ANALISIS DAN PERANCANGAN DECISION
SUPPORT SYSTEM UNTUK MELAKUKAN
PREDIKSI DAN MELIHAT KONDISI ANTRIAN
MAHASISWA BERDASARKAN METODE
QUEUING TEORI DAN FORECASTING
Nandhika Wandhawa Putra Harahap, Edi Santoso, Agus
Putranto
Binus University, Jl. K. H. Syahdan, 021- 5345830, nandhika.wph@gmail.com
ABSTRACT
Queues that formed in the service tends to be a result of the lack of services, the high number of
arrivals, and the length of wait time. Customers will wait in a queue will try to estimate the waiting
time and customer will tend to leave the queue when the estimated waiting time has passed the
waiting periods. This study aims to determine the estimated wait time that is calculated more
accurately and the conditions that exist in the service queue. Queuing model is selected using the
notation Mendel and using a standard formula from the queuing theory. The results of the queuing
model will then be used as the basis for forecasting the time for service to determine the predictive
queue. Forecasting method that is used is the moving average. It is chosen because it has the
smallest MAPE value. The results of the calculation queue condition then recalculated using
Hierarchy Process Analytical method to help officers to choose between adding servers, reducing
server and let the server stay the way it is. The results of AHP will be integrated in the DSS as the
basis for this service system.
Keywords: Queueing Theory, Forecasting, AHP, DSS
ABSTRAK
Antrian yang terbentuk dalam pelayanan terjadi akibat dari kurangnya jumlah pelayanan, tingginya
jumlah kedatangan, dan lamanya waktu pelayan. Dalam antrian pelanggan akan menunggu sesuai
dengan waktu estimasi tunggunya dan pelanggan akan cenderung meninggalkan antrian bila
estimasi waktu tunggunya sudah dilewati lamanya waktu menunggu. Penelitian ini bertujuan untuk
mengetahui estimasi waktu tunggu yang terhitung lebih akurat dan kondisi antrian yang ada dalam
layanan. Model antrian dipilih menggunakan notasi mendel dan menggunakan rumus baku queuing
theory. Hasil model antrian kemudian dijadikan dasar untuk melakukan forecasting lama service
untuk menentukan prediksi antrian. Metode forecasting yang dipakai adalah moving average yang
dipilih karena memiliki nilai MAPE yang paling kecil. Hasil dari perhitungan kondisi antrian
kemudian dihitung ulang menggunakan metode Analytical Hierarcy Process untuk membantu
petugas untuk memilih antara menambahkan server, mengurangi server, dan membiarkan server.
Hasil AHP teresebut akan diintegrasikan sebagai dasar DSS untuk sistem layanan ini.
PENDAHULUAN
Antrian yang terbentuk dalam pelayanan terjadi akibat dari kurangnya jumlah pelayanan, tingginya kedatangan, dan lamanya pelayanan. Dalam beberapa kasus variabel tersebut sulit diubah sehingga antrian akan selalu terbentuk dengan tingkat waktu tunggu yang tinggi harus dialami oleh pelanggan yang masuk. Dengan kedatangan dan waktu pelayanan yang berbeda maka setiap pelanggan akan memiliki waktu tunggu yang berbeda.
Dalam kenyataannya tidak semua pelanggan akan menunggu hingga giliran pelayanannya. Alasan utama pelanggan meninggalkan servis bervariasi. Dari jurnal JMR (The Psychology of Decisions to Abandon Waits for Service, 2011), 48% pelanggan meninggalkan pelayanan akibat kesalahan mengambil pendaftaran dan 52% pelanggan sisanya meninggalkan antrian akibat waktu tunggu yang terlalu lama. Dari 52%, tersebut, 18% pelanggan meninggalkan antrian sedangkan 34% meninggalkan antrian untuk kembali lagi di waktu lain. Setiap tebentuknya antrian pelanggan akan berupaya memperkirakan waktu tunggu yang akan terjadi. Pelanggan akan menunggu sesuai dengan waktu estimasi tunggunya dan pelanggan akan cenderung meninggalkan antrian bila estimasi waktu tunggunya sudah dilewati lamanya waktu menunggu. (Mandelbeum & Zeltyn, 2013)
Dengan mengetahui estimasi waktu tunggu yang terhitung lebih akurat maka pelanggan akan memiliki perkiraan waktu tunggu yang harus dijalani. Keputusan pelanggan yang meninggalkan antrian akibat ketidaksesuaian waktu tunggu bisa dikurangi dan aktifitas lain dapat dijalani pelanggan dalam periode tunggu yang ada tanpa melewati giliran tunggunya.
Universitas Bina Nusantara adalah universitas swasta yang berlokasikan di Jakarta sejak tahun 1996. Ada 5 kampus utama yang menjadi bagian dari universitas Bina Nusantara. Setiap kampus Bina Nusantara memiliki departemen masing-masing untuk mengurus masalah kemahasiswaannya.
Kampus Anggrek sebagai salah satu kampus Bina Nusantara melayani mahasiswanya di ruangan layanan mahasiswa yang mengurus masalah kemahasiswaan, keuangan, dan berkas. Ketiga layanan ini membentuk antrian yang mencapai tingkat intensitas antrian yang tinggi. Dari antrian yang ada, mahasiswa sering meninggalkan antrian akibat tingginya waktu tunggu pelayanan yang ada dalam layanan mahasiswa.
Untuk mencegah mahasiswa untuk meninggalkan antrian karena ketidaksesuaian waktu tunggu dengan estimasinya maka perlu dibuat sebuah sistem yang dapat memantau proses antrian yang terjadi didalam sistem yang dapat memprediksi lama waktu tunggu setiap mahasiswa yang masuk ke dalam antrian.
• Aplikasi pengukuran model antrian telah banyak diimplementasikan dalam lingkup penelitian maupun profesional namun prediksi waktu tunggu untuk setiap pelanggan yang datang sesuai dengan perkiraan waktu pelayanan masih belum tersedia. Implementasi aplikasi yang bisa mengukur model antrian yang ada dan memberikan prediksi waktu tunggu bisa membantu pengguna pelayanan yang memiliki antrian. Berdasarkan pemahaman ini maka dapat dibentuk rumusan masalahnya yaitu:
• Bagaimana cara untuk memprediksi waktu tunggu untuk setiap pengguna layanan dengan nilai error yang rendah?
• Bagaimana cara untuk melihat kondisi antrian yang sedang terjadi didalam sistem?
• Bagaimana perancangan sistem informasi di layanan yang bisa memprediksi waktu tunggu secara real-time dan terintegrasi dengan sistem yang ada?
Queuing Theory
Berdasarkan Heizer dan Render (2006), notasi Kendell merupakan notasi yang digunakan untuk mengidentifikasikan model antrian yang terbentuk berdasarkan atribut-atribut yang dimiliki antrian .
Notasi Mendell dapat dituliskan dengan format (a/b/c);(d,e,f). Attribut dari Notasi Mendell:
a = Distribusi kedatangan pelanggan. b = Distribusi pelayanan pelanggan
Notasi a dan b dituliskan dengan M untuk distribusi poisson atau eksponensial, D untuk distribusi degenerasi dan G distribusi general.
c = Jumlah stasiun kerja, dituliskan dengan bilangan bulat postif.
d = Tipe pelayanan antrian, dapat dituliskan dengan FIFO, LIFO, SIRO atau GD e = Batas maksimum sistem
f = Batas populasi pelanggan.
Notasi e dan f dituliskan dengan N untuk jumlah terbatas atau ∞ untuk jumlah tak terbatas. Dari model antrian yang ada maka akan dapat diambil nilai lama pelayanan, dengan berdasarkan Thomas J.Kakiay (2004), ada beberapa rumus yang bisa digunakan dalam perhitungan antrian dengan model (M/M/c) yaitu:
Dengan keterangan sebagai berikut:
λ = jumlah kedatangan rata-rata per satuan waktu µ = jumlah pelayanan per satuan waktu
Lq = jumlah antrian rata-rata yang belum dilayani Ls = jumlah antrian rata-rata yang ada dalam sistem Wq = jumlah waktu rata-rata yang dihabiskan dalam antrian Ws = jumlah waktu rata-rata yang dihabiskan dalam sistem Po = kemungkinan pelanggan kosong
c = jumlah pelayanan n = jumlah antrian
Sistem Informasi
Secara definisi, Sistem Informasi adalah sebuah kumpulan orang, hardware, software, network, dan data yang dikumpulkan dan diolah menjadi informasi untuk disebarkan dalam organisasi. Sistem Informasi sendiri dapat dikelompokkan menjadi beberapa bagian yaitu: Office Information System, Transaction Processing System, Management Information System, Decision Support System, dan Expert System. (O' Brien, 2005, p5)
Decision Support System adalah sebuah sistem informasi yang bersifat interaktif dan bertindak sebagai sistem penyokong dalam pengambilan keputusan untuk memecahkan masalah dan mengambil keputusan yang didasari oleh informasi. (Krishnamuti, 2008, p85)
METODE PENELITIAN
Untuk melaksanakan studi kasus ini, berikut adalah diagram alir yang digunakan: Mulai ST UDI PUSTAKA OBSERVASI LAPANGAN IDENTIFIKASI MASALAH PE RUMUSAN MASALAH PENGUMPULAN DATA PERANCANGAN SISTE M INFORMASI PENGOL AHAN DATA
A
A
PEMBUATAN SISTEM INFORMASI ANALISIS DAN PEMBAHASANSIMPULAN & SARAN
Selesai
B
B
Gambar 1 Diagram Alir Studi Kasus
Penelitian dimulai dari studi pustaka yang mengambil dan mengumpulkan landasan teori yaitu metode Queuing Theory, metode forecasting dan metode Analytical Hierarcy Process. Metode antrian akan menghitung model antrian dan implementasi rumus baku.
Setelah landasan teori sudah mencukupi untuk mendukung proses penelitian, selanjutnya dilakukan pengamatan langsung ke lapangan yang dilakukan dalam layanan mahasiswa. Dari observasi ini dilakukan dengan pengamatan langsung dan wawancara yang menanyakan seputar masalah antrian yang ada. Hasil observasi menunjukkan bahwa layanan mahasiswa memiliki tiga tipe pelayanan yaitu kemahasiswaan, keuangan, dan berkas dengan jumlah pelayanan masing-masing dan satu tempat pengambilan nomor antrian. Peneliti melakukan pengumpulan data dimulai dari wawancara dengan layanan mahasiswa, kemudian observasi kedatangan mahasiswa yang ada dalam layanan mahasiswa. Kemudian dilihat struktur model antrian yang digunakan dalam layanan mahasiswa.Data waktu kedatangan dan kepergian mahasiswa ada kemudian dianalisa menggunakan metode queuing theory untuk menghitung model antrian, utilitas antrian, intensitas antrian, prediksi antrian, dan kondisi antrian, dan metode forecasting akan membandingkan 3 tipe forecasting yaitu Moving Average, Single Exponential, dan Double Exponential untuk melihat nilai MAPE yang paling rendah dan akan digunakan dalam peramalan waktu pelayanan antrian. Data antrian yang akan diproses akan diuji menggunakan metode One Sample Kolmogorov-Smirnov dengan bantuan software SPSS dan uji kecukupan data XCharts menggunakan bantuan software Minitab. Perhitungan metode Analytical Hierarchy Process akan dihitung menggunakan bantuan website www.123AHP.com.
Peneliti kemudian membangun program sesuai dengan rancangan program yang ada dan mengukur hasil program dengan teori yang ada. Bila hasil program belum sesuai dengan landasan teori program akan dibuat kembali.Data yang telah diolah kemudian akan di analisa dan dilihat dari tingkat efisiensinya. Dari hasil analisa tersbut maka akan dapat dipilih hasil perancangan tata letak yang paling baik.Hasil analisis yang didapat kemudian dirangkum menjadi sebuah kesimpulan mengenai efesiensi tata letak ruangan. Saran perbaikan juga dibuat dan diberikan ke layanan mahasiswa yang akan digunakan untuk meningkatkan performa layanan mahasiswa.
HASIL DAN BAHASAN
Uji Kecukupan Data
Dari data yang ada maka akan dilakukan uji keseragaman data menggunakan rumus kecukupan data pada data antrian dan pelayanan. Untuk menghitung uji kecukupan data ini akan digunakan tingkat kepercayaaan 95% sehingga nilai k yang didapatkan adalah 2 dan tingkat ketelitian 10% sehingga nilai s = 0,1. Dengan menggunakan angka tersebut maka dapat dihitung nilai kecukupan data yaitu:
Tabel 1 Data Kedatangan dan Pelayan Layanan Mahasiswa Tanggal Data Nilai N Nilai N' Kecukupan 20/06/2013 Kedatangan 286 130 Cukup 20/06/2013 Pelayanan 286 229 Cukup 21/06/2013 Kedatangan 182 131 Cukup 21/06/2013 Pelayanan 182 131 Cukup 22/06/2013 Kedatangan 155 148 Cukup 22/06/2013 Pelayanan 155 135 Cukup
Uji Keseragaman Data
Setelah data dianggap cukup maka akan dilakukan uji keseragaman data menggunakan minitab:
55 49 43 37 31 25 19 13 7 1 5000 4000 3000 2000 1000 0 S SS Saaaammmmpppplllleeee S SS Sa aa am mm mp pp plllle ee e M MM Me ee ea aa an nn n __ X=159 UCL=709 LCL= -391 1 1 X X X
Xbbbbaaaarrrr CCChhhhaaaarrrrtttt ooooffff AC AArrrrrrrriiiivvvvaaaallllA
Tests performed with unequal sample sizes
55 49 43 37 31 25 19 13 7 1 2000 1000 0 -1000 -2000 S SS Saaaammmmpppplllleeee S SS Sa aaa m m m m pppp lllleeee M M M M eeeeaaaa nnnn __ X=455 UCL=2389 LCL=-1478 1 X X X
Xbbbbaaaarrrr CCCChhhhaaaarrrrtttt ooooffff SSSeeeerrrrvvvviiiicccceeeeS
Tests performed with unequal sample sizes
Gambar 2 Uji Keseragaman Service Layanan Mahasiswa
Uji Distribusi
Dari data yang ada maka akan dilakukan uji distribusi dari setiap pelayanan yang ada. Uji distribusi ini dilakukan untuk melihat tipe distribusi yang ada dalam data pelayanan dan kedatangan pelanggan. Dengan menggunakan aplikasi minitab dapat ditemukan histogram dan distribusi data untuk data layanan mahasiswa pada tanggal 20-06-2013: 4200 3600 3000 2400 1800 1200 600 0 180 160 140 120 100 80 60 40 20 0 A AA A rrrrrrrriiiivvvvaaaallll F FF Frrrr eeee qqqquuuu eeeennnn ccccyyyy H H H
Hiiiissssttttooooggggrrrraaaammmm ooooffff AAArrrrrrrriiiivvvvaaaallllA
7000 6000 5000 4000 3000 2000 1000 0 160 140 120 100 80 60 40 20 0 S SS Seeeerrrrvvvviiiicccceeee F FF Frrrr e ee eq qq qu uu ue ee en nn ncccc yyyy H H H
Hiiiissssttttooooggggrrrraaaammm ooooffff Sm SSeeeerrrrvvvviiiicccceeeeS
Gambar 3 Histogram Service Layanan Mahasiswa 20-06-2013
Berdasarkan table yang ada pada lampiran Layanan Mahasiswa (20-06-2013) dapat dihitung uji distribusinya menggunakan SPSS maka akan didapatkan data berikut:
SPSS melakukan uji distribusi dengan metode one-sample kolmogorov-smirnov dimana pengukuran seberapa baik data dilihat dari hubungan data yang mengikuti distribusi tertentu. Dengan mengetahui bahwa distribusi kedatangannya mengikuti distribusi Poisson dan distribusi pelayanannya mengikuti distribusi eksponensial. Dengan melihat tingkat kedatangan mahasiswa yang mengikuti pola distribusi poisson (M) dan tingkat pelayanan mahasiswa pada setiap server mengikuti pola distribusi eksponensial (M) maka notasi Kendell dapat digambarkan sebagai (M/M/c/FIFO/∞/∞) dan perhitungan rumus baku dapat digunakan.
Perhitungan Data
Dari data yang didapatkan tersebut maka akan dapat dihitung waktu kedatangan mahasiswa dan pelayanannya yaitu:
Tabel 2 Data Perhitungan Server Layanan Mahasiswa Service (20-06-2013) Service (21-06-2013) Service (22-06-2013) µ per jam 7.90 8.63 8.75 λ per jam 25.91 16.55 19.38 c 5 4 4 c' 3.28 1.92 2.21 P0 0.05 0.22 0.17 Lq 0.96 0.21 0.46 L 4.23 2.13 2.68 Wq (Menit) 2.21 0.77 1.44 Ws (Menit) 4.53 4.40 4.54
Dari nilai tersebut dapat dilihat bahwa jumlah server yang ada sudah melebihi titik minimum kebutuhan server yang ada. Layanan mahasiswa mampu mengatasi seluruh antrian yang dialami oleh server. Sementara waktu tunggu yang harus dilakukan oleh mahasiswa dari awal antrian hingga selesai pelayanan adalah 4,5 menit.
One-Sample Kolmogorov-Smirnov Test for Arrival
VAR00001
N 286
Poisson Parametera,b Mean 158.8811
Most Extreme Differences Absolute .648
Positive .648
Negative -.243
Kolmogorov-Smirnov Z 10.962
Asymp. Sig. (2-tailed) .062
a. Test distribution is Poisson. b. Calculated from data.
One-Sample Kolmogorov-Smirnov Test for Service
VAR00001
N 286c
Exponential parameter.a,b Mean 681.9529
Most Extreme Differences
Absolute .547
Positive .547
Negative .000
Kolmogorov-Smirnov Z 7.562
Asymp. Sig. (2-tailed) .057
a. Test Distribution is Exponential. b. Calculated from data.
c. There are 95 values outside the specified distribution range. These values are skipped.
Perhitungan Peramalan
Setelah mendapatkan nilai tersebut maka kemudian akan dilakukan prediksi lama waktu tunggu mahasiswa menggunakan teori peramalan untuk menentukan lama waktu pelayanan yang mungkin terjadi dan menghitung lama waktu tunggu yang ada untuk setiap mahasiswa yang dating untuk mengantri lagi. Untuk menentukan metode antrian yang paling baik maka akan dilakukan perbandingan nilai MAPE dari data layanan mahasiswa yang ada. Dalam table berikut dapat dilihat perbandingan MAPE antara metode Moving Average, Single Exponential, dan Double Exponential:
Tabel 3 Data Perbandingan MAPE Service Layanan Mahasiswa
MAPE
Service
(20-06-2013)
Service
(21-06-2013)
Service
(22-06-2013)
Moving Average
202
110
111
Single Exponential
186
106
146
Double
Exponential
221
129
256
Tabel 4 Data Perhitungan Manual Forecasting Service Layanan Mahasiswa Hari Data Ke Nilai Forecast Error
Abs. Error %Error 1 1 328 n ~ 49 0 50 101 51 416 474.84 -58.84 58.84 0.141442 52 279 476.6 -197.6 197.6 0.708244 n ~ ~ ~ ~ ~ 99 39 365.02 -326.02 326.02 8.359487 100 172 365.8 -193.8 193.8 1.126744 2 101 515 367.22 147.78 147.78 0.286951 102 1 369.2 -368.2 368.2 368.2 n ~ ~ ~ ~ ~ 199 68 366.14 -298.14 298.14 4.384412 200 897 361.6 535.4 535.4 0.596878 3 201 1553 373.3 1179.7 1179.7 0.759627 202 130 393.44 -263.44 263.44 2.026462 203 403 387.06 15.94 15.94 0.039553 n ~ ~ ~ ~ ~ 299 972 350.48 621.52 621.52 0.639424 300 174 363.16 -189.16 189.16 1.087126 MAPE 110.049
Analisis Sistem Informasi
Dalam melakukan analisis perancangan sistem informasi akan dilakukan penentuan kebutuhan dari sistem yang dapat digambarkan dengan proses input dan output dari proses bisnis yang ada didalam Activity Diagram dan Usecase Diagram.
Manager Manager Manager Manager Mahasiswa Mahasiswa Mahasiswa Mahasiswa Mengambil antrian Menerima no antrian dan prediksi antrian
Melihat laporan antrian Layanan Mahasiswa
Layanan Mahasiswa Layanan Mahasiswa Layanan Mahasiswa
Menerima nomor antrian
Memulai Pelayanan Mengubah jumlah server Layanan Mahasiswa
Layanan Mahasiswa Layanan Mahasiswa
Layanan Mahasiswa / / / Keuangan / Keuangan Keuangan / Keuangan / / / BerkasBerkasBerkasBerkas
Gambar 4 Activity Diagram
Menerima No Antrian Mahasiswa Layanan Mahasiswa Manager SISTEM INFORMASI Melihat Laporan Antrian Mengambil Antrian Mahasiswa Menerima No Antrian Dan Prediksi Antrian
Memulai Pelayanan Mahasiswa Mengubah Jumlah Server Menerima No Antrian Keuangan Layanan Keuangan Memulai Pelayanan Keuangan Menerima No Antrian Berkas Layanan Berkas Memulai Pelayanan Berkas
Gambar 5 Usecase Diagram
Kemudian dilakukan analisis kebutuhan data dari sistem informasi menggunakan Domain Class Diagram untuk perancangan sistem sebagai berikut:
Mahasiswa -NIM: string -Nama: string Antrian -ID_antrian: string -NIM: string -Jenis_antrian: string -Waktu_masuk: ti me -Tanggal_antrian: date Layanan -ID_laporan: int -ID_antrian: int -ID_karyawan: int -ID_Jenis_layanan: int -Waktu_mulai: time -Waktu_keluar: time Tipe_Layanan -ID_jenis_layanan: int -Nama_Jenis_layanan: string -Jumlah_Server: int Karyawan -ID_Karyawan: int -Nama_Karyawan: string
Gambar 6 Domain class diagram usulan
Desain Sistem Informasi
Dari analisis yang ada maka dapat dilakukan pengembangan sistem informasi yang dimulai dari kebutuhan data di setiap arsitektur sistem yang kemudian dilihat design environment yang ada pada sistem dan dilakukan perancangan pada fungsi sistem dan aristektur data yang dilengkapi dengan operasi dari setiap objek yang disesuaikan pada pengguna sistem dari masing-masing divisi yang terlibat. Dalam sistem informasi ini digunakan 3 database yaitu database antrian, database mahasiswa, dan database karyawan. Mahasiswa sekarang mendapatkan proses baru dalam umpan balik yaitu prediksi waktu tunggu. Manager sekarang mendapatkan proses baru yaitu menerima dan membuat laporan antrian.
Mahasis wa
Layana n Mahasiswa Layana n Keuangan Layanan Berkas
Antrian Ti cketing
Layana n Mahasiswa Layana n Keuangan Layanan Berkas
Laporan Manager
Atasan 1. Mengambil Antrian
2. Menerima Nomor Antrian dan Prediksi Wa ktu Tunggu 3. Menerima Nomor
Antrian Layanan Mahasiswa yang akan
Dilaya ni
4. Memulai La yanan Mahasiswa
5. Menerima Nomor Antrian Layanan Keuangan yang akan
Dila ya ni
6. Memulai La yanan Keua ngan
7. Menerima Nomor Antrian Layanan Berkas
yang akan Dilayani
8. Memulai La yanan Berkas
9. Menerima Laporan Kondisi Antrian 10. Mengubah Jumlah Server yang Ada Dalam
Pelayanan 11. Memberikan La poran Antrian Karyawan Mahasis wa Admis i Admis i Mahasiswa 12. Memasukkan Data Mahasiswa
HR D
Layanan Berka s 13. Memasukkan Data Karyawan
Gambar 7 Aplication Architecture
SIMPULAN DAN SARAN
Berdasarkan hasil pengerjaan dari tugas akhir ini, dapat diambil simpulan sebagai berikut:
1. Berdasarkan hasil penelitian untuk memprediksi waktu tunggu sehingga pengguna layanan dapat menggunakan metode moving average karena metode moving average memiliki nilai persentase error yang paling rendah dibandingkan dengan metode single exponential dan double exponential. Namun demikian, prediksi waktu pelayanan masih memiliki nilai error yang tinggi sehingga akurasinya belum sempurna.
2. Model antrian dapat dilihat dengan menggunakan teori queuing theory dengan menggunakan notasi mendell (M/M/c/FIFO/∞/∞) yaitu multi server single channel, first in first out. Dengan menggunakan notasi ini maka dapat diketahui jumlah server yang dibutuhkan, waktu tunggu mahasiswa dalam sistem, waktu tunggu mahasiswa dalam antrian, dan intensitas antrian yang ada dalam sistem.
3. Sistem informasi yang dirancang sehingga dapat memprediksi waktu tunggu secara real-time dan terintegrasi adalah sistem informasi Decision Support System dengan menggunakan Application Domain Analysis yang didukung oleh AHP sebagai pendukung analisis data.
Aplikasi ini bisa diterapkan untuk memberikan informasi kepada mahasiswa dan layanan mengenai prediksi antrian dan kondisi antrian yang ada. Untuk kedepannya aplikasi ini dapat dikembangkan untuk terintegrasi dengan internet sehingga mahasiswa bisa melihat kondisi antrian yang ada melalui internet tanpa harus datang ke lokasi. Selain itu teori prediksi waktu pelayanan dapat dikembangkan dengan mencari teori prediksi lain yang bisa memiliki nilai error yang lebih rendah. Layanan juga sebaiknya memeriksa distribusi kedatangan dan pelayanan secara rutin.
REFERENSI
Bell, Simon & Wood-Harper, Trevor (2013). How to Set Up Information Systems: A Non-specialist's Guide to the Multiview Approach. Routledge
Druzdel, M., & Flynn, R. (2002). Decision Support Systems. New York: Marcel Dekker. Harris, Elaine K. (2004). Risk and Uncertainty in Dam Safety. Thomas Telford.
Hartford, Desmond N. D. (2005). Customer Service: A Practical Approach (4th Edition). Pearson Prentice Hall.
Heizer, Jay & Render, Barry (2005). Pengambilan Keputusan Secara Kumulatif. PT Raja Grafindi Persada, Jakarta.
Janakiraman, Narayan., Meyer, Robert J.. & Hoch, Stephen J. (2011). The Psychology of Decisions to Abandon Waits for Service. Journal of Marketing Research
Kakiay, Thomas J.. (2004). Dasar Teori Antrian untuk Kehidupan Nyata. Andi. Yogyakarta.
Krishnamuti, Gunasheel (2008). Developing a Work in Process Tracking System Via a Decision Support System. ProQuest, New York
Morley, Deborah. & Parker, Charles S. (2003). Understanding Computers: Today & Tomorrow. Cengage Learning
Montogomery, Douglas C (2009). Introduction to STATISTICAL QUALITY CONTROL. John Wiley & Sons, Inc.
O'Brien, James A. & Marakas, George M. (2008). Management Information Systems. McGraw-Hill Irwin Satzinger, J. W., Jackson, R. B., & Burd, S. D. (2004). Systems Analysis and Design in Changing World,
Third Edition. Thomson Learning, Inc.
Siegel, Sidney. (1988). Statistik Nonparametik Untuk Ilmu-Ilmu Sosial. PT Gramedia, Jakarta. Sivarethinamohan (2008). Operations Research. Tata McGraw-Hill Education
Zeltyn, Sergey., & Mandelbaum, Avishai. (2005). Call Centers with Impatient Customers: Many-Server Asymptotics of the M/M/n + G Queue. Queueing Systems: Theory and Applications Volume 51 Issue 3-4, December 2005
RIWAYAT HIDUP
Nandhika Wandhawa Putra Harahap lahir di Jakarta, Indonesia pada tanggal 22 bulan Juni tahun 1989. Penulis menamatkan pendidikan SMA pada tahun 2007 di SMAN 3 Bogor dan meraih gelar ST. dan S.Kom pada tahun 2013 di Bina Nusantara University.
