Anda di halaman 1dari 8

AGYL TRI PRAMESTI

155060701111076
Resume book of HarrellGhoshBowden: Simulation Using ProModel,
Second Edition
CHAPTER 9 : Simulation Output Analysis

Pada chapter ini mengulas tentang perbedaan antara terminating dan nonterminating simulasi
dengan menggunakan ProModel yang dibahas di laboratorium. Selain itu pada bab ini juga
menggambarkan bagaimana Perangkat lunak dapat digunakan untuk membantu menentukan
apakah pengamatan oleh ProModel untuk simulasi adalah independen dan terdistribusi secara
normal.

9.1 Terminating vs Nonterminating Simulations


Simulasi terminating memiliki kondisi awal yang tetap dan kondisi akhir yang tetap
(titik penghentian). Contoh sebuah studi kasus : model simulasi pada sebuah toko yang terbuka
di 9:00 PAGI, dimulai dengan kondisi awal tidak ada pelanggan dalam sistem lalu berakhir
setelah tutup toko jam 7:00 malam dan pelanggan terakhir diproses. Banyak sistem berorientasi
layanan (bank, kantor dokter, kantor pos, sekolah, hiburan taman, restoran, dan toserba)
dianalisis dengan penghentian simulasi. Sistem kembali ke kondisi awal yang tetap setelah
mencapai akhir dari proses.
Simulasi nonterminating tidak memiliki kondisi awal yang tetap. kondisi akhir pada
simulasi ini tidak bisa berjalan tanpa batas, jadi mengakhirinya setelah outputnya dapat
mencerminkan perilaku rata-rata sistem jangka panjang. Rumah sakit atau pom bensin 24 jam
dapat dianalisis dengan simulasi nonterminating tergantung pada tujuan penelitian.
Ketika membuat report dari respon model simulasi ini berdasarkan output dari simulasi
terminating atau simulasi nonterminating, penting untuk menggunakan interval perkiraan
daripada perkiraan titik sederhana dari parameter yang diukur. Keuntungan dari estimasi selang
adalah bahwa ia menyediakan ukuran variabilitas dalam output yang dihasilkan oleh simulasi.
Interval perkiraan atau interval kepercayaan memberikan kisaran nilai sekitar estimasi titik
yang telah ditentukan dan kemungkinan mengandung nilai parameter tapi tidak diketahui
nilainya. Untuk tingkat kepercayaan tertentu, interval kepercayaan yang lebih kecil dianggap
lebih baik daripada yang lebih besar. Demikian pula, untuk interval kepercayaan tertentu,
tingkat kepercayaan yang lebih tinggi menunjukkan perkiraan yang lebih baik. Untuk
membangun interval kepercayaan, pengamatan yang dihasilkan oleh replikasi harus
independen dan terdistribusi secara identik. Selanjutnya, pengamatan harus didistribusikan
secara normal saat menggunakan distribusi Student's t untuk menghitung interval kepercayaan.
9.2 Terminating Simulations
Studi Kasus :
Spuds-n-More oleh Seashore adalah resort favorit di antara wisatawan di tepi laut.
Spuds-n-More, restoran makanan cepat saji takeout, mengkhususkan diri pada makanan
kentang, menyajikan berbagai jenis kentang goreng, kentang goreng wafel, dan kayu kentang

1
bersama hamburger dan minuman. Pelanggan yang berjalan di sepanjang boardwalk
mengakses restoran melalui satu jendela pemesanan tunggal, tempat mereka memesan,
membayar, dan menerima makanan mereka. Tidak ada tempat duduk di restoran. Waktu
interarrival pelanggan ke Spuds-n-More didistribusikan secara eksponensial dengan rata-rata
enam menit. Area tunggu di depan jendela walkup hanya bisa menampung lima pelanggan.
Jika ruang tunggu sudah terisi penuh saat pelanggan tiba,Taylor menutup pintu masuk ke ruang
tunggu di depan restorannya setelah delapan jam operasi. Namun, setiap pelanggan yang sudah
berada di area tunggu pada saat penutupan dilayani sebelum dapur dimatikan untuk hari itu.
Waktu kegiatan diberikan pada Tabel L9.1.

`Mr. Taylor sedang berpikir untuk memperluas ke tempat surat kabar kecil di samping
Spuds-n-More yang telah ditinggalkan. Ini akan memungkinkan dia menambahkan jendela
kedua untuk melayani pelanggannya. Jendela pertama akan digunakan untuk menerima
pesanan dan mengumpulkan pembayaran, dan jendela kedua akan digunakan untuk mengisi
pesanan. Sebelum berinvestasi di ruang baru, Mr. Taylor perlu meyakinkan pemegang saham
utama Spuds-n-More, Pritchard Enterprises, bahwa investasi tersebut akan memungkinkan
restoran tersebut melayani lebih banyak pelanggan per hari. Langkah pertama adalah
membangun model baseline (as-is) dari konfigurasi restoran saat ini dan kemudian
memperindah model dengan jendela baru dan mengukur pengaruhnya terhadap jumlah
pelanggan yang diolah per hari. Mr Taylor tertarik untuk melihat interval kepercayaan 90
persen untuk jumlah pelanggan yang diproses per hari dalam simulasi baseline.
9.2.1 Starting and Terminating Conditions (Run Length)
Membangun model baseline restoran as-is dan melakukan simulasi penghentian untuk
memperkirakan jumlah pelanggan yang diharapkan yang dilayani setiap hari. Kondisi awal
untuk simulasi adalah bahwa sistem dimulai pada pagi hari yang kosong dari pelanggan dengan
pelanggan pertama yang tiba pada waktu nol. Pelanggan masuk ke antrian restoran selama
delapan jam operasi. Simulasi berakhir setelah mencapai delapan jam dan setelah mengolah
pelanggan terakhir masuk ke antrian. Tata letak model simulasi ditunjukkan pada Gambar L9.1,
dan hasil cetakan model diberikan pada Gambar L9.2. Perhatikan bahwa panjang lokasi
Order_Q adalah 25 kaki dan kecepatan perjalanan entitas Pelanggan adalah 150 kaki per menit.
Nilai ini mempengaruhi waktu perjalanan entitas dalam antrian (waktu bagi pelanggan untuk
berjalan sampai akhir antrian).
Daftar model pada Gambar L9.2 adalah kriteria penghentian yang diimplementasikan.
Lokasi Masuk berfungsi sebagai gerbang untuk memungkinkan pelanggan ke dalam antrian
sampai waktu simulasi jam mencapai delapan jam. Entitas tiba setelah jam simulasi mencapai
delapan jam yang berpaling (diarahkan untuk Keluar) oleh Kondisi aturan routing yang
Pengguna ( JIKA jam (jam)> 8) di lokasi Entri. Entitas tiba dalam waktu delapan jam yang

2
diarahkan ke lokasi Order_Q (lihat routing yang Kondisi aturan Pengguna JIKA jam (jam) <=
8). Dua variabel global dideklarasikan untuk menghitung jumlah entitas tiba di lokasi Order_Q
dan jumlah entitas yang diproses di lokasi Order_Clerk. Lihat pernyataan inc Kedatangan di
lokasi Order_Q dan pernyataan inc diproses di lokasi Order_Clerk. Itu inc Pernyataan
increment nilai variabel per satu setiap kali dijalankan. Sebagai entitas yang tiba setelah
delapan jam waktu simulasi berpaling untuk Keluar, jumlah entitas diproses oleh Order_Clerk
dibandingkan dengan jumlah entitas diizinkan masuk ke Order_Q (lihat Pindah Logic). Jika
Diproses = Pendatang, maka semua entitas yang diizinkan masuk ke Order_Q telah diproses
dan simulasi diakhiri oleh Berhenti pernyataan. Perhatikan bahwa kapasitas gabungan dari
lokasi Entri dan Order_Q adalah lima dalam rangka untuk memenuhi persyaratan bahwa ruang
tunggu di depan restoran menampung hingga lima pelanggan.

9.2.2 Replications
Jalankan simulasi untuk lima ulangan untuk mencatat jumlah pelanggan yang dilayani
setiap hari selama lima hari berturut-turut. Gambar L9.4 mengilustrasikan pilihan simulasi
yang ditetapkan untuk menjalankan lima ulangan simulasi. Perhatikan bahwa tidak ada jam
kerja yang ditentukan. Paa hasil output juga terdapat tombol untuk menentukan bahwa Anda
ingin laporan yang mencakup mean sampel (rata-rata), standar deviasi sampel, dan 90 persenn
interval kepercayaan dari lima pengamatan dikumpulkan melalui lima ulangan. Setelah
ProModel menjalankan lima ulangan, ini akan menampilkan pesan yang menanyakan apakah
Anda ingin melihat hasil. Rata-rata jumlah pelanggan yang diproses adalah sebagai x = 62,20,
Sampel penyimpangan s = 3,27 pelanggan per hari, Bagian paling berharga dari informasi
adalah 90 persen tingkat interval kepercayaan yang dihitung dengan menggunakan ProModel.
Dengan sekitar 90 persen tingkat interval confidence yang benar, tetapi tidak diketahui rata
jumlah pelanggan diproses per hari jatuh antara 59,08 dan 65,32 pelanggan. Hasil ini
meyakinkan Taylor bahwa model adalah representasi yang sah dari restoran sebenarnya, tapi
dia ingin mendapatkan perkiraan yang lebih baik dari jumlah pelanggan yang dilayani per hari.
9.2.3 Required Number of Replications
Berapa banyak replikasi tambahan yang dibutuhkan jika Mr Taylor menginginkan
interval kepercayaan pelanggan 2.0?

Nilai 7.23 dengan tepat dibulatkan hingga 8 ulangan. Itu n '= 8 menyediakan perkiraan
kasar dari jumlah ulangan yang diperlukan untuk mencapai jumlah kesalahan yang diminta e
= 2.0 pelanggan di 0.10 tingkat signifikansi dan menghasilkan rata-rata sampel 61,50
pelanggan dan 90 persen interval confidence sebesar 58,99-64,00 pelanggan. Meskipun

3
interval confidence 2,51 pelanggan lebih besar dari nilai target dari 2,0 pelanggan, itu lebih
kecil dari setengah lebar interval confidence berdasarkan lima ulangan.
9.2.4 Simulation Output Assumptions
Setelah 100 observasi yang disisipkan lalu kemudian ditampilkan pada histogram dari
data. Berdasarkan histogram, pengamatan muncul agak terdistribusi normal (Gambar L9.9).
Selanjutnya, Stat :: Fit memperkirakan bahwa distribusi normal dengan mean = 59,30 dan
standar deviasi = 4.08. Oleh karena itu. analisis Fit dari 100 observasi dari jumlah pelanggan
yang diproses per hari Spuds-n-More. penuh. Taylor berpikir bahwa rencana ekspansi yang
diusulkan itu akan memungkinkan dia untuk menangkap beberapa pelanggan saat ini ia sedang
kehilangan. Dalam Lab Bab 10, kita akan menambahkan hiasan dengan model simulasi
sebagai-adalah untuk kembali rencana ekspansi mencerminkan Taylor untuk melihat apakah
dia benar.

9.3 Nonterminating Simulation


Ketika simulasi baru saja dimulai berjalan, keadaan (jumlah pelanggan dalam sistem
misalnya) akan sangat dipengaruhi oleh keadaan awal dari simulasi dan waktu. Dalam hal ini,
simulasi dikatakan dalam kondisi transien. Namun, setelah waktu telah berlalu, keadaan
simulasi menjadi dasarnya independen dari keadaan awal dan waktu yang telah berlalu. Ketika
ini terjadi, simulasi telah mencapai kondisi steady state. Meskipun output simulasi ini akan
terus menjadi acak, distribusi statistik dari output simulasi tidak berubah setelah simulasi
mencapai steady state.
Studi Kasus :
Model Asimulation dari Mesin Hijau Manufacturing Company (GMMC) dimiliki dan
dioperasikan oleh Mr Robert Vaughn ditunjukkan pada Gambar L9.10. Waktu antar

4
kedatangan dari pekerjaan ke GMMC konstan pada 1,175 menit. Pekerjaan memerlukan
pengolahan oleh masing-masing empat mesin. Pengolahan waktu untuk pekerjaan di setiap
mesin hijau diberikan pada Tabel L9.2.

Tugasnya adalah untuk melakukan simulasi nonterminating untuk memperkirakan


jumlah waktu rata-rata dari kerja-in-proses (WIP) persediaan (jumlah SteadyState diharapkan
dari pekerjaan dalam sistem).
9.3.1 Warm-up Time and Run Length
Dalam kebanyakan model simulasi nonterminating, kualitas hasil substansial
meningkatkan jika kita membuang output yang dihasilkan selama fase pemanasan simulasi.
Pada pengamatan selama fase transien dari pertama 100 jam simulasi diduga menjadi artifisial
rendah. Dengan demikian, kita tidak ingin mereka bias perkiraan kami dari persediaan WIP
waktu rata-rata. Oleh karena itu, dalam jangka berikutnya kami simulasi GMMC, kita
menentukan waktu pemanasan dari 100 jam. Output dibuang tidak akan lagi mempengaruhi
pengamatan dilaporkan dalam output simulasi. Proses ini dapat ditingkatkan secara substansial
dengan menjalankan beberapa ulangan simulasi dan kemudian menggabungkan output time-
series dari setiap replikasi ke dalam time-series plot yang rata-rata. Rata-rata data time-series
dari beberapa ulangan bersama-sama akan membantu fi lter keluar fluktuasi besar (nilai tinggi
dari satu replikasi diimbangi dengan nilai-nilai kecil dari replikasi lain) dan akan memberikan
perkiraan yang lebih baik dari benar tetapi tidak diketahui keluaran time-series.
Sekarang mari kita mengarahkan perhatian kita untuk menjawab pertanyaan tentang
berapa lama untuk menjalankan model masa lalu waktu pemanasan untuk memperkirakan
statistik kondisi steady state. Dasar pemilihan 100 jam bukan karena yang sama dengan waktu

5
pemanasan tetapi karena akan memungkinkan cukup waktu untuk acara simulasi terjadi ribuan
kali. Bahkan, durasi 100 jam akan memungkinkan sekitar 5.100 pekerjaan untuk diproses per
replikasi, yang akan memberikan kami hasil yang akurat. Bagaimana kita memperoleh
perkiraan 5.100 pekerjaan yang diproses per replikasi? Dengan 1.175 menit waktu antar
pekerjaan ke sistem, 51 pekerjaan tiba per jam (60 menit / 1,175 menit) ke sistem. Menjalankan
simulasi untuk 100 jam harus menghasilkan sekitar 5.100 pekerjaan (100 jam 51 pekerjaan)
keluar sistem. Anda akan ingin memeriksa jumlah total Keluar di bagian Kegiatan Entity dari
laporan output ProModel yang baru saja Anda diproduksi untuk memverifikasi ini.

9.3.2 Replications or Batch Intervals


Kita memiliki pilihan antara menjalankan replikasi atau interval batch untuk
memperkirakan persediaan WIP rata-rata waktu. Replikasi adalah pilihan favorit karena kita
mendapatkan pengamatan independen,lalu kemudian digambarkan bagaimana hal ini
dilakukan ProModel serta spesifikasi 100 jam run time di luar pemanasan. Menjalankan
simulasi untuk 10 ulangan menghasilkan hasilnya Gambar L9.16. Kita kira-kira 90 persen
yakin bahwa itu benar tapi tidak diketahui Berarti persediaan WIP adalah antara 17,64 dan
21,09 pekerjaan.

9.3.3 Required Batch Interval Length


Bagian yang mengkhawatirkan dari metode interval batch adalah apakah interval batch
cukup panjang untuk memperoleh "kira-kira" pengamatan independen. Kata "kira-kira"

6
ditekankan karena kita tahu bahwa pengamatan dalam simulasi berjalan seringkali autokorelasi
(tidak independen). Sebenarnya, mereka sering berkorelasi positif, yang akan membuat bias
penyimpangan standar sampel dari mean batch ke sisi yang rendah. Dan ini akan bias
memperkirakan interval kepercayaan kita ke sisi yang rendah. kami akan memperkirakan
bahwa perkiraan persediaan WIP rata-rata kami lebih baik daripada sebenarnya. Oleh karena
itu, kita harus membantu diri kita sendiri dan menggunakan Stat :: Fit untuk memeriksa
autokorelasi lag-1 pengamatan sebelum kita menafsirkan hasilnya. Untuk mendapatkan
estimasi yang layak dari autokorelasi lag-1, kita memerlukan lebih dari 10 observasi. Bagian
9.6.2 dari Bab 9 menyatakan bahwa setidaknya 100 pengamatan diperlukan untuk
mendapatkan estimasi yang dapat dipercaya dari autokorelasi lag-1. Jadi, mari kita rentangkan
panjang simulasi menjadi 10.000 jam dan menghasilkan laporan keluaran dengan 100
pengamatan persediaan WIP waktu rata-rata.

Gambar L9.20 menggambarkan Stat yang ingin memverifikasi. Lag-1 nilai autokorelasi
adalah nilai pertama diplot di Autokorelasi. Perhatikan bahwa plot dimulai pada lag-1 dan terus
tertinggal-20. Untuk ini berbagai nilai lag, autokorelasi tertinggi adalah 0,192 dan nilai
terendah adalah - 0,132 (lihat korelasi (0,192, - 0,132) di bagian bawah plot). Oleh karena itu,
kita tahu bahwa lag-1 autokorelasi adalah dalam kisaran -0,20-0,20. Yang diperlukan sebelum
melanjutkan ke langkah final yaitu rebatching data ke dalam antara 10 dan 30 batch yang
lebih besar. Kami memiliki cukup data untuk membentuk 10 batch dengan panjang 1000 jam
(10 batch pada 1000 jam setiap sama 10.000 jam simulasi waktu, yang baru saja kita lakukan).
Hasil rebatching data dalam spreadsheet Microsoft Excel ditunjukkan pada Tabel L9.3.

7
Perhatikan bahwa pertama berarti batch 21,037 pada Tabel L9.3 adalah rata-rata first 10 batch
yang berarti bahwa kita awalnya dikumpulkan. Mean batch kedua 19,401 adalah rata-rata dari
10 sarana batch berikutnya dan seterusnya.

Batch Metode Interval membutuhkan banyak pekerjaan untuk mendapatkan hasi; yang
benar. Oleh karena itu, jika waktu untuk mensimulasikan melalui periode pemanasan relatif
pendek, metode ulangan/replikasi harus digunakan. Cadangan metode interval batch untuk
simulasi yang membutuhkan waktu yang sangat lama untuk mencapai steady state.