Langkah pertama dalam pemecahan masalah yang berbasis pada model optimisasi adalah
melakukan pendefinisian masalah. Pendefinisian masalah optimisasi pada dasarnya
merupakan konseptualisasi dari masalah yang dipecahkan. Dengan demikian,
pendefinisian masalah optimisasi identik dengan pembentukan model konseptual dari
masalah optimisasi yang dipecahkan.
Selain secara verbal, bentuk konseptual dari masalah optimisasi dapat direpresentasikan
dalam model diagramatik. Salah satu model diagramatik yang umumnya digunakan
adalah diagram pengaruh. Diagram ini menunjukkan besaran-besaran yang ada dalam
masalah optimisasi dan hubungan keterkaitannya. Gambar 5.3 menunjukkan simbol-
simbol yang digunakan dalam diagram pengaruh (Daellenbach & McNickle, 2005).
Simbol Keterangan
Variabel keputusan
Fungsi tujuan
Fungsi
Asumsi merupakan suatu pernyataan yang menunjukkan karakteristik dari model. Asumsi
dapat merujuk pada sifat dari besaran maupun fungsi. Asumsi diperlukan agar masalah
dapat lebih mudah dirumuskan dan dipecahkan.
Verifikasi model merupakan proses untuk menentukan apakah model yang dibangun
bekerja sesuai dengan yang diinginkan. Verifikasi model merupakan proses untuk
menjamin bahwa model berjalan dengan benar. Verifikasi model dapat dipandang
sebagai proses untuk membangun model dengan benar (building the model right).
Verifikasi model umumnya hanya melibatkan pemodel saja. Dalam proses verifikasi,
pemodel berusaha untuk mendeteksi kesalahan-kesalahan yang tidak diinginkan dan
menghilangkannya. Dengan demikian, esensi dari proses verifikasi adalah proses
debugging. Model yang terverifikasi adalah model yang bebas dari kesalahan.
Secara umum, kesalahan dapat dibedakan menjadi 2 (dua) hal, yaitu kesalahan sintaks
dan kesalahan semantik. Kesalahan sintaks adalah kesalahan yang terkait dengan
kesalahan penulisan. Beberapa piranti lunak telah menyediakan mekanisme pendeteksi
kesalahan sintaks. Kesalahan semantik terkait dengan kesalahan arti. Kesalahan ini
disebut juga dengan kesalahan logika. Kesalahan ini lebih sulit dideteksi.
Dalam model Parameter merupakan besaran yang nilainya tetap. Nilai dari setiap
parameter adalah diketahui dan diberikan. Proses penentuan nilai dari parameter disebut
dengan parameterisasi model. Penentuan nilai dari tiap parameter memerlukan proses
pengumpulan dan analisis data.
Untuk simulasi henti, hal-hal yang harus ditetapkan adalah: (1) penentuan nilai awal, (2)
penentuan aturan penghentian, dan (3) penentuan jumlah replikasi. Untuk simulasi tak
henti, hal-hal yang harus ditetapkan adalah: (1) penentuan periode pemanasan, (2)
penentuan periode simulasi, dan (3) penentuan jenis replikasi yang harus dilakukan.
Validasi model merupakan proses untuk menentukan apakah perilaku dari model sesuai
dengan perilaku dari sistem yang sebenarnya. Sebelum model diimplementasikan, model
harus memiliki tingkat validitas yang cukup.
Banyak pendekatan yang dapat digunakan dalam validasi model, baik pendekatan yang
bersifat kualitatitif maupun kuantitatif. Pendekatan validasi muka (face validation)
merupakan salah satu prosedur validasi kualitatif yang meminta pendapat dari para pakar
atau pihak yang terkait dengan suetem yang dimodelkan dengan menilai apakah perilaku
model sesuai dengan perilaku sistem aktualnya. Pendekatan validasi secara kuantitatif
dilakukan dengan membandingkan keluaran dari sistem aktual dengan hasil dari model.
Analisis perbandingan solusi bertujuan untuk membandingkan solusi yang dihasilkan dari
model dengan solusi pada kondisi aktual maupun solusi yang diperoleh dari penelitian-
penelitian sebelumnya yang sudah ada. Perbandingan dengan solusi pada kondisi aktual
berperan untuk menunjukkan bahwa solusi dari model memberikan perbaikan pada
kondisi aktual. Jika masalah optimisasi telah dipecahkan dengan model atau metode
optimisasi lain yang terdapat dalam penelitian-penelitian sebelumnya, analisis
perbandingan solusi membantu untuk menentukan efektivitas dari solusi yang dihasilkan
dan efisiensi dari metode pemecahan yang dikembangkan dan digunakan.
Bab 2 Pembangkitan Bilangan Random
1
;𝑎 ≤ 𝑥 ≤ 𝑏
𝑓(𝑥) = {𝑏 − 𝑎
0 ; 𝑥 yang lain
𝑎+𝑏
𝜇𝑋 = 𝐸(𝑋) =
2
(𝑏 − 𝑎)2
𝜎𝑋2 = 𝐸((𝑥 − 𝜇𝑋 )2 ) =
12
1 ;0 ≤ 𝑥 ≤ 1
𝑓(𝑥) = {
0 ; 𝑥 yang lain
1
𝜇𝑋 = 𝐸(𝑥) =
2
1
𝜎𝑋2 = 𝐸((𝑋 − 𝜇𝑋 )2 ) =
12
2.3 Metode-Metode Awal Pembangkitan Bilangan Random
Misal terdapat bilangan bulat awal yang terdiri atas 𝑛 digit (𝑛 genap) yaitu 𝑍0 . Suatu
urutan bilangan bulat dibangkitkan menggunakan hubungan rekursif berikut:
dengan
𝑌𝑖 = 𝑍𝑖2 ; 𝑖 = 0, 1, ⋯
Operator 𝑚𝑖𝑑 (𝑎, 𝑏) adalah operator mengambil digit tengah-tengah dari 𝑎 sebanyak 𝑏.
Jika jumlah digit 𝑌𝑖 kurang dari 2𝑛, tambahkan angka 0 didepan 𝑌𝑖 sejumlah digit yang
kurang.
𝑍𝑖
𝑈𝑖 = ; 𝑖 = 1, 2, ⋯
10𝑛
Contoh:
Contoh 𝑁 = 10 bilangan random yang dibangkitkan dengan metode midsquare untuk
𝑍0 = 1111 ditunjukkan pada Tabel 6.1.
𝑖 𝑍𝑖 𝑈𝑖 𝑌𝑖
0 1111 01234321
1 2343 0,2343 05489649
2 4896 0,4896 23970816
3 9708 0,9708 94245264
4 2452 0,2452 06012304
5 123 0,0123 00015129
6 151 0,0151 00022801
7 228 0,0228 00051984
8 519 0,0519 00269361
9 2693 0,2693 07252249
10 2522 0,2522 06360484
Metode midsquare memiliki sejumlah kelemahan. Pemilihan bilangan awal yang tidak
tepat dapat menyebabkan nilai-nilai 𝑍𝑖 menjadi bernilai nol atau akan berulang. Contoh-
contoh berikut ini menunjukkan hasil metode midsquare yang memiliki kelemahan.
Contoh:
Contoh:
𝑍𝑖′ = 𝑍𝑖−1 ; 𝑖 = 1, 2, ⋯
𝑍𝑖 = 𝑚𝑖𝑑 (𝑌𝑖−1 , 𝑛); 𝑖 = 1, 2, ⋯
dengan
𝑌𝑖 = 𝑍𝑖 𝑍𝑖′ ; 𝑖 = 0, 1, ⋯
Jika jumlah digit 𝑌𝑖 kurang dari 2𝑛, tambahkan angka 0 didepan 𝑌𝑖 sejumlah digit yang
kurang. Operator 𝑚𝑖𝑑 (𝑎, 𝑏) adalah mengambil digit tengah-tengah dari 𝑎 sebanyak 𝑏.
𝑍𝑖
𝑈𝑖 = ; 𝑖 = 1, 2, ⋯
10𝑛
Langkah 0: Tetapkan 𝑖 = 0 dan 𝑁. Tetapkan 𝑍0′ dan 𝑍0 adalah dua bilangan bulat
dengan 𝑛 digit (genap). Lanjutkan ke langkah 1.
Langkah 1: Hitung 𝑌𝑖 = 𝑍𝑖 𝑍𝑖′ . Jika jumlah digit 𝑌𝑖 kurang dari 2𝑛, tambahkan angka 0
didepan 𝑌𝑖 sejumlah digit yang kurang. Lanjutkan ke langkah 2.
Langkah 2: Tetapkan 𝑖 = 𝑖 + 1. Tetapkan 𝑍𝑖′ = 𝑍𝑖−1 dan 𝑍𝑖 = 𝑚𝑖𝑑 (𝑌𝑖−1 , 𝑛).
Tentukan 𝑈𝑖 = 𝑍𝑖 ⁄10𝑛 . Jika 𝑖 < 𝑁, kembali ke langkah 1. Jika tidak,
berhenti.
Contoh:
Contoh 𝑁 = 10 bilangan random yang dibangkitkan dengan metode midproduct untuk
𝑍0′ = 8118 dan 𝑍0 = 4581 ditunjukkan pada Tabel 5.4.
Metode constant multiplier merupakan salah satu varian dari metode midproduct.
Perbedaannya adalah metode ini menggunakan suatu bilangan yang konstan dan satu
bilangan bulat awal yang keduanta memiliki 𝑛 digit (𝑛 genap) . Misal bilangan bulat awal
yang terdiri atas 𝑛 digit (𝑛 genap) dinyatakan dengan 𝑍0 dan konstanta dinyatakan
dengan 𝐾. Suatu urutan bilangan bulat dibangkitkan menggunakan hubungan rekursif
berikut:
𝑍𝑖 = 𝑍𝑖−1 ; 𝑖 = 1, 2, ⋯
𝑍𝑖 = 𝑚𝑖𝑑 (𝑌𝑖−1 , 𝑛); 𝑖 = 1, 2, ⋯
dengan
𝑌𝑖 = 𝐾𝑍𝑖 ; 𝑖 = 0, 1, ⋯
Jika jumlah digit 𝑌𝑖 kurang dari 2𝑛, tambahkan angka 0 didepan 𝑌𝑖 sejumlah digit yang
kurang. Operator 𝑚𝑖𝑑 (𝑎, 𝑏) adalah mengambil digit tengah-tengah dari 𝑎 sebanyak 𝑏.
𝑍𝑖
𝑈𝑖 = ; 𝑖 = 1, 2, ⋯
10𝑛
Contoh:
Tabel 5.5 Bilangan random yang dibangkitkan dengan metode constant multiplier
𝑖 𝐾 𝑍𝑖 𝑈𝑖 𝑌𝑖
0 1234 5678 07006652
1 1234 0066 0,0066 00081444
2 1234 0814 0,0814 01004476
3 1234 0044 0,0044 00054296
4 1234 0542 0,0542 00668828
5 1234 6688 0,6688 08252992
6 1234 2529 0,2529 03120786
7 1234 1207 0,1207 01489438
8 1234 4894 0,4894 06039196
9 1234 0391 0,0391 00482494
10 1234 4824 0,4824 05952816
𝑍𝑖 = 𝑚𝑜𝑑(𝑎𝑍𝑖−1 + 𝑐, 𝑚); 𝑖 = 1, 2, ⋯
dengan 𝑎 adalah pengali, 𝑐 adalah inkremen, dan 𝑚 adalah modulus. Nilai-nilai 𝑎, 𝑐 dan
𝑚 adalah bilangan bulat positif. Operator 𝑚𝑜𝑑 (𝑝, 𝑞) adalah operator yang mengambil
sisa pembagian 𝑝 dengan 𝑞. Bilangan-bilangan bulat 𝑍𝑖 adalah bilangan-bilangan bulat
antara 0 dab (𝑚 − 1).
𝑍𝑖
𝑈𝑖 = ; 𝑖 = 1, 2, ⋯
𝑚
Contoh:
Contoh 𝑁 = 10 bilangan random yang dibangkitkan dengan metode linear congruential
untuk 𝑍0 = 1403, 𝑎 = 1712, 𝑐 = 1706 dan 𝑚 = 2209 ditunjukkan pada Tabel 5.6
Tabel 5.6. Bilangan random yang dibangkitkan dengan metode linear congruential
𝑖 𝑍𝑖 𝑈𝑖
0 1403
1 250 0,1132
2 1160 0,5251
3 1735 0,7854
4 921 0,4169
5 1232 0,5577
6 1295 0,5862
7 910 0,4120
8 72 0,0326
9 1266 0,5731
10 2069 0,9366
Tabel 5.7. Bilangan random yang dibangkitkan dengan metode linear congruential
𝑖 𝑍𝑖 𝑈𝑖
0 22
1 1 0,0909
2 3 0,2727
3 7 0,6364
4 4 0,3636
5 9 0,8182
6 8 0,7273
7 6 0,5455
8 2 0,1818
9 5 0,4545
10 0 0,0000
11 1 0,0909
12 3 0,2727
13 7 0,6364
14 4 0,3636
15 9 0,8182
Metode pembangkit bilangan random yang baik adalah metode yang dapat
membangkitkan urutan bilangan random dengan siklus yang cukup panjang. Beberapa
piranti lunak yang menggunakan metode linear congruential menetapkan 𝑚 = 232 atau
𝑚 = 231 − 1.
Teknik statistik yang dapat digunakan untuk menguji kerandoman adalah uji runtun (run
test). Misal terdapat suatu urutan yang memiliki dua kejadian yang disimbolkan dengan
(+) dan (-). Suatu runtun (run) merupakan suatu urutan dari simbol yang sama. Gambar
5.1 menunjukkan contoh suatu runtun. Jumlah runtun dalam Gambar 5.1 adalah 5.
+ + + + + + +
Terdapat dua jenis uji runtun, yaitu: uji runtun naik dan turun (up and down run test) dab
uji runtun atas dan bawah (above and below run test)
Misal terdapat suatu urutan bilangan random. Runtun naik (up run) adalah urutan
bilangan yang tiap-tiap bilangan diikuti oleh bilangan yang lebih besar. Runtun turun
(down run) adalah urutan bilangan yang tiap-tiap bilangan diikuti oleh bilangan yang
lebih kecil.
Misal terdapat urutan yang terdiri atas 10 bilangan random pada tabel berikut.
1 2 3 4 5 6 7 8 9 10
0,4412 0,6233 0,2771 0,1303 0,6707 0,0336 0,9306 0,5861 0,6884 0,.9001
Runtun naik dan turun ditunjukkan pada Tabel 2. Jumlah runtun pada Tabel 2 adalah
sebanyak 7.
1 2 3 4 5 6 7 8 9 10
Misal statistik 𝑟 menyatakan jumlah runtun. Jika 𝑛 cukup besar (𝑛 > 20), maka
distribusi dari 𝑟 mendekati distribusi normal dengan rerata dan variansi dari 𝑟 masing-
masing adalah:
2𝑛 − 1
𝜇𝑟 =
3
16𝑛 − 29
𝜎𝑟2 =
90
𝑟 − 𝜇𝑟
𝑧=
𝜎𝑟
Misal nilai statistik uji yang dihitung adalah 𝑧0 . Jika pengujian dilakukan pada tingkat
signifikansi 𝛼, hipotesis nol ditolak jika 𝑧0 < −𝑧𝛼⁄2 atau 𝑧0 > 𝑧𝛼⁄2 . Nilai 𝑧𝛼⁄2 adalah
nilai dari variabel random yang berdistribusi normal baku sehingga 𝑃(𝑧 > 𝑧𝛼⁄2 ) = 𝛼⁄2.
Jika didasarkan atas nilai-P, hipotesis nol ditolak pada tingkat signifikansi 𝛼 jika
𝑃(𝑍 > 𝑧0 ) < 𝛼.
Contoh:
Misal terdapat 50 bilangan random (dengan urutan dari kiri ke kanan) sebagai berikut:
0,4412 0,6233 0,2771 0,1303 0,6707 0,0336 0,9306 0,5861 0,6884 0,9001
0,4195 0,2078 0,5536 0,2503 0,4258 0,9904 0,7621 0,6857 0,6708 0,1457
0,8411 0,1054 0,4454 0,6207 0,4934 0,4901 0,1332 0,5689 0,4193 0,3761
0,5856 0,3057 0,5294 0,3287 0,4696 0,6113 0,0846 0,7277 0,5232 0,8083
0,0404 0,6160 0,5761 0,6108 0,9574 0,0252 0,0406 0,2278 0,9466 0,2707
Misal tanda “” menunjukkan bahwa suatu bilangan random lebih besar dari bilangan
random sebelumnya (runtun naik), dan tanda ““ menunjukkan bahwa suatu bilangan
random lebih kecil dari bilangan random sebelumnya (runtun turun). Urutan dari runtun
naik dan turun adalah:
-
Jumlah runtun adalah 𝑟 = 34 dengan jumlah bilangan 𝑛 = 50 . Rerata dan variansi dari
𝑅 adalah:
2𝑛 − 1 2(50) − 1
𝜇𝑟 = = = 33
3 3
16𝑛 − 29
𝜎𝑟2 = = 8,5667
90
𝑟 − 𝜇𝑟 34 − 33
𝑧0 = = = 0,3417
𝜎𝑟 √8,5667
Tingkat signifikansi pengujian 𝛼 = 0,05. Nilai kritis adalah 𝑧𝛼⁄2 = 𝑧0,025 = 1,96.
Karena −1,96 ≤ 𝑧0 ≤ 1,96, maka hipotesis nol diterima. Dengan demikian, hipotesis
bahwa urutan bilangan random adalah random atau saling independen dapat diterima.
Misal terdapat suatu urutan bilangan random. Runtun di atas median (above median run)
adalah urutan bilangan yang tiap-tiap bilangan lebih besar dari median. Runtun di bawah
median (below median run) adalah urutan billangan yang tiap-tiap bilangan lebih kecil
dari median.
Misal terdapat urutan yang terdiri atas 10 bilangan random pada Tabel 1. Median dari
urutan bilangan random adalah 0,5.
1 2 3 4 5 6 7 8 9 10
0.4412 0.6233 0.2771 0.1303 0.6707 0.0336 0.9306 0.5861 0.6884 0.9001
Runtun di atas dan di bawah median ditunjukkan pada Tabel 3. Jumlah runtun pada Tabel
2 adalah sebanyak 6.
1 2 3 4 5 6 7 8 9 10
Misal statisik 𝑅 menyatakan jumlah runtun. Misal 𝑛1 menyatakan jumlah tanda “” dan
𝑛2 menyatakan jumlah tanda ““. Jika 𝑛1 atau 𝑛2 cukup besar, yaitu 𝑛1 > 20 atau
𝑛2 > 20, maka distribusi dari 𝑅 mendekati distribusi normal dengan rerata dan variansi
dari 𝑅 masing-masing adalah:
2𝑛1 𝑛2
𝜇𝑟 = +1
𝑛1 + 𝑛2
𝑟 − 𝜇𝑟
𝑧=
𝜎𝑟
Misal pengujian dilakukan pada tingkat signifikansi 𝛼. Hipotesis nol diltolak jika
𝑧 < −𝑧𝛼⁄2 atau 𝑧 > 𝑧𝛼⁄2 . Nilai 𝑧𝛼⁄2 disebut nilai kritis, yaitu nilai dari variabel random
yang berdistribusi normal baku sehingga 𝑃(𝑍 > 𝑧𝛼⁄2 ) = 𝛼⁄2.
Contoh:
Misal terdapat 50 bilangan random (dengan urutan dari kiri ke kanan) sebagai berikut :
0,4412 0,6233 0,2771 0,1303 0,6707 0,0336 0,9306 0,5861 0,6884 0,9001
0,4195 0,2078 0,5536 0,2503 0,4258 0,9904 0,7621 0,6857 0,6708 0,1457
0,8411 0,1054 0,4454 0,6207 0,4934 0,4901 0,1332 0,5689 0,4193 0,3761
0,5856 0,3057 0,5294 0,3287 0,4696 0,6113 0,0846 0,7277 0,5232 0,8083
0,0404 0,6160 0,5761 0,6108 0,9574 0,0252 0,0406 0,2278 0,9466 0,2707
Misal tanda “” menunjukkan bahwa suatu bilangan random lebih besar dari median, dan
tanda ““ menunjukkan bahwa suatu bilangan random lebih kecil dari median. Urutan
dari runtun di atas dan di bawah median adalah:
2𝑛1 𝑛2 2(25)(25)
𝜇𝑅 = +1= + 1 = 26
𝑛1 + 𝑛2 (25) + (25)
Tingkat signifikansi pengujian 𝛼 = 0,05. Nilai kritis adalah 𝑧𝛼⁄2 = 𝑧0,025 = 1,96.
Karena −1,96 ≤ 𝑧 ≤ 1,96, maka hipotesis nol tidak ditolak. Dengan demikian, hipotesis
bahwa urutan bilangan random adalah random atau saling independen dapat diterima.
Dalam statistika, pengujian distribusi terkait dengan pengujian apakah suatu data sampel
mengikuti distribusi probabilitas tertentu. Pengujian distribusi juga dikenal dengan nama
pengujian kebaikan-suai (goodness-of-fit test). Salah satu uji distribusi adalah uji
khikuadrat (chisquare test) .
Misal bilangan-bilangan random dibuat dalam suatu tabel frekuensi yang terdiri atas 𝐾
kelas interval. Statistik uji yang didefinisikan dengan:
(𝑜𝑖 − 𝑒𝑖 )2
𝜒2 = ∑
𝑘 𝑒𝑖
Misal pengujian dilakukan pada tingkat signifikansi 𝛼. Hipotesis nol ditolak jika 𝜒 2 >
𝜒𝛼2 . Nilai 𝜒𝛼2 disebut nilai kritis, yaitu nilai dari variabel random yang berdistribusi khi-
kuadrat dengan derajat kebebasan 𝑣 = 𝑘 − 1 sehingga 𝑃(Χ𝛼2 > 𝜒𝛼2 ) = 𝛼.
Contoh:
0,4412 0,6233 0,2771 0,1303 0,6707 0,0336 0,9306 0,5861 0,6884 0,9001
0,4195 0,2078 0,5536 0,2503 0,4258 0,9904 0,7621 0,6857 0,6708 0,1457
0,8411 0,1054 0,4454 0,6207 0,4934 0,4901 0,1332 0,5689 0,4193 0,3761
0,5856 0,3057 0,5294 0,3287 0,4696 0,6113 0,0846 0,7277 0,5232 0,8083
0,0404 0,6160 0,5761 0,6108 0,9574 0,0252 0,0406 0,2278 0,9466 0,2707
Batas-batas kelas
Frekuensi Frekuensi (𝑜𝑖 − 𝑒𝑖 )2
interval
Kelas amatan Probabilitas harapan
Batas Batas 𝑒𝑖
𝑜𝑖 𝑒𝑖
Bawah Atas
1 0,0 0,2 9 0,20 10 0,10
2 0,2 0,4 8 0,20 10 0,20
3 0,4 0,6 15 0,20 10 2,50
4 0,6 0,8 11 0,20 10 0,10
5 0,8 1,0 7 0,20 10 0,90
Jumlah 50 1,00 50 4,00
Misal 𝑢 merupakan bilangan random. Misal suatu variabel random 𝑥 memiliki fungsi
distribusi probabilitas kumulatif yang dinyatakan dengan 𝐹(𝑥). Secara umum,
pembangkitan variat random 𝑥 dengan metode transformasi balikan dilakukan dengan
hubungan sebagai berikut:
𝑥 = 𝐹(𝑥) ⟹ 𝑥 = 𝐹 −1 (𝑢)
F(x)
x
X
F(x)
x
X
Contoh 1:
Misal 𝑥 adalah variabel random yang berdistribusi seragam kontinyu demgan parameter-
parameter 𝑎 dan 𝑏 dengan 𝑏 > 𝑎. Fungsi distribusi probabilitas dari 𝑥 dinyatakan
dengan:
1
;𝑎 ≤ 𝑥 ≤ 𝑏
𝑓(𝑥) = {𝑏 − 𝑎
0 ; lainnya
0 ;𝑥 < 𝑎
𝑥−𝑎
𝐹(𝑥) = 𝑃(𝑥 ≤ 𝑥) = { ;𝑎 ≤ 𝑥 ≤ 𝑏
𝑏−𝑎
1 ;𝑥 > 𝑏
𝑢 = 𝐹(𝑥)
𝑥−𝑎
𝑢=
𝑏−𝑎
𝑥 = 𝑎 + (𝑏 − 𝑎)𝑢
Contoh 2:
Misal 𝑥 adalah variabel random yang berdistribusi eksponensial dengan parameter 𝛽 > 0.
Fungsi distribusi probabilitas dari 𝑥 dinyatakan dengan:
1 −𝑥⁄𝛽
𝑒 ;𝑥 > 0
𝑓(𝑥) = {𝛽
0 ; lainnya
1 − 𝑒 −𝑥⁄𝛽 ;𝑥 > 0
𝐹(𝑥) = {
0 ; lainnya
𝑢 = 𝐹(𝑥)
𝑢 = 1 − 𝑒 −𝑥⁄𝛽
𝑒 −𝑥⁄𝛽 = 1 − 𝑢
𝑥
− ( ) = ln(1 − 𝑢)
𝛽
𝑋 = −𝛽 ln(1 − 𝑢)
Contoh 3:
Misal 𝑥 adalah variabel random yang memiliki fungsi distribusi probabilitas berikut:
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥)
𝑥
= ∫ (𝑡 + 1) 𝑑𝑡
−1
𝑥
1
= ( 𝑡 2 + 𝑡)|
2 −1
1 1
= ( 𝑥 2 + 𝑥) − ( (−1)2 + (−1))
2 2
1 2 1
= 𝑥 +𝑥+
2 2
Untuk 0 < 𝑥 < 1, fungsi distribusi probabilitas kumulatif adalah:
𝐹(𝑥) = 𝑃(𝑋 ≤ 𝑥)
0 𝑥
= ∫ (𝑡 + 1) 𝑑𝑡 + ∫ (−𝑡 + 1) 𝑑𝑡
−1 0
0 𝑥
1 1
= ( 𝑡 2 + 𝑡)| + (− 𝑡 2 + 𝑡)|
2 −1 2 0
1 1 1 1
= ( 02 + 0) − ( (−1)2 + (−1)) + (− 𝑥 2 + 𝑥) − (− 02 + 0)
2 2 2 2
1 1
= − 𝑥2 + 𝑥 +
2 2
1−𝑝 ;𝑥 = 0
𝑓(𝑥) = {𝑝 ;𝑥 = 1
0 ; 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛
0 ;𝑥 < 0
𝐹(𝑥) = {1 − 𝑝 ;0 ≤ 𝑥 < 1
1 ;𝑥 ≥ 1
Metode konvolusi merupakan metode pembangkitan variat random yang didasarkan pada
ciri bahwa suatu variabel random tertentu merupakan jumlah dari variabel-variabel
random lain yang identik dan saling independen.
Misal terdapat 𝑛 variabel random Bernoulli 𝑦1 , 𝑦2 , ⋯ , 𝑦𝑛 yang saling indepenen dan tiap
𝑦𝑖 adalah identik dengan parameter 𝑝 (0 ≤ 𝑝 ≤ 1). Misal variabel random 𝑥
didefinisikan sebagai berikut:
𝑥 = 𝑦1 + 𝑦2 + ⋯ + 𝑦𝑛
Variabel random 𝑥 tersebut memiliki distribusi binomial dengan parameter-parameter 𝑛
(𝑛 ≥ 0 dan bilangan bulat) dan 𝑝 (0 ≤ 𝑝 ≤ 1).
𝑥 = 𝑦1 + 𝑦2 + ⋯ + 𝑦𝑚
∑𝑛𝑖=1 𝑌𝑖 − 𝑛𝜇𝑌
𝑍=
√𝜎𝑌2 /𝑛
Variabel random 𝑍 tersebut akan berdistribusi mendekati normal baku dengan rerata 0
dan variansi 1. Dengan menggunakan teorema limit sentral ini, suatu variat random yang
mendekati distribusi normal dapat dibangkitkan.
∑𝑛𝑖=1 𝑈𝑖 − 𝑛/2
𝑍=
√𝑛/12
Jika 𝑛 cukup besar, maka pendekatan akan semakin baik. Namun, untuk praktis, ukuran
sampel 𝑛 yang banyak digunakan adalah 12. Dengan demikian, untuk 𝑛 = 12, rumusan
untuk pembangkitan suatu variat random normal baku adalah:
12
𝑍 = ∑ 𝑈𝑖 − 6
𝑖=1
𝑋 = 𝜇 + 𝜎𝑍
Misal 𝑥 adalah variabel random yang memiliki fungsi distribusi probabilitas 𝑓(𝑥) yang
dapat dinyatakan berikut ini:
𝑓(𝑥) = ∑ 𝑝𝑗 𝑓𝑗 (𝑥)
𝑗
dengan ∑𝑗 𝑝𝑗 = 1 dan 𝑓𝑗 (𝑥) adalah fungsi distribusi probabilitas yang lain. Langkah-
langkah umum metode komposisi adalah berikut ini:
Langkah 1: Bangkitkan bilangan bulat 𝐽 secara random sedemikian hingga 𝑃(𝐽 = 𝑗) =
𝑝𝑗 untuk 𝑗 = 1, 2, ⋯.
Langkah 2: Tetapkan 𝑋 yang memiliki fungsi distribusi probabilitas 𝑓(𝑥).
Contoh 1:
Misal 𝑥 adalah variabel random yang memiliki fungsi distribusi probabilitas berikut:
1 ;𝑥 ∈ 𝐴
𝐼𝐴 = {
0 ; lainnya
Dengan melakukan manipulasi matematik, fungsi distribusi probabilitas 𝑓(𝑥) dapat
dinyatakan dengan:
𝑓(𝑥) = 0,5 (2(𝑥 + 1)𝐼(−1,0) (𝑥)) + 0,5 (2(−𝑥 + 1)𝐼(0,1) (𝑥)) ; −1 < 𝑥 < 1
𝑥 = √𝑢2 − 1
𝑥 = 1 − √1 − 𝑢2
Contoh 2:
Misal 𝑥 adalah variabel random yang berdistribusi Laplace dengan fungsi distribusi
probabilitas:
1 ;𝑥 ∈ 𝐴
𝐼𝐴 = {
0 ; lainnya
Fungsi 𝑓(𝑥) adalah kombinasi konveks dari 𝑓1 (𝑥) = 𝑒 𝑥 𝐼(−∞,0) (𝑥) dan 𝑓2 (𝑥) =
𝑒 −𝑥 𝐼(0,∞) (𝑥) dengan 𝑝1 = 𝑝2 = 0,5
Fungsi 𝑓1 (𝑥) = 𝑒 𝑥 untuk −∞ < 𝑥 < 0 merupakan fungsi distribusi probabilitas dengan
fungsi distribusi kumulatif dinyatakan dengan:
𝑒𝑥 ; −∞ < 𝑥 < 0
𝐹1 (𝑥) = {
0 ; lainnya
𝑥 = ln(1 − 𝑢)
Fungsi 𝑓2 (𝑥) = 𝑒 −𝑥 untuk 0 < 𝑥 < ∞ merupakan fungsi distribusi probabilitas dengan
fungsi distribusi kumulatif dinyatakan dengan:
𝑒 −𝑥 ;0 < 𝑥 < ∞
𝐹2 (𝑥) = {
0 ; lainnya
𝑥 = −ln(1 − 𝑢)
Misal 𝑥 adalah variabel random kontinyu dengan fungsi distribusi probabilitas 𝑓(𝑥).
Misal suatu fungsi 𝑡(𝑥) didefinisikan dengan fungsi 𝑡(𝑥) yang melingkupi fungsi 𝑓(𝑥),
yaitu 𝑡(𝑥) ≥ 𝑓(𝑥) untuk semua 𝑥. Fungsi 𝑡(𝑥) bukan merupakan fungsi distribusi
∞
probabilitas karena ∫−∞ 𝑡(𝑥) 𝑑𝑥 ≥ 1.
𝑡(𝑥)
𝑟(𝑥) =
𝑐
Contoh:
Misal 𝑥 adalah variabel random yang memiliki fungsi distribusi probabilitas berikut ini:
𝑥
;0 ≤ 𝑥 ≤ 2
𝑓(𝑥) = {2
0 ; lainnya
Definisikan fungsi:
1 ;0 ≤ 𝑥 ≤ 2
𝑡(𝑥) = {
0 ; lainnya
Definisikan
2 2
𝑐 = ∫ 𝑡(𝑥) 𝑑𝑥 = ∫ 1 𝑑𝑥 = 2
0 0
Untuk 0 ≤ 𝑥 ≤ 2, definisikan
𝑡(𝑥) 1
𝑟(𝑥) = =
𝑐 2
Dengan demikian, fungsi 𝑟(𝑥) merupakan fungsi distribusi probabilitas yang dinyatakan
dengan:
1
;0 ≤ 𝑥 ≤ 2
𝑟(𝑥) = {2
0 ; lainnya
Fungsi 𝑟(𝑥) tidak lain merupakan fungsi dari variabel random yang memiliki distribusi
seragam kontinu dengan nilai-nilai parameter 𝑎 = 0 dan 𝑏 = 2.
Misal 𝑌 adalah variabel random dengan fungsi distribusi probabilitas 𝑟(𝑦). Prosedur
untuk pembangkitan variat random untuk 𝑋 adalah berikut ini.
Langkah 1: Bangkitkan bilangan random 𝑢1 . Tetapkan 𝑌 = 0 + (2 − 0)𝑢1 = 2𝑢1 .
Langkah 2: Bangkitkan bilangan random 𝑢2 yang independen terhadap 𝑢1 .
Langkah 3: Jika𝑢2 ≤ (𝑦⁄2)⁄1 = 𝑦⁄2, tetapkan 𝑥 = 𝑦. Sebaliknya, kembali ke
langkah 1.
Contoh 1:
𝑥 = 𝑒𝑦
Contoh 2:
Variat random 𝑋 ini berdistribusi khikuadrat dengan parameter 𝑣 (𝑣 > 0 dan bilangan
bulat.
𝑍
𝑋=
√𝑌⁄𝑣
Variabel random 𝑋 adalah berdistribusi t dengan parameter 𝑣 (𝑣 > 0 dan bilangan bulat).
Pembangkitan variat random distribusi F
𝑌1 ⁄𝑣1
𝑋=
𝑌2 ⁄𝑣2
Misal variabel random 𝑥 memiliki distribusi seragam diskret dengan rerata 𝜇𝑋 dan 𝜎𝑋2
yang diketahui. Untuk membangkitkan variat random 𝑋, maka nilai-nilai dari parameter
𝑎 dan 𝑏 harus dihitung terlebih dahulu dengan mennyelesaikan sistem persamaan berikut:
𝑎+𝑏
𝜇𝑥 =
2
(𝑏 − 𝑎)2
𝜎𝑥2 =
12
Karena 𝑢 memiliki distribusi seragam kontinyu antara 0 dan 1, maka 1 − 𝑢 juga memiliki
distribusi seragam kontinyu antara 0 dan 1. Oleh karena itu, prosedur pembangkitan
variat random dari 𝑥 yang memiliki distribusi eksponensial dengan parameter 𝛽 dengan
𝛽 > 0 dapat dinyatakan berikut ini:
Langkah 1: Bangkitkan bilangan random 𝑢.
Langkah 2: Tetapkan 𝑥 = −𝛽 ln(𝑢). Berhenti.
Kasus untuk 𝛼 = 1:
Karena 𝑢 memiliki distribusi seragam kontinyu antara 0 dan 1, maka 1 − 𝑢 juga memiliki
distribusi seragam kontinyu antara 0 dan 1. Oleh karena itu, prosedur pembangkitan
variat random dari 𝑥 yang memiliki distribusi Weibull dengan dengan parameter-
parameter 𝛼 (𝛼 > 0) dan 𝛽 (𝛽 > 0) dapat juga dinyatakan dengan:
Langkah 1: Bangkitkan bilangan random 𝑢.
Langkah 2: Tetapkan 𝑋 = 𝛽(− ln(𝑢))1⁄𝛼 . Berhenti.
Metode 1:
Metode 2:
Metode ini membangkitkan dua variat random normal.
Langkah 1: Bangkitkan dua bilangan random yang saling independen 𝑢1 dan 𝑢2 .
Langkah 2: Tetapkan:
𝑧1 = √(−2 ln(𝑢1 )) cos(2𝜋𝑢2 )
dan
𝑧2 = √(−2 ln(𝑢1 )) sin(2𝜋𝑢2 )
Langkah 3: Tetapkan 𝑥1 = 𝜇 + 𝜎𝑧1 dan 𝑥2 = 𝜇 + 𝜎𝑧2 .
Metode 3:
Catatan bahwa 𝜇 dan 𝜎 2 masing-masing bukanlah rerata dan variansi dari variabel
random yang berdistribusi lognormal. Misal variabel random 𝑥 memiliki distribusi
lognormal dengan parameter-parameter 𝜇 (−∞ < 𝜇 < ∞) dan 𝜎 2 (𝜎 2 > 0). Rerata dan
variansi dari variabel random 𝑥 masing-masing dinyatakan dengan:
2 ⁄2
𝜇𝑥 = 𝑒 𝜇+𝜎
2 2
𝜎𝑥2 = 𝑒 2𝜇+𝜎 (𝑒 𝜎 − 1)
Untuk membangkitan suatu variat random 𝑥 yang memiliki distribusi lognormal dengan
parameter-parameter 𝜇 (−∞ < 𝜇 < ∞) dan 𝜎 2 (𝜎 2 > 0) dengan rerata 𝜇𝑥 dan variansi
𝜎𝑥2 yang diketahui, maka nilai-nilai parameter 𝜇 dan 𝜎 2 harus dihitung terlebih dahulu
sebagai berikut:
𝜇𝑥2
𝜇 = ln ( )
√𝜎𝑥2 + 𝜇𝑥2
𝜎𝑥2 + 𝜇𝑥2
𝜎 2 = ln ( )
𝜇𝑥2
Karena 𝑢 memiliki distribusi seragam kontinyu antara 0 dan 1, maka 1 − 𝑢 juga memiliki
distribusi seragam kontinyu antara 0 dan 1. Oleh karena itu, prosedur pembangkitan
variat random dari 𝑥 yang memiliki distribusi geometrik dapat dinyatakan berikut ini:
Langkah 1: Bangkitkan bilangan random 𝑢.
Langkah 2: Tetapkan 𝑥 = ⌊ln(𝑢)⁄ln(1 − 𝑝)⌋. Berhenti.
Misal variabel random 𝑥 memiliki distribusi Poisson dengan parameter 𝜆 dengan 𝜆 > 0.
Langkah-langkah pembangkitan variat random dari 𝑋 adalah berikut:
Langkah 1: Tetapkan 𝑎 = 1 dan 𝑖 = 0.
Langkah 2: Bangkitkan bilangan random 𝑢𝑖+1 .
Langkah 3: Tetapkan 𝑎 = 𝑎𝑢𝑖+1. Jika 𝑎 < 𝑒 −𝜆 , tetapkan 𝑥 = 𝑖 dan berhenti.
Sebaliknya, tetapkan 𝑖 = 𝑖 + 1 dan kembali ke langkah 2.
Bab 4 Simulasi Statik-Probabilistik
Deskripsi Masalah
Misal terdapat suatu peralatan yang terdiri atas oleh dua komponen yang disusun paralel
seperti ditunjukkan pada Gambar 8.1. Peralatan akan tetap berfungsi apabila salah satu
atau kedua komponen berfungsi. Dengan demikian, umur dari peralatan ditentukan oleh
maksimum dari umur kedua komponen.
Gambar 8.1
1 Struktur peralatan paralel
Prosedur Simulasi
i U1 X1 U2 X2 X
1 0,55 4,04 0,59 8,96 8,96
2 0,26 1,48 0,06 0,60 1,48
3 0,53 3,74 0,24 2,77 3,74
4 0,25 1,47 0,65 10,48 10,48
5 0,84 9,16 0,91 24,33 24,33
6 0,51 3,59 0,55 8,02 8,02
7 0,53 3,82 0,84 18,16 18,16
8 0,10 0,50 0,67 11,23 11,23
9 0,37 2,27 0,44 5,87 5,87
10 0,76 7,06 0,34 4,18 7,06
9,93
Deskripsi Masalah
Misal terdapat suatu sistem antrian dengan pelayan tunggal. Disiplin pelayanan adalah
“datang pertama, dilayani pertama”. Anggap kapasitas dan jumlah input adalah tak
terbatas. Waktu antar kedatangan pelanggan diketahui berdistribusi eksponensial dengan
rerata = 3 menit. Waktu pelayanan memiliki distribusi eksponensial dengan rerata = 2
menit. Anggap bahwa pada saat awal, tidak ada pelanggan dalam sistem. Simulasi
dilakukan sebanyak dua replikasi dengan tiap replikasi dilakukan untuk 20 pelanggan
pertama.
Prosedur Simulasi
Replikasi 1: