Pemodelan Dan Simulasi
Pemodelan Dan Simulasi
Tujuan Materi
Keterangan yang menarik untuk Mengenalkan pemodelan sistem dengan menggunakan
simulasi komputer dan teknik-teknik matematis menjelaskan apa tujuan dari kuliah Pemodelan dan
Simulasi, agar bisa melakukan analisis simulasi peristiwa diskret dengan orientasi penyelesaian
masalah. Kuliah diperuntukkan bagi mahasiswa dengan disiplin ilmu: Teknik Industri, Ilmu
Komputer, dan Administrasi Bisnis. Latar belakang yang diperlukan adalah: probabilitas, statistik, dan
bahasa komputer.
SISTEM
1. Kumpulan elemen yang bekerja bersama yang saling terkait satu sama lain dan dibatasi oleh aturan
tertentu guna mencapai tujuan dan sasaran tertentu yang diharapkan
2. Media yang didukung oleh komponen-komponen Sebuah sistem beroperasi dalam ruang dan waktu.
Contoh: Sistem Tata surya, Jaringan Telpon, Sistem Operasi Komputer, dsb.
Mempelajari Sistem
1. Mengambil data sampel dan melakukan uji coba.
2. Mengangkat suatu permasalahan dari sistem, lalu membuat batasan terhadap pokok
bahasan.
3. Menyederhanakan pokok bahasan sesuai kebutuhan data dari sistem.
Pemodelan
Suatu proses penyaringan dan penyeleksian terhadap berbagai data sehingga diperoleh:
1. data atau komponen sistem yang dapat dimodelkan
2. data atau komponen sistem yang kurang penting / tidak relevan, yang dapat diasumsikan mampu
mendukung tujuan yang ingin dicapai.
Model
· Gambaran dari sebuah sistem, dapat secara fisik atau matematis.
· Representasi sistem yang disederhanakan (pada suatu ruang dan waktu) untuk meningkatkan
pengertian terhadap sistem yang sebenarnya.
· Model yang baik?
· Tradeoff dari model sebagai penyederhanaan dari sistem nyata.
Klasifikasi Model
Berdasarkan data yang diperoleh:
Model Fisik: Data diperoleh dengan pengukuran, contoh: jarak dengan beban dan kecepatan
tertentu.
Model Matematika: Simbol dan persamaan matematika digunakan untuk menggambarkan
sistem.
- Atribut sistem dipresentasikan oleh variabel.
Model Matematika
Pembagian Model Matematika:
Model dinamis: Sangat dipengaruhi oleh perubahan waktu.
Model statis: Menunjukkan perilaku sistem secara spesifik pada kondisi tertentu saja.
Karakteristik Model Matematika
Tujuan:
1. Optimisasi
2. Deskripsi
Metode Analisis
1. Analitis
2. Numerik
Perlakuan terhadap bilangan acak
1. Deterministik
2. Probablistik
Pengembangan aplikasi secara umum
Metode Analisis Model Matematika
Metode Analitis :
Menggunakan teori matematika deduktif untuk menyelesaikan model.
Metode Numerik:
Menggunakan prosedur-prosedur komputasi untuk menyelesaikan persamaaan-persamaan
dari suatu model.
- Lebih mudah (hanya memanfaatkan data dengan menggunakan metode simulasi)
Model Simulasi
Dapat dipadukan dengan model numerik untuk menganalisa sistem yang lebih kompleks.
Didukung data yang berhubungan langsung dengan angka acak, dengan tipe data
probabilistik.
Mudah beradaptasi dan mudah digunakan untuk berbagai masalah.
Sistem Berdasarkan Perilaku Variabel
Discrete system:
Variabel-variabelnya berubah hanya pada sejumlah keadaan tertentu dan dapat dihitung
pada saat tertentu.
Continous system:
Variabel-variabelnya berubah secara terus-menerus dan dipengaruhi oleh waktu
Metode Simulasi
MONTE CARLO
DISCRETE-EVENT
1. Next-Event Time Advance
2. Fixed-Increment Time Advance
TAKSONOMI MODEL ( MONTE CARLO vs D-E )
Model Simulasi Monte Carlo:
1. Stokastik
2. Statis
Model Simulasi Discrete-Event:
1. Stokastik
2. Dinamis
3. Discrete-Event
Metode Monte Carlo
Sebutan “Metode Monte Carlo” diperkenalkan oleh S. Ulam and Nicholas Metropolis (1949).
Merujuk pada kasino “games of chance” di Monte Carlo, Monaco. Kunci dari metode Monte
Carlo adalah penggunaan input acak dan distribusi probabilitas.
Penggunaan Monte Carlo
Sains dan Engineering:
Analisa Ketidakpastian, Optimisasi dan Desain Berbasis Realitas
Fabrikasi:
Alokasi toleransi untuk mengurangi biaya.
Bisnis:
Analisa resiko dan keputusan: membantu membuat keputusan dalam ketidakpastian trend
pasar, fluktuasi, dan faktor-faktor tak tentu lainnya.
Dapat digunakan dalam hampir segala bidang (kimia, nuklir, pengatur lalu lintas).
Langkah-Langkah Metode Monte Carlo
1. Mendefinisikan distribusi probabilitas dari data masa lalu atau dari distribusi teoritis.
2. Mengonversikan distribusi ke dalam frekuensi kumulatif.
3. Melakukan simulasi dengan bilangan acak.
4. Menganalisa keluaran simulasi.
Simulasi
· Simulasi adalah tiruan dari sebuah sistem dinamis dengan menggunakan model komputer yang
digunakan untuk melakukan evaluasi dan meningkatkan hasil kinerja yang akan dibuat dengan
baik. atau
· Program (software) komputer yang berfungsi untuk menirukan perilaku sistem nyata. atau
· Manipulasi sebuah model sedemikian rupa sehingga model tersebut bekerja dalam ruang dan waktu
Definisi simulasi deterministik, stokastik, dinamik, dandiscrete-event.
1. Deterministik:
- Tidak memiliki komponen input yang bersifat acak
- Tidak memiliki keacakan (randomness)
- Seluruh status yang akan datang dapat ditentukan setelah data input dan status awal (initial
state) didefinisikan
2. Stokastik:
- Satu atau lebih variabel input merupakan variabel acak
- Menghasilkan output yang acak dengan sendirinya (self random)
- Memberikan hanya satu titik data untuk mengetahui bagaimana sistem berperilaku
- setiap percobaan bervariasi secara statistik
3. Dinamik:
- Mencakup lintasan waktu
- Sebuah mekanisme waktu (clock mechanism) menggerakkan waktu, sehingga variabel status
berubah saat waktu berubah
Contoh: sistem manufaktur dan jasa
4. Discrete-event:
- Simulasi dimana perubahan statusnya terjadi pada titik-titik diskrit dalam waktu yang dipicu
oleh kejadian (event)sebelumnya.
Kapan perlu simulasi?
1. Ketika model sangat rumit dengan banyak variabel dan komponen yang saling berinteraksi.
2. Ketika hubungan antar variabel tidak linear
3. Ketika model memiliki variate acak
4. Ketika output dari model akan divisualisasikan sebagai animasi komputer 3D.
Contoh Simulasi
1. Simulasi terbang
2. Simulasi sistem ekonomi makro
3. Simulasi sistem perbankan
4. Simulasi antrian layanan bank
5. Simulasi game strategi pemasaran
6. Simulasi perang
7. Simulasi mobil
8. Simulasi tata kota
Tujuan Simulasi & Pemodelan
Untuk mempelajari “behaviour�? sistem
Mengembangkan pengertian mengenai interaksi bagian-bagian dari sebuah sistem, dan
pengertian mengenai sistem secara keseluruhan.
Untuk pelatihan / training
Untuk hiburan / permainan (game)
Tahapan Simulasi & Pemodelan
1. Memahami sistem yang akan disimulasikan
2. Mengembangkan model matematika dari sistem
3. Mengembangkan model matematika untuk simulasi
4. Membuat prgram (software) komputer
5. Menguji, memverifikasi, dan memvalidasi keluaran komputer
6. Mengeksekusi program simulasi untuk tujuan tertentu
SUMBER MATERI
- Internet
http://dwi-setiawati.web.id/wordpress/?p=8
- Simulasi: Teori dan Aplikasinya, Bonett Satya L. Djati, edisi 1, ANDI Yogyakarta.
- Discrete-Event System Simulation, J. Banks, J. Carson, B. Nelson, D.Nicol, 3rd edition, Prentice
Hall, 2001.
Materi Kuliah Simulasi dan Pemodelan Bab I
I. DASAR-DASAR SIMULASI DAN PEMODELAN
A. Alam Simulasi
Simulasi diartikan sebagai teknik menirukan atau memperagakan kegiatan berbagai macam
proses atau fasilitas yang ada di dunia nyata. Fasilitas atau proses tersebut disebut dengan
sistem, yang mana didalam keilmuan digunakan untuk membuat asumsi-asumsi bagaimana
sistem tersebut bekerja. Alur pengertian simulasi sehingga membentuk model dapat dijelaskan
pada gambar berikut:
Untuk melihat bagaimana sistem tersebut bekerja maka dibuat asumsi-asumsi, dimana asumsi-
asumsi tersebut biasanya berbentuk hubungan matematik atau logika yang akan membentuk
model yang digunakan untuk mendapatkan pemahaman bagaimana perilaku hubungan dari sistem
tersebut.
Jika hubungan yang membentuk model cukup simpel, hubungan tersebut bisa menggunakan
metode matematik (seperti aljabar, kalkulus atau teori probabilitas) untuk mendapatkan informasi
yang jelas setiap permasalahan tertentu, sistem ini disebut dengan solusi analitik. Bagaimanapun
juga untuk memperkenalkan model-model realistik dimana terlalu kompleksnya sistem-sistem di
dunia nyata untuk dievaluasi secara analitik maka model-model tersebut harus dipelajari secara
simulasi.
Dalam simulasi kita menggunakan komputer untuk mengevaluasi model numerikal, dan data
digunakan untuk mengestimasi karakteristik yang benar yang diharapkan pada model.
Lingkup aplikasi simulasi sangat banyak dan terbagi-bagi. Berikut adalah beberapa jenis
permasalahan utama dimana simulasi dibangun menjadi alat yang bermanfaat:
- Perancangan dan operasional sistem transfortasi seperti bandara udara, jalan tol, pelabuhan
laut dan jalan bawah tanah.
- Evaluasi rancangan pada organisasi jasa seperti call center, restoran cepat saji, rumah sakit
dan kantor pos
Sebagai contoh: Jika seseorang ingin mempelajari sebuah bank, untuk menentukan jumlah
kebutuhan teller untuk menyediakan kecukupan pelayanan terhadap nasabah, sistem dapat
didefinisikan bagian yang konsisten dari bank untuk teller dan penantian nasabah yang akan
dilayani. Jika, dengan kata lain, staf loan/kredit dan pengamanan kotak deposit dimasukkan,
definisi sistem harus diperluas dengan cara yang jelas. Kita mendefinisikan pernyataan sebuah
sistem bahwa pengumpulan variabel-variabel penting untuk menjelaskan sistem di waktu tertentu,
relatif pada objektivitas yang dipelajari. Dalam pelayanan bank, contoh-contoh pada pernyataan
variabel yang mungkin adalah jumlah teller yang sibuk, jumlah nasabah dalam bank dan waktu
kedatangan masing-masing nasabah dalam bank.
Kita mengkatagorikan sistem menjadi dua tipe, diskrit dan kontinyu. Sistem diskrit adalah sistem
yang mana variabel berubah sekeika itu juga yang dipisahkan per titik waktu. Pada bank adalah
contoh sistem diskrit, ketika state variabel-contohnya jumlah nasabah dalam bank-berubah hanya
ketika nasabah tiba atau nesabah telah selesai dilayani dan pulang. Sistem kontinyu adalah sistem
yang mana state variabelnya berubah secara kontinyu per waktu.
Sebagian kecil sistem pada praktisnya adalah sama sekali diskrit atau kontinyu: tetapi ketika tipe
sistem berubah menguasai sebagai besar sistem, perubahan tersebut biasanya mungkin untuk
mengklasifikasikan sistem diskrit atau kontinyu.
Dari gambar di atas dapatlah dijelaskan hubungan-hubungan yang membentuk sistem sebagai
berikut.
a. Penelitian dengan Sistem Aktual dan Penelitian dengan Model pada Sistem
Jika penelitian sistem aktual ini mungkin dilakukan (dan biayanya efektif) untuk merubah sistem
secara fisik dan beroperasi dibawah kondisi baru, penelitian ini mungkin dapat diharapkan, dalam
permasalahan ini tidak ada pernyataan tentang apakah apa yang kita pelajari adalah valid. Tetapi
penelitian ini jarang bisa dikerjakan, karena sebagian besar penelitian akan sering terlalu mahal
dan begitu merusak sistem. Sebagai contoh konkritnya sebuah bank mungkin
mempertimbangkan pengurangan jumlah teller untuk meningkatkan anggaran, tetapi secara
aktual usaha ini akan mengurangi tugas teller dalam melayani nasabah sehingga akan muncul
panjangnya antrian nasabah. Selanjutnya secara grafis sistem semestinya tidak ada, tetapi
sekalipun demikian kita ingin mempelajarinya dalam berbagai rancangan konfigurasi alternatif
untuk mengetahui permulaan membuat sistem. Contohnya pada kondisi ini seharusnya dibuat
pengajuan/usulan jaringan kerja komunikasi, atau sebuah sistem strategi senjata nuklir. Untuk
alasan ini sistem biasanya perlu membangun model, sebagai wakil sistem dan mempelajarinya
sebagai pengganti sistem aktual. Ketika menggunakan model, adalah selalu timbul pertanyaan
apakah model secara aktual merefleksikan sistem untuk tujuan membuat keputusan, sehingga
perlu dibentuk model yang valid.
Gambar di atas dapat dijelaskan bahwa misalkan sistem antrian pelayanan tunggal untuk antar
waktu kedatangan A1, A2, … adalah variabel random berdistribusi identik independent. Nasabah
yang datang dan mendapatkan pelayanan mendapatkan pelayanan segera dan waktu
pelayanan S1, S2, … sebagai susksesnya nasabah mendapatkan layanan bervariabel
random IIDadalah independent pada antar waktu kedatangan.
Untuk menghitung penampilan sistem kita mencari estimasi tiga kuantitas. Pertama, kita
mengestimasi rata-rata harapan waktu tunggu dalam antrian pada sejumlah n nasabah yang
menyelesaikan masa tunggu selama simulasi; kita menandai kuantitas ini dengan d(n). Kata
ekspektasi dalam definisi d(n) berarti: Dalam menjalankan simulasi (atau dalam hal memberikan
jalan pada model simulasi yang menggambarkan sistem aktual), pengamatan rata-rata waktu
tunggu aktual pada n nasabah tergantung pada perolehan pengamatan variabel random antar
kedatangan dan waktu pelayanan yang terjadi. Dengan jalan lain pada simulasi (atau dengan
waktu yang berbeda pada sistem nyata) mungkin akan tiba dalam waktu yang berbeda, dan waktu
pelayanan juga akan berbeda, ini akan meningkatkan perbedaan nilai rata-rata waktu tunggu.
Dengan demikian, rata-rata waktu tunggu dalam menjalankan simulasi adalah mengikuti sifat
variabel random. Apa yang ingin kita estimasi, d(n), adalah nilai ekspektasi pada variabel
random ini. Interpretasi estimasi nilai d(n) adalah rata-rata bilangan (aktual, infinit) pada rata-
rata waktu tunggu n-nasabah. Dari menjalankan secara tunggal pada hasil simulasi dalam waktu
tunggu nasabah D1, D2, …, Dn , sebuah estimator sebelumnya pada d(n) adalah
a. Komponen dan Organisasi Model Simulasi Kejadian Diskrit
Walaupun simulasi telah diaplikasikan pada sejumlah besar berbagai sistem di dunia nyata, model
simulasi kejadian diskrit keseluruhannya menyumbang sejumlah komponen-komponen umum
yang mana sejumlah organisasi logika untuk komponen-komponen tersebut yang
mempromosikan pemograman, kendaraan, dan perubahan kedepan pada program komputer
model simulasi. Khususnya komponen berikut akan didapatkan model simulasi kejadian diskrit
yang menggunakan pendekatan next-event time-advence dalam bahasa general-purpose:
System state : Pengumpulan variabel state terpenting untuk menjelaskan sistem pada waktu
khusus.
Simulation Clock: Sebuah variabel yang memberikan nilai pada saat berlangsungnya simulasi.
Event List: Daftar yang berisikan waktu berikutnya ketika masing-masing tipeevent akan terjadi.
Statistical Counters: Variabel yang digunakan untuk menyimpan informasi statistik tentang
bentuk sistem
Initialization routine: Sebuah subprogram untuk mengawali model simulasi diwaktu ke nol.
Timimg routine: Sebuah subprogram yang menentukan event selanjutnya darievent list.
Event routine: Sebuah subprogram yang mengapdute state sistem ketika tipe khusus pada
terjadinya event.
Library routines: Kumpulan subprogram yang digunakan untuk membangkitkan observasi
random dari distribusi probabilitas yang mana ditentukan sebagai bagian dari model simulasi.
Report Generator: Sebuah subprogram yang menghitung estimasi (daristatistical counters) pada
ukuran yang diharapkan pada bentuk dan hasil laporan ketika simulasi berakhir.
Main program: Sebuah subprogram yang membangkitkan kembali timing routine untuk
menentukan event selanjutnya dan kemudian mentransferkan kontrol ke event routine yang
berkaitan untuk mengupdate sistem state yang tersedia. Main program bisa juga untuk mengecek
pada akhir program dan membangkitkan kembali report generator ketika simulasi telah selesai.
Kaitannya secara logika (flow of control = arus pengawasan) sejumlah komponen ditunjukkan
pada gambar 3. Simulasi dimulai pada waktu ke nol dengan main program membangkitkan
kembali initialization routine, dimanasimulation clock diset menjadi nol,
sistem state dan statistical counter mulai dibentuk, dan event list juga dibentuk. Setelah contor
dikembalikan ke main program, kemudian membangkitkan timing routine untuk menentukan
yang mana tipe event akan terjadi. Jika sebuah tipe ke-i selanjutnya terjadi,
simulasiclock menambahkan waktu event tipe i akan terjadi dan control kembali pada main
program. Kemudian main program membangkitkan event routine i, dimana ada tiga tipe aktifitas
kejadian: 1) Sistem state diupdate untuk menghitung untuk faktor-faktor event tipe i terjadi; 2)
Informasi tentang penampilan sistem yang dibentuk dengan mengupdate statistical counter; dan
3) Waktu kejadian event berikutnya dibangkitkan, dan informasi ini sebagai tambahan pada event
list.
Gambar 4. Flow of Control pada pendekatan Next-Event Time-Advance (lihat modul)
Pada masa teknologi komputer sekarang ini telah terdapat komputer pribadi atau prosesor untuk
berhubungan bersama-sama dalam lingkungan komputer paralel atau menyebar. Sebagai contoh,
bebeberapa minikomputer yang relatif tidak mahal (atau adanya mikrokomputer) dapat dibentuk
jaringan kerja bersama-sama, atau komputer secara luas dapat mengayomi beberapa prosesor
individu yang dapat bekerja dalam pekerjaannya sebaik komunitas dengan satu sama lainnya.
Dalam lingkangan, bila mungkin untuk menyebarkan bagian yang berbeda percakapan komputer
melintasi operasional prosesor pribadi dalam waktu yang sama, atau dalam paralel, dan kemudian
mengurangi waktu untuk menyelesaikan percakapan. Kemampuan untuk menyelesaikan secara
bersama-sama ini secara alami tergantung pada percakapan komputer alami, sebaik pada
tersedianya software dan hardware. Proses penyebaran dan paralel berlangsung dengan
menginvestigasikan berbagai wilayah, seperti mengoptimalisasi dan mendisain database.
b. Satu atau lebih pertemuan kickoff untuk studi ditunjukkan, dengan manajer
- Skop model
- Objektifitas Proyek
- Tampilan ukuran
- Kendala komputer
g. Interaksi dengan manajer ( dan kunci lain personal project) dalam basis
regular.
yang sering dikenal, punya permintaan biaya yang rendah, dan bisa
b. Tidak ada perhatian pada keberadaan sistem, analisis simulasi dan SMEs
harus dikaji ulang hasil model agar tepat.
secara hati-hati.
7. Disain Eksperimen
a. Kekhasan berikut untuk masing-masing konfigrasi sistem menarik:
konfiden.
yang relatif.
digunakan untuk proyek yang berlangsung dan proyek yang akan datang.
manajer dan masyarakat lain yang tidak paham dengan semua model
secara mendalam.
yang kredibel.
c. Hasil yang digunakan dalam membuat proses keputusan jika hasilnya valid
dan kredibel.
1. Simulasi Kontinyu
Simulasi kontinyu mengenai pemodelan melewati waktu pada sistem oleh perwakilan variabel
state berubah secara kontinyu dengan waktu. Secara khusus, model simulasi kontinyu meliputi
perbedaan persamaan yang memberikan hubungan pada kecepatan perubahan variabel state
dengan waktu. Jika perbedaan persamaan menjadi lebih sederhana, mereka dapat dipicahkan
secara analitik untuk memberikan nilai pada variabel state untuk semua nilai waktu sebagai
fungsi nilai pada variabel stete di waktu ke-nol. Untuk kebanyakan solusi analitik model
kontinyu adalah tidak mungkin, bagaimanapun, dan teknik analisis numerik, misalnya Integrasi
Runge-Kutta, adalah digunakan untuk menggabungkan perbedaan persamaan secara numerik,
memberikan nilai secara khusus untuk variabel state di waktu ke-nol.
Beberapa produk-produk simulasi seperti SIMULINK dan Dymola, memiliki rancangan yang
spesifik untuk membangun model simulasi kontinyu. Sebagai tambahan, paket simulasi event-
dioskrit Arena, AweSim dan Extend memiliki kapabilitas pemodelan kontinyu. Ada tiga paket
yang memiliki tambahan keuntungan pada simulasi komponen kontinyu dan diskrit dalam satu
model.
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
ketidakhadiran predator, yang mana kecepatan pertumbuhan mereka adalahrx(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 di
mengasumsikan bahwa kecepatan kematian mangsa sungguh tepat untuk berinteraksi adalah
proposional untuk produk dua ukuran populasi, x(t)y(t). Oleh karena itu, keseluruhan perubahan
populasi mangsa, dx/dt, diberikan oleh
(1) (lihat modul)
dimana a adalah konstanta positif pada proposionalitas. Ketika predator tergantung pada mangsa
untuk setiap keberadaan mereka, kecepatan berubahnya predator pada tidak adanya mangsa
adalah –sy(t) untuk s positif. Lebih lanjut, interaksi antara dua populasi mengakibatkan popupasi
predator meningkat dimana kecepatannya juga proposional pada x(t)y(t). Dengan demikian,
kecepatan keseluruhan perubahan populasi predator , dy/dt, adalah
(2) (lihat modul)
dimana b adalah konstanta positif. Diberikan kondisi awal x(0) > 0 dan y(0) > 0, solusi model
diberikan oleh persamaan (1) dan (2) memiliki sifat-sifat menarik bahwa x(t) > 0 dan y(t) > 0
untuk semua t 0. Dengan demikian, populasi mangsa tidak bisa dimusnahkan secara kompleks
oleh predator. Solusi {x(t), y(t)}adalah juga merupakan fungsi waktu yang periodik. Bahwa,
bila T > 0 seperti bahwa x(t + nT) = x(t) dan y(t + nT) = y(t) untuk semua n bulat positif. Hasil
ini tidak diharapkan. Sebagai predator populasinya meningkat, populasi mangsa menurun. Ini
mengakibatkan sebuah penurunan dalam kecepatan peningkatan predator, yang mana
kemungkinan hasil dalam penurunan jumlah predator.
Pertimbangkan nilai utama r = 0,001, a = 2 x 10 -6, s = 0,01, b = 10 -6 dan ukuran populasi awal
x (0) = 12,000 dan y (0) = 600. Gambar berikut adalah solusi numerik pada persamaan (1) dan
(2) dihasilkan dari penggunaan rancangan paket komputer pada pemecahan sistem persamaan
diferensial numerik ( sebuah bahasa simulasi kontinyu secara tidak eksplisit ).
Catatan bahwa contoh tersebut di atas adalah deterministik kompleks, dengan kata lain berisikan
komponen tidak random (acak). Hal ini dimungkinkan, bagaimanapun, untuk model simulasi
kontinyu meliputi ketidaktentuan; dalam contoh di atas bisa menambahkan istilah random pada
persamaan (1) dan (2) yang tergantung pada waktu dalam beberapa cara, atau faktor konstanta
bisa dimodelkan sebagai kuantitas yang merubah nilai variabel randomnya pada titik tertentu per
waktu.
- Sebuah event diskrit bisa menyebabkan sebuah diskrit berubah dalam nilai variabel state
kontinyu.
- Sebuah event diskrit bisa menyebabkan pengaturan hubungan sebuah variabel state
kontinyu berubah pada waktu khusus.
- Sebuah variabel state kontinyu mencapai ambang nilai bisa menyebabkan sebuah event
diskrit terjadi atau diskedulkan.
Model kombinasi diskrit-kontinyu adapat dibangun dalam Arena [Pegden, Shannon, dan
Sadowski (1995)], AweSim [Pritsker dan O’Reilly (1999)], dan Extend [Imagine (1997b)].
Contoh simulasi kombinasi diskrit-kontinyu secara jelas dijelaskan pada model yang dijabarkan
secara mendalam oleh Pritsker (1995, pp.354-364), yang juga menyediakan contoh lain tipe ini
pada simulasi.
Contoh: Kapal tangker pembawa minyak mentah tiba pada dok pembongkaran tunggal, Suplai
tangker penyimpanan yang kembali dikosongkan melalui pipa. Sebuah tangker bongkar muat
memesan minyak pada tangker penyimpanan pada kecapatan yang konstan secara spesifik.
(Tangker yang tiba ketika dok sibuk dari antrian). Supali tangki penyimpanan minyak untuk
pembersihan pada kecepatan spesifik yang berbeda. Dok mulai buka pukul 06.00 pagi hingga
malam dan, karena pertimbangan keamanan, bongkar muat tangker berhenti ketika dok tutup.
Event diskrit pada model spesifik ini adalah kedatangan tangker untuk bongkar muat, penutupan
dok pada malam hari, dan pembukaan dok pada pukul 06.00 pagi. Level minyak pada tangker
bongkar muat dan dalam tangki penyimpanan memberikan variabel state kontinyu yang mana
kecepatan perubahannya adalah dijelaskan oleh persamaan diferensial. Bongkar muat tangker
dipertimbangkan selesai ketika level minyak dalam tangker kurang dari 5% pada kapasitas
muatnya, tetapi bongkar muat harus sementara dihentikan jika level minyak dalam tangki
penyimpanan mencapai kapasitas muatnya. Bongkar muat bisa dipersingkat ketika level minyak
dalam tangki penyimpanan berkurang menjadi 80 % pada kapasitas muatnya. Jika level minyak
hampir penuh dibawah 5000 barel, pengosongan harus ditutup sementara. Untuk menghindari
keseringan membuka dan menutup pengosongan, tangki jangan mempersingkat penyuplaian
minyak untuk pengosongan hingga tangki sekali lagi berisikan 50.000 barel. Setiap berkenaan
dengan lima event pada level minyak, misalnya level minyal dalam tangki turun dibawah 5 %
pada kapasitas tangki, oleh Pritsker disebut sebuah State Event. Tidak seperti event diskrit, state
event tidak diskedulkan tetapi terjadi ketika variabel state kontinyu melintasi ambang.
dimana g(x) adalah fungsi nilai real yang integrabel tidak analitik (praktisnya, simulasi Monte
Carlo mungkin tidak digunakan untuk menilai integral tunggal, sejak integral ini merupakan
teknik analisis numerik yang lebih efisien untuk tujuan tersebut. Integral ini lebih cocok
digunakan dalam problem multipel-integral dengan integral bersifat jelek). Untuk melihat
mengapa problem ini deterministik dapat didekatkan dengan simulasi Monte Carlo, ambillah Y
sebagai variabel random (b – a)g(X), dimana X adalah variabel random kontinyu berdistribusi
uniform dalam [a, b] [ditandai dengan U(a, b)]. Maka nilai ekspektasi pada Y adalah: (lihat
modul)
dimana adalah fungsi densitas probabilitas pada sebuah random variate U(a, b).Selanjutnya,
problema penilaian integral telah dikurangi menjadi satu pada estimasi ekspektasi
nilai E(Y). Terutama, kita akan mengestimasi E(Y) = Idengan sampel mean
(lihat modul)
dimana adalah random variate IID U(a, b). Selanjutnya kita bisa tunjukkan bahwa adalah
adalah estimator tidak bias pada I, dan Asumsikan bahwa Var (Y) adalah finit, asumsikan
berikut bahwa tertutup untuk I pada n yang besar secara memuaskan (dengan probabilita 1).
Untuk mengilustrasikan skema numerik tersebut, andaikan bahwa kita akan menilai integral
(lihat modul)
yang mana dapat ditunjukkan oleh kalkulus dasar untuk mendapatkan nilai 2. Tabel berikut
menunjukkan hasil aplikasi simulasi Monte Carlo untuk estimasi integral pada berbagai nilai n.
Tabel. 1. pada berbagai nilai n yang dihasilkan dari aplikasi simulasi Monte Carlo untuk estimasi
integral
N 10 20 30 40 50
- Sangat kompleks, dunia sistem yang nyata dengan element stokastik yang tidak dapat
dijelaskan secara tepat oleh model matematik yang dapat dinilai secara analitik. Dengan
demikian, simulasi sering hanya sebagai tipe untuk kemungkinan investigasi.
- Alternatif menyusun rancangan sistem (atau alternatif kebijakan operasional untuk sistem
tunggal) dapat dibandingkan melalui simulasi untuk mengetahui bagaimana menemukan
persayaratan yang spesifik.
- Dalam simulasi kita dapat menjaga kontrol lebih baik melalui penelitian yang
dikondisikan dari pada kemungkinan akan digeneralisasikan ketika penelitian dengan sistemnya
sendiri.
- Simulasi memperkenankan kita untuk belajar sebuah sistem sepanjang kerangka waktu, -
misalnya dalam sistem ekonomi-dalam tekanan waktu, atau alternatifnya untuk belajar kerja
sistem secara mendalam dalam perluasan waktu.
Simulasi tidak terlepas dari adanya kelemahannya. Beberapa kerugian simulasi adalah sebagai
berikut:
- Setiap berjalannya kerja program sebuah model simulasi stokastik menghasilkan hanya
estimasi pada karakteristik model yang benar untuk kumpulan utama parameter input. Dengan
demikian, beberapa jalannya program tergantung pada model yang mungkin disyaratkan untuk
setiap kumpulan input parameter yang akan dipelajari. Untuk alasan ini, model simulasi secara
umum tidak baik pada optimalisasi pada perbandingan jumlahan yang tetap pada rancangan
sistem alternatif secara khusus. Dengan kata lain, model analitik, jika tersedia, akan sering
menghasilkan secara mudah karakteristik yang benar secara nyata (Exact) pada model pada
berbagai kumpulan input parameter. Dengan demikain, jika model analitik valid adalah tersedia
atau dapat dengan mudah dikembangkan, ini akan dapat dirujuk secara umum untuk sebuah
model simulasi.
- Volume yang besar pada bilangan yang dihasilkan oleh studi simulasi atau pengaruh yang
persuasif pada animasi realistik sering menciptakan kecenderungan untuk menempatkan
kepercayaan yang terlalu besar dalam hasil studi dari pada yang telah dibuktikan secara syah.
Jika model ini tidak valid mewakili sistem dalam belajar, hasil simualsi, bukan beban bagaimana
munculnya keenganan, akan memberikan sedikit manfaat informasi tentang sistem aktual.
Ketika memutuskan apakah dilakukan studi simulasi atau tidak tersedia dikondisikan, kita hanya
dapat menasehati bahwa keuntungan dan kejelekan akan terpegang dalam pikiran kita dan bidang
lainnya yang relevan pada situasi utama bisa menjadi baik. Akhirnya, dicatat bahwa beberapa
pelajaran model simulasi dan analitik harus bermanfaat. Terutama, simulasi dapat digunakan
untuk mengecek validitas asumsi yang dibutuhkan dalam model analitik. Dengan kata lain,
model analitik bisa menjadi alternatif saran yang masuk akal untuk investigasi studi simulasi.
Asumsi bahwa keputusan yang dibuat untuk menggunakan simulasi, kita temukan kerugian
berikut untuk berhasilkan menyelesaikan studi simulasi:
- Kegagalan dalam membentuk definisi yang baik objek pada awal studi simulasi.
- Percaya bahwa mudah menggunakan paket simulasi, yang mana mensyaratkan sedikit atau
tidak bisa melakukan pemrograman, mensyaratkan taraf signifikansi yang rendah pada teknik
kompentensi.
- Kegagalan untuk menghitung secara tepat sumber random dalam sistem aktual.
- Analisa data output dari sebuah run simulasi (replikasi) menggunakan rumusan yang
diasumsikan independen
- Membuat replikasi tunggal pada rancangan sistem utama dan diuji output statistik sebagai
jawaban yang benar.
- Membandingkan rancangan sistem alternatif dalam basis sebuah replikasi untuk setiap
rancangan.
3. Pada contoh teori antrian dikenal istilah FIFO dan LIFO, jelaskan pengertiannya!
5. Apa peran terbesar simulasi dalam mengatasi masalah di dunia? jelaskan salah satu contoh
kasusnya.