BAB II

LANDASAN TEORI

.1

Pengertian Simulasi
Simulasi diartikan sebagai teknik menirukan atau memperagakan kegiatan
berbagai macam proses atau fasilitas yang ada di dunia nyata. Fasilitas atau
proses tersebut disebut dengan sistem, yang mana didalam keilmuan digunakan
untuk membuat asumsi-asumsi bagaimana sistem tersebut bekerja. Untuk melihat
bagaimana sistem tersebut bekerja maka dibuat asumsi-asumsi, dimana asumsiasumsi tersebut biasanya berbentuk hubungan matematik atau logika yang akan
membentuk model yang digunakan untuk mendapatkan pemahaman bagaimana
perilaku hubungan dari sistem tersebut.
Jika hubungan yang membentuk model cukup simpel, hubungan tersebut
bisa menggunakan metode matematik (seperti aljabar, kalkulus atau teori
probabilitas) untuk mendapatkan informasi yang jelas setiap permasalahan
tertentu, sistem ini disebut dengan solusi analitik. Bagaimanapun juga untuk
memperkenalkan model-model realistik dimana terlalu kompleksnya sistemsistem di dunia nyata untuk dievaluasi secara analitik maka model-model tersebut
harus dipelajari secara simulasi. Dalam simulasi kita menggunakan komputer
untuk mengevaluasi model numerikal, dan data digunakan untuk mengestimasi
karakteristik yang benar yang diharapkan pada model.
Lingkup aplikasi simulasi sangat banyak dan terbagi-bagi. Berikut adalah
beberapa jenis permasalahan utama dimana simulasi dibangun menjadi alat yang
bermanfaat:

Perancangan dan analisis sistem manufaktur

Evaluasi sistem persenjataan militer atau persyaratan militer lainnya

Penentuan persyaratan hardware atau protokol untuk jaringan komunikasi

Penentuan persyaratan hardware dan software untuk sistem komputer

Perancangan dan operasional sistem transportasi seperti bandara udara, jalan

tol, pelabuhan laut dan jalan bawah tanah.

Evaluasi rancangan pada organisasi jasa seperti call center, restoran cepat saji,
rumah sakit dan kantor pos

Reenginering pada pemilikan pabrik

Penentuan kebijakan pemesanan barang pada sistem inventori

Analisis keuangan atau sistem ekonomi

2.1.1

Konsep dasar simulasi

Konsep dasar simulasi secara umum dapat dijelaskan sebagai berikut :
a. Simulasi berarti meniru operasi suatu fasilitas atau proses dunia nyata
b. Fasilitas atau proses yang dikaji tersebut disebut sebagai system
c. System nyata ini direpresentasikan ke dalam hubungan hubungan
logika dan matematik membentuk sebuah model
d. Model ini kemudian dilatih dengan memberikan sejumlah input numeric
tertentu dan kemusian mengamati serta mengevaluasi pengaruhnya
terhadap output
e. Performansi system nyata tersebut dapat disimpulkan berdasarkan output
yang diamati
f.

Simulasi sebagai metode alternative

g. Banyak cara atau metode untuk memperlajari bagaimana system bekerja

yaitu pertama dengan melakukan eksperimen dengan system rill atau
dengan model dari system tersebut. Kareba eksperimen dengan system
actual relative mahal dan dapat merugikan proses produksi yang sedang
berlangsung atau bahkan dapat merusak system yang ada, maka
esperimen dilakukan dengan menggunakan model fisik dari system.
Model fisik ini merupakan representasi system tetapi dengan skala lebih
kecil atau sama dengan system actual.

2.2 Pengertian Sistem

Sistem didefinsikan sebagai suatu kumpulan satu kesatuan, seperti manusia
dan mesin yang aktif dan berinteraksi bersama-sama untuk mendapatkan
penyelesaian akhir pokok pikiran. (definisi ini diajukan oleh Schmidt dan Taylor
(1970)).

Praktisnya apa yang diartikan sebagai sistem tergantung pada

objektivitas

pembelajaran

tertentu.

Kumpulan

kesatuan

berisi

sistem

pembelajaran mungkin hanya sekelompok kecil pada keseluruhan sistem yang

satu dengan sistem lainnya. Sistem kontinyu adalah sistem yang mana state
variabelnya berubah secara kontinyu per waktu. Sistem kontinyu adalah sistem
yang mana state variabelnya berubah secara kontinyu per waktu.
2.2.1

Penelitian dengan Sistem Aktual dan Penelitian dengan Model pada Sistem
Jika penelitian sistem aktual ini mungkin dilakukan (dan biayanya
efektif) untuk merubah sistem secara fisik dan beroperasi dibawah kondisi
baru, penelitian ini mungkin dapat diharapkan, dalam permasalahan ini
tidak ada pernyataan tentang apakah apa yang kita pelajari adalah valid.
Tetapi penelitian ini jarang bisa dikerjakan, karena sebagian besar
penelitian akan sering terlalu mahal dan begitu merusak sistem. Sebagai
contoh konkritnya sebuah bank mungkin mempertimbangkan pengurangan
jumlah teller untuk meningkatkan anggaran, tetapi secara aktual usaha ini
akan mengurangi tugas teller dalam melayani nasabah sehingga akan
muncul panjangnya antrian nasabah. Selanjutnya secara grafis sistem
semestinya tidak ada, tetapi sekalipun demikian kita ingin mempelajarinya
dalam berbagai rancangan konfigurasi alternatif untuk mengetahui
permulaan membuat sistem. Contohnya pada kondisi ini seharusnya dibuat
pengajuan/usulan jaringan kerja komunikasi, atau sebuah sistem strategi
senjata nuklir. Untuk alasan ini sistem biasanya perlu membangun model,
sebagai wakil sistem dan mempelajarinya sebagai pengganti sistem aktual.
Ketika menggunakan model, adalah selalu timbul pertanyaan apakah model
secara aktual merefleksikan sistem untuk tujuan membuat keputusan,
sehingga perlu dibentuk model yang valid.

2.2.2

Model Fisik dan Model Matematik

Pada kebanyakan masyarakat, kata model menimbulkan kesan pada
mobil-mobilan dari tanah liat pada uji airodinamika dalam terowongan
angin, cockpit yang tidak terhubungkan dengan pesawatnya yang
digunakan untuk pelatihan pilot atau miniatur supertakn yang meluncur di
kolam. Semua itu adalah contoh-contoh model fisik (juga disebut model
Iconik) adalah tidak tipikal pada berbagai model yang biasanya penting

dalam sistem analisis dan riset operasi. Kadang-kadang bagaimanapun juga

model ini dijumpai berguna untuk membangun model fisik untuk belajar
enginering atau sistem manajemen. Contohnya termasuk model-model
skala top tabel pada sistem penanganan material dan kasus terakhir model
full skala fisik pada restoran cepat saji disamping pergudangan, lengkap
dengan full skala, wujudnya manusia. Tetapi mayoritas model dibangun
untuk tujuan tersebut adalah secara matematik mewakili sistem dalam
istilah logika dan hubungan yang kuantitatif yang kemudian dimanipulasi
dan diubah untuk mengetahui bagaimana reaksi model, dan bagaimana
sistem akan bereaksi-jika model matematik adalah model yang valid.
Barangkali contoh sederhana model matematik adalah hubungan yang
erat d = rt, dimana r adalah kecepatan perjalanan, t adalah waktu perjalanan
belanja, dan d adalah jarak perjalanan. Model ini seharusnya menyediakan
model yang valid seketika (contohnya, sebuah penyelidikan ruang angkasa
untuk planet lain setelah diperoleh kecepatan edarnya) tetapi sangat
kekurangan model untuk tujuan lain (contohnya jam-jam sibuk daqn
sesaknya jalur bebas lalulalang urban/pendatang).
2.2.3

Solusi Analitik dan Simulasi

Sekali kita membangun model matematik, model ini harus diuji untuk
mengetahui bagaimana model ini dapat digunakan untuk menjawab
pertanyaan menarik tentang sistem yang diduga untuk ditampilkan. Jika
model ini cukup sederhana, model barangkali bekerja dengan hubungannya
secara kuantitatif mendapatkan pembuktian, disebut solusi analitik. Pada
contoh d = rt, jika kita mengetahui jarak perjalanan dan kecepatan, maka
kita dapat bekerja dengan model untuk mendapatkan waktu t = d/r sebagai
waktu yang dibutuhkan. Model ini sangat simpel, tertutup-bentuk solusi
yang dapat diperoleh hanya dengan kertas dan pensil. tetapi beberapa
solusi analitik bisa menjadi luar biasa rumitnya, mensyaratkan sumbersumber perhitungan yang besar, dengan sistem matrik invers, adalah contoh
yang baik untuk kondisi dimana model ini merupakan rumusan analitik
yang dikenal secara prinsipil. tetapi perolehan model secara numerikal
yang diperoleh seketika, adalah jauh dari uji coba-coba. Jika solusi analitik
pada model matematik tersedia dan bisa dihitung secara efisien, solusi
analitik ini biasanya dapat diharapkan untuk belajar model dengan cara ini
dari pada dengan simulasi. bagaimanapun juga, banyak sistem sangat
kompleks, sehingga bahwa model matematik yang valid memiliki
kekomplekan sistem, berlawanan kemungkinannya pada solusi analitik.
Dalam kasus ini model harus dipelajari dalam arti simulasi. Misalnya

pengujian secara numerik model pada masukkan dalam pertanyaan

bagaimana mereka mempengaruhi tampilan hasil ukuran.
Selagi sistem tersebut mungkin sebuah elemen kecil benar secara peyoratif
telah lama diketahui seperti metode pemikiran lagi sesudahnya, kadangkadang berguna untuk menjelaskan simulasi.
Diberikan model matematika untuk dipelajari secara simulasi
(sekarang merujuk sebagai model simulasi), kita kemudian mencari alatalat utama untuk melakukan simulasi tersebut. Alat-alat ini berguna untuk
tujuan mengklasifikasikan model-model simulasi dalam 3 dimensi yang
berbeda:
1.

Model Simulasi Statis dan Dinamis

Model simulasi statis adalah merepresentasikan sistem pada
waktu utama, atau model ini mungkin digunakan untuk menunjukkan
sistem yang mana permainan waktunya sederhana tanpa aturan; contoh
simulasi statis adalah model Monte Carlo samping itu model simulasi
dinamik menunjukkan sistem sistem yang lambat laun melampaui
waktu seperti sistem konveyor pada pabrik.

2.

Model Simulasi Determinsistik dan Stokastik

Jika model simulasi tidak berisikan komponen-komponen yang
probabilitik (dengan kata lain random), model ini disebut deterministik;
penyelesaian sistem (dan analisis yang tidak bisa dikembalikan ) pada
penjabaran persamaan yang berbeda sebuah reaksi kimia semesti
sebagai model. Dalam model deterministik, outputnya ditentukan
sekali membentuk output kuantitas dan hubungan dalam model
dikhususkan sama walaupun penentuan yang sebenarnya memerlukan
sedikit

waktu berhitung untuk mengevaluasi.

Banyak sistem

bagaimanapun harus dimodelkan seperti pemilikan sekurang-kurangnya

beberapa komponen-komponen input random dan membangkitkan
model simulasi stokastik.

Kebanyakan teori antrian dan sistem

inventori (pergudangan) dimodelkan secara stokastik. Model simulasi

stokastik menghasilkan output random, karenanya diuji hanya berupa
estimasi (perkiraan) kebenaran karakteristiknya pada model; ini
merupakan model utama yang tidak menguntungkan dalam simulasi.
3.

Model Simulasi Kontinyu dan Diskrit

Kita mendefinisikan model simulasi diskrit dan kontinyu
analog dengan cara kita mendefinisikan sistem diskrit dan kontinyu
sebelumnya. Keputusan apakah menggunakan model diskrit atau
kontinyu pada sistem-sistem utama tergantung dalam kekhususan yang

obyektif. Sebagai contoh, model arus lalu lintas jalan tol menjadi
diskrit jika karakteristik dan gerakan mobil secara individu adalah
terpenting. Alternatifnya jika mobil dapat diuji secara bersamasama/berkelompok, arus lalu lintas dapat dijelaskan dengan persamaan
yang berbeda dalam model kontinyu.
2.3 Simulasi Kejadian Diskrit
Simulasi kejadian diskrit mengenai pemodelan sistem adalah sebagai
kejadian yang melampaui waktu yang representatif dimana state (keadaan)
variabel berubah seketika dan terpisah per titik waktu. Dalam istilah matematik
disebut sebagai sistem yang dapat berubah hanya pada bilangan yang dapat
dihitung per titik waktu. Disini titik waktu adalah bentuk kejadian(event) yang
terjadi seketika yang dapat merubah state pada sistem. Contoh-contoh simulasi
kejadian diskrit diantaranya:
1. Simulasi pada sistem antrian pelayanan tunggal (Simulation of a Singleserver Queueing System), pada pelayanan kasir di pertokoan (supermarket),
Teller pada pelayanan nasabah perbankan dan ruang informasi pada
perkantoran atau hotel.
2. Simulasi pada sistem inventori/pergudangan.
Pada simulasi antrian pelayanan tunggal problema statenya dapat
digambarkan sebagai berikut: misalkan sistem antrian pelayanan tunggal untuk
antar waktu kedatangan A1, A2, adalah variabel random berdistribusi identik
independent. Nasabah yang datang dan mendapatkan pelayanan mendapatkan
pelayanan segera dan waktu pelayanan S1, S2, sebagai susksesnya nasabah
mendapatkan layanan bervariabel random IIDadalah independent pada antar
waktu kedatangan.
Untuk menghitung penampilan sistem kita mencari estimasi tiga kuantitas.
Pertama, kita mengestimasi rata-rata harapan waktu tunggu dalam antrian pada
sejumlah n nasabah yang menyelesaikan masa tunggu selama simulasi; kita
menandai kuantitas ini dengan d(n). Kata ekspektasi dalam definisi d(n) berarti:
Dalam menjalankan simulasi (atau dalam hal memberikan jalan pada model
simulasi yang menggambarkan sistem aktual), pengamatan rata-rata waktu tunggu
aktual pada n nasabah tergantung pada perolehan pengamatan variabel random
antar kedatangan dan waktu pelayanan yang terjadi. Dengan jalan lain pada
simulasi (atau dengan waktu yang berbeda pada sistem nyata) mungkin akan tiba
dalam waktu yang berbeda, dan waktu pelayanan juga akan berbeda, ini akan
meningkatkan perbedaan nilai rata-rata waktu tunggu. Dengan demikian, ratarata waktu tunggu dalam menjalankan simulasi adalah mengikuti sifat variabel

random. Apa yang ingin kita estimasi, d(n), adalah nilai ekspektasi pada variabel
random ini. Interpretasi estimasi nilai d(n) adalah rata-rata bilangan (aktual,
infinit) pada rata-rata waktu tunggu n-nasabah. Dari menjalankan secara tunggal
pada hasil simulasi dalam waktu tunggu nasabah D1, D2, , Dn , sebuah
estimator sebelumnya pada d(n) adalah :
a. Komponen dan Organisasi Model Simulasi Kejadian Diskrit
Walaupun simulasi telah diaplikasikan pada sejumlah besar berbagai sistem di
dunia nyata, model simulasi kejadian diskrit keseluruhannya menyumbang
sejumlah komponen-komponen umum yang mana sejumlah organisasi logika
untuk komponen-komponen tersebut yang mempromosikan pemograman,
kendaraan, dan perubahan kedepan pada program komputer model simulasi.
Khususnya komponen berikut akan didapatkan model simulasi kejadian
diskrit

yang

menggunakan

pendekatan next-event time-advence dalam

bahasa general-purpose:

System
state :
Pengumpulan

variabel state terpenting

untuk

menjelaskan sistem pada waktu khusus.

Simulation Clock: Sebuah variabel yang memberikan nilai pada saat

berlangsungnya simulasi.
Event List: Daftar yang berisikan waktu berikutnya ketika masing-

masing tipeevent akan terjadi.

Statistical Counters: Variabel yang digunakan untuk menyimpan

informasi statistik tentang bentuk sistem

Initialization routine: Sebuah subprogram untuk mengawali model

simulasi diwaktu ke nol.

Timimg
routine:

menentukan event selanjutnya darievent list.

Event routine: Sebuah subprogram yang mengapdute state sistem ketika

tipe khusus pada terjadinya event.

Library routines: Kumpulan subprogram yang digunakan untuk

Sebuah

subprogram

yang

membangkitkan observasi random dari distribusi probabilitas yang mana

ditentukan sebagai bagian dari model simulasi.

Report Generator: Sebuah subprogram yang menghitung estimasi
(daristatistical counters) pada ukuran yang diharapkan pada bentuk dan

hasil laporan ketika simulasi berakhir.

Main program: Sebuah subprogram
kembali timing

routine untuk

menentukan

yang
event

membangkitkan
selanjutnya

dan

kemudian mentransferkan kontrol ke event routine yang berkaitan untuk

mengupdate sistem state yang tersedia. Main program bisa juga untuk

mengecek pada akhir program dan membangkitkan kembali report

generator ketika simulasi telah selesai.
Kaitannya secara logika (flow of control = arus pengawasan) sejumlah
komponen ditunjukkan pada gambar 3. Simulasi dimulai pada waktu ke nol
dengan main program membangkitkan kembali initialization routine,
dimanasimulation

clock diset

menjadi

nol,

sistem state dan statistical

counter mulai dibentuk, dan event list juga dibentuk.

Setelah contor

dikembalikan ke main program, kemudian membangkitkan timing routine

untuk menentukan yang mana tipe event akan terjadi. Jika sebuah tipe kei selanjutnya terjadi, simulasiclock menambahkan waktu event tipe i akan
terjadi dan control kembali pada main program. Kemudian main program
membangkitkan event routine i, dimana ada tiga tipe aktifitas kejadian: 1)
Sistem state diupdate untuk menghitung untuk faktor-faktor event tipe i
terjadi; 2) Informasi tentang penampilan sistem yang dibentuk dengan
mengupdate statistical counter; dan 3) Waktu kejadian event berikutnya
dibangkitkan, dan informasi ini sebagai tambahan pada event list.
b.Penentuan Event dan Variabel
Kita mendifinisikan event sebagai sebuah kejadian seketika itu juga yang bisa
merubah state sistem, dan dalam pelayanan antrian tunggal sederhana (The
simple single-server queue) tidak begitu jelas menidentifikasi event.
Bagaimanapun, pertanyaan kadang-kadang timbul, khususnya untuk sistem
yang komplek, apakah dalam menentukan jumlah dan definisi event secara
umum pada model. Sistem yang komplek tersebut juga sulit untuk
menspesifikasikan variabel state yang dibutuhkan untuk menjaga berjalannya
simulasi alam baris event yang akurat dan untuk mendapatkan output ukuran
yang diinginkan. Langkah ini tidak terlalu lengkap secara umumnya untuk
menjawab pertanyaan, masyarakat yang berbeda bisa mendatangkan cara
yang berbeda untuk merepresentasikan model dalam istilah event dan
variabel, semuanya akan menjadi tepat. Tetapi beberapa prinsip dan teknik
membantu menyederhanakan struktur model dan untuk menghindari
kesalahan logika.
Schruben (1983b) menghadirkan sebuah metode event-graph, yang
merupakan kelanjutkan menyempurnakan dan dikembangkan oleh Sargent
(1988) dan Som dan Sargent (1989). Dalam pendekatan pengajuan event ini,
masing-masing diwakili oleh node, yang dihubungkan oleh directed arcs
(panah) yang melukiskan bagaimana event bisa diskedulkan dari event lainya
dan dari dirinya

sendiri.

Event graph menghubungkan kumpulan

perencanaan pada event (nodes) oleh busur yang mengindikasikan tipe event

skedul yang dapat terjadi. Dalam gambar berikut kita melihatkan event graph
untuk Single-server queueing system, dimana tebal, panah yang smooth
menunjukkan bahwa event diakhir pada panah bisa diskedulkan dari event
dimulai panah sekitar waktu tidak nol, panah tipis dan bergerigi menunjukkan
bahwa event diakhirnya adalah permulaan skedul. Dengan demikian, event
kedatangan yang direskedulkan pada dirinya sendiri dan bisa mengskedulkan
kedatangan ( dalam kasus pada kedatangan yang mendapatkan pelayanan
segera), dan event kepulangan bisa mereskedulkan dirinya sendiri (jika
tempat kepulangan dibelakang seseorang yang lain dalam antrian).
2.4

Pendekatan Alternatif untuk Pemodelan dan Pengkodean Simulasi

Sejak masa awalnya simulasi, masyarakat selalu mencari cara baru dan
terbaik untuk memodelkan sistem, sebaik cara novel untuk menggunakan
keberadaan hardware dan software komputer dalam simulasi. Pada bagian ini
berusaha mengembangkan keluar pada software simulasi komersil.

Juga

dikajiulang secara jelas kekhususan dan usaha pengembangan software

independent secara luas, yang ditangani secara potensial untuk mendapatkan
pengaruh yang signifikan dalam software simulasi yang praktis.
1.

Simulasi Paralel dan Berdistribusi

Dalam simulasi ini semua beroperasi berdasarkan cara yang sama.
Sebuah simulasi waktu dan daftar event berinteraksi dengan menentukan
yang mana event akan diproses kemudian, waktu adalah menguntungkan
untuk masa event ini, dan komputer akan mengeksekusi event secara logic,
yang bisa dilibatkan untuk memperbarui variabel state, memanipulasi daftar
untuk antrian dan event, membangkitkan bilangan random dan variasi
random, dan dikumpulkan secara statistik. Logic ini dieksekuasi dengan cara
simulasi event waktu sedang terjadi, dengan kata lain simulasi adalah
sequential (berurutan). lebih lanjut, semua kerja dilakukan dengan sebuah
komputer.
Pada masa teknologi komputer sekarang ini telah terdapat komputer
pribadi atau prosesor untuk berhubungan bersama-sama dalam lingkungan
komputer paralel atau menyebar. Sebagai contoh, bebeberapa minikomputer
yang relatif tidak mahal (atau adanya mikrokomputer) dapat dibentuk
jaringan kerja bersama-sama, atau komputer secara luas dapat mengayomi
beberapa prosesor individu yang dapat bekerja dalam pekerjaannya sebaik
komunitas dengan satu sama lainnya. Dalam lingkangan, bila mungkin untuk
menyebarkan

bagian

yang

berbeda

percakapan

komputer

melintasi

operasional prosesor pribadi dalam waktu yang sama, atau dalam paralel, dan

kemudian mengurangi waktu untuk menyelesaikan percakapan. Kemampuan

untuk menyelesaikan secara bersama-sama ini secara alami tergantung pada
percakapan komputer alami, sebaik pada tersedianya software dan hardware.
Proses penyebaran dan paralel berlangsung dengan menginvestigasikan
berbagai wilayah, seperti mengoptimalisasi dan mendisain database.
Dapat dibayangkan cara-cara memisahkan simulasi secara dinamis
untuk membentuk penyebarannya dan bekerja melalui prosesor yang
berbeda. Barangkali banyak pendekatan langsung dialokasikan dalam fungsi
dukungan tersendiri (seperti pembangkit bilangan random, pembangkit
variasi random, penangani event list, manipulasi list dan antrian, dan
pengumpulan secara statistik) untuk membedakan prosesor. Sebuah cara yang
berbeda untuk menyebarkan sebuah simulasi melintasi prosesor yang terpisah
dan disusun kembali dalam bentuk modelnya sendiri dalam beberapa
submodel. Sebagai contoh, fasilitas manufaktur sering dimodelkan sebagai
inkoneksitas jaringan kerja pada situasi antrian, masing-masing mewakili tipe
yang berbeda dalam aktifitasnya.

Submodel-submodel individu

(atau

kelompoknya) adalah ditandi pada prosesor yang berbeda, masing-masing

bekerja secara simulasi

yang berharga pada model.

Prosesor harus

berkomunikasi dengan satu sama lainnya yang mana penting untuk menjaga
sifat-sifat hubungan logikal antara submodel; dalam contoh manufaktur, ini
dapat terjadi ketika pekerja meninggalkan pusat antriannya dan pergi ke pusat
antrian lainnya dan ini disimulasikan dalam prosesor yang berbeda.
Perawatan harus diberikan untuk menjaga ketepatan waktu pesanan dalam
tindakannya, yang disebut sinkronisasi operasional pada submodel dalam
prosesor yang berbeda untuk menunjukkan semua model aktifitas secara
tepat.
2.

Simulasi lintas internet dan simulasi berbasis Web.

Dengan cepatnya perkembangan internet dan Jaringan Web dunia, pertanyaan
secara alamiah muncul apakah jaringan mahabesar ini (masih belum
tercontrol secara luas) seharusnya digunakan untuk membangun, berperan,
memodifikasi, menyebarkan dan menjalankan simulasi. Fishwick (1996,
1997) telah menggali jangkauan yang luas kabar dalam kesepakatan ini,
termasuk penyusunan pelayanan klien untuk meningkatkan tenaga prosesing,
disimilasi model simulasi dan hasil, publikasi, pendidikan dan pelatihan.
Pembahasan secara umum pendekatan Simulasi berbasis Web, sepanjang
contoh-contoh operasi khusus, telah dijelaskan oleh Lorenz dan kawankawannya (1997). Selagi simulasi ini sulit memprediksi secara jelas apakah
Internet dan Web semestinya mempengaruhi simulasi, Pengaruhnya sangat

jelas terlihat dan sangat menarik dan banyak masyarakat menggali secara
beragam dan luas cara-cara menggunakan teknologi dalam cara novel untuk
mendukung simulasi.
2.5

Keuntungan, Kerugian dan Kejelekkan Simulasi

Kita memasukkan bab pendahuluan ini dengan daftar kebaikan dan kejekkan
karakteritik simulasi (sebagai pembanding untuk metode lain pada sistem studi),
dan ditandai membuat beberapa kesalahan umum dalam studi simulasi dapat
merugikan atau merusak proyek simulasi.
a.

Beberapa keuntungan simulasi bisa dihitung

secara luas yang muncul sebagai berikut:
Sangat kompleks, dunia sistem yang nyata dengan element stokastik yang
tidak dapat dijelaskan secara tepat oleh model matematik yang dapat dinilai
secara analitik. Dengan demikian, simulasi sering hanya sebagai tipe

untuk kemungkinan investigasi.

Simulasi memperkenankan sesuatu untuk mengestimasi kinerja keberadaan

sistem dibawah beberapa kumpulan proyek pada kondisi operasional.

Alternatif menyusun rancangan sistem (atau alternatif kebijakan
operasional untuk sistem tunggal) dapat dibandingkan melalui simulasi

untuk mengetahui bagaimana menemukan persayaratan yang spesifik.

Dalam simulasi kita dapat menjaga kontrol lebih baik melalui penelitian
yang dikondisikan dari pada kemungkinan akan digeneralisasikan ketika

penelitian dengan sistemnya sendiri.

Simulasi memperkenankan kita untuk belajar sebuah sistem sepanjang
kerangka waktu, -misalnya dalam sistem ekonomi-dalam tekanan waktu,
atau alternatifnya untuk belajar kerja sistem secara mendalam dalam
perluasan waktu.

b.

Simulasi

tidak

terlepas

dari

adanya

kelemahannya. Beberapa kerugian simulasi adalah sebagai berikut:

Setiap berjalannya kerja program sebuah model simulasi stokastik
menghasilkan hanya estimasi pada karakteristik model yang benar untuk
kumpulan utama parameter input. Dengan demikian, beberapa jalannya
program tergantung pada model yang mungkin disyaratkan untuk setiap
kumpulan input parameter yang akan dipelajari. Untuk alasan ini, model
simulasi secara umum tidak baik pada optimalisasi pada perbandingan
jumlahan yang tetap pada rancangan sistem alternatif secara khusus.
Dengan kata lain, model analitik, jika tersedia, akan sering menghasilkan
secara mudah karakteristik yang benar secara nyata (Exact) pada model
pada berbagai kumpulan input parameter. Dengan demikain, jika model

analitik valid adalah tersedia atau dapat dengan mudah dikembangkan, ini

akan dapat dirujuk secara umum untuk sebuah model simulasi.

Model simulasi sering mahal dan memakan waktu untuk berkembang.

Volume yang besar pada bilangan yang dihasilkan oleh studi simulasi atau
pengaruh yang persuasif pada animasi realistik sering menciptakan
kecenderungan untuk menempatkan kepercayaan yang terlalu besar dalam
hasil studi dari pada yang telah dibuktikan secara syah. Jika model ini tidak
valid mewakili sistem dalam belajar, hasil simualsi, bukan beban
bagaimana munculnya keenganan, akan memberikan sedikit manfaat
informasi tentang sistem aktual.
Ketika memutuskan apakah dilakukan studi simulasi atau tidak tersedia

dikondisikan, kita hanya dapat menasehati bahwa keuntungan dan kejelekan akan
terpegang dalam pikiran kita dan bidang lainnya yang relevan pada situasi utama
bisa menjadi baik. Akhirnya, dicatat bahwa beberapa pelajaran model simulasi
dan analitik harus bermanfaat. Terutama, simulasi dapat digunakan untuk
mengecek validitas asumsi yang dibutuhkan dalam model analitik. Dengan kata
lain, model analitik bisa menjadi alternatif saran yang masuk akal untuk
investigasi studi simulasi.
c.

Asumsi bahwa keputusan yang dibuat untuk

menggunakan simulasi, kita temukan kerugian berikut untuk berhasilkan
menyelesaikan studi simulasi:
Kegagalan dalam membentuk definisi yang baik objek pada awal studi
simulasi.

Tidak tersedianya level pada model secara mendalam

Kegagalan mengkomunikasikan dengan manajemen melalui kursus pada

studi simulasi

Kesalahpahaman simulasi oleh manajemen

Penampilan sebuah studi simulasi jika secara utama diuji dalam program
komputer.

Kegagalan masyarakat dengan pengetahuannya tentang metodologi

simulasi dan satatistik dalam team pemodelannya..

Kegagalan untuk mengumpulkan sistem data yang baik.

Tidak tersedianya software simulasi

Sebelumnya menggunakan produk software simulasi yang statemen

makronya kompleks tidak sebaik yang didokumentasikan dan belum bisa
mengimplementasikan model-model logik yang diharapkan.

Percaya bahwa mudah menggunakan paket simulasi, yang mana

mensyaratkan

2.6

sedikit

atau

tidak

bisa

melakukan

pemrograman,

mensyaratkan taraf signifikansi yang rendah pada teknik kompentensi.

Animasi tidak berguna.

Kegagalan untuk menghitung secara tepat sumber random dalam sistem

aktual.
Menggunakan distribusi yang asal-asalan (misalnya, normal, uniform, atau

triangular) sebagai input simulasi.

Analisa data output dari sebuah run simulasi (replikasi) menggunakan

rumusan yang diasumsikan independen

Membuat replikasi tunggal pada rancangan sistem utama dan diuji output

statistik sebagai jawaban yang benar.

Membandingkan rancangan sistem alternatif dalam basis sebuah replikasi

untuk setiap rancangan.

Menggunakan bentuk ukuran yang salah.

ProModel
2.6.1 Pengertian
ProModel adalah suatu alat Bantu simulasi dan analisis untuk seluruh
tipe dan jenis system yang berbasis indos. ProModel memiliki kombinasi
yang baik antara kemudahan dalam penggunaan, fleksibilitas yang lengkap,
kemudahan memodelkan untuk setiap keadaan dan kemampuan membuat
animasi yang realistis, sehingga menjadi semakin nyata.
ProModel dapat membantu untuk mencoba ide-ide baru dalam
merancang dan emningkatkan system sebelum menentukan waktu dan
sumber daya yang diperlukan untuk membangun atau mengubah system
nyata. ProModel memfokuskan pada masalah-masalah seperti utilisasi
sumber daya, kapasitas produksi, tingkat prosuktifitas, dan tingakt
persediaan. Dengan memodelkan unsure penting dari system produksi, kita
dapat melakukan percobaan dengan strategi dan rancangan operasi yang
berbeda untuk mencapai hasil yang terbaik.
Dengan penggunaan ProModel hanya diperlukan training singkat dan
tidak perlu keahlian dalam pemograman computer. Dengan tampilan
ProModel yang baik, memudahkan dan mempercepat dalam pembuatan
model. Yang diperlukan oleh pemakai adalah menentukan bagaimana
system yang sedang dianalisis beroperasi. Selama simulasi dijalankan,
animasi muncul dilayar yang mempresentasikan system. Setelah simulasi

dijalankan, pengukutan performansi seperti utilisasi dari setiap komponen

dari system dapat ditampilkan dalam entuk report dan grafik.
2.6.2 Komponen ProModel
Ada enam komponen utama untuk membuat suatu model simulasi dengan
ProModel, yaitu :
a. location (lokasi)
b. Entities (entitas)
c. Arrivals (kedatangan)
d. Processing (proses)
e. Resources (sumber daya)
f.

Path Network (lintasan kerja resources)

a. Location. Merupakan suatu tempat dalam system tidak bergerak

dimana antitas akan menjalani proses, sebagai tempat penyimpanan
atau tempat untuk aktivitas-aktivitas lain. Dalam model dibuat, location
beruppa mesin-mesin atau stasiun kerja.
Data-data yang diperlukan untuk mendefinisikan locations adalah :

Name

: Nama masing-masing lokasi

Capacity

: Kapsitas lokasi dalam memproses entitas

Unit

: Jumlah lokasi yang dimaksud

Downtimes (Dts): saat-saat lokasi tidak berfungsi, misalnya karena

kerusakan dll.

Decision rules

: Digukanan untuk merumuskan bagaimana

aturan pemrosesan bagi entitas yang masuk lokasi

Notes

: Untuk memasukan catatan

b. Entities. Sesuatu yang menjadi objek dari suatu proses. Entitas dapat
berupa komponen, produk, manusia atau lembar kerja. Masing-masing
entitas mempunyai nama dan dapat direpresentasikan dengan satu atau
lebih grafik selama simulasi.
Data-data yang diperlukan dalam mendefinisikan entitas :

Name

: Nama setiap entitas

Speed

: Kecepatan entitas yang bergerak atau

berpindah dari suatu lokasi ke lokasi lain.

Stats

Menyatakan

level

statistic

dalam

pemgumpulan hasil masing-masing jenis entitas.

c. Arrivals. Menyatakan kedatangan entitas dari luas kedalam system
yang diamati untuk pertama kalinya.

Entity

: Menunjukan entitas apa yang masuk ke dalam

system

Locations

: Menunjukan lokasi pertama kali entitas

memasuki system

Quantity each

: Menyatakan jumlah entitas yang datang

setiap satu kali kedatangan

First time

: Menunjukan waktu pertama kalinya entitas

masuk ke system

Occurrences

: Menyatakan banyaknya entitas setiap satu

kali kedatangan

Frequency

: Menyatakan selang waktu antar kedatangan

Logic

: Untuk menyatakan logika-logika lain saat

kedatangan

Disable

: Menyatakan apakah kedatangan entitas yang

bersangkutan ada atau tidak.

d. Processing. Merupakan operasi yang terjadi di dalam system dan
dilakukan pada lokasi dan antar lokasi. Proses merupakan kegiatan
pengolahan input yang dilakukan oleh setiap mesin (lokasi) sehinga
akan menghasilkan suatu output tertentu.
Data-data yang diperlukan dalam mendefinisikan proses ;

Entity

: Menunjukan entitas sebagai input yang akan diproses

Location

: Menunjukan lokasi dimana operasi terjadi

Output

: Menunjukan entitas sebagai output dari proses yang

terjadi

Block

: Jalur yang ditempuh entitas

Destination: Lokasi yang menjadi tujuan berikutnya

Rule

Moe logic : Untuk mendefinisikan metode pergerakan entitas,

: Menyatakan aturan yang digunakan dalam proses

yaitu dengan menetapkan waktu pergerakan atau dengan apa entitas

dipindahkan.

e. Resources. Adalah orang atau pekerja, peralatan da alat pemindah

material lain.
Data-data yang diperlukan adalah :

Name

: Nama resources

Unit

: Menunjukan banyaknya resources

Specification

Menunjukan

spesifikasi

jaringan

yang

dilintasi dan lokasi yang pertama kali dikunjungi.

f.

Path Network. Merupakan lintasan dimana resources bergerak

sisepanjang lintasan yang dibuat. Arah lintasan bisa satu arah atau dua
arah dan bisa dibuat berdasarkan faktor jarak atau waktu.
Data-data yang diperlukan adalah :

Name

: Nama lintasan yang bersangkutan

Type

: Terdiri dari passing (lintasan resources) dan not

passing (tidak dilintasi resoursec)

T/S

: Merupakan pilihan waktu (t) atau kecepatan jarak (s)

Path

: Menunjukan jumlah dari lintasan dalam suatu

jaringan

Interfaces : Menunjukan lokasi yang menghubungkan mode

dalam path network.

2.6.3Jenis-jenis Distribusi
Distribusi di bagi menjadi 2,yaitu :
1.

Distribusi Kontinyu

Yang termasuk distribusi kontinyu diantaranya :

a. Distribusi Uniform
Variabel random X berdistribusi uniform, diasumsikan memiliki
probabilitas yang sama untuk terjadinya dimana saja dalam suatu sub
interval sepanjang d yang ada dalam a sampai b.

b. Ditribusi Eksponensial
Sering digunakan untuk memodelkan waktu tunggu sampai sebuah
peristiwa terjadi, dan juga untuk memodelkan waktu antar terjadi
peristiwa. Cariabel random X berdistribusi Eksponensial dengan
parameter , memiliki fungsi :

c. Distribusi Normal
Variabel random X berdistribusi normal, dengan parameter dan
memiliki fungsi distribusi probabilitas (pdf) :

d. Distribusi Weibull
Distribusi Weibull ini diperkenalkan oleh ahli fisikawan swedia
WaloddiWeibull pada tahun 1939. Grafik distribusi weibull untuk = 1
dan berbagai nilaiparameter dilukiskan pada gambar dibawah ini.

Peubah acakkontinyu X terdistribusi Weibull pada parameter dan ,

jika fungsi padatnya berbentuk

Jika = 1 maka distribusi weibull menjadi distribusi

eksponensial. Jika > 1 maka kurvanya mirip lonceng dan
menyerupai kurvva normal tetapi tidak moncong.
2. Ditribusi Diskrit
Yang termasuk distribusi diskrit antara lain :
a. Distribusi Poisson
Distribusi peluang peubah acak Poisson X, yang menyatakan banyaknya
sukses yang terjadi dalam suatu selang waktu atau daerah tertentu,
diberikan oleh

x = 0,1,2, ....

menyatakan rata-rata benyaknya sukses yang terjadi dalam selang

waktu atau daerah tertentu.
b. Distribusi Binomial

2.6.4 Stat :: fit

Statfit,software pendukung ProModel adalah salah satu aplikasi statistik yang
berguna untuk menentukan distribusi dri data yang akan digunakan sebagi input
untuk

membuat

model

dalam

ProModel.

Statfit

memberikan

kemudahan,kecepatan dan ketepatan dalam pengolhan data yang dimiliki.

Statfit secara otomatis akan mengelompkan data sesuai dengan fungsi
distribusi,relatif memberikan perbandingan antara jenis distribusi. Statfit
menerjemahkan fungsi distribusi kedalam bentuk khusus untuk software
simulasi. Fitur dalam statfit meliputi statistik deskriptif, etimasi parameter,
goodness of fit test, analisis grafis, variasi acak (random variate),dan banyak
lagi.
Tampil awal Stat::fit :

Gambar 2.4 Gambaran Awal Stat::fit

Langkah-lagkah menggunakan Stat::fit
1. Masukan data yang telah didapatkan

Gambar 2.5 Pemasukan data pada Stat::fit

2. Untuk mengetahui statistic descriptive pilih statistics lalu klik descriptive

maka akan keluar

Gambar 2.6 Hasil statistik descriptip

Hasil yang dapat kita ketahui dari perintah ini adlah banyaknya jumlah data
yang kita miliki,nilai minimum, nilai maksimum, nilai mean, modus, standar
deviasi, varian, koefisien, skewness dan kurtosis.

3. Distribution fit.
Untuk memuaskan distribusi dari data yang kita miliki secara otomatis, kita
dapat menggunakan perintah auto::fit,dengan cara memilih menu fit >
auto::fit.Dengan perintah ini kita dapat mengetahui hasil distribusi data yang
kita miliki dengan mudah dan cepat.
Pilih Fit lalu klik auto::fit atau dapat langsung memilih

maka akan

keluar

Gambar 2.7 Hasil auto::fit

Nilai rank paling tinggi adalah distribusi uniform (3,8) dan penerimaannya do
not reject. Hal ini berarti bahwa data yang telah di uji memmiliki distribusi
uniform. Semakin tinggi nilai rangking maka distribusi terseebut.semakin baik
dalam mewakili data yang kita miliki.
4. Setelah mengetahui dstribusi dari data tersebut kemudian kta melakukan uji
statistik untuk menguji apakah distribusi probabilitas terpilih benar-benar tepat
mewakili sample data. Untuk melakukan pengujian itu dilakukan dengan
memilih fit>goognes-of-fit atu meng-klik
berikut:

icon yang hasilnya sebagai

Gambar 2.8 Hasil Goodness-of-fit

5. Untuk memilih grafik lalu pilih fit klik result graph plih distribution

Gambar 2.9 Cara menampilkan grafik

Dan kemudian akan keluar

Gambar 2.10 Grafik distribusi dari data tersebut

1.3 Penerapan dalam software ProModel
Setelah mendapatkan jenis distribusi yang sesuai yaitu distribusi uniform (3,8)
maka tahap selanjutnya adalah menggunakan distribusi tersebut dalam simulasi.
Distribusi dalam simulasi dibutuhkan saat procssing pada kolom operation.
Pada kolom operation double klik akan muncul.

Gambar 2.11 Tampil kolom operation

Lalu pilih icon

Gambar 2.12 Logic Bulider

Lalu double klik pada wait maka akan muncul

Gambar 2.13 Pemilihan Distribusi

Pilih distribusi function dan pilh uniform, kemudian klik mean dan masukan 3
lalu klik half range dan masukkan angka 8, setalah itu kilik return dan
kemudian klik paste klik close

Gambar 2.14 Logic Builder

Gambar 2.15 Hasil

Logic Build

Gambar 2.16 Penggunaan distribusi dalam process

Selain pada saat processing distribusi juga digunakan pada saat pembuatan
arrivals pada kolom frequency.
Funcsion Statement digunakan pada saat membangun proses
(processing)dalam promodel. Berikut ini adalah beberapa contoh fucsion
statement

a. MOVE FOR

:digunakan pada saat entitas dipindahkan dalam

beberapa waktu.
b. MOVVE ON

: digunakan untuk memindahkan entits sepanjang path

network.
c. MOVE WITH

: digunakan untuk meindahkan entitas dengan bantuan

resources.
d. USE
e. GET

: digunakan untuk mengaktifkan resources.

: digunakan untuk mengaktifkan resources dalam

f.

menggambil entitas.
FREE

: digunakan untuk melepaskan resources dari

entiitas yang pegang, statement ini biasanya berpasangan dengan GET dan
JOINTLY GET
g. JOINTLY GET

: digunakan untuk mengaktifkan beberapa resources

secara bersama.
h. ACCUM

: digunakan untuk suatu kondisi dimana beberapa

i.

entitas disatukan sebelum proses.

GROUP
: digunakan untuk menggabungkan atau menyatukan

j.

beberapa entitas untuk sementara.

UNGROUP
: digunakan untuk mmemisahkan beberapa entitas

yang telah digabung dengan menggunakan statement GROUP .

k. INCREMENT
: digunakan untuk menghitung jumlah entitas
yang masuk pada suatu lokasi baik yang mengalami proses mupun yang tidak
l.

mengalami proses.
COMBINE

perakitan.
m. CREATE
n. LOAD

:digunakan ketika beberapa entitas mengalami proses

:digunakan untuk suatu menggandakan entitas.

:digunakan ketika beberapa entitas dimasukan kedalam

entitas lain.
o. UNLOAD

: digunakan untuk mengeluarkan beberapa entitas dari

entitas lain.
p. RENAME
q. JOIN

: digunakan untuk mengganti nama dari suatu entitas.

:digunakan untuk menggabungkan beberapa entitas

dimana entitas salah satu akan kehilangan entitasnya.

1.Resource
Resource (sumber daya) adalahsumber daya berupa orang atau pekerja,
peralatan dan alat pemindahan material yang lain. Resource ini digunakan
dalam simulasi sistem apabila dalam sistem memerlukan sumberdaya untuk
memindahkan material menuju ke lokasi selanjutnya.
Data yang diperlukan adalah:
a. Name

: menunjukkan nama dari resource tersebut

b. Unit

:menunjukkan

jumlah

resource

yang

akan

digunakan.
c. Downtime (Dts)

: saat-saat lokasi tidak berfungsi.

d. Spesification

:menunjukkan spesifikasi jaringan yang dilintasi

dan lokasi yang pertama kali dikunjungi.

2. Path Networks
Path networks (jaringan lintasan kerja) merupakan lintasan dimana resource
bergerak disepanjang lintasan yang dibuat. Arah lintasan bisa satu arah arau
dua arah dan bisa dibuat berdasarkan faktor jarak atau waktu. Path networks
ini dibuat agar resource yang digunakan berada dalam sebuah lintasan dan
hanya bergerak pada lintasan tersebut sesuai dengan arah yang diinginkan.
Data yang diperlukan adalah:
a. name

: menunjukkan nama lintasan tersebut.

b. type

: terdiri dari passing ( lintasan resource) dan non passing

(tidak dilintasi resource) dan Crane (jalur untuk crane).

c. T/S

: menunjukkan pilihan waktu atau kecepatan dan jarak.

d. Interface

: menunjukkan lokasi yang menghubungkan node dalam

path network.
e. Path
3. Variable

: menunjukkan jumlah dari lintasan dalam suatu jaringan.

Variable merupakan tampilan jumlah dari setiap lokasi yang akan diproses
dalam sistem yang dibuat. Fungsi dari variable adalah untuk mengetahui
jumlah barang yang masuk kedalam lokasi tertentu dan juga untuk mngetahui
jumlah barang yang masuk kedalam lokasi tertentu dan juga untuk mngetahui
jumlah work in proses (WIP) dari tiap lokasi.
4. Shift
Shift merupakan jam kerja yang diperlukan karena sistem yang dilakukan
memerlukan jam kerja 24 jam selama 1 minggu penuh. Hal ini perlu adanya
pengaturan shift, agar tidak terjadi penghentian sistem. Dalam mengatur shift
menggunakan software Promodel ini perlu ditentukan terlebih dahulu jadwal
yang sudah ada sehingga dalam Promodel hanya tinggal memplot jadwal
yang sudah dibuat sebelumnya.