RANDOMNESS

NAME : SUPRIADI

NIM : 170403091

CLASS : C

INDUSTRIAL ENGINEERING
UNIVERSITY OF NORTH SUMATRA
1. Randomness ( Bilangan Acak )

Randomness adalah kurangnya pola atau prediktabilitas dalam kejadian. Urutan

peristiwa, simbol, atau langkah acak tidak memiliki keteraturan dan tidak mengikuti pola atau
kombinasi yang dapat dipahami. Kejadian acak individu dapat diprediksi, namun dalam
banyak kasus frekuensi hasil yang berbeda selama sejumlah besar kejadian (atau "uji coba")
dapat diprediksi. Bidang matematika, probabilitas, dan statistik menggunakan definisi formal
keacakan. Dalam statistik, variabel acak adalah penugasan nilai numerik untuk setiap
kemungkinan hasil suatu ruang acara. Asosiasi ini memfasilitasi identifikasi dan perhitungan
probabilitas kejadian. Variabel acak bisa muncul dalam urutan acak. Proses acak adalah
urutan variabel acak yang hasilnya tidak mengikuti pola deterministik, namun mengikuti
evolusi yang digambarkan oleh distribusi probabilitas. Konstruksi ini dan konstruksi lainnya
berguna dalam keacakan.

Keacakan paling sering digunakan dalam statistik untuk menandakan properti statistik
yang terdefinisi dengan baik. Metode Monte Carlo, yang mengandalkan input acak (seperti
dari generator bilangan acak atau generator bilangan pseudorandom), adalah teknik penting
dalam sains, seperti, misalnya, dalam ilmu komputasi. Dengan analogi, metode quasi-Monte
Carlo menggunakan generator bilangan quasirandom. Randomness adalah nomor yang
sewenang-wenang namun tidak sewenang-wenang. Kriteria yang harus dipenuhi, yaitu:

● Bilangan acak harus memiliki distribusi yang sama (seragam).

Beberapa nomor acak yang diambil harus memiliki kesempatan yang dimilikinya.

● Setiap bilangan acak tidak saling bergantung atau independen.

Bilangan acak ini dilambangkan dengan U, dan nilainya adalah 0 sampai 1, kemudian
dinyatakan dalam U (0,1). Berbagai cara untuk mendapatkan nomor acak, baik dengan nomor
tabel acak, komputer ( misal dengan Ms. Excel ) atau menggunakan metode bilangan acak.

Sifat – Sifat Bilangan Acak

1. Independen, tiap variabelnya harus bebas dari ketentuan

2. Uniform, suatu distribusi yang umum ( distribusi probabilitas) dan sama untuk semua
besaran yang dikeluarkan/diambil. Hal ini berarti bahwa diusahakan probabilitasnya sama
untuk setiap penarikan random number tersebut.

3. Dense, Density Probabilitas Distribution harus mengikuti syarat probabilitas (antara 0 dan
1). Hal ini berarti dalam penarikan angka-angka yang dibutuhkan dari Random Number
Genrator cukup untuk banyak dan dibuat sedemikian rupa sehingga 0 ≤ R, N ≤ 1.

4. Efficient, artinya dapat cukup Sederhana dan dalam menggunakan cara ini harus terlebih
dahulu memilih angka-angka untuk variabel-variabel yang cocok. Hal ini berarti dalam
penarikan random number tersebut harus dapat menentukan angka-angka untuk variabel yang
sesuai sehingga dapat berjalan terus-menerus.

2. Metode - Metode Bilangan Acak

2.1 Metode Kongruen Campuran

Rumus : Zi = ( aZi-1 + c ) mod m

Dengan

a : Konstanta pengali ( a < m )

c : Konstanta pergeseran ( c < m )

m : Konstanta modulus ( > 0 )

Z0 : Bilangan awal ( bilangan bulat ≥ 0 , Z0 < m )

Ui : Bilangan acak ke i dan Ui(0,1) = Zi / m

Metode Kongruen ini adalah algoritma paling terkenal dan paling banyak digunakan
untuk menghasilkan bilangan acak. Keuntungan praktis mereka adalah kecepatan,
kemudahan implementasi, dan ketersediaan kode portabel, parameter dan hasil tes.
Contoh

Carilah 17 bilangan random (acak) mengunakan metode Kongruen Campuran, dengan nilai
awal Z0 = 7, a = 5, c = 3, m = 16. Gunakan tingkat ketelitian 4 digit di belakang koma.

Hasil

Kita lihat pada tabel , U17 mempunyai nilai yang sama dengan U1. Jika kita
menginginkan bilangan random (acak) dalam jumlah yang banyak, maka nilai m hendaknya
sebesar 2b dengan b adalah jumlah bit pada komputer yang akan digunakan.

2.2 Metode Multiplikatif

Rumus : Zi = ( aZi-1 ) mod m

Dengan

a : Konstanta pengali

m : Konstanta modulus

Z0 : Bilangan awal
 Ui : Bilangan acak ke i dan Ui (0,1) = Zi / m

Contoh

Carilah 9 bilangan random (acak) mengunakan Metode Multiplikatif, dengan nilai awal
Z0 = 12357, a = 19, m = 128. Gunakan tingkat ketelitian 4 digit di belakang koma.

Hasil

3. Variabel Acak dan Fungsi Distribusi Probabilitas

3.1 Variabel acak ( Random variable )

Variabel yang nilainya ditentukan oleh hasil sebuah eksperimen. Yaitu, variabel acak
merepresentasikan hasil yang tidak pasti.

Variabel Acak Diskrit

Variabel acak yang nilainya dapat dicacah (dihitung). Contoh :

- Jumlah pembeli yang memasuki sebuah toko.

- Jumlah televisi yang terjual pada periode tertentu.

Variabel Acak Kontinue

Variabel acak yang nilainya tidak dapat dicacah. Contoh :

- Perpanjangan pegas jika ditarik.

- Berat segenggam strawberry.

Bilangan acak yang akan dipergunakan dalam simulasi, harus mempunyai pola yang
sama dengan pola data pengamatan. Dikarenakan hal diatas, maka dari bilangan acak yang
didapat harus dibangkitkan bilangan acak yang sesuai pola distribusi.

3.2 Distribusi Diskrit

A. Distribusi Prob Uniform Diskrit

Algoritma

1. Bangkitkan U (0,1)

2. Dapatkan X = a + ( b – a + 1 ) * U

Contoh

Sebuah perusahaan bakery membuat suatu kelompok jenis donat yang dijual ke toko-toko
dengan distribusi diskrit uniform dengan kebutuhan harian maksimum 100 unit dan minimum
40 unit. Tentukan bilangan acak dari distribusi diskrit uniform dengan a = 77 z0 = 12357 dan
m = 128
Hasil

Bangkitkan U dengan metode multiplikatif

Iterasi a m Zi Zi+1 U X
0 77 128 12357 1 40.48 40
1 77 128 1 77 76.70 77
2 77 128 77 41 59.54 60
3 77 128 41 85 80.51 81
4 77 128 85 17 48.10 48
5 77 128 17 29 53.82 54
6 77 128 29 57 67.16 67
7 77 128 57 37 57.63 58
8 77 128 37 33 55.73 56
9 77 128 33 109 91.95 92

B. Distribusi Poisson

Algoritma

1. Hitung a = 𝒆−𝝀  , b = 1 dan i = 0

2. Bangkitkan Ui+1 = U (0,1)

3. Ganti b = bUi+1

4. Jika b < a maka dapatkan X = i dan jika tidak lanjutkan ke langkah 5

5. Ganti i = i + 1, kembali ke langkah 2

Contoh

Suatu kejadian berdistribusi poisson dengan rata-rata 3 kejadian perjam dan terjadi selama
periode waktu 1,4 jam. Tentukan bilangan acak dari distribusi poisson dengan a = 17 Z0 =
12357 dan m = 1237 (  = 3 )
Hasil

Bangkitkan U dengan metode multiplikatif

n U a b i X
0.0498 1.0000 0
1 0.8213 0.0498 0.8213 1
2 0.3678 0.0498 0.3021 2
3 0.2530 0.0498 0.0764 3
4 0.3015 0.0498 0.0231 3.00
0.0498 1.0000 0
5 0.1261 0.0498 0.1261 1
6 0.1439 0.0498 0.0181 1.00
0.0498 1.0000 0
7 0.4462 0.0498 0.4462 1
8 0.5861 0.0498 0.2615 2
9 0.9636 0.0498 0.2520 3
10 0.3816 0.0498 0.0962 4
11 0.4867 0.0498 0.0468 4.00
0.0498 1.0000 0
12 0.2732 0.0498 0.2732 1
13 0.6451 0.0498 0.1763 2
14 0.9669 0.0498 0.1704 3
15 0.4365 0.0498 0.0744 4
16 0.4212 0.0498 0.0313 4.00
0.0498 1.0000 0
17 0.1601 0.0498 0.1601 1
18 0.7211 0.0498 0.1154 2
19 0.2587 0.0498 0.0299 3 3.00
3.3 Distribusi Kontinue

A. Distribusi Probabilitas Uniform Kontinue

Algoritma

1. Bangkitkan U (0,1)

2. Dapatkan X = a + ( b – a ) * U

Contoh

Pada suatu sentra telpon ternyata distribusi pelayanan telponnya berdistribusi uniform
kontinu dengan minimal waktu 3 menit dan maksimal 5 menit. Tentukan bilangan dengan a =
173 Z0 = 12357 dan m = 1237.

Hasil

Bangkitkan U dengan metode multiplikatif

i a m Zi Zi+1 U X
0 173 1237 12357 225 0.1819 3.3638
1 173 1237 225 578 0.4673 3.9345
2 173 1237 578 1034 0.8359 4.6718
3 173 1237 1034 754 0.6095 4.2191
4 173 1237 754 557 0.4503 3.9006

B. Distribusi Gamma

Algoritma

1. Bangkitkan U1 dan U2

2. X = -  ln ( U1 * U2 ) di mana  adalah parameter

Contoh

Mesin pada suatu pabrik perlu diperbaiki setiap saat ‘breakdown’ dengan biaya $100/hari.
Jika lama perbaikan mesin berdistribusi gamma dengan parameter  = 2 dan  = 1/3,
tentukan rata-rata biaya untuk 30 kali ‘breakdown’, jika diketahui mesin breakdown ke 29
kali mengalami lama perbaikan selama 0.38 hari dengan rata-rata lama perbaikan 0.68 hari
dengan variansi S2 = 0.02 .

Jawab

U1 = 0.818

U2 = 0.322

X30 = - ln (U1 * U2)

= - 1/3 ln (0.818 * 0.322)

= 0.445 hari

 Biaya untuk memperbaiki mesin yg breakdown ke 30 kali adalah $100 x 0.445 hari =
$ 44.5

𝐗30 − 𝐗29
Rata – rata ke 30 kali = X30 = X29 +
30

0.445 – 0.38
= 0.68 +
30

= 0.68 + 0.0022

= 0.6822
 REFERENCES

https://en.wikipedia.org/wiki/Randomness

http://winda-dwi-fst12.web.unair.ac.id/artikel_detail-138376-Fisika%20Komputasi-
RANDOM%20.html

sugiartha.staff.gunadarma.ac.id/Downloads/.../Bilangan+Acak.pdf