Zulfikarmsi's Blog

Cari
LANJUT KE KONTEN

MATERI KULIAH SIMULASI DAN

PEMODELAN BAB I
I. DASAR-DASAR SIMULASI DAN PEMODELAN
A. Alam 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. Alur pengertian simulasi sehingga membentuk model
dapat dijelaskan pada gambar berikut:
Gambar 1. Alur Pemahaman Arti dari Simulasi. (lihat model matakuliah)
Untuk melihat bagaimana sistem tersebut bekerja maka dibuat asumsiasumsi, dimana asumsi-asumsi 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 sistem-sistem 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 transfortasi 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

B. Sistem, Model dan Simulasi

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.

Sebagai contoh: Jika seseorang ingin mempelajari sebuah bank, untuk

menentukan jumlah kebutuhan teller untuk menyediakan kecukupan
pelayanan terhadap nasabah, sistem dapat didefinisikan bagian yang
konsisten dari bank untuk teller dan penantian nasabah yang akan
dilayani. Jika, dengan kata lain, staf loan/kredit dan pengamanan kotak
deposit dimasukkan, definisi sistem harus diperluas dengan cara yang
jelas. Kita mendefinisikan pernyataan sebuah sistem bahwa
pengumpulan variabel-variabel penting untuk menjelaskan sistem di
waktu tertentu, relatif pada objektivitas yang dipelajari. Dalam
pelayanan bank, contoh-contoh pada pernyataan variabel yang mungkin
adalah jumlah teller yang sibuk, jumlah nasabah dalam bank dan waktu
kedatangan masing-masing nasabah dalam bank.
Kita mengkatagorikan sistem menjadi dua tipe, diskrit dan kontinyu.
Sistem diskrit adalah sistem yang mana variabel berubah sekeika itu juga
yang dipisahkan per titik waktu. Pada bank adalah contoh sistem diskrit,
ketika state variabel-contohnya jumlah nasabah dalam bank-berubah
hanya ketika nasabah tiba atau nesabah telah selesai dilayani dan
pulang. Sistem kontinyu adalah sistem yang mana state variabelnya
berubah secara kontinyu per waktu.
Sebagian kecil sistem pada praktisnya adalah sama sekali diskrit atau
kontinyu: tetapi ketika tipe sistem berubah menguasai sebagai besar
sistem, perubahan tersebut biasanya mungkin untuk mengklasifikasikan
sistem diskrit atau kontinyu.
Gambar berikut memetakan cara yang berbeda untuk mempelajari
sistem.
Gambar 2. Cara mempelajari sebuah Sistem (lihat Modul)
Dari gambar di atas dapatlah dijelaskan hubungan-hubungan yang
membentuk sistem sebagai berikut.
a. 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.
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

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).
c. 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 sumber-sumber 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,
kadang-kadang berguna untuk menjelaskan simulasi.
Diberikan model matematika untuk dipelajari secara simulasi (sekarang
merujuk sebagai model simulasi), kita kemudian mencari alat-alat 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 bersama-sama/berkelompok,

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.

Simulasi pada sistem inventori/pergudangan.

Pada simulasi antrian pelayanan tunggal problema statenya dapat

digambarkan sebagai berikut:
Gambar 3. Sistem Antrian Pelayanan Tunggal. (lihat modul)
Gambar di atas dapat dijelaskan bahwa 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 IID adalah 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 dengand(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, 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.

Event routine: Sebuah subprogram yang mengapdute state sistem ketika

tipe khusus pada terjadinya event.
Library routines: Kumpulan subprogram yang digunakan untuk
membangkitkan observasi random dari distribusi probabilitas yang mana
ditentukan sebagai bagian dari model simulasi.
Report Generator: Sebuah subprogram yang menghitung estimasi
(dari statistical counters) pada ukuran yang diharapkan pada bentuk dan
hasil laporan ketika simulasi berakhir.
Main program: Sebuah subprogram yang membangkitkan kembalitiming
routine untuk menentukan event 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 kembalireport
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,
dimana simulation clock diset menjadi nol, sistem state danstatistical
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
ke-i selanjutnya terjadi, simulasiclock menambahkan
waktu event tipe i akan terjadi dan controlkembali 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.
Gambar 4. Flow of Control pada pendekatan Next-Event Time-Advance
(lihat modul)
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).
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.

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 kawan-kawannya (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.

E. Langkah-langkah dalam Studi Penyelidikan Simulasi

Sekarang kita dapat melihat secara mendalam kinerja Simulasi Event
Diskrit, kita perlu melangkah kebelakang dan merealisasikan bahwa
model pemrograman sebagai bagian dari usaha keseluruhan untuk
merancang atau menganalisis sistem yang komplek oleh simulasi.
Perhatian harus ditujukan pada berbagai perhatian lainnya seperti analisis
statistik pada simulasi output data dan manajemen proyek. Gambar
berikut menunjukkan langkah yang akan menyusun secara tipikal, Studi
penyelidikan simulasi. Sejumlah besar simbol merepresentasikan setiap
langkah yang merujuk pada penjelasan yang lebih mendalam pada
langkah-langkah berikut. Catatan bahwa studi simulasi adalah proses
yang tidak sederhana terus menerus. Sebagai hasil bisa menjadi penting
kembali kebelakang pada langkah sebelumnya.
Gambar 6. Langkah-langkah dalam studi simulasi (lihat modul)
1. Perumusan masalah dan merencanakan studi
a. Permasalahan yang menarik yang dinyatakan (state) oleh pengelola
b. Satu atau lebih pertemuan kickoff untuk studi ditunjukkan, dengan
manajer
proyek, analisa simulasi, dan subject-matter experts (SMEs) yang
dihadirkan. Berikut hal-hal yang dibahas:
Keseluruhan objek studi
Pertanyaan khusus yang akan dijawab dalam studi
Tampilan ukuran yang akan digunakan untuk mengevaluasi ketepatan
sistem konvigurasi yang berbeda.
Skop model
Sistem konvigurasi yang dimodelkan
Software yang digunakan

 Kerangka waktu untuk studi dan sumber persyaratan.

2. Mengumpul data dan mendefinisikan model
a. Mengumpulkan informasi sistem layout dan prosedur operasi
Orang yang tidak tunggal atau dokumen yang cukup
Beberapa masyarakat yang memiliki informasi yang tidak akuratmembuat keyakinan bahwa kebenaran SMEs telah diidentifikasi
Prosedur operasi yang tidak bisa dirumuskan
b. Mengumpulkan data (jika mungkin) untuk mengkhususkan parameter
model dan input distribusi probabilitas.
c. Membuat rencana tentang informasi dan data dalam sebuah dokumen
asumsi yang disebut Model Konseptual.
d. Mengumpulkan data (jika mungkin) dalam penampilan keberadaan
sistem.
e. Tingkatan model secara mendalam akan tergantung pada berikut ini:
Objektifitas Proyek
Tampilan ukuran
Data yang tersedia
Berkenaan dengan kredibilitas
Kendala komputer
Opini tentang SMEs
Kendala biaya dan waktu
f. Disini memerlukan korespondensi tidak satu per satu antara masingmasing

elemen pada model dan korespondensi elemen pada sistem

g. Interaksi dengan manajer ( dan kunci lain personal project) dalam basis
regular.
3. Apakah konseptual model valid?
a. Membentuk struktur melalui model konseptual menggunakan dokumen
asumsi sebelum audiensi pada manajer, analisis dan SMEs.
Membantu meyakinkan bahwa asumsi model adalah tepat dan
kompleks
Mempromosikan kepemilikan model
Menempatkan bagian sebelum memulai program untuk menghindari
pemrograman kembali secara signifikan.
4. Menyusun program komputer dan verifikasi
a. Program model dalam bahasa pemograman ( misalnya C atau Fortran)
atau
dalam software simulasi (misalnya: Arena, AutoMod, Extend. ProModel,
WITNESS). Manfaat penggunaan bahasa pemograman atau salah satunya
yang sering dikenal, punya permintaan biaya yang rendah, dan bisa
menghasilkan model eksekusi waktu yang sangat kecil. Penggunaan
software simulasi, dengan kata lain mengurangi waktu pemrograman dan
menghasilkan biaya proyek yang rendah.
b. Verifikasi program komputer simulasi.
5. Membuat Pilot operasi

a. Membuat pilot operasi untuk maksud validasi dalam langkah ke-6.

6. Apakah model pemrograman valid?
a. Jika disini adalah keberadaan sistem, maka bandingkan bentuk ukuran
model dan sistem untuk keberadaan sistem.
b. Tidak ada perhatian pada keberadaan sistem, analisis simulasi dan
SMEs
harus dikaji ulang hasil model agar tepat.
c. Menggunakan analisis yang sensitif untuk menentukan apakah faktor
model
memiliki pengaruh yang signifikan dalam bentuk ukuran dan dimodelkan
secara hati-hati.
7. Disain Eksperimen
a. Kekhasan berikut untuk masing-masing konfigrasi sistem menarik:
Panjang masing-masing run (jalannya program)
Panjang periode warmup(pemanasan kembali program), jika tersedia
Jumlahan pada simulasi independen yang dijalankan menggunakan
bilangan random yang berbeda-bentuk fasilitas pada interval
konfiden.
8. Membuat produk menjalankan program.
a. Produk menjalankan program dibuat untuk langkah 9.
9. Menganalisis output data
a. Dua objectifitas utama dalam analisis output data adalah:
Penentuan bentuk absolut pada sistem konfigurasi tertentu.

 Pembandingan sistem konfigurasi alternatif dalam sebuah pemikiran

yang relatif.
10. Dokumentasi, penyajian dan menggunakan hasil.
a. Asumsi-asumsi dokumentasi, program komputer, dan hasil studi yang
digunakan untuk proyek yang berlangsung dan proyek yang akan datang.
b. Menghadirkan hasil studi
Menggunakan animasi untuk mengkomunikasikan model untuk
manajer dan masyarakat lain yang tidak paham dengan semua model
secara mendalam.
Mendiskusikan bangunan model dan proses validasi untuk promosi
yang kredibel.
c. Hasil yang digunakan dalam membuat proses keputusan jika hasilnya
valid
dan kredibel.
F. Tipe Lain Simulasi
Walaupun secara empiris dalam buku ini adalah untuk simulasi EventDiskrit, beberapa tipe lain simulasi adalah sangat penting untuk
dipertimbangkan. Tujuan kita disini adalah untuk menerangkan tipe-tipe
lain simulasi secara jelas dan menjadi kontras dengan simulasi eventdiskrit. Terutama, kita akan mendiskusikan secara kontinyu, kombinasi
diskrit-kontinyu dan simulasi Monte Carlo.
1. Simulasi Kontinyu
Simulasi kontinyu mengenai pemodelan melewati waktu pada sistem oleh
perwakilan variabel state berubah secara kontinyu dengan waktu. Secara
khusus, model simulasi kontinyu meliputi perbedaan persamaan yang
memberikan hubungan pada kecepatan perubahan variabel state dengan

waktu. Jika perbedaan persamaan menjadi lebih sederhana, mereka

dapat dipicahkan secara analitik untuk memberikan nilai pada variabel
state untuk semua nilai waktu sebagai fungsi nilai pada variabel stete di
waktu ke-nol. Untuk kebanyakan solusi analitik model kontinyu adalah
tidak mungkin, bagaimanapun, dan teknik analisis numerik, misalnya
Integrasi Runge-Kutta, adalah digunakan untuk menggabungkan
perbedaan persamaan secara numerik, memberikan nilai secara khusus
untuk variabel state di waktu ke-nol.
Beberapa produk-produk simulasi seperti SIMULINK dan Dymola, memiliki
rancangan yang spesifik untuk membangun model simulasi kontinyu.
Sebagai tambahan, paket simulasi event-dioskrit Arena, AweSim dan
Extend memiliki kapabilitas pemodelan kontinyu. Ada tiga paket yang
memiliki tambahan keuntungan pada simulasi komponen kontinyu dan
diskrit dalam satu model.
Contoh: Kita sekarang mempertimbangkan model kontinyu pada
kompetisi antara dua populasi. Model biologikal pada tipe ini disebut
model predator-mangsa (atau parasite-host), yang telah dipertimbangkan
pengarang, termasuk Braun (1975, p. 583) dan Gordon (1978, p.103).
Sebuah lingkungan yang memiliki dua populasi, predator dan mangsa,
yang beriteraksi satu sama lainnya. Mangsa adalah pasif, tetapi predator
tergantung pada mangsa sebagai sumber makanan mereka (contohnya,
predator adalah hiu dan mangsanya adalah ikan-ikan sumber makanan
hiu). Ambillah x(t)dan y(t) masing-masing melambangkan jumlahan
individu dalam populasi mangsa dan pradator di waktu ke-t. Misalkan ada
suplai yang luas makanan untuk mangsa dan, dalam ketidakhadiran
predator, yang mana kecepatan pertumbuhan mereka adalah rx(t)untuk
sejumlah r positif. (kita dapat berpikir pada r sebagai kecepatan lahir
secara alami dikurangi kecepatan mati secara alami). Karena interaksi
antara predator dan mangsa adalah masuk akal di mengasumsikan bahwa
kecepatan kematian mangsa sungguh tepat untuk berinteraksi adalah
proposional untuk produk dua ukuran populasi, x(t)y(t). Oleh karena itu,
keseluruhan perubahan populasi mangsa, dx/dt, diberikan oleh
(1) (lihat modul)
dimana a adalah konstanta positif pada proposionalitas. Ketika predator
tergantung pada mangsa untuk setiap keberadaan mereka, kecepatan

berubahnya predator pada tidak adanya mangsa adalah

sy(t) untuk s positif. Lebih lanjut, interaksi antara dua populasi
mengakibatkan popupasi predator meningkat dimana kecepatannya juga
proposional pada x(t)y(t). Dengan demikian, kecepatan keseluruhan
perubahan populasi predator , dy/dt, adalah
(2) (lihat modul)
dimana b adalah konstanta positif. Diberikan kondisi awal x(0) > 0
dan y(0) > 0, solusi model diberikan oleh persamaan (1) dan (2) memiliki
sifat-sifat menarik bahwa x(t) > 0 dan y(t) > 0 untuk semua t 0. Dengan
demikian, populasi mangsa tidak bisa dimusnahkan secara kompleks oleh
predator. Solusi {x(t), y(t)} adalah juga merupakan fungsi waktu yang
periodik. Bahwa, bila T > 0 seperti bahwa x(t + nT) = x(t) dan y(t + nT)
= y(t) untuk semua n bulat positif. Hasil ini tidak diharapkan. Sebagai
predator populasinya meningkat, populasi mangsa menurun. Ini
mengakibatkan sebuah penurunan dalam kecepatan peningkatan
predator, yang mana kemungkinan hasil dalam penurunan jumlah
predator.
Pertimbangkan nilai utama r = 0,001, a = 2 x 10 -6, s = 0,01, b = 10 -6
dan ukuran populasi awal x (0) = 12,000 dan y (0) = 600. Gambar berikut
adalah solusi numerik pada persamaan (1) dan (2) dihasilkan dari
penggunaan rancangan paket komputer pada pemecahan sistem
persamaan diferensial numerik ( sebuah bahasa simulasi kontinyu secara
tidak eksplisit ).
Gambar 7. Solusi Numerik Model Predator-Mangsa (lihat modul)
Catatan bahwa contoh tersebut di atas adalah deterministik kompleks,
dengan kata lain berisikan komponen tidak random (acak). Hal ini
dimungkinkan, bagaimanapun, untuk model simulasi kontinyu meliputi
ketidaktentuan; dalam contoh di atas bisa menambahkan istilah random
pada persamaan (1) dan (2) yang tergantung pada waktu dalam beberapa
cara, atau faktor konstanta bisa dimodelkan sebagai kuantitas yang
merubah nilai variabel randomnya pada titik tertentu per waktu.
2. Kombinasi Simulasi Diskrit-Kontinyu

Ketika beberapa sistem tidak mungkin diskrit atau tidak mungkin

kontinyu, kebutuhan bisa timbul untuk menyusun sebuah model dengan
aspek simulasi diskrit dan kontinyu, menghasilkan sebuah kombinasi
simulasi diskrit-kontinyu (Combined discrete-continuous simulation).
Pritsker (1995, pp 61-62) menjelaskan tiga tipe mendasar interaksi yang
dapat terjadi antara perubahan variabel state secara diskrit dan secara
kontinyu:

Sebuah event diskrit bisa menyebabkan sebuah diskrit berubah

dalam nilai variabel state kontinyu.

Sebuah event diskrit bisa menyebabkan pengaturan hubungan

sebuah variabel state kontinyu berubah pada waktu khusus.

Sebuah variabel state kontinyu mencapai ambang nilai bisa

menyebabkan sebuah event diskrit terjadi atau diskedulkan.
Model kombinasi diskrit-kontinyu adapat dibangun dalam Arena [Pegden,
Shannon, dan Sadowski (1995)], AweSim [Pritsker dan OReilly (1999)],
dan Extend [Imagine (1997b)].
Contoh simulasi kombinasi diskrit-kontinyu secara jelas dijelaskan pada
model yang dijabarkan secara mendalam oleh Pritsker (1995,pp.354-364),
yang juga menyediakan contoh lain tipe ini pada simulasi.
Contoh: Kapal tangker pembawa minyak mentah tiba pada dok
pembongkaran tunggal, Suplai tangker penyimpanan yang kembali
dikosongkan melalui pipa. Sebuah tangker bongkar muat memesan
minyak pada tangker penyimpanan pada kecapatan yang konstan secara
spesifik. (Tangker yang tiba ketika dok sibuk dari antrian). Supali tangki
penyimpanan minyak untuk pembersihan pada kecepatan spesifik yang
berbeda. Dok mulai buka pukul 06.00 pagi hingga malam dan, karena
pertimbangan keamanan, bongkar muat tangker berhenti ketika dok
tutup.
Event diskrit pada model spesifik ini adalah kedatangan tangker untuk
bongkar muat, penutupan dok pada malam hari, dan pembukaan dok
pada pukul 06.00 pagi. Level minyak pada tangker bongkar muat dan
dalam tangki penyimpanan memberikan variabel state kontinyu yang
mana kecepatan perubahannya adalah dijelaskan oleh persamaan

diferensial. Bongkar muat tangker dipertimbangkan selesai ketika level

minyak dalam tangker kurang dari 5% pada kapasitas muatnya, tetapi
bongkar muat harus sementara dihentikan jika level minyak dalam tangki
penyimpanan mencapai kapasitas muatnya. Bongkar muat bisa
dipersingkat ketika level minyak dalam tangki penyimpanan berkurang
menjadi 80 % pada kapasitas muatnya. Jika level minyak hampir penuh
dibawah 5000 barel, pengosongan harus ditutup sementara. Untuk
menghindari keseringan membuka dan menutup pengosongan, tangki
jangan mempersingkat penyuplaian minyak untuk pengosongan hingga
tangki sekali lagi berisikan 50.000 barel. Setiap berkenaan dengan lima
event pada level minyak, misalnya level minyal dalam tangki turun
dibawah 5 % pada kapasitas tangki, oleh Pritsker disebut sebuah State
Event. Tidak seperti event diskrit, state event tidak diskedulkan tetapi
terjadi ketika variabel state kontinyu melintasi ambang.
3. Simulasi Monte Carlo
Kita mendefinisikan simulasi Monte Carlo menjadi sebuah skema
menggunakan bilangan random, yaitu random variate U(0, 1), yang
digunakan untuk memecahkan stokastik tertentu atau problem-problem
detetrministik dimana perjalanan waktu berperan tidak substantif. Dengan
demikian, simulasi Monte Carlo secara umum statik dari pada dinamik.
Pembaca akan mencatat bahwa walaupun beberapa penulis mendifiniskan
simulasi Monte Carlo menjadi beberapa simulasi terlibat menggunakan
bilangan random, kami mendefinisikan lebih terbatas. Nama simulasi
atau metode Monte Carlo diawali selama perang dunia ke-2, ketika
pendekatan ini telah diaplikasikan untuk masalah yang berhubungan
untuk pengembangan bom atom.
Contoh. Andaikan bahwa kita ingin menilai integral
dimana g(x) adalah fungsi nilai real yang integrabel tidak analitik
(praktisnya, simulasi Monte Carlo mungkin tidak digunakan untuk menilai
integral tunggal, sejak integral ini merupakan teknik analisis numerik yang
lebih efisien untuk tujuan tersebut. Integral ini lebih cocok digunakan
dalam problem multipel-integral dengan integral bersifat jelek). Untuk
melihat mengapa problem ini deterministik dapat didekatkan dengan
simulasi Monte Carlo, ambillah Y sebagai variabel random (b a)g(X),
dimana X adalah variabel random kontinyu berdistribusi uniform dalam [a,

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

Simulasi Monte Carlo secara secara luas digunakan untuk memecahkan

masalah dalam statistik yang tidak analitik. Sebagai contoh, simulasi ini
telah diaplikasikan untuk mengestimasi nilai kritis atau power pada uji
hipotesis baru. Penentuan nilai kritis pada uji normalitas KolmogorovSmirnov untuk uji normalitas, telah diaplikasikan.
G. 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.
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.
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.
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 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.