1) Simulasi sistem diskrit

Simulasi kejadian diskrit mengenai pemodelan sistem adalah sebagai kejadian yang
melampaui waktu yang representatif dimana state (keadaan) variabel berubah seketika dan
terpisah per titik waktu. Dalam istilah matematik disebut sebagai sistem yang dapat berubah
Contoh:
 Sistem ATM
 Pelanggan tiba untuk menggunakan ATM dengan waktu antar-kedatangan 3
menit yang terdistribusi eksponensial
 Antrian memiliki kapasitas untuk menampung pelanggan dalam jumlah tak
terbatas
 ATM memiliki kapasitas satu pelanggan rata rata 2,4 menit terdistribusi
eksponensial untuk menyelesaikan transaksi (waktu jasa/service time di ATM)
 Simulasi mulai pada saat nol
 Simulasikan sistem ATM pada 22 menit pertama operasinya dan estimaskan
waktu tunggu pelangganan dalam antrian

 Level pengurangan bahan plastik

 Level pengurangan bahan plastik pada corong isi mesin cetak injeksi menarik
saklar batas bawah hingga terbuka dan memulai pengisian bahan plastik baru
kedalam corong isi bila level pengisian plastik baru kedalam corong isi
mencapai level tertentu maka saklar batas atas akan ditarik sehingga katup
akan menutup yang mengakibatkan aliran bahan plastik kedalam corong
berhenti
2) Simulasi sitem kontinu
Dalam sistem ini berbeda dengan sistem diskrit,sistem ini merupakan
pemodelan simulasi dimana status dari sistem akan berubah secara terus menerus
karena perubahan waktur
Contoh: Kita sekarang mempertimbangkan model kontinyu pada kompetisi
antara dua populasi. Model biologikal pada tipe ini disebut model predator-mangsa
(atau parasite-host), yang telah dipertimbangkan pengarang, termasuk Braun (1975, p.
583) dan Gordon (1978, p.103). Sebuah lingkungan yang memiliki dua populasi,
predator dan mangsa, yang beriteraksi satu sama lainnya. Mangsa adalah pasif, tetapi
predator tergantung pada mangsa sebagai sumber makanan mereka (contohnya,
predator adalah hiu dan mangsanya adalah ikan-ikan sumber makanan hiu).
Ambillah x(t) dan y(t) masing-masing melambangkan jumlahan individu dalam
populasi mangsa dan pradator di waktu ke-t. Misalkan ada suplai yang luas makanan
untuk mangsa dan, dalam ketidak hadiran predator, yang mana kecepatan
pertumbuhan mereka adalah rx(t) untuk sejumlah r positif. (kita dapat berpikir pada r
sebagai kecepatan lahir secara alami dikurangi kecepatan mati secara alami). Karena
interaksi antara predator dan mangsa adalah masuk akal mengasumsikan bahwa
kecepatan kematian mangsa sungguh tepat untuk berinteraksi adalah proposional
untuk produk dua ukuran populasi, x(t)y(t).
3) Simulasi sitem determinstik
Model yang dipergunakan untuk memecahkan suatu persoalan dalam situasi
pasti atau simulasi yang tidak memiliki variable random dalam inputnya
Contoh:
 Persaingan usaha laundry di sekitar kampus UMS
 Terdapat beberapa kriteria untuk mahasiswa dalam menentukan laundry mana
yang akan dipilihnya.Beberapa kriteria tersebut antara lain:jarak
laundry,pelayanan,dan harga.Langkah pertama adalah memperkirakan
persebaran mahasiswa dalam memilih laundry dengan menggunakan gaya
fisika dimana
4) Simulasi sistem stokastik
Dalam sistem ini berbeda dengan sistem deterministik,sistem ini merupakan
keboleh jadian yang hanya ditentukan distribusi frekuensinya.jadi kejadian ini tidak
dapat di ditentukan fungsinya dengan pasti namun hanya berupa kisaran fungsi yang
nilainya belum dapat ditetapkan (random).
Contoh:
 Jumlah penumpang bus
 Sebagai contoh jumlah penumpang ketika pagi hari, mendekati jam kerja
sangat banyak. Jumlah ini akan berangsur-angsur menurun ketika jam kerja
sudah dimulai dan menjelang jam istirahat. Jumlah penumpang akan kembali
naik ketika jam pulang kerja. Hal ini berlangsung hampir setiap hari, namun
tidak dapat dipastikan fungsi apa yang mendekatinya
 Jumlah pengunjung Grojogan Sewu
 Jumlah pengunjung Grojogan Sewu akan meningkat tajam pada saat liburan
sekolah maupun weekend. Namun setiap harinya juga terdapat pengunjung
yang jumlahnya tidak menentu. Dari jumlah pengunjung ini tidak dapat
ditentukan fungsi yang pasti, namun dapat didekati dengan suatu fungsi
interval yang bentuknya akan meningkat pada saat weekend ataupun liburan.
5) Simulasi sistem statis
Merupakan simulasi model yang menggambarkan suatu sistem atau proses
yang tidak dipengaruhi oleh waktu atau terjadi disaat tertentu saja
Contoh:
 Monte carlo
 Seperti melemparkan dadu ribuan kali untuk memberikan gambaran lengkap
berbagai kemungkinan hasil dari input yang berbeda.Berbagai hasil simulasi
memberikan gambaran tentang kemungkinan hasil keuntungan yang berbeda
pula.sehingga memberikan wacana dan memudahkan perusahaan dalam
penyusunan perkiraan kegiatan usaha. Metode ini memiliki 5 tahap:
1) Membuat distribusi kemungkinan untuk variable penting
2) Membangun distribusi kemungkinan kumulatif untuk tiap tiap variable di
tahap pertama
3) Menentukan interval angka random untuk tiap variable
 4) Membuat angka random
5) Membuat simulasi dari rangkain percobaan
6) Simulasi sitem dinamis
Dalam sistem ini berbeda dengan sistem statis yaitu sistem ini simulasi
mempresentasikan sistem dari waktu ke waktu atau modelnya di pengaruhi oleh waktu
Contoh:
 Pendekatan Sistem Dengan Model CLD (Causal Loop Diagram)
 Model CLD adalah model yang banyak digunakan dalam pemecahan masalah
dengan pendekatan sistem yang mempertimbangkan kompleksitas dinamis
dari sistem atau untuk mendukung pendekatan sistem dinamik. Model CLD
menekankan perhatiannya kepada hubungan sebabakibat antar komponen
sistem yang digambarkan dalam suatu diagram berupa garis lengkung yang
berujung tanda panah yang menghubungkan antara komponen sistem yang
satu dengan lainnya.Ujung panah dibubuhi tanda huruf ”S (+)” yang
menandakan bahwa jika komponen yang mempengaruhi atau sebagai
penyebabnya berubah atau meningkat maka komponen yang dipengaruhinya
akan berubah atau meningkat juga dan tanda huruf ”O (-)” menandakan
akbatnya berlawanan dengan pengertian bila komponen yang mempengaruhi
meningkat maka komponen yang dipengaruhinya menurun .Lingkar umpan-
balik (feedback loop) tersebut menyatakan hubungan sebab-akibat variabel-
variabel yang melingkar, bukan manyatakan hubungan karena adanya
korelasi-korelasi statistik.