Simulasi 2

SIMULASI (MMS-2804)
Dr. Danardono
Jurusan Matematika
FMIPA UGM
SIMULASI (MMS-2804)
Pengantar
Materi Kuliah
Sistem, model dan simulasi; Dasar-dasar analisis Simulasi;
Pemodelan dan pemrograman Simulasi; Aplikasi dalam bidang
sains, manajemen dan pengambilan keputusan
Penilaian
Ujian Akhir 40%
Ujian Sisipan 35%
Tugas 25%
- Tahap I dikumpulkan saat US
- Tahap II dikumpulkan saat UA
Buku Teks dan Referensi
Hoover & Perry (1989). Simulation, A Problem Solving
Approach. Addison-Wesley Pub. Co.
Averil M. Law & W. David Kelton (1991). Simulation Modeling
and Analysis. Mc. Graw-Hill
Khoshnevis (1994). Discrete Systems Simulation. McGraw-Hill
Intl. Ed.
Krahl (2002). The Extend Simulation Environment. Proceedings
of the 2002 Winter Simulation Conference.
Program
EXCEL
EXTEND
- Download di http://info.ugm.ac.id/simulasi
- Ofcial Webpage:
http://www.imaginethatinc.com/
GPSS World
- Download di http://info.ugm.ac.id/simulasi
- Ofcial Webpage:
http://www.minutemansoftware.com/
Pascal, C, FORTRAN dan R

Perkembangan Simulasi
Diawali dari "Monte Carlo"
Berkembang pesat seiring dengan perkembangan

komputer dan semakin kompleksnya masalah
Bidang terkait:
- Pemodelan
- Probabilitas dan Statistika
- Pemerogaman Komputer
- Metode heuristik
Simulasi dan Pemodelan
Denisi Simulasi
Proses merancang model (matematika atau logika)
dari suatu sistem dan kemudian menjalankannya
untuk mendeskripsikan, menjelaskan, dan menduga
(memprediksi) tingkah laku (karakteristik dinamis)
sistem.
Simulasi dan Pemodelan
Klasikasi Model
preskriptif deskriptif
diskret kontinu
probabilistik deterministik
statik dinamik
loop terbuka tertutup

Simulasi sebagai Alat Pemecahan Masalah
Fungsional
Analisis Inventori
Sistem Distribusi
Penjadualan
Sistem Antrian
Perencanaan
Sistem Penanganan
Material
Permainan
Setting
Pabrik
Kesehatan
Pemerintahan
Administrasi Publik
Pendidikan
Industri
Keuntungan dan Kerugian
Model Analitik Model Simulasi
Keuntungan
keringkasan dan
closed-form
kemudahan
evaluasi menuju
solusi optimal
relatif mudah untuk

sistem yg kompleks
sarana pelatihan
Kerugian
asumsi tidak
realistis
formula yang
kompleks
tidak ada (sulit)

mencari solusi
optimal
model simulasi
yang baik mungkin
mahal
Elemen Analisis Simulasi
Formulasi Masalah
Pengumpulan Data dan Analisis
Pengembangan Model
Verikasi dan Validasi Model
Eksperimentasi dan Optimisasi
Implementasi
Elemen Analisis Simulasi
Formulasi Masalah
Pengembangan Model
Verikasi dan Validasi
Implementasi
Formulasi Masalah
mengidentikasi variabel keputusan dan variabel tak-

terkendali (uncontrollable)
menspesikasikan variabel kendala (constraint) pada

variabel keputusan
menentukan ukuran performansi sistem dan fungsi obyektif
mengembangan model awal

Pengumpulan data pada sistem yang diamati

- Rancangan
- Teknis (manual, otomatis)
Mencari model (probabilitas) yang sesuai dengan sistem

Pengembangan Model
Memahami sistem
Konstruksi model
- Diagram alur (owchart)
- Pemilihan bahasa pemrograman
- Bilangan random dan statistik
- Pemrograman dan debugging
Verikasi dan Validasi Model
Model: konseptual, logika, komputer
Verikasi: internal model (debugging)
Validasi: kecocokan model dengan sistem (kenyataan)

"What-if " experimentation
Rancangan percobaan
Analisis output
Implementasi
Penggunaan model simulasi untuk pemecahan masalah

pada sistem yang dimodelkan
Komunikasi antara pengguna dan analis

SIMULASI (MMS-2804)
Simulasi Kejadian Dinamik
Simulasi Sistem Dinamik
Discrete-event (kejadian diskret)
Sistem stokastik
Contoh:
Antrian (di bank, pompa bensin, supermarket, dst.)
inventori (di pabrik)
Antrian sistem jaringan komputer
Representasi Kejadian
Event graph
i
Kejadian i
Hubungan tak bersyarat
Hubungan bersyarat
Representasi Kejadian
Contoh:
Kejadian i akan menuju ke kejadian j, dalam waktu t, asalkan
kondisi C
1
dipenuhi.
j
i
C
1
t
Antrian Layanan Tunggal

Variabel status
n : banyaknya pengunjung dalam
sistem (yang sedang menunggu
maupun dilayani)
Kejadian
1 : kedatangan pengunjung
2 : pelayanan dimulai
3 : pelayanan selesai
Kondisi
C
1
: n = 0
C
2
: n > 0
Tundaan (durasi, interval waktu dari
satu kejadian ke kejadian yang lain)
t
a
: waktu antar kejadian
t
s
: lama (durasi) pelayanan
3
2
1
t
a
C
1
t
s
C
2

peng-
antri
(A
i
)
waktu ke-
datangan
durasi
antar ke-
datangan
durasi
pelayan-
an
A
1
4 6 3
A
2
10 3 5
A
3
13 6 6
A
4
19 1 4
A
5
20 9 7
A
6
29 2 3
A
7
31 3 6
waktu kejadian n
0 inisialisasi 0
4 A
1
: datang 1
4 A
1
: pelayanan mulai 1
7 A
1
: pelayanan selesai 0
10 A
2
: datang 1
10 A
2
: pelayanan mulai 1
13 A
3
: datang 2
15 A
2
: pelayanan selesai 1
15 A
3
: pelayanan mulai 1
19 A
4
: datang 2
20 A
5
: datang 3
. . . dst. . . .
0 10 20 30 40 50 60
waktu (t)
n
(
t
)
1
2
3
Ukuran performansi sistem antrian
n =
1
T
_
T
0
n(t)dt

W =
1
k
_
T
0
n(t)dt
n mean banyaknya pengantri dalam sistem
W mean durasi pengantri dalam sistem

n(t) banyaknya pengantri dalam sistem
k banyaknya kedatangan
Model Inventori
S
Tingkat inventori
Inv
Model Inventori
Variabel status
Inv : Tingkat inventori
O : status penempatan pesanan
1 = pesanan sudah datang
0 = pesanan belum datang
Kejadian
1 : permintaan barang
2 : pemesanan barang
3 : barang pesanan datang
Kondisi
C
1
: Inv < S dan O = 0
Tundaan
t
pesan
: lama waktu pesanan datang
3
2
1
t = 1
C
1
t
pesan
Model Inventori
Variabel Keputusan
S : batas inventori dimana perlu pemesanan kembali
Q : Banyaknya barang yang dipesan
Kriteria (fungsi obyektif)
Meminimumkan
C
i
: biaya inventori
C
R
: biaya pemesanan
C
p
: biaya penalti
Model Inventori
Hari Inventori Permintaan Catatan
1 20 5 Hari ke-1 (Senin)
2 15 3
3 12 2 Pesan 30 unit
4 10 4
5 6 1
6 5 0 Sabtu
7 5 0 Minggu
8 5 2
9 3 2
10 1 3 Permintaan tdk dipenuhi
11 30 2 Pesanan datang
12 28 1
13 27 0 Sabtu
14 27 0 Minggu
15 27 3
16 24 5
17 19 4
18 15 2
19 13 4
Model Inventori
rata-rata inventori =
1
T
_
T
0
inv(t)dt
5 10 15
0
5
10
15
20
25
30
waktu
i
n
v
SIMULASI (MMS-2804)
Model Probabilitas
dan Statistika
Peluang dan Variabel Random
Peluang (probabilitas): Harga angka yang menunjukkan
seberapa besar kemungkinan suatu peristiwa akan terjadi.
tidak mungkin
sangat tidak mungkin
mungkin ya mungkin tidak
sangat mungkin
pasti
0 1
tidak mungkin
sangat tidak mungkin
mungkin ya mungkin tidak
sangat mungkin
pasti
Eksperimen (percobaan, trial): Prosedur yang dijalankan pada
kondisi yang sama dan dapat diamati hasilnya (outcome).
Ruang sampel (semesta, universe: Himpunan semua hasil yang
mungkin dari suatu eksperimen.
Peristiwa (kejadian, event): Himpunan bagian dari suatu ruang
sampel.
Contoh
Eksperimen : Pelemparan sebuah mata uang logam dua
kali
Hasil : Sisi mata uang yang tampak
Ruang sampel : S = {MM,MB,BM,BB}
dengan M: sisi muka dan B: sisi belakang
Peristiwa : A = paling sedikit muncul satu belakang
= {MB,BM,BB}
B = muncul sisi yang sama
= {MM,BB}
Peluang Suatu Peristiwa
Denisi klasik, dengan menganggap tiap-tiap elemen ruang
sampel S mempunyai peluang yang sama untuk terjadi.
Peluang terjadinya peristiwa A,
P(A) =
n(A)
n(S)
dengan n(A) = banyaknya anggota dalam peristiwa A, dan
n(S) = banyaknya anggota ruang sampel
Beberapa ketentuan:
0 P(A) 1
P(S) = 1 (peluang dari ruang sampel)
P() = 0 (peluang dari peristiwa yang tidak akan pernah

terjadi)
P(A) = 1 P(A
c
) (aturan komplemen)
P(AB) = P(A) +P(B) P(AB) (aturan penjumlahan)

Bila A dan B adalah kejadian yang saling asing,
A B = , maka P(A B) = P(A) +P(B)
P(B) = P(A B) +P(A

c
B)
A B dan A
c
B saling asing
Contoh
Sebuah dadu dilempar sekali. S = {1, 2, 3, 4, 5, 6} dan n(S) = 6.
Misal didenisikan A : muncul mata dadu 3 dan B : muncul
mata dadu bilangan prima A = {3} dan n(A) = 1 ; B = {2, 3, 5}
dan n(B) = 3 dan
P(A) =
n(A)
n(S)
=
1
6
dan
P(B) =
n(B)
n(S)
=
3
6
=
1
2
Variabel Random
Variabel random adalah suatu cara memberi harga angka
kepada setiap elemen ruang sampel, atau suatu fungsi bernilai
real yang harganya ditentukan oleh setiap elemen dalam ruang
sampel
Contoh
Eksperimen (proses random) melemparkan uang logam tiga
kali, S = {BBB, BBM, BMB, MBB, BMM, MBM, MMB, MMM}.
Didenisikan variabel random X : banyak M (muka) muncul
dalam pelemparan uang logam tiga kali.
Contoh (variabel random)
S R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
0
1
2
3
S R
X : S R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
0
1
2
3
S R
X : S R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
0
1
2
3
S R
X : S R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
0
1
2
3
S R
X : S R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
0
1
2
3
S R
X : S R
BBB
BBM
BMB
MBB
BMM
MBM
MMB
MMM
0
1
2
3
Variabel random diskret: Suatu variabel random yang hanya
dapat menjalani harga-harga yang berbeda yang
berhingga banyaknya (sama banyaknya dengan bilangan
bulat)
Variabel random kontinu: Suatu variabel random yang dapat
menjalani setiap harga dalam suatu interval (tak berhingga
banyaknya)
Distribusi Peluang: Model matematik yang menghubungkan
semua nilai variabel random dengan peluang terjadinya
nilai tersebut dalam ruang sampel. Distribusi peluang
dapat direpresentasikan dalam bentuk fungsi, tabel, atau
grak. Distribusi peluang dapat dianggap sebagai
frekuensi relatif jangka panjang.
Distribusi Peluang Diskret
Fungsi f(x) disebut sebagai fungsi peluang dari variabel
random diskret X, jika untuk setiap harga x yang mungkin :
1. f(x) 0
2.

x
f(x) = 1
Peluang untuk nilai x tertentu:
P(X = x) = f(x)
Distribusi kumulatif F(x)
F(x) = P(X x) =
tx
f(t)
Distribusi peluang X dalam bentuk tabel:
Harga X P(X = x) = f(x)
x
1
P
1
x
2
P
2
. . . . . .
x
k
P
k
Contoh
Distribusi banyaknya sisi muka yang muncul dalam pelemparan
mata uang logam tiga kali.
Harga X P(X = x) = f(x)
0 1/8
1 3/8
2 3/8
3 1/8
P(x) = 1
Distribusi Peluang Kontinu (Fungsi Densitas)
Distribusi peluang untuk variabel random kontinu.
Fungsi f(x) disebut sebagai fungsi densitas peluang dari
variabel random kontinu X, jika untuk setiap harga x yang
mungkin :
1. f(x) 0
2.
_
f(x)dx = 1
Nilai peluang untuk interval tertentu
P(a X b) =
_
b
a
f(x)dx
Distribusi kumulatif F(x)
F(x) = P(X x) =
_
x
f(u)du
Distribusi Peluang Kontinu (Fungsi Densitas)
Contoh
Fungsi densitas suatu variabel random X
f(x) =
_
x
2
untuk 0 < x < 2
0 untuk x yang lain
Distribusi Bernoulli
Eksperimen Bernoulli
Eksperimen dengan hanya dua hasil yang mungkin
Contoh
melempar mata uang logam satu kali
suatu barang rusak atau tidak
telepon ke suatu nomor, sibuk atau tidak

Distribusi Bernoulli
tiap usaha (trial ) menghasilkan satu dari dua hasil yang

mungkin, dinamakan sukses (S) dan gagal (G);
peluang sukses, P(S) = p dan peluang gagal

P(G) = 1 p, atau P(G) = q;
usaha-usaha tersebut independen

f(x) = p
x
(1 p)
1x
,
dengan X = 0, 1 (gagal, sukses) dan p adalah peluang
mendapatkan hasil sukses.
Distribusi Binomial
Eksperimen Bernoulli dengan n usaha dan X : banyaknya
sukses dalam n usaha tersebut.
f(x) =
_
n
x
_
p
x
(1 p)
nx
, x = 0, 1, 2, . . . , n
Mean dan variansi
E(X) = np; Var(X) = np(1 p)
Distribusi Binomial
Contoh
Suatu uang logam yang baik (seimbang) dilempar 4 kali. X adalah
banyaknya muka muncul dalam 4 kali pelemparan tersebut.
Pelemparan dipandang sebagai usaha, dan sukses adalah muka
muncul. X merupakan variabel random binomial dengan n = 4 dan
p = 1/2 dengan distribusi peluang:
P(X = x; 4,
1
2
) =
_
4
x
__
1
2
_
x
(1
1
2
)
4x
, x = 0, 1, 2, 3, 4
Distribusi Binomial
Contoh
P(X = x; 4,
1
2
) =
_
4
x
__
1
2
_
x
(1
1
2
)
4x
, x = 0, 1, 2, 3, 4
Peluang muka muncul dua kali, X = 2
P(X = 2; 4,
1
2
) =
_
4
2
__
1
2
_
2
(1
1
2
)
42
=
3
8
Distribusi Binomial
Contoh
P(X = x; 4,
1
2
) =
_
4
x
__
1
2
_
x
(1
1
2
)
4x
, x = 0, 1, 2, 3, 4
Peluang muka muncul paling tidak dua kali, X 2
P(X 2; 4,
1
2
) = P(X = 2) +P(X = 3) +P(X = 4)
=
11
16
Distribusi Binomial
Binomial dengan n = 6, p = 0, 5
0 1 2 3 4 5 6
0
.
0
0
0
.
1
0
0
.
2
0
0
.
3
0
Distribusi Binomial
0 1 2 3 4 5 6
0
.
0
0
.
1
0
.
2
0
.
3
Distribusi Binomial
0 1 2 3 4 5 6
0
.
0
0
.
1
0
.
2
0
.
3
Distribusi Poisson
Sifat-sifat eksperimen Poisson:
banyaknya sukses terjadi dalam suatu selang waktu atau

daerah tertentu tidak terpengaruh (bebas) dari apa yang
terjadi pada interval waktu atau daerah yang lain,
peluang terjadinya sukses dalam interval waktu yang

singkat atau daerah yang sempit sebanding dengan
panjang interval waktu, atau luas daerah dan tidak
tergantung pada banyaknya sukses yang terjadi di luar
interval waktu atau daerah tersebut,
peluang terjadinya lebih dari satu sukses dalam interval

waktu yang singkat atau daerah yang sempit tersebut
dapat diabaikan.
Distribusi Poisson
X adalah banyaknya sukses dalam eksperimen Poisson, yang
mempunyai distribusi probabilitas
f(x) =
e
x
x!
, x = 0, 1, 2, . . .
Mean dan Variansi
E(X) = ; Var(X) =
Distribusi Poisson
Contoh
Rata-rata banyaknya partikel radioaktif yang melewati suatu
counter selama 1 milidetik dalam suatu percobaan di
laboratorium adalah 4. Peluang 6 partikel melewati counter
dalam suatu milidetik tertentu adalah
P(X = 6; = 4) =
e
4
4
x
6!
= 0, 1042
Distribusi Poisson
Poisson dengan = 2
0 1 2 3 4 5 6 7 8 9 10
0
.
0
0
0
.
0
5
0
.
1
0
0
.
1
5
0
.
2
0
0
.
2
5
Distribusi Poisson
Poisson dengan = 5
0 1 2 3 4 5 6 7 8 9 11 13 15
0
.
0
0
0
.
0
5
0
.
1
0
0
.
1
5
Distribusi Poisson
Poisson dengan = 8
0 2 4 6 8 10 12 14 16 18 20
0
.
0
0
0
.
0
2
0
.
0
4
0
.
0
6
0
.
0
8
0
.
1
0
0
.
1
2
Distribusi Geometrik
X adalah banyaknya usaha sampai suatu peristiwa terjadi untuk
pertama kalinya.
f(x) = (1 p)
x1
p, x = 1, 2, . . .
Mean dan Variansi,
E(X) = 1/p ; Var(X) = (1 p)/p
2
Distribusi Geometrik
Contoh
Seorang salesman mobil berusaha menjual mobil. Banyaknya
orang (pelanggan) yang dia temui sampai terjadi penjualan yang
pertama kali dapat dimodelkan dengan distribusi Geometrik.
Distribusi Uniform
Digunakan untuk memodelkan proses dimana hasil (outcome)
nya mempunyai peluang yang sama untuk terjadi dalam interval
waktu a dan b
f(x) =
1
b a
, a x b
Mean dan variansi,
E(X) =
a+b
2
; Var(X) =
(ba)
2
12
Distribusi Normal
Distribusi Normal dengan mean E(X) = dan variansi
Var(X) =
2
(ditulis N(,
2
)) mempunyai fungsi peluang,
f(x; ,
2
) =
1
2
2
e
(x)
2
2
2
, < x <
dengan < < ,
2
> 0, = 3, 141593 . . . dan
e = 2, 718282 . . .
Distribusi Normal standar: distribusi Normal dengan mean 0 dan
variansi 1, ditulis N(0, 1)
Distribusi Normal
Kurva Normal
-
Sumbu x : < x <
Distribusi Normal
Kurva Normal
-
Sumbu x : < x <
Fungsi peluang (sumbu y):
f(x; ,
2
) =
1
2
2
e
(x)
2
2
2
, < x <
Distribusi Normal
Kurva Normal
-
Sifat-sifat:
Distribusi Normal
Kurva Normal
-
Sifat-sifat:
simetris terhadap sumbu vertikal melalui ,

Distribusi Normal
Kurva Normal
- -
Sifat-sifat:
memotong sumbu mendatar (sumbu x) secara asimtotis,

Distribusi Normal
Kurva Normal
-
Sifat-sifat:
harga modus (maksimum) terletak pada x = ,

Distribusi Normal
Kurva Normal
-
+
Sifat-sifat:
mempunyai titik belok pada x = ,

Distribusi Normal
Kurva Normal
-
Sifat-sifat:
mempunyai titik belok pada x = ,
luas kurva Normal sama dengan 1.

Distribusi Eksponensial
Banyak digunakan dalam model antrian. Jika banyaknya
kedatangan berdistribusi Poisson, maka waktu antar
kedatangan nya akan berdistribusi Eksponensial.
f(x) =
1
e
x/
, x > 0
Mean dan variansi
E(X) = ; Var(X) =
2
, sering juga ditulis sebagai E(X) = 1/
; Var(X) = 1/
2
Eksponensial dengan = 1
0 2 4 6 8
0
.
0
0
.
2
0
.
4
0
.
6
0
.
8
1
.
0
x
f
(
x
)
Distribusi Gamma
Fungsi densitas distribusi Gamma
f(x) =
x
1
e
x/
()
, X > 0
bila integer = ( 1)!
Mean dan variansi,
E(X) = ; Var(X) =
2
Distribusi Gamma
Beberapa fenomena yang dapat dimodelkan dengan distribusi
Gamma
Durasi (lama waktu) sebuah pekerjaan manual
Penjualan bulanan sebuah barang
Durasi yang diperlukan sebuah proses dalam CPU

Distribusi Weibull
Fungsi densitas distribusi Weibull
f(x) =
(x )
1
exp(
(x)
, X >
Mean dan Variansi
E(X) = +(1 + 1/) ;
Var(X) =
2
((1 + 2/)
2
(1 + 1/))
Distribusi Lognormal
Distribusi ini dapat diturunkan dari distribusi Normal
Y N(,
2
) dan mendenisikan X = log Y , fungsi densitasnya
f(x) =
1
2
exp(log(x )
2
/2
2
), X > 0
Mean dan variansi
E(X) = exp( +
2
/2);
Var(X) = exp(2 +
2
)(exp(
2
) 1)
Distribusi Beta
Fungsi densitas distribusi Beta,
f(x) =
( +)x
1
(1 x)
1
()()
, 0 x 1
Mean dan variansi
E(X) = /( +);
Var(X) =

(+)
2
(++1)
Identikasi Model Probabilitas
Langkah-langkah identikasi distribusi:
1. Hitung statistik deskriptif data (mean, median, modus,
deviasi standar, dst.) dan gambarkan bentuk distrtibusinya
dengan histogram, boxplot, stemleaf diagram
2. Berdasarkan statistik deskriptif tersebut dan pengetahuan
tentang proses pada sistem tersebut, ajukan suatu dugaan
tentang model probabilitas teoritis data tersebut
3. Ujilah dugaan (hipotesis) tersebut dengan uji goodness
of fit, misalnya dengan Chi-square atau
Kolmogorov-Smirnov test.
Histogram Data
Misalkan X adalah waktu antar kedatangan dalam suatu unit
waktu.
waktu antar kedatangan
f
r
e
k
u
e
n
s
i

r
e
l
a
t
i
f
0.0 0.5 1.0 1.5 2.0
0
.
0
0
.
5
1
.
0
1
.
5
2
.
0
Histogram Data
Misalkan X adalah waktu antar kedatangan dalam suatu unit
waktu.
waktu antar kedatangan
f
r
e
k
u
e
n
s
i

r
e
l
a
t
i
f
0.0 0.5 1.0 1.5 2.0
0
.
0
0
.
5
1
.
0
1
.
5
2
.
0
Uji Independensi
Suatu model simulasi akan dikembangkan untuk sebuah sistem
rumah sakit. Model tersebut akan digunakan untuk memprediksi
pengaruh pola atau kenis kasus-kasus pasien terhadap beban
kerja laboran. Diperoleh data 300 pasien yang diperoleh secara
random dari rekam medis rumah sakit meliputi jenis kasusnya
dan tes laboratoriumnya.
Kategori Banyaknya tes laboratorium
Pasien 0 1-3 4-6 7-10 10+ Total
Umum 14 29 55 31 21 140
Bedah 8 10 18 27 7 70
Pediatri 10 16 14 8 2 50
Obstetrik 8 15 13 4 0 40
Total 40 60 100 70 30 300
Uji Independensi
Hipotesisnya:
H
0
: banyaknya tes independen terhadap kategori pasien
H
1
: banyaknya tes dependen terhadap kategori pasien
Menggunakan statistik Chi-square W,
W =
b
i=1
k
j=1
(O
ij
E
ij
)
2
E
ij
,
dengan b banyaknya baris, k banyaknya kolom, O
ij
obervasi
pada tiap-tiap sel i, j dan E
ij
harga harapan pada tiap-tiap sel
i, j. Statistik W berdistribusi
2
(b1)(k1)
E
ij
= N
i
N
j
/N, N
i
total baris i, N
j
total kolom j, dan N total
observasi
Uji Independensi
Hasil hitungan
W =
4
i=1
5
j=1
(O
ij
E
ij
)
2
E
ij
= 36, 34
Untuk menentukan apakah data mendukung H
0
atau tidak W
dibandingkan dengan tabel
2
(b1)(k1)
atau dengan menghitung
P(X > W) (p-value).
Dengan tabel diperoleh
2
0,9;(b1)(k1)
=
2
12
= 21, 0. Karena
W > 21, 0 data tidak mendukung H
0
(H
0
ditolak)
Dengan p-value diperoleh P(X > W) = 0, 00029 (relatif cukup
kecil) data tidak mendukung H
0
Uji Kerandoman
Runs Test : Untuk outcome yang kategorik
Runs Up and Run Down Test : Untuk outcome yang kontinu

Uji Kerandoman
Untuk keperluan suatu simulasi lalu lintas udara, dikumpulkan
data 50 kedatangan pesawat yang dapat diklasikasikan
menjadi C (commercial ) atau P (private), sbb.
CCPCPPCCCPCPPCCPCCCCPCCPPPPC
CCCCCPPPCCPPCCPPCCCCPC
Hipotesis
H
0
: Kedatangan pesawat apakah itu komersial atau pribadi
independen dari kedatangan sebelumnya
H
1
: Kedatangan pesawat apakah itu komersial atau pribadi
independen dari kedatangan sebelumnya Hipotesis
Karena data tersebut berupa kategori (outcome kategori) maka
digunakan Runs Test.
Uji Kerandoman
Data
n
1
, banyaknya elemen C dalam sampel
Uji Kerandoman
Data
n
1
= 30, banyaknya elemen C dalam sampel
Uji Kerandoman
Data
n
1
n
2
= 20, banyaknya elemen P dalam sampel
Uji Kerandoman
Data
CC P C PP CCC P C PP CC P CCCC P CC PPPP CCCCCC
PPP CC PP CC PP CCCC P C
n
1
n
2
= 20, banyaknya elemen P dalam sampel
R = 23, banyaknya run, baik tunggal maupun berurutan, baik
dari C maupun P
Statistik nya adalah Z =
RE(R)
R
, dengan E(R) =
2n
1
n
2
(n
1
+n
2
)
+ 1
dan
2
R
=
2n
1
n
2
(2n
1
n
2
n
1
n
2
)
(n
1
+n
2
)
2
(n
1
+n
2
1)
Z N(0, 1) (jika n
1
, n
2
> 10 )
Uji Kerandoman
Hasil Hitungan
E(R) = 25,
R
= 3, 36 sehingga
Z =
R E(R)
R
=
23 25
3, 36
= 0, 6
Dibandinglan dengan nilai distribusi Normal standar
Z
0,025
= 1, 96, disimpulkan data tidak mendukung penolakan
H
0
, atau kedatangan pesawat baik itu komersial atau pribadi
independen terhadap kedatangan sebelumnya.
Uji Kerandoman
Data 25 lama proses manual di pabrik dalam suatu unit waktu
adalah
10,0 10,1 10,5 10,9 11,0 10,5 10,4 10,6 10,3
10,2 9,0 9,4 9,5 9,6 10,1 10,2 10,1 10,0
9,6 9,7 10,2 10,5 10,8 9,9 9,6
Hipotesis
H
0
: lama proses manual tersebut random (independen)
H
1
: lama proses manual tersebut tidak random
Karena data tersebut berupa bilangan kontinu (outcome kontinu)
maka digunakan Runs Up and Runs Down Test.
Uji Kerandoman
Menentukan tanda naik (+) atau turun ()
10,0
+
10,1
+
10,5
+
10,9
+
11,0
10,5

10,4
+
10,6

10,3

10,2
9,0
+
9,4
+
9,5
+
9,6
+
10,1
+
10,2

10,1

10,0

9,6
+
9,7
+
10,2
+
10,5
+
10,8

9,9

9,6
diperoleh:
++++ + +++++ ++++
R = 8 run
Statistik yang digunakan adalah Z =
RE(R)
R
, dengan
E(R) = (2n 1)/3 dan
2
R
= (16n 29)/90, dengan Z N(0, 1)
jika n cukup besar.
Uji Kerandoman
Hasil Hitungan
E(R) = 16, 33 dan
R
= 4, 12, sehingga
Z =
RE(R)
R
= (8 16, 33)/2, 03 = 4, 11
Dibandingkan dengan nilai Z
0,025
= 1.96, dapat disimpulkan
bahwa data mendukung penolakan H
0
, jadi lama proses manual
tidak random, bergantung pada proses sebelumnya.
Goodness of t Test
Untuk menguji apakah suatu data mempunyai distribusi

tertentu
Metode:
Pearsons Chi-square
Kolmogorov-Smirnov
Goodness of t Test
Misal diketahui data penjualan perhari selama 50 hari
8 6 4 2 4 5 6 7 6 11
0 5 5 4 7 7 5 4 3 9
6 8 5 6 1 7 6 3 4 5
4 4 7 3 3 5 8 6 4 8
3 6 4 5 3 2 3 2 1 3
Ujilah apakah data tersebut berdistribusi Poisson?
Goodness of t Test
H
0
: data berdistribusi Poisson
f(x) =

x
e
x!
, x = 0, 1, 2, . . .
Menggunakan Pearsonc Chi-square.
Dihitung mean data

X = 4, 9 sebagai penduga untuk .
Interval Obs. (O
i
) Prob. Harapan (E
i
) (O
i
E
i
)
2
/E
i
0 2 6 0,1332 6,6 0,055
3 8 0,1460 7,3 0,067
4 9 0,1788 8,9 0,001
5 8 0,1752 8,8 0,073
6 8 0,1430 7,2 0,089
7 atau lebih 11 0,2238 11,2 0,004
0,289
Goodness of t Test
Diperoleh Nilai W = 0, 289 Kriteria yang digunakan H
0
ditolak
jika W >
2
1/2,db
, dengan derajad bebas,
db = k 1 (banyak parameter yang diestimasi dari data)
dan k adalah banyaknya interval (kategori).
Karena W <
2
4
= 9, 49, H
0
diterima: data berasal dari distribusi
Poisson.
SIMULASI (MMS-2804)
Metode Pembangkitan
Bilangan Random
Metode Pembangkitan Bilangan Random
Uniform
Kriteria
1. Secara statistik sama seperti mengambil sampel dari
distribusi uniform
f(x) =
_
1 0 u 1
0 u yang lain
2. Dapat direproduksi
3. Esien dalam komputasi
Uniform
Metode Linear Congruential
Feedback Shift Register
Coupled Generator
Menggunakan formula rekursif
Z
i
= (AZ
i1
+C) mod M
Z
i
dapat dinormalisasi dalam interval (0, 1) dengan transformasi
U
i
= Z
i
/M
Nilai Z
0
disebut sebagai seed dari bilangan random.
Beberapa Nilai A, M dan C
Generator A M C
RANF (CDC 60000 FTN compiler) 44485709377909 2
48
0
GGUBS ( IMSL routine) 7
5
2
31
0
RANDU ( IBM Scientic subroutine) 2
16
+ 3 2
31
0
GGL (IBM subroutine Lib. Math) 7
5
2
31
0
DEC (VAX compiler) 69069 2
32
1
GLIM 8404997 2
35
1
MATLAB (fungsi rand) 7
5
2
31
1 0
Non-Uniform
1. Metode Inverse
2. Metode Acceptance/Rejection
3. Metode Komposisi
4. Metode Konvolusi
Non-Uniform
Kriteria:
1. Akurasi
a. Akurasi Teoritis
b. Akurasi aritmetis dalam algoritma
2. Kecepatan
3. Implementasi mudah
a. Pengkodean
b. Rutin-rutin yang diperlukan
4. Portabilitas
5. Memori yang diperlukan
Metode Inverse
Bila F(x) adalah fungsi distribusi (distribusi kumulatif) dari
fungsi probabilitas f(x), maka
F(x) = u,
dengan u U(0, 1) sehingga
x = F
1
(u)
adalah variabel random dengan fungsi distribusi F(x).
Algoritma:
S1: bangkitkan u
S2: x F
1
(u)
Metode Inverse
F(x) = u
1
0
x = F
1
(u)
Metode Inverse
F(x) = u
1
0
x = F
1
(u)
u
0
Metode Inverse
F(x) = u
1
0
x = F
1
(u)
u
0
x
0
= F
1
(u
0
)
Metode Acceptance/Rejection
Didenisikan fungsi g(x) sedemikian sehingga
g(x) > f(x), < x <
g(x) disebut sebagai fungsi majorizing (yang lebih besar dari
f(x)) dan tidak harus fungsi probabilitas. Misalkan fungsi
probabilitas h(x)
h(x) =
g(x)
_
g(y)dy
, < x <
mudah diperoleh bilangan randomnya. Maka sampel random X
dari f(x) dapat diperoleh melalui sampel random yang diperoleh
dari h(x).
Metode Acceptance/Rejection
Algoritma:
S1: Bangkitkan y dari h(x)
S2: Bangkitkan bilangan random uniform u
S3: Jika u f(y)/g(y), terima X = y sebagai sampel dari
f(x). Jika tidak demikian, kembali ke S1
Metode Komposisi
Bila f(x) dapat di-dekomposisi-kan sebagai jumlahan terbobot
dair k distribusi probabilitas yang lain
f(x) = p
1
f
1
(x) +p
2
f
2
(x) +. . . +p
k
f
k
(x)
maka sampel x dari f(x) dapat dibangkitkan dari jumlahan k
variabel random tersebut.
Metode Konvolusi
Variabel random seperti Normal, Binomial, Poisson, Gamma
dapat didekati dengan kombinasi linear dari variabel random
lain.
x = b
1
x
1
+b
2
x
2
+. . . +b
k
x
k
Distribusi Uniform Diskret
f(x) =
1
b a + 1
, x = a, a + 1, . . . , b
Algoritma
S1: u U(0, 1)
S2: x a + (b a + 1)u
dengan k adalah truncation operator
S3: Hasilkan x
Distribusi Uniform Diskret
Contoh:
f(x) =
1
6
, x = 1, 2, . . . , 6
Algoritma
S1: u U(0, 1), u = 0, 3453
S2: x a + (b a + 1)u
x 3, 0718
S3: Hasilkan x = 3
Distribusi Binomial
f(x | n, p) =
_
n
x
_
p
x
(1 p)
nx
, x = 0, 1, . . . , n
Algoritma 1
Menggunakan metode konvolusi dari n variabel random
Bernoulli
S1: x 0; i 1
S2: u U(0, 1)
S3: jika u < p maka x x + 1
S4: i i + 1
S5: jika i < n ke S2,
jika tidak, hasilkan x
Distribusi Binomial
f(x | n, p) =
_
n
x
_
p
x
(1 p)
nx
, x = 0, 1, . . . , n
Algoritma 2
Menggunakan metode inversi dengan memanfaatkan bentuk
rekursif dari distribusi Binomial,
f(x + 1) = f(x)
(n x + 1)
x
p
1 p
F(x + 1) = F(x) +
f(x)(n x + 1)
x
p
1 p
Distribusi Binomial
Algoritma 2
S1: f (1 p)
n
; F f; x 0
S2: u U(0, 1)
S3: jika u F hasilkan x
jika tidak
x x + 1; f fp(n x + 1)/(1 p)x
S4: F F +f
S5: ke S3
Distribusi Binomial
f(x | n, p) =
_
n
x
_
p
x
(1 p)
nx
, x = 0, 1, . . . , n
Algoritma 3
Menggunakan pendekatan Normal untuk Binomial,
S1: bangkitkan z N(0, 1)
S2: v np +z
_
np(1 p)
S3: jika v > np, x min(x + 1/2, n)
jika tidak,
x max(x 1/2, 0)
S4: hasilkan x
Distribusi Poisson
f(x) =

x
e
x!
, x = 0, 1, 2, . . .
Algoritma 1
Memanfaatkan hubungan antara Poisson dengan eksponensial
X XX X X X XXX
. . .
. . .
Distribusi Poisson
Algoritma 1
S1: u 0; w 0
S2: bangkitkan y eksponensial(1/)
S3: w w +y
S4: jika w 1, hasilkan x
jika tidak x x + 1
S5: ke S2
Distribusi Poisson
f(x) =

x
e
x!
, x = 0, 1, 2, . . .
Algoritma 2
Memanfaatkan bentuk rekursif distribusi Poisson
f(x + 1) = f(x)

(x + 1)
, x = 0, 1, 2, . . .
F(x + 1) = F(x) +f(x)

(x + 1)
, x = 0, 1, 2, . . .
Distribusi Poisson
Algoritma 2
S1: x 0; f e
; F = f
S2: u U(0, 1)
S3: jika u < F, hasilkan x
jika tidak x x + 1; f f/x
S4: F F +f
S5: ke S3
Distribusi Diskret Empiris
Distribusi untuk diskret empiris (discrete empirical distribution)
berupa tabel distribusi probabilitas untuk tiap-tiap variabel
random X.
Algoritma
Menggunakan metode inversi dengan melihat tabel F(x) empiris
S1: u U(0, 1): i 1
S2: jika u F(x
i
), hasilkan x
i
jika tidak
i i + 1
S3: ke S2
Distribusi Uniform Kontinu
f(x) =
1
b a
, a < x < b
Algoritma
S1: u U(0, 1)
S2: x a + (b 1)u
S3: hasilkan x
Distribusi Normal
f(x; ,
2
) =
1
2
2
e
(x)
2
2
2
, < x <
Metode pembangkitan dilakukan melalui Normal Standar
(Normal dengan = 0 dan
2
= 1), kemudian
di-transformasikan ke N(,
2
) dengan X = +Z
Algoritma 1
Menggunakan distribusi Normal bivariat dan metode inversi.
Dengan metode ini satu kali pembangkitan dua variabel random
normal dapat diperoleh.
Distribusi Normal
Algoritma 1
S1: u
1
U(0, 1); u
2
U(0, 1)
S2: r
_
2 log
e
u
1
S3: a 2u
2
S4: x
1
r sin a
x
2
r cos a
S5: hasilkan x
1
, x
2
Distribusi Normal
Algoritma 2
Menggunakan teorema limit sentral. Distribusi Normal Standar
dapat didekati dengan konvolusi variabel random Uniform.
S1: u 0; x 0
S2: u U(0, 1)
S3: x x +u
S4: i i + 1
S5: jika i < 12 ke S2
jika tidak
S6: x x 6
S7: hasilkan x
f(x; ) =
1
e
x/
, x > 0
Algoritma
Menggunakan metode inversi, F(x) = 1 e
x/
, sehingga
u = 1 e
x/
dan diperoleh x = log
e
(1 u). Karena 1 u
juga merupakan variabel random, x = log
e
u
S1: u U(0, 1)
S2: x log
e
(u)
S3: hasilkan x
SIMULASI (MMS-2804)
Pemodelan Simulasi
Pemodelan Simulasi
Hal-hal yang perlu diperhatikan:
Mekanisme pengaturan waktu (simulasi): x-step atau

next-event
Perubahan event pada sistem: diskret atau kontinu
Sifat perubahan: probabilistik (stokastik) atau deterministik

Mekanisme Pengaturan Waktu
Next-event time (event scheduling)
Perubahan waktu berdasarkan kejadian.
Fix-time step
Perubahan atau penambahan waktu tetap
Perbandingan Event-Scheduling dengan Fix-time
Perbandingan Event-Scheduling dengan Fix-time
X
X
X
X
X
X
X
X
Event Scheduling: Antrian Layanan Tunggal
N 0; TN 0; K 0;
T 0; bangkitkan T
a
T T
max
T
a
< T
s
T
TN TN + (T
a
T) N
T T
a
; N N + 1; K K + 1
T
a
T + bangkitkan T
a
kedatangan
Y
N = 1
T
s
T + bangkitkan T
s
Y
n TN/T
W TN/K
Y
TN TN + (T
s
T) N
T T
s
;
N N + 1
pelayanan
T
N = 0
T
s
T + bangkitkan T
s
T
Stop
Y
T
Fixed-Time: Antrian Layanan Tunggal
TN 0; K 0
T 0; SN 0
T T
max
TN = 0
S bangkitkan N
s|TN
TN TN S
SN SN +S
N bangkitkan N
a
TN TN +N
K K +N
S bangkitkan N
s|TN
TN TN S
SN SN +S
T T + T
n
a
K/T
n
s
SN/T
Stop
Y
T
Y T
Perubahan Sistem
Discrete Event Simulation. Hanya diamati perubahan yang
diskret dan berhingga.
Continuous Event Simulation. Perubahan yang diamati kontinu
(banyaknya event tak berhingga).
Pemerograman Simulasi
Bahasa Khusus Simulasi (Simulation Language)
EXTEND
GPSS
SIMAN
SIMULA
SIMNET
DYNAMO
Bahasa Pemerograman Umum (General Purpose

Language)
Pascal
FORTRAN
BASIC
C
Bahasa Khusus Simulasi Bahasa Pemerograman
Umum
Tidak mudah diperoleh Mudah diperoleh
Pembuatan Program sederhana Pembuatan program lebih rumit
Tidak mudah dimodikasi Fleksibel, mudah dimodikasi
Waktu running lebih lama Waktu running lebih cepat
Kemampuan Standar Bahasa Simulasi:
Pembuatan kode program (code development )
Debugging
Fungsi (prosedur) pembangkitan bilangan random
Fungsi (prosedur) Statistik
Desain Eksperimen
Output yang informatif (grak, tabel)

Mengenal GPSS
Geoffrey Gordon (1961)
General Purpose Simulation System
Prinsip simulasi: process-interaction atau

transaction-ow-oriented language
GPSS World Student Version 4.3.5

Mengenal GPSS
Entitas:
Basic
Transaction
Blocks
Equipment
Facilities
Storages
Logic switches
Statistical
Queues
Distribution tables
Computational
Arithmetic variables
Boolean variables
Functions
Reference
Savevalues
Matrices
Chain
System Chains
User Chains
Mengenal GPSS
Entitas Basic
Transactions. Obyek yang mengalir dalam program (waktu)
Blocks. Elemen yang mengalir pada transaction.
Jenis blok dalam GPSS:
GENERATE
TERMINATE
SEIZE
RELEASE
ADVANCE
QUEUE
DEPART
Control statements: SIMULATE, START, END.

SIMULASI (MMS-2804)
Model Analitik dan Simulasi
Model Analitik
Model Analitik Model Simulasi
Keuntungan
keringkasan dan
closed-form
kemudahan
evaluasi menuju
solusi optimal
relatif mudah
untuk sistem yg
kompleks
sarana pelatihan
Kerugian
asumsi tidak
realistis
formula yang
kompleks
tidak ada (sulit)

mencari solusi
optimal
model simulasi
yang baik mungkin
mahal
Rantai Markov
Untuk memodelkan perubahan status atau transisi dari suatu
sistem (analytic state-change models)
Contoh transisi status:
Sistem Status
Elevator gedung bertingkat Tingkat (nomor lantai)
Sistem inventori Banyaknya unit inventori
Sistem komputer Banyaknya proses yang aktif
Epidemik Banyaknya yang terinfeksi
Pasar bebas Pilihan pelanggan
Rumah sakit Banyaknya bangsal yang terisi
Rantai Markov
Proses random atau proses stokastik adalah himpunan dari
variabel random {X(t); t T}, dimana
T adalah himpunan indeks (index set ) atau waktu,
X(t) adalah status pada saat t,
X(t) dapat mengambil nilai (values) dalam

himpunan status (state space) S.
Stokastik (stochastic), dari bahasa Yunani yang berarti "menuju ke" atau "mengincar
dengan anak panah"
Rantai Markov
Contoh:
Satu elevator gedung bertingkat 5 dapat dipandang sebagai
suatu proses stokastik {X(t); t T} dengan T adalah waktu
dan X(t) adalah status elevator pada saat tertentu dan
S = {0, 1, 2, 3, 4, 5}
Rantai Markov
Contoh:
Untuk meningkatkan penjualan produknya perusahaan A
melakukan promosi baru yang diharapkan dapat menurunkan
kemungkinan pelanggan pindah ke produk lain, sekaligus
meningkatkan kemungkinan pembeli produk lain akan beralih ke
produk perusahaan A. Kompetitor produk A adalah B dan C.
Untuk satu orang pelanggan atau pembeli, sistem ini dapat
dipandang sebagai suatu proses stokastik {X(t); t T} dengan
T adalah waktu dalam hari, X(t) adalah preferensi pembeli
pada hari tertentu dan S = {A, B, C}
Rantai Markov
Rantai Markov adalah suatu proses stokastik
{X(t
n
); n = 0, 1, 2, . . .} yang mempunyai sifat
P[X(t
n+1
) = s
1
| X(t
n
), X(t
n1
), . . . , X(t
0
)] =
P[X(t
n+1
) = s
i
| X(t
n
)]
dengan s
i
adalah status dari sistem, S = {s
1
, s
2
, . . .}
Rantai Markov
Probabilitas transisi
p
jk
= P[X(t
n+1
) = s
k
| X(t
n
) = s
j
]
dan
p
m
jk
= P[X(t
n+m
) = s
k
| X(t
n
) = s
j
]
Rantai Markov
Jika banyaknya status dalam sistem berhingga (nite) maka
dapat didenisikan matriks transisi:
P =
_
_
p
11
p
12
. . . p
1c
p
21
p
22
. . . p
2n
.
.
. . . .
p
r1
p
r2
. . . p
rc
_
_
Rantai Markov
Probabilitas suatu proses berada dalam status tertentu dari
S = {s
1
, s
2
, . . . , s
p
} setelah b transisi,
b
= P[X(t
b
) = s
1
, X(t
b
) = s
2
, . . . , X(t
b
) = s
p
]
= (
b
1
,
b
2
, . . . ,
b
p
)
Probabilitas setelah b + 1 transisi
b+1
=
b
P
dan
b
=
0
P
b
,
dimana P
b
= PP. . . P
. .
b suku
Rantai Markov
Contoh: Market share
Suatu Rantai Markov {X(t); t T} dengan T = t
0
, t
1
, . . . adalah
waktu dalam hari, X(t) adalah preferensi pembeli pada hari
tertentu dan S = {A, B, C}
Persentase preferensi pembelian (persen baris):
preferensi berikut
A B C Total
preferensi A 60 20 20 100%
sekarang B 40 30 30 100%
C 40 30 30 100%
Bagaimana persentase pembeli produk A, B dan C setelah
jangka waktu tertentu (100 hari misalnya)?
Rantai Markov
0
, t
1
, . . . adalah
Matriks transisi:
_
_
0, 6 0, 2 0, 2
0, 4 0, 3 0, 3
0, 4 0, 3 0, 3
_
_
Rantai Markov
0
, t
1
, . . . adalah
Penyelesaian Analitis.
Diasumsikan
0
= (1/3 1/3 1/3) dan dalam suatu periode
tertentu (100 hari misalnya) pelanggan akan membeli sebanyak
3 kali
3
=
0
P
3
= (0, 499 0, 251 0, 251)
Rantai Markov
0
, t
1
, . . . adalah
Penyelesaian dengan simulasi.
Disimulasikan seorang pembeli dengan status preferensi produk
tertentu (A, B, atau C). Diasumsikan distribusi waktu antar
pembelian dari masing-masing produk T
A
Uniform(25,45),
T
B
Uniform(28,38) dan T
C
Uniform(20,30).
Sistem Antrian (Kongesti)
Elemen sistem antrian
proses kedatangan
proses pelayanan
disiplin antrian
Intensitas kedatangan ,
=
tingkat kedatangan
tingkat pelayanan
=
mean waktu pelayanan
mean waktu antar kedatangan(c)
=
tingkat kedatangan
tingkat pelayanan(c)
dengan c adalah banyaknya server (fasilitas pelayanan).
Notasi Kendall
A/B/s : K/E
dengan A proses kedatangan, B proses pelayanan, s
banyaknya server, K banyaknya pelanggan yang dapat masuk
ke dalam sistem dan E disiplin antrian.
M: distribusi eksponensial
D: konstant pelayanan atau kedatangan
E
k
: distribusi Erlang
k
G : distribusi pelayanan atau kedatangan umum
FIFO: rst-in-rst-out queue discipline
SIRO: serve in random-order queue discipline
PRI: priority queue discipline
GD: general queue discipline
Ukuran performansi sistem antrian:
L
s
: Harga harapan banyaknya pelanggan dalam
sistem
L
q
: Harga harapan banyaknya pelanggan dalam
antrian
W
s
: Harga harapan lama pelanggan berada dalam
sistem
W
q
: Harga harapan lama pelanggan menunggu
pelayanan
P
i
: Probabilitas tepat i pelanggan berada dalam
sistem, i = 0, 1, . . .
P
n
(t) : Probabilitas tepat n pelanggan berada dalam
sistem saat t
P(W
q
> t) : Probabilitas pelanggan menunggu selama t
atau lebih
Untuk waktu antar kedatangan dan pelayanan yang berdistribusi
eksponensial,
P(satu kedatangan dalam interval t, t + t) = t
P(satu pelayanan selesai dalam interval t, t + t) = t
dimana
1/ adalah mean antar kedatangan
1/ adalah mean lama pelayanan
atau
adalah tingkat (rate) kedatangan
adalah tingkat (rate) pelayanan
Sistem Non Steady-State (time-dependent).
Solusi dari persamaan diferensial
dP
0
(t)
dt
= P
0
(t) +P
1
(t)
dP
n
(t)
dt
= P
n1
(t) ( +)P
n
(t) +P
n+1
(t)
untuk n = 1, 2, . . .
Model M/M/s Steady-State
Sistem antrian dikatakan steady-state jika
P
n
(t)
dt
= 0
Solusi dari persamaan
0
P
0
=
1
P
1
(
n
+
n
)P
n
=
n1
P
n1
+
n+1
P
n+1
untuk n = 1, 2, . . .
Model M/M/1
Ukuran performansi:
=

P
n
= (1 )
n
, n = 0, 1, . . .
L
s
=

(1 )
L
q
= L
s
=

2
(1 )
W
q
=

(1 )
Contoh:
Sebuah bank menempatkan sebuah ATM dalam sebuah kantor
dimana banyak nasabah menggunakan ATM tersebut. Mean
lama pelayanan adalah 50 detik dan mean banyaknya nasabah
yang ingin menggunakan ATM tersebut adalah 60 nasabah per
jam. Banyak nasabah yang complain bahwa waktu tunggu
mereka terlalu lama dan mengusulkan satu ATM baru.
Diasumsikan waktu antar kedatangan dan lama pelayanan
berdistribusi Eksponensial. Untuk menentukan apakah
tambahan satu ATM perlu, pihak bank ingin mengetahui
probabilitas seorang nasabah harus menunggu dan lama waktu
tunggunya.
Contoh: (lanjutan, sistem ATM)
Untuk sistem ini tingkat kedatangannya adalah
= 60/jam
dan tingkat pelayanannya adalah
= 1/50 detik
= 72/jam
Intensitas traknya adalah
= /
= 60/72
= 0, 8333
Contoh: (lanjutan, sistem ATM)
Harga harapan nasabah menunggu pelayanan
W
q
=

(1 )
=
60/72
72(1 60/72)
= 0, 0694 jam
= 4, 167 menit
Harga harapan panjang antrian
L
q
=

2
(1 )
= 4, 2 nasabah
Model M/M/s
Ukuran performansi:
=

s
P
0
= 1/
s1
r=1
(s)
i
i!
+
(s)
s
c!(1 )
P(n s) =
(s)
s
P
0
s!(1 )
L
s
=
s + (s)
s+1
P
0
s(s!)(1 )
2
L
q
=
P
0
(s
s+1
s+1
/s)
s!(1 )
2
W
s
= L
s
/
W
q
= L
q
/
Contoh:
Suatu supermarket dirancang dengan 4 kasa. Saat sibuk
diasumsikan pelanggan akan datang dengan tingkat
kedatangan 100 per jam dan mean lama pelayanan di kasa
untuk seorang pelanggan 2 menit. Perancang sistem
supermarket ini ingin mengetahui mean lama tunggu pelanggan
dan probabilitas bahwa seorang pelanggan tidak perlu harus
menunggu.
Contoh:(lanjutan supermarket)
Model M/M/4
= 100 pelanggan/jam
= 30 pelanggan per jam per server
= /(s) = 0, 8333
L
q
= 3, 29
P(seorang pelanggan tidak perlu harus menunggu)
= 1 P(n 4) = 0, 658
Model Inventori
Elemen sistem inventori
Inventori merupakan fungsi dari
parameter biaya (cost )
variabel tak terkontrol eksternal
Inventory policy
Model Inventori
Parameter Biaya
C: Harga pembelian per unit dari barang yang disimpan
C
H
: Biaya menyimpan satu unit barang untuk satu unit waktu
C
R
: Biaya pemesanan kembali
C
P
: Biaya penalti karena tidak tersedianya barang
C
S
: Pemasukan dari barang yang tidak terjual
Variabel tak terkontrol
D: Permintaan pembeli
L: Waktu yang diperlukan sampai pesanan datang
Inventory policy
Q: Kuantitas barang yang dipesan kembali
Aturan kapan harus memesan kembali
Model Inventori
Model Inventori Dinamis Kontinu
Dalam model ini inventori di-review secara kontinu. Variabel
keputusannya adalah Q dan reorder point R
p
. Jika inventori
berada di bawah R
p
, kuantitas sebanyak Q dipesan.
Total biaya untuk sistem seperti ini adalah
Total biaya tahunan = C
H
C
Q
/2 +C
R
D/Q,
dimana D adalah tingkat permintaan tahunan.
Nilai optimal untuk Q adalah
Q =
_
2DC
R
/C
H
C
Reorder point adalah L D, dengan L adalah lama pesanan
datang.
Model Inventori
Contoh:
Seorang supplier barang-barang elektronik mempunyai inventori
suatu barang yang mempunyai permintaan 10.000 unit per
tahun. Tiap unit berharga 1 unit uang dan biaya pertahun untuk
inventori adalah 12% dari harga beli. Biaya pemesanan sebesar
10 unit uang. Lama pesanan datang 10 hari. Saat ini supplier itu
memesan 2000 unit. Supplier itu ingin mengetahui berapa
kuantitas optimal dari pemesanan.
H
C
Q
/2 +C
R
D/Q
= (0, 12)(1)(2000/2) + (10)(10.000/2000)
= 170 unit uang
Model Inventori
Kuantitas optimal pemesanan:
Q =
_
2DC
R
/C
H
C
=
_
2(10.000)(10)/(0, 12)(1)
= 1290 unit barang
Biaya dari optimal inventory policy:
H
C
Q
/2 +C
R
D/Q
= (0, 12)(1)(1290/2) + (10)(10.000/1290)
= 154, 92 unit uang
dengan re-order point :
R
p
= L D
= 10 (10.000/365) = 274 unit
SIMULASI (MMS-2804)
Analisis Output
Analisis Output
Melakukan analisis atau interpretasi hasil keluaran (output)

model simulasi sehingga dapat diperoleh informasi tentang
sistem maupun model simulasinya yang berguna
khususnya untuk menentukan nilai dari variabel keputusan
Dasar analisis output adalah inferensi statistika (estimasi

dan uji hipotesis) dan pengetahuan tentang jenis-jenis
(karakteristik) sistem.
Analisis sistem simulasi dinamik

Analisis Output
Karakteristik data model simulasi dinamis
Observasi tidak independen
Observasi tidak stasioner

Analisis Output
Karakteristik (jenis) sistem
Sistem Terminating
Sistem ini akan berhenti pada suatu waktu yang tertentu.
Contoh:
Bank: Mulai buka pukul 08:00 - 16:00. Dimulai dari
keadaan tidak ada pengunjung dan diakhiri dengan tidak
ada pengunjung. Statistik yang diperlukan untuk sistem ini
misalnya waktu tunggu pengunjung bank
Contoh lain: lab. komputasi, supermarket
Analisis Output
Karakteristik (jenis) sistem (lanjutan:)
Sistem Non-terminating
Sistem yang tidak dapat ditentukan kapan akan berhenti.
Contoh:
Bandara (internasional): Selama 24 jam pesawat terbang
datang dan pergi ke dan dari bandara dan tidak dapat
ditentukan kapan sistem ini akan berhenti. Statistik yang
diperlukan untuk sistem ini misalnya rata-rata kedatangan
pesawat, rata-rata banyak pesawat yang menunggu di
landasan.
Contoh lain: pabrik, rumah sakit
Analisis Output
Karakteristik (jenis) sistem (lanjutan:)
Misalkan X(t) adalah status sistem pada saat t dan
P(X(t)) = s adalah probabilitas bahwa sistem tersebut berada
dalam status s pada saat t
Sistem Steady state

Bila waktu tidak berpengaruh lagi terhadap sistem atau,
dP(X(t) = s)
dt
= 0
Sistem Transient
Bila waktu berpengaruh terhadap sistem (atau jika
persamaan di atas tidak berlaku)
Analisis Output
waktu t
P
(
X
(
t
)
=
s
)
Analisis Output
Metode
Replikasi
Observasi diperoleh dari runtun (run) yang terpisah. Untuk
memperoleh n observasi diperlukan n runtun
Subinterval
Observasi diperoleh dari satu runtun tunggal yang dibagi
menjadi n sub-interval dengan lebar tiap-tiap interval sama
Regeneratif
Untuk mendapatkan n observasi, satu runtun tunggal
dibagi menjadi daur-daur (cycle) berdasarkan status
regeneratif
Analisis Output
Metode (lanjutan)
Runtun Waktu
Analisis menggunakan suatu model parametrik runtun
waktu observasi
Analisis Spektral
Dilakukan estimasi autokovariansi dari observasi, yang
kemudian digunakan dalam analsisi spektral.
Analisis Output
Contoh: Antrian Layanan Tunggal
0 10 20 30 40 50 60
waktu (t)
n
(
t
)
1
2
3
Analisis Output
Ukuran performansi sistem antrian
n =
1
T
_
T
0
n(t)dt

W =
1
k
_
T
0
n(t)dt
n mean banyaknya pengantri dalam sistem
W mean durasi pengantri dalam sistem

n(t) banyaknya pengantri dalam sistem pada saat t
k banyaknya kedatangan
T panjang simulasi
Analisis Output
Replikasi
5 10 15 20
1
2
3
4
waktu t
n
(
t
)
Analisis Output
Subinterval
5 10 15 20
1
2
3
4
waktu t
n
(
t
)
Analisis Output
Regeneratif
5 10 15 20
1
2
3
4
waktu t
n
(
t
)

Simulasi 2

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Simulasi 2

Diunggah oleh

Hak Cipta:

Format Tersedia

SIMULASI (MMS-2804)

Ujian Akhir 40%

Ujian Sisipan 35%

Pascal, C, FORTRAN dan R

Diawali dari "Monte Carlo"

Berkembang pesat seiring dengan perkembangan

loop terbuka tertutup

relatif mudah untuk

tidak ada (sulit)

Pengumpulan Data dan Analisis

Verikasi dan Validasi Model

Eksperimentasi dan Optimisasi

mengidentikasi variabel keputusan dan variabel tak-

menspesikasikan variabel kendala (constraint) pada

menentukan ukuran performansi sistem dan fungsi obyektif

mengembangan model awal

Pengumpulan data pada sistem yang diamati

Mencari model (probabilitas) yang sesuai dengan sistem

Model: konseptual, logika, komputer

Verikasi: internal model (debugging)

Validasi: kecocokan model dengan sistem (kenyataan)

"What-if " experimentation

Penggunaan model simulasi untuk pemecahan masalah

Komunikasi antara pengguna dan analis

Discrete-event (kejadian diskret)

Antrian Layanan Tunggal

Antrian Layanan Tunggal

W mean durasi pengantri dalam sistem

P(S) = 1 (peluang dari ruang sampel)

P() = 0 (peluang dari peristiwa yang tidak akan pernah

P(AB) = P(A) +P(B) P(AB) (aturan penjumlahan)

P(B) = P(A B) +P(A

melempar mata uang logam satu kali

suatu barang rusak atau tidak

telepon ke suatu nomor, sibuk atau tidak

tiap usaha (trial ) menghasilkan satu dari dua hasil yang

peluang sukses, P(S) = p dan peluang gagal

usaha-usaha tersebut independen

banyaknya sukses terjadi dalam suatu selang waktu atau

peluang terjadinya sukses dalam interval waktu yang

peluang terjadinya lebih dari satu sukses dalam interval

simetris terhadap sumbu vertikal melalui ,

simetris terhadap sumbu vertikal melalui ,

memotong sumbu mendatar (sumbu x) secara asimtotis,

simetris terhadap sumbu vertikal melalui ,

memotong sumbu mendatar (sumbu x) secara asimtotis,

harga modus (maksimum) terletak pada x = ,

simetris terhadap sumbu vertikal melalui ,

memotong sumbu mendatar (sumbu x) secara asimtotis,

harga modus (maksimum) terletak pada x = ,

mempunyai titik belok pada x = ,

simetris terhadap sumbu vertikal melalui ,

memotong sumbu mendatar (sumbu x) secara asimtotis,

harga modus (maksimum) terletak pada x = ,

mempunyai titik belok pada x = ,

luas kurva Normal sama dengan 1.

Durasi (lama waktu) sebuah pekerjaan manual

Penjualan bulanan sebuah barang

Durasi yang diperlukan sebuah proses dalam CPU

Runs Test : Untuk outcome yang kategorik

Runs Up and Run Down Test : Untuk outcome yang kontinu

Untuk menguji apakah suatu data mempunyai distribusi

Metode Linear Congruential