Sistem Pendukung Keputusan dengan Model Jaringan Petri Probabilistik yang Terbangkitkan (Paulus Mudjihartono)

Sistem Pendukung Keputusan dengan Model Jaringan Petri Probabilistik yang Terbangkitkan
Paulus Mudjihartono
Program Studi Teknik Informatika, Fakultas Teknologi Industri, Universitas Atma Jaya Yogyakarta Jl. Babarsari No. 43 Yogyakarta 55281 E-maill: paul235@mail.uajy.ac.id

Abstract
In Decision Support System, one of the most important component is model. Traditionally model is preserved in system to yield recommendation. Petri net is very common representation of modeling system, especially multi state system. Petri net modeling is then performed by considering two things, i.e.: value of system variable, and relation of system variables. Since the relation is not exact, Petri net relates system variables under its components in probabilistic way. Yet this paper presents about how to generate such model based on some data correlation. This model is used to forecast a little future data. A generated model gives data output that maintains its trend. Some data fluctuate in a little magnitude but they trend in convergence manner. Key words: relation, probabilistic, generated model

1. Pendahuluan Sistem Pendukung Keputusan (SPK) biasa dipakai oleh para manajer untuk membantu mendapatkan solusi atas suatu masalah yang spesifik. Masalah yang ditangani bersifat semi terstruktur, artinya tidak rutin, sehingga tidak mungkin diprogram atau diotomasikan, dan mempunyai lingkup yang kecil (ad hoc/khusus). Karena lingkup yang spesifik SPK menggunakan model yang spesifik juga untuk menghasilkan solusi. Salah satu model yang sering dipakai dalam memodelkan sistem adalah jaringan Petri. Jaringan Petri dengan sifat-sifatnya mampu memodelkan sistem berstatus banyak. Hanya saja jaringan Petri merupakan metode pemodelan yang deterministik, yaitu yang kelakuannya ditentukan semata-mata oleh input saja. Sistem yang dimodelkan berdasarkan jaringan Petri akan berkelakuan berdasar parameter awal model yang dibangun. Untuk kasus-kasus probabilistik, hal ini tidak sesuai karena variabel-variabel sistemnya berhubungan dengan faktor ketidakpastian tertentu. Sistem selain dipengaruhi oleh input, juga dipengaruhi oleh ketidakpastian berupa gangguan. Misalnya, 185

Jurnal Teknologi Industri, Vol. VI, No. 3, Juli 2002: 185-194

daripada dikatakan jika inflasi naik 10% maka tabungan akan turun 5% maka akan lebih tepat dikatakan secara probabilistik jika inflasi naik 10% maka tabungan 80% kemungkinannya akan turun 5% . Oleh karena itu jaringan Petri yang sudah ada akan digabungkan dengan model probabilistik yang mengikuti pola distribusi normal. Analisis sistem multistate akan menghasilkan variabel-variabel signifikan apa saja yang muncul dalam sistem, dan sederetan nilai dari masing-masing variabel itu di masa lalu serta relasi antar varibel tersebut. Dari variabel sistem, nilai variabel dan relasi antar variabel tersebut hendak dibangun model yang representatif sehingga seorang pengambil keputusan bisa dengan mudah melakukan simulasi. 2. Probabilitas pada Perubahan Event Sifat deterministik jaringan Petri memberikan suatu keunggulan dan sekaligus kelemahan. Keunggulannya adalah bahwa sistem termodel dapat dengan pasti dan tepat diprediksi dan ada cara terstruktur bagi analisis pemodelannya. Untuk pemodelan sistem yang mempunyai hubunganhubungan variabel yang kurang pasti, jaringan Petri kurang menunjukkan gambaran sistem sesungguhnya, tanpa dimodifikasi. Transisi jaringan petri hanya mempunyai dua keadaan, yaitu enable atau disable. Transisi enable selalu memberikan perubahan set token yang sama sepanjang operasi jaringan Petri. Pada sistem real, event enablelah yang membuat perubahan kondisi sistem. Event enable yang terpicu akan membuat kondisi-kondisi di sekitarnya berubah sesuai hubungan yang berlaku antara event dan kondisi melalui multiple arc. Pada beberapa sistem sebuah event yang sama bisa saja memberikan dampak yang berbeda. Artinya satu event enable ti yang terpicu akan mengubah kondisi p i1, pi2, ,pin menjadi pi1, pi2, ,pin dengan perubahan 1, 2, , n dan pada eksekusi unit berikutnya t i bisa saja mengubah pi1, pi2, ,pin menjadi pi1, pi2, ,pin dengan perubahan 1, 2, , n yang berbeda dengan perubahan sebelumnya. Perubahan kondisi yang tidak konstan akibat terpicu event menunjukkan adanya faktor probabilitas yang terjadi pada perubahan event. Probabilitas perubahan tertentu terjadi setelah event tertentu dipicu. Normalnya, perubahan itu adalah perubahan yang menghasilkan angka yang diharapkan atau angka normal. Perubahan normal mempunyai probabilitas paling besar. Contohnya kasus sistem dengan probabilitas perubahan kondisi berbasis event driven mengalami perubahan sebesar dengan probabilitas 90%, lainnya 10%. Probabilitas yang terjadi pada event tersebut akan memodifikasi jaringan Petri pada definisi multiple arc-nya. Hubungan transisi (mewakili event) dengan place (mewakili kondisi) yang probabilistik ini mengubah multiple arc menjadi sebuah bilangan probabilistik, yaitu bilangan dengan koreksi kesalahannya. Gambar 1 menunjukkan contoh multiple arc dengan bilangan probabilistik.

p1
186

a10%

t1

b15%

p2

Sistem Pendukung Keputusan dengan Model Jaringan Petri Probabilistik yang Terbangkitkan (Paulus Mudjihartono)

Gambar 1. Multiple arc dengan Bilangan Probabilistik 3. Probabilitas Eksekusi Event Seperti diketahui bahwa eksekusi jaringan Petri merupakan sekumpulan eksekusi unit dari transisi enable, maka transisi tertentu mungkin menjadi paling berpeluang untuk dieksekusi terlebih dahulu. Secara random murni hal ini menimbulkan masalah seperti: starvation (transisi yang terlalu lama menunggu eksekusi), eksekusi frekuentif (transisi yang terlalu sering dieksekusi). Dalam hal ini, diperlukan mekanisme yang menjamin dieksekusinya semua transisi enable (atau event) secara adil meski secara probabilistik. Penanganan yang mungkin diusulkan adalah dengan menerapkan eksekusi sekuensial secara adil ( round robin) tetapi cara ini tidak selalu merepresentasikan sistem realnya. Sistem real bisa saja memang memprioritaskan suatu transisi untuk selalu dieksekusi terlebih dahulu. Cara alternatif adalah dengan penerapan prioritas. Cara ini dipandang cukup representatif, dengan mengeset prioritas seimbang untuk kasus round robin. Yang menjadi masalah dalam hal ini adalah pertimbangan yang menentukan prioritas. Cara ketiga adalah gabungan cara pertama dan kedua, cara ini kemudian yang dipilih mengingat keunggulannya. Cara round robin diterapkan secara tidak ketat, artinya eksekusi suatu transisi enable bisa dijalankan lebih dari satu kali berturutan, tetapi hal ini memunculkan prioritas lebih bagi transisi lain. Semakin jarang suatu transisi enable dieksekusi semakin tinggi prioritasnya. Penerapan cara ini membutuhkan faktor probabilitas untuk menentukan transisi enable mana yang akan dieksekusi berikutnya. Semua faktor probabilitas pada modifikasi ini memerlukan adanya faktor random atau bilangan random. Faktor random ini mewakili tidak termodelkannya derau sebagai koreksi dari sistem. Pemilihan faktor random yang tepat merupakan persoalan tersendiri di dalam merancang model. Faktor random yang diperlukan adalah faktor random terdistribusi uniform, dan yang terdistribusi normal. Faktor random terdistribusi uniform digunakan untuk menentukan probabilistik eksekusi event. Probabilistik untuk perubahan kondisi atau event diselesaikan dengan faktor random terdistribusi normal. Kekecualian diberikan ketika terjadi konflik, yaitu pemicuan transisi satu akan mendisablekan transisi lainnya. Untuk hal semacam ini, digunakan cara prioritas bagi salah satu transisi. TNode
Value Decrease() Increase()

berhubungan

TUser TRelation
WeightOut WeightIn Transition *Sender *Receiver Role Fire() Stop() SetValue()

187

Jurnal Teknologi Industri, Vol. VI, No. 3, Juli 2002: 185-194

Gambar 2. Diagram Kelas dengan Asosiasi 4. Representasi Jaringan Petri Dengan pendekatan objek, aspek statis jaringan Petri dicoba direpresentasikan dalam kasus ini. Kelas objek teridentifikasi diselidiki untuk menentukan bentuk statik yang sesuai dengannya. Kelas Variabel, Transisi dan Relasi terkategori ke dalam kelas yang berada di dalam sistem, sedangkan pengguna menjadi kelas tersendiri di luar sistem. Kelas pengguna tidak akan banyak mengalami perubahan di dalam penentuan bentuk statiknya, karena cukup jelas dengan properti (atribut dan operasi) yang dikandungnya secara fisik. Kelas Variabel di dalam implementasinya disebut kelas TNode akan mempunyai properti seperti fungsi Decrease() dan Increase() yang digunakan untuk mengupdate nilai yang dikandungnya. Kelas Transisi yang hanya mempunyai properti id dan fungsi enable gagal menjadi objek tersendiri karena sudah tercakup ke dalam kelas Relasi. Kelas Relasi disebut kelas TRelation mempunyai properti WeightOut, WeightIn, Transition, Sender dan Reciever. Kelas TRelation ini menghubungkan secara manyto-many suatu Node ke Node yang lain. Kelas pengguna (kelas TUser) mempunyai properti role dan beberapa fungsi aktivasi sistem.

Relation

p1

t1

p2

t2 p3

188

Sistem Pendukung Keputusan dengan Model Jaringan Petri Probabilistik yang Terbangkitkan (Paulus Mudjihartono)

Gambar 3. Jaringan Petri Sederhana Contoh Uji Diagram Kelas pada Gambar 2.recieve Relasi sebagai asosiasi yang menjadi kelas ditunjukkan dalam diagram kelas pada gambar 2. Diagram digambarkan sebagai hubungan many-to-many. Contoh pada gambar 3 dapat memperjelas diagram kelas pada gambar 2. Jaringan Petri dengan tiga Node yang diimplementasikan dengan place {p1,p2,p3} dan dua transisi t1 dan t2. . Jaringan Petri pada Gambar 3 merupakan jaringan Petri sederhana yang akan dijadikan contoh uji diagram kelas berasosiasi. Variabel p1 berhubungan dengan tiga Node, yaitu p 1, p2, dan p3. Relasi-relasi p1 ke tiap-tiap p yang berhubungan dengannya mempunyai WeightOut=1 dan WeightIn=1, seperti tampak pada gambar 3, karena kedua Node dalam Relasi bersangkutan terhubung oleh satu sisi. Transisi pada ketiga Relasi pertama pada tabel 1 adalah enable, sebagaimana terdapat satu token pada p1 yang siap ditransfer melalui satu sisi fan out p1 melalui t1. Tabel 1. Hasil Uji Diagram Kelas dari Jaringan Petri Gambar 3.
Node P1 P1 P1 P3 *p1, *p1, *p1, *p3, 1-1, 1-1, 1-1, 2-1, Relation *p1 (transisi enable) *p2 (transisi enable) *p3 (transisi enable) *p1 (transisi disable) Node p1 p2 p3 p1

5. Analisis Korelasi dan Kecenderungan Data Model dibangkitkan dengan menentukan adanya suatu relasi antar node. Node yang merepresentasikan variabel sistem ini akan diverifikasi untuk ditentukan apakah valid dan mempunyai relasi dengan node lain. Semua variabel akan diuji korelasinya satu sama lain. Dua variabel yang memiliki data yang saling berkorelasi akan dinyatakan sebagai suatu relasi di dalam jaringan Petri, yaitu yang akan dihubungkan dengan transisi. Sifat jaringan Petri yang bekerja secara aditif (hanya melibatkan operasi penjumlahan atau pengurangan), menunjukkan bahwa penambahan datalah yang harus dianalisis dan bukan data itu sendiri. Penambahan data (atau selisih data ke-i dikurangi dengan data ke-i-1). Dengan demikian hanya akan ada (n-1) penambahan data dari n data yang ada.

189

Jurnal Teknologi Industri, Vol. VI, No. 3, Juli 2002: 185-194

Karena yang dikorelasikan adalah perubahan data satu ke data yang lain dalam satu node, maka kecenderungan data akan dipelihara dalam pembangkitan relasi. Pembangkitan relasi ini akan membangkitkan model jaringan yang sesuai dengan kecenderungan data yang diwakilinya. 6. Algoritma Model Generating Algoritma pembangkitan model berdasarkan korelasi data secara umum ditunjukkan dalam uraian di bawah ini. 1. Tentukan Tabel Node. Dari Tabel ini diperoleh cacah Node dari banyaknya field, nilai-nilai dari suatu Node (field) tertentu dan perubahannya per record. 2. Hitung Average (Avg) dan Variance (Var) pertambahan nilai dan korelasi antar setiap dua data. 3. Jika variance (bilangan yang cukup kecil) dan pertambahan nilai field i bertanda sama, maka set transisi node i ke i. 4. Korelasi field i field j, utk ij, jika ada, maka set transisi node i ke j. 8. Set k=0 (k: banyaknya relasi), 9. Set extraK=0 (extraK banyaknya relasi extra pada transisi yang sama) 10. untuk semua i,j (i,j) TransitionCount k=k+1; untuk i=j jika Avg(i)<0 maka WeightIn(k) = -Avg(i) WeightOut(k)= Var(j) lainnya WeightIn(k)=Var(i) WeightOut(k)= Avg(j) DevIn(k)=(Var(i)/WeightIn(k))*100 DevOut(k)=(Var(j)/WeightOut(k))*100 untuk ij jika ada korelasi i dan j: jika Avg(i)<0 dan Avg(j)0 maka WeightIn(k)=-Avg(i), DevIn(k)=(Var(i)/WeightIn(k))*100 WeightOut(k)=Avg(j), DevOut(k)=(Var(j)/WeightOut(k))*100 jika Avg(i)<0 dan Avg(j)<0 maka WeightIn(k)=Max(-Avg(i),Var(j)) DevIn(k)=(Var(i)/WeightIn(k))*100 WeightOut(k)= Min(-Avg(i),Var(j)) DevOut(k)=(Var(j)/WeightOut(k))*100 extraK=extraK+1 WeightIn(extraK)=Max(-Avg(i),Var(j)) DevIn(extraK)=(Var(i)/WeightIn(extraK))*100 WeightOut(extraK)= Min(-Avg(i),Var(j)) DevOut(extraK)=(Var(j)/WeightOut(extraK))*100 jika Avg(i)>=0 dan Avg(j)>=0 190

Sistem Pendukung Keputusan dengan Model Jaringan Petri Probabilistik yang Terbangkitkan (Paulus Mudjihartono)

WeightIn(k)=Min(Var(i),Avg(j)) DevOut(k)=(Var(i)/WeightIn(k))*100 WeightOut(k)= Max(Var(i),Avg(j)) DevOut(k)=(Var(j)/WeightOut(k))*100 extraK=extraK+1 WeightIn(k)=Min(Var(i),Avg(j)) DevOut(k)=(Var(i)/WeightIn(k))*100 WeightOut(k)= Max(Var(i),Avg(j)) DevOut(k)=(Var(j)/WeightOut(k))*00 7. Hasil Pengamatan Suatu Contoh Contoh kasus mengenai hubungan tiga variabel sistem, yaitu PRICE, DEMAND dan GOODS. Price adalah harga barang per unit, sedang Demand adalah permintaan paar, dan Goods cacah barang di pasaran. Secara sederhana tabel 2 menunjukkan adanya korelasi antara ketiga variabel tersebut, misalnya jika GOODS bertambah dan DEMANDS berkurang maka PRICE turun. Nilai-nilai dalam tabel ini sudah diskalakan, dan disebut data asli. Setelah dibangkitkan akan diperoleh model target. Gambar 4 menggambarkan model hasil pembangkitan tabel 2. Tabel 2. Tabel Uji Price_Demand.DBF
Price 10 11 11 11 9 7 Demand 10 11 12 12 10 9 Goods 10 10 10 11 12 13

Setelah model dieksekusi diperoleh hasil eksekusi model hasil pembangkitan tabel 1. Tabel hasil eksekusinya ditunjukkan pada tabel 3 dan tabel 4. Tabel 3 menggunakan bilangan bibit ( seed) untuk membangkitkan bilangan random berdasarkan waktu internal sistem komputer, dan tabel 4 menggunakan seed yang konstan. Penggunaan seed yang konstan memungkinkan eksekusi diulang dengan bilangan random yang sama. Maksud penggunaan constant seed ini adalah untuk tujuan pelacakan kembali (tracing). Tabel 3. Hasil Eksekusi Model Price_Demand.MOD dengan Time Based Seed
Iter No 0 1 2 State No 7 7 7 T3..T1 TTT TTT TTT Price 7 6.5 5.9 Demand 9 7.6 7.6 Goods 13 13 13.7 Keterangan keadaan awal T1 terpicu T2 terpicu

191

Jurnal Teknologi Industri, Vol. VI, No. 3, Juli 2002: 185-194

3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41

7 7 7 7 7 7 7 7 6 7 6 4 4 6 4 4 4 4 4 6 4 6 4 4 4 4 4 6 4 4 4 4 4 4 4 6 4 4 0

TTT TTT TTT TTT TTT TTT TTT TTT TTF TTT TTF TFF TFF TTF TFF TFF TFF TFF TFF TTF TFF TTF TFF TFF TFF TFF TFF TTF TFF TFF TFF TFF TFF TFF TFF TTF TFF TFF FFF

5.4 4.5 2.7 2.4 2.4 2.4 1.9 2 1.7 1.3 1.3 0.2 0.2 0.2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

6.3 6.3 5.8 5.8 5.3 4.7 4.7 4.7 4.7 4.7 4.5 4.5 3.9 4 4 3.8 4.4 4.7 4.7 4.1 4.6 3.9 4 3.6 3.8 4 3.7 4.3 4.3 4.4 3.5 3.7 3.3 2.8 1.9 1.4 1.7 1.4 0.7

13.7 14.5 14.5 15.4 15.9 16.2 16.6 16.9 17.6 18.1 18.8 19.7 20.1 20.9 21.5 22.2 22.6 23 23.3 23.6 24.2 24.5 25.2 25.7 26.1 26.6 27 27.8 28.6 29.5 30.2 30.7 31.1 31.8 32.5 33.1 33.7 34.2 35

T1 T2 T1 T2 T3 T3 T2 T2 T2 T2 T3 T2 T3 T3 T2 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3

terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu

Tabel 4. Hasil Eksekusi Model Price_Demand.MOD dengan Constant Seed

Ite No 0 1 2 3 4 State No 7 7 7 7 7 T3..T1 TTT TTT TTT TTT TTT Price 7 6.6 6.6 5.8 5.8 Demand 9 9 8.3 7.9 7.9 Goods 13 13.4 14.1 14.1 14.8 Keterangan keadaan awal T2 terpicu T3 terpicu T1 terpicu T3 terpicu

192

Sistem Pendukung Keputusan dengan Model Jaringan Petri Probabilistik yang Terbangkitkan (Paulus Mudjihartono) 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 7 7 7 7 7 7 7 7 7 4 4 6 6 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 6 4 4 0 TTT TTT TTT TTT TTT TTT TTT TTT TTT TFF TFF TTF TTF TFF TFF TFF TFF TFF TFF TFF TFF TFF TFF TFF TFF TFF TFF TFF TTF TFF TFF FFF 4.5 4.5 4.5 4.5 3.3 3.3 2.6 2.6 1.3 0.3 0.3 0.3 0.3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 7.9 8.2 7.8 7.3 7.6 6.8 5.5 4.7 3.7 3.7 3.4 3.7 3.9 3.9 3.5 4.1 3.7 3 2.1 2.1 2.5 2.4 2 1.5 1.8 1.1 1.4 1.8 2.1 1.1 1.3 0.6 15.6 16.1 16.9 17.4 17.4 18.4 18.4 19 19 19.7 20.5 21.3 21.9 22.3 23.2 23.8 24.7 25.6 26.4 27.2 27.7 28.3 29 29.5 30.2 30.6 31.2 31.9 32.7 33.2 33.6 34.3 T2 T3 T3 T3 T1 T3 T1 T3 T1 T2 T3 T3 T3 T2 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 T3 terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu terpicu

Price 7
0.6 223%

t1

Goods
0.6 91.2%

13

1.3 102%

t2
0.6 217%

t3
0.2 651%

0.6 91.2%

1.3 102%

193

Demand

Jurnal Teknologi Industri, Vol. VI, No. 3, Juli 2002: 185-194

Gambar 4. Model Hasil Pembangkitan Tabel 1. Baik tabel 3 maupun 4 mempunyai kecenderungan yang sama. yaitu Node GOODS yang terus meningkat dan dua Node lainnya menurun. Jika model ini digunakan untuk memprediksi harga atau permintaan maka semakin jauh recordnya dari yang asli semakin jauh pula kedektan prediksi dengan relitas. Hal ini disebabkan oleh adanya kesalahan yang beruntun yang dikandung dalam setiap iterasi yang tidak bisa dinihilkan. 8. Rangkuman 1. Jaringan petri yang bersifat deterministik mempunyai kemampuan handal dalam memodelkan sistem multistate deterministik, seperti model antrian sederhana, atau membangun struktur counter dan feedback. Namun aspek probabilistik pada model sistem multistate tidak terhindarkan. Jaringan petri yang digabung dengan aspek probabilistik ini mempunyai kemampuan ganda, yaitu karakteristik deterministiknya tidak hilang, dan juga karakteristik probabilistik yang berguna bagi sistem-sistem probabilistik. Namun demikian persoalan probabilistik muncul ketika dipilihnya metode korelasi data dan analisis kecenderungan. Metode korelasi data yang dipakai harus sesuai dengan sifat eksekusi jaringan petri itu sendiri, yaitu aditif. Adanya beberapa metode analisis korelasi dan kecenderungan data, dipilih salah satu yang sederhana dan sesuai dengan sifat eksekusi jaringan Petri. Pemilihan korelasi linear menyebabkan evaluasi data berasumsi data linear. 2. Representasi jaringan petri dengan pendekatan objek berhasil menggunakan dua properti penting dari sistem, yaitu nilai variabel sistem dan relasi yang menghubungkan antar variabel tersebut. Representasi Node (Variabel) dan Relation (Relasi) dengan diagram kelas asosiasi dipandang tepat. Representasi tersebut telah berhasil dalam implementasinya, dengan dihasilkannya data yang teruji. 3. Kecenderungan data hasil eksekusi model terbangkitkan cukup rasional dan realistis, terutama untuk permalan sedikit periode pendek di depan. Dalam kasus yang dibahas, dua atau tiga periode peramalan masih dalam kesalahan yang ditoleransi, setelah itu kesalahan terlalu besar untuk dipercaya. Daftar Pustaka

194

Sistem Pendukung Keputusan dengan Model Jaringan Petri Probabilistik yang Terbangkitkan (Paulus Mudjihartono)

Bender A. Edward, An Introduction To Mathematical Modeling, Reprinted Edition, Krieger Publishing Company, Florida, 1991 Kawamoto, Pauline, N., et al., Basic Petri Net Concepts, http://mizar.org/JFM/Vol4/petri.html Miano, John et al., C++ Builder How-To, Waite Group Press, California, 1997 M. Law, Averill dan Kelton, W. David, Simulation Modeling and Analysis, third edition, McGraw-Hill, Singapore, 2000. Peterson, James L., Petri Net Theory and the Modeling of Systems , Prentice Hall, New Jersey, 1981. Ross, Sheldon M, Introduction to Probability Models, fifth edition, California, 1993. Rumbaugh, James, et al., Object Oriented Modeling and Design, Prentice Hall, New Jersey, 1991 Turban, Efraim, Decision Support Systems and Expert Systems , Fourth Edition, New Jersey, 1995 Woronowicz, Edmund, Relation and Their Basic Properties, http://mizar.org/JFM/Vol1/relat_1.html

195