TUGAS II

BILANGAN RANDOM
TUGAS DIBUAT UNTUK MEMENUHI MATA KULIAH SIMULASI KOMPUTER
DOSEN PENGAMPU:
GOENAWAN TRIDJOKO PRIJONO, IR. MT
DISUSUN OLEH :
MARWAH TIFFANI
(080411012)
PROGRAM STUDI TEKNIK INDUSTRI
FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH CIREBON
2011
1. PEMBANGKIT BILANGAN RANDOM
1.1Random Number Generation
Random Number Generation adalah suatu algoritma yang digunakan untuk menghasilkan
urutan urutan atau sequence dari angka angka sebagai hasil dari perhitungan dengan
komputer yang diketahui distribusinya sehingga angka angka tersebut muncul secara
random dan digunakan terus menerus.
Dari definisi tersebut dapat ditarik tiga pokok pengertian, yaitu sebagai berikut :
1.2 Sequence atau urutan
Yang dimaksud dengan sequence disini adalah bahwa random number tersebut harus dapat
dihasilkan secara urut dalam jumlah yang mengikuti algoritma tertentu dan sesuai drengan
distribusi yang akan terjadi atau yang dikehendaki.
1.3 Distribution atau distribusi
Pengertian distribusi berhubungan dengan distribusi probabilitas yang dipergunakan untuk
meninjau atau terlibat langsung dalam penarikan random number tersebut . Pada umumnya
distribusi probabilitas untuk random number ini adalah Uniform Variate yang dikenal dengan
distribusi Uniform.
Seperti pada random sequence , , ... , dan pada setiap random sequence ini masing
masing mempunyai , , ... yang merupakan subsequence yang berhubungan tetapi
terpisah atau dengan lainnya, yang dikenal dengan Jointly Independent , dan masing masing
juga mempunyai probabilitas distribus Uniform antar 0 dan n. (0,n). Bila sequence ini
terputus maka akan merusak atau mengurangi arti dari kegiatan simulasi yang berjalan.
1.4 Deskripsi Random Number
Dalam penentuan random number pada umumnya terdapat beberapa sumber yang
dipergunakan, antara lain :
a. Tabel random number
Tabel random number ini sudah banyak ditemukan mulai dari enam digit samapi dengan dua
belas digit.
b. Electronic Random Number
Electronic Random Number ini banyak juga di pergunakan dalam percobaan penelitian.
c. Congruential Pseudo Random Number Generator
Random Number Generator ini terdiri dari tiga bagian :
Additive ( Aritmatic ) Random Number Generator
Multiplicative Random Number Generator
Mixed Congruential Random Number Generator
Di dalam penarikan random number pada komputer, yang sering digunakan adalah
Congruential Random Number Generator dengan sifat sifatnya yang terpenting adalah
sebagai berikut :
1.6 Independent
Pengertian independent ini berarti masing masing komponen atau variabel variabelnya
harus bebas dari ketentuan ketentuan tersendiri.
Seperti : = Merupakan hasil akhir
= Merupakan angka pertama yang bebas tertentu
a. = Merupakan angka konstan yang dapat bebas dengan ketentuan ketentuannya
tersendiri.
b. = Merupakan angka bebas tetapi tidak ada hibungan tertentu dengan m ( modulo )
1.7 Uniform
Pengertian Uniform disini merupakan suatu distribusi yang umum yakni distribusi
probabilitas yang sama untuk semua besaran yang dikeluarakan / diambil. Ini berarti
probabiliotasnya diusahakan sama untuk setiap penarikan random number tersebut.
1.8 Dense
Pengertian dense disini merupakan maksud dari density Probabilitas Distribution yang
tentunya harus mengikuti syarat probabilitas yaitu terletak antara 0 dan 1. Ini berarti dalam
penarikan angka angka yang dibutuhkan dari Random Number Generator cukup banyak
dan dibuat sedemikian rupa sehingga 0 R . N . 1.
1.9 Efficient
Pengertian Efficient disini di maksud dapat cukup sederhana dan dalam menggunakan cara
ini harus telebih dahulu memilih angka angka untuk variabel variabelnya yang cocok. Ini
berarti dalam penari9kan random number tersebut harus dapat menentukan angka angka
untuk variabelnya yang sesuai sehingga dapat berjalan terus menerus.
2. PENYELESAIAN R.N.G
Pada Congruental Pseudo Random Number Generator dapat dijelaskan untuk masing
masing formula atau rumus sebagai berikut :
2.1 Additive / Aritmathic RNG
Bentuk rumusnya : ( mod. m
Dengan catatan :
Angka Random Number yang baru
Angka Random Number yang lama / yang semula
c. = Angka konstan yang bersyarat
m. = Angka modulo
Bagi Additive RNG ini diperlukan perhaytian syarat- syaratnya sebagai berikut :
a. Konstan a harus lebih besar dari .
Dan biasanya dinyatakan dengan syarat :

b. Untuk konstan c harus berangka ganjil apabila m bernilai pada dua. Tidak boleh nilai
berkelipatan dari m.
c. Untuk modulo m harus bilangan prime atau bilngan tidak terbagikan, sehingga
memudahkan atau memperlancar perhitungan perhitungan didalam komputer dapat
berjalan dengan mudah dan lancar.
d. Untuk pertama harus merupakan angka integer dan juga ganjil dan cukup besar.
2.2 Multiplicative RNG
Angka Random Number yang semula
Angka Random Number yang baru
A > 1 ; c = 0 ; m > 1
Syarat-syarat yang lainnya adalah sama dengan Additive RNG.
Dalam perunusan multiplicative ini terdapat tiga variabel yang menentukan untuk nilai nilai
Random Number yang dapat diperoleh seterusnya dengan tidak ada pengulangan pada angka
angkanya. Dan untuk pemilihan nilai nilai yang terbaik dijabarkan sebagai berikut :
a. Pemilihan nilai : m (modulo) merupakan satu angka integer yang cukup besar dan
merupakan satu kata (word) dari yang dipakai pada komputer. Sebagai contoh :
Dalam komputer IBM 360/370 sistem sebuah kata adalah 32 bits panjangnya,
berarti angka integer yang terbesar dalam satu kata komputer ( komputer words )
adalah :
2147488647
1 2 1 2
31 1 32

Maka nilai m harus lebih satu integer, atau :

648 . 483 . 2147
1 2
1 32

+

m
Untuk mesin computer system 1130/1800 IBM yang dikenal dengan 16 BITS Words
maka untuk memilih m adalah :
768 . 32 2
1 16


m
Sedangkan untuk memilih microcomputer dengan 8 BITS akan digunakan :
128 2
1 8


m
Dengan nilai m ini akan merupakan pembagi dari nilai (a x ZI ) yang mengikuti
operasi modulo.
Hal ini akan menjadikan mesin computer hanya dapat tertinggi dengan integer m - 1 dan
apabila produk produknya lebih besar dari nilai nilai ini akan mengakibatkan overflow
atau hang.
b. Pemilihan konstanta multiplier : a harus tepat
Pemilihan nilai a harus bilangan prima terhadap m. A juga harus bilangan ganjil ( Odd
). Pemilihan yang terbaik adalah dengan rumus
3
2
2 t
b
a

yang lebih mendekat
pada ketepatan.
Untuk sistem IBM 1130/1800 dengan : Bits akan Diperoleh
259 3 2
3
2
16
2
8
+
t a
Dan untuk mikro komputer dengan 8 Bits, maka akan diperoleh :
19 3 16 3 2
3
2
8
2
4
+ +
t a
Untuk
kebanyakan mikro komputer.
c. Pemilihan untuk
0
Z
, yang dikenal dengan : SEED =
0
Z
mengharuskan relative
belakangan prima terhadap m.
Hal ini dapat diperhatikan dengan mudah apabila dicari untuk m adalah angka berpangkat 2
( dua ) angka exporer dari angka 2. Dengan demikain untuk
0
Z
adalah setiap
angka angka yang ganjil ( odel number ) seperti :
0
Z I
SEED

= 12357
Dapat diambil sembarang asalkan bilangan ganjil, dan biasanya cukup besar.
d. Bilangan c yang dipilih harus bukan merupakan kelipatan dari m dan juga harus bilangan
ganjil.
Sebgai contoh 1 =
m c Z a Z
i
mod
1 1
+ +
Bila digunakan mikrokomputer dengan 8 bits.
Jadi :

237
128
19
12357

c
m
a
Zo
Operasi module = Random Number

128 mod ) 237 12357 19 ( 1 x x Z

= 235020 235008
= 12
09375 . 0
128
12
1
R

128 mod 237 12 19

2
+ x Z
= 465 384
= 81
6328 . 0
128
81
2
R

128 mod 237 81 19

3
+ x Z
= 1776 1664
= 112
875 . 0
128
112
3
R
, dan seterusnya.
2.3 Mixed Pseudo RNG
Pseudo Random Number ini dapat dirumuskan dengan :
) . mod ( .
1
1
m C
a
a
Z a Z
n
o
n
n

+

a. Rumus Pseudo Rando Number Generator ini adalah dengan syarat utama n harus
sejumlah bilangan integer ( bulat ) dan lebih besar dari nol, rumus ini dikenal juga
dengan nama Linier Congruential R>N>G .
b. Namun apabila nilai C = 0 maka akan diperoleh rumus yang dikenal : Multiplicative
Congruen RNG. Rumus Multiplicative ini cukup baik untuk masa masa yang akan
dating karena sedikit sekali stronge memori yang dibutuhkan.
c. Penjelasan : MIXED CONGRUENTAL GENERATOR
Dengan beberaapa kondisi syrat syaratnya sebagai berikut :
C = adalah bilangan relative prima terhadap n
a = 1 ( mod.q ) untuk setiap faktor prima q dari m
a = 1 ( mod 4 ) apabila 4 adalah suatu faktor dari m
d. Kondisi 1 berarti bahwa pembagi umum yang terbesar dari c dan m adalah satu. Dan
kondisi ini mudah dapat dicapai.
3
e. Kondisi 2 berarti : a- q
1

,
_

q
a
Apabila : k =

,
_

q
a
akan dapat diperoleh untuk : a
A = 1 + qk
Dimana q adalah faktor Prima dari m.
f. Kondisi 3 : berarti a = 1 + 4k
Apabila : m/4 = adalah integer
Artinya m bilangan bulat dapat dibagi 4
3. Pembangkit Bilangan Random
Dalam simulasi, terutama dalam proses memodelkan sistem yang mempunyai sifat
probabilistik, penggunaan bilangan random sangat menentukan jalannya proses tersebut.
Variabel yang mempunyai sifat probabilistik ditirukan sifat acaknya (randomness) melalui
urutan bilangan random (
i 2 1
u , , u , u
) yang mempunyai sifat saling bebas (independent) dan
terdistribusi seragam (uniform) dalam interval (0,1) (Watson dan Blackstone, 1989;
Rubinstein dan Melamed, 1998; Law dan Kelton, 2000).
Pada awal perkembangan simulasi, urutan bilangan random yang memiliki sifat acak tersebut
dibangkitkan dengan cara-cara manual seperti melemparkan mata uang, melemparkan dadu,
menarik kartu, memutar rolet. Kemudian dalam perkembangan selanjutnya digunakan alat-
alat mekanis-fisis-elektronis, seperti Noise Diode dan Geiger Counter yang terhubung dengan
komputer, untuk menirukan sifat acak tersebut. Hal ini berkembang karena adanya
pandangan umum yang menyatakan bahwa hanya peralatan elektronis atau mekanis saja yang
bisa menghasilkan bilangan random yang memiliki sifat acak yang sebenarnya. Meskipun
sampai sekarang peralatan tersebut masih dipakai untuk alat-alat perjudian dan lotere, tetapi
peralatan seperti itu tidak digunakan lagi untuk keperluan simulasi, karena terlalu lama dalam
pembangkitannya, urutan bilangan yang dihasilkan tidak dapat diulang, dan urutan bilangan
yang dihasilkan menunjukkan sifat yang tidak saling bebas dan bias (Rubinstein dan
Melamed, 1998).
Perkembangan terakhir yang digunakan untuk membangkitkan urutan bilangan random
adalah dengan menggunakan persamaan rekursif tertentu, yang lebih dikenal dengan nama
pembangkit bilangan random (Random Number Generator). Penggunaannya dalam program
komputer sangat disukai karena sangat cepat, dapat mengulang hasil urutan bilangan yang
diperoleh, dan hanya membutuhkan sumber daya yang kecil. Karena persamaan yang
digunakan tetap, pembangkit bilangan random dalam kenyataannya menghasilkan urutan
yang tetap pula. Akan tetapi karena urutan tersebut mempunyai sifat statistik tertentu yang
dapat menirukan bilangan random yang sebenarnya, urutan bilangan random yang dihasilkan
tetap dapat digunakan untuk menirukan sifat acak. Oleh karena itu pula, urutan bilangan
random yang dihasilkan oleh pembangkit bilangan random sering diberi nama bilangan
random semu (pseudorandom number). (Rubinstein dan Melamed, 1998; Law dan Kelton,
2000).
Saat ini terdapat beberapa jenis pembangkit bilangan random yang biasa digunakan, antara
lain: Linear Congruential Generator (LCG), Multiple Recursive Generator (MRG), dan Non
Linear Generator (NLG). Untuk membangkitkan urutan bilangan random
i 2 1
u , , u , u
,
MRG menggunakan persamaan rekursif dengan bentuk umum:
( ) m mod x a x a x a a x
k i k i i i
+ + + +
2 2 1 1 0
(1)
m
x
u
i
i

(2)
0
x
sering disebut sebagai Seed dari urutan bilangan random tersebut. Untuk
1 k
, persamaan
1 akan berubah menjadi:
( ) m mod c ax x
i i
+
1
(3)
merupakan bentuk umum persamaan rekursif LCG. Sedangkan dalam persamaan rekursif
terdapat bentuk nonlinear, pembangkit bilangan random itu digolongkan dalam NLG
(LEcuyer, 2001).
Untuk setiap jenis pembangkit bilangan random, penentuan besarnya parameter yang
digunakan (misal: a, c, m, dan
0
x
dalam LCG) merupakan hal yang penting untuk
menghasilkan urutan bilangan random yang memiliki sifat saling bebas dan seragam (Law
dan Kelton, 2000).
3.1 Uji Empiris-Statistik Bilangan Random
Secara umum, Bilangan Random yang baik harus memiliki sifat-sifat : periode perulangan
yang panjang, lolos uji empiris-statistik yang menunjukkan keseragaman dan kebebasan,
mudah diaplikasikan ke bahasa pemrograman tingkat tinggi standar, dan urutan bilangan
tersebut bisa diulang kapan dan di mana pun (LEcuyer, 1997).
Dalam melakukan uji keseragaman dan kebebasan terdapat kontradiksi antara asumsi bahwa
urutan bilangan tersebut saling bebas dan seragam dengan kenyataan bahwa urutan bilangan
tersebut dibangkitkan dengan persamaan yang tertentu sehingga menghasilkan urutan yang
deterministik dengan periode perulangan yang deterministik pula. Hal ini yang menyebabkan
terdapat banyak sekali uji empiris-statistik yang bisa dilakukan untuk menunjukkan kedua hal
tersebut, dan dengan lolos dari uji-uji tersebut tidak dapat menjamin bahwa suatu pembangkit
bilangan random merupakan pembangkit yang sempurna (LEcuyer, 1997).
Semakin banyak suatu pembangkit bilangan random lolos dari bermacam uji yang dilakukan
hanya memperbesar keyakinan penguji bahwa pembangkit tersebut merupakan pembangkit
yang diduga baik. Dapat dikatakan bahwa pembangkit yang jelek adalah pembangkit yang
tidak lolos dari uji empiris sederhana dan pembangkit yang baik adalah pembangkit yang
hanya tidak lolos dari uji empiris yang kompleks (LEcuyer, 1998).
Dua jenis uji empiris sederhana yang cukup dikenal adalah uji keseragaman (uniformity test)
dan uji kebebasan (independence test). Yang termasuk uji keseragaman antara lain adalah uji
frekuensi (frequency test) seperti uji Kolmogorov-Smirnov dan uji Chi-Square. Sedangkan
yang digolongkan sebagai uji kebebasan adalah uji jalan (runs test) : naik dan turun (runs up
and runs down), di atas dan di bawah mean (runs above and below mean), dan uji
autokorelasi (autocorrelation test) (Banks, et. al, 2001).
a. Uji Kolmogorov-Smirnov
Uji ini membandingkan antara c.d.f. distribusi uniform kontinu,
( ) x F
, dengan c.d.f distribusi
empiris dari N pengamatan,
( ) x S
N
. Secara definisi,
( ) x x F
,
1 0 x
(4)
( )
( )
N
x R n
x S
i
N

(5)
Uji ini didasarkan pada harga terbesar dari nilai mutlak selisih dari distribusi empiris dan
teoritis dalam interval batas distribusi tersebut, yaitu :
( ) ( ) x S x F max D
N

(6)
Hipotesis bahwa distribusi empiris merupakan sampel dari distribusi teoritis akan ditolak
apabila

D D >
, dengan

adalah besarnya tingkat keyakinan.

b. Uji Chi-Square
Uji ini membandingkan antara jumlah bilangan yang berada pada kelas-i (
i
O
) dengan
ekspektasinya (
i
E
), yang menggunakan statistik berikut ini :
( )

n
i i
i i
E
E O
1
2
2

(7)
Untuk distribusi uniform, jumlah kelas n dan jumlah bilangan N, nilai ekspektasi seluruh
kelas dapat ditentukan dengan :
n
N
E
i

(8)
Distribusi sampling dari statistik
2

adalah distribusi chi-square dengan n 1 derajat bebas.

c. Uji Runs Up and Runs Down
Uji ini membandingkan antara jumlah total run naik dan turun dari suatu urutan bilangan
dengan urutan bilangan yang benar-benar random. Suatu run didefinisikan sebagai urutan
kejadian yang sama yang diawali dan diakhiri dengan kejadian yang berbeda. Sebuah run
naik terdiri dari serangkaian bilangan yang semakin lama semakin besar, sedangkan run turun
terdiri dari serangkaian bilangan yang semakin mengecil.
Jika a adalah jumlah total run dalam urutan random yang saling bebas sejumlah N bilangan,
mean dan varians dari a adalah
3
1 2

N
a

(9)
90
29 16
2

N
a

(10)
Untuk N yang besar (
20 N
), distribusi dari a adalah distribusi normal. Sehingga untuk
menguji urutan bilangan tersebut merupakan urutan random atau bukan digunakan statistik
berikut ini :
a
a
a
Z

0
(11)
dengan
0
Z
terdistribusi normal standar. Sehingga hipotesis bahwa suatu urutan bilangan
random saling bebas akan ditolak bila
2 0 /
Z Z

>
atau
2 0 /
Z Z

<
,

adalah besarnya
tingkat keyakinan.
d. Uji Runs Above and Below Mean
Uji ini membandingkan antara jumlah total run di atas mean dan jumlah total run di bawah
mean dari suatu urutan bilangan dengan urutan bilangan yang benar-benar random. Sebuah
run di atas mean terdiri dari serangkaian bilangan yang lebih besar dari mean urutan bilangan
tersebut, sedangkan run di bawah mean terdiri dari serangkaian bilangan yang lebih kecil dari
mean urutan bilangan tersebut.
Jika
1
n
adalah jumlah total run di atas mean,
2
n
adalah jumlah total run di bawah mean, dan
b adalah jumlah total run dalam urutan random yang saling bebas sejumlah N bilangan, mean
dan varians dari b adalah
2
1 2
2 1
+
N
n n
b

(12)
( )
( ) 1
2 2
2
2 1 2 1 2

N N
N n n n n
b

(13)
Untuk
1
n
atau
2
n
yang besar (
20
1
n
atau
20
2
n
), distribusi dari b adalah distribusi
normal. Sehingga untuk menguji apakah urutan bilangan tersebut merupakan urutan random
atau bukan digunakan statistik berikut ini:
b
b
b
Z

0
(14)
dengan
0
Z
terdistribusi normal standar. Sehingga hipotesis bahwa urutan bilangan random
saling bebas akan ditolak bila
2 0 /
Z Z

>
atau
2 0 /
Z Z

<
, dengan

besarnya tingkat
keyakinan.
e. Uji Autokorelasi
Uji ini akan melihat apakah terdapat korelasi antara setiap m bilangan dari urutan bilangan
yang dimulai dari bilangan ke-i. Jadi, koefisien autokorelasi
im

akan melihat ada tidaknya

korelasi di antara bilangan
( ) m 1 M i m 2 i m i i
R , , R , R , R
+ + + +

. Besarnya M adalah bilangan bulat
terbesar yang memenuhi persamaan
( ) N m 1 M i + +
, dengan N adalah jumlah bilangan
dalam urutan tersebut.
Untuk harga M yang besar, distribusi dari estimator
im

akan terdistribusi normal jika harga
( ) m 1 M i m 2 i m i i
R , , R , R , R
+ + + +

tidak berkorelasi. Persamaan untuk estimator
im

dan standar
deviasinya adalah sebagai berikut :
( )
25 . 0 R R
1 M
1

M
0 k
m 1 k i km i im

1
]
1

+ + +
(15)
( ) 1 M 12
7 M 13
im

+
+

(16)
Sehingga dengan statistik berikut ini,
im

im
0

(17)
terdistribusi normal standar, dapat diambil kesimpulan bahwa hipotesis urutan bilangan
random saling bebas akan ditolak bila
2 / 0
Z Z

>
atau
2 / 0
Z Z

<
,

adalah besarnya tingkat

keyakinan.
3.2 Pembangkit Bilangan Random dalam BASIC
Bahasa Pemrograman BASIC menyediakan sebuah fungsi intrinsik yang dapat
membangkitkan bilangan random uniform (0,1) yaitu fungsi RND(Seed). Bilangan random
yang dibangkitkan mempunyai jenis real single precision, atau dengan ketelitian sampai 7
desimal. Penggunaan Seed bersifat opsional, bisa digunakan bisa juga tidak. Dengan kata lain
bila Seed tidak digunakan, secara otomatis pembangkit bilangan random tersebut
menggunakan nilai default yang telah ada. Dari homepage Microsoft (2001) diketahui bahwa
dalam Microsoft Visual BASIC mulai versi 1.0 sampai 6.0 menggunakan persamaan rekursif
berikut ini :
( )
24
1 i i
2 mod 12820163 x 1140671485 x +

(18)
24
i
i
2
x
u
(19)
dan menggunakan harga 327680 sebagai default Seed (sebagai harga
0
x
bila dalam
pemanggilan fungsi tidak dimasukkan suatu harga).
DAFTAR PUSTAKA
Thomas j. Kakiay.,2004, Pengantar Sistem Simulasi, Andi, Yogyakarta.
Www.Google.com