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:

Gambar 1. Alur Pemahaman Arti dari Simulasi. (lihat model matakuliah)

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 analisis sistem manufaktur

- Evaluasi sistem persenjataan militer atau persyaratan militer lainnya

- Penentuan persyaratan hardware atau protokol untuk jaringan komunikasi

- Penentuan persyaratan hardware dan software untuk sistem komputer

- 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

- Reenginering pada pemilikan pabrik

- Penentuan kebijakan pemesanan barang pada sistem inventori

- Analisis keuangan atau sistem ekonomi

B. Sistem, Model dan Simulasi

Sistem didefinsikan sebagai suatu kumpulan satu kesatuan, seperti manusia dan mesin yang aktif
dan berinteraksi bersama-sama untuk mendapatkan penyelesaian akhir pokok pikiran. (definisi ini
diajukan oleh Schmidt dan Taylor (1970)). Praktisnya apa yang diartikan sebagai sistem
tergantung pada objektivitas pembelajaran tertentu. Kumpulan kesatuan berisi sistem
pembelajaran mungkin hanya sekelompok kecil pada keseluruhan sistem yang satu dengan sistem
lainnya.

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.

Gambar berikut memetakan cara yang berbeda untuk mempelajari sistem.

Gambar 2. Cara mempelajari sebuah Sistem (lihat Modul)

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.

b. Model Fisik dan Model Matematik

Pada kebanyakan masyarakat, kata model menimbulkan kesan pada mobil-mobilan dari tanah liat
pada uji airodinamika dalam terowongan angin, cockpit yang tidak terhubungkan dengan
pesawatnya yang digunakan untuk pelatihan pilot atau miniatur supertakn yang meluncur di
kolam. Semua itu adalah contoh-contoh model fisik (juga disebut model Iconik) adalah tidak
tipikal pada berbagai model yang biasanya penting dalam sistem analisis dan riset operasi.
Kadang-kadang bagaimanapun juga model ini dijumpai berguna untuk membangun model fisik
untuk belajar enginering atau sistem manajemen. Contohnya termasuk model-model skala top
tabel pada sistem penanganan material dan kasus terakhir model full skala fisik pada restoran
cepat saji disamping pergudangan, lengkap dengan full skala, wujudnya manusia. Tetapi
mayoritas model dibangun untuk tujuan tersebut adalah secara matematik mewakili sistem dalam
istilah logika dan hubungan yang kuantitatif yang kemudian dimanipulasi dan diubah untuk
mengetahui bagaimana reaksi model, dan bagaimana sistem akan bereaksi-jika model matematik
adalah model yang valid. Barangkali contoh sederhana model matematik adalah hubungan yang
erat d = rt, dimana r adalah kecepatan perjalanan, t adalah waktu perjalanan belanja, dan d adalah
jarak perjalanan. Model ini seharusnya menyediakan model yang valid seketika (contohnya,
sebuah penyelidikan ruang angkasa untuk planet lain setelah diperoleh kecepatan edarnya) tetapi
sangat kekurangan model untuk tujuan lain (contohnya jam-jam sibuk daqn sesaknya jalur bebas
lalulalang urban/pendatang).
c. Solusi Analitik dan Simulasi
Sekali kita membangun model matematik, model ini harus diuji untuk mengetahui bagaimana
model ini dapat digunakan untuk menjawab pertanyaan menarik tentang sistem yang diduga
untuk ditampilkan. Jika model ini cukup sederhana, model barangkali bekerja dengan
hubungannya secara kuantitatif mendapatkan pembuktian, disebut solusi analitik. Pada contoh d
= rt, jika kita mengetahui jarak perjalanan dan kecepatan, maka kita dapat bekerja dengan model
untuk mendapatkan waktu t = d/r sebagai waktu yang dibutuhkan. Model ini sangat simpel,
tertutup-bentuk solusi yang dapat diperoleh hanya dengan kertas dan pensil. tetapi beberapa
solusi analitik bisa menjadi luar biasa rumitnya, mensyaratkan sumber-sumber perhitungan yang
besar, dengan sistem matrik invers, adalah contoh yang baik untuk kondisi dimana model ini
merupakan rumusan analitik yang dikenal secara prinsipil. tetapi perolehan model secara
numerikal yang diperoleh seketika, adalah jauh dari uji coba-coba. Jika solusi analitik pada
model matematik tersedia dan bisa dihitung secara efisien, solusi analitik ini biasanya dapat
diharapkan untuk belajar model dengan cara ini dari pada dengan simulasi. bagaimanapun juga,
banyak sistem sangat kompleks, sehingga bahwa model matematik yang valid memiliki
kekomplekan sistem, berlawanan kemungkinannya pada solusi analitik. Dalam kasus ini model
harus dipelajari dalam arti simulasi. Misalnya pengujian secara numerik model pada masukkan
dalam pertanyaan bagaimana mereka mempengaruhi tampilan hasil ukuran.
Selagi sistem tersebut mungkin sebuah elemen kecil benar secara peyoratif telah lama diketahui
seperti metode pemikiran lagi sesudahnya, kadang-kadang berguna untuk menjelaskan simulasi.
Diberikan model matematika untuk dipelajari secara simulasi (sekarang merujuk sebagai model
simulasi), kita kemudian mencari alat-alat utama untuk melakukan simulasi tersebut. Alat-alat ini
berguna untuk tujuan mengklasifikasikan model-model simulasi dalam 3 dimensi yang berbeda:

1. Model Simulasi Statis dan Dinamis

Model simulasi statis adalah merepresentasikan sistem pada waktu utama, atau model ini
mungkin digunakan untuk menunjukkan sistem yang mana permainan waktunya sederhana tanpa
aturan; contoh simulasi statis adalah model Monte Carlo samping itu model simulasi dinamik
menunjukkan sistem sistem yang lambat laun melampaui waktu seperti sistem konveyor pada
pabrik.

2. Model Simulasi Determinsistik dan Stokastik

Jika model simulasi tidak berisikan komponen-komponen yang probabilitik (dengan kata lain
random), model ini disebut deterministik; penyelesaian sistem (dan analisis yang tidak bisa
dikembalikan ) pada penjabaran persamaan yang berbeda sebuah reaksi kimia semesti sebagai
model. Dalam model deterministik, outputnya ditentukan sekali membentuk output kuantitas dan
hubungan dalam model dikhususkan sama walaupun penentuan yang sebenarnya memerlukan
sedikit waktu berhitung untuk mengevaluasi. Banyak sistem bagaimanapun harus dimodelkan
seperti pemilikan sekurang-kurangnya beberapa komponen-komponen input random dan
membangkitkan model simulasi stokastik. Kebanyakan teori antrian dan sistem inventori
(pergudangan) dimodelkan secara stokastik. Model simulasi stokastik menghasilkan output
random, karenanya diuji hanya berupa estimasi (perkiraan) kebenaran karakteristiknya pada
model; ini merupakan model utama yang tidak menguntungkan dalam simulasi.

3. Model Simulasi Kontinyu dan Diskrit

Kita mendefinisikan model simulasi diskrit dan kontinyu analog dengan cara kita mendefinisikan
sistem diskrit dan kontinyu sebelumnya. Keputusan apakah menggunakan model diskrit atau
kontinyu pada sistem-sistem utama tergantung dalam kekhususan yang obyektif. Sebagai contoh,
model arus lalu lintas jalan tol menjadi diskrit jika karakteristik dan gerakan mobil secara
individu adalah terpenting. Alternatifnya jika mobil dapat diuji secara bersama-
sama/berkelompok, arus lalu lintas dapat dijelaskan dengan persamaan yang berbeda dalam
model kontinyu.

C. Simulasi Kejadian 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 hanya pada bilangan
yang dapat dihitung per titik waktu. Disini titik waktu adalah bentuk kejadian(event) yang terjadi
seketika yang dapat merubah state pada sistem. Contoh-contoh simulasi kejadian diskrit
diantaranya:

1. Simulasi pada sistem antrian pelayanan tunggal (Simulation of a Single-server Queueing

System), pada pelayanan kasir di pertokoan (supermarket), Teller pada pelayanan nasabah
perbankan dan ruang informasi pada perkantoran atau hotel.
2. Simulasi pada sistem inventori/pergudangan.
Pada simulasi antrian pelayanan tunggal problema statenya dapat digambarkan sebagai berikut:

Gambar 3. Sistem Antrian Pelayanan Tunggal. (lihat modul)

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)

b. Penentuan Event dan Variabel

Kita mendifinisikan event sebagai sebuah kejadian seketika itu juga yang bisa merubah state
sistem, dan dalam pelayanan antrian tunggal sederhana (The simple single-server queue) tidak
begitu jelas menidentifikasi event. Bagaimanapun, pertanyaan kadang-kadang timbul, khususnya
untuk sistem yang komplek, apakah dalam menentukan jumlah dan definisi event secara umum
pada model. Sistem yang komplek tersebut juga sulit untuk menspesifikasikan variabel state yang
dibutuhkan untuk menjaga berjalannya simulasi alam baris event yang akurat dan untuk
mendapatkan output ukuran yang diinginkan. Langkah ini tidak terlalu lengkap secara umumnya
untuk menjawab pertanyaan, masyarakat yang berbeda bisa mendatangkan cara yang berbeda
untuk merepresentasikan model dalam istilah event dan variabel, semuanya akan menjadi tepat.
Tetapi beberapa prinsip dan teknik membantu menyederhanakan struktur model dan untuk
menghindari kesalahan logika.

Schruben (1983b) menghadirkan sebuah metode event-graph, yang merupakan kelanjutkan

menyempurnakan dan dikembangkan oleh Sargent (1988) dan Som dan Sargent (1989). Dalam
pendekatan pengajuan event ini, masing-masing diwakili oleh node, yang dihubungkan oleh
directed arcs (panah) yang melukiskan bagaimana event bisa diskedulkan dari event lainya dan
dari dirinya sendiri. Event graph menghubungkan kumpulan perencanaan pada event (nodes)
oleh busur yang mengindikasikan tipe event skedul yang dapat terjadi. Dalam gambar berikut
kita melihatkan event graph untuk Single-server queueing system, dimana tebal, panah yang
smooth menunjukkan bahwa event diakhir pada panah bisa diskedulkan dari event dimulai panah
sekitar waktu tidak nol, panah tipis dan bergerigi menunjukkan bahwa event diakhirnya adalah
permulaan skedul. Dengan demikian, event kedatangan yang direskedulkan pada dirinya sendiri
dan bisa mengskedulkan kedatangan ( dalam kasus pada kedatangan yang mendapatkan
pelayanan segera), dan event kepulangan bisa mereskedulkan dirinya sendiri (jika tempat
kepulangan dibelakang seseorang yang lain dalam antrian).

Gambar 5. Event Graph, model antrian (lihat modul)

D. Pendekatan Alternatif untuk Pemodelan dan Pengkodean Simulasi

Sejak masa awalnya simulasi, masyarakat selalu mencari cara baru dan terbaik untuk
memodelkan sistem, sebaik cara novel untuk menggunakan keberadaan hardware dan software
komputer dalam simulasi. Pada bagian ini berusaha mengembangkan keluar pada software
simulasi komersil. Juga dikajiulang secara jelas kekhususan dan usaha pengembangan software
independent secara luas, yang ditangani secara potensial untuk mendapatkan pengaruh yang
signifikan dalam software simulasi yang praktis.
1. Simulasi Paralel dan Berdistribusi
Dalam simulasi ini semua beroperasi berdasarkan cara yang sama. Sebuah simulasi waktu dan
daftar event berinteraksi dengan menentukan yang mana event akan diproses kemudian, waktu
adalah menguntungkan untuk masa event ini, dan komputer akan mengeksekusi event secara
logic, yang bisa dilibatkan untuk memperbarui variabel state, memanipulasi daftar untuk antrian
dan event, membangkitkan bilangan random dan variasi random, dan dikumpulkan secara
statistik. Logic ini dieksekuasi dengan cara simulasi event waktu sedang terjadi, dengan kata
lain simulasi adalah sequential (berurutan). lebih lanjut, semua kerja dilakukan dengan sebuah
komputer.

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.

Dapat dibayangkan cara-cara memisahkan simulasi secara dinamis untuk membentuk

penyebarannya dan bekerja melalui prosesor yang berbeda. Barangkali banyak pendekatan
langsung dialokasikan dalam fungsi dukungan tersendiri (seperti pembangkit bilangan random,
pembangkit variasi random, penangani event list, manipulasi list dan antrian, dan pengumpulan
secara statistik) untuk membedakan prosesor. Sebuah cara yang berbeda untuk menyebarkan
sebuah simulasi melintasi prosesor yang terpisah dan disusun kembali dalam bentuk modelnya
sendiri dalam beberapa submodel. Sebagai contoh, fasilitas manufaktur sering dimodelkan
sebagai inkoneksitas jaringan kerja pada situasi antrian, masing-masing mewakili tipe yang
berbeda dalam aktifitasnya. Submodel-submodel individu (atau kelompoknya) adalah ditandi
pada prosesor yang berbeda, masing-masing bekerja secara simulasi yang berharga pada model.
Prosesor harus berkomunikasi dengan satu sama lainnya yang mana penting untuk menjaga sifat-
sifat hubungan logikal antara submodel; dalam contoh manufaktur, ini dapat terjadi ketika pekerja
meninggalkan pusat antriannya dan pergi ke pusat antrian lainnya dan ini disimulasikan dalam
prosesor yang berbeda. Perawatan harus diberikan untuk menjaga ketepatan waktu pesanan
dalam tindakannya, yang disebut sinkronisasi operasional pada submodel dalam prosesor yang
berbeda untuk menunjukkan semua model aktifitas secara tepat.

2. Simulasi lintas internet dan simulasi berbasis Web.

Dengan cepatnya perkembangan internet dan Jaringan Web dunia, pertanyaan secara alamiah
muncul apakah jaringan mahabesar ini (masih belum tercontrol secara luas) seharusnya
digunakan untuk membangun, berperan, memodifikasi, menyebarkan dan menjalankan simulasi.
Fishwick (1996, 1997) telah menggali jangkauan yang luas kabar dalam kesepakatan ini,
termasuk penyusunan pelayanan klien untuk meningkatkan tenaga prosesing, disimilasi model
simulasi dan hasil, publikasi, pendidikan dan pelatihan. Pembahasan secara umum pendekatan
Simulasi berbasis Web, sepanjang contoh-contoh operasi khusus, telah dijelaskan oleh Lorenz
dan kawan-kawannya (1997). Selagi simulasi ini sulit memprediksi secara jelas apakah Internet
dan Web semestinya mempengaruhi simulasi, Pengaruhnya sangat jelas terlihat dan sangat
menarik dan banyak masyarakat menggali secara beragam dan luas cara-cara menggunakan
teknologi dalam cara novel untuk mendukung simulasi.

E. Langkah-langkah dalam Studi Penyelidikan Simulasi

Sekarang kita dapat melihat secara mendalam kinerja Simulasi Event Diskrit, kita perlu
melangkah kebelakang dan merealisasikan bahwa model pemrograman sebagai bagian dari usaha
keseluruhan untuk merancang atau menganalisis sistem yang komplek oleh simulasi. Perhatian
harus ditujukan pada berbagai perhatian lainnya seperti analisis statistik pada simulasi output data
dan manajemen proyek. Gambar berikut menunjukkan langkah yang akan menyusun secara
tipikal, Studi penyelidikan simulasi. Sejumlah besar simbol merepresentasikan setiap langkah
yang merujuk pada penjelasan yang lebih mendalam pada langkah-langkah berikut. Catatan
bahwa studi simulasi adalah proses yang tidak sederhana terus menerus. Sebagai hasil bisa
menjadi penting kembali kebelakang pada langkah sebelumnya.

Gambar 6. Langkah-langkah dalam studi simulasi (lihat modul)

1. Perumusan masalah dan merencanakan studi

a. Permasalahan yang menarik yang dinyatakan (state) oleh pengelola

b. Satu atau lebih pertemuan kickoff untuk studi ditunjukkan, dengan manajer

proyek, analisa simulasi, dan subject-matter experts (SMEs) yang

dihadirkan. Berikut hal-hal yang dibahas:

- Keseluruhan objek studi

- Pertanyaan khusus yang akan dijawab dalam studi

- Tampilan ukuran yang akan digunakan untuk mengevaluasi ketepatan

sistem konvigurasi yang berbeda.

- Skop model

- Sistem konvigurasi yang dimodelkan

- Software yang digunakan

- Kerangka waktu untuk studi dan sumber persyaratan.

2. Mengumpul data dan mendefinisikan model

a. Mengumpulkan informasi sistem layout dan prosedur operasi

- Orang yang tidak tunggal atau dokumen yang cukup

- Beberapa masyarakat yang memiliki informasi yang tidak akurat-

membuat keyakinan bahwa kebenaran SMEs telah diidentifikasi

- Prosedur operasi yang tidak bisa dirumuskan

b. Mengumpulkan data (jika mungkin) untuk mengkhususkan parameter

model dan input distribusi probabilitas.

c. Membuat rencana tentang informasi dan data dalam sebuah dokumen

asumsi yang disebut Model Konseptual.

d. Mengumpulkan data (jika mungkin) dalam penampilan keberadaan sistem.

e. Tingkatan model secara mendalam akan tergantung pada berikut ini:

- Objektifitas Proyek

- Tampilan ukuran

- Data yang tersedia

- Berkenaan dengan kredibilitas

- Kendala komputer

- Opini tentang SMEs

- Kendala biaya dan waktu

f. Disini memerlukan korespondensi tidak satu per satu antara masing-masing

elemen pada model dan korespondensi elemen pada sistem

g. Interaksi dengan manajer ( dan kunci lain personal project) dalam basis

regular.

3. Apakah konseptual model valid?

a. Membentuk struktur melalui model konseptual menggunakan dokumen

asumsi sebelum audiensi pada manajer, analisis dan SMEs.

- Membantu meyakinkan bahwa asumsi model adalah tepat dan

kompleks

- Mempromosikan kepemilikan model

- Menempatkan bagian sebelum memulai program untuk menghindari

pemrograman kembali secara signifikan.

4. Menyusun program komputer dan verifikasi

a. Program model dalam bahasa pemograman ( misalnya C atau Fortran) atau

dalam software simulasi (misalnya: Arena, AutoMod, Extend. ProModel,

WITNESS). Manfaat penggunaan bahasa pemograman atau salah satunya

yang sering dikenal, punya permintaan biaya yang rendah, dan bisa

menghasilkan model eksekusi waktu yang sangat kecil. Penggunaan

software simulasi, dengan kata lain mengurangi waktu pemrograman dan

menghasilkan biaya proyek yang rendah.

b. Verifikasi program komputer simulasi.

5. Membuat Pilot operasi

a. Membuat pilot operasi untuk maksud validasi dalam langkah ke-6.

6. Apakah model pemrograman valid?

a. Jika disini adalah keberadaan sistem, maka bandingkan bentuk ukuran

model dan sistem untuk keberadaan sistem.

b. Tidak ada perhatian pada keberadaan sistem, analisis simulasi dan SMEs
harus dikaji ulang hasil model agar tepat.

c. Menggunakan analisis yang sensitif untuk menentukan apakah faktor model

memiliki pengaruh yang signifikan dalam bentuk ukuran dan dimodelkan

secara hati-hati.

7. Disain Eksperimen
a. Kekhasan berikut untuk masing-masing konfigrasi sistem menarik:

- Panjang masing-masing run (jalannya program)

- Panjang periode warmup(pemanasan kembali program), jika tersedia

- Jumlahan pada simulasi independen yang dijalankan menggunakan

bilangan random yang berbeda-bentuk fasilitas pada interval

konfiden.

8. Membuat produk menjalankan program.

a. Produk menjalankan program dibuat untuk langkah 9.

9. Menganalisis output data

a. Dua objectifitas utama dalam analisis output data adalah:

- Penentuan bentuk absolut pada sistem konfigurasi tertentu.

- Pembandingan sistem konfigurasi alternatif dalam sebuah pemikiran

yang relatif.

10. Dokumentasi, penyajian dan menggunakan hasil.

a. Asumsi-asumsi dokumentasi, program komputer, dan hasil studi yang

digunakan untuk proyek yang berlangsung dan proyek yang akan datang.

b. Menghadirkan hasil studi

- Menggunakan animasi untuk mengkomunikasikan model untuk

manajer dan masyarakat lain yang tidak paham dengan semua model

secara mendalam.

- Mendiskusikan bangunan model dan proses validasi untuk promosi

yang kredibel.

c. Hasil yang digunakan dalam membuat proses keputusan jika hasilnya valid

dan kredibel.

F. Tipe Lain Simulasi

Walaupun secara empiris dalam buku ini adalah untuk simulasi Event-Diskrit, beberapa tipe lain
simulasi adalah sangat penting untuk dipertimbangkan. Tujuan kita disini adalah untuk
menerangkan tipe-tipe lain simulasi secara jelas dan menjadi kontras dengan simulasi event-
diskrit. Terutama, kita akan mendiskusikan secara kontinyu, kombinasi diskrit-kontinyu dan
simulasi Monte Carlo.

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 ).

Gambar 7. Solusi Numerik Model Predator-Mangsa (lihat modul)

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.

2. Kombinasi Simulasi Diskrit-Kontinyu

Ketika beberapa sistem tidak mungkin diskrit atau tidak mungkin kontinyu, kebutuhan bisa
timbul untuk menyusun sebuah model dengan aspek simulasi diskrit dan kontinyu, menghasilkan
sebuah kombinasi simulasi diskrit-kontinyu (Combined discrete-continuous simulation). Pritsker
(1995, pp 61-62) menjelaskan tiga tipe mendasar interaksi yang dapat terjadi antara perubahan
variabel state secara diskrit dan secara kontinyu:

- 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.

3. Simulasi Monte Carlo

Kita mendefinisikan simulasi Monte Carlo menjadi sebuah skema menggunakan bilangan
random, yaitu random variate U(0, 1), yang digunakan untuk memecahkan stokastik tertentu atau
problem-problem detetrministik dimana perjalanan waktu berperan tidak substantif. Dengan
demikian, simulasi Monte Carlo secara umum statik dari pada dinamik. Pembaca akan mencatat
bahwa walaupun beberapa penulis mendifiniskan simulasi Monte Carlo menjadi beberapa
simulasi terlibat menggunakan bilangan random, kami mendefinisikan lebih terbatas. Nama
simulasi atau metode Monte Carlo diawali selama perang dunia ke-2, ketika pendekatan ini telah
diaplikasikan untuk masalah yang berhubungan untuk pengembangan bom atom.

Contoh. Andaikan bahwa kita ingin menilai integral

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

2,213 1,951 1,948 1,989 1,993

Simulasi Monte Carlo secara secara luas digunakan untuk memecahkan masalah dalam statistik
yang tidak analitik. Sebagai contoh, simulasi ini telah diaplikasikan untuk mengestimasi nilai
kritis atau power pada uji hipotesis baru. Penentuan nilai kritis pada uji normalitas Kolmogorov-
Smirnov untuk uji normalitas, telah diaplikasikan.

G. Keuntungan, Kerugian dan Kejelekkan Simulasi

Kita memasukkan bab pendahuluan ini dengan daftar kebaikan dan kejekkan karakteritik simulasi
(sebagai pembanding untuk metode lain pada sistem studi), dan ditandai membuat beberapa
kesalahan umum dalam studi simulasi dapat merugikan atau merusak proyek simulasi. Beberapa
keuntungan simulasi bisa dihitung secara luas yang muncul sebagai berikut:

- 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.

- Simulasi memperkenankan sesuatu untuk mengestimasi kinerja keberadaan sistem

dibawah beberapa kumpulan proyek pada kondisi operasional.

- 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.

- Model simulasi sering mahal dan memakan waktu untuk berkembang.

- 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.

- Tidak tersedianya level pada model secara mendalam

- Kegagalan mengkomunikasikan dengan manajemen melalui kursus pada studi simulasi

- Kesalahpahaman simulasi oleh manajemen

- Penampilan sebuah studi simulasi jika secara utama diuji dalam program komputer.

- Kegagalan masyarakat dengan pengetahuannya tentang metodologi simulasi dan satatistik

dalam team pemodelannya..

- Kegagalan untuk mengumpulkan sistem data yang baik.

- Tidak tersedianya software simulasi

- Sebelumnya menggunakan produk software simulasi yang statemen makronya kompleks

tidak sebaik yang didokumentasikan dan belum bisa mengimplementasikan model-model logik
yang diharapkan.

- Percaya bahwa mudah menggunakan paket simulasi, yang mana mensyaratkan sedikit atau
tidak bisa melakukan pemrograman, mensyaratkan taraf signifikansi yang rendah pada teknik
kompentensi.

- Animasi tidak berguna.

- Kegagalan untuk menghitung secara tepat sumber random dalam sistem aktual.

- Menggunakan distribusi yang asal-asalan (misalnya, normal, uniform, atau triangular)

sebagai input simulasi.

- 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.

- Menggunakan bentuk ukuran yang salah.

Tugas dari materi Bab I
Jawablah pertanyaan berikut dalam kolom komentar dan jangan lupa tulis nama lengkap.
1. Apa yang dimaksud dengan simulasi kejadian diskrit? Sebutkan contohnya!

2. Apa yang dimaksud dengan simulasi kejadian kontinyu? Sebutkan contognya!

3. Pada contoh teori antrian dikenal istilah FIFO dan LIFO, jelaskan pengertiannya!

4. Sebutkan beberapa keuntungan dan kelemahan sinulasi secara ringkas!

5. Apa peran terbesar simulasi dalam mengatasi masalah di dunia? jelaskan salah satu contoh
kasusnya.