JUDUL 0 : “PENDAHULUAN”

JUDUL 1 : “RANDOM NUMBER GENERATOR”

Random Number Generator adalah suatu algoritma yang digunakan untuk menghasilkan
urutan-urutan atau sequence dari angka-angka sebagai hasil dari perhitungan dengan komputer
yang diketahui distribusinya sehingga angka-angka tersebut muncul secara random dan
digunakan terus menerus. Dari definisi tersebut dapat ditarik tiga pokok pengertian, yaitu
sebagai berikut:

-Urutan (Sequence)
Yang dimaksudkan dengan sequence adalah bahwa random number tersebut harus dapat
dihasilkan secara urut dalam jumlah yang mengikuti algoritma tertentu dan sesuai dengan
distribusi yang akan terjadi atau yang dikehendaki.

-Distribusi (Distribution)
Pengertian distribusi berhubungan dengan distribusi probabilitas yang dipergunakan untuk
meninjau atau terlibat langsung dalam penarikan random number tersebut.

-Random
Random menunjukkan bahwa algoritma tersebut akan menghasilkan suatu angka yang akan
berperan dalam pemunculan angka yang akan keluar dalam proses di komputer. Dengan kata
lain suatu angka yang diperoleh merupakan angka penentu bagi angka random berikutnya.
Demikianlah seterusnya. Tetapi walaupun angkanya berkaitan namun angka yang muncul dapat
berlainan.
DESKRIPSI RANDOM NUMBER
Dalam penentuan random number pada umumnya terdapat beberapa sumber yang
dipergunakan, antara lain:
a) Tabel Random Number
b) Electronic Random Number
c) Congruential Pseudo Random Number Generator
RN Generator ini yang sering digunakan pada penarikan random number pada komputer,
dengan sifat-sifatnya sebagai berikut:
1) Independent
Pengertian independent ini berarti masing-masing komponen atau variabel-variabelnya harus
bebas dari ketentuan-ketentuan tersendiri.
2) Uniform
Pengertian uniform disini merupakan suatu distribusi yang umum yaitu distribusi probabilitas
yang sama untuk semua besaran yang dikeluarkan/diambil. Ini berarti probabilitasnya
diusahakan sama untuk setiap penarikan random number tersebut.

3) Dense
Maksud dari dense disini adalah Density Probability Distribution yang tentunya harus mengikuti
syarat probabilitas yaitu terletak antara 0 dan 1 (0≤RN≤1).
4) Efficient
Pengertian efisinsi disini adalah dalam penarikan random number tersebut harus dapat
menentukan angka-angka untuk variabelnya yang sesuai sehingga dapat berjalan terus
menerus.

· RN Generator ini terdiri dari tiga bagian, yaitu:

1) Additive (Arithmatic) Random Number Generator

2) Multiplicative Random Number Generator

3) Mixed Congruential Random Number Generator

PENYELESAIAN RNG
Pada Congruential Pseudo Random Number Generator dapat dijelaskan untuk masing-masing
formula(rumus) sebagai berikut:

Additive (Arithmatic) RNG

Bentuk rumus Additive (Arithmatic) RNG adalah:

Rounded Rectangle: Zi+1 = (a.Zi + c) mod m

Keterangan:

Zi+1 = Random Number baru

Zi = Random Number semula

c = Angka konstan bersyarat

m = Angka modulo

Syarat-syarat dalam Additive (Arithmatic) RNG adalah:

a) Pemilihan nilai modulo m

Merupakan suatu angka integer yang cukup besar yang ditentukan dari panjangnya bits dari
jenis komputer.

Contoh:

· Komputer IBM 360/370 dengan 32 bits

m=2^32-1=2^31=2147483648

· Komputer IBM 1130/1800 dengan 16 bits

m=2^16-1=2^15=32768

· Mikrokomputer dengan 8 bits

m=2^8-1=2^7=128

b) Pemilihan konstanta multiplier a

Pemilihan nilai a harus bilangan ganjil dan prima. Pemilihan terbaik adalah dengan rumus

a=2^panjangbits/2+3
Contoh:

· Komputer IBM 360/370 dengan 32 bits

a=2^32/2+3=2^16+3=65536+3=65539

· Komputer IBM 1130/1800 dengan 16 bits

a=2^16/2+3=2^8+3=256+3=259

· Mikrokomputer dengan 8 bits

a=2^8/2+3=2^4+3=16+3=19

c) c berangka ganjil jika m bernilai pangkat dua dan tidak boleh kelipatan dari m.

d) Nilai pertama Zi harus integer, ganjil, dan cukup besar.

Multiplicative RNG

Bentuk rumus Multiplicative RNG adalah:

Rounded Rectangle: Zi+1 = (a.Zi) mod m

Keterangan:

Zi+1 = Random Number baru

Zi = Random Number semula

m = Angka modulo

c =0

a,m > 1

Pemilihan tiga variabel yang menentukan dalam Multiplicative RNG adalah:

a) Pemilihan nilai modulo m

Merupakan suatu angka integer yang cukup besar yang ditentukan dari panjangnya bits dari
jenis komputer.
Contoh:

· Komputer IBM 360/370 dengan 32 bits

m=2^32-1=2^31=2147483648

· Komputer IBM 1130/1800 dengan 16 bits

m=2^16-1=2^15=32768

· Mikrokomputer dengan 8 bits

m=2^8-1=2^7=128

b) Pemilihan konstanta multiplier a

Pemilihan nilai a harus bilangan ganjil dan prima. Pemilihan terbaik adalah dengan rumus

a=2^panjangbits/2+3

Contoh:

· Komputer IBM 360/370 dengan 32 bits

a=2^32/2+3=2^16+3=65536+3=65539

· Komputer IBM 1130/1800 dengan 16 bits

a=2^16/2+3=2^8+3=256+3=259

· Mikrokomputer dengan 8 bits

a=2^8/2+3=2^4+3=16+3=19

c) Pemilihan nilai Z0

Dapat diambil sembarang bilangan integer yang cukup besar dan ganjil.

Contoh:

Bila digunakan mikrokomputer dengan 8 bits, maka m = 128, a = 19, c = 237, dan

Z0 = 12357. Tentukan random number dengan Additive (Arithmatic) RNG

Rounded Rectangle: Zi+1 = (a.Zi + c) mod m

z1= (19x12357 +237) mod 128

z1= 234783 +237) mod 128

z1=235929 mod 128

z1=12 à R1=12/128=0.09375

dan seterusnya untuk z2, z3,z4.....…

· Mixed Pseudo RNG

Bentuk rumus Mixed Congruential RNG adalah:

Rounded Rectangle: Zi+1 = anZ i+ [(a^n-1)/(a-1) c] mod m

a) Rumus Pseudo RNG ini adalah dengan syarat utama n harus sejumlah bilangan
integer(bulat) dan lebih besar dari nol. Rumus ini dikenal juga dengan nama “Linier Congruential
RNG”.

b) Ababila c = 0 maka akan diperoleh rumus yang dikenal “Multiplicative Congruential RNG”.
Rumus multiplicative ini cukup baik untuk masa-masa yang akan datangkarena sedikit sekali
storage memori yang dibutuhkan.

c) Beberapa kondisi syarat-syaratnya sebagai berikut:

i. c = bilangan relatif prima terhadap m

Kondisi ini mensyaratkan bahwa pembagi umum yang terbesar dari c dan m adalah 1.

ii. a = 1 mod q untuk setiap faktor prima q dari m

Kondisi ini mensyaratkan bahwa a-q (a/q)=1

Apabila k=a/q akan diperoleh a-qk=1 dan a = 1+qk

Dimana q adalah faktor prima dari m.

iii. a = 1 mod 4 apabila 4 adalah suatu faktor dari m

Kondisi ini mensayaratkan bahwa a = 1 + 4k, apabila m/4 adalah integer artinya m bilangan bulat
dapat dibagi 4.
 JUDUL 2 : “Distribusi Probabilitas Diskrit”
Pengertian Distribusi Probilitas

Distribusi Probilitas merupakan cara yang lebih sederhana untuk menyelesaikan

probilitas dari peristiwa yang bersifat independen dan dependen. Peristiwa indenpenden
merupakan peristiwa yang terjadi yang tidak mempengaruhi peristiwa yang berikutnya.
Peristiwa dependen adalah peristiwa yang mempengaruhi peristiwa lain. Pada berbagai
peristiwa dalam probilitas, jika frekuensi percobaan banyak, maka untuk peristiwa yang bersifat
independen dan dependen akan mengalami kesulitan dalam percobaan.

Distribusi probabilitas merupakan nilai-nilai probabilitas yang dinyatakan untuk mewakilisemua

nilai yang dapat terjadi dari suatu variabel random X, baik dengan suatu daftar (tabel)maupun
dengan fungsi matematis.

Pengertian Distribusi Probilitas Diskrit

Distribusi peluang diskrit adalah suatu tabel atau rumus yang mencantumkan
semuakemungkinan nilai suatu pengubah acak diskrit (ruang contoh diskrit mangandung jumlah
titik yang terhingga) dan juga peluangnya. Adapun macam-macam distribusi diskrit adalah
sebagaiberikut.

Jenis-jenis Distribusi Probilitas Diskrit

Distribusi Probilitas Diskrit dibagi menjadi 5 jenis Probilitas yaitu:

1) Distribusi Uniform

2) Distribusi Binomial

3) Distribusi Multinomial

4) Distribusi giometrik

5) Distribusi Hipergiometrik

6) Distribusi Poisson

Distribusi Uniform
Distribusi probabilitas yg paling sederhana adalah jikalau tiap nilaivariabel random memiliki probabilitas
yang sama untuk terpilih. Distribusi probabilitas spt ini diberi nama Distribusi Probabilitas Uniform
Diskrit Jika variabel random X bisa memiliki nilai x1,x2, …, xk dan masing
masing bisa muncul dengan probabilitas yg sama maka distribusiprobabilitasnya
diberikan oleh :
f(x;k)=1/k untuk x= x1,x2, …, xkNotasi f(x;k) menyatakan nilai fungsi f tergantung pada k!

CONTOH DISTRIBUSI UNIFORM

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 z 0 = 12357 dan m = 128

Distribusi Binomial
Distribusi binomial adalah suatu distribusi probabilitas yang dapat digunakan
bilamanasuatu proses sampling dapat diasumsikan sesuai dengan proses Bernoulli.

Proses Bernoulli adalah, sebuah proses eksperimen statistik yg memiliki ciri-ciri:

 Probabilitas “sukses” di tiap percobaan, p, besarnya tetap dari satu

percobaan ke berikutnya.

 Satu percobaan dan yg berikutnya bersifat independen

  Percobaan terdiri atas n-usaha yang berulang2.

 Tiap-tiap usaha memberikan hasil yang dapat dikelompokan menjadi 2-kategori,

suksesatau gagal3.

 Peluang kesuksesan dinyatakan dengan p, tidak berubah dari satu usaha ke

usahaberikutnya.4.

 Tiap usaha bebas dengan usaha lainnya.

Distribusi Binomial: General Case

Kasus distribusi binomial umum:

 dilakukan eksperimen sebanyak n kali pengambilan

 dari n tsb, sebanyak x dikategorikan “sukses”, jadi sebanyak n-x adalah “gagal”

 probabilitas “sukses” di tiap percobaan = p, berarti probabilitas “gagal “, q=1-p.

Maka probabilitas terjadinya outcome dengan konfigurasi x “sukses”dan (nx) “gagal” tertentu,
adalah: P(SSS … GGG) = ppp….qqq = pxqn-x Sebab S ada x buah dan G sebanyak (n-x) buah.
Tentu ada banyak konfigurasi lain yg juga memiliki x buah S dan (n-x) buah G
Sehingga probabilitas mendapatkan hasil eksperimen yg memiliki
x buah S dan (n-x) buah G adalah: Cnx pxqn-x = b(x;n,p)
CONTOH DISTRIBUSI BINOMIAL
Dari suatu distribusi binomial, diketahui p =0,5 dan n =2.Tentukan bilangan acak dari
distribusi binomial dengan a = 77 z0 = 12357 dan m = 127.
 Distribusi Multinomial
Distribusi probabilitas multinomial biasanya digunakan untuk penentuan probabilitas
hasil yang sudah kategorikan atau di kelaskan ke dalam lebih dari dua kelompok.
Sebagai generalisasi dari distribusi binomial adalah denganmelonggarkan kriteria banyaknya Out
come yang mungkin jadi > 2.Dalam hal ini maka percobaannya disebut percobaan multinomial
sedangkan distribusi probabilitasnya disebut distribusi multinomial.

Definisi:

Misal setiap percobaan bisa menghasilkan k outcome yg berbeda,E1, E2, …,Ek masing-,masing d
engan probabiliitas p1, p2, …,pk.

Maka distribusi multinomial f(x1,x2,…,xk; p1,p2, ..,pk, n) akan memberikan probabilitas

bahwa E1 akan muncul sebanyak x1 kali,E2 akan muncul sebanyak x2 kali, dst dalam pengaman

independen sebanyak n kali, jadix1+ x2+ ….+ xk=n dengan p1+p2+ …+ pk =1

CONTOH DISTRIBUSI MULTINOMIAL

Seorang manager kedai kopi menemukan bahwa probalitas pengunjung membeli 0,1,2
atau 3 cangkir kopi masing masing adalah 0,3 , 0,5 , 0,15 , dan 0,05. Jika ada 8 pengunjung yang
masuk kedai, maka tentukan probalitas bahwa 2 pengunjung akan memesan minuman lain, 4
pengunjung akan memesan 1 cangkir kopi, 1 pengunjung akan memesan 2 cangkir, dan 1
pengunjung akan memesan 3 cangkir kopi.

Misalkan X adalah banyaknya pengunjung yang memesan cangkir kopi dengan x1 = 2, x2 = 4, x3

= 1, dan x4 = 1; dengan p1 = 0,3 , p2 = 0,5 , p3 = 0,15 , p4 = 0,05 , dan n = 8 , maka probalitas
bahwa 2 pengunjung akan memesan minuman lain, 4 pengunjung akan memesan 1 cangkir
kopi, 1 pengunjung akan memesan 2 cangkir, dan 1 pengunjung akan memesan 3 cangkir kopi
adalah

Distribusi Giometrik

Berkaitan dengan percobaan Bernoulli, dimana terdapat n percobaan independen yang

memberikan hasil dalam dua kelompok (sukses dan gagal), variabel random geometric
mengukur jumlah percobaan sampai diperoleh sukses yang pertama kali. Fungsi
distribusiprobabilitas geometric

CONTOH DISTRIBUSI GEOMETRIK

Pada seleksi karyawan baru sebuah perusahaan terdapat 30 % pelamar yang sudah mempunyai
keahlian komputer tingkat advance dalam pembuatan program. Para pelamar diinterview secara
insentif dan diseleksi secara acak.

A. Tentukan bilangan acak dengan a = 43, m = 1237 dan z0 = 12357.

B. Tentukan bilangan acak dengan a = 43, m = 1237 dan z0 = 12357.

Distribusi Hipergiometrik
Distribusi hipergeometrik adalah distribusi probabilitas diskrit dari sekelompok obyek yang
dipilih tanpa pengembalian.

Distribusi Hipergeometrik sangat serupa dengan distribusi binomial,

Persamaannya:

Keduanya menyatakan probabilitas sejumlah tertentupercobaan masuk dalam Kategori

tertentu.

Perbedaannya:

-Binomial mengharuskan ketidakbergantungan dari satu percobaan (trial) ke percobaan

berikutnya.

-Jadi sampling harus dilakukan dengan dikembalikan (replaced)

-Hipergeometrik tidak mengharuskan ketidakbergantungan, jadi sampling dilakukan tanpa

-mengembalikan outcome yg sudah keluar.

Distribusi Hipergeometrik dari variabel random X yang menyatakan banyaknya outcome

yang “sukses” dari sampel random sebanyakn yg diambil dari populasi sebanyak N,

dimana dari N tsb sebanyak k buah adalah “sukses” dan sisanya “N k” adalah “gagal”
Suku pembagi (denominator) menyatakan banyak kombinasi yg terjadi jika dari N obyek

diambil n tiap kali.

Faktor pertama suku terbagi (numerator) menyatakan banyaknya kombinasi dari obyek

berjenis “sukses” yg berjumlah k jika tiap kali diambil sebanyak x buah.

Faktor kedua suku terbagi (numerator) menyatakan banyaknya kombinasi dari obyek

berjenis “gagal” sebanyak N-k jika tiap kali diambil sebanyak (n-x) buah.

CONTOH DISTRIBUSI HIPERGIOMETRIK

Suatu panitia pemilihan dibentuk berdasarkan 6 orang yang diambil secara acak dari 15
orang yang mendaftar. Enam puluh persen diantaranya adalah wanita, maka dihitung probalitas
tepat 2 wanita dalam panitia tersebut.

Misalkan X adalah banyaknya wanita yang terpilih dalam kepanitiaan, maka x= 2, n = 6, N = 15,
dan m = 60% dari N =(0,60)(15) = 19, sehingga probalitas tepat 2 wanita dalam panitia tersebut
adalah

Distribusi Poisson

Distribusi probabilitas Poisson bermanfaat dalam penentuan probabilitas dari

sejumlahkemunculan pada rentang waktu atau luas/volume tertentu.

Distribusi probabilitas dari variabel random Poisson X yg menyatakanbanyaknya outcome dalam

interval waktu tertentu t (atau daerahtertentu) dengan λ menyatakan laju terjadinya outcome p
ersatuan waktu atau per satuan daerah diberikan oleh (tidak diturunkan!):

Sifat Distribusi Poisson

1. Tidak punya memori atau ingatan, yaitu banyaknya outcome dalamsatu interval waktu

(atau daerah) tidak bergantung pada banyaknya outcome pada waktu atau daerah yg lain.

2. Probabilitas terjadinya 1 outcome dalam interval waktu (atau

daerah) yg sangat pendek (kecil)

sebanding dengan lama waktu interval waktu tsb (atau luas daerahnya). Dan tidak bergantung

pada kejadian atau outcome di luar interval ini.

3. Probabilitas terjadinya lebih dari 1 outcome dalam interval waktu yg sangat pendek di (2)

tsb sangat kecil atau bisa diabaikan.

CONTOH DISTRIBUSI POISSON

Mean banyaknya panggilan ke call center dalam 2 hari adalah 6 panggilan. Di hitung
probalitas .

bahwa:

1) minimal ada 2 panggilan dalam 2 hari

2) ada tujuh panggilan dalam 4 hari

3) maksimum ada satu panggilan dalam 1 hari

Misalkan X adalah banyaknya panggilan ke call center dan u adalah mean banyaknya panggilan
ke call center dalam 2 hari (t = 2), maka u sama dengan 6, sehingga:

1) Jika mean banyaknya panggilan ke call center diberikan dalam 2 hari,maka probalitas
minimal

ada 2 panggilan dalam 2 hari akan bernilai

2. Jika mean banyaknya panggilan 2 hari, maka probalitas ada 7 panggilan dalam 4 hari akan
bernilai

3. Jika mean banyaknya panggila ke call center diberikan 2 hari, maka probalitas maksimum
ada 1 panggilan dalam 1 hari akan bernilai
 JUDUL 3 Pengujian Pola Distribusi”

Uji Kolmogorov Smirnov adalah pengujian normalitas yang banyak dipakai, terutama
setelah adanya banyak program statistik yang beredar. Kelebihan dari uji ini adalah sederhana
dan tidak menimbulkan perbedaan persepsi di antara satu pengamat dengan pengamat yang
lain, yang sering terjadi pada uji normalitas dengan menggunakan grafik.dan langkah-langkah
pengujiannya adalah

Pengujian Kolmogorov-Smirnov Normal

a.menetapkan hipotesis

H0 : data berdistribusi normal

H1 : data tidak berdistribusi normal

b.Menghitung statistik uji

Tentukan F(X) dari tabel distribusi Normal dan S(X) diperoleh darifrekwensi kumulatif
masing-masing Xi dibagi dengan jumlah data.Kemudian tentukan nilai T hitung = |F(X)-S(X)|
terbesar

c.Menerapkan Alpha

a=0,05 (a = alpha)

d.Menentukan Daerah Penolakan

Wa-1 didapatkan dari tabel Kolmogorov-Smirnov sesuai dengan jumlah data n

e.membuat kesimpulan

Membandingkan antara hasil perhitungan Thitung dengan Wa-1 ,jika Thitung < Wa-1 maka H0
diterima , dalam hal lain H1 di tolak dan sebaliknya.

f. Membuat interpretasi dari kesimpulan

Jika H0 diterima, maka data berdistribusi normal

Jika H0 ditolak, maka data tidak berdistribusi normal

Thitung = 0.14

Jadi Thitung < Wa-1 maka H0 diterima

(kesimpulan data permintaan di atas berdistribusi normal)

Pengujian Kolmogorov-Smirnov Eksponensial

a.menetapkan hipotesis

H0 : data berdistribusi eksponensial

H1 : data tidak berdistribusi eksponensial

b.Menghitung statistik uji

Dengan

Nilai probabilitas Eksponensial

S(X) diperoleh dari frekwensi kumulatif masing-masing Xi dibagi dengan jumlah data.

Kemudian tentukan nilai Thitung = |F(X)-S(X)| terbesar

c.Menerapkan Alpha

a=0,05 (a = alpha)

d.Menentukan Daerah Penolakan

Wa-1 didapatkan dari tabel Kolmogorov-Smirnov sesuai dengan jumlah data n

e.membuat kesimpulan

Membandingkan antara hasil perhitungan Thitung dengan Wa-1 ,jika Thitung < Wa-1 maka H0
diterima , dalam hal lain H1 di tolak dan sebaliknya.

f. Membuat interpretasi dari kesimpulan

Jika H0 diterima, maka data berdistribusi normal

Jika H0 ditolak, maka data tidak berdistribusi normal

e.membuat kesimpulan

Membandingkan antara hasil perhitungan Thitung dengan Wa-1 ,jika Thitung < Wa-1 maka H0
diterima , dalam hal lain H1 di tolak dan sebaliknya.

f. Membuat interpretasi dari kesimpulan

Jika H0 diterima, maka data berdistribusi normal

Jika H0 ditolak, maka data tidak berdistribusi normal

Contoh :
Kesimpulannya data permintaan diatas tidak berdistribusi eksponensial.
 JUDUL 4 : “Descret Event Simulation”

DES digunakan untuk memodelkan suatu sistem yang berevolusi terhadap waktu
sedemikian sehingga variabel state sistem hanya berubah nilai pada waktu-waktu tertentu yang
banyaknya dapat dihitung. Contohnya adalah antrian. Pada sistem antrian, secara analitis sistem
ini merupakan model yang mempunyai sifat kedatangan pelanggan ke dalam sistem dan
kecepatan pelayanannya adalah menuruti distribusi Eksponensial. Sehingga, akan dengan
mudah untuk menerapkan persamaan dan solusinya. Meskipun DES dapat diselesaikan secara
analitis namun banyaknya data yang harus disimpan, dimanipulasi untuk kejadian di dunia real
menunjukkan bahwa DES harus diselesaikan secara komputasi.

Langkah-langkah dalam DES :

Event yang ada pada DES menggambarkan sistem atau aliran proses. Aliran proses
adalah urutan kejadian untuk melakukan atau menjalankan simulasi. Event akan menciptakan
keterlambatan dalam simulasi untuk mereplikasi satu lintasan waktu. Selain itu dapat juga
memicu eksekusi logika yang dihubungkan dengan event. Tipe event dibagi menjadi, yaitu:
1. Kejadian terjadwal
Sebuah event dimana saat terjadinya dapat ditentukan dan dijadwalkan sebelumnya.
2. Kejadian kondisional
Dipicu oleh kondisi yang ditemui, bukan oleh satu lintasan waktu.

CONTOH: SISTEM ATM

DESKRIPSI SYSTEM :

 Pelanggan tiba untuk menggunakan ATM dengan waktu antar-kedatangan 3.0 menit
yang terdistribusi eksponensial

 Antrian memiliki kapasitas untuk menampung pelanggan dalam jumlah tak terbatas

 ATM memiliki kapasitas satu pelanggan

 Pelanggan menghabiskan rata-rata 2.4 menit terdistribusi eksponensial untuk

menyelesaikan transaksinya (waktu jasa / service time di ATM)

 Simulasi mulai pada saat nol

 Simulasikan sistem ATM pada 22 menit pertama operasinya dan estimasikan waktu
tunggu (expected waiting time) pelanggan dalam antrian

ASUMSI :

 Tidak ada pelanggan dalam sistem pada saat awal, sehingga antrian kosong dan ATM
tidak dipergunakan (idle)
 Waktu bergerak dari antrian ke ATM sangat kecil, sehingga diabaikan
 Pelanggan diproses dari antrian dengan dasar FIFO
 ATM tidak pernah mengalami kerusakan
Cara untuk mempersiapkan simulasi adalah sebagai berikut:

. Simulasi waktu (clock)

 ti adalah nilai waktu simulasi (simulation clock) pada langkah i, untuk i=0 sampai jumlah
discrete event.

 Asumsikan simulasi mulai pada saat nol, t0 = 0.

 t1 adalah nilai simulation clock saat discrete event pertama dalam daftar diproses.

 t2 adalah nilai simulation clock saat discrete event kedua dalam daftar diproses.
2. Atribut Entitas

Atribut entitas adalah karakteristik suatu entitas yang dipertahankan oleh entitas tersebut
sampai entitas keluar dari system. Contoh untuk simulasi ATM: atribut waktu kedatangan
(Arrival Time).

3. Variabel Status

Variabel status adalah jumlah entitas dalam antrian pada langkah ke-i, NQi. Contoh dalam
simulasi ATM, maka ATM statusi untuk menunjukkan apakah ATM sibuk atau menganggur (idle)
pada langkah ke-i.

4. Akumulator Statistik (Statistical Accumulators)

 Simple-average: waktu rata-rata pelanggan menunggu dalam antrian.

 Time-average: Jumlah rata-rata pelanggan di dalam antrian.

5. Time-average Number Of Customers In The Queue

 Simple-average time in queue

1. Menghitung jumlah pelanggan yang melewati antrian.

2. Saat pelanggan melalui antrian, waktu menunggu dicatat.
3. Dihitung dari saat masuk antrian sampai saat meninggalkan antrian.
4. Dihitung dari saat masuk antrian sampai saat meninggalkan antrian: simple-average time in
queue = ti – arrival time. Untuk durasi langkah terakhir (ti – ti-1) dan jumlah pelanggan yang
memasuki antrian selama langkah terakhir (NQi-1), hitung Time-Weighted Number of Entities in
the Queue = (ti – ti-1) NQi-1.

6. Kejadian (Event)

 Arrival event, terjadi saat entitas pelanggan (customer entity) tiba dalam antrian.

 Departure event, terjadi saat entitas pelanggan menyelesaikan transaksi ATM.

  Termination event, untuk mengakhiri simulasi.

Dalam menghitung hasil simulasi biasanya digunakan statistik rata-rata sederhana (simple-
average statistic) yaitu jumlah seluruh nilai observasi dari variabel respon dibagi dengan jumlah
observasi atau statistik waktu rata-rata (time-average statistic/ time-weighted average), yakni
nilai rata-rata sebuah variabel respon yang diukur dari durasi waktu masing-masing nilai yang
diamati dari variabel tersebut.

SIMULATION CLOCK

Descrete event simulation salah satunya digunakan untuk jadwal keputusan dari operasi sitem
dalam waktu tertentu, jadwal akhir simulasi yang dijalankan pada waktu tertentu dan mungkin
benar-benar tidak mengubah hasil kondisi suatu sistem. Karena model simulasi diskrit bersifat
dinamis maka perlu untuk mencatat waktu-waktu tertentu sepanjang simulasi berlangsung dan
butuh mekanisme untuk menaikkan waktu simulasi dari suatu nilai ke nilai lainnya. Variabel
dalam model simulasi yang mencatat nilai waktu simulasi saat tertentu (current value of
simulated time) disebut simulation clock.

Ada dua cara pendekatan yang digunakan untuk memajukan simulation clock, yaitu :

 Pemajuan waktu berdasarkan event (next event time advance).

Simulation clock pertama kali diberi nilai 0 (nol) dan waktu-waktu terjadinya suatu event di
masa mendatang ditetapkan. Nilai simulation clock diubah pada saat suatu event terjadi,
setelah itu dilakukan perubahan nilai system state sesuai dengan event yang terjadi dan
perubahan waktu terjadinya event berikutnya. Proses perubahan simulation clock dari satu
event ke event lainnya berhenti sampe suatu kondisi yang telah ditentukan.

 Pemajuan waktu dengan jarak tetap (fixed increment time advance).

Kenaikan nilai simulation clock adalah selalu dt (Δt), unit waktu. Setelah dilakukan update
simulation clock, dilakukan pengecekan untuk menentukan apakah ada event yang terjadi
selama interval waktu sebelumnya. Jika ya maka event yang terjadi dianggap terjadi pada akhir
interval waktu, setelah itu system state (statistical counters) disesuaikan.
Metode pendekatan yang pertama lebih mudah dan lebih banyak digunakan pada mayoritas
desain bahasa simulasi dan karena metoda yang kedua mempunyai banyak kelemahan.
 JUDUL 5 : “MONTE CARLO”

Simulasi Monte Carlo adalah proses menurunkan secara acak nilai variabel tidak pasti
secara berulang-ulang untuk mensimulasikan model. Metode Monte Carlo karena itu
merupakan teknik stokastik. Metode Monte Carlo dapat diaplikasikan dalam berbagai bidang,
mulai dari ekonomi sampai fisika, tentu saja cara aplikasinya berbeda dari satu bidang ke bidang
lainnya, dan ada banyak sekali himpunan bagian Monte Carlo meskipun dalam satu bidang yang
sama. Hal yang menyamakan semua itu adalah bahwa percobaan Monte Carlo membangkitkan
bilangan acak untuk memeriksa permasalahan.

Metode Monte Carlo dianggap sebagai penemuan dari Stanislaw Ulam, seorang
matematikawan cemerlang yang bekerja untuk John Von Neumann di proyek United State’s
Manhattan selama perang dunia II. Ulam adalah orang pertama yang diketahui merancang bom
hidrogen dengan Edward Teller tahun 1951. Dia menemukan metode Monte Carlo tahun 1946
sewaktu memikirkan peluang memenangkan permainan kartu soliter. Dalam metode ini kita
harus mendefinisikan nilai yang mungkin dengan distribusi peluang untuk setiap variabel tidak
tentu. Tipe distribusi yang dipilih didasarkan pada kondisi di sekeliling variabel.

Metode Monte Carlo sebagaimana yang dipahami saat ini, melingkupi sampling statistik
yang digunakan untuk memperkirakan solusi permasalahan kuantitatif. Ulam tidak
menciptakan sampling statistik. Metode ini sebelumnya digunakan untuk menyelesaikan
permasalahan kuantitatif dengan proses fisik, seperti pelemparan dadu atau pengocokan kartu
untuk menurunkan sample. Kontribusi Ulam diakui dalam potensi penemuan baru komputer
elektronik untuk mengotomasi penarikan sample. Bekerja dengan John Von Neuman dan
Nicholas Metropolis, dia mengembangkan algoritma untuk implementasi komputer, juga
mengeksplor alat transformasi permasalahan tidak acak ke dalam bentuk acak yang akan
memfasilitasi solusinya melalui penarikan sample acak. Nama Monte Carlo diberikan oleh
Metropolis, dipublikasikan pertama kali tahun 1949.
 Nama simulasi Monte Carlo diberikan sesuai dengan nama salah satu kota di Monaco,
yaitu Monte Carlo, tempat utama kasino yang mengandung permainan peluang (kesempatan).
Permainan peluang seperti roda rolet, dadu dan mesin slot menunjukkan perilaku acak.

Dalam analisis Monte Carlo, peningkatan jumlah sample akan mengurangi kesalahan
standar, tetapi itu akan bernilai mahal. Teknik reduksi ragam dapat digunakan untuk
memperbaiki solusi. Teknik ini menggabungkan informasi tambahan tentang analisis secara
langsung kedalam penduga. Hal ini memungkinkan penduga Monte Carlo lebih deterministik,
dan karenanya mempunyai kesalahan standar lebih rendah. Teknik standar pengurangan ragam
termasuk antithetic variates, control variates, importance sampling, dan stratified sampling.

Simulasi Monte Carlo sering digunakan untuk melakukan analisa keputusan pada situasi
yang melibatkan resiko yang melibatkan beberapa parameter untuk dilakukan pertimbangan
secara simultan. Metode ini dapat digunakan secara luas karena didasarkan pada proses
simulasi dengan pilihan kemungkinan secara random. Dengan demikian, jumlah iterasi yang
dilakukan sangat menentukan tingkat ketelitian atas jawaban yang diperoleh. Metode ini
seringkali juga disebut dengan metode percobaan statistik (method of statistical trials).

Metode ini mengasumsikan pola kejadian variabel perhitungannya pada dua model
distribusi yaitu distribusi normal dan distribusi uniform. Asumsi ini dapat melemahkan suatu
kasus yang mempunyai pola distribusi diluar kedua asumsi tersebut diatas. Namun dengan
sedikit melakukan usaha manipulasi statistik dengan melakukan transformasi data mentah pada
variabel yang bersangkutan untuk diubah untuk memenuhi dua asumsi distribusi tersebut dapat
dilakukan dengan sederhana. Dengan demikian, bagi pengambil keputusan hal yang harus
diperhatikan terlebih dahulu sebelum mengambil metode ini adalah melakukan uji distribusi
atas variabel perhitungan yang akan digunakan sampai memenuhi asumsi distribusi yang
dipersyaratkan baru kemudian melakukan perhitungan berdasarkan prosedur yang ada.

Metode ini didasarkan pada perhitungan yang sederhana dan dapat diadaptasi dengan
komputer. Keuntungan atas fasilitas ujicoba (pengulangan) yang sangat cepat pada komputer
sangat membantu dalam aplikasi Metode Monte Carlo ini.
 idalam operasional, Monte Carlo melibatkan pemilihan secara acak terhadap keluaran
masing-masing secara berulang sehingga diperoleh solusi dengan pendekatan tertentu. Oleh
Canada dan White (1980) dinyatakan bahwa dengan semakin banyaknya jumlah ulangan
percobaan yang dilakukan maka tingkat kesalahan atas hasil yang diperoleh akan semakin kecil.
Dengan demikian tingkat ketelitian atas jawaban bagi seorang pengambil keputusan dapat
ditentukan sendiri atas kisaran kesalahan yang terjadi dikaitkan dengan jumlah ulangan
berdasar data yang ada.

Konsep dasar dari Metode Monte Carlo dalam menyelesaikan persamaan diferensial
adalah kebolehjadian langkah acak (random walk). Berdasarkan pendekatan dalam proses
langkah acak, maka di dalam metode Monte Carlo dikenal dua tipe pendekatan yang cukup
populer, yaitu tipe fixed random walk dan floating random walk. Tipe floating random
walk adalah model Monte Carlo yang mengizinkan jumlah walker selalu berubah dalam
simulasi, cara floating random walk bisa kacau karena dalam simulasi bisa timbul
sedikit walker (kebanyakan terbunuh dalam proses) dan banyak walker ( timbul walker baru
dalam proses) sehingga tipe floating random walk spesifik untuk satu aplikasi sedangkan
tipe fixed random walk adalah model Monte Carlo yang menggunakan jumlah walker yang
konstan jadi walker ini bertahan hidup sampai akhir simulasi sehingga untuk beberapa aplikasi
hal ini lebih baik dari tipe floating random walk .