NAME : SUPRIADI
NIM : 170403091
CLASS : C
INDUSTRIAL ENGINEERING
UNIVERSITY OF NORTH SUMATRA
1. Randomness ( Bilangan Acak )
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:
Beberapa nomor acak yang diambil harus memiliki kesempatan yang dimilikinya.
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.
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.
Dengan
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.
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
Variabel yang nilainya ditentukan oleh hasil sebuah eksperimen. Yaitu, variabel acak
merepresentasikan hasil yang tidak pasti.
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.
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
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
3. Ganti b = bUi+1
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
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
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
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
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
= 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