BAHAN KULIAH (versi pelengkap)

TEKNIK SIMULASI DAN PEMODELAN

KODE/SKS : 3 SKS

Oleh:
TIM DOSEN SIMULASI PEMODELAN
Dosen : Program Studi Teknik Informatika UMPAR

2016

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 BAB I
PENDAHULUAN

Teknik simulasi dan pemodelan dalam Kurukulum merupakan matakuliah inti yang
dilaksanakan pada Program Teknik Informatika UMPAR, dimana mata kuliah ini
mengkaji konsep, prinsip dan tahapan serta implementasi dalam melakukan pemodelan

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

dan simulasi. Dalam mata kuliah ini juga akan dibahas berbagai model dan metode juga
akan dibahas yaitu antara lain metode Monte Carlo, Model antrian, model dalam men -
generate bilangan random.

1.1. Konsep dan Pengertian Simulasi

Simulasi merupakan tiruan dari sebuah sistem dinamis dengan menggunakan
model komputer yang digunakan untuk melakukan evaluasi dan meningkatkan kinerja
sistem.
Simulasi adalah suatu prosedur kuantitatif, yang menggambarkan sebuah
sistem, dengan mengembangkan sebuah model dari sistem tersebut dan melakukan
sederetan uji coba untuk memperkirakan perilaku sistem pada kurun waktu tertentu.
(Banks (Banks 1998)). Simulasi adalah tiruan dari proses dunia nyata atau
sistem. Simulasi menyangkut pembangkitan proses serta penga- matan dari proses
untuk menarik kesimpulan dari sistem yang diwakili.
Simulasi adalah imitasi dari suatu sistem dinamis menggunakan model
komputer dalam rangka untuk melakukan evaluasi dan meningkatkan unjuk kerja
sistem (Harrell, Gosh & Bowden, 2000).

1.2. Defenisi Pemodelan

Model adalah representasi dari suatu objek, benda, atau ide-ide dalam bentuk
yang disederhanakan. Model berisi informasi-informasi tentang suatu sistem yang
dibuat dengan tujuan untuk mempelajari sistem yang sebenarnya.

Model dapat merupakan tiruan dari suatu benda, sistem atau kejadian yang
sesungguhnya yang hanya berisi informasi-informasi yang dianggap penting untuk
ditelaah. Tujuan dari studi pemodelan adalah menentukan informasi-informasi yang
dianggap penting untuk dikumpulkan, sehingga tidak ada model yang unik.

1.3. Defenisi Sistem

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 Menurut Henry Prat Fairchild dan Eric Kohler Pengertian Sistem adalah
sebuah rangkaian yang saling kait mengkait antar beberapa bagian sampai kepada
bagian yang paling kecil, bila suatu bagian atau sub bagian terganggu maka bagian
yang lain juga ikut merasakan ketergangguan tersebut.
Pengertian Sistem Menurut Pamudji ialah suatu kebulatan dan keseluruhan
yang komplek atau terorganisir, dimana suatu himpunan atau perpaduan hal-hal atau
bagian-bagian yang membentuk suatu kebulatan atau keseluruhan yang komplek atau
utuh.
Menurut Prajudi Pengertian sistem merupakan suatu jaringan daripada
prosedur-prosedur yang berhubungan satu sama lain menurut skema atau pola yang
bulat untuk menggerakkan suatu fungsi yang utama dari suatu usaha atau urusan.
Pengertian Sistem Menurut Poerwadarminta yaitu sekelompok bagian-bagian
(alat dan sebagainya), yang berkerja bersama-sama untuk melakukan sesuatu maksud.
Apabila salah satu bagian saja rusak atau tidak dapat menjalankan tugasnya maka
maksud yang hendak dicapai tidak dapat menjalankan tugasnya maka maksud yang
hendak dicapai tidak akan terpenuhi atau setidak-tidaknya sistem yang sudah terwujud
akan mendapatkan gangguan.

1.4. Tujuan Pemodelan dan Simulasi

Secara umum ada tiga tujuan dari pemodan dan simulasi adalah antara lain
untuk pelatihan (training), studi perilaku (behavior), dan hiburan/permainan (game).
Seorang pilot baru sebelum diperbolehkan menerbangkan pesawat yang sebenarnya
terlebih dahulu harus latihan terbang di simulator dengan berbagai kondisi dan
manuver terbang.
Simulasi sistem merupakan konsekwensi dari tiga hal berikut. Pertama,
kebutuhan terhadap suatu studi biaya rendah atau perancangan sistem yang
mempunyai sifat alamiah kompleks sebagai pembuka kearah pengembangan dalam
suatu eksperimen laboratorium atau sebagai suatu model skala. Kedua, kebituhan
untuk memverifikasi bahwa suatu sistem persamaan matematika pemodelan yang
digunakan dalam suatu sistem kendali adalah valid. Ketiga, kebutuhan untuk meramal

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 (forecast) tanggapan sustu sistem terhadap kebijakan atau kendali kompleks sebagai
suatu alat evaluasi konsekwensi alternatif kebijakan atau kendali tertentu yang dipilih.
Dalam pandangan sistem, pemodelan dan simulasi dapat digunakan untuk
tujuan berikut:
a. Studi perilaku sistem kompleks, yaitu sistem dimana suatu solusi analitik tidak
dapat dilakukan.
b. Membandingkan alternatif rancangan untuk suatu sistem yang tidak atau belum
ada.
c. Studi pengaruh perubahan terhadap sistem yang ada dengan tanpa merubah sistem.
d. Memperkuat atau memverifikasi suatu solusi analitik.

1.5. Penggunaan Simulasi

simulasi cocok digunkan pada :
a. Mempelajari interaksi internal (sub)-sistem yang kompleks.
b. Mengamati sifat model dan hasil keluaran akibat perubahan lingkuan- gan luar
atau variabel internal.
c. Meningkata kinerja sistem melalui pembangunan/pembentukan model.
d. Eksperimen desain dan aturan baru sebelum diimplementasikan.
e. Memahami dan memverikasi solusi analitik.
f. Mengidentifkasi dan menetapkan persyaratan-persyaratan.
g. Alat bantu pelatihan dan pembelajaran dengan biaya lebih rendah.
h. Visualisasi operasi melalui anuimasi.
i. Masalahnya sulit, memakan waktu, atau tidak mungkin diselesaikan melalui
metode analitik atau numerik konvensional.

Simulasi tidak cocok digunakan pada :

a. Jika masalah dapat diselesaikan dengan metode sederhana.
b. Jika masalah dapat diselesaikan secara analitik.
c. Jika eksperimen langsung lebih mudah dilakukan.
d. Jika biaya terlalu mahal.
e. Jika sumber daya atau waktu tidak trsedia.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 f. Jika tidak ada data yang tersedia.
g. Jika verifikasi dan validasi tidak dapat dilakukan.
h. Jikadaya melebihi kapasitas
i. Jika sistem terlalu komoleks atau tidak dapat didefenisikan,

1.6. Kelebihan dan kekurangan simulasi

a. Kelebihan
 Tidak semua sistem dapat di prepresentasikan dlm model matematis, simulasi
merupakan alternatif tepat.
 Dapat bereksperimen tanpada adanya resiko pada sistem nyata.
 Simulasi dapat mengestimasi kinerja sistem pada kondisi tertentu dan dapat
sistem pada kondisi tertentu dan dapat memberikan alternatif desain
 Dapat menggunakan input data alternatif Dapat menggunakan input data
alternatif

b. Kekurangan
 Kualitas dan analisis model tergantung si pembuat model
 Hanya mengestimasi karakteristik sistem berdasarkan masukan tertentu

BAB II
TIPE DAN PROSES PEMODELAN DAN SIMULASI

2.1. Tipe Model

a. Model Ikonik: model yang mengandung karakteristik dan properti nyata dari suatu
sistem yang dimodelkan.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 Contoh: bentuk pilot plant dari suatu pabrik.
b. Model Analog: model sebagai analogi dari keadaan nyata.
Contoh model histogram dimana panjang batang adalah representasi dari frekuensi.
c. Model simbolik/matematis: menggunakan simbol sebagai properti dari sistem yang
dimodelkan.
Contoh persamaan s = v . t.
d. Model Sistematis
Terbagi dua yaitu:
- Model matematis deskriptis: model yang mendeskripsikan perilaku dari sistem.
- Model matematis normatif: Model untuk pengambilan keputusan. Contoh model
tata letak sebuah pabrik tekstil.

2.2. Tahapan dalam Pengembangan Model

Proses membuat suatu model adalah proses yang tidak dapat dijabarkan
perumusannya secara pasti, lebih merupakan seni (art). Yang dapat diberikan sebagai
pegangan dalam membuat suatu model hanya petunjuk-petunjuk garis besarnya saja.

Proses tahapan dalam pengembangan model dan simulasi model secara umum sebagai
berikut:

a. Memahami sistem yang akan disimulasikan.

Jika pengembang model tidak atau belum mengetahui cara kerja sistem yang
akan dimodel simulasikan maka pengembang perlu meminta bantuan seorang ahli
(pakar) dibidang sistem yang bersangkutan.
Misalnya sistem ekonomi perlu seorang ahli ekonomi, sistem pesawat terbang
perlu seorang insinyur penerbangan (aeronautika). Hasil dari pemahaman sistem dapat
berupa kata-kata, atau diagram konteks (context diagram) yang menjelaskan hubungan
antara sistem dengan lingkungannya. Di sini, data masukan, keluaran, variabel dan
parameter masih dalam bentuk symbol-simbol verbal (kata-kata).

b. Mengembangkan model matematika dari sistem.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 Apabila pengembang sudah mengetahui cara kerja sistem yang bersangkutan,
maka tahap berikutnya adalah memformulasikan model matematika dari sistem. Model
matematika bisa dalam bentuk persamaan diferensial, persamaan aljabar linear,
permasaan logika diskret, persamaan variabel keadaan, dan lain-lain disesuaikan dengan
karakteristik sistem dan tujuandari permodelan. Kadang-kadang model matematika libuh
mudah dipahami dengan digabung dengan model diagram seperti diagram alir data (data
flow diagram). Dalam hal ini data masukan, keluaran, variabel, parameter dan konstanta
sudah dalam bentuk symbol-simbol matematika, misalnya: waktu t, ketinggian h,
kecepatan v, bunga bank, dan lain-lain.
c. Mengembangkan model matematika untuk simulasi.
d. Membuat program (software) komputer.
e. Menguji, memverifikasi dan memvalidasi keluaran simulasi.
f. Mengeksekusi program simulasi untuk tujuan tertentu.

2.3. Model yang dibuat dapat berfungsi sebagai :

1. Pembantu untuk berfikir.

Model menyajikan deskripsi yang sistematis tentang suatu sistem sehingga dapat
mempermudah dalam mempelajarari sistem tersebut.
2. Pembantu untuk berkomunikasi
Model dibuat untuk mempermudah tentang menjelaskan tentang suatu sistem kepada
orang lain.

3. Alat dan latihan

Model-model yang berfungsi sebagai alat latihan dibuat untuk melatih keterampilan dari
orang-orang yang berhubungan dengan sistem sebenarnya yang dimodelkan.
Contoh:
Seorang pilot yang dalam tahap belajar, belum boleh menerbangkan pesawat yang
sesungguhnya, tetapi belajar mengengemudikan suatu model yang mewakili pesawat dan
juga mengoperasikan model tersebut terhadap suatu model lapangan terbang, udara,

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 lingkungan terbang dan sebagainya. Contoh lain adalah permainan (game) bisnis bagi
orang-orang yang bergerak dibidang manajemen. Model-model semacam ini disebut
simulator.
4. Alat prediksi
Berdasarkan model, dapat ditentukan perilaku sistem pada waktu yang akan dating, yaitu
pengaruh-pengaruh yang ingin diketahui jika ada perbahan sistem atau operasinya.
Caranya adalah dengan merubah besaran-besaran variable dan parameter terhaadap
model dan mempelajari pengaruh-pengaruh (masukan dan keluaran) nya.
5. Pembantu dalam percobaan
Dalam hal ini eksperimen langsung tidak mungkin diadakan karena tidak praktis, sangat
mahal atau membahayakan, mepakaian model akan dapat mengatasi keterbatasan
tersebut.

Untuk menilai apakah suatu model anggap baik cukup sulit, tetapi pada garis besarnya dapat
disebutkan criteria suatu model yang baik antara lalin:

1. Mudah dimengerti pemakaiannnya.

2. Harus mempunyai tujuan yang jelas.
3. Dinyatakan secara jelas dan lengkap.
4. Mudah dikontrol dan dimanipulasi oleh pemakai.
5. Mengandung pemecahan masalah.
6. Mudah diubah, mempunyai prosedur modifikasi.
7. Dapat bekembang dari sederhana menuju kompleks.

2.4. Hubungan antara model dan sistem nyata (Real)

Gambar berikut memperlihatkan hubungan antara model dan sistem nyata (realitas)
yang akan dimodelkan. Sistem nyata (realitas) adalah sistem yang sedang berlangsung
dakam kehidupan, sustem yang dijadikan titik perhatian dan dipermasalahkan. Dengan
demikian pemodelan adalah proses membangun atau membentuk sebuah model dari suatu
sistem nyata dalam bahasa formal tertentu. Hasil analisis sistem nyata dengan asumsi

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

tertentu adalah berua model konsep yang berisi spesifikasi, variable dan parameter tertentu.
Asumsi yang dibuat sangat tergantung dari kacamata (visi, wawasan) pemodel dalam sistem
nyata (realitas) yang dipengaruhi oleh tiga factor, yaitu: tata nilai yang dianut, ilmu
pengetahuan yang dimmiliki, dan pengalaman hidup dari pemodel.

Sistem Nyata
(Realitas)

Validasi Model
Spesifikasi Model

Analisis
Simulasi

Model Komputer Pemograman Model Konsep

Verifkasi Model

Gambar : Hubungan Model dan Sistem Nyata (Real)

Model konsep yang berupa persamaan matematika atau diagram (DFD, Flowchart)
kemudian diimplementasi menggunakan bahasa pemograman komputer tertentu menjadi
model komputer (kode sumber-source code). Model komputer harus sesuai dengan model
konsep asalnya, proses penyesuaian antara model komputer (kode sumber) dengan model
konsep (DFD) disebut dengan verifikasi model. Kode sumber kemudian dieksekusi (run)
pada perangkat keras kompoter (hardware) merupakan proses simulasi untuk tujuan tertentu.
Penyesuaian antara hasil simulasi dengan data realitas disebut validasi model. Hasil validasi
model biasanya dalam bentuk grafik POM (Proof of Match), yaitu kurva overlay antara hasil
keluaran simulasi dan data hasil pengukuran dari sistem nyata (realitas). Simulasi dianggap
bagus (diterima) jika beda overlay kurang dari 5%. Agar simulasi dapat menirukan seperti

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

realitas, maka model perlu dipeprbaiki secara terus-menerus menjadi sesuatu proses siklus
hidup (life cycle process).

2.5. Jenis-jenis Model

Model dapat direpresentasikan dalam berbagai cara, tergantung tujuan dari studi.
Beberapa jenis model dapat dikelopokkan sebagai berikut.

a. Model Skala : adalah model yang dibuat biasanya dengan memperkecil skala dari
aslinya. Misalnya: model mobil, model peswat terbang untuk uji terowongan angin (wind
tunel).
b. Model Piktorial (Visual Grafis): model yang dibuat dengan menggambar rancangan yang
sebenarnya sebelum ada. Misalnya: designer menggambar model baju. Arsitek
menggambar rumah.
c. Model verbal: model yang penjelasannya dengan kata-kata. Misalnya: proses inflasi
tergantung dari beberapa factor ekonomi makro, dijelaskaan dengan kata-kata baru
dibuat diagram skematis.
d. Model Skematis: model yang melukiskan unsur-unsur sistem dalam bentuk skema,
petak-petak dan arus barang atau informasi. Model dapat berupa diagram, seperti:
diagram blok, DFD (Data flow Diagram), Petri Net, Flowchart, PERT (Program
Evaluation and Review Technique). Model dalam bentuk skema static, seperti: tabel,
bagan Gantt (Gantt chart).
e. Model Simbolik (Matematika): model dalam bentuk persamaan matematika, seperti:
persamaan diferensial, persamaan deferens, persamaan aljabar, persamaan logika, dan
lain-lain.
f. Model Komputer: model dalam bentuk program komputer (source code) yang ditulis
menggunakan bahasa komputer tertentu, seperti VB, PHP, Pascal, dll.

2.6. Tahapan-tahapan dalam pengembangan model

Proses tahapan dalam pengembangan model dan simulasi komputer secara umum
sebagai berikut:

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

a. Memahami sistem yang disimulasikan
Jika pegembang model tidak atau belum mengetahui cara kerja sistem yang akan
dimodel- simulasikan maka pengembang perlu meminta bantuan seorang ahli (pakar)
dibidang sistem yang bersangkutan.
b. Mengembangankan model matematika dari sistem
Apabila pengembang sudah mengetahui cara kerja sistem yang bersangkutan, maka
tahap berikutya adalah memformulasikan model matematika dari sistem. Model
matematika bisa dalam bentuk persamaan diferensial, persamaan aljabar nilear,
persamaan logika diskret, persamaan variabel keadaan, dan lain-lain disesuaikan dengan
karakteristik sistem dan tujuan dan tujuan dari pemodelan. Kadang-kadang model
matematika mudah dipahami dengan digabung dengan model diagram seperti seeperti
diagram alir data (data flow diagram). Dalam tahap ini data masukan dan data keluaran,
variabel, parameter dan konstanta sudah dalam bentuk simbol-simbol matematika.
Misalnya: waktu t, ketinggian h, dll.
c. Mengembangkan model matematika untuk simulasi
Kadang-kadang model matematika yang dihasilkan pada taham b terlalu rumit
(kompleks), sehingga tergantung dari tujuan simulasi, model matematika perlu
disederhanakan. Di sini diperlukan beberapa asumsi dan penyederhanaan model,
misalnya model nonlinear disederhanakan menjadi model time invariant, model tersebar
(distributed) disederhanakan model terkumpul (lumped). Sebagai contoh, model
persamaan gerak pesawat terbang untuk tujuan autopilot biasanya dibuat dalam bentuk
model linear. Diagram alir data pada tahap b dirinci lebih lanjut sehingga menghasilkan
beberapa chart air (flow chart).
d. Membuat program (software) komputer
Beberapa flow chart hasil dari tahap c di implementasikan lebih lanjut menjadi program
(software) komputer. Ada beberapa bahasa komputer (compiler) yang cocok untuk
simulasi komputer, ini tergantung fasilitas apa saja yang tersedia pada compiler yang
bersangkutan yang mendukung simulasi.
Beberapa contoh bahasa komputer yang bisa digunakan untuk simulasi, antara lain: C,
C++, Java, Simulink.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

e. Menguji,memverifikasi dan memvalidasi keluaran simulasi.
Simulasi pada dasasrnya adalah menirukan sistem nyata (realitas), sehingga tolok ukur
baik tidaknya simulasi adalah aasejauh mana kemiripan hasil simulasi dibandingan
dengan sistem nyata (realitas). Pengujian dilakukan pada tingkat modul program, untuk
menguji fungsi subsistem. Verifikasi dilakukan untuk membuktikan bahwa hasil
implementasi program komputer sudah sesuai dengan rancangan model konsep dari
sistem yang bersangkutan. Validasi dilakukan dengan membandingkan hasil keluaran
simulasidengan data yang diambil dari sistem nyata.
f. Mengeksekusi program simulasi untuk tujuan tertentu
Eksekusi program komputer dapat dilakukan secara waktu nyata (real-time) atau waktu
tidak nyata (offline) tergantung dari tujuan simulasi.

Gambar berikut memperlihatkan proses tahapan dalam pemodelan dan simulasi sistem.

Rumusan Persoalan (Sistem) dan Rencanakan Studi

Kumpulkan Data dan Defenisikan Model

Model
Tidak
Konsep
Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR
Valid?

Ya
 Gambar Tahapan-tahapan pemodelan dan simulasi

2.7. Jenis-jenis Simulasi

A. Simulasi Menurut Sifat dan Waktu

1. Simulasi Statis
Simulasi model yang menggambarkan suatu proses yang tidak dipengaruhi oleh
waktu/ suatu proses yang terjadi pada suatu waktu tertentu saja.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 Contoh :
Simulasi gempa untuk menguji struktur bangunan.
2. Simulasi Dinamis
Simulasi model yang menggambarkan suatu proses yang dipengaruhi oleh waktu /
berlangsung pada suatu rentang waktu.
Contoh:
- Simulasi gerakan roket
- Simulasi kedatangan mobil ke jalan tol
B. Menurut Ada Tidaknya Peubah Acak
1. Simulasi Deterministik
Simulasi yang menggambarkan suatu proses yang pasti terjadi (tidak mengandung
ketidak tentuan).
Contoh:
- Percobaan reaksi kimia di lab.
2. Simulasi Stikastik/ Probabilistik
Simulasi yang menggambarkan suatu proses yang mengandung sifat ketidak pastian
/probabilistic/ random.
C. Menurut Peubah Acaknya
1. Simulasi Deskret
Simulasi yang komponen-komponen sistemnya bersifat diskret
Contoh:
- Simlasi tabungan
- Simulasi kedatangan pembeli

2. Simulasi Kontinu
Simulasi yang komponen sistemnya bersifat continue
Contoh:
- Simulasi gerakan roket
- Simulasi suhu udara

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 3. Simulasi Campuran
Simulasi yang komponen sistemnya ada yang bersifat diskret dan ada yang bersifat
kontinu.
- Simulasi proses indusrtri (penggunaan bahan baku bersifat kontinu
sedangkan penambahan bahan baku bersifat diskret)

4. Simulasi Monte Carlo

Monte Carlo adalah algoritma komputasi untuk mensimulasikan berbagai
perilaku sistem fisika dan matematika. Penggunaan klasik metode ini adalah untuk
mengevaluasi integral definit, terutama integral multidimensi dengan syarat dan
batasan yang rumit. Simulasi Monte Carlo sangat penting dalam fisika komputasi
dan bidang terapan lainnya, dan memiliki aplikasi yang beragam mulai dari
penghitungan termodinamika kuantum esoterik hingga perancangan aerodinamika.
Metode ini terbukti efisien dalam memecahkan persamaan diferensial integral medan
radian, sehingga metode ini digunakan dalam penghitungan iluminasi global yang
menghasilkan gambar-gambar fotorealistik model tiga dimensi, dimana diterapkan
dalam video games, arsitektur, perancangan, film yang dihasilkan oleh komputer,
efek-efek khusus dalam film, bisnis, ekonomi, dan bidang lainnya.

BAB III
SIMULASI DENGAN MATLAB

3.1. Pengenalan Matlab

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 Matlab merupakan bahasa pemrograman dengan kemampuan tinggi dalam
bidang komputasi. Matlab memiliki kemampuan mengintegrasikan komputasi,
visualisasi, dan pemrograman. Oleh karenanya, matlab banyak digunakan dalam
bidang riset-riset yang memerlukan kommputasi numerik yang kompleks.
Penggunaan Matlab meliputi bidang–bidang:
 Matematika dan Komputasi
 Pembentukan Algorithm
 Akusisi Data
 Pemodelan, simulasi, dan pembuatan prototype
 Analisa data, explorasi, dan visualisasi
 Grafik Keilmuan dan bidang Rekayasa

Matlab merupakan kepanjangan dari Matrix Laboratory. Sesuai dengan

namanya, struktur data yang terdapat dalam Matlab menggunakan matriks atau array
berdimensi dua (double). Oleh karenanya penguasaan teori matriks mutlak diperlukan
bagi pengguna pemula.

3.2. Lingkungan Kerja Matlab

3.2.1. Beberapa Bagian dari Window Matlab
1. Current Directory
Window ini menampilkan isi dari direktori kerja saat menggunakan matlab. Kita
dapat mengganti direktori ini sesuai dengan tempat direktori kerja yang diinginkan. Default
dari alamat direktori berada dalam folder works tempat program files Matlab berada.

2. Command History
Window ini berfungsi untuk menyimpan perintah-perintah apa saja yang sebelumnya
dilakukan oleh pengguna terhadap matlab.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

3. Command Window
Window ini adalah window utama dari Matlab. Disini adalah tempat untuk
menjalankan fungsi, mendeklarasikan variable, menjalankan proses-proses , serta melihat isi
variable.

4. Workspace
Workspace berfungsi untuk menampilkan seluruh variabel-variabel yang sedang
aktif pada
saat pemakaian matlab. Apabila variabel berupa data matriks berukuran besar maka user
dapat melihat isi dari seluruh data dengan melakukan double klik pada variabel tersebut.
Matlab secara otomatis akan menampilkan window “array editor” yang berisikan data pada
setiap variabel yang dipilih user.
Gambar berikut menampilkan tampilan antar muka dari matlab versi 7.0

3.2.2. Getting Help

Matlab menyediakan fungsi help yang tidak berisikan tutorial lengkap mengenai
Matlab dan segala keunggulannya. User dapat menjalankan fungsi ini dengan menekan
tombol pada toolbar atau menulis perintah ‘helpwin’ pada command window. Matlab juga

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

menyediakan fungsi demos yang berisikan video tutorial matlab serta contoh-contoh
program yang bisa dibuat dengan matlab.

3.2.3. Interupting dan Terminating dalam Matlab

Untuk menghentikan proses yang sedang berjalan pada matlab dapat dilakukan
dengan menekan tombol Ctrl-C. Sedangkan untuk keluar dari matlab dapat dilakukan
dengan menuliskan perintah exit atau quit pada comamnd window atau dengan menekan
menu exit pada bagian menu file dari menu bar.

3.3. Variabel Pada Matlab

Matlab hanya memiliki dua jenis tipe data yaitu Numeric dan String. Dalam matlab
setiap variabel akan disimpan dalam bentuk matrik. User dapat langsung menuliskan
variabel baru tanpa harus mendeklarasikannya terlebih dahulu pada command window.
Contoh pembuatan variabel pada matlab:

Penamaan variabel pada matlab bersifat caseSensitif karena itu perlu diperhatikan
penggunaan huruf besar dan kecil pada penamaan variabel. Apabila terdapat variabel lama
dengan nama yang sama maka matlab secara otomatis akan me-replace variabel lama
tersebut dengan variabel baru yang dibuat user.
3.1 Matriks
Dapat diasumsikan bahwa didalam matlab setiap data akan disimpan dalam bentuk
matriks. Dalam membuat suatu data matriks pada matlab, setiap isi data harus dimulai dari
kurung siku ‘[‘ dan diakhiri dengan kurung siku tutup ‘]’. Untuk membuat variabel dengan

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

data yang terdiri beberapa baris, gunakan tanda ‘titik koma’ (;) untuk memisahkan data tiap
barisnya.
Contoh pembuatan data matriks pada matlab:

Matlab menyediakan beberapa fungsi yang dapat kita gunakan untuk menghasilkan
bentuk-bentuk matriks yang diinginkan. Fungsi-fungsi tersebut antara lain:
 zeros : untuk membuat matriks yang semua datanya bernilai 0
 ones : matriks yang semua datanya bernilai 1
 rand : matriks dengan data random dengan menggunakan distribusi uniform
 randn : matris dengan data random dengan menggunakan distribusi normal
 eye : untuk menghasilkan matriks identitas

3.4. Operator
Beberapa penggunaan operator aritmatika antara dua operand (A dan B) ditunjukkan
pada tabel berikut ini :

3.5. Fungsi Matematika lainnya

Beberapa fungsi matematika lainnya yang dapat kita gunakan untuk operasi
matematika antara lain sebagai berikut:
• abs(x) : fungsi untuk menghasilkan nilai absolut dari x

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

• sign(x) : fungsi untuk menghasilkan nilai -1 jika x<0, 0 jika x=0 dan 1 jika x>1
• exp(x) : untuk menghasilkan nilai eksponensian natural, e
• log(x) : untuk menghasilkan nilai logaritma natural x, ln x
• log10(x) : untuk menghasilkan nilai logaritma dengan basis 10, x log
• sqrt(x) : untuk menghasilkan akar dari nilai x, √𝑥
• rem(x,y) : untuk menghasilkan nilai modulus (sisa pembagian) x terhadap y

3.6. M File
Di dalam matlab, kita dapat menyimpan semua script yang akan digunakan dalam
file pada
matlab dengan ekstensi .M. M-File dapat dipanggil dengan memilih menu file->new->M-
File.

3.6.1 Fungsi
Di dalam M File, kita dapat menuliskan fungsi-fungsi yang berisikan berbagai
operasi sehingga menghasilkan data yang diinginkan.

Bentuk penulisan nama fungsi

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR
Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR
Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR
Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR
 BAB IV

BILANGAN RANDOM

4.1. Sekilas Tentang Bilangan Random

Bilangan acak adalah bilangan sembarang tetapi tidak sembarangan. Kriteria yang harus
dipenuhi, yaitu :

 Bilangan acak harus mempunyai distribusi serba sama (uniform)

Beberapa bilangan acak yang diambil harus mempunyai peluang terambil sama
besar.

 Masing-masing bilangan acak tidak saling tergantung atau independence

Bilangan acak ini disimbolkan dengan U, dan nilainya dari 0 sampai dengan 1, maka
dinyatakan dalam U(0,1). Berbagai cara untuk mendapatkan bilangan acak, bisa dengan
tabel bilangan acak, komputer (misal dengan Ms. Excel) atau menggunakan metode bilangan
acak.

4.2.Metode untuk mendapatkan bilangan acak

1. Metode Kongruen Campuran

Rumus : Zi = (aZi-1 + c) mod m

Dengan

a : konstanta pengali ( a < m )

c : konstanta pergeseran ( c < m )

m : konstanta modulus ( > 0 )

Z0 : bilangan awal ( bilangan bulat ≥ 0 , Z0 < m )

Ui : bilangan acak ke i dan Ui(0,1) = Zi / m

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 i Zi-1 m a c Zi Ui
1 7 16 5 3 6 0.3750
2 6 16 5 3 1 0.0625
3 1 16 5 3 8 0.5000
4 8 16 5 3 11 0.6875
5 11 16 5 3 10 0.6250
6 10 16 5 3 5 0.3125
7 5 16 5 3 12 0.7500
8 12 16 5 3 15 0.9375
9 15 16 5 3 14 0.8750
10 14 16 5 3 9 0.5625
11 9 16 5 3 0 0.0000
12 0 16 5 3 3 0.1875
13 3 16 5 3 2 0.1250
14 2 16 5 3 13 0.8125
15 13 16 5 3 4 0.2500
16 4 16 5 3 7 0.4375
17 7 16 5 3 6 0.3750

Kita lihat pada tabel , U17 mempunyai nilai yang sama dengan U1. Jika kita
menginginkan bilangan acak dalam jumlah yang banyak, maka nilai m hendaknya
sebesar 2b dengan b adalah jumlah bit pada komputer yang akan digunakan.

2. Metode Multiplikatif
Rumus : Zi = (aZi-1 ) mod m

Dengan

a : konstanta pengali

m : konstanta modulus

Z0 : bilangan awal

Ui : bilangan acak ke i dan Ui(0,1) = Zi / m

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 i Zi-1 m a Zi Ui
1 12357 128 19 31 0.2422
2 31 128 19 77 0.6016
3 77 128 19 55 0.4297
4 55 128 19 21 0.1641
5 21 128 19 15 0.1172
6 15 128 19 29 0.2266
7 29 128 19 39 0.3047
8 39 128 19 101 0.7891
9 101 128 19 127 0.9922
10 127 128 19 109 0.8516

4.3. Pembangkit Bilangan Random

Bilangan Acak yang akan dipergunakan dalam simulasi, harus mempunyai pola yang sama
dengan pola data pengamatan. Dikarenakan hal diatas, maka dari bilangan acak yang didapat
harus dibangkitkan bilangan acak yang sesuai pola distribusi.

Distribusi Diskrit

a. Distribusi prob uniform diskrit

Algoritma

1. Bangkitkan U(0,1)
2. Dapatkan X = a+(b-a+1)*U

Contoh

Sebuah perusahaan bakery membuat suatu kelompok jenis donat yang dijual ke toko-
toko dengan distribusi diskrit uniform dengan kebutuhan harian maksimum 100 unit
dan minimum 40 unit.

Tentukan bilangan acak dari distribusi diskrit uniform dengan a = 77 z 0 = 12357 dan
m = 128

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 Bangkitkan U dengan metode multiplikatif
iterasi a m zi-1 zi U X
1 77 128 12357 65 0.5078 70.98 71
2 77 128 65 13 0.1016 46.20 46
3 77 128 13 105 0.8203 90.04 90
4 77 128 105 21 0.1641 50.01 50
5 77 128 21 81 0.6328 78.60 79
6 77 128 81 93 0.7266 84.32 84
7 77 128 93 121 0.9453 97.66 98
8 77 128 121 101 0.7891 88.13 88
9 77 128 101 97 0.7578 86.23 86
10 77 128 97 45 0.3516 61.45 61

b. Distribusi Poisson
Algoritma


1. Hitung a= e , b =1 dan i =0
2. Bangkitkan Ui+1= U(0,1)
3. Ganti b = bUi+1
4. Jika b<a maka dapatkan X = i dan jika tidak lanjutkan ke langkah 5
5. Ganti i = i+1 kembali ke langkah 2

Contoh:

Suatu kejadian berdistribusi poisson dengan rata-rata 3 kejadian perjam dan terjadi
selama periode waktu 1,4 jam.

Tentukan bilangan acak dari distribusi poisson dengan a = 17 z0 = 12357 dan m =

1237

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

   3
 t 

bangkitkan U dengan metode multiplikatif

n U a b i X
0.0498 1.0000 0
1 0.8213 0.0498 0.8213 1
2 0.3678 0.0498 0.3021 2
3 0.2530 0.0498 0.0764 3
4 0.3015 0.0498 0.0231 3.00
0.0498 1.0000 0
5 0.1261 0.0498 0.1261 1
6 0.1439 0.0498 0.0181 1.00
0.0498 1.0000 0
7 0.4462 0.0498 0.4462 1
8 0.5861 0.0498 0.2615 2
9 0.9636 0.0498 0.2520 3
10 0.3816 0.0498 0.0962 4
11 0.4867 0.0498 0.0468 4.00
0.0498 1.0000 0
12 0.2732 0.0498 0.2732 1
13 0.6451 0.0498 0.1763 2
14 0.9669 0.0498 0.1704 3
15 0.4365 0.0498 0.0744 4
16 0.4212 0.0498 0.0313 4.00
0.0498 1.0000 0
17 0.1601 0.0498 0.1601 1
18 0.7211 0.0498 0.1154 2
19 0.2587 0.0498 0.0299 3 3.00

c. Distribusi Binomial
Metode transformasi dari distribusi binomial
Dengan mempergunakan fungsi densitas binomial yang dinyatakan dengan :

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 n
f (k )    p k (1  p)n  k , k = 0,1, 2 .. n
k 

x
F(x) =  f (k )
k 0

Contoh

Dari suatu distribusi binomial, diketahui p =0,5 dan n =2.

Tentukan bilangan acak dari distribusi binomial dengan a = 77 z0 = 12357 dan m =

127.

Mencari batasan bilangan acak

n k p komb f(k) batasan X
2 0 0.5 1 0.25 0.00 - 0.25 0
2 1 0.5 2 0.50 0.25 - 0.75 1
2 2 0.5 1 0.25 0.75 - 1.00 2

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 Bangkitkan U dengan metode multiplikatif
iterasi a m zi-1 zi U X
1 77 127 12357 5 0.0394 0
2 77 127 5 4 0.0315 0
3 77 127 4 54 0.4252 1
4 77 127 54 94 0.7402 1
5 77 127 94 126 0.9921 2
6 77 127 126 50 0.3937 1
7 77 127 50 40 0.3150 1
8 77 127 40 32 0.2520 1
9 77 127 32 51 0.4016 1
10 77 127 51 117 0.9213 2

d. Distribusi Geometri
Algoritma

1. Bangkitkan U(0,1)
2. Dapatkan X = ln(U)/ln(1-p)
Contoh

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

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

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

p= 0.3
q= 0.7
bangkitkan U dengan metode multiplikatif
i a m zi-1 zi U X
1 43 1237 12357 678 0.5481 2
2 43 1237 678 703 0.5683 2
3 43 1237 703 541 0.4373 2
4 43 1237 541 997 0.8060 1
5 43 1237 997 813 0.6572 1
6 43 1237 813 323 0.2611 4
7 43 1237 323 282 0.2280 4
8 43 1237 282 993 0.8027 1
9 43 1237 993 641 0.5182 2
10 43 1237 641 349 0.2821 4

Distribusi Kontinu

a. Distr probabilitas uniform kontinu

Algoritma

1. Bangkitkan U(0,1)
2. Dapatkan X = a+(b-a)*U

Contoh

Pada suatu sentra telpon ternyata distribusi pelayanan telponnya berdistribusi

uniform kontinu dengan minimal waktu 3 menit dan maksimal 5 menit. Tentukan
bilangan dengan a = 173 z0 = 12357 dan m = 1237.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 bangkitkan U dengan metode multiplikatif
i a m zi-1 zi U X
1 173 1237 12357 225 0.1819 3.3638
2 173 1237 225 578 0.4673 3.9345
3 173 1237 578 1034 0.8359 4.6718
4 173 1237 1034 754 0.6095 4.2191
5 173 1237 754 557 0.4503 3.9006

b. Distribusi Eksponensial
Algoritma

1. Bangkitkan U(0,1)
2. Dapatkan X =   ln(U)

Dengan  rata-rata dengan nilai > 0

Contoh

Pada suatu sentra telpon ternyata distribusi penerimaan telponnya berdistribusi

eksponensial dengan mean = 0,1 menit. Tentukan bilangan 10 acak dengan a = 173
z0 = 12357 dan m = 1237.

bangkitkan U dengan metode multiplikatif

i a m zi-1 zi U X
1 173 1237 12357 225 0.1819 0.1704
2 173 1237 225 578 0.4673 0.0761
3 173 1237 578 1034 0.8359 0.0179
4 173 1237 1034 754 0.6095 0.0495
5 173 1237 754 557 0.4503 0.0798
6 173 1237 557 1112 0.8989 0.0107
7 173 1237 1112 641 0.5182 0.0657
8 173 1237 641 800 0.6467 0.0436
9 173 1237 800 1093 0.8836 0.0124
10 173 1237 1093 1065 0.8610 0.0150

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 c. Distribusi Normal
Algoritma

1. Bangkitkan U1,U2= U(0,1)

2. Hitung V1= 2U1-1 dan V2= 2U2-1
3. Hitung W = V12 + V22
4. Jika W > 1 maka kembali ke langkah 1 dan jika tidak lanjutkan ke langkah 5

5. Hitung Y  (2 * ln( W ) / W

6. Dapatkan X1= V1Y dan X2=V2Y
7. X    X i 

Contoh

Sebuah rumah sakit berniat mempelajari penggunaan suatu alat pada ruang
emergency. Jika diketahui bahwa lamanya seorang pasien yang di’treat’
menggunakan alat tsb berdistribusi normal dgn mean 0.8 jam dan standard deviasi
0.2 jam, tentukan bilangan acak yang mewakili lamanya penggunaan alat tersebut
oleh 6 orang pasien.

i U1 U2 V1 V2 W Y X1 X2
1 0.32 0.65 -0.36 0.30 0.22 3.72 -1.34 1.11
2 0.63 0.48 0.26 -0.04 0.07 8.79 2.28 -0.35
3 0.60 0.31 0.20 -0.38 0.18 4.28 0.86 -1.63

X
0.53 1.02 1.26 0.73 2.52 1.27

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 d. Distribusi Gamma
Algoritma

1. b=(e+α)/e
2. Bangkitkan U1= U(0,1)
3. Hitung P= bU1
4. Jika P > 1 maka lanjut ke langkah 7 dan jika tidak lanjutkan ke langkah 4
1

5. Hitung Y = P
6. Bangkitkan U2= U(0,1)
Y
7. Jika U ≤ e maka X=Y dan jika tidak kembali ke langkah 1
8. Hitung Y = - ln[(b-p)/α]
9. Bangkitkan U2= U(0,1)

10. Jika U2 ≤ Y1 maka X = Y dan jika tidak kembali ke langkah 1

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 BAB V
SIMULASI MONTE CARLO

5.1. Sejarah Metode Monte Carlo

Istilah monte carlo dalam simulasi diperkenalkan oleh Compte de Buffon pada tahun
1977 dan pemakaiannya pada sistem nyata dimulai selama perang dunia II, diperkenalkan
oleh S. Ulam dan J. Von Neumann pada Los Alamos Scientific Laboratory. Untuk
merancang pelindung nuklir mereka membutuhkan data-data tentang jarak yang dapat
ditembus oleh neutron pada berbagai material. Masalah ini sangat sulit untuk dipecahkan
secara analitis dan terlalu rumit untuk dipecahkan dengan eksperimen. Mereka
menyelesaikan persoalan tersebut denagn komputer, dengan mempergunakan bilangan
random. Metode ini dinamakan Monte Carlo, karena dasarnya seperti permainan judi
roulette sedangkan monte carlo adalah kota judi terbesar di dunia.
Metode Monte Carlo digunakan dengan istilah sampling statistik. Penggunaan nama
Monte Carlo, yang dipopulerkan oleh para pioner bidang tersebut (termasuk Stanislaw
Marcin Ulam, Enrico Fermi, John von Neumann dan Nicholas Metropolis), merupakan
nama kasino terkemuka di Monako. Penggunaan keacakan dan sifat pengulangan proses
mirip dengan aktivitas yang dilakukan pada sebuah kasino. Dalam autobiografinya
Adventures of a Mathematician, Stanislaw Marcin Ulam menyatakan bahwa metode tersebut
dinamakan untuk menghormati pamannya yang seorang penjudi, atas saran Metropolis.
Penggunaannya yang cukup dikenal adalah oleh Enrico Fermi pada tahun 1930,
ketika ia menggunakan metode acak untuk menghitung sifat-sifat neutron yang waktu itu
baru saja ditemukan. Metode Monte Carlo merupakan simulasi inti yang digunakan dalam
Manhattan Project, meski waktu itu masih menggunakan oleh peralatan komputasi yang
sangat sederhana. Sejak digunakannya komputer elektronik pada tahun 1945, Monte Carlo
mulai dipelajari secara mendalam. Pada tahun 1950-an, metode ini digunakan di
Laboratorium Nasional Los Alamos untuk penelitian awal pengembangan bom hidrogen,
dan kemudian sangat populer dalam bidang fisika dan riset operasi. Rand Corporation]]an
Angkatan Udara AS merupakan dua institusi utama yang bertanggung jawab dalam

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

pendanaan dan penyebaran informasi mengenai Monte Carlo waktu itu, dan mereka mulai
menemukan aplikasinya dalam berbagai bidang.
Penggunaan metode Monte Carlo memerlukan sejumlah besar bilangan acak, dan hal
tersebut semakin mudah dengan perkembangan pembangkit bilangan pseudoacak, yang jauh
lebih cepat dan praktis dibandingkan dengan metode sebelumnya yang menggunakan tabel
bilangan acak untuk sampling statistik.

5.2. Metode Monte Carlo

Metode Monte Carlo adalah algoritma komputasi untuk mensimulasikan berbagai
perilaku sistem fisika dan matematika. Penggunaan klasik metode ini adalah untuk
mengevaluasi integral definit, terutama integral multidimensi dengan syarat dan batasan
yang rumit.
Metode Monte Carlo sangat penting dalam fisika komputasi dan bidang terapan
lainnya, dan memiliki aplikasi yang beragam mulai dari perhitungan kromodinamika
kuantum esoterik hingga perancangan aerodinamika. Metode ini terbukti efisien dalam
memecahkan persamaan diferensial integral medan radians, sehingga metode ini digunakan
dalam perhitungan iluminasi global yang menghasilkan gambar-gambar fotorealistik model
tiga dimensi, dimana diterapkan dalam video games, arsitektur, perancangan, film yang
dihasilkan oleh komputer, efek-efek khusus dalam film, bisnis, ekonomi, dan bidang
lainnya.
Karena algoritma ini memerlukan pengulangan (repetisi) dan perhitungan yang amat
kompleks, metode Monte Carlo pada umumnya dilakukan menggunakan komputer, dan
memakai berbagai teknik simulasi komputer.
Algoritma Monte Carlo adalah metode Monte Carlo numerik yang digunakan untuk
menemukan solusi problem matematis (yang dapat terdiri dari banyak variabel) yang susah
dipecahkan, misalnya dengan kalkulus integral, atau metode numerik lainnya.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

5.3. Penerapan Metode Monte Carlo Paada Beberapa Bidang
Metode Monte Carlo memiliki banyak penerapan di berbagai bidang. Penerapan
metode Monte Carlo antara lain dalam bidang:
1. Biologi.
Mempelajari jaringan biologi.
2. Keuangan
Dalam bidang ini, Monte Carlo digunakan untuk menilai dan menganalisis model-
model finansial.
3. Fisika.
Cabang-cabang fisika yang menggunakan antara lain fisika statistik dan partikel.
Dalam fisika partikel,digunakan untuk eksperimen. Dalam ilmu nuklir metode ini juga
banyak diterapkan
4. Ilmu probabilitas dan statistik.
Digunakan untuk mensimulasikan dan memahami efek keberagaman.
5. Ilmu komputer.
Misalnya Algoritma Las Vegas dan berbagai permainan komputer.
6. Kimia.
Digunakan untuk simulasi yang melibatkan kluster-kluster atomik.
7. Ilmu lingkungan.
Metode ini digunakan untuk memahami perilaku kontaminan.
8. Grafis.
Digunakan untuk penjejakan sinar.

5.4. Langkah-langkah Monte Carlo

Langkah-langkah utama dalam simulasi Monte Carlo:

1. Membuat distribusi kemungkinan untuk variabel penting

2. Mendefinisikan distribusi probabilitas yang diketahui secara pasti dari data yang
didapatkan dari pengumpulan data di masa lalu. Variabel yang digunakan dalam
distribusi harus disusun distribusi probabilitasnya.
3. Mengkonversikan distribusi probabilitas ke dalam bentuk frekuensi kumulatif.
Distribusi probabilitas kumulatif ini akan digunakan sebagai dasar pengelompokan
batas interval dari batasan acak.
4. Menjalankan proses simulasi dengan menggunakan bilangan acak. Faktor-faktor yang
sifatnya tidak pasti sering sekali menggunakan bilangan acak untuk menggambarkan
kondisi yang acak akan memberikan gambaran dari variasi yang sebenarnya.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 5. Analisis yang dilakukan dari keluaran simulasi sebagai masukan bagi alternatif
pemecahan permasalahan dan pengambilan kebijakan. Pihak manajemen dapat
melakukan evaluasi terhadap kondisi yang sedang terjadi dengan hasil simulasi.

Penjelasan dari ke 5 tahapan tersebut adalah sebagai berikut:

1. Membuat distribusi kemungkinan untuk variabel penting

Gagasan dasar dari simulasi monte carlo adalah membuat nilai dari tiap variabel
yang merupakan bagian dari model yang dipelajari. Banyak variabel di dunia nyata
yang secara alami mempunyai berbagai kemungkinan yang mungkin ingin kita
simulasikan.

Salah satu cara umum untuk membuat distribusi kemungkinan

untuk suatun variabel adalah memperhitungkan hasil di masa lalu. Kemungkinan
atau frekuensi relative untuk tiap kemungkinan hasil dari tiap variabel
ditentukan dengan membagi frekuensi observasi dengan jumlah total observasi

Contoh: Permintaan akan ban di toko ban “Benjol” selama 200 hari
kebelakang terlihat di tabel berikut:

Kita dapat merubah keadaan tersebut diatas menjadi distribusi kemungkinan (bila
kita asumsikan tingkat penjuala dimasa lalu akan tetap bertahan sampai ke

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 masa depan) dengan membagi tiap permintaan dengan total permintaan. Seperti
pada tabel berikut:

2. Membangun distribusi kemungkinan kumulatif untuk tiap‐tiap variabel di

tahap pertama

Konversi dari distribusi kemungkinan biasa, seperti pada kolom kanan tabel
2 menjadi distribusi kumulatif dilakukan dengan menjumlahkan tiap angka
kemungkinan dengan jumlah sebelumnya seperti pada tabel 3.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 Probabilitas kumulatif terlihat pada gambar dibawah, digunakan pada tahap
ke 3 untuk membantu menempatkan nilai random.

3. Menentukan interval angka random untuk tiap variabel

Setelah kita menentukan probabilitas kumulatif untuk tiap variabel yan

termasuk dalam simulasi, kita harus menentukan batas angka yang mewakili tiap
kemungkinan hasil. hal tersebut ditujukan pada interval angka random. Penentuan
interval didasari oleh kemungkinan kumulatif

Tabel 4. Interval Angka Random

Permintaan Kemungkinan Kemungkinan Interval Angka

Kumulatif Random
0 0.05 0.05 01 s/d 05
1 0.10 0.15 06 s/d 15
2 0.20 0.35 16 s/d 35
3 0.30 0.65 36 s/d 65
4 0.20 0.85 66 s/d 85
5 0.15 1.00 86 /d 100

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 4. Membuat angka random

Untuk membuat angka random kita bisa menggunakan software Microsoft

Excel dengan menggunakan perintah Randbetween, misal untuk angka random
dari 1‐100, kita tuliskan perintah: =randbetween(1,100) dan diulangi sejumlah
baris yang diperlukan

5. Membuat simulasi dari rangkaian percobaan

Kita bisa membuat simulasi dari sebuah eksperimen dengan mengambil angka
random dari gambar diatas, misal kita akan membuat simulasi untuk 10 hari, kita
ambil Kolom A1‐ A10. Cara penentuan permintaan adalah dengan ditentukan oleh
angka random. Contohnya bila angka random adalah 56, angka itu terletak pada
interval 36 s/d 65 yang berarti permintaan 3 buah ban.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 Total permintaan untuk 10 hari adalah 28 ban, rata‐rata permintaan per hari adalah
2,8 ban.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 BAB VI
MODEL ANTRIAN

6.1. Sekilas Tentang Antrian

Antrian adalah suatu kejadian yang biasa dalam kehidupan sehari–hari. Menunggu di
depan loket untuk mendapatkan tiket kereta api atau tiket bioskop, pada pintu jalan tol, pada
bank, pada kasir supermarket, dan situasi–situasi yang lain merupakan kejadian yang sering
ditemui. Studi tentang antrian bukan merupakan hal yang baru.
Dalam dunia nyata kita tidak suka menunggu, maka tak heran bila kita punya
pendapat bahwa menunggu adalah pekerjaan yang paling menyebalkan. Di bawah ini
diberikan contoh beberapa situasi dimana antrian sangat penting.
1. Contoh Supermarket. Berapa lama pelanggan harus menunggu di kasir ? apa yang terjadi
dengan waktu tunggu selama puncak kesibukan ? apakah jumlah kasir cukup ?
2. Contoh Sistem Produksi Sebuah mesin menghasilkan jenis produk yang berbeda. Berapa
waktu pasti dari suatu pesanan? Apa yang mengurangi waktu pasti jika kita memiliki
sebuah mesin ekstra? Haruskah kita membuat prioritas dari pesanan?
3. Contoh Kantor Pos. Dalam suatu kantor pos ada konter-konter khusus didalamnya
seperti stempel, packaging, ternsaksi keuangan dll. Apakah konternya sudah cukup?
Bisakah Antrian terpisah atau antrian umum di depan konter dengan spesialisasi yang
sama?
4. Contoh Komunikasi Data Di dalam paket jaringan komunikasi standar komputer yang
disebut sel ditransmisikan di dalam link dari satu switch ke yang lainnya. Pada setiap
switch sel yang masuk dapat dibuffer ketika permintaan yang datang melebihi kapasitas
link. Ketika buffer penuh cel yang masuk akan hilang. Apa yang menunda sel didalam
switch? Pecahan sel yang mana yang akan hilang? Berapa ukuran buffer yang baik?
5. Contoh Tempat Parkir Mereka akan mendirikan suatu area parkir baru di depan suatu
supermarket. Seberapa besar seharusnya ?
6. Contoh Perakitan Papan Sirkuit Printer Memasang komponen secara vertikal di atas
papan printer dilakukan dalam suatu pusat perakitan yang terdiri dari sejumlah mesin
penyisipan yang paralel. Masing-masing mesin mempunyai sebuah magazine untuk
menyimpan komponen. Berapa waktu pasti yang dibutuhkan untuk produksi papan
sirkuit itu? Bagaimana seharusnya pembagian komponen yang diperlukan untuk
perakitan papan sirkuit printer disetiap mesin?
7. Contoh Call Center dari suatu perusahaan asuransi ? Pertanyaan melalui telepon,
mengenai kondisi-kondisi asuransi, ditangani oleh sebuah call center. Dimana masing-
masing regu membantu nasabah dari masing-masing daerah tertentu. Berapa lama
pelanggan menunggu sebelum sampai operator bersedia? Apakah jumlah telefon yang
masuk cukup? Apakah operatornya cukup? Regu polling?
8. Contoh Main Frame Komputer Banyak cashomat dihubungkan pada sebuah main frame
komputer yang besar yang dapat menangani semua teransaksi finansial. Apakah
kapasitas komputer mainframe cukup? Apa yang terjadi jika penggunaan cashomat
meningkat?

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

9. Contoh Gardu Tol Pengendara motor harus membayar bea masuk untuk melewati sebuah
jembatan. Apakah gardu tol cukup? Contoh Rambu Lalu Lintas Bagaimana kita harus
mengatur rambu lalu lintas agar waktu tunggu dapat diterima?

Antrian timbul disebabkan oleh kebutuhan akan layanan melebihi kemampuan

(kapasitas) pelayanan atau fasilitas layanan, sehingga pengguna fasilitas yang tiba tidak bisa
segera mendapat layanan disebabkan kesibukan layanan. Pada banyak hal, tambahan fasilitas
pelayanan dapat diberikan untuk mengurangi antrian atau untuk mencegah timbulnya antrian.
Akan tetapi biaya karena memberikan pelayanan tambahan, akan menimbulkan pengurangan
keuntungan mungkin sampai di bawah tingkat yang dapat diterima. Sebaliknya, sering
timbulnya antrian yang panjang akan mengakibatkan hilangnya pelanggan / nasabah.

Pengurangan waktu menunggu umumnya membutuhkan investasi yang ekstra. Untuk

memutuskan ya atau tidak untuk investasi adalah penting mengetahui efek dari investasi
untuk waktu antrian. Maka kita memerlukan model dan tehnik untuk menganalisis situasi
seperti ini. Di dalam buku ini kita akan memerlukan beberapa model dasar teori antrian.
Perhatian ditekankan pada metode untuk menganalisis model ini, dan juga aplikasi dari
Antrian model. Area penting dari aplikasi model antrian adalah sistem produksi, transportasi
dan sistem persediaan barang, sistem komunikasi, dan sistem pengolahan informasi. Antrian
model bermanfaat untuk perancangan sistem dalam kaitannya dengan tata ruang, kapasitas
dan kendali. Di dalam kuliah ini perhatian kami terbatas pada model dengan satu antrian.
Situasi dengan lebih dari satu antrian diperlukan dalam kursus antrian jaringan. Merupakan
tehnik lanjutan untuk bilangan eksak, aproksimasi dan analisis numerik dari antrian model
akan menjadi pokok bahasan\ metode algoritma teori antrian.

Salah satu model yang sangat berkembang sekarang ini ialah model matematika.
Umumnya, solusi untuk model matematika dapat dijabarkan berdasarkan dua macam
prosedur, yaitu : analitis dan simulasi. Pada model simulasi, solusi tidak dijabarkan secara
deduktif. Sebaliknya, model dicoba terhadap harga – harga khusus variabel jawab
berdasarkan syarat – syarat tertentu (sudah diperhitungkan terlebih dahulu), kemudian
diselidiki pengaruhnya terhadap variabel kriteria. Karena itu, model simulasi pada hakikatnya
mempunyai sifat induktif. Misalnya dalam persoalan antrian, dapat dicoba pengaruh
bermacam – macam bentuk sistem pembayaran sehingga diperoleh solusi untuk situasi atau
syarat kedatangan yang mana pun.

6.2. Konsep Teori Antrian

Antrian yang sangat panjang dan terlalu lama untuk memperoleh giliran pelayanan
sangatlah menjengkelkan. Rata – rata lamanya waktu menunggu (waiting time) sangat
tergantung kepada rata – rata tingkat kecepatan pelayanan (rate of services). Teori tentang
antrian diketemukan dan dikembangkan oleh A. K. Erlang, seorang insinyur dari Denmark
yang bekerja pada perusahaan telepon di Kopenhagen pada tahun 1910. Erlang melakukan
eksperimen tentang fluktuasi permintaan fasilitas telepon yang berhubungan dengan
automatic dialing equipment, yaitu peralatan penyambungan telepon secara otomatis.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 Dalam waktu – waktu yang sibuk operator sangat kewalahan untuk melayani para
penelepon secepatnya, sehingga para penelepon harus antri menunggu giliran, mungkin
cukup lama. Persoalan aslinya Erlang hanya memperlakukan perhitungan keterlambatan
(delay) dari seorang operator, kemudian pada tahun 1917 penelitian dilanjutkan untuk
menghitung kesibukan beberapa operator. Dalam periode ini Erlang menerbitkan bukunya
yang terkenal berjudul Solution of some problems in the theory of probabilities of
significance in Automatic Telephone Exhange. Baru setelah perang dunia kedua, hasil
penelitian Erlang diperluas penggunaannya antara lain dalam teori antrian (Supranto, 1987).

Menurut Siagian (1987), antrian ialah suatu garis tunggu dari nasabah (satuan) yang
memerlukan layanan dari satu atau lebih pelayan (fasilitas layanan). Pada umumnya, sistem
antrian dapat diklasifikasikan menjadi system yang berbeda – beda di mana teori antrian dan
simulasi sering diterapkan secara luas. Klasifikasi menurut Hillier dan Lieberman adalah
sebagai berikut
1. Sistem pelayanan komersial
2. Sistem pelayanan bisnis – industry
3. Sistem pelayanan transportasi
4. Sistem pelayanan social

Sistem pelayanan komersial merupakan aplikasi yang sangat luas dari model – model
antrian, seperti restoran, kafetaria, toko, salon, butik, supermarket, dan sebagainya. Sistem
pelayanan bisnis – industri mencakup lini produksi, sistem material – handling, sistem
pergudangan, dan sistem – sistem informasi komputer. Sistem pelayanan sosial merupakan
sistem – sistem pelayanan yang dikelola oleh kantor – kantor dan jawatan – jawatan lokal
maupun nasional, seperti kantor registrasi SIM dan STNK, kantor pos, rumah sakit,
puskesmas, dan lain – lain (Subagyo, 2000).

6.3. Sistem Antrian

Ada tiga komponen dalam sistim antrian yaitu :

1. Populasi dan cara kedatangan pelanggan datang ke dalam sistem
2. Sistem pelayanan
3. kondisi pelanggan saat keluar sistem

Gambar : Antrian

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

1. Populasi dan Cara Kedatangan Pelanggan

a) Populasi
Populasi yang akan Dilayani (calling population) Setiap masalah antrian melibatkan
kedatangan, misalnya orang, mobil, panggilan telepon untuk dilayani, dan lain – lain. Unsur
ini sering dinamakan proses input. Proses input meliputi sumber kedatangan atau biasa
dinamakan calling population, dan cara terjadinya kedatangan yang umumnya merupakan
variabel acak. Menurut Levin, dkk (2002), variable acak adalah suatu variabel yang nilainya
bisa berapa saja sebagai hasil dari percobaan acak. Variabel acak dapat berupa diskrit atau
kontinu. Bila variabel acak hanya dimungkinkan memiliki beberapa nilai saja, maka ia
merupakan variabel acak diskrit. Sebaliknya bila nilainya dimungkinkan bervariasi pada
rentang tertentu, ia dikenal sebagai variabel acak kontinu.

Karakteristik dari populasi yang akan dilayani (calling population) dapat dilihat menurut
ukurannya, pola kedatangan, serta perilaku dari populasi yang akan dilayani. Menurut
ukurannya, populasi yang akan dilayani bisa terbatas (finite) bisa juga tidak terbatas
(infinite). Sebagai contoh jumlah mahasiswa yang antri untuk registrasi di sebuah perguruan
tinggi sudah diketahui jumlahnya (finite), sedangkan jumlah nasabah bank yang antri untuk
setor, menarik tabungan, maupun membuka rekening baru, bisa tak terbatas (infinte).

b) Distribusi Kedatangan
Secara umum, formula garis tunggu antrian memerlukan informasi tingkat kedatangan
unit per periode waktu (arrival rate). distribusi kedatangan bisa teratur - tetap dalam satu
periode. Artinya kedatangan unit/ pelanggan dalam antrian dengan unit/ pelanggan
berikutnya memiliki periode waktu yang sama. Kedatangan yang seperti ini biasanya hanya
ada di sistem produksi dimana antrian dikendalikan oleh mesin. Kedatangan yang teratur
sering kita jumpai pada proses pembuatan/ pengemasan produk yang sudah distandardisasi.
Pada proses semacam ini, kedatangan produk untuk diproses pada bagian selanjutnya
biasanya sudah ditentukan waktunya, misalnya setiap 30 detik.

Pada banyak kasus dalam praktek, kedatangan unit/ pelanggan dalam antrian dengan
unit/ pelanggan berikutnya bersifat variabel atau acak (random).Kedatangan yang sifatnya
acak (random) banyak kita jumpai misalnya kedatangan nasabah di bank. Pola kedatangan
yang sifatnya acak dapat digambarkan dengan distribusi statistik dan dapat ditentukan dua
cara yaitu

 Dengan cara menganalisa kedatangan per satuan waktu untuk melihat apakah waktu
kedatangan unit/ pelanggan dalam antrian mengikuti pola distribusi statistik tertentu.
Biasanya kita mengasumsikan bahwa waktu kedatangan unit/ pelanggan dalam antrian
dengan unit/ pelanggan berikutnya berdistribusi eksponensial.
 Dengan cara menetapkan lama waktu (T) dan mencoba menentukan berapa banyak
unit/ pelanggan yang datang ke dalam sistem dalam kurun waktu T. Secara spesifik
biasanya diasumsikan bahwa jumlah kedatangan per satuan waktu mengikuti pola
distribusi Poisson.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

Contoh : Kedatangan digambarkan dalam jumlah satu waktu, dan bila kedatangan terjadi
secara acak, informasi yang penting adalah Probabilitas n kedatangan dalam periode waktu
tertentu, dimana n = 0,1,2,. Jika kedatangan diasumsikan terjadi dengan kecepatan rata-rata
yang konstan dan bebas satu sama lain disebut distribusi probabilitas Poisson Ahli
matematika dan fisika, Simeon Poisson (1781 – 1840), menemukan sejumlah aplikasi
manajerial, seperti kedatangan pasien di RS, sambungan telepon melalui central switching
system, kedatangan kendaraan di pintu toll, dll. Semua kedatangan tersebut digambarkan
dengan variabel acak yang terputus-putus dan nonnegative integer (0, 1, 2, 3, 4, 5, dst).
Selama 10 menit mobil yang antri di pintu toll bisa 3, 5, 8, dst.
Ciri distribusi poisson: i) rata-rata jumlah kedatangan setiap interval bisa diestimasi dari data
sebelumnya, ii). bila interval waktu diperkecil misalnya dari 10 menit menjadi 5 menit, maka
pernyataan ini benar

 Probabilita bahwa seorang pasien datang merupakan angka yang sangat kecil dan
konstan untuk setiap interval
 Probabilita bahwa 2 atau lebih pasien akan datang dalam waktu interval sangat kecil
sehingga probabilita untuk 2 atau lebih dikatakan nol (0).
 Jumlah pasien yang yang datang pada interval waktu bersifat independent
 Jumlah pasien yang datang pada satu interval tidak tergantung pada interval yang lain.

Probabilitas n kedatangan dalam waktu T ditentukan dengan rumus

Jika kedatangan mengikuti Distribusi Poisson dapat ditunjukkan secara matematis bahwa
waktu antar kedatangan akan terdistribusi sesuai dengan distribusi eksponensial .

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 Suatu faktor yang mempengaruhi penilaian distribusi kedatangan adalah ukuran
populasi panggilan . Contoh : jika seorang tukang reparasi sedang memperbaiki enam buah
mesin, populasi panggilan dibatasi sampai dengan enam buah mesin. Dalam hal ini tidak
mungkin bahwa kedatangan mengikuti distribusi Poisson sebab tingkat kecepatan kerusakan
tidak konstan. Jika lima buah mesin telah rusak, tingkat kedatangan lebih rendah daripada
bila seluruh mesin dalam keadaan operasi.

Populasi yang akan dilayani mempunyai perilaku yang berbeda-beda dalam membentuk
antrian. Ada tiga jenis perilaku: reneging, balking, dan jockeying. Reneging menggambarkan
situasi dimana seseorang masuk dalam antrian, namun belum memperoleh pelayanan,
kemudian meninggalkan antrian tersebut. Balking menggambarkan orang yang tidak masuk
dalam antrian dan langsung meninggalkan tempat antrian. Jockeying menggambarkan orang
yang pindah-pindah antrian.

c) Pola Kedatangan
Kedatangan unit/ pelanggan dalam sistem antrian, untuk beberapa kasus, dapat
dikendalikan. Misalnya kedatangan dikendalikan dengan cara memberikan potongan pada
hari-hari tertentu yang sepi dengan maksud menggiring pelanggan untuk datang pada jam
sepi, memberikan harga tinggi pada sesi-sesi padat agar pelanggan tergiring datang pada hari
lain yang lebih murah. Namun demikian, dalam beberapa kasus yang lain, kedatangan unit/
pelanggan dalam antrian tidak dapat dikendalikan misalnya permintaan bantuan imergensi di
rumah sakit, atau pemadam kebakaran atau kantor polisi.

d) Jumlah Unit/ Pelanggan yang Datang

Kedatangan tunggal atau dengan kata lain satu kali kedatangan bisa saja hanya terdiri
dari satu uni atau satu pelanggan. Namun demikian bisa saja dalam satu kali kedatangan
terdiri dari banyak unit yang disebut batch arrivals, misalnya kedatangan undangan di lima
acara pesta di sebuah restoran.

e) Tingkat Kesabaran
Tingkat kesabaran pelanggan dalam antrian dikelompokkan menjadi dua, yakni
 Kedatangan yang sabar. Yaitu seseorang yang bersedia menunggu hingga dilayani
terlepas apakah mereka menunjukkan perilaku tidak sabar seperti menggerutu atau
mengomel tetapi tetap menunggu dalam antrian.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 Kedatangan yang tidak sabar. Kedatangan yang tidak sabar dikelompokkan menjadi dua
kategori. Kategori yang pertama adalah orang yang datang, melihat-lihat fasilitas layanan
dan panjang antrian, lalu memutuskan meninggalkan sistem. Kategori yang kedua adalah
orang yang datang, melihat fasilitas layanan, bergabung dalam antrian dan untuk
beberapa lama kemudian meninggalkan sistem.

2.Sistem Pelayanan Antrian

Sistem Pelayanan Antrian meliputi beberapa hal yakni garis antrian/ baris tunggu dan
ketersediaan fasilitas.

a) Garis antrian/ baris tunggu.

Faktor-faktor yang terkait dengan garis antrian meliputi panjang antrian, jumlah baris
antrian dan disiplin antrian.

 Panjang Kapasitas Antrian

Dalam pengertian praktis, panjang kapasitas antrian dapat dikelompokkan

menjadu dua yakni 1) panjang kapasitas antrian yang potensial tak terbatas, misalnya
panjang antrian di jembatan penyeberangan, atau antrian membeli tiket bioskop. 2)
panjang kapasitas antrian yang terbatas baik karena ketentuan peraturan atau karena
keterbatasan karakteristik ruang fisik, misalnya tempat parkir.

 Jumlah Antrian.

Jumlah antrian dalam sistem antrian dikelompokkan menjadi dua yakni antrian
tunggal. Artinya hanya ada satu fasilitas layanan untuk melayani antrian. 2) Antrian
berganda/ multi. Artinya ada beberapa fasilitas layanan di depan baris antrian.

 Disiplin Antrian

Disiplin antrian dikelompokkan menjadi dua, yaitu preemptive dan non

preemptive. Disiplin preemptive menggambarkan situasi dimana pelayan sedang
melayani seseorang, kemudian beralih melayani orang yang diprioritaskan meskipun
belum selesai melayani orang sebelumnya. Sementara disiplin non preemptive
menggambarkan situasi dimana pelayan akan menyelesaikan pelayanannya baru
kemudian beralih melayani orang yang diprioritaskan. Sedangkan disiplin first come first
serve menggambarkan bahwa orang yang lebih dahulu datang akan dilayani terlebih
dahulu. Dalam kenyataannya sering dijumpai kombinasi dari tersebut. Yaitu prioritas dan
first come first serve. Sebagai contoh, para pembeli yang akan melakukan pembayaran di
kasir untuk pembelian kurang dari sepuluh jenis barang (dengan keranjang) di super
market disediakan counter tersendiri.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 Disiplin antri adalah aturan keputusan yang menjelaskan cara melayani pengantri.
Menurut Siagian (1987), ada 5 bentuk disiplin pelayanan yang biasa digunakan, yaitu :

1. FirstCome FirstServed (FCFS) atau FirstIn FirstOut (FIFO) artinya, lebih dulu datang
(sampai), lebih dulu dilayani (keluar). Misalnya, antrian pada loket pembelian tiket
bioskop.
2. LastCome FirstServed (LCFS) atau LastIn FirstOut (LIFO) artinya, yang tiba terakhir
yang lebih dulu keluar. Misalnya, sistem antrian dalam elevator untuk lantai yang sama.
3. Service In Random Order (SIRO) artinya, panggilan didasarkan pada
4. peluang secara random, tidak soal siapa yang lebih dulu tiba.
5. Priority Service (PS) artinya, prioritas pelayanan diberikan kepada pelanggan yang
mempunyai prioritas lebih tinggi dibandingkan dengan pelanggan yang mempunyai
prioritas lebih rendah, meskipun yang terakhir ini kemungkinan sudah lebih dahulu tiba
dalam garis tunggu. Kejadian seperti ini kemungkinan disebabkan oleh beberapa hal,
misalnya seseorang yang dalam keadaan penyakit lebih berat dibanding dengan orang
lain dalam suatu tempat praktek dokter.

Dalam hal di atas telah dinyatakan bahwa entitas yang berada dalam garis tunggu tetap
tinggal di sana sampai dilayani. Hal ini bisa saja tidak terjadi. Misalnya, seorang pembeli bisa
menjadi tidak sabar menunggu antrian dan meninggalkan antrian. Untuk entitas yang
meninggalkan antrian sebelum dilayani digunakan istilah pengingkaran (reneging).
Pengingkaran dapat bergantung pada panjang garis tunggu atau lama waktu tunggu. Istilah
penolakan (balking) dipakai untuk menjelaskan entitas yang menolak untuk bergabung dalam
garis tunggu (Setiawan, 1991).

 Struktur Antrian

Dalam mengelompokkan model-model antrian yang berbeda-beda, akan digunakan

suatu notasi yang disebut Kendall’s Notation. Notasi ini sering dipergunakan karena beberapa
alasan. Pertama, karena notasi tersebut merupakan alat yang efisien untuk mengidentifikasi
tidak hanya model-model antrian, tetapi juga asumsi-asumsi yang harus dipenuhi. Kedua,
hampir semua buku yang membahas teori antrian menggunakan notasi ini.

Bentuk Model Umum :

1/ 2/ 3/ 4
1 = Tingkat kedatangan
2 = Tingkat Pelayanan
3 = Jumlah fasilitas pelayanan
4 = Besarnya populasi

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

Notasi yang sering dipakai adalah :
Singkatan Penjelasan

M Tingkat kedatangan dan/atau pelayanan Poisson

D Tingkat kedatangan dan/atau pelayanan Deterministik (diketahui konstan)
K Distribusi Erlang waktu antar kedatangan atau pelayanan
S Jumlah fasilitas pelayanan
I Sumber populasi atau kepanjangan antrian tak-terbatas (infinite)
F Sumber populasi atau kepanjangan antrian terbatas (finite)

Tanda pertama notasi selalu menunjukkan distribusi tingkat kedatangan. Dalam hal ini,
M menunjukkan tingkat kedatangan mengikuti distribusi probabilitas Poisson. Tanda kedua
menunjukkan distribusi tingkat pelayanan. Tanda ketiga menunjukkan jumlah fasilitas
pelayanan dalam sistem. Tanda keempat dan kelima ditambahkan untuk menunjukkan apakah
sumber populasi dan kepanjangan antrian adalah tak-terbatas (I) atau terbatas (F).

Ada 4 model struktur antrian dasar yang umum terjadi dalam seluruh sistem antrian :
1. Single Channel – Single Phase
Single Channel berarti hanya ada satu jalur yang memasuki system pelayanan atau ada
satu fasilitas pelayanan. Single Phase berarti hanya ada satu pelayanan.

2. Single Channel – Multi Phase

Istilah Multi Phase menunjukkan ada dua atau lebih pelayanan yang dilaksanakan
secara berurutan (dalam phasephase). Sebagai contoh : pencucian mobil.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 3. Multi Channel – Single Phase
Sistem Multi Channel – Single Phase terjadi kapan saja di mana ada dua atau lebih
fasilitas pelayanan dialiri oleh antrian tunggal, sebagai contoh model ini adalah antrian
pada teller sebuah bank.

4. Multi Channel – Multi Phase

Sistem Multi Channel – Multi Phase Sebagai contoh, herregistrasi para mahasiswa di
universitas, pelayanan kepada pasien di rumah sakit mulai dari pendaftaran, diagnosa,
penyembuhan sampai pembayaran. Setiap sistem – sistem ini mempunyai beberapa
fasilitas pelayanan pada setiap tahapnya (Subagyo, 2000).

b) Ketersediaan Pelayanan

Ada 3 aspek yang harus diperhatikan dalam mekanisme pelayanan, yaitu :

 Tersedianya pelayanan
Mekanisme pelayanan tidak selalu tersedia untuk setiap saat. Misalnya dalam
pertunjukan bioskop, loket penjualan karcis masuk hanya dibuka pada waktu tertentu
antara satu pertunjukan dengan pertunjukan berikutnya. Sehingga pada saat loket
ditutup, mekanisme pelayanan terhenti dan petugas pelayanan (pelayan) istirahat.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

  Kapasitas pelayanan
Kapasitas dari mekanisme pelayanan diukur berdasarkan jumlah langganan yang
dapat dilayani secara bersama – sama. Kapasitas pelayanan tidak selalu sama untuk
setiap saat; ada yang tetap, tapi ada juga yang berubah – ubah. Karena itu, fasilitas
pelayan atau mekanisme pelayanan dapat terdiri dari satu atau lebih pelayan, atau satu
atau lebih fasilitas pelayanan. Tiap – tiap fasilitas pelayanan kadang – kadang disebut
sebagai saluran (channel) (Schroeder, 1997). Contohnya, jalan tol dapat memiliki
beberapa pintu tol. Mekanisme pelayanan dapat hanya terdiri dari satu pelayan dalam
satu fasilitas pelayanan yang ditemui pada loket seperti pada penjualan tiket di
gedung bioskop.Fasilitas yang mempunyai satu saluran disebut saluran tunggal atau
sistem pelayanan tunggal dan fasilitas yang mempunyai lebih dari satu saluran disebut
saluran ganda atau pelayanan ganda.
 Karakteristik Waktu Pelayanan/ Lamanya pelayanan
Lamanya pelayanan adalah waktu yang dibutuhkan untuk melayani seorang
langganan atau satu – satuan. Ini harus dinyatakan secara pasti. Oleh karena itu,
waktu pelayanan boleh tetap dari waktu ke waktu untuk semua langganan atau boleh
juga berupa variabel acak. Umumnya dan untuk keperluan analisis, waktu pelayanan
dianggap sebagai variabel acak yang terpencar secara bebas dan sama serta tidak
tergantung pada waktu kedatangan (Siagian, 1987) dan diasumsikan mengikuti
distribusi eksponensial.

3. Exit

Setelah pelanggan dilayani, ada dua kemungkinan kondisi pelanggan itu keluar sistem:
1) pelanggan mungkin kembali ke populasi sumber dan mengantri lagi, Misalnya, sebuah
mesin setelah mendapat perawatan servis dan dioperasikan lagi, namun ternyata mesin
tersebut rusak lagi.atau 2) pelanggan hanya kemungkinan kecil untuk mendapat pelayanan
ulang. Misalnya sebuah mesin mendapat perbaikan menyeluruh atau modifikasi sehingga
kemungkinan kecil mesin tersebut dalam waktu dekat untuk rusak lagi.

6.4. Perilaku Biaya Antrian

Ada dua jenis biaya yang timbul. Yaitu biaya karena orang mengantri, dan di sisi lain
biaya karena menambah fasilitas layanan. Biaya yang terjadi karena orang mengantri, antara
lain berupa waktu yang hilang karena menunggu. Sementara biaya menambah fasilitas
layanan berupa penambahan fasilitas layanan serta gaji tenaga kerja yang memberi
pelayanan. Tujuan dari sistem antrian adalah meminimalkan biaya total, yaitu biaya karena
mengantri dan biaya karena menambah fasilitas layanan.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

6.5. Mengelola Antrian Pendekatan Kualitatif

Berikut ini beberapa saran yang dapat diaplikasikan dalam mengelola antrian sebelum
memutuskan menambah fasilitas:
Menentukan waktu tunggu yang masih dapat diterima oleh pelanggan. Susun tujuan
operasional didasarkan pada apa yang dapat diterima oleh pelanggan

1. Mencoba mengalihkan perhatian pelanggan ketika menunggu, misalnya dengan

menyediakan TV, Bacaan, pemutaran film atau yang lain untuk membantu pelanggan
tidak terfokus pada kenyataan bahwa mereka menunggu lama.
2. Menginformasikan kepada pelanggan tentang apa yang sedang terjadi dan apa yang
sedang diupayakan oleh manajemen untuk solusi. Hal ini perlu dilakukan khususnya
ketika waktu tunggu lebih lama dari normal karena pelanggan yang sudah menunggu
lama dan tidak mengerti apa yang sedang terjadi akan membuat mereka gelisah.
3. Menjaga agar karyawan tidak terlihat oleh pelanggan sedang menganggur atau
mengerjakan pekerjaan lain atau bekerja lambat. Bagaimanapun, tidak ada yang
membuat pelanggan menajdi begitu frustasi ketika mereka sedang mengantri lama
dan di sisi lain mereka melihat para karyawan malah duduk-duduk santai atau terlihat
kurang gesit.
4. Mensegmentasi pelanggan. Misalnya bila ada sekelompok pelanggan yang
membutuhkan sesuatu yang dapat dilayani dengan cepat, maka ada baikn ya buat
antrian khusus untuk mereka sehingga mereka tidak mengantri lama hanya karena
beberapa konsumen yang lain membutuhkan pelayanan yang lama.
5. Melatih pelayan untuk lebih friendly terhadap pelanggan. Menyapa pelanggan dengan
menyebut nama atau memberikan atensi khusus dapat membantu pelanggan
mengendalikan perasaan negatif selama menunggu. Akan lebih baik bila diberi arahan
yang spesifik dari pada sekedar meminta mereka bersikap friendly, misalnya dengan
meminta mereka tersenyum saat memberi salam kepada pelanggan.
6. Mendorong pelanggan untuk datang pada saat waktu longgar/ sepi. Berikan informasi
yang lengkap kepada pelanggan tentang saat-saat yang biasanya luang sehingga
mereka bisa datang dan tidak perlu mengantri.Beri tahu kapan saat-saat padat
pelanggan dan kapan saat sepi pelanggan.

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR

 7. Mengupayakan pemecahan jangka panjang dalam mengatasi masalah antrian. Perlu
mengembangkan rencana cara laternatif untuk melayani pelanggan misalnya dengan
mempersingkat prosedur, mengembangkan metode kerja yang lebih cepat dan lain-
lain. (Hendra Poerwanto G)

Teknik Simulasi dan Pemodelan Tim Dosen T.Informatika UMPAR