Cari
LANJUT KE KONTEN
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.
b. 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 modelmodel 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
arus lalu lintas dapat dijelaskan dengan persamaan yang berbeda dalam
model kontinyu.
C. 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.
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, rata-rata 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
tipe event 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: Sebuah subprogram yang menentukan eventselanjutnya
dari event list.
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).
Gambar 5. Event Graph, model antrian (lihat modul)
D. 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.
b] [ditandai dengan U(a, b)]. Maka nilai ekspektasi pada Y adalah: (lihat
modul)
dimana adalah fungsi densitas probabilitas pada sebuah random
variate U(a, b). Selanjutnya, problema penilaian integral telah dikurangi
menjadi satu pada estimasi ekspektasi nilai E(Y). Terutama, kita akan
mengestimasi E(Y) = I dengan sampel mean
(lihat modul)
dimana adalah random variate IID U(a, b). Selanjutnya kita bisa
tunjukkan bahwa adalah adalah estimator tidak bias pada I, dan
Asumsikan bahwa Var (Y) adalah finit, asumsikan berikut bahwa
tertutup untuk I pada n yang besar secara memuaskan (dengan
probabilita 1). Untuk mengilustrasikan skema numerik tersebut, andaikan
bahwa kita akan menilai integral
(lihat modul)
yang mana dapat ditunjukkan oleh kalkulus dasar untuk mendapatkan
nilai 2. Tabel berikut menunjukkan hasil aplikasi simulasi Monte Carlo
untuk estimasi integral pada berbagai nilai n.
Tabel. 1. pada berbagai nilai n yang dihasilkan dari aplikasi simulasi
Monte Carlo untuk estimasi integral
N
10
20
30
40
50
2,213
1,951
1,948
1,989
1,993
Kegagalan masyarakat dengan pengetahuannya tentang
metodologi simulasi dan satatistik dalam team pemodelannya..