Anda di halaman 1dari 10

SIMULASI DAN PEMODELAN

JADWAL KULIAH:
Kuliah 1 : 16 Februari
Kuliah 2 : 2 Maret
Kuliah 3 : 9 Maret
Kuliah 4 : 16 Maret
Kuliah 5 : 23 Maret
Kuliah 6 : 30 Maret
Kuliah 7 : 6 April
UTS
Kuliah 8 : 18 Mei
Kuliah 9 : 1 Juni
Kuliah 10: 8 Juni

Kuliah 1 : PENDAHULUAN

Simulasi:
meniru proses riil yang disebut sistem dengan
sebuah model untuk memahami bagaimana sistem
tersebut bekerja.

Simulasi dengan komputer:


model dievaluasi secara numerik, dan data
dikumpulkan untuk mengestimasi karakteristik yang
sebenarnya dari model.

Contoh-contoh area aplikasi simulasi:


 Perancangan dan analisis sistem manufacturing.
Simulasi & Pemodelan 1
 Evaluasi persyaratan hardware dan software untuk
sistem komputer.
 Evaluasi sistem senjata atau taktik militer yang baru.
 Perancangan sistem komunikasi dan message
protocol.
 Perancangan dan pengoperasian fasilitas
transportasi, mis. jalan tol, bandara, rel kereta, atau
pelabuhan.
 Evaluasi perancangan organisasi jasa, mis. rumah
sakit, kantor pos, atau restoran fast food.
 Analisis sistem keuangan atau ekonomi.

Cara-cara mempelajari sistem:

Sistem

Eksperimen Eksperimen
dengan sistem dengan model
yang sebenarnya sistem

Model Model
fisik matematik

Solusi Simulasi
analitik

Mempelajari sistem dengan simulasi:


secara numerik menjalankan model untuk dengan
memberi input dan melihat pengaruhnya terhadap
output.
Simulasi & Pemodelan 2
Klasifikasi simulasi dalam tiga dimensi:

Model Simulasi Statik vs. Dinamik


Model statik: representasi sistem pada waktu
tertentu. Waktu tidak berperan di sini.
Contoh: model Monte Carlo.
Model dinamik: merepresentasikan sistem dalam
perubahannya terhadap waktu.
Contoh: sistem conveyor di pabrik.

Model Simulasi Deterministik vs. Stokastik


Model deterministik: tidak memiliki komponen
probabilistik (random).
Model stokastik: memiliki komponen input random,
dan menghasilkan output yang random pula.

Model Simulasi Kontinu vs. Diskrit


Model kontinu: status berubah secara kontinu
terhadap waktu, mis. gerakan pesawat terbang.
Model diskrit: status berubah secara instan pada
titik-titik waktu yang terpisah, mis. jumlah customer
di bank.

Model yang akan dipelajari selanjutnya adalah diskrit,


dinamik, dan stokastik, dan disebut model simulasi
discrete-event.

Simulasi discrete-event:
pemodelan sistem dalam perubahannya terhadap
waktu di mana variabel-variabel status berubah
secara instan pada titik-titik waktu yang terpisah.

Simulasi & Pemodelan 3


Langkah-langkah simulasi:

Formulasikan masalah dan rencana studi

Kumpulkan data dan definisikan model

Valid ?
T
Y
Buat program komputer dan lakukan verifikasi

Lakukan kegiatan percobaan (pilot runs)

Valid ?
T
Y
Rancang Eksperimen

Lakukan kegiatan produksi

Analisis data output

Dokumentasi, presentasi, dan implementasi hasil

Kelebihan simulasi:
 Sebagian besar sistem riil dengan elemen-elemen stokastik
tidak dapat dideskripsikan secara akurat dengan model
matematik yang dievaluasi secara analitik. Dengan demikian
simulasi seringkali merupakan satu-satunya cara.
 Simulasi memungkinkan estimasi kinerja sistem yang ada
dengan beberapa kondisi operasi yang berbeda.

Simulasi & Pemodelan 4


 Rancangan-rancangan sistem alternatif yang dianjurkan
dapat dibandingkan via simulasi untuk mendapatkan yang
terbaik.
 Pada simulasi bisa dipertahankan kontrol yang lebih baik
terhadap kondisi eksperimen.
 Simulasi memungkinkan studi sistem dengan kerangka
waktu lama dalam waktu yang lebih singkat, atau
mempelajari cara kerja rinci dalam waktu yang diperpanjang.

Kekurangan simulasi:
 Setiap langkah percobaan model simulasi stokastik hanya
menghasilkan estimasi dari karakteristik sistem yang
sebenarnya untuk parameter input tertentu. Model analitik
lebih valid.
 Model simulasi seringkali mahal dan makan waktu lama
untuk dikembangkan.
 Output dalam jumlah besar yang dihasilkan dari simulasi
biasanya tampak meyakinkan, padahal belum tentu modelnya
valid.

Fitur-fitur software simulasi yang dibutuhkan:


 Membangkitkan bilangan random dari distribusi probabilitas
U(0,1).
 Membangkitkan nilai-nilai random dari distribusi
probabilitas tertentu, mis. eksponensial.
 Memajukan waktu simulasi.
 Menentukan event berikutnya dari daftar event dan
memberikan kontrol ke blok kode yang benar.
 Menambah atau menghapus record pada list.
 Mengumpulkan dan menganalisa data.
 Melaporkan hasil.
 Mendeteksi kondisi error.

PROBABILITAS

Simulasi & Pemodelan 5


RUANG SAMPEL DAN PERISTIWA (SAMPLE
SPACE & EVENT)

Eksperimen: proses observasi yang memiliki hasi yang


tidak pasti.
Event: hasil eksperimen yang mungkin atau mungkin
tidak terjadi.
Probabilitas suatu event: bilangan yang merupakan
ukuran kesempatan, atau kecenderungan event tersebut
akan terjadi jika eskperimen dilakukan.

Properti Probabilitas P(A)


1. Lebih besar atau sama dengan nol dan lebih kecil atau
sama dengan satu.
2. Jika event A tidak pernah terjadi, maka P(A) sama
dengan nol - yaitu, P(A) = 0.
3. Jika event A pasti terjadi, maka P(A) sama dengan satu
- yaitu, P(A) = 1.

Ruang sampel suatu eksperimen adalah himpunan semua


hasil yang mungkin dari eksperimen tersebut. Setiap
hasil yang berbeda disebut hasil ruang sampel (atau titik
sampel, atau event elementer).

Contoh 1:
Suatu perusahaan akan memilih Chief Executive Officer
(CEO) yang baru dari empat kandidat: Adams, Duncan,
Hill, dan Rankin. Dengan demikian, ruang sampel terdiri
dari empat hasil yang mungkin:
A  Adams terpilih sebagai CEO
D  Duncan terpilih sebagai CEO
H  Hill terpilih sebagai CEO
R  Rankin terpilih sebagai CEO

Simulasi & Pemodelan 6


Misalkan analis industri menilai bahwa kemungkinan
Adams, Duncan, Hill, dan Rankin terpilih secara
berturut-turut adalah 0.1, 0.2, 0.5, dan 0.2 berturut-turut.
Maka, dalam notasi probabilitas:
P(A) = 0.1 P(D) = 0.2 P(H) = 0.5 P(R) = 0.2

Contoh 2:
Sepasang mempelai merencanakan memiliki dua anak.
Jika kemungkinan laki-laki dan perempuan sama
besarnya, maka didapat diagram:
L LL

Laki-laki (L)
P LP

L PL

Perempuan (P)
P PP
Anak pertama Anak kedua Hasil ruang sampel

P(LL) = P(LP) = P(PL) = P(PP) = 1/4


Jumlah probabilitas semua hasil ruang sampel selalu
sama dengan 1.

Probabilitas suatu event adalah jumlah probabilitas


hasil ruang sampel yang membentuk event tersebut.
Misalkan, dari Contoh 1, Adams dan Hill adalah
kandidat internal, sedangkan Duncan dan Rankin bukan.
Jika I adalah event di mana terpilih seorang kandidat
internal, maka probabilitas I adalah:
P(I) = P(A) + P(H) = 0.1 + 0.5 = 0.6

Simulasi & Pemodelan 7


Jika semua hasil ruang sampel sama mungkinnya,
probabilitas terjadinya suatu event adalah rasio
Jumlah hasil ruang sampel yang membentuk event tsb
Jumlah total hasil ruang sampel

Aturan-aturan dasar probabilitas

Irisan dan Gabungan (intersection & union) dari dua


event)
Jika ada dua event A dan B
Irisan A dan B adalah event yang terdiri dari hasil ruang
sampel yang termasuk A dan B keduanya.
Irisan dilambangkan dengan A  B.
P(A  B) menyatakan probabilitas bahwa baik A maupun
B akan terjadi secara simultan.

Gabungan A dan B adalah event yang terdiri dari hasil


ruang sampel yang termasuk A atau B.
Irisan dilambangkan dengan A  B.
P(A  B) menyatakan probabilitas bahwa A atau B akan
terjadi.

Aturan Penjumlahan
Jika ada dua event A dan B, maka probabilitas A atau B
akan terjadi adalah
P(A  B) = P(A) + P(B) - P(A  B)

Mutually Exclusive Event (event yang saling


eksklusif)
Dua event A dan B adalah mutually exclusive jika tidak
memiliki hasil ruang sampel yang sama. Pada kasus ini,
event A dan B tidak dapat terjadi secara simultan, dengan
demikian
P(A  B) = 0
Simulasi & Pemodelan 8
Aturan Penjumlahan untuk Dua Mutually Exclusive
Event
Jika A dan B adalah mutually exclusive event, maka
probabilitas A atau B akan terjadi adalah
P(A  B) = P(A) + P(B)

Aturan Penjumlahan untuk N Mutually Exclusive


Event
Jika A1, A2, ..., AN adalah mutually exclusive event,
maka
P(A1  A2  ...  AN) = P(A1) + P(A2) + ... + P(AN)

Komplemen suatu event


Komplemen event A adalah event yang terdiri dari semua
hasil ruang sampel yang tidak berhubungan dengan
terjadinya A. Komplemen A dilambangkan dengan A.

Aturan Komplemen
Probabilitas event A tidak akan terjadi adalah
P(A) = 1 - P(A)

PROBABILITAS BERSYARAT DAN


INDEPENDENSI

Probabilitas event A, dengan syarat event B telah terjadi,


dinyatakan dengan P(A|B) - disebutkan sebagai
“probabilitas A jika ada B”. Kita sering menyebut
probabilitas ini sebagai probabilitas bersyarat A jika ada
B.

Simulasi & Pemodelan 9


Probabilitas bersyarat bahwa A akan terjadi jika B terjadi,
didefinisikan
P(A  B)
P(A|B) = --------------
P(B)
Di sini diasumsikan bahwa P(B) lebih besar dari nol.

Probabilitas bersyarat bahwa B akan terjadi jika A terjadi,


didefinisikan
P(A  B)
P(B|A) = --------------
P(A)
Di sini diasumsikan bahwa P(A) lebih besar dari nol.

Aturan Perkalian Umum - Dua cara untuk


menghitung P(A  B)
P(A  B) = P(A)P(B|A)
= P(B)P(A|B)

Independent Events
Dua event A dan B independen jika dan hanya jika
1. P(A|B) = P(A) atau, secara ekivalen
2. P(B|A) = P(B)

Aturan Perkalian untuk dua independent events


P(A  B) = P(A)P(B)

Aturan Perkalian untuk N independent events


Event A1, A2, ..., AN independen jika tidak ada dari
event-event ini yang berhubungan satu sama lain, maka
P(A1  A2  ...  AN) = P(A1)P(A2)...P(AN)

Simulasi & Pemodelan 10