ANALISIS OUTPUT

Model simulasi kejadian diskrit berbeda dari tipe model lainnya. Model simulasi kejadian
diskrit menggabungkan banyak variabel acak sehingga hasil (output) model merupakan
variabel acak juga. Sebagai hasilnya, perkiraan output dalam penjalanan simulasi
tertentu dapat sangat berbeda dari karakteristik model sebenarnya. Karena itu
menggunakan output simulasi kejadian diskrit untuk menjawab pertanyaan pemodelan
yang merupakan perilaku dan karakteristik sistem nyata bisa menjadi pekerjaan yang
sangat sulit. Output model simulasi seperti ini bisa dengan mudah
disalahinterpresentasikan.

Dalam berbagai studi simulasi, waktu dan dana besar biasanya dikeluarkan saat
pengembangan model dan pembuatan program, tapi sangat sedikit usaha yang dilakukan
dalam menganalisis output simulasi dengan tepat. Ada beberapa alasan kenapa analisis
data output belum dilakukan dengan benar. Pertama, pengguna sering membayangkan
bahwa simulasi hanya latihan dalam pemrograman komputer, bahkan untuk yang sangat
kompleks. Akibatnya, banyak studi simulasi dimulai dengan pembangunan dan
pengkodean model heuristik dan diakhiri dengan penjalanan tunggal model untuk
menghasilkan “jawaban”. Padahal, simulasi adalah percobaan contoh statistik berbasis
komputer. Oleh karena itu, jika hasil simulasi tidak mempunyai arti, teknik statistik harus
digunakan untuk merancang dan menganalisis percobaan simulasi. Alasan kedua
adalah output proses semua simulasi maya bersifat dinamis dan otokorelasi. Oleh
karena itu teknik statistik klasik yang didasarkan pada pengamatan IID (Identics and
independent distribution) tidak secara langsung dapat diaplikasikan. Masih ada juga
beberapa permasalahan analisis output dimana tidak ada solusi lengkap yang dapat
diterima, dan metode yang tersedia biasanya terlalu kompleks untuk digunakan.
Kegagalan lainnya adalah biaya waktu komputer yang dibutuhkan untuk mengumpulkan
jumlah cukup data output. Bahkan kadang-kadang ada situasi dimana prosedur statistik
yang tersedia sesuai, tetapi biaya mengumpulkan data yang dibutuhkan prosedur itu
terlalu mahal. Permasalahan terakhir ini memang sudah mulai mendapatkan
penyelesaian karena kebanyakan analis mempunyai mikrokomputer atau stasiun kerja
dengan kecepatan tinggi. Komputer seperti ini sudah tidak terlalu mahal dan dapat
dijalankan sepanjang malam atau selama akhir pekan untuk menghasilkan data output
simulasi yang sangat besar pada biaya marjinal nol.

Tujuan Analisis Output

Dari awal kita sudah memahami bahwa langkah awal dan penting dalam analisis simulasi
adalah mendefinisikan dengan jelas pertanyaan model simulasi yang diharapkan untuk
dijawab. Analis harus selalu mempunyai pemahaman yang jelas pertanyaan apa yang
harus dijawab ketika analisis diselesaikan dan menggunakan pertanyaan sebagai arahan
melakukan analisis data, pengembangan model, validasi dan analisis output. Tujuan dari
analisis output oleh karenanya adalah menjawab pertanyaan yang diajukan di awal
pembentukan model dengan benar. Bentuk pertanyaan mengindikasikan pengujian
hipotesis, selang kepercayaan atau pendugaan parameter.

Kita kembali ke simulasi sistem komputer time-shared. Kita asumsikan bahwa waktu aktif
server adalah 24 jam sehari. Pertanyaan-pertanyaan yang mungkin perlu untuk dijawab
analis adalah:
1. berapa lama seorang pengguna harus menunggu untuk terkoneksi dengan sistem?
2. berapa persen pengguna yang menunggu?
3. berapa peluang bahwa pengguna akan menunggu lebih dari 1 menit untuk
terkoneksi?
4. berapa rata-rata pengguna yang menunggu terkoneksi?
5. berapa rata-rata waktu seorang pengguna terkoneksi dalam setiap koneksi yang
dibuat?
6. apakah dengan menambah jumlah port akan dapat mengurangi waktu menunggu
koneksi pengguna secara signifikan?
7. apakah dengan memperbesar memori CPU akan dapat mengurangi waktu menunggu
koneksi pengguna secara signifikan?
8. apakah dengan mempercepat transmisi akan dapat mengurangi waktu menunggu
koneksi pengguna secara signifikan?
9. berapa waktu rata-rata port kosong?
10. berapa banyak waktu menunggu akan naik jika pemanggilan pengguna bertambah
10%?

Dan banyak lagi pertanyaan yang mungkin diajukan sesuai dengan kebutuhan analisis.
Jika model dirancang dengan benar, setiap pertanyaan itu akan dapat dijawab tetapi
mungkin membutuhkan data yang berbeda yang harus dikumpulkan selama penjalanan
simulasi. Untuk menjawab pertanyaan itu dengan beanr, analisis harus memutuskan
berapa lama simulasi akan dijalankan, mengontrol laju kedatangan dan waktu terkoneksi,
dan keakuratan statistik jawaban (tingkat kesalahan yang biasa disebut dengan
signifikansi dalam statistik).

Permasalahan Analisis Output Model Simulasi

Untuk menggambarkan permasalahan analisis output model simulasi kita kembali ke

model sistem komputer time-shared. Kita mengasumsikan (berdasarkan data historis
atau perhitungan lainnya) bahwa laju pemanggilan pengguna untuk koneksi ke sistem
adalah 75 per jam dan waktu rata-rata terkoneksi 35 menit. Kedua waktu ini
(pemanggilan dan koneksi) berdistribusi secara eksponensial. Hasil penjalanan model
simulasi ditunjukkan Tabel 1.

Kapanpun kita melakukan analisis data statistik, asumsi tentang proses darimana data itu
ditarik dan pengamatannya harus dibuat. Jika asumsi yang dibuat tidak benar, maka
akan dihasilkan kesimpulan karakteristik dan perilaku proses yang tidak benar. Ketika
menganalisis data statistik adalah umum menggunakan asumsi:
1. pengamatan saling bebas.
2. waktu proses bervariasi.
3. untuk pengamatan dalam jumlah besar (lebih besar atau sama dengan 30), rata-
rata sampel menyebar normal.

Jika ketiga asumsi ini dipenuhi, maka titik penduga rata-rata dan ragam waktu menunggu
pengguna dalam antrian untuk koneksi adalah:

1 n
Rata-rata : W= ∑ wi
n i =1
(1)

2
1 n
Ragam : s2 = (
∑ wi − W
n − 1 i =1
) (2)

Dimana wi adalah waktu menunggu pengguna ke-i untuk terkoneksi. Jika pengamatan
besar (n ≥ 30), maka waktu menunggu rata-rata dapat diduga untuk tingkat kepercayaan
95% sebagai berikut:
( )
P E (W ) = W ± 1.96 s n = 0.95 (3)

sayangnya, dalam simulasi kejadian diskrit semua asumsi itu pada umumnya tidak benar.
Untuk kasus sistem komputer time-shared yang juga merupakan kasus antrian, sebelum
melanjutkan analisis waktu menunggu yang dihasilkan dari simulasi, karena laju
pemanggilan dan waktu terkoneksi berdistribusi eksponensial, kita dapat menggunakan
model antrian analitik untuk mendapatkan rata-rata, ragam dan selang kepercayaan.
Untuk menggunakan model antrian analitik, kita harus membatasi terlebih dahulu jumlah
server (dalam hal ini port) paralel yang digunakan. Model antrian yang cocok dengan
model sistem komputer time-shared ini adalah M/M/C. Rata-rata waktu menunggu,
ragam dan selang kepercayaan dengan model analitik ini adalah (untuk rumus yang
digunakan dapat melihat di buku-buku Operation Research):

Jika kita menggunakan persamaan 1, 2 dan 3 di atas untuk menghitung waktu menunggu
rata-rata, ragam dan selang kepercayaan, maka nilai-nilai ini akan diperoleh:

Nilai-nilai itu....

Penyelesaian sederhana untuk permasalahan data berkorelasi dan dinamis adalah

melakukan simulasi jamak dan saling bebas.

Sistem terminating vs nonterminating

Semua sistem dinamis dapat dikategorikan sebagai sistem terminating atau

nonterminating. Sistem diklasifikasikan terminating jika kejadian yang menggerakkan
sistem menghentikan kejadian dalam suatu waktu tertentu, sedangkan sistem
diklasifikasikan nonterminating jika kejadian diskrit terjadi berulang-ulang tanpa batasan.
Mungkin ada sesi kejadian berulang yang disebut dengan regenerasi dalam sistem
terminating, tetapi setiap sesi itu akan mulai dari awal lagi. Dalam sistem kejadian diskrit
terminating, suatu kejadian TE menandai akhir dari suatu sesi. Kejadian TE mungkin
selalu terjadi pada waktu yang sama, selama setiap sesi, atau waktu kejadiannya
mungkin variabel acak. Dalam sistem terminating, status akhir sesi sebelumnya tidak
mempengaruhi status awal sesi berikutnya. Sebaliknya dalam sistem nonterminating,
kejadian diskrit menggerakkan sistem terjadi terus tanpa batas. Bagian tunggal sistem
berlangsung terus tanpa batas dan tidak ada kejadian yang mengakhiri.

Adalah penting untuk membedakan sistem terminating atau nonterminating, karena

masing-masing menggunakan metode analisis output berbeda. Perlu diperhatikan juga
perbedaan antara sistem dan simulasi sistem. Setiap simulasi merupakan proses
terminating tetapi tidak semua sistem bersifat terminating. Untuk setiap simulasi,
selanjutnya kita perlu membedakan apakah simulasi steady-state (status stabil) atau
transient (sementara).

Cara menganalisis output model simulasi tergantung dari keadaan sistem (terminating
atau nonterminating) dan karakteristik perilakunya (steady-state atau transient).

Contoh-contoh sistem terminating:

1. bank: bank buak setiap hari dari jam 9.00 pagi dengan keadaan awal tidak ada
nasabah dan ditutup jam 4.00 sore dan menyelesaikan layanan nasabah yang
terakhir ada di antrian. Lama setiap sesi (hari) akan berbeda (tergantung dari jumlah
nasabah yang masih mengantri jam 4.00 sore itu) tetapi setiap hari akan selalu
dimulai dan diakhiri dengan tidak ada nasabah dalam antrian. Kejadian yang
mengakhiri adalah penyelesaian pelayanan nasabah terakhir. Dalam simulasi seperti
ini kita akan menyukai memilih mengukur kinerja yang menaksir waktu rata-rata
semua nasabah menunggu, sama halnya dengan waktu rata-rata nasabah tiba pada
waktu berbeda setiap harinya.
2. sistem komputer: sistem komputer mulai bekerja pagi hari ketika pengguna pertama
masuk ke dalam sistem (log on), dan berakhir ketika pengguna terakhir hari itu keluar
dari sistem (log off). Meskipun selama detik-detik akhir dan jam-jam lebih awal
kadang-kadang pengguna mungkin akan masuk ke sistem (log on), perhatian kita
hanya selama jam kerja normal dan kinerja sistem selama bukan ja kerja tidak
diperhatikan. Setiap sesi mungkin mulai jam 8.00 pagi dengan sejumlah acak
pengguna (sudah masuk lebih awal dalam sistem) dan sesi diakhiri ketika pengguna
terakhir keluar dari sistem jam 5 sore. Ukuran kinerja yang mungkin adalah jumlah
rata-rata pengguna terhubung ke sistem apda waktu yang berbeda dalam satu hari,
peluang seorang pengguna tidak bisa masuk ke dalam sistem dalam waktu berbeda
dalam satu hari, jumlah rata-rata pengguna yang terhubung ke sistem setiap hari dan
peluang total seorang pengguna tidak dapat terhubung ke sistem.
3. permainan peluang: dua pemain dua melempar koin. Jika kedua koin sama
(menunjukkan kepala atau ekor), pemain pertama akan memenangka satu dolar.
Jika satu koin menunjukkan kepala dan satunya lagi ekor, maka pemain kedua akan
memenangkan satu dolar. Permainan berlangsung selama satu jam atau sampai
salah satu pemain kehabisan uangnya. Lama satu sesi oleh karenanya adalah satu
jam atau sampai keadaan dimana salah satu pemain tidak dapat melanjutkan karena
sudah kehabisan uang. Kejadian yang mengakhiri terjadi ketika salah satu pemain
memenangkan uang terakhir pemain lainnya atau satu jam telah berlangsung.
Ukuran kinerja bisa berupa rata-rata waktu permainan dan peluang memenangkan
permainan.
4. inventori komponen: seorang produsen membeli mesin berfungsi tunggal (special-
purposes machine) bersamaan dengan 5 komponen pengganti untuk komponen
mesin kritis. Mesin akan digunakan selama 2 tahun mendatang. Jika komponen
kritis rusak, komponen itu akan digantikan. Pengusaha itu tidak akan mendapatkan
komponen pengganti dengan cepat dan dengan biaya murah setelah pembelian awal
itu. Lama setiap sesi oleh akrenanya adalah 2 tahun atau sampai kelima komponen
pengganti sudah rusak. Kejadian yang mengakhiri adalah waktu 2 tahun atau sampai
kelima komponen rusak, tergantung yang mana yang terjadi lebih dulu. Ukuran
kinerja sistem bisa berupa peluang komponen akan bertahan selama 2 tahun dan
waktu rata-rata sistem beroperasi.
5. sistem basis data: dalam basis data terkomputerisasi data didistribusikan di dalam
beberapa file. Data dihubungkan menggunakan field kunci dan pointer. Ketika
pertanyaan basis data terjadi, pencarian dilakukan di semua file yang mengandung
data menggunakan field kunci dan pointer untuk mencari lokasi data yang diminta.
Kejadian yang mengakhiri adalah lokasi data yang dibutuhkan. Ukuran kinerja
termasuk jumlah rata-rata file yang diakses dan waktu rata-rata menemukan lokasi.

Contoh sistem nonterminating

1. jobshop: fasilitas produksi terdiri dari beberapa stasiun kerja. Ketika suatu pekerjaan
tiba pada fasilitas, pekerjaan itu akan melewati beberapa stasiun sampai
diselesaikan. Meskipun shop hanya beroperasi satu shift dan tidak beroperasi pada
hari Sabtu atau minggu, jobshop ini tergolong sistem nonterminating. Ketika operasi
akan diakhiri (seperti pada Jumat malam), status akhir sistem akan menjadi status
awal ketika operasi dimulai lagi. Siklus hidup sistem tidak terbatas dan sistem
disimulasikan selama pengakumulasian statistik yang dibutuhkan untu ukuran kinerja.
Ukuran kinerja bsia dalam bentuk utilisasi berbagai stasiun kerja, waktu rata-rata
penyelesaian satu pekerjaan dan rata-rata pekerjaan dalam proses.
2. sistem inventori: peritel menimbun barang dagangan dan melakukan pemesanan
ulang ketika level inventori mencapai atau lebih rendah dari level yang ditentukan.
Meskipun aktifitas jualan hanya 8 jam sehari dan 5 hari dalams atu minggu, inventori
akhir pada hari tertentu akan menjadi inventori awal pada hari berikutnya. Kejadian
diskrit yang menggerakkan sistem berlangsung tanpa batas, dan ukuran kinerja
 termasuk rata-rata inventori, fraksi order yang harus memesan ulang atau berlebih
dan jumlah rata-rata order per tahun.
3. bandar udara: selama 24 jam per hari, pesawat tiba dan berangkat dari bandara.
Meskipun ada periode aktivitas ringan dan berat, keadaan pagi di bandara tergantung
dari bagus tidaknya manajemen dilakukan sore sebelumnya dengan tidak ada
pengakhiran sistem. Ukuran kinerja termasuk rata-rata waktu satu pesawat harus
menunggu untuk lepas landas atau mendarat dan rata-rata jumlah pesawat
menunggu untuk mendarat atau lepas landas.
4. rumah sakit: pasien masuk rumah sakit dengan asumsi kamar inap tersedia. Begitu
satu tempat tidur sudah diisi, tempat tidur itu tidak akan tersedia lagi sampai pasien
tersebut sudah pulang atau pindah kamar. Pasien yang tidak dapat diterima karena
tidak ada tempat tidur lagi akan masuk ke rumah sakit lainnya jika memerlukan
perawatan segera atau menunggu sampai ada tempat tidur yang kosong berikutnya.
Jumlah pasien yang masuk dan keluar setiap pagi tergantung dari jumlah pasien di
rumah sakit dan panjang daftar tunggu sore sebelumnya. Ukuran kinerja termasuk
rata-rata jumlah pasien dalam klinik dan rata-rata waktu menunggu pasien untuk
mendapatkan perawatan.
5. sistem status tetap: dosen direkrut oleh suatu universtas dan beberapa tahun
diberikan sebagai tahapan menuju status tetap. Pada akhir setiap tahun pengajaran
dan penelitian dosen menerima tahun berikutnya sebagai tahapan menuju status
tetap. Setelah 6 tahun, evaluasi dilakukan, dosen akan diangakt menjadi status tetap
atau hanya akan diberikan kontrak satu tahun lagi. Selama 6 tahun itu, dosen dapat
meninggalkan universitas. Setelah menerima status tetap, dosen dapat tinggal
sampai pensiun atau pindah ke universitas lain. Ini adalah sistem nonterminating
(kecuali untuk sdosen yang akhirnya tidak mendapatkan status tetap) karena
universitas mempunyai masa hidup tidak terbatas.pada akhir sembarang tahun,
jumlah dosen dalam universitas tergantung dari jumlah pada awal tahun dan status
permanen mereka dan jumlah tahun menuju status permanen. Ukuran kinerja adalah
jumlah dosen status permanen dan bukan permanen dan peluang bahwa seorang
dosen akan mendapatkan status permanen.

Karakteristik perilaku sistem seperti yang diuraikan di atas bisa steady-state (status
stabil) atau transient. Untuk memahami perbedaan steady-state dan transient,
perhatikan definisi ini:
Asumsikan:
s(t) adalah status sistem pada waktu t.
Ps(t) adalah peluang bahwa sistem akan berada pada status s pada waktu t.
Sistem akan berada dalam status stabil relatif terhadap variabel status s ketika
dPs (t )
=0 (4)
dt

jika tidak sistem tidak akan mencapai status stabil dan dikatakan menunjukkan perilaku
transient. Ketika distribusi peluang variabel status tidak berubah lagi sepanjang waktu,
maka variabel status sudah mencapai status stabil atau lebih tepatnya mencapai
distribusi status stabilnya.

Terminologi status stabil juga sering disalahartikan, menyarankan bahwa sistem akan
lebih terkontrol (tidak berubah), menyebabkan hanya sedikit perubahan radikal dalam
statusnya. Kita tidak bisa menerima saja pemikiran bahwa sistem mantap setelah
periode dasar operasi. Meskipun distribusi peluang variabel status stabil sepanjang
waktu, sistem berpindah dari satu keadaan ke keadaan lainnya sama aktifnya dengan
fase status stabil saat sistem dalam keadaan fase transient. Faktanya, ragam status
sistem lebih besar pada keadaan stabil dibandingkan selama dalam keadaan transient.

Contoh sistem yang dapat mencapai status stabil adalah:

1. jobshop menerima order pada laju rata-rata konstan. Awalnya, pada simulasi,
jobshop mungkin tidak mempunyai pekerjaan dalam proses. Asumsinya jobshop
meneruskan operasi secara tidak terbatas. Sistem ini nonterminating dan mencapai
perilaku status stabil.
2. bank darah mengumpulkan dan menyimpan darah, mendistribusikannya ke anggota
rumah sakit yang membutuhkannya. Dengan menganggap permintaan akan darah
seragam sepanjang tahun, inventori darah akan memenuhi distribusi status stabil.
Sistem adalah nonterminating.
3. pembayaran tol dikumpulkan di boks tol pada pintu masuk tol selama jam sibuk (jam
7 sampai jam 9). Jika intensitas lalu lintas tidak berubah selama 2 jam, dan laju
kedatangan cukup besar, sistem akan melewati fase transientnya dengan cepat dan
analisis status stabil akan sesuai, meskipun simulasi hanya untuk 2 jam. Ketika
dianalisis dalam bentuk seperti ini, sistem adalah terminating dan kejadian yang
menghentikan adalah kesimpulan jam sibuk.

Contoh sistem yang tidak akan mencapai status stabil adalah:

1. pengguna sistem komputer time-shared terhubung ke sistem jam 8 pagi sampai jam 5
sore. Laju pengguna terhubung ke sistem bervariasi sepanjang hari, dengan
permintaan padatnya pertengahan pagi dan sore. Sistem ini adalah terminating yang
tidak akan mencapai distribusi status stabil karena variasi permintaan sistem
komputer dan jam operasi yang terbatas 9 jam.
2. perusahaan penerbangan punya kebijakan untuk menerima reservasi lebih 5% dari
total tempat duduk yang tersedia untuk mengantisipasi penumpang yang tidak muncul
pada jam penerbangan. Setiap hari merupakan sesi terminating, diakhiri dengan
sejumlah acak penumpang yang tidak dapat tiket. Kondisi akhir hari tertentu tidak
akan mempengaruhi kondisi awal hari berikutnya (dengan asumsi penumpang yang
tidak dapat tiket hari tertentu sudah terakomodasi dengan penerbangan lainnya hari
itu juga). Dalam simulasi ini tidak ada distribusi status stabil maupun transient dan
waktu buakn inti simulasi.

Analisis Output untuk Sistem Terminating

Metode paling umum memperkirakan karakteristik sistem menggunakan model simulasi
adalah mengumpulkan sampel karakteristik selama model simulasi dijalankan. Sekali
data dikumpulkan, data itu dapat digunakannya untuk membangun titik dan selang
perkiraan karakteristik.

Ingat kembali sifat dua titik penduga paling umum, rata-rata contoh (x ) dan standar
deviasi contoh (s):
n n
∑ xi (
∑ xi − X
2
)
X = i =1 (5) dan s = i =1 (6)
n (n − 1)
X akan menjadi titik penduga rata-rata populasi (µ) dan s2 akan menjadi titik
penduga ragam populasi (σ).

Untuk simulasi terminating, metode paling umum digunakan untuk meyakinkan bahwa
pengamatan xi bersifat independen dan mempunyai nilai ekspektasi umum adalah
pengulangan. Oleh karena itu simulasi dijalankan beberapa kali, dimana setiap ulangan
bebas dari ulangan lainnya. Selama penjalanan tiap simulasi, pengamatan dilakukan
untuk setiap titik waktu yang dirancang atau atas terjadinya kejadian yang dirancang.

Untuk simulasi yang diulang R kali, dengan K pengamatan intermediat dalam setiap
simulasi, asumsikan:
Xij = pengamatan ke-j ulangan ke-i
Dimana i = 1, 2, ..., R dan j = 1, 2, ..., K
Yi = ukuran kinerja keseluruhan selama ulangan ke-i
Maka,
R
∑ xij
X j = i =1 j = 1, 2, ..., K (7)
R
R
∑ yi
Y = i =1 (8)
R
R
∑ (xij − X j )2
s 2j = i =1 (9)
(R − 1)
R
∑ (y i − Y )
2

s 2y = i =1 (10)
(R − 1)
maka interval pendugaan untuk E(xij) dan e(yi) adalah:
(
P µ j = X j ± tα 2, (R −1)s y )
R = 1−α (11) dan
(
P µY = Y ± tα 2, (R −1)s y R)= 1−α (12)

Analisis Output Sistem Nonterminating

Kita akan menghadapi beberapa permasalahan ketika melakukan analisis ouput sistem
nonterminating yang tidak ditemukan dalam sistem terminating, yaitu:
¾ kondisi awal bias. Data awal yang dikumpulkan selama bagian awal simulasi
mungkin bias karena status awal sistem. Perilaku sistem selama fase awal ini
mungkin salah arah atau tidak relevan dengan pertanyaan yang diharapkan untuk
dijawab.
¾ Kovarians antara sampel. Kelompok data yang dikumpulkan selama simulasi
pada umumnya tidak saling bebas. Jika kumpulan sampel tidak saling bebas,
perkiraan ragam akan bias.
¾ Lama penjalanan. Meskipun sistem nonterminating, simualsi sistem harus
diakhiri. Jika simulasi dihentikan lebih awal, mungkin kita tidak akan
mendapatkan simulasi yang mewakili.

Metode yang digunakan untuk menganalisis output simulasi sistem nonterminating

adalah pengulangan, batching, otokorelasi dan status regenerasi.

Metode Pengulangan
Metode pengulangan yang digunakan sama dengan yang digunakan pada sistem
terminating, tapi harus mengabaikan (paling tidak meminimumkan) pengaruh kondisi
awal pada output model. Hal ini dapat dilakukan dengan membuang pengamatan yang
dikumpulkan pada fase awal simulasi dan hanya menggunakan data yang dkumpulkan
setelah mencapai status stabil. Meskipun secara prinsip metode ini relatif sederhana,
tapi dalam prakteknya sejumlah permasalahan muncul. Pertama, kita harus punya cara
untuk memutuskan sampai mana data awal dan kapan mulai data status stabil.
Disamping itu, biaya yang terbuang karena penjalanan fase awal mungkin cukup
signifikan.
Metode Batch
Permasalahan yang dihadapi jika menggunakan metode pengulangan (biaya
pengulangan untuk mengawali simulasi dan ketidakpastian lamanya fase transient) dapat
dikurangi dengan metode batch, tapi tidak menghilangkan. Dalam metode batch, satu
simulasi panjang dijalankan dan kita mencatat ukuran statistik secara perodik dan
kemudian mengembalikannya ke titik awal. Pengembalian ke titik awal ini bsia
didasarkan pada jangka waktu simulasi tertentu ayng ditetapkan atau berdasarkan
terjadinya sejumlah kejadian tertentu. Jika jarak antara dua pengulangan berurutan
cukup besar, statistik yang diakumulasikan selama tiap interval dapat dipertimbangkan
independen. Tentu saja mereka tidak benar-benar saling bebas, karena akhir dari suatu
status interval i merupakan awal dari status interval i+1. dalam metode batch, statistik
yang dikumpulkan selama interval kecil pertama dibuang, untuk memungkinkan sistem
melewati fase transient ke fase status stabil. Fase transient hanya akan dijalani sekali,
menghasilkan penghematan perhitungan, dan jika lamanya fase transient tidak terukur,
pengaruhnya akan berkurang sejalan dengan peningkatan batch. Kesulitan dalam
metode batch adalah penentuan lama atau ukuran setiap batch. Jika memilih batch
terlalu kecil, hasilnya tidak akan cukup saling bebas, sementara dengan menetapkan
batch besar akan membutuhkan penambahan biaya yang lebih tinggi dibanding
kebutuhan.

Metode Batch Berurutan

Dengan maksud mengurangi separuh lebar interval pendugaan kita perlu mengurangi
ragam pengamatan atau meningkatkan jumlah pengamatan. Jumlah pengamatan dapat
ditingkatkan dengan mensimulasikan sistem lebih lama atau mengurangi ukuran batch.
Jika kita mengurangi ukuran batch, batch mungkin tidak akan saling bebas secara
statistik.

Metode batch berurutan disarankan oleh Law dan Carson, berusaha menentukan ukuran
batch terkecil sehingga batch mean paralel tampak independen secara statistik. Mereka
menyarankan menggunakan koefisien korelasi lag:
L −1
[ ][
∑ Bi − B Bi +1 − B ]
p1 = i =1 (13)
L
[
∑ Bi − B ]
2

i =1
L
∑ Bi
B adalah rata-rata batch ke-i dan B = i =1 .
i
L
Untuk mengurangi bias p1 mereka menyarankan menggunakan penduga jacknifed :

' p11 + p12

p1 = 2 p1 − (14)
2
dimana p11 dihitung dari persamaan (13) untuk separuh pertama L (L/2) dan p12 untuk
separuh L berikutnya.

Untuk menggunakan prosedur batch berurutan secara iteratif kita:

1. Mensimulasikan sistem sampai batch L pengamatan k dibentuk.
2. Menggunakan p11 , uji batch mean dapat dianggap sudah saling bebas.
 3. Jika batch mean independen, atur interval kepercayaan dan jika lebar interval
kepercayaan ada dalam tingkat keakuratan yang diinginkan, lalu berhenti. Jika
tidak, naikkan k dan kembali ke langkah pertama.
4. jika batch mean tidak independen, naikkan k dan kembali ke langkah pertama.

Pada prosedur ini, pengamatan yang lalu tidak dibuang pada setiap iterasi. Bahkan
pengamatan tambahan ditambahkan ke pengamatan lalu. Kemudian pengamatan
dipartisi berdasarkan ukuran batch baru. Peningkatan ukuran batch dilanjutkan,
membuat pengamatan tambahan, dan kemudian mempartisi pengamatan ke batch yang
lebih besar sampai batch kelihatannya sudah saling bebas dan interval kepercayaan
cukup kecil.

Metode Otokorelasi
Selain mengurangi korelasi antara sampel paralel, metode otokorelasi juga mengurangi
pengaruh korelasi antara pengamatan untuk memperkirakan ragam proses yang sedang
disimulasikan.

Metode Regenerasi
Metode regenerasi menghindari bias awal menggunakan titik regenerasi. Titik regenerasi
(kadang-kadang disebut dengan titik pembaharuan) adalah status sistem dimana perilaku
masa mendatang sistem bebas (independen) dari sebelumnya. Tidak mungkin
mengidentifikasikan titik regenerasi untuk semua sistem, tetapi jika sistem benar-benar
mempunyai titik regenerasi, itu dapat dieksploitasi untuk mendapatkan perkiraan titik dan
interval sifat sistem.