TEKNOIN Nomor 9 Tahun IV 1999 1

SIMULASI DAN PENGAPLIKASIANNYA

DALAM PERANGKAT LUNAK: SUATU GAMBARAN UMUM

Arya Wirabhuana, Hari Purnomo, Luqman Hakim
Laboratorium Simulasi dan Manajemen Bisnis Industri (SIMBI),
Fakultas Teknologi Industri, Universitas Islam Indonesia


ABSTRAKSI
Simulasi merupakan sebuah teknik Pemodelan yang sangat populer karena kemampuan dan
feksibilitasnya dalam menjawab setiap permasalahan. Hal terpenting dalam Pemodelan Simulasi
adalah bagaimana menerapkan Simulasi dalam keadaan nyata secara komprehensif; mulai dari konsep,
prosedur, hingga aplikasi dan analisis yang didapat.
Makalah ini membahas tentang simulasi secara konseptual yang merupakan gambaran umum
tentang simulasi disertai dengan contoh kasus sederhana tentang antrian dan sistem produksi yang
diselesaikan dengan alat bantu perangkat lunak Microsoft Excel dan Arena versi 3.0.

1. PENDAHULUAN
Dalam perilaku suatu sistem secara ilmiah perlu diterapkan sejumlah asumsi tentang
bagaimana sistem tersebut bekerja. Asumsi tersebut membentuk model sistem yang bisa
dimanfaatkan untuk mempelajari perilaku sistem, dan dinyatakan dalam bentuk hubungan
matematis atau hubungan logis. Apabila hubungan-hubungan yang membentuk model
tersebut sederhana, maka dimungkinkan menerapkan metode matematis untuk
mendapatkan informasi atau jawaban yang eksak terhadap pernyataan atau permasalahan
yang ingin diketahui. Informasi semacam itu disebut sebagai penyelesaian analitis.
Namun demikian, sistem riil pada umumnya terlalu kompleks dan sulit untuk
dimodelkan serta dievaluasi secara analitis. Untuk mengatasi permasalahan tersebut dapat
digunakan metode simulasi. Simulasi adalah proses mendesain dari suatu sistem nyata dan
melakukan eksperimen terhadap model tersebut untuk memahami perilaku sistem dan
mengevaluasinya untuk berbagai strategi operasi dari sistem.. Dengan simulasi para analis
dimungkinkan untuk mengambil kesimpulan tentang sistem baru tanpa harus
membangunnya terlebih dahulu atau melakukan perubahan pada sistem yang ada tanpa
mengganggu kegiatan yang sedang berjalan.

2. PEMODELAN SISTEM
Dyer,G (Open University) [4] mengemukakan bahwa sistem merupakan kesatuan
dari elemen-elemen yang terhubung melalui sebuah mekanisme tertentu dan terikat dalam
hubungan interdependensi. Lingkungan suatu sistem memiliki batas (boundary) dengan
sistem lain yang berada di sekitarnya. Sistem juga memiliki hubungan yang bersifat umpan
balik yang menyebabkan sistem senantiasa dinamis. Lingkungan sistem adalah segala
TEKNOIN
Nomor 9 Tahun IV 1999

2 TEKNOIN Nomor 9 Tahun IV 1999
sesuatu yang tidak merupakan bagian dari sistem, tetapi keberadaannya dapat
mempengaruhi dan atau dipengaruhi sistem. Mueller-Merbach [8] menyatakan, bahwa
pendekatan sistem memusatkan perhatian pada keseluruhan (whole) sistem dan interaksinya.
Dengan demikian, sudah semestinya jika pendekatan sistem bersifat komprehensif, holistik,
dan lintas disiplin. Dyer [4] mengemukakan bahwa dua tema pokok dari pendekatan sistem
adalah :
a. Mengelola apa yang ada pada saat ini (managing the present), dan
b. Merancang apa yang diinginkan pada masa yang akan datang (redesigning the future).
Terdapat dua tipologi pendekatan sistem. Mueller-Merbach [8]menamakannya
dengan pendekatan sistematik yang dipelopori oleh kaum barat dan pendekatan sistemik yang
dijiwai oleh filosofi orang timur. Pendekatan sistematik digolongkan menjadi tiga
pendekatan yaitu introspeksi, ekstraspeksi, dan konstruksi. Ketiga pendekatan sistem tersebut
memiliki perbedaan pada faktor-faktor yang ada pada peneliti sistem seperti superioritas
peneliti, independensi, lintas disiplin, maupun cara pembagian tugas dalam penelitian akan
sistem tersebut. Pendekatan sistemik disebut juga sebagai pendekatan kontemplasi yang
didasari filosofi bahwa sesuatu yang ada di dunia ini tidak dapat dipisah-pisahkan. Jika
peneliti mencoba untuk memisah-misahkan berarti dia telah menghancurkan sistem tersebut.
Model merupakan suatu representasi atau formalisasi dalam bahasa tertentu (yang
disepakati) dari suatu sistem nyata yang disepakati. Model dapat dikatakan sebagai sebuah
kesatuan yang menggambarkan karakteristik suatu sistem. Model dibuat dengan cara
simplifikasi dari sistem yang ada, sehingga untuk mempelajari sebuah sistem, dapat
dilakukan dengan pengamatan pada model sistem tersebut. Walaupun model merupakan
bentuk sederhana dari sebuah sistem, tapi dalam pembentukannya harus tetap
memperhatikan kompetensi dari karakteristik sistem yang diamati. Beberapa model dari
sebuah sistem yang sama, bisa saja berbeda, tergantung pada persepsi, kemampuan, dan
sudut pandang analis sistem yang bersangkutan. Ali Basyah Siregar [10],mengemukakan
bahwa karakteristik model yang baik sebagai ukuran tujuan pemodelan yaitu :
a. Tingkat generalisasi tinggi. Makin tinggi tingkat generalisasi model, maka model tersebut
akan dapat memecahkan masalah yang makin besar.
b. Mekanisme trasparansi dapat menjelaskan dinamika sistem secara rinci.
c. Potensial untuk dikembangkan membangkitkan minat peneliti lain untuk menyelidikinya
lebih lanjut.
d. Peka terhadap perubahan asumsi. Hal ini menunjukkan bahwa proses pemodelan tidak
pernah selesai. Peka terhadap perubahan lingkungan.

Peneliti yang mengerti akan sistem yang dihadapi maka ia dituntut untuk dapat
membuat model-model dari sistem tersebut. Adapun prinsip-prinsip dari pemodelan sistem
adalah :
a. Elaborasi. Pengembangan Model dilakukan secara bertahap dimulai dari model
sederhana hingga diperoleh model yang lebih representatif.
b. Sinektik. Sinektik adalah metode yang dibuat untuk mengembangkan pengenalan
masalah secara analogis (William N. Dunn). [5] Sinektik yang mengacu pada penemuan
kesamaan-kesamaan akan membantu analis menggunakan analogi yang kreatif dalam
pengembangan model.

TEKNOIN Nomor 9 Tahun IV 1999 3
c. Iteratif. Pengembangan model bukanlah proses yang bersifat mekanistik dan linear. Oleh
karena itu dalam tahap pengembangannya sangat mungkin dilakukan pengulangan-
pengulangan dan peninjauan kembali.

3. LANGKAH-LANGKAH DAN MODEL SIMULASI
Suatu fasilitas atau proses yang saling berinteraksi biasanya disebut sebagai sistem
dan upaya untuk mempelajari hal tersebut secara ilmiah (scientific) seringkali mengharuskan
untuk membuat asumsi-asumsi tentang bagaimana sistem tersebut bekerja. Asumsi-asumsi
itu biasanya berupa ekspresi matematika atau hubungan-hubungan logika untuk
membangun sebuah model.
Dalam melakukan simulasi biasanya digunakan komputer untuk mengevaluasi suatu
model secara numerik, dan data dikumpulkan dalam upaya untuk mengestimasi
karakteristik nyata model tersebut. Ada beberapa tipe model simulasi :
a. Statis. Model simulasi yang menunjukkan suatu sistem pada suatu waktu tertentu.
Contoh: Simulasi Monte Carlo.
b. Dinamis. Model simulasi yang menunjukkan suatu sistem yang terjadi setiap waktu.
Contoh: analogi konveyor yang terus berjalan.
c. Deterministik . Model simulasi yang tidak mengandung komponen probabilitas (bilangan
random).
d. Stokastik. Model simulasi yang didalamnya dipengaruhi oleh bilangan
random/probabilitas.
e. Kontinyu. Secara tipikal, model simulasi ini melibatkan persamaan diferensial yang
memberikan hubungan-hubungan pada perubahan nilai variabel-variabelnya terhadap
waktu.
f. Diskret. Berfokus pada model sistem yang terus berjalan dan ditunjukkan oleh perubahan
variabel-variabel secara bertahap pada poin waktu tertentu.

Langkah-langkah dalam simulasi ditunjukkan oleh flow chart pada Gambar 1.

4. SIMULASI KOMPUTER
Kajian simulasi terhadap perilaku sistem berkembang dengan pesat sejalan dengan
perkembangan teknologi komputer. Dewasa ini simulasi banyak dilaksanakan dengan
bantuan komputer. Program komputer untuk simulasi dapat ditulis oleh peneliti dengan
menggunakan General Purpose Language seperti Fortran, Pascal, C ; atau ditulis dengan
menggunakan Simulation Language seperti SIMAN ( Simulation Analysis ), SLAM ( Simulation
language for Alternative Modelling ), GPSS ( General Purpose Simulation System ), SIMSCRIPT,
ARENA dan lain-lain. Simulasi juga bisa dilakukan dengan memanfaatkan paket program
komersial yang dibuat untuk kajian simulasi dimana user memerlukan sedikit pengetahuan
tentang pemrograman. Paket program semacam itu misalnya Promodel, SIM FACTORY,
WITNESS, Excell +.
Dalam kajian simulasi komputer ini akan diberikan contoh aplikasi komputer
dengan ARENA dan Microsoft Excel.



4 TEKNOIN Nomor 9 Tahun IV 1999

























4.1 ARENA
ARENA adalah sebuah software simulasi yang diterbitkan oleh Sistem Modelling
Corp. Software ini berbasis pada object oriented. ARENA menyediakan alternatif dan template
yang interchangeble dari model simulasi grafik dan model simulasi analisis yang dapat
dikombinasikan untuk menciptakan model-model simulasi yang cukup luas dan bervariasi.
Software ini menganut sistem drag & drop dan memiliki kemampuan animasi 2 dimensi.
ARENA juga memiliki tingkat kompatibilitas yang baik. Kemampuan animasinya dapat
ditunjang oleh file-file dari AutoCad. ARENA di spesialisasikan untuk menyelesaikan
masalah-masalah Simulasi Sistem Diskret. Kelebihan lain dari ARENA adalah memiliki
kemampuan pengolahan data statistik, walaupun tidak begitu lengkap.

Kasus untuk ARENA
Sebuah perusahaan yang bergerak di bidang peralatan rumah tangga memproduksi
sebuah produk dengan bahan dasar 2 jenis, yaitu part A dan part B. Part A telah diproduksi
dan datang tiap 5 menit Exponential. Setelah itu dibawa ke stasiun persiapan awal part A
dengan waktu 2 menit dan diproses distribusi Triangular (1,4,8). Lalu di bawa ke stasiun
perakitan dengan waktu 2 menit. Part B datang dalam batch 4 unit dengan transfer 2 menit
dalam distribusi eksponential (30). Kemudian diproses dalam persiapan part B dengan
Identifikasi Masalah
Membangun Model
Menentukan Variabel
Mengumpulkan Data
Verifikasi dan Validasi
Valid ?
Eksperimen
Implementasi
Gambar 1. Langkah-langkah simulasi.

TEKNOIN Nomor 9 Tahun IV 1999 5
distribusi triangular (3,5,10). Kemudian ditransfer ke stasiun perakitan dengan waktu
transfer 2 menit. Di stasiun perakitan memproses kedua part tersebut untuk dijadikan satu
produk. Waktu yang dibutuhkan untuk memproses part A adalah Triangular (1,3,4)
sedangkan waktu part B adalah normal (2.4 , 0.5). Sembilan puluh satu (91) persen part
dinyatakan baik langsung di lanjutkan ke stasiun pengiriman. Produk yang tidak lolos
dilanjutkan ke stasiun Rework untuk diperbaiki. Delapan puluh (80) persen produk reject
berhasil diperbaiki dan ditransfer ke pengiriman, yang tidak dapat diperbaiki dianggap
sebagai produk cacat atau sekrap. Waktu untuk memperbaiki produk reject mengikuti
distribusi eksponential (45). Diasumsikan semua waktu transfer adalah 2 menit. Dari
pengamatan ternyata hasil pada stasiun Rework melebihi kapasitas, sehingga diputuskan
menambah satu shift lagi. Pada stasiun perakitan ada masalah bahwa mesin sering rusak.
MTBF berdistribusi Eksponential (120) dan membutuhkan perbaikan yang memakan waktu
berdistribusi eksponential (4). Bagaimana analisis sistem tersebut dengan ARENA 3.0.
Langkah awal yang harus dilakukan adalah memahami sistem yang ada sehingga
pada nantinya gambaran sistem tersebut dapat dituangkan dalam model. Setelah model
yang dibuat diteliti langkah selanjutnya adalah mentransfer model tersebut ke dalam
software ARENA. Dalam ARENA ada beberapa modul, modul arrive, server, maupun
inspect yang harus diisi. Tampilan model yang dibuat ditunjukkan oleh Gambar 2.














Gambar 2. Model simulasi dengan ARENA.

Apabila dijalankan dengan panjang waktu simulasi 50.000 menit, hasilnya dapat
dilihat sebagai berikut :





Part A Arrive
Arrive
Part B Arrive
Arrive
Part A Prep
Server
Part B Prep
Server
Sealer
Inspect
Rework
Inspect
Shipping
Depart
Salvaged Par
Depart
Scrap
Depart
50000
Electronic Assembly and
Simulate Statistics
0
0
0


6 TEKNOIN Nomor 9 Tahun IV 1999
ARENA Si mul at i on Resul t s
STAFF - Li cense #9400000

Summar y f or Repl i cat i on 1 of 1

Pr oj ect : El ect r oni c Assem Run execut i on dat e : 5/ 2/ 1998
Anal yst : Mr . Munchki n Model r evi si on dat e: 5/ 2/ 1998
Repl i cat i on ended at t i me : 50000. 0

TALLY VARI ABLES
I dent i f i er Aver age Hal f Wi dt h Mi ni mum Maxi mum Obser vat i ons
_____________________________________________________________________________________________________________________________________________________________________________________________________________________________________
Sal vaged Par t s_Ta 302. 17 ( Cor r ) 19. 439 1229. 2 1199
Rewor k_R_Q Queue Ti me 193. 93 48. 888 . 00000 674. 58 1467
Seal er _R_Q Queue Ti me 6. 2386 1. 5828 . 00000 50. 795 16499
Scr ap_Ta 285. 39 ( I nsuf ) 25. 366 1159. 2 267
Par t B Pr ep_R_Q Queue 70. 972 ( Cor r ) . 00000 541. 65 6624
Shi ppi ng_Ta 57. 472 ( Cor r ) 9. 0197 564. 91 15031
Par t A Pr ep_R_Q Queue 15. 183 2. 5646 . 00000 99. 536 9876

DI SCRETE- CHANGE VARI ABLES
I dent i f i er Aver age Hal f Wi dt h Mi ni mum Maxi mum Fi nal Val ue
_____________________________________________________________________________________________________________________________________________________________________________________________________________________________________
# i n Rewor k_R_Q 5. 6899 1. 6284 . 00000 28. 000 . 00000
Par t A Pr ep_R Busy . 85391 . 02036 . 00000 1. 0000 1. 0000
# i n Seal er _R_Q 2. 0586 . 59611 . 00000 21. 000 . 00000
Par t B Pr ep_R Avai l abl 1. 0000 ( I nsuf ) 1. 0000 1. 0000 1. 0000
# i n Par t A Pr ep_R_Q 2. 9990 . 61504 . 00000 24. 000 1. 0000
Seal er _R Avai l abl e 1. 0000 ( I nsuf ) 1. 0000 1. 0000 1. 0000
Par t A Pr ep_R Avai l abl 1. 0000 ( I nsuf ) 1. 0000 1. 0000 1. 0000
Rewor k_R Avai l abl e 1. 4992 ( I nsuf ) 1. 0000 2. 0000 1. 0000
Seal er _R Busy . 84177 . 02003 . 00000 1. 0000 . 00000
Rewor k_R Busy 1. 3732 . 06088 . 00000 2. 0000 1. 0000
Par t B Pr ep_R Busy . 79305 . 04708 . 00000 1. 0000 . 00000
# i n Par t B Pr ep_R_Q 9. 4023 ( Cor r ) . 00000 88. 000 . 00000

COUNTERS
I dent i f i er Count Li mi t
______________________________________________________________________________________________________________________

Sal vaged Par t s_C 1199 I nf i ni t e
Scr ap_C 267 I nf i ni t e
Shi ppi ng_C 15031 I nf i ni t e

FREQUENCI ES
- - Occur r ences- - St andar d Rest r i ct ed
I dent i f i er Cat egor y Number AvgTi me Per cent Per cent
_____________________________________________________________________________________________________________________________________________________________________________________________________________________________________
Val ue( NQ( REWORK_R_Q) ) Const ant ( 0, ) 112 81. 559 18. 27 18. 27
Range( 0, 10) 163 197. 97 64. 54 64. 54
Range( 10, 20) 63 120. 45 15. 18 15. 18
Range( 20, 30) 11 91. 559 2. 01 2. 01

STATE( Seal er _R) BUSY 3635 11. 578 84. 18 84. 18
I DLE 3339 1. 9188 12. 81 12. 81
FAI LED 387 3. 8871 3. 01 3. 01


Si mul at i on r un t i me: 0. 27 mi nut es.
Si mul at i on r un compl et e.


TEKNOIN Nomor 9 Tahun IV 1999 7
Dari hasil tersebut dapat diambil kesimpulan sebagai berikut :
a. Suku cadang - suku cadang yang dapat diselamatkan setelah melewati proses Rework
rata-rata adalah sebanyak 303 suku cadang dan berkorelasi.
b. Ratarata waktu tunggu sukucadang untuk mengalami perbaikan kembali adalah 193.93
menit.
c. Sukucadang yang tidak dapat diselamatkan setelah melewati rework rata-rata sebanyak
286 buah.
d. Antrian persiapan untuk part B rata-rata sepanjang 71 parts.
e. Antrian persiapan untuk part A rata-rata sepanjang 15 parts.

4.2 Microsoft Excel versi 7.0
Software ini merupakan sebuah software spread sheet yang sangat familiar dengan
pengguna Microsoft Windows. Walaupun berbasis pada spread sheet MS Excel dapat
digunakan untuk menyelesaikan masalah simulasi terutama yang berbasis pada simulasi
Monte Carlo, time series, dan pembangkitan bilangan random.

Kasus untuk Microsoft Excel
Kasus yang diambil adalah kasus antrian single server. Tingkat kedatangan konsumen
dan waktu pelayanan dari server di dapat dari pengamatan. Dari data yang didapat akan
diketahui probabilitas dari tingkat antar kedatangan dan waktu pelayanan. Data dan hasil
perhitungan simulasi adalah sebagai berikut:




8 TEKNOIN Nomor 9 Tahun III 1999
Langkah 1. Data Preparation and Distribution Estimation


TEKNOIN Nomor 9 Tahun III 1999 9

10 TEKNOIN Nomor 9 Tahun III 1999
Langkah 2. Descriptive Statistic Result


TEKNOIN Nomor 9 Tahun III 1999 11
Langkah 3. Fitting Input Distribution Through Chi-Square Goodness of Fit Test

12 TEKNOIN Nomor 9 Tahun III 1999
Langkah 4. Determine Relative Probability Through Distribution Concept


TEKNOIN Nomor 9 Tahun III 1999 13
Langkah 5. Preparing The Measurement of Simulation

14 TEKNOIN Nomor 9 Tahun III 1999


TEKNOIN Nomor 9 Tahun III 1999 15
Queuing Simulation Result

16 TEKNOIN Nomor 9 Tahun III 1999
Dari hasil dapat diambil beberapa kesimpulan sebagai berikut:
a. Jumlah pelanggan yang harus menunggu dalam antrian adalah 39 orang, artinya ada 11
orang yang langsung dilayani dari percoban yang dilakukan pada 50 orang.
b. Waktu menunggu rata-rata dari pelanggan sebelum ia dilayani adalah 4.44 menit.
c. Kemungkinan pelanggan akan menunggu jika memasuki sistem antrian tersebut adalah
0.78, artinya hampir bisa dipastikan setiap pelanggan yang memasuki sistem antrian
harus menunggu selama 4.44 menit.
d. Server sangat sibuk, dengan demikian tidak pernah idle dalam kurun waktu 201 menit
pengamatan.
e. Kemungkinan server idle adalah 0.063
f. Rata-rata waktu pelanggan berada dalam sistem antrian adalah 8.3 menit, artinya bahwa
dari mulai ia masuk ke dalam sistem antrian sampai ia keluar memerlukan waktu selama
kurang lebih 8.3 menit.
Dari hasil tersebut dapat dianalisis mengapa terjadi antrian yang sangat panjang.
Pertamatama diketahui bahwa waktu rata-rata pelayanan lebih lama dari waktu rata-rata
antar kedatangan, sehingga dapat dipastikan akan adanya antrian dan semakin lama tentu
antrian akan semakin panjang. Waktu hasil simulasi berbeda dengan perhitungan statistik
maupun pendekatan kuantitatif lainnya, sebagaimana ditunjukkan oleh Tabel 1.

Tabel 1. Perbandingan hasil simulasi dan perhitungan statistik.
Metoda Waktu Antar Kedatangan Waktu Pelayanan
Statistik Deskriptif 3.37 menit 3.75 menit
Simulasi 4.00 menit 3.86 menit
Nilai Harapan 3.64 menit
Distribusi Uniform 4.5 menit

Dari tabel diatas terlihat bahwa pada hasil simulasi untuk waktu antar kedatangan
memiliki nilai paling rendah dari keempat metode yang ada, dilain pihak untuk waktu
pelayanan hasil simulasi memiliki nilai yang paling tinggi diantara metoda kuantitatif yang
dilakukan. Dengan demikian ada kecenderungan bahwa perhitungan panjang antrian hasil
simulasi berbeda dengan perhitungan yang menggunakan pendekatan lain. Dan
kecenderungan itu terlihat bahwa panjang antrian hasil simulasi akan lebih besar dari
perhitungan panjang antrian metoda kuantitatif lain. Begitu pula halnya dengan
kemungkinan orang harus menunggu dan waktu yang dihabiskan pelanggan dalam sistem.
Namun yang perlu diperhatikan, bahwa kesimpulan seperti itu tidaklah bersifat general,
namun sangat kasuistis, dan tidak boleh diaplikasikan pada sistem yang lain, tanpa
melakukan eksperimen dan pengamatan pada hasil simulasinya.

5. PENUTUP
Simulasi umumnya digunakan untuk membahas masalah-masalah yang cukup
komplek dimana penyelesaian analitik sudah tidak bisa digunakan. Kegagalan simulasi
disebabkan kekurang pahaman terhadap teknik simulasi, juga mungkin disebabkan oleh
model yang tidak sesuai dengan keadaan riil.
Pembicaraan tentang simulasi sering dikaitkan hanya pada kasus manajerial, riset
operasional, atau sistem dan proses manufaktur. Sebenarnya penggunaan metode simulasi


TEKNOIN Nomor 9 Tahun III 1999 17
mencakup bidang yang lebih luas daripada itu. Setiap kasus penelitian dimana peneliti
menerapkan komputasi numerik dengan memanfaatkan teknologi komputer ( hardware dan
software ) untuk mengkaji model matematik dari sistem yang diteliti, pada hakekatnya
adalah sebuah proses simulasi komputer.
ARENA dan Microsoft Excell sebagai sebuah alat bantu dalam menyelesaikan
masalah dalam simulasi, memiliki karakteristik yang berbeda, sehingga seorang pemodel
yang akan mengaplikasikannya harus dapat menyesuaikan antara karakteristik sistam nyata
dan karakteristik software yang ada, karena sangat mungkin software tertentu memiliki
presisi yang lebih bagus dalam penyelesaian suatu masalah daripada software lain, akan
tetapi untuk kasus lain , hal tersebut bisa berubah bahkan bisa berlaku sebaliknya.

DAFTAR PUSTAKA
[1] Banks, J., J. S. Carson, dan Barry L. Nelson. Discrete-Event System Simulation . New Jersey: Prentice-
Hall, 1996.
[2] Chisman, J.A. Introduction to Simulation Modeling Using GPSS/PC. New Jersey: Prentice- Hall, 1992
[3] Dariyanto, B. Simulasi Komputer. Makalah, PIKTI-ITS, Surabaya, 1997.
[4] Dyer, G. Am I Using a System Approach ?. System Planning, vol 6 No. 4., 1993
[5] Dunn, William N. Public Policy Analysis, an Introduction. Englewood Cliff; New-Jersey; Prentice-
Hall, 1981
[6] Kelton, D.W, R. P. Sadowski, dan D. A. Sadowski. Simulation with ARENA. New York: McGraw-
Hill, 1998.
[7] Law, A., dan David Kelton. Simulation and Modeling Analysis. New York: McGraw-Hill, 1991.
[8] Muller-Merbach,H. A system of System Approach. Interfaces. Vol.24. No. 4 (July-August). 1994
[9] Santoso, Singgih. Analisis Statistik Buat Excel. Jakarta: Elex Media Computindo, 1997.
[10] Siregar, A. B.. Pemodelan Sistem. Proceding Lokakarya. Institut Teknologi Bandung, 1997.
[11] Suparno, Imam.B, Simulation Software : ARENA & GPSS, Laboratorium SPK TI-ITS, 1998.