MAKALAH

MODEL DAN SIMULASI

RANDOM NUMBER GENERATOR

DISUSUN OLEH

KELOMPOK III

Loren Angelina (2516.001)

Zulmahendra (2516.022)
Teddy Rahmadi (2516.025)

DOSEN PEMBIMBING

Liza Efriyanti, S.Si, M.Kom

PENDIDIKAN TEKNIK INFORMATIKA DAN KOMPUTER

FAKULTAS TARBIYAH DAN ILMU KEGURUAN
INSTITUT AGAMA ISLAM NEGERI (IAIN) BUKITTINGGI

TP : 2017/2018
 KATA PENGANTAR

Segala puji kami haturkan kehadirat Allah SWT Tuhan semesta alam, karena
atas rahmat dan petunjuk-Nya kami dapat menyelesaikan penyusunan makalah
kami tentang “Random Number Generator (RNG)”. Shalawat serta salam tak lupa
pula kita haturkan kepada baginda Nabi Muhammad SAW yang telah membawa
kita dari zaman kegelapan menuju zaman yang terang benderang dalam naungan
iman dan Islam.

Penyusunan makalah mengenai “Random Number Generator (RNG)” ini

merupakan tugas kelompok kami dalam mata kuliah Model dan Simulasi. Dalam
penyelesaian makalah ini, kami banyak mengalami kesulitan terutama disebabkan
oleh kurangnya ilmu pengetahuan yang menunjang.

Kami sadar, sebagai seorang mahasiswa yang masih dalam proses

pembelajaran, penyusunan makalah ini masih banyak sekali kekurangan. Oleh
karena itu, kami sangat mengharapkan adanya kritik serta saran yang bersifat
positif, guna penyusunan makalah yang lebih baik untuk kedepannya.

Dan tak lupa pula kami haturkan terima kasih kepada teman-teman yang telah
ikut serta dalam penyusunan makalah ini. Sehingga kami dapat menyelesaikannya
tepat waktu.

Bukittinggi, 13 Maret 2018

Kelompok III

i
 DAFTAR ISI

KATA PENGANTAR .......................................................................................... i

DAFTAR ISI ......................................................................................................... ii

BAB I PENDAHULUAN

A. Latar Belakang ........................................................................................... 1

B. Rumusan Masalah ...................................................................................... 1
C. Tujuan .......................................................................................................... 1

BAB II PEMBAHASAN

A. Random Number Generator ...................................................................... 2

B. Deskripsi Random Number ....................................................................... 3
C. Penyelesaian Random Number Generator ............................................... 4
1. Additive (Arithmatic) Random Number Generator ........................ 4
2. Multiplicative Random Number Generator ..................................... 7
3. Mixed Congruential Random Number Generator ............................ 8

BAB III PENUTUP

A. Kesimpulan ................................................................................................. 10
B. Saran .......................................................................................................... 10

DAFTAR PUSTAKA

ii
 BAB I
PENDAHULUAN

A. Latar Belakang
Banyaknya aplikasi dari randomness atau sifat ketidakteraturan,
menyebabkan dikembangkannya berbagai metode untuk menghasilkan data yang
tidak teratur. Banyak dari metode ini sudah ada sejak zaman kuno, termasuk dadu,
melempar koin, penggunaan kartu, dan teknik lainnya. Karena sifatnya, untuk
menghasilkan nomor yang tidak teratur dalam jumlah yang besar membutuhkan
banyak pekerjaan dan waktu. Saat ini, setelah munculnya Random Number
Generator, metode tradisional cenderung untuk ditinggalkan. Beberapa metode
untuk Random Number Generator sering memberikan hasil yang kurang
memuaskan dari tujuannya, meskipun mungkin sesuai dengan yang diinginkan.
Dengan keberhasilan yang bervariasi, beberapa uji statistik tidak teratur
dimaksudkan untuk mengukur hasil yang tak terduga.

Random Number Generator (RNG) adalah sebuah program atau alat untuk
menghasilkan urutan angka atau simbol secara tidak teratur. Sistem ini
diaplikasikan ke dalam banyak bidang, seperti sampel statistika, simulasi komputer,
kriptografi, bahkan untuk desain. Mekanisme Random Number Generator
mengabaikan semua input dari pemain dan memberikan statistika yang sama untuk
semua pemain, sehingga membuat terciptanya sebuah sistem yang adil.

B. Rumusan Masalah
1. Apa itu Random Number Generator?
2. Bagaimana deskripsi random number?
3. Bagaimana penyelesaian Random Number Generator?

C. Tujuan
1. Untuk mengetahui Random Number Generator.
2. Untuk memahami deskripsi dari random number.
3. Untuk memahami penyelesaian dari Random Number Generator.

1
 BAB II
PEMBAHASAN

A. Random Number Generator

Random number atau bilangan acak adalah bilangan yang tidak dapat
diprediksi kemunculannya. Random Number Generator adalah suatu algoritma
yang digunakan untuk menghasilkan urutan-urutan atau sequence dari bilangan-
bilangan sebagai hasil dari perhitungan dengan komputer yang diketahui
distribusinya sehingga bilangan-bilangan tersebut muncul secara random dan
digunakan terus menerus.

Tiga pokok pengertian Random Number Generator (RNG) dari definisi di

atas adalah:

1. Urutan (Sequence)
Sequence di sini 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.

2. Distribusi (Distribution)
Distribusi berhubungan dengan distribusi probabilitas yang dipergunakan
untuk meninjau penarikan random number. Pada umumnya, distribusi probabilitas
untuk random number ini adalah Uniform Variate. Seperti pada random sequence
X1, X2, X3, …, Xn dan pada setiap random sequence ini masing-masing mempunyai
X1, X2, X3 yang merupakan subsequence yang berhubungan tetapi terpisah satu
dengan lainnya, yang dikenal dengan Jointly Independent, dan masing-masing juga
mempunyai probabilitas distribusi uniform antara 0 dan n (0, n). Bila sequence ini
terputus maka akan mengurangi arti dari kegiatan simulasi yang berjalan.

3. 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.

2
B. Deskripsi Random Number
Dalam penentuan random number, pada umumnya terdapat beberapa sumber
yang dipergunakan, antara lain:

1. Table Random Number

2. Electronic Random Number
3. Congruential Pseudo Random Number Generator

Congruential Pseudo Random Number Generator menggunakan algoritma

yang secara otomatis menghasilkan serangkaian angka acak yang memiliki kualitas
baik. Nilai yang dihasilkan oleh algoritma tersebut secara umum ditentukan dengan
sebuah konstanta yang disebut seed.

Random Number Generator ini terdiri dari tiga bagian, yaitu:

a. Additive (Arithmatic) Random Number Generator

b. Multiplicative Random Number Generator
c. Mixed Congruential Random Number Generator

Congruential Pseudo Random Number Generator adalah yang paling sering

digunakan pada penarikan random number pada komputer, dengan sifat-sifatnya
sebagai berikut:

a. Independent
Masing-masing komponen atau variabel-variabelnya harus bebas dari
ketentuan-ketentuan tersendiri.

b. Uniform
Uniform di sini merupakan suatu distribusi yang umum, yaitu distribusi
probabilitas yang sama untuk semua besaran yang dikeluarkan atau diambil.
Ini berarti probabilitasnya diusahakan sama untuk setiap penarikan random
number tersebut.

c. Dense
Maksud dari dense di sini adalah Density Probability Distribution yang
harus mengikuti syarat probabilitas yaitu terletak antara 0 dan 1 (0 ≤ RN ≤ 1).

3
 d. Efficient
Efisiensi di sini adalah dalam penarikan random number tersebut harus
dapat menentukan angka-angka untuk variabelnya yang sesuai sehingga
dapat berjalan terus menerus.

C. Penyelesaian Random Number Generator

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

1. Additive (Arithmatic) Random Number Generator

Bentuk rumus Additive (Arithmatic) Random Number Generator adalah:

Zi+1 = (a . Zi + c) mod m

Keterangan:

Zi+1 = Random number baru

Zi = Random number semula
a = Konstanta
c = Angka konstan bersyarat
m = Angka modulo

Syarat-syarat dalam Additive (Arithmatic) Random Number Generator

adalah:

a. Pemilihan nilai (modulo)

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

Contoh:

Komputer IBM 360/370 dengan 32 bits.

m = 232 - 1 = 231 = 2147483648

Komputer IBM 1130/1800 dengan 16 bits.

m = 216 - 1 = 215 = 32768

4
Mikrokomputer dengan 8 bits.

m = 28 - 1 = 27 = 128

b. Konstanta a
Konstanta a harus lebih besar dari √𝑚
𝑚
+ 𝑚 > 𝑎 > √𝑚
100

Pemilihan nilai a harus bilangan ganjil dan prima. Pemilihan terbaik

adalah dengan rumus 𝑎 = 2𝑝𝑎𝑛𝑗𝑎𝑛𝑔𝑏𝑖𝑡𝑠 / 2 + 3.

Contoh:

Komputer IBM 360/370 dengan 32 bits.

a = 232 / 2 + 3 = 216 + 3 = 65536 + 3 = 65539

Komputer IBM 1130/1800 dengan 16 bits.

a = 216 / 2 + 3 = 28 + 3 = 256 + 3 = 259

Mikrokomputer dengan 8 bits.

a = 28 / 2 + 3 = 24 + 3 = 16 + 3 = 19

c. Konstan c harus berangka ganjil dan bukan merupakan kelipatan m.

d. Nilai Z0 (SEED)
Z0 (nilai awal dari Zi) dapat diambil sembarang bilangan namun harus
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)
Random Number Generator!

5
Penyelesaian:

Diketahui : Z0 = 12357 (bilangan integer dan ganjil)

m = 128
a = 19 (𝑎 > √𝑚 dimana √𝑚 = 11,31
c = 237 (bilangan ganjil)

Ditanya : Random number

Jawab : Rumus

Zi + 1 = (a . Zi + c) mod m

Z1 = (19 x 12 + 237) mod 128

Z1 = (234783 + 237) mod 128

Z1 = 235020 mod 128

𝒁𝟏 𝟏𝟐
Z1 = 12  𝑹𝟏 = = 𝟏𝟐𝟖 = 𝟎, 𝟎𝟗𝟑𝟕𝟓
𝒎

Z2 = (19 x 12 + 237) mod 128

Z2 = (228 + 237) mod 128

Z2 = 465 mod 128

𝒁𝟐 𝟖𝟏
Z2 = 81  𝑹𝟐 = = 𝟏𝟐𝟖 = 𝟎, 𝟔𝟑𝟐𝟖𝟏𝟐𝟓
𝒎

Z3 = (19 x 81 + 237) mod 128

Z3 = (1539 + 237) mod 128

Z3 = 1776 mod 128

𝒁𝟑 𝟏𝟏𝟐
Z3 = 112  𝑹𝟑 = = 𝟏𝟐𝟖 = 𝟎, 𝟖𝟕𝟓
𝒎

Jadi, random number yang didapatkan adalah 0,09375, 0,6328125,

0,875, ....

6
2. Multiplicative Random Number Generator
Bentuk rumus Multiplicative Random Number Generator adalah:

Zi + 1 = (a . Zi) mod m

Keterangan:

Zi+1 = Random number baru

Zi = Random number semula
a = Konstanta
m = Angka modulo
c = 0 ; a, m > 1

Pemilihan tiga variabel yang menentukan nilai-nilai random number dalam

Multiplicative Random Number Generator agar random number yang diperoleh
seterusnya tidak ada pengulangan pada angka-angkanya adalah:

a. Pemilihan nilai (modulo)

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

b. Pemilihan konstanta multiplier a

Pemilihan nilai a harus bilangan ganjil dan prima. Pemilihan terbaik
adalah dengan rumus 𝑎 = 2𝑝𝑎𝑛𝑗𝑎𝑛𝑔𝑏𝑖𝑡𝑠 / 2 + 3

c. Pemilihan nilai Z0 (SEED)

Dapat diambil sembarang bilangan integer yang cukup besar dan ganjil.

Contoh:

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

Z0 = 12357 untuk c = 0. Tentukan random number dengan menggunakan
Multiplicative Random Number Generator!

7
 Penyelesaian:

Diketahui : Z0 = 12357
a = 19
m = 128
c=0

Ditanya : Random number

Jawab : Rumus

Zi +1 = (a . Zi) mod m

Z1 = (19 x 12357) mod 128

Z1 = 234783 mod 128

𝟑𝟏
Z1 = 31  𝑹𝟏 = 𝟏𝟐𝟖 = 𝟎, 𝟐𝟒𝟐𝟏𝟖𝟕𝟓

Z2 = (19 x 31) mod 128

Z2 = 589 mod 128

𝟕𝟕
Z2 = 77  𝑹𝟐 = 𝟏𝟐𝟖 = 𝟎, 𝟔𝟎𝟏𝟓𝟔𝟐𝟓

Z3 = (19 x 77) mod 128

Z3 = 1463 mod 128

𝟓𝟓
Z3 = 55  𝑹𝟑 = 𝟏𝟐𝟖 = 𝟎, 𝟒𝟐𝟗𝟔𝟖𝟕𝟓

Jadi, random number yang didapat adalah 0,2421875, 0,6015625,

0,4296875, ….

3. Mixed Congruential Random Number Generator

Bentuk rumus Mixed Congruential Random Number Generator adalah:

𝑎𝑛 −1
Zi +1 = 𝑎𝑛 Zi + [ 𝑎−1 𝑐] mod 𝑚

8
 Rumus Random Number Generator ini adalah dengan syarat utama harus
sejumlah bilangan integer (bulat) dan lebih besar dari nol. Rumus ini dikenal juga
dengan nama “Linier Congruential Random Number Generator”. Ababila c = 0,
maka akan diperoleh rumus yang dikenal “Multiplicative Congruential Random
Number Generator”. Rumus multiplicative ini cukup baik untuk masa-masa yang
akan datang, karena sedikit sekali storage memori yang dibutuhkan.

Beberapa kondisi syarat-syaratnya sebagai berikut:

a. c = bilangan relatif prima terhadap m.

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

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

𝑎 𝑎
Kondisi ini mensyaratkan bahwa 𝑎 − 𝑞 (𝑞 ) = 1. Apabila 𝑘 = 𝑞 akan

diperoleh a - qk = 1 dan a = 1 + qk. Dimana q adalah faktor prima dari m.

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

𝑚
Kondisi ini mensayaratkan bahwa a = 1 + 4k. Apabila adalah integer,
4

artinya m bilangan bulat dapat dibagi 4.

9
 BAB III
PENUTUP

A. Kesimpulan
Random Number Generator adalah suatu algoritma yang digunakan untuk
menghasilkan urutan-urutan atau sequence dari bilangan-bilangan sebagai hasil dari
perhitungan dengan komputer yang diketahui distribusinya sehingga bilangan-
bilangan tersebut muncul secara random dan digunakan terus menerus.

Pada Random Number Generator, penentuan nilai awal Z0 dan konstanta (a,
c, dan m) akan menentukan kualitas bilangan acak yang dihasilkan. Bilangan acak
yang baik pada umumnya apabila terjadinya perulangan atau munculnya bilangan
acak yang sama, dapat terjadi setelah sekian banyak pembangkitan bilangan acak
(semakin banyak akan semakin baik) serta tidak bisa diprediksi kapan terjadi
perulangannya.

B. Saran
Pada zaman modern ini, penggunaan metode klasik dalam pembangkitan
bilangan acak sudah banyak ditinggalkan, karena sudah tidak sesuainya dengan
tuntutan zaman yang semakin canggih dan semakin memerlukan pembangkitan
bilangan acak yang relative cepat. Maka dari itu, kita sebagai generasi yang hidup
di zaman modern, apabila hendak membangkitkan bilangan acak, hendaknhyalah
menggunakan metode yang diterapkan pada zaman modern, seperti metode yang
ada pada makalah ini, agar dalam prakteknya dapat sesuai dengan tujuan dan juga
menghemat waktu serta efisiensi dalam pengerjaannya,

10
 DAFTAR PUSTAKA

Kakiay, Thomas J. 2004. Pengantar Sistem Simulasi. Yogyakarta: Andi Offset.

Hidayat, Tadya Rahanady. 2010. Random Number Generator. Bandung: Makalah

IF2091 Struktur Diskrit - Semester I Tahun 2010/2011.

Suendri. 2017. Implementasi Algoritma Linear Congruentials Generator. Medan:

Jurnal Sistem Informasi Volume: 01, Number: 02, October 2017.