SIMULASI

A. PENGERTIAN SIMULASI

Simulasi berasal dari bahas Inggris, yaitu to simulate, yang artinya menurut

Websters Collegiate Dictionary adalah to feign, to obtain the essence of without

the reality untuk memperoleh intisari dari sesuatu tanpa melibatkan kenyataan.

Sedangkan menurut Oxford American Dictionary ( 1980 ) simulasi adalah to

reproduce the condition of a situasion, as by means of a model, for studi or testing

or training, etc untuk menghasilkan suatu kondisi dari sebuah situasi, dalam

maksud sebuah model, untuk dipelajari atau untuk percobaan atau pelatihan, dan

sebagainya.

Menurut Pusat Bahasa Depdiknas (2005) simulasi adalah satu metode

pelatihan yang memperagakan sesuatu dalam bentuk tiruan (imakan) yang mirip

dengan keadaan yang sesungguhnya; simulasi: penggambaran suatu sistem atau

proses dengan peragaan memakai model statistic atau pemeran.

Simulasi adalah sebuah replikasi atau visualisasi dari perilaku sebuah

sistem, misalnya sebuah perencanaan pendidikan, yang berjalan pada kurun waktu

yang tertentu. Jadi dapat dikatakan bahwa simulasi itu adalah sebuah model yang

berisi seperangkat variabel yang menampilkan ciri utama dari sistem kehidupan

yang sebenarnya. Simulasi memungkinkan keputusan-keputusan yang

menentukan bagaimana ciri-ciri utama itu bisa dimodifikasi secara nyata.

Kelebihan Simulasi
1. Simulasi dapat memberi jawaban yang tidak bisa dilakukan model analitik

2. Simulasi dapat digunakan untuk analisis yang besar dan komplek pada situasi

keadaan nyata yang tidak dapat dilakukan oleh model kuantitatif konvensional

3. Model simulasi lebih realistis terhadap sistem nyata karena asumsi yang lebih

sedikit

4. Simulasi membolehkan kita untuk mempelajari pengaruh alternatif dari kumpulan

individu atau variabel mana yang lebih penting

5. Pada banyak hal, simulasi lebih murah dari percobaannya sendiri.

6. Untuk sejumlah proses dimensi, simulasi memberikan penyelidikan yang

langsung dan terperinci dalam periode waktu khusus.

Kekurangan Simulasi

1. Simulasi bukan presisi dan juga bukan suatu proses optimasi. Simulasi tidak

menghasilkan penyelesaian, tetapi menghasilkan cara untuk menilai jawaban

termasuk jawaban optimal.

2. Model Simulasi yang baik dan efektif adalah sangat mahal dan membutuhkan

waktu yang lama dibandingkan dengan model analitik

3. Tidak semua situasi dapat dinilai melalui simulasi kecuali situasi yang memuat

ketidakpastian (probability)
B. JENIS-JENIS SIMULASI

Klasifikasi atau pengelompokan dari teknik simulasi dibagi menjadi 3 kelompok (

Law & Kelton,2000 ), yaitu

1. Model Simulasi Statis dan Dinamis

Simulasi Statis merupakan representasi dari sebuah system pada suatu tertentu,

atau digunakan pada system dimana waktu tidak mempunyai peran. Penerapan

paling sederhana pada simulasi ini adalah saat kita memasukan nilai variable pada

suatu rumus untuk memperoleh hasil akhirnya. Contoh lain dari simulasi statis

adalah Model Monte Carlo. Dilain pihak, simulasi dinamis mewakili system yang

berubah-ubah menurut waktu, misalnya system ban berjalan pada pabrik atau

sirkulasi parker.

2. Model Simulasi Deterministik dan Model Simulasi Stochastic

Bila system simulasi tidak mempunyai komponen probabilitas ( kemungkinan ),

maka dinamakan simulasi deterministic. Contoh dari system ini adalah persamaan

diferensial yang menghitung reaksi kimia. Hasil akhir dari simulasi deterministic

telah ditentukan ketika sejumlah input dimasukan kedalam model, walaupun bisa

saja diperlukan waktu yang lama untuk menghitung hasil akhir simulasi tersebut.

Bila system tersebut memiliki beberapa komponen input acak ( random ), maka

simulasi tersebut termasuk simulasi stochastic. Hasil akhir atau keluaran dari

model stochostik ini berupa komponen acak. Kebanyakan system antrian

( queueing ) dan persediaan ( inventory ) merupakan model stochostik.

3. Model Simulasi Kontinyu dan Model Simulasi Diskrit

Simulasi kontinyu merupakan model system yang kondisi status variablenya

berubah-ubah terus menerus sesuai dengan waktu. Simulasi model ini melibatkan

persamaan diferensial yang merupakan relasi dari tingkat populasi penduduk pada

suatu daerah dengan memperhatikan fertilitas dan moralitas. Contoh

C. SIMULASI MONTE CARLO

Simulasi Monte Carlo merupakan suatu pendekatan untuk membentuk

kembali distribusi peluang yang didasarkan pada pilihan atau pengadaan bilangan

acak (random).

Istilah Monte Carlo sering dianggap sama dengan simulasi probabilistik.

Namun Monte Carlo Sampling secara lebih tegas berarti teknik memilih angka

secara acak dari distribusi probabilitas untuk menjalankan simulasi. Dasar dari

simulasi Monte Carlo adalah percobaan elemen kemungkinan dengan

menggunakan sampel random (acak). Metode ini terbagi dalam 5 tahapan:

1. Membuat distribusi kemungkinan untuk variabel penting

2. Membangun distribusi kemungkinan kumulatif untuk tiaptiap variabel di tahap

pertama

3. Menentukan interval angka random untuk tiap variabel

4. Membuat angka random

5. Membuat simulasi dari rangkaian percobaan

Penjelasan dari ke 5 tahapan tersebut adalah sebagai berikut:

1. Membuat Distribusi Kemungkinan untuk Variabel Penting

Gagasan dasar dari simulasi monte carlo adalah membuat nilai dari tiap

variabel yang merupakan bagian dari model yang dipelajari. Banyak variabel di

dunia nyata yang secara alami mempunyai berbagai kemungkinan yang mungkin

ingin kita simulasikan.

Salah satu cara umum untuk membuat distribusi kemungkinan untuk suatu

variabel adalah memperhitungkan hasil di masa lalu. Kemungkinan atau frekuensi

relative untuk tiap kemungkinan hasil dari tiap variabel ditentukan dengan

membagi frekuensi observasi dengan jumlah total observasi

Contoh: Permintaan akan Shinpo Container Box 52L pada LotteMart

Indonesia Cabang Ratu Plaza selama 200 hari kebelakang terlihat di tabel berikut:

Tabel 1
 Kita dapat merubah keadaan tersebut diatas menjadi distribusi kemungkinan (bila

kita asumsikan tingkat penjuala dimasa lalu akan tetap bertahan sampai ke masa

depan) dengan membagi tiap permintaan dengan total permintaan. Seperti pada

tabel berikut:

Tabel 2.

2. Membangun Distribusi Kemungkinan Kumulatif untuk TiapTiap Variabel

di Tahap Pertama

Konversi dari distribusi kemungkinan biasa, seperti pada kolom kanan tabel 2

menjadi distribusi kumulatif dilakukan dengan menjumlahkan tiap angka

kemungkinan dengan jumlah sebelumnya seperti pada tabel 3.

Tabel 3.
 Probabilitas kumulatif terlihat pada gambar dibawah, digunakan pada tahap ke 3

untuk membantu menempatkan nilai random

3. Menentukan Interval Angka Random untuk Tiap Variabl

Setelah kita menentukan probabilitas kumulatif untuk tiap variabel yan termasuk

dalam simulasi, kita harus menentukan batas angka yang mewakili tiap

kemungkinan hasil. hal tersebut ditujukan pada interval angka random. Penentuan

interval didasari oleh kemungkinan kumulatif

Tabel 4.

Interval Angka Random

4. Membuat Angka Random

Untuk membuat angka random kita bisa menggunakan software Microsoft Excel

dengan menggunakan perintah Randbetween, misal untuk angka random dari

1 100, kita tuliskan perintah: =randbetween(1,100) dan diulangi sejumlah baris

yang diperlukan

5. Membuat Simulasi dari Rangkaian Percobaan

Kita bisa membuat simulasi dari sebuah eksperimen dengan mengambil angka

random dari gambar diatas, misal kita akan membuat simulasi untuk 10 hari, kita
 ambil Kolom A1 A10. Cara penentuan permintaan adalah dengan ditentukan oleh

angka random. Contohnya bila angka random adalah 56, angka itu terletak pada

interval 36 s/d 65 yang berarti permintaan 3 buah ban.

Tabel 5.

Total permintaan untuk 10 hari adalah 28 ban, ratarata permintaan per hari adalah

2,8 ban

Ada beberapa dasar-dasar dalam teori simulasi metode Monte Carlo diantaranya :

a. Variable Random

b. Distribusi Biominal

c. Distribusi Normal

d. Distribusi Normal Multivarirat

e. Fungsi Lagrange

f. Uji Lilliefors untuk Kenormalan

g. Matriks
h. Pembangkit Bilangan Random

Metode Simulasi Monte Carlo adalah suatu metode untuk mengevaluasi

suatu model deterministik yang melibatkan bilangan acak sebagai salah satu input.

Metode ini sering digunakan jika model yang digunakan cukup kompleks, non

linear atau melibatkan lebih dari sepasang parameter tidak pasti. Sebuah simulasi

Monte Carlo dapat melibatkan 10.000 evaluasi atas sebuah model, suatu pekerjaan

di masa lalu hanya bisa dikerjakan oleh sebuah software komputer. Suatu model

memerlukan parameter input dan beberapa persamaan yang digunakan untuk

menghasilkan output (atau variabel respon). Dengan menggunakan parameter

input berupa bilangan random, maka dapat mengubah suatu model deterministik

menjadi model stokastik, dimana model deterministik merupakan suatu model

pendekatan yang diketahui dengan pasti sedangkan model stokastik tidak pasti.

Simulasi Monte Carlo adalah metode untuk menganalisa perambatan

ketidakpastian dimana tujuannya adalah untuk menentukan bagaimana variasi

random atau error mempengaruhi sensitivitas, performa atau reliabilitas dari

sistem yang sedang dimodelkan. Simulasi Monte Carlo digolongkan sebagai

metode sampling karena input dibangkitkan secara random dari suatu distribusi

probabilitas untuk proses sampling dari suatu populasi nyata. Oleh karena itu,

suatu model harus memilih suatu distribusi input yang paling mendekati data yang

dimiliki (Rubinstein, 1981)