sudah mendapatkan rata-rata
sisa antrian mendekati 1 yaitu 1,62 kendaraan.
Kata Kunci: Simulasi; Pelayanan; Metode Kongruen Linier; dan Monte Carlo

1. PENDAHULUAN
Peran Bahan Bakar Minyak (BBM) sangat penting dalam kehidupan Masyarakat,
sehingga BBM termasuk salah satu kebutuhan pokok. PT. Pertamina (Persero) adalah
salah satu penyedia jasa pengisian bahan bakar di Indonesia. Untuk memenuhi
kebutuhan bahan bakar, perusahaan ini telah membangun Stasiun Pengisian Bahan
Bakar Umum (SPBU) di seluruh daerah yang ada di Indonesia. Pemberian kualitas
pelayanan dalam sebuah perusahaan sangat berpengaruh dalam memberikan suatu
layanan kepada pelanggan. Sejalan dengan pendapat (Asbar & Saptari, 2017) bahwa
untuk menjaga pelanggan dalam jangka panjang dan tetap bertahan dengan adanya
pelayanan yang baik. Dengan demikian perusahaan akan dapat meningkatkan kepuasan
pelanggan dalam Perusahaan.
Salah satu faktor yang mempengaruhi kualitas pelayanan dalam suatu
perusahaan adalah kecepatan pelayanannya. Semakin cepat pelayanan yang dilakukan
oleh suatu perusahaan maka waktu yang dihabiskan oleh konsumen untuk mendapatkan
barang atau jasa juga akan semakin cepat. Dengan kata lain, waktu yang dihabiskan
konsumen untuk menunggu dalam mendapatkan pelayanan semakin singkat.
Sebaliknya, ketika pelayanan dalam suatu perusahaan lambat, maka akan
mengakibatkan terjadinya antrean sehingga konsumen akan menunggu lebih lama
untuk mendapatkan barang atau jasa. Kondisi terjadinya antrean pada suatu pelayanan
pengisian bahan bakar menunjukkan bahwa pelayanan tersebut tidak optimal. Menurut
Ferianto, Insani, & Subekti (2016), sistem antrean memenuhi kondisi steady state,
artinya bahwa rata-rata tingkat kedatangan pelanggan tidak melebihi rata-rata tingkat
pelayanan. Kondisi steady-state bisa disebut juga sebagai kondisi dimana sudah tidak
terjadi antrean lagi pada suatu sistem pelayanan.
Salah satu SPBU yang beroperasi di Kota Mataram, Nusa Tenggara Barat adalah
SPBU 54.832.12 yang terletak di Jl. Gajahmada, Pagesangan, Kota Mataram, Nusa
Tenggara Barat. SPBU ini beroperasi dari pukul 06:00 WITA sampai 23:00 WITA.
Jumlah dispenser yang tersedia sebanyak 6 dispenser dengan 16 nozzle dimana dalam 1
dispenser terdapat 2 nozzle dan ada juga 1 dispenser terdapat 6 nozzle pengisian bahan
bakar. Adapun penggunaan dispenser terbagi dalam beberapa pengisian jenis bahan
bakar yaitu 1 dispenser (2 nozzle) untuk bahan bakar Pertamax Turbo dan Pertalite, 1
dispenser (2 nozzle) untuk bahan bakar Pertamax, 2 dispenser (4 nozzle) untuk bahan
bakar Pertalite, 1 dispenser (2 nozzle) untuk bahan bakar Bio Solar dan 1 dispenser (6
nozzle) untuk bahan bakar Pertalite, Dexlite, Pertamax. Penelitian ini akan difokuskan

Mandalika Mathematics and Education Journal Volume 7 Nomor 2, Juni 2025 |274
 Noval Afandi, et al Simulasi Pelayanan Pengisian Bahan Bakar

pada jenis BBM Pertalite. Hal ini dilakukan karena bahan bakar tersebut memiliki
jumlah konsumen terbanyak dibanding BBM jenis lainnya.
Berdasarkan observasi di SPBU 54.832.12 dengan mewawancarai staf admin
diperoleh informasi bahwa Pengisian padat tersebut terjadi di saat pagi hari yaitu sekitar
jam 07.00 – 10.00 WITA dan di sore hingga malam hari sekitar jam 17.00-20.00 WITA.
Informasi yang diperoleh dari staf admin bahwa di waktu tersebut merupakan waktu
orang berangkat bekerja ataupun mulai beraktivitas saat pagi hari dan waktu pulang
bekerja pada sore hari. Selanjutnya diungkapkan bahwa pihak SPBU masih bisa
mengatasi kepadatan antrean pada saat pengisian bahan bakar. Pihak SPBU
menganggap bahwa 7 petugas sudah optimal untuk melayani pengisian bahan bakar,
sedangkan noozle yang tersedia sebanyak 16 buah. SPBU menerapakan sistem
pelayanan seperti ini berdasarkan atas pengalaman pengisisan bahan bakar sehari-hari
dan di lapangan terjadi kondisi dimana terdapat dispenser yang tidak dijaga oleh petugas
untuk melayani konsumen tentunya hal ini akan menjadi masalah bagi SPBU.
Permasalahan semacam ini menjadi masalah bagi setiap perusahaan karena
dihadapkan pada masalah ketidakpastian. Untuk mengendalikan banyaknya dispenser
dan petugas pengisian bahan bakar perusahaan akan dihadapkan dengan masalah
ketidakpastian yaitu ketidakpastian waktu kedatangan konsumen, ketidakpastian
banyaknya konsumen yang mengisi bahan bakar, dan ketidakpastian lama pelayanan
pengisian bahan bakar. Untuk menyelesaikan masalah seperti ini akan memerlukan
biaya yang besar dan juga waktu yang lama apabila dilakukan dengan metode percobaan
sehingga untuk mengefisienkan biaya dan waktu perlu dilakukan metode lain untuk
memecahkan masalah ini yaitu dengan metode simulasi. Simulasi Monte Carlo
merupakan suatu metode yang digunakan untuk mengevaluasi suatu model
deterministik yang melibatkan bilangan acak sebagai salah satu input. Bilangan acak
yang digunakan yaitu bilangan acak berdistribusi normal baku.
Dalam penelitian ini pembangkit bilangan acak yang digunakan yaitu
pembangkit bilangan acak Linier Congruent Method (LCM). Menurut Pebrian, Fauziah,
& Sholihati (2021) metode LCM merupakan salah satu metode yang digunakan untuk
membangkitkan bilangan acak. Metode LCM adalah algoritma paling terkenal dan
paling banyak digunakan dalam program komputer untuk menghasilkan nilai acak.
Keunggulan dari algoritma ini adalah kecepatannya yang baik, dikarenakan operasi
yang dilakukan hanyalah beberapa operasi manipulasi bit saja (Setiyadi, 2016). Metode
Monte Carlo dapat menganalisis, memecahkan dan mengoptimalkan berbagai masalah
matematika atau fisika melalui sejumlah besar sampel acak statistik untuk simulasi
kejadian stokastik. Pada prinsipnya, pendekatan ini dapat digunakan untuk
menyelesaikan masalah komputasi yang melibatkan variabel acak. Ketika metode Monte
Carlo digunakan dalam program untuk memperkirakan indikator kinerja tertentu dari
sistem dunia nyata. (Syahrin, Santony, & Na’am, 2019).
Hal ini menjadi cukup menarik untuk dikaji lebih dalam melalui penelitian ilmiah
untuk mengetahui dan memberikan saran terkait pelayanan pengisian bahan bakar di
SPBU Jl. Gajah Mada, Pagesangan Kota Mataram pada waktu sibuk, sehingga penulis

Mandalika Mathematics and Education Journal Volume 7 Nomor 2, Juni 2025 |275
 Noval Afandi, et al Simulasi Pelayanan Pengisian Bahan Bakar

melakukan penelitian yang berjudul “Simulasi Pelayanan Pengisian Bahan Bakar

Minyak pada SPBU 54.832.12 di Kota Mataram Menggunakan Monte Carlo
Termodifikasi”. Adapun tujuan dari penelitian ini adalah untuk mengetahui kondisi
optimal SPBU 54.832.12 berdasarkan jenis bahan bakar minyak dan waktu sibuk
pelayanan.

2. METODE PENELITIAN
Dalam penelitian ini, jenis penelitian yang digunakan adalah penelitian simulasi
yaitu bentuk penelitian yang bertujuan untuk mencari gambaran melalui sebuah model
dari suatu sistem nyata dimana di dalam model tersebut akan dilakukan manipulasi atau
kontrol untuk melihat pengaruhnya. Dalam penelitian ini teknik pengumpulan data yang
digunakan adalah observasi. Observasi dilakukan untuk mengambil data terkait waktu
kedatangan konsumen dan lama pelayanan pengisian bahan bakar di SPBU.
Penelitian ini dilaksanakan di SPBU 54.832.12 Jl. Gajahmada Pagesangan Kota
Mataram pada waktu sibuk yaitu di pagi hari pukul 08.00-10.00 WITA dan di sore hari
pukul 17.00-20.00 Wita. Berikut prosedur yang dilakukan dalam penelitian ini:
1) Pengumpulan data waktu kedatangan dan waktu pelayanan
2) Pembuatan distribusi peluang untukx variabel kedatangan konsumen dan variabel
lama pelayanan di SPBU.
3) Pembuatan distribusi peluang kumulatif untuk variabel kedatangan konsumen dan
varibel lama pelayanan di SPBU.
4) Pembuatan interval bilangan acak.
5) Pembuatan model simulasi dari varibel kedatangan konsumen dan variabel pelayanan
di SPBU.
6) Pengujian model simulasi menggunan uji statistik Student (uji-t).
7) Jika 𝐻0 diterima, maka dilanjutkan dengan iterasi model simulasi yang lebih besar.
8) Penerapan hasil simulasi untuk mendapatkan kondisi optimal dalam waktu sibuk
pelayanan pengisian bahan bakar.

3. HASIL DAN PEMBAHASAN

Penelitian ini diawali dengan pengambilan data kedatangan dan pelayanan di
SPBU 54.832.12. Data kedatangan konsumen diambil oleh dua orang observer
sebanyak dua kali pada jam-jam sibuk yaitu pagi hari jam 08.40-09.10 WITA dan sore
hingga malam hari jam 17.30-19.30 WITA. Sedangkan data waktu pelayanan diambil
sebanyak 2 kali pada jam-jam sibuk yaitu pagi hari jam 08.40-10.25 WITA dan sore
hingga malam hari jam 17.30-20.30. Data banyaknya kendaraan yang datang dan
terlayani dapat dilihat pada Tabel 1. dan Tabel 2. dibawah ini:

Mandalika Mathematics and Education Journal Volume 7 Nomor 2, Juni 2025 |276
 Noval Afandi, et al Simulasi Pelayanan Pengisian Bahan Bakar

Tabel 1. Distribusi Peluang Kendaraan yang Datang pada

Antrian Pertalite Motor
Banyak Interval
Frekuensi Peluang F(x)
Kendaraan Bil. Acak
8 4 0,08 0,08 00 – 07
9 4 0,08 0,16 08 – 15
10 6 0,12 0,28 16 – 27
11 4 0,08 0,36 28 – 35
12 4 0,08 0,44 36 – 43
13 6 0,12 0,56 44 – 55
14 6 0,12 0,68 56 – 67
15 6 0,12 0,80 68 – 79
16 4 0,08 0,88 80 – 87
17 4 0,08 0,96 88 – 95
19 1 0,02 0,98 96 – 97
20 1 0,02 1,00 98 – 99
Jumlah 50 1,00

Tabel 2. Distribusi Peluang Kendaraan yang Terlayani pada

Antrian Pertalite Motor
Banyak Interval
Frekuensi Peluang F(x)
Kendaraan Bil. Acak
2 30 0,11 0,11 00 – 10
3 67 0,24 0,35 11 – 34
4 82 0,29 0,64 35 – 63
5 81 0,28 0,92 64 – 91
6 25 0,08 1,00 92 – 99
Jumlah 190 1,00

Berdasarkan Tabel 1. data kedatangan dan data pelayanan diperoleh bahwa

setiap 3 menit terdapat paling banyak 20 kendaraan dengan peluang 𝑝(𝑥) = 0,02,
sedangkan peluang terbesar 𝑝(𝑥) = 0,12 terjadi pada kedatangan sebanyak 15
kendaraan. Tabel 2. data pelayanan menunjukkan bahwa peluang terbesar 𝑝(𝑥) = 0,29
terjadi pada pelayanan sebanyak 4 kendaraan. Hal ini menunjukkan bahwa pelayanan
berada dibawah kondisi yang seharusnya atau dengan kata lain pelayanan belum
optimal.
Untuk melakukan simulasi agar mendapat kondisi optimal, dilakukan
pembuatan model dengan pembuatan distribusi peluang dan distribusi peluang
kumulatif. Model simulasi dibangun berdasarkan data distribusi peluang kedatangan
kendaraan dan data pelayanan konsumen. Model dibangun dengan menggunakan
bahasa pemrograman macro excel. Pembangkitan bilangan acak pada model yang dibuar
berdasarkan pada distribusi kedatangan dan data pelayanan pada BBM Pertalite Motor.

Mandalika Mathematics and Education Journal Volume 7 Nomor 2, Juni 2025 |277
 Noval Afandi, et al Simulasi Pelayanan Pengisian Bahan Bakar

Model yang telah dibuat diuji menggunakan uji statistik Student (uji-t). untuk menguji
apakah hasil simulasi mencerminkan sistem yang sebenarnya (hasil observasi)
digunakan statistik t sebagai berikut (Sudjana, 2015):
- 𝐻0 : Rata-rata hitung hasil observasi sama dengan rata-rata hitung hasil
simulasi
- 𝐻1 : Rata-rata hitung hasil observasi tidak sama dengan rata-rata hitung hasil
simulasi
Berdasarkan uji statistik Student, diperoleh hasil seperti Tabel 3. dan Tabel 4. berikut
ini.

Tabel 3. Uji Data Kedatangan Hasil Simulasi Pada

Dispenser Pertalite Motor
Dispenser Pertalite Motor
No
Data Data
Kedatangan
Sebenarnya Simulasi
1 Jumlah 643 3821
2 Rata-rata 12,86 12,74
3 Varians 9,22 8,72
4 Simp. Baku 3,04 2,95
5 Simp. Baku Gab. 2,96
6 t 0,28
7 dk 348
8 α 0,05
9 t-tabel 1,97

Tabel 4. Uji Data Pelayanan Hasil Simulasi Pada Dispenser

Pertalite Motor
Dispenser Pertalite Motor
No
Data Data
Pelayanan
Sebenarnya Simulasi
1 Jumlah 1144 1196
2 Rata-rata 4,01 3,99
3 Varians 1,30 1,19
4 Simp. Baku 1,14 1,09
5 Simp. Baku Gab. 1,02
6 t 0,31
7 dk 583
8 α 0,05
9 t-tabel 1,97

Berdasarkan Tabel 3. dan Tabel 4. di atas, diperoleh:

𝑥̅1 − 𝑥̅ 2
𝑡𝑑𝑎𝑡𝑎𝑛𝑔 = = 0,28
1 1
𝑠𝑔 √𝑛 + 𝑛
1 2

Mandalika Mathematics and Education Journal Volume 7 Nomor 2, Juni 2025 |278
 Noval Afandi, et al Simulasi Pelayanan Pengisian Bahan Bakar

𝑥̅1 − 𝑥̅ 2
𝑡𝑡𝑒𝑟𝑙𝑎𝑦𝑎𝑛𝑖 = = 0,31
1 1
𝑠𝑔 √𝑛 + 𝑛
1 2
Dengan nilai dari 𝑑𝑘(𝑑𝑎𝑡𝑎𝑛𝑔) = 𝑛1 + 𝑛2 − 2 = 348, 𝑑𝑘(𝑡𝑒𝑟𝑙𝑎𝑦𝑎𝑛𝑖) = 𝑛1 + 𝑛2 − 2 = 583
dan ∝= 0,05.
Berdasarkan Tabel 3. dan Tabel 4. diperoleh nilai 𝑡𝑡𝑎𝑏𝑒𝑙 = 1,97 untuk data kedatangan
dan data pelayanan. Karena nilai t-hitung untuk data kedatangan dan data pelayanan
kurang dari nilai 𝑡𝑡𝑎𝑏𝑒𝑙 maka 𝐻0 diterima sehingga artinya bahwa rata-rata hitung data
sebenarnya sama dengan rata-rata hitung data simulasi. sehingga dapat disimpulkan
bahwa data hasil simulasi dapat merepresentasikan data sebenarnya sehinga model
simulasi yang dibuat dapat digunakan.
Selanjutnya, dengan model yang sudah diterima, dilakukan simulasi sebanyak 10
kali dan dalam setiap simulasi dilakukan 500 iterasi. Simulasi dilakukan menggunakan
jumlah noozle 1 sampai ditemukan kondisi antrian yang optimal yaitu jumlah sisa
antrian mendekati 1. Adapun hasil simulasi yang diperoleh adalah sebagai berikut:

A. Hasil Simulasi Dispenser Pertalite Motor

Adapun hasil simulasi pada dispenser Pertalite Motor dan Pertalite Mobil adalah
seperti terlihat pada Tabel 5. Dan Tabel.6 di bawah ini.
Tabel 5. Hasil Simulasi Dispenser Pertalite Motor
Pertalite Motor
Banyak Konsumen
Datang Terlayani Sisa Antri Lepas
Nozzle Antri
Rata- Jumlah Rata- Jumlah Rata- Rata- Rata-
Jumlah Jumlah Jumlah
Rata Rata Rata Rata Rata
1 63908 12,78 99926 19,98 19822 3,96 80104 16,02 43928 8,79
2 63753 12,75 99073 19,81 39558 7,91 59515 11,90 24081 4,82
3 63929 12,79 84596 16,92 57451 11,49 27145 5,43 6445 1,29
4 63973 12,79 70377 14,07 62826 12,56 7551 1,51 1136 0,23
5 63861 12,77 66093 13,22 63631 12,73 2462 0,49 230 0,05

Berdasarkan Tabel 5. menunjukkan bahwa kondisi optimal terjadi ketika banyaknya

noozle yang dioperasikan sebanyak 4 noozle dengan rata-rata sisa antrian berada
mendekati 1 yaitu 1,51. Kondisi ini memperkuat dugaan awal dengan peluang terbesar
kedatangan terjadi sebanyak 15 kendaraan, sedangkan jumlah pelayanan terbanyak
terjadi sebanyak 4 kendaraan. Dengan kondisi 3 noozle seperti pada kondisi saat ini,
menunjukkan bahwa rata-rata antrian bernilai 5,43. Oleh karena itu, dengan
penambahan 1 buah noozle maka diperoleh rata-rata sisa antrian berada mendekati 1
yang merupakan kondisi optimal pelayanan.

Mandalika Mathematics and Education Journal Volume 7 Nomor 2, Juni 2025 |279
 Noval Afandi, et al Simulasi Pelayanan Pengisian Bahan Bakar

Gambar 1. Grafik Hasil Simulasi Dispenser Pertalite Motor

Tabel 6. Hasil Simulasi Dispenser Pertalite Mobil
Pertalite Mobil
Banyak Konsumen
Datang Terlayani Sisa Antri Lepas
Nozzle Antri
Rata- Rata- Rata- Rata- Rata-
Jumlah Jumlah Jumlah Jumlah Jumlah
Rata Rata Rata Rata Rata
1 3566 0,71 10985 2,20 2899 0,58 8086 1,62 648 0,13
2 3507 0,70 6458 1,29 3297 0,66 3161 0,63 203 0,04
3 3434 0,69 5752 1,15 3288 0,66 2464 0,49 145 0,03

Berdasarkan Tabel 6. menunjukkan bahwa untuk Pertalite Mobil pada saat 1

noozle dioperasikan sudah dalam kondisi optimal. Jumlah yang terlayani mendekati
dengan jumlah kedatangan sehingga rata-rata pada sisa antrian mendekati 1 yaitu 1,62
kendaraan dan yang lepas sebanyak 0,13 kendaraan.

Gambar 2. Grafik Hasil Simulasi Dispenser Pertalite Mobil

4. SIMPULAN
Berdasarkan hasil penelitian dan pembahasan maka dapat disimpulkan bahwa
Kondisi SPBU 54.832.12 saat ini memperlihatkan hasil yang belum optimal. Kemudian
dilakukan simulasi dengan penggunaan 5 noozle mendapatkan nilai dibawah 1 sehingga
membutuhkan biaya yang lebih besar. Ketika dioperasikan 4 noozle jumlah yang

Mandalika Mathematics and Education Journal Volume 7 Nomor 2, Juni 2025 |280
 Noval Afandi, et al Simulasi Pelayanan Pengisian Bahan Bakar

terlayani mendekati jumlah kedatangan dan sisa antrian mendekati 1 yaitu dengan rata-
rata 1,51 kendaraan dari 5000 simulasi dan rata-rata yang lepas sebanyak 0,23
kendaraan dari 5000 simulasi. Selanjutnya untuk pengisian Pertalite jenis kendaraan
mobil, hasil simulasi menunjukkan bahwa ketika dioperasikan 2 noozle jumlah yang
terlayani mendekati jumlah kedatangan dan sisa antrian dibawah 1 yaitu dengan rata-
rata 0,63 kendaraan dari 5000 simulasi dan rata-rata yang lepas sebanyak 0,04
kendaraan dari 5000 simulasi, dengan mempertimbangkan keberadaan tanki pada
kendaraan mobil yang berada di sebelah kiri maupun kanan sehingga dioperasikan 2
noozle untuk mendapatkan kondisi optimal pada waktu sibuk.
5. UCAPAN TERIMA KASIH
Terimakasih kami ucapkan kepada Dosen Pembimbing yang telah membimbing sampai
selesainya skripsi ini.

6. REKOMENDASI
Diharapkan mahasiswa bisa melakukan penelitian yang serupa untuk dapat
mengembangkan strategi optimasi pelayanan pada SPBU berdasarkan hasil simulasi
dengan mempertimbangkan faktor-faktor lain seperti cuaca, hari libur, dan lain-lain.

7. REFERENSI
Amrullah. 2010. Simulasi Penyebrangan Penumpang Kapal Menggunakan Monte Carlo Pada
Pelabuhan Lembar NTB. Jurnal ORYZA, 1(9), 183-195.

Anisa, Santi Nur., Amrullah., Triutami, Tabita Wahyu., & Hikmah, Nurul. 2024. Optimalisasi
Waktu Tunggu Lampu Lalu Lintas Menggunakan Simulasi Monte Carlo Di Simpangan
Tanah Haji Kota Mataram. Jurnal Ilmiah Pendidikan Dasar, Volume 09 Nomor 03.

Asbar, Yuli., & Saptari, Mochamad Ari. 2017. Analisa Dalam Mengukur Kualitas Pelayanan
Terhadap Kepuasan Konsumen Menggunakan Metode PIECES. JURNAL VISIONER &
STRATEGIS Volume 6, Nomor 2.

Budianto, H., Amrullah., Wahidaturrahmi., & Arjudin. 2022. Optimalisasi Waktu Tunggu Lampu
Lalu Lintas Menggunakan Simulasi Monte Carlo di Simpang Lima Ampenan Kota
Mataram. GRIYA:Griya Journal Of Mathematics Education and Application, 2(3).

Ekoanindiyo, Firman Ardiansyah. 2011. Pemodelan Sistem Antrian Dengan Menggunakan

Simulasi. DINAMIKA TEKNIK Vol. V, No. 1 Januari 2011 Hal 72 – 85.

Fauzi, Aria., Amrullah., & Kurniati, Nani. 2020. Optimalisasi Pelayanan Pengisian Bahan Bakar
Menggunakan Simulasi Monte Carlo Pada SPBU Di Kota Mataram. Indonesian Journal
Of Applied Science And Technology Vol. 1 No.4.

Ferianto, Erin Juni., Insani, Nur., & Subekti, Retno. 2016. Optimasi Pelayanan Antrian Multi
Channel (M/M/c) Pada Stasiun Pengisian Bahan Bakar Umum (SPBU) Sagan Yogyakarta.
Jurnal Pendidikan dan Sains Edisi 5 Volume 4.

Mandalika Mathematics and Education Journal Volume 7 Nomor 2, Juni 2025 |281
 Noval Afandi, et al Simulasi Pelayanan Pengisian Bahan Bakar

Hanggara, Fuad Dwi & Putra, Rama Dani Eka. 2020. Analisis Sistem Antrian Pelanggan SPBU
Dengan Pendekatan Simulasi Arena. Jurnal INTECH Teknik Industri Universitas Serang
Raya Vol 6 No 2.

Hudori, M. 2014. Sistem Pengendalian Persediaan Bahan Bakar Minyak Solar Dengan Simulasi
Monte Carlo. Jurnal Citra Widya Edukasi:1-9.

Ihksan, Muhammad., & Yunus, Yuhandri. 2021. Simulasi Monte Carlo dalam Memprediksi
Tingkat Pendapatan Penjualan Kuliner. Jurnal Informatika Ekonomi Bisnis, Vol.3 NO.1.

Juliantho, Dwana A. 2024. Simulasi Monte Carlo Untuk Mengatur Sistem Antrian Truk. Jurnal
KomtekInfo Vol. 11 No. 3.

Latif, Abdul. 2015. Dampak Fluktuasi Harga Bahan Bakar Minyak Terhadap Suplai Sembilan
Bahan Pokok Di Pasar Tradisional. Jurnal Al- Buhuts Volume 11 Nomor 1.

Pebrian, Rizki. Fauziah., & Sholihati, Ira Diana. 2021. Algoritma Congruent Method Dan
Algoritma Fisher-Yates Shuffle Pada Kuis Ketangkasan Berbasis Android. JIPI Jurnal
Ilmiah Penelitian dan Pembelajaran Informatika, Volume 06, Nomor 02.

Setiyadi, Didik. 2016. Aplikasi Pembelajaran Mengetik Cepat Berbasis Game Edukasi Dengan
Linear Congruent Method (LCM). Bina Insani ICT Journal, Vol 3, No 1.

Sudjana. 2015. Metode Statistika Edisi 6. Bandung: PT. Tarsito Bandung.

Toriq, Mochammad. 2014. Pengaruh Fasilitas Dan Kualitas Layanan Terhadap Kepuasan
Pelanggan Pada Spbu Pertamina 54.612.64 Di Sidoarjo. Jurnal Ilmu & Riset Manajemen
Vol. 3 No. 8

Mandalika Mathematics and Education Journal Volume 7 Nomor 2, Juni 2025 |282