BAB II

1. Pengenalan
Dalam kebanyakan kasus, model simulasi sistem operasi dikembangkan menggunakan
perangkat lunak khusus dan tidak diprogram dari awal. Itulah kekuatan simulasi lunak
modern yang sangat diperlukan untukmemprogram bahasa pemrograman. Namun, selain
menggunakan perangkat lunak paket yang disengaja,
adalahmemahamipemahamanpemahamanpemahankepentingan prinsip yang mendasari
teknik ini. Sementara banyak dari perangkat lunak yang kami gunakan (misalnya,
spreadsheet) hanya mengotomatiskan tugas sehari-hari dan membantu untuk
melakukannya dalam skala yang lebih besar, simulasi bukanlah kegiatan sehari-hari.
Karena itu, bahaya ini bahkan lebih besar. Dalam bab ini prinsip-prinsip teknik simulasi
dijelaskan untuk memberikan pemahaman tentang perangkat lunak simulasi whatisinside.
Singkatnya, perangkat lunak melibatkan elemen: pemodelan kemajuan waktu dan
pemodelan variabilitas. Yang pertama hadir dalam semua simulasi dinamis, yang kedua
hadir dalam mayoritas. Memang, kedua elemen ini memungkinkan simulasi untuk
memodelkan variabilitas, keterkaitan, dan kompleksitas dalam suatu sistem operasi: yang
pertama secara langsung menunjukkan pertanda keberagaman, yang terkait dengan cara
memoderasi proses waktu. Hanya pengenalan singkat untuk kemajuan saat ini dan
variabilitas yang diberikan, bersama dengan beberapa contoh ilustrasi sederhana. Ini tentu
saja tidak dimaksudkan untuk memberikan detail yang cukup bagi mereka yang ingin
memprogram simulasi dari awal. Hal ini bertujuan untuk memberikan landasan dasar
dalam teknik simulasi. Bagi mereka yang ingin mengembangkan pengetahuan yang lebih
rinci tentang teknik simulasi, referensi diberikan pada poin yang sesuai.

2. Membuat Model Kemajuan Waktu

Ada beberapa yang berarti membuat kesalahan saat pengunduran diri. Ketidaksesuaian
pendekatan diuraikan di sini. Metode pengiris seumur hidup ini dideskripsikan sebagai
pertama kali karena tidak berguna untuk memahami dasar-dasar pendekatan simulasi.
Simulasi peristiwa-diskrit kemudian dijelaskan, inilah yang menjadi pendekatan simulasi
yang menjadi dasar buku ini dan metode yang meremehkan komunikasi komersial
sehingga tidak terkait dengan Bab 3. Simulasi di dalam tanah ‘‘ simulasi tangan-tangan
'digunakan untuk menunjukkan metode-metode tersebut. Ada juga diskusi singkat tentang
simulasi berkelanjutan, yang kadang-kadang digunakan untuk pemodelan sistem operasi.
Pidd (1998) dan Law dan Kelton (2000) memberikan diskusi yang lebih mendalam tentang
topik-topik ini bagi mereka yang ingin mengembangkan pemahaman yang lebih rinci.

2.1 Pendekatan Mengiris Waktu

Metode paling sederhana untuk memodelkan kemajuan waktu adalah pendekatan

pemotongan waktu di mana langkah waktu (t) yang konstan diadopsi. Ini paling
baik dijelaskan dengan sebuah contoh. Di pusat panggilan telepon, panggilan
masuk setiap 3 menit dan diteruskan ke salah satu dari dua operator yang
membutuhkan waktu 5 menit untuk berurusan dengan pelanggan (Gambar 2.1).
Diasumsikan untuk saat ini bahwa tidak ada variasi dalam waktu antar kedatangan
dan waktu layanan. Tabel 2.1 menunjukkan simulasi call center selama 24 menit
dengan t set ke 1 menit. Kolom dua menunjukkan waktu yang tersisa sampai ada
panggilan. Kolom tiga dan empat menunjukkan sisa waktu sampai layanan
pelanggan selesai. Jumlah panggilan yang diselesaikan oleh masing-masing
operator dihitung. Relatif sederhana mengatur simulasi pengirisan waktu untuk
situasi ini. Pendekatan yang sama dapat digunakan untuk situasi kompleks atau
rumit, walaupun mereka mungkin juga sangat besar dan mungkin tidak dapat
dikelola dengan tangan. Dengan menyusun bagan arus yang menguraikan urutan
kegiatan, akan mungkin untuk mengembangkan program komputer untuk
melakukan simulasi, memungkinkan simulasi skala yang lebih besar. Pendekatan
pengiris waktu juga dapat dimodelkan dengan mudah dalam spreadsheet. Ada dua
masalah utama dengan pendekatan pemotongan waktu. Pertama, itu sangat tidak
efisien. Selama banyak langkah waktu tidak ada perubahan dalam sistem-negara
dan akibatnya banyak perhitungan tidak diperlukan. Pada Tabel 2.1, satu-satunya
poin yang menarik adalah saat panggilan masuk, saat operator menerima panggilan
dan saat operator menyelesaikan panggilan. Secara total ada 22 titik yang
bertentangan dengan 72 (24 × 3) perhitungan yang dilakukan pada Tabel 2.1.
Masalah ini hanya akan diperburuk semakin besar simulasi menjadi. Masalah
kedua adalah menentukan nilai t. Meskipun langkah waktu satu menit tampak jelas
untuk contoh di atas, dalam sebagian besar simulasi, durasi kegiatan tidak dapat
dihitung dalam bilangan bulat. Juga, sering ada variasi yang luas dalam waktu
aktivitas dalam suatu model mulai dari detik (atau kurang) hingga jam, hari, minggu
atau lebih. Pendekatan simulasi peristiwa diskrit membahas kedua masalah ini.
2.2 Pendekatan simulasi kejadian-diskrit (metode tiga fase)
Perkiraan kejadian-kejadian yang berbeda hanya pada waktu yang ditentukan pada
saat perubahan sistem diwakili. Dengan kata lain sistem dimodelkan sebagai
serangkaian peristiwa, yaitu, instan dalam waktu ketika suatu perubahan terjadi.
Contoh acara adalah pelanggan datang, pelanggan mulai menerima layanan dan
mesin diperbaiki. Masing-masing terjadi secara instan. Untuk menggambarkan hal
ini, simulasi call center diringkas sebagai simulasi peristiwa diskrit pada Tabel 2.2.
Tabel 2.2 telah dibuat dengan hanya mengidentifikasi peristiwa pada Tabel 2.1. Ini
jelas membutuhkan simulasi pengiris waktu untuk dilakukan pertama kali. Adalah
normal, bagaimanapun, untuk melakukan simulasi peristiwa diskrit secara
langsung. Sejumlah mekanisme telah diusulkan untuk melakukan simulasi
peristiwa-diskrit, di antaranya adalah pendekatan berbasis peristiwa, berbasis
aktivitas, berbasis proses, dan tiga fase. Untuk diskusi terperinci tentang ini lihat
Pidd (1998). Untuk mengembangkan pemahaman tentang simulasi peristiwa
diskrit, pendekatan tiga fase dijelaskan di sini (Tocher1963). Pendekatan ini
digunakan oleh sejumlah paket perangkat lunak simulasi komersial, tetapi ini tidak
berarti bahwa mekanisme lain tidak umum digunakan dalam perangkat lunak
komersial juga. Namun, dari perspektif pengguna perangkat lunak, spesifikasi
metode simulasi yang mendasarinya pada umumnya disembunyikan.
Pendekatan simulasi tiga fase

Dalam tiga fase pendekatan simulasi peristiwa diklasifikasikan menjadi dua jenis.
 B (terikat atau dipesan) peristiwa: ini adalah perubahan keadaan yang
dijadwalkan terjadi pada suatu titik waktu. Misalnya, kedatangan panggilan
dalam model pusat panggilan terjadi setiap 3 menit. Setelah panggilan
diambil oleh operator, panggilan dapat dijadwalkan selesai 5 menit
kemudian. Prinsip ini berlaku bahkan ketika ada variabilitas dalam model,
dengan memprediksi sebelumnya berapa lama suatu kegiatan tertentu akan
berlangsung. Secara umum B-events berhubungan dengan kedatangan atau
penyelesaian suatu kegiatan.
 Peristiwa C (bersyarat): ini adalah perubahan status yang bergantung pada
kondisi dalam model. Misalnya, operator hanya dapat mulai melayani
pelanggan jika ada pelanggan yang menunggu untuk dilayani dan operator
tidak sibuk. Secara umum C-events berhubungan dengan dimulainya
beberapa kegiatan.
Untuk menunjukkan pendekatan tiga fase, contoh call center yang sedikit lebih
kompleks sekarang diperkenalkan (Gambar 2.2). Dua jenis pelanggan (X, Y)
melakukan panggilan ke pusat. Panggilan tiba dari pelanggan tipe X setiap 5
menit dan dari pelanggan tipe Y setiap 10 menit. Panggilan yang diterima
ditempatkan dalam antrian (dilambangkan dengan lingkaran) sebelum router
panggilan (sistem menu nada sentuh) mengarahkan panggilan ke operator yang
tepat; sebuah aktivitas yang membutuhkan waktu 1 menit. Ada dua operator,
yang pertama mengambil semua panggilan pelanggan X, yang kedua semua
panggilan pelanggan Y. Operator 1 membutuhkan tepat 4 menit untuk
menangani panggilan dan operator 2 tepat 7 menit. Sebagai langkah pertama,
semua peristiwa B dan C untuk sistem perlu didefinisikan. Ini ditunjukkan
dalam Tabel 2.3 dan 2.4 masing-masing. Perhatikan kolom yang menentukan
acara mana yang akan dijadwalkan setelah acara, misalnya, kedatangan
pelanggan tipe X mengarah ke kedatangan berikutnya yang dijadwalkan
(peristiwa B1). Karena setiap C-event mewakili awal dari suatu kegiatan,
mereka menjadwalkan B-event yang mewakili selesainya aktivitas tersebut.
Untuk acara B4 dan B5 panggilan adalah output ke ‘‘ dunia ’. Istilah ini berarti
bahwa panggilan keluar dari model. Perhatikan juga bahwa untuk statistik B4
dan B5 acara dikumpulkan berdasarkan jumlah pelanggan yang dilayani. Untuk
setiap C-event kondisi untuk dieksekusi ditentukan. Setelah mengidentifikasi
semua peristiwa, sistem dapat disimulasikan. Gambar 2.3 menguraikan
pendekatan tiga fase. Pada awal simulasi, keadaan awal model ditentukan. Ini
mungkin melibatkan menempatkan pekerjaan dalam proses dalam model untuk
menciptakan kondisi awal yang realistis (Bagian 9.5.2). B-event awal juga
dijadwalkan, misalnya, kedatangan pelanggan pertama. Acara terjadwal
ditempatkan ke dalam daftar acara yang menyimpan catatan semua acara
mendatang yang telah dijadwalkan. Simulasi kemudian bergerak ke dalam tiga
fase yang terus menerus diulang. Dalam fase-A, yang juga dikenal sebagai
eksekutif simulasi, waktu acara berikutnya ditentukan dengan memeriksa daftar
acara. Jam simulasi kemudian maju ke waktu acara berikutnya. Dalam fase-B
semua peristiwa-B karena pada waktu jam dieksekusi. Dalam fase-C semua
peristiwa-C dicoba dan yang kondisi terpenuhi dieksekusi. Karena keberhasilan
eksekusi suatu peristiwa-C dapat berarti bahwa peristiwa-C lain sekarang dapat
dieksekusi, simulasi terus mencoba peristiwa-C sampai peristiwa-peristiwa
selanjutnya tidak dapat dieksekusi. Simulasi kemudian kembali ke fase-A
kecuali dianggap simulasi selesai. Biasanya simulasi dijalankan untuk jangka
waktu yang telah ditentukan sebelumnya atau mungkin sejumlah kedatangan
yang ditentukan (Bagian 9.6).
Contoh pusat panggilan telepon: simulasi tangan
Komputer dapat dengan mudah diprogram untuk mengikuti tahapan dalam
pendekatan tiga fase. Untuk tujuan pemahaman, bagaimanapun, berguna untuk
melakukan simulasi dengan tangan. Tabel 2.5 hingga 2.13 menunjukkan
metode tiga fase dalam operasi untuk contoh call center.
Masing-masingkabelmenunjukkanpembuatanresimaksimenggunakan metode
untuk total 18 menit dari stimulasi. Status model mengikuti fase-B dan fase-C
di setiap iterasi ditampilkan. Dianjurkan agar pembaca mengikuti contoh ini
dalam hubungannya dengan bagan arus pada Gambar 2.3. Mungkin berguna
untuk membuat simulasi visual dengan menggambar diagram pada Gambar 2.2
dan menggunakan potongan kertas dengan X dan Y yang tertulis di atasnya
untuk menunjukkan pergerakan pelanggan seperti dijelaskan dalam tabel di
bawah ini. Tabel 2.5 menunjukkan kondisi awal simulasi. Diasumsikan bahwa
tidak ada panggilan di pusat telepon, meskipun panggilan telepon dapat
ditempatkan di tempat jika diperlukan.
Dua acara awal dijadwalkan untuk kedatangan pelanggan pertama X dan Y,
yang akan terjadi pada waktu masing-masing 5 menit dan 10 menit. Perhatikan
bahwa daftar peristiwa ditempatkan dalam urutan kronologis sehingga fase-A
dapat dengan mudah memilih acara di bagian atas daftar. Simulasi kemudian
memasuki fase-A yang memajukan jam ke waktu 5 menit ketika peristiwa-B
pertama, B1, terjadi (Tabel 2.6). Dalam fase-B, panggilan dari pelanggan tipe
X pertama tiba (X1) di antrian router. Kedatangan berikutnya dari panggilan
tipe X pelanggan dijadwalkan terjadi pada waktu 10 (peristiwa B1). Perhatikan
bahwa acara tersebut akan berlangsung bersamaan dengan acara B2, tetapi
ditempatkan setelah B2 dalam daftar acara karena penjadwalannya terjadi
setelahnya. Ini menjadi penting ketika peristiwa ini dieksekusi pada Tabel 2.8.
Saat memasuki fase-C, eventC1diselesaikan.Panggilan
X1menghapustuntukpelajar dandi sana dijadwalkan selesai pada waktu 6menit
(eventB3). Tidak ada peristiwa C lebih lanjut yang dapat dieksekusi. Kembali
ke fase-A, jam dimajukan ke waktu 6 menit dan peristiwa B3 dieksekusi dalam
fase-B. Akibatnya, panggilan X1 ditransfer ke antrian operator 1 (Tabel 2.7).
Dalam fase-C panggilan ditransfer ke operator 1, yang dijadwalkan untuk
menyelesaikan panggilan pada waktu 10 melalui peristiwa B4. Pada waktu 10,
tiga B-event dieksekusi, B2, B1 dan B4 masing-masing (Tabel 2.8). Semua
peristiwa ini dieksekusi sebelum memasuki fase-C. Sebagai hasil dari
pemesanan mereka, panggilan Y1 dipilih untuk memasuki antrian router
sebelum panggilan X2. Di sini prioritas pertama masuk pertama keluar
digunakan, tetapi prioritas alternatif dapat diadopsi jika diperlukan, misalnya,
menjawab panggilan pelanggan tipe X sebelum pelanggan tipe Y. Dua
peristiwa kedatangan menyebabkan acara kedatangan lebih lanjut dijadwalkan,
B1 di 15 menit dan B2 pada 20 menit. Ketika acara B4 dieksekusi, panggilan
X1 meninggalkan model dan pekerjaan lengkap dihitung bertambah dengan 1.
Acara C1 dieksekusi dalam fase-C membuat panggilan Y1 pindah ke router dan
menjadwalkan acara B3. Tidak ada peristiwa C lebih lanjut yang dapat
dieksekusi. Simulasi kemudian dilanjutkan dengan cara yang sama melalui tiga
fase (Tabel 2.9-2.13). Untuk keperluan contoh ini, simulasi dihentikan pada
waktu 18 menit (Tabel 2.13). Pada titik ini dua panggilan dari pelanggan tipe X
telah selesai dan satu dari pelanggan tipe Y. Panggilan X3 sedang dilayani oleh
operator 1.
2.3 Pendekatan simulasi berkelanjutan
Dalam seluruh rentang situasi, operasi tidak tunduk pada perubahan diskrit dalam
status, tetapi kondisi sistem berubah terus menerus sepanjang waktu. Yang paling
jelas dari ini adalah dalam operasi yang melibatkan cairan, misalnya, bahan kimia
dan pabrik minyak tanah. Dalam sistem ini tangki cairan dapat mengalami
perubahan volume yang terus menerus. Sistem yang melibatkan volume tinggi
barang yang bergerak cepat juga dapat dianggap sebagai berkelanjutan, misalnya,
pabrik makanan dan sistem komunikasi. Dalam situasi ini, tingkat granularitas yang
dengannya sistem akan dianalisis menentukan apakah itu terlihat terpisah atau
kontinu. Komputer digital tidak dapat memodelkan perubahan terus menerus dalam
keadaan. Oleh karena itu, pendekatan simulasi kontinyu mendekati perubahan
kontinu dengan mengambil langkah waktu diskrit kecil (t). Gambar 2.4
mengilustrasikan bagaimana perubahan tingkat, misalnya, cairan dalam tangki
dapat disimulasikan melalui waktu. Dalam contoh ini perubahan dalam keadaan
selama langkah-waktu diperkirakan secara linear. Semakin kecil langkah-waktu
semakin akurat perkiraan, tetapi semakin lambat simulasi berjalan, karena level
sedang dihitung ulang lebih sering per unit waktu simulasi. Pendekatan ini, tentu
saja, sama dengan metode pengiris waktu yang dijelaskan di atas. Simulasi
berkelanjutan banyak digunakan dalam, misalnya, teknik, ekonomi dan biologi. Ini
lebih jarang digunakan untuk pemodelan sistem operasi, meskipun tidak jarang
digunakan. Beberapa paket simulasi kejadian-diskrit juga memiliki fasilitas untuk
simulasi berkelanjutan, sementara itu mungkin juga memungkinkan untuk
menghentikan kontimulasi paket paket kejadian-beton dengan memasukkan acara
reguler yang meniru langkah-waktu (t). Ini berguna karena ada beberapa keadaan
di mana diskrit dan perubahan kontinu perlu digabungkan, misalnya, kegagalan
proses (perubahan diskrit) di pabrik kimia (perubahan terus-menerus). Huda dan
Chung (2002) menggambarkan contoh simulasi diskrit dan kontinu yang
 memodelkan pabrik produksi kopi menggunakan perangkat lunak simulasi
komersial. Dinamika sistem adalah suatu bentuk spesifik dari simulasi
berkelanjutan yang mewakili suatu sistem sebagai seperangkat stok dan aliran
(Forrester 1961; Coyle 1996; Sterman 2000). Di antara banyak aplikasi, metode ini
sangat berguna untuk melihat isu-isu strategis dalam organisasi. Ada beberapa
situasi di mana dinamika sistem dapat digunakan sebagai pengganti simulasi
peristiwa diskrit, atau sebaliknya. Misalnya, keduanya digunakan untuk
memodelkan rantai pasokan (Anderson et al. 2000; Jain et al. 2001) dan masalah
perawatan kesehatan (Lane et al. 1998; Taylor et al. 1998). Tidak banyak yang
berani membahas antarmuka antara dua pendekatan, Lane (2000) menjadi salah
satu dari sedikit contoh. Secara umum, simulasi kejadian-diskrit lebih tepat ketika
suatu sistem perlu dimodelkan secara rinci, terutama ketika setiap item perlu
dilacak melalui sistem.

2.4 Ringkasan: memodelkan kemajuan waktu

Tiga pendekatan untuk memodelkan kemajuan waktu dijelaskan di atas: mengiris
waktu, simulasi kejadian terpisah dan simulasi berkelanjutan. Fokus utama buku
ini adalah diskimulasi-peristiwa diskrit. Pendekatan ini membahas berbagai paket
perangkat lunak stimulasi komersial (Bab 3).

3. Variabilitas Pemodelan
Setelah mendeskripsikan penjualan sinyal dari waktu luang, perhatian harus kembali ke
aspek kedua yang merupakan pusat simulasi, pemodelan variabilitas. Dalam hal ini,
pemodelan variabilitas yang tidak dapat diprediksi menghadirkan tantangan utama dan
begitu banyak diskusi yang mengikuti fokus pada hal ini. Namun, ada beberapa
pembahasan singkat tentang bagaimana membuat variabilitas yang dapat diprediksi pada
akhir bagian ini.

3.1 Memodelkan variabilitas yang tidak dapat diprediksi

Sejauh ini simulasi call center belum memasukkan elemen variabilitas dan,
khususnya, variabilitas tak terduga. Tidak realistis untuk mengharapkan waktu
 yang dihabiskan penelepon di router dan operator akan diperbaiki. Panggilan juga
tidak akan tiba pada interval tetap dengan tepat dua pelanggan X untuk setiap Y.
Bagaimana variabilitas tak terduga seperti itu dapat diwakili dalam simulasi? Untuk
menjawab pertanyaan ini, pertama-tama ambil contoh rasio pelanggan X dan Y.
Alih-alih memodelkan frekuensipelangganuntukpeluangpeluangandibuka,
iamenghasilkan komoditas untuk satu peristiwa kedatangan tunggal dan untuk
menentukan jenis panggilan saat pelanggan datang. Jika ada banyak jenis
pelanggan ini meniadakan kebutuhan untuk sejumlah besar B-peristiwa; satu untuk
setiap jenis pelanggan. Untuk saat ini kami akan menganggap bahwa seorang
pelanggan tiba tepat setiap 3 menit. Cara sederhana untuk menentukan jenis
panggilan adalah dengan melemparkan koin setiap kali pelanggan tiba dalam
model. Seorang kepala bisa mewakili pelanggan X dan ekor pelanggan Y.
Kelemahan dari pendekatan ini adalah bahwa ia mengasumsikan proporsi yang
sama dari pelanggan X dan Y (kecuali jika koin itu bias). Bagaimana jika 60%
pelanggan tipe X dan hanya 40% tipe Y? Ini dapat diwakili dengan mengambil 10
lembar kertas dan menulis X pada enam dari mereka dan Y pada empat. Potongan-
potongan kertas kemudian dapat ditempatkan ke dalam topi dan setiap kali seorang
pelanggan tiba dalam model, sepotong kertas dapat ditarik untuk menentukan jenis
pelanggan. Penting bahwa kertas diganti setiap kali untuk mempertahankan rasio
pelanggan pada 60:40. Meskipun pendekatan kedua akan memungkinkan model
rasio pelanggan yang berbeda untuk dimodelkan, itu hanya cocok untuk
penanganan standar; acomputercannotdrawpiecesofpaperfromahat! Dalam
simulasi komputer prinsip serupa diadopsi berdasarkan penggunaan angka acak.

3.2 Angka acak

Angka acak adalah urutan angka yang muncul dalam urutan acak. Mereka disajikan
baik sebagai bilangan bulat (keseluruhan) pada skala katakan 0 hingga 9 atau 0
hingga 99, atau sebagai angka nyata (tempat penarikan) pada kenaikan 0to1.
Asequence ofinteger random number, pada skala 0–99, dapat dihasilkan dengan
menempatkan 100 lembar kertas ke dalam topi, masing-masing dengan nomor
tertulis di atasnya, dan menarik nomor dari topi. Potongan kertas diganti setiap kali.
Ini dikenal sebagai metode top hat. Angka acak yang dihasilkan dengan cara ini
memiliki dua sifat penting:
 Seragam: ada probabilitas yang sama dari angka apa pun yang terjadi di titik
mana pun dalam urutan;
 Independen: setelah nomor dipilih, ini tidak memengaruhi kemungkinan
dipilih kembali atau nomor lain dipilih.
Properti ini dipertahankan karena potongan kertas diganti setiap kali. Tabel 2.14
menunjukkan jumlah acak yang ada. Buku yang memuat tabel-tabel tersebut dapat
diperoleh (RAND Corporation1955) dan lembar kerja memberikan fungsi dari
angka-angka acak dari nomor acak yang dapat dibuat (mis. Fungsi Fungsional
 dalam Paket). Oleh karena itu, lebih umum untuk menghasilkan angka acak
sebagaimana diharuskan (Bagian 2.3.6).

3.3 Menghubungkan angka acak dengan variabilitas dalam simulasi

Angka acak dalam Tabel 2.14dapat digunakan
untukmenyelipkantipepenariksebuahdapatmenyelesaikan panggilan. Mereka dapat
dikaitkan dengan jenis pelanggan sehingga 60% dari nomor acak berhubungan
dengan panggilan tipe X dan 40% untuk mengetik panggilan Y sebagai berikut:

Membaca melintasi deretan atas angka acak, pelanggan pertama yang tiba adalah
tipe Y (93), yang kedua tipe X (43) dan seterusnya. Urutan untuk 10 pelanggan
pertama adalah Y (93), X (43), X (08), X (21), Y (61), X (40), Y (88), X (36), X (
10), X (09). Perhatikan bahwa rasio pelanggan X ke Y adalah 7: 3 untuk urutan ini.
Ketika sebuah koin dilemparkan 10 kali, tidak perlu ada lima veading dan fi lailet.
Ini bukan karena koin bias, tetapi karena prosesnya acak. Dengan sangat banyak
lemparan diharapkan rasio kepala ke ekor tepat 1: 1. Dengan cara yang sama,
menggunakan nomor acak untuk menentukan apakah pelanggan tipe X atau Y
selama beberapa kedatangan tidak diharapkan untuk memberikan rasio tepat 6 (X):
4 (Y). Namun, selama banyak kedatangan, rasionya akan lebih atau kurang tercapai.

3.4 Pemodelan variabilitas dalam waktu

Metode yang dijelaskan di atas berguna untuk pemodelan proporsi. Untuk
memodelkan waktu aktivitas (atau variabel nyata kontinu lainnya) ekstensi kecil
untuk pendekatan perlu diadopsi. Ini paling baik digambarkan dengan sebuah
contoh.
Sampai titik ini telah dianggap sebagai panggilan atau diperbaiki untuk intervensi.
Ini jelas-jelas tidak realistis dan kemungkinan besar ada tiga tingkat perubahan
waktu antara satu dengan lainnya. Gambar 2.5 menunjukkan frekuensi distribusi
untuk kedatangan-waktu kedatangan di seluruh pusat kota. Rata-rata distribusi ini
adalah 3 menit, tetapi waktu kedatangan aktual dapat bervariasi dari nol (panggilan
tiba bersamaan) hingga 7 menit.
Angka acak dapat dikaitkan dengan frekuensi pada Gambar 2.5 dengan cara yang
mirip dengan yang digunakan untuk proporsi jenis pelanggan di atas (Tabel 2.15).
Dengan cara ini, proporsi yang benar dari waktu antar kedatangan di setiap rentang
dapat diperoleh. Ini, bagaimanapun, hanya memberikan
therangewithinwaktuwaktu interval -ririval. Dalam rangka untuk mendapatkan
waktu kedatangan inter-aktual, nomor acak kedua dapat dipilih, dibagi dengan 100
dan ditambahkan ke ujung bawah kisaran. Sebagai ilustrasi, Tabel 2.16
menunjukkan waktu antar kedatangan untuk 10 panggilan pertama. Angka acak
diambil dari baris enam dan baris 11 pada Tabel 2.14. Baris berbeda digunakan
untuk sampel ini, serta untuk pengambilan sampel tipe pelanggan, untuk
memastikan independensi lengkap. Perhatikan bahwa rata-rata 10 sampel hanya
2,38 menit dan frekuensi sampel di setiap rentang sangat berbeda dari distribusi
pada Gambar 2.5. Hanya setelah banyak sampel diambil bahwa rata-rata dan bentuk
distribusi sampel akan menjadi serupa dengan data asli.

Urutan angka acak yang diketahui digunakan untuk menghasilkan variabilitas.

Akibatnya, urutan peristiwa, dalam hal ini waktu antar kedatangan, dapat
dihasilkan berulang kali dengan menggunakan rangkaian angka acak yang sama.
Di sini ini berarti selalu mulai pada baris 6 dan 11 untuk mencicipi waktu
kedatangan. Pendekatan ini memungkinkan eksperimen dengan model simulasi
diulangi dalam kondisi yang sama sebanyak yang diperlukan dan karenanya
memberikan manfaat untuk dapat mengontrol kondisi eksperimental seperti yang
 dibahas dalam Bagian 1.3.2. Untuk mengubah kondisi dalam hal variabilitas,
serangkaian bilangan acak yang berbeda perlu dipilih, misalnya, dimulai pada baris
15 dan 20. Kontrol bilangan acak selama percobaan simulasi dibahas secara lebih
rinci dalam Bagian 8.3.2. dan Bagian 9.6.2. Simulasi tangan sekarang dapat
dilakukan dengan menggunakan pendekatan tiga fase yang dijelaskan dalam
Bagian 2.2.2, tetapi alih-alih menggunakan data tetap, waktu antar kedatangan dan
jenis pelanggan dapat dijadikan sampel menggunakan proses yang dijelaskan di
atas. Setiap kali panggilan masuk, jenisnya akan diambil sampel bersama dengan
waktu kedatangan panggilan berikutnya. Hanya akan ada satu peristiwa kedatangan
fase-B, katakanlah B1, bukannya dua. Waktu aktivitas pada router dan operator
juga harus dibuat bervariasi. Distribusi untuk setiap proses dapat ditentukan dan
pendekatan yang sama dapat diadopsi untuk pengambilan sampel waktu kegiatan.

3.5 Pengambilan sampel dari distribusi statistik standar

Pada sub-bagian sebelumnya, sampel diambil dengan mengaitkan angka acak
dengan distribusi empiris. Seringkali, sampel diperlukan dari distribusi statistik
standar, misalnya, distribusi normal. Konsep pengambilan sampel sangat mirip
dengan yang di atas. Ambil contoh, distribusi normal dengan rata-rata 5 dan standar
deviasi 1, seperti yang ditunjukkan pada Gambar 2.6. Untuk sampel nilai dari
distribusi ini, angka acak yang dipilih diambil sebagai persentase dari area di bawah
kurva. Bekerja dari ujung kiri distribusi, nilai sampel adalah titik pada sumbu x di
mana area di bawah kurva sama dengan persentase itu. Jika, misalnya, angka acak
adalah 30, maka sampel akan dipilih dari titik di mana 30% dari area di bawah
kurva ditemukan. Dalam contoh ini memberikan nilai sampel 4,48, seperti yang
ditunjukkan pada Gambar 2.6. Cukup sulit untuk berpikir dalam hal
mengidentifikasi area di bawah kurva. Oleh karena itu, daripada mengambil sampel
langsung dari fungsi densitas probabilitas distribusi (PDF), seperti pada Gambar
2.6, sampel diambil menggunakan fungsi distribusi kumulatif (CDF). Persentase
spesifik ini dari nilai tukar yang harus dibayar untuk setiap nilai yang diberikan.
Gambar 2.7 menunjukkan fungsi distribusi kumulatif untuk distribusi normal yang
ditunjukkan pada Gambar 2.6. Dengan mengidentifikasi titik di mana fungsi
distribusi kumulatif sama dengan angka acak (katakanlah, 30), maka nilai sampel
x dapat ditentukan. Meskipun prinsipnya cukup mudah, dalam praktiknya
pengambilan sampel dari distribusi tersebut memerlukan integrasi langsung atau
numerik dari fungsi kepadatan probabilitas distribusi (untuk mendapatkan fungsi
distribusi kumulatifnya). Untungnya paket perangkat lunak simulasi menyediakan
fungsi yang memberikan sampel dari berbagai distribusi statistik yang berguna
(Bagian 7.4.3 dan Lampiran 4) tanpa perlu merujuk pada teori yang mendasarinya.
Akibatnya, proses ini tidak dijelaskan secara lebih rinci di sini. Pidd (1998) dan
Law dan Kelton (2000) keduanya menjelaskan prosedur pengambilan sampel dari
distribusi secara lebih rinci.
3.6 Komputer menghasilkan angka acak
Model simulasi skala besar dapat membutuhkan ribuan atau bahkan jutaan angka
acak selama menjalankan. Menghasilkan begitu banyak angka secara manual,
menggunakan metode katakanlah topi, jelas tidak praktis. Banyak memori
komputer juga diperlukan untuk menyimpan begitu banyak angka. Untuk
mengatasi masalah ini, lebih normal bagi komputer untuk menghasilkan angka acak
sebagaimana diperlukan. Secara alami, komputer tidak berperilaku secara acak,
sehingga mereka tidak cenderung membuat angka acak. Namun, ada algoritma
yang memberikan tampilan menghasilkan angka acak, meskipun hasilnya benar-
benar dapat diprediksi! Meskipun selalu mungkin untuk memprediksi angka
berikutnya dalam urutan (menggunakan algoritma), ketika aliran angka diperiksa,
mereka memiliki sifat keseragaman dan kemandirian yang diperlukan untuk
keacakan. Akibatnya, angka acak yang dihasilkan dengan cara ini dikenal sebagai
angka acak semu. Algoritma sederhana, tetapi umum digunakan, untuk
menghasilkan angka acak adalah sebagai berikut:
 Xi+1 =aXi +c (mod m)
Dimanaa :
Xi = aliran angka acak (bilangan bulat) pada interval (0, m − 1)
a = konstanta pengali
c = konstanta aditif
m = modulus; mod m berarti mengambil sisanya setelah dibagi dengan m
Nilai untuk setiap konstanta dipilih bersama dengan permulaan
nilai untuk X (X0), bijaksana lain yang dikenal sebagai ‘‘ seed ’. Jika angka acak
diperlukan pada skala 0-1, seperti yang lebih umum dengan angka yang dihasilkan
komputer, maka Xi dapat dibagi dengan m. Tabel 2.17 menggambarkan algoritma
dengan X0 = 8, a = 4, c = 0 danm = 25. Ini memberikan angka acak pada kisaran 0
hingga 24, maksimum selalu satu kurang dari nilai m. Perhatikan bahwa aliran
berulang dengan sendirinya setelah i = 9. Ini adalah masalah umum dengan
algoritma ini dan nilai-nilai konstanta perlu dipilih dengan hati-hati untuk
memastikan bahwa siklus cukup panjang sehingga tidak terulang kembali selama
menjalankan simulasi. Contoh ini murni ilustratif dan biasanya nilai yang jauh lebih
besar, setidaknya m, digunakan untuk memastikan siklus sangat panjang. Jenis ini
akan memberikan persetujuan untuk menyelesaikan kontrak di luar nomor acak
yang dihasilkan. Dengan menggunakan gambar ini dan kata-kata, bunyi tes dari
acak tidak dapat dinegenerasikan berulang kali. Ini memberikan kontrol yang sama
atas kondisi eksperimental seperti halnya dengan penggunaan tabel angka acak
(Tabel 2.14). Untuk mengubah kondisi model dalam hal variabilitas, seed number
acak yang berbeda (X0) perlu dipilih. Dengan mengubah aliran yang berbeda dari
stream acak atau acak, akan dibangkitkan. Streaming tersebut disebut sebagai aliran
nomor acak semu. Diskusi yang lebih terperinci tentang menghasilkan angka acak
dapat ditemukan di Kleijnen dan van Groenendaal (1992), L'Ecuyer (1994), Pidd
(1998) dan Law and Kelton (2000). Ini juga menjelaskan metode untuk menguji
apakah angka acak yang dihasilkan memenuhi kondisi keseragaman dan
independensi.
 3.7 Pemodelan variabilitas yang dapat diprediksi
Diskusi di atas berfokus pada pemodelan variabilitas yang tidak dapat diprediksi.
Variabilitas yang dapat diprediksi tidak memerlukan penggunaan angka acak, tetapi
hanya beberapa cara untuk menentukan kapan variasi (peristiwa) akan terjadi.
Misalnya, waktu di mana operator datang, atau pergi, shift dinyatakan sebagai item
data. Acara kemudian dapat dieksekusi dengan cara normal melalui fase B dan C
dari simulasi.

3.8 Ringkasan tentang variabilitas pemodelan

Bagian ini membahas masalah mendasar dalam variabilitas pemodelan. Inti dari
pemodelan variabilitas yang tidak dapat diprediksi adalah penggunaan angka acak
dan cara menghubungkan angka-angka ini dengan distribusi empiris dan statistik
untuk mendapatkan sampel. Ada juga beberapa diskusi tentang generasi komputer
angka acak dan pemodelan variabilitas yang dapat diprediksi. Gambar 2.8
merangkum masalah dalam variabilitas pemodelan. Untuk variabilitas yang dapat
diprediksi, perlu ditentukan waktu di mana variasi akan terjadi dan kemudian untuk
menjalankan acara. Untuk variabilitas yang tidak dapat diprediksi, distribusi harus
ditentukan, angka acak dihasilkan dan sampel diambil dari distribusi sebelum acara
dapat dieksekusi. Rentang dan pemilihan distribusi untuk pemodelan variabilitas
yang tidak dapat diprediksi dibahas secara rinci dalam Bagian 7.4 dan 7.5.

4. Kesimpulan
Tinjauan umum tentang cara kerja simulasi telah diberikan, menunjukkan bagaimana
perkembangan waktu dan variabilitas dapat diwakili. Tiga metode untuk memodelkan
kemajuan waktu dibahas: mengiris waktu, peristiwa diskrit dan kontinu. Discrete-event
adalah yang paling umum digunakan untuk pemodelan sistem operasi, meskipun simulasi
terus menerus (yang didasarkan pada pendekatan pengiris waktu) kadang-kadang
diperlukan. Satu pendekatan spesifik untuk simulasi peristiwa-diskrit, metode tiga fase,
dijelaskan. Penggunaan angka acak sebagai dasar untuk memodelkan variabilitas juga
dijelaskan, bersama dengan generasi nomor acak di komputer. Semua ini dijelaskan pada
tingkat pengantar dengan tujuan memahami dasar-dasarnya. Referensi diberikan yang
memberikan perlakuan yang lebih mendalam tentang topik-topik ini. Setelah memahami
dasar-dasar apa yang ada di dalam perangkat lunak simulasi, tugas selanjutnya adalah
membahas sifat dan jangkauan perangkat lunak yang tersedia.