Bab 1 Model Simulasi

1.1 Model Simulasi

Model simulasi merupakan model yang dipecahkan dengan cara menirukan sistem yang
dipelajari. Model simulasi umumnya digunakan untuk mempelajari sistem yang
kompleks. Secara umum, kompleksitas sistem ditunjukkan oleh dua hal, yaitu adanya
saling ketergantungan antar elemen dan adanya variabilitas.

1.2 Klasifikasi Model Simulasi

Model simulasi dapat diklasifikasikan atas:
 Unsur kepastian;
 Dimensi waktu.

Berdasarkan unsur kepastian, model simulasi dibedakan atas:

 Model deterministik;
 Model probabilistik.

Ditinjau dari dimensi waktu, model simulasi dibedakan atas:

 Model statik;
 Model dinamik.

1.3 Metodologi Pemodelan Simulasi

1.3.1 Langkah-Langkah Pengembangan Model Optimisasi

Pada dasarnya, langkah-langkah pengembangan model optimisasi mengikuti langkah-

langkah pemodelan matematik yang mencakup:
 Pendefinisian sistem
 Penetapan asumsi-asumsi model
 Perumusan model
 Verifikasi model
 Analisis output model
 Validasi model
 Analisis perbandingan sistem

1.3.2 Pendefinisian Sistem

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.

Pendefinisian masalah opimisasasi umumnya dinyatakan secara verbal. Pendefinisian

masalah mencakup pendefinisian tentang keputusan-keputusan, ukuran-ukuran kinerja
yang dioptimisasi dan himpunan pembatas yang ada. Dalam pendefinisian masalah
optimisasi, beberapa karakteristik atau besaran yang diketahui (parameter-parameter)
juga diungkapkan.

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

Parameter atau pembatas

Fungsi tujuan

Variabel antara atau variabel status

Fungsi

Gambar 5.3. Simbol-simbol dalam diagram pengaruh

1.3.3 Penetapan asumsi-asumsi

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.

1.3.4 Perumusan Model

Langkah perumusan model pada dasarnya merupakan langkah pembentukan model

operasional. Model operasional merupakan model yang siap dipecahkan untuk
menghasilkan solusi. Model operasional dibentuk berdasarkan model konseptual dan
asumsi-asumsi yang ditetapkan.
Pembentukan model simulasi umumnya

1.3.5 Analisis Input Model

1.3.6 Verifikasi model

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.

1.3.7 Pengumpulan dan Analisis Data Input

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.

Langkah-langkah pengumpulan data secara umum mencakup:

 Penentuan kebutuhan data;
 Identifikasi sumber data;
 Pengumpulan data;
 Analisis data;
 Dokumentasi data.

Teknik-teknik statistik dapat digunakan untuk menentukan nilai dari parameter.

1.3.8 Eksekusi model

Khusus untuk model kejadian diskret, l

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.

1.3.9 Validasi Model

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.

1.3.10 Analisis Output Model

1.3.11 Analisis Perbandingan Solusi

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

2.1 Bilangan random

Dalam model simulasi yang dilakukan dengan komputer, pembangkitan fenomena
kerandoman diperankan oleh suatu urutan bilangan random (random number). Bilangan
random merupakan bilangan antara 0 dan 1 yang memiliki distribusi seragam kontinyu
(continuous uniform distribution). Bilangan random juga menjadi input untuk
pembangkitan nilai-nilai dari suatu variabel random yang memiliki distribusi probabilitas
tertentu.

2.2 Distribusi Seragam Kontinyu

Misal 𝑋 menunjukan variabel random yang memiliki distribusi seragam kontinyu dengan
parameter-parameter 𝑎 dan 𝑏 dengan 𝑎 < 𝑏. Fungsi distribusi probabilitasnya adalah:

1
;𝑎 ≤ 𝑥 ≤ 𝑏
𝑓(𝑥) = {𝑏 − 𝑎
0 ; 𝑥 yang lain

Rerata dari variabel random 𝑋 adalah:

𝑎+𝑏
𝜇𝑋 = 𝐸(𝑋) =
2

Variansi dari variabel random 𝑋 adalah:

(𝑏 − 𝑎)2
𝜎𝑋2 = 𝐸((𝑥 − 𝜇𝑋 )2 ) =
12

Misal 𝑋 adalah variabel random berdistribusi seragam kontinyu dengan parameter-

parameter 𝑎 = 0 dan 𝑏 = 1. Variabel random 𝑋 dikatakan memiliki distribusi seragam
kontinyu baku (standard continuous uniform distribution) dengan fungsi distribusi
probabilitasnya dinyatakan dengan:

1 ;0 ≤ 𝑥 ≤ 1
𝑓(𝑥) = {
0 ; 𝑥 yang lain

Rerata dan variansinya masing-masing dinyatakan dengan:

1
𝜇𝑋 = 𝐸(𝑥) =
2
1
𝜎𝑋2 = 𝐸((𝑋 − 𝜇𝑋 )2 ) =
12
2.3 Metode-Metode Awal Pembangkitan Bilangan Random

2.3.1 Metode Midsquare

Misal terdapat bilangan bulat awal yang terdiri atas 𝑛 digit (𝑛 genap) yaitu 𝑍0 . Suatu
urutan bilangan bulat dibangkitkan menggunakan hubungan rekursif berikut:

𝑍𝑖+1 = 𝑚𝑖𝑑 (𝑌𝑖−1 , 𝑛); 𝑖 = 0, 1, ⋯

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.

Bilangan random 𝑈𝑖 diperoleh dengan hubungan sebagai berikut:

𝑍𝑖
𝑈𝑖 = ; 𝑖 = 1, 2, ⋯
10𝑛

Langkah-langkah metode midsquare untuk membangkitkan sebanyak 𝑁 bilangan random

adalah sebagai berikut:

Langkah 0: Tetapkan 𝑖 = 0 dan 𝑁. Tetapkan 𝑍𝑖 adalah bilangan bulat dengan 𝑛 digit

(genap).
Langkah 1: Hitung 𝑌𝑖 = 𝑍𝑖2 . Jika jumlah digit 𝑌𝑖 kurang dari 2𝑛, tambahkan angka 0
didepan 𝑌𝑖 sejumlah digit yang kurang.
Langkah 2: Tetapkan 𝑖 = 𝑖 + 1. Tentukan 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 midsquare untuk
𝑍0 = 1111 ditunjukkan pada Tabel 6.1.

Tabel 5.1. Bilangan random yang dibangkitkan dengan metode midsquare

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 𝑁 = 10 bilangan random yang dibangkitkan dengan metode midsquare untuk

𝑍0 = 4001 ditunjukkan pada Tabel 5.2.

Tabel 5.2. Bilangan random yang dibangkitkan dengan metode midsquare

𝑖 𝑍𝑖 𝑈𝑖 𝑌𝑖
0 4001 16008001
1 0080 0,0080 00006400
2 0064 0,0064 00004096
3 0040 0,0040 00001600
4 0016 0,0016 00000256
5 0002 0,0002 00000004
6 0000 0,0000 00000000
7 0000 0,0000 00000000
8 0000 0,0000 00000000
9 0000 0,0000 00000000
10 0000 0,0000 00000000

Contoh:

Contoh 𝑁 = 10 bilangan random yang dibangkitkan dengan metode midsquare untuk

𝑍0 = 5001 ditunjukkan pada Tabel 5.3.
Tabel 5.3. Bilangan random yang dibangkitkan dengan metode midsquare
𝑖 𝑍𝑖 𝑈𝑖 𝑌𝑖
0 5001 25010001
1 0100 0,0100 00010000
2 0100 0,0100 00010000
3 0100 0,0100 00010000
4 0100 0,0100 00010000
5 0100 0,0100 00010000
6 0100 0,0100 00010000
7 0100 0,0100 00010000
8 0100 0,0100 00010000
9 0100 0,0100 00010000
10 0100 0,0100 00010000

2.3.2 Metode Midproduct

Metode midproduct mirip dengan metode midsquare. Perbedaannya adalah metode

midproduct membutuhkan dua bilangan bulat awal yang terdiri atas 𝑛 digit (𝑛 genap).
Misal bilangan bulat awal yang terdiri atas 𝑛 digit (𝑛 genap) dinyatakan dengan 𝑍0′ dan
𝑍0 . 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 = 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.

Bilangan random 𝑈𝑖 diperoleh dengan hubungan sebagai berikut:

𝑍𝑖
𝑈𝑖 = ; 𝑖 = 1, 2, ⋯
10𝑛

Langkah-langkah metode midsquare untuk membangkitkan sebanyak 𝑁 bilangan random

adalah sebagai berikut:

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.

Tabel 5.4. Bilangan random yang dibangkitkan dengan metode midproduct

𝑖 𝑍𝑖′ 𝑍𝑖 𝑈𝑖 𝑌𝑖
0 8118 4581 37188558
1 4581 1885 0,1885 08635185
2 1885 6351 0,6351 11971635
3 6351 9716 0,9716 61706316
4 9716 7063 0,7063 68624108
5 7063 6241 0,6241 44080183
6 6241 801 0,0801 04999041
7 801 9990 0,9990 08001990
8 9990 19 0,0019 00189810
9 19 1898 0,1898 00036062
10 1898 360 0,0360 00683280

2.3.3 Metode constant multiplier

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.

Bilangan random 𝑈𝑖 diperoleh dengan hubungan sebagai berikut:

𝑍𝑖
𝑈𝑖 = ; 𝑖 = 1, 2, ⋯
10𝑛

Langkah-langkah metode constant multiplier untuk membangkitkan sebanyak 𝑁 bilangan

random adalah sebagai berikut:

Langkah 0: Tetapkan 𝑖 = 0 dan 𝑁. Tetapkan 𝐾 dan 𝑍0 adalah dua bilangan bulat

dengan 𝑛 digit (genap). Lanjutkan ke langkah 1.
Langkah 1: Hitung 𝑌𝑖 = 𝐾𝑍𝑖 . 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 = 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 constant multiplier

untuk 𝐾 = 1234 dan 𝑍0 = 5678 ditunjukkan pada Tabel 5.5.

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

2.4 Metode Linear Congruential

Metode linear congruential merupakan metode yang paling umum digunakan untuk
membangkitkan bilangan random. Misal terdapat suatu bilangan bulat awal 𝑍0 . Suatu
urutan bilangan bulat dibangkitkan menggunakan hubungan rekursif berikut:

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).

Bilangan random antara 0 dan 1 dapat ditentukan dengan hubungan:

𝑍𝑖
𝑈𝑖 = ; 𝑖 = 1, 2, ⋯
𝑚

Langkah-langkah metode linear congruential untuk membangkitkan sebanyak 𝑁

bilangan random adalah sebagai berikut:

Langkah 0: Tetapkan 𝑖 = 0 dan 𝑁. Tetapkan 𝑍0 , 𝑎, 𝑐 dan 𝑚. Lanjutkan ke langkah 1.

Langkah 1: Tetapkan 𝑖 = 𝑖 + 1. Hitung 𝑍𝑖 = 𝑚𝑜𝑑(𝑎𝑍𝑖−1 + 𝑐, 𝑚). Tentukan 𝑈𝑖 =
𝑍𝑖 ⁄𝑚. Jika 𝑖 < 𝑁 ulangi langkah 1. Jika tidak, berhenti.

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

2.5 Ciri Pseudorandom

Urutan bilangan random yang dibangkitkan dengan metode pembangkit bilangan random
pada dasarnya tidak benar-benar memiliki ciri kerandoman. Urutan bilangan random ini
akan berulang secara periodik setelah mencapai suatu panjang siklus tertentu. Ciri ini
disebut pseudorandom.

Misal urutan bilangan random dibangkitkan menggunakan metode linear congruential.

Panjang siklus maksimum dari urutan bilangan random adalah 𝑚. Misal sebanyak
𝑁 = 15 bilangan random yang dibangkitkan dengan metode linear congruential untuk
𝑍 = 22, 𝑎 = 24, 𝑐 = 12 dan 𝑚 = 11 ditunjukkan pada Tabel 5.7. Pada Tabel 5.7 terlihat
bahwa urutan bilangan random akan memiliki panjang siklus 𝑚 = 11.

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.

2.6 Pengujian Bilangan Random

Bilangan random yang dibangkitkan dengan metode pembangkit bilangan random harus
memenuhi sifat-sifat antara lain adalah independensi atau kerandoman dan memiliki
distribusi seragam kontinyu.

2.6.1 Pengujian Kerandoman

Urutan bilangan random yang dibangkitkan menggunakan suatu metode pembangkit

bilangan random harus memenuhi sifat kerandoman atau independensi. Artinya bahwa
bilangan random harus independen dengan bilangan random yang lain. Secara statistik,
struktur hipotesis pengujian adalah sebagai berikut:

H0: Urutan bilangan random adalah saling independen (random)

H1: Urutan bilangan random adalah tidak saling independen (tidak random)

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.

+   + + + +  + +

Gambar 5.1. Suatu runtun

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)

Uji runtun naik dan turun

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

Pengujian didasarkan atas statistik uji:

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

Nilai statistik uji adalah:

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.

Uji runtun di bawah dan di atas median

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

2𝑛1 𝑛2 (2𝑛1 𝑛2 − (𝑛1 + 𝑛2 ))

𝜎𝑟2 =
(𝑛1 + 𝑛2 )2 ((𝑛1 + 𝑛2 ) − 1)

Pengujian hipotesis nol didasarkan atas statistik uji:

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:

         
         
         
         
         

Jumlah runtun adalah 𝑟 = 29 adalah 𝑛1 = 25 dan jumlah

tanda “ ” adalah 𝑛2 = 25. Rerata dan variansi dari 𝑅 adalah:

2𝑛1 𝑛2 2(25)(25)
𝜇𝑅 = +1= + 1 = 26
𝑛1 + 𝑛2 (25) + (25)

2𝑛1 𝑛2 (2𝑛1 𝑛2 − (𝑛1 + 𝑛2 )) 2(25)(25)(2(25)(25) − (25 + 25))

𝜎𝑅2 = =
(𝑛1 + 𝑛2 )2 ((𝑛1 + 𝑛2 ) − 1) (25 + 25)2 ((25 + 25) − 1)
= 12,2449

Nilai statistik uji adalah:

 𝑟 − 𝜇𝑅 29 − 26
𝑧= = = 0,8573
𝜎𝑅 √12,2449

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.

2.6.2 Pengujian Distribusi Seragam Kontinyu

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) .

Dalam konteks pengujian distribusi dari bilangan-bilangan random, struktur hipotesis

pengujian adalah:

Hipotesis nol (H0): Bilangan-bilangan random adalah berdistribusi seragam kontinyu

antara 0 dan 1

Hipotesis tandingan (H1):Bilangan-bilangan random adalah tidak berdistribusi seragam

kontinyu antara 0 dan 1

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:

Misal terdapat 50 bilangan random 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

Tabel frekuensi dengan lima kelas interval ditunjukkan pada Tabel X.

Tabel X: Tabel frekuensi

 Batas-batas kelas interval
Frekuensi
Batas bawah Batas atas
0,0 0,2 9
0,2 0,4 8
0,4 0,6 15
0,6 0,8 11
0,8 1,0 7
Jumlah 50

Perhitungan nilai statistik 𝜒 2 ditunjukkan pada Tabel X.

Tabel X: Perhitungan nilai statistik 𝜒 2

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

Dengan demikian nilai statistik 𝜒 2 = 4,00.

Pada tingkat signifikansi 𝛼 = 0,05 dan derajat kebebasan 𝑣 = 5 − 0 − 1 = 4, nilai khi-

kuadrat adalah 𝜒𝛼2 = 9,49. Karena 𝜒 2 ≤ 𝜒𝛼2 , maka hipotesis nol diterima. Artinya bahwa
bilangan-bilangan random mengikuti distribusi seragam kontinyu antara 0 dan 1.
Bab 3 Pembangkitan Variat-Variat Random

3.1 Variat Random

Simulasi dari sistem nyata memerlukan pembangkitan nilai-nilai yang mengikuti suatu
distribusi probabilitas tertentu. Nilai dari suatu variabel random yang memiliki distribusi
probabilitas tertentu disebut dengan variat random (random variate). Pembangkitan nilai-
nilai ini memerlukan suatu mekanisme pembangkitan variat random.

3.2 Metode-metode umum untuk pembangkitan variat random

Metode-metode umum untuk pembangkitan variat random adalah:
 Metode transformasi balikan;
 Metode komposisi;
 Metode konvolusi;
 Metode penerimaan-penolakan.

3.2.1 Metode Transformasi Balikan

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

Fungsi distribusi probabilitas kumulatif dari 𝑥 dinyatakan dengan:

0 ;𝑥 < 𝑎
𝑥−𝑎
𝐹(𝑥) = 𝑃(𝑥 ≤ 𝑥) = { ;𝑎 ≤ 𝑥 ≤ 𝑏
𝑏−𝑎
1 ;𝑥 > 𝑏

Variat random 𝑥 dapat dibangkitkan dengan rumusan sebagai berikut:

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

Fungsi distribusi probabilitas kumulatif dari 𝑋 dinyatakan dengan:

1 − 𝑒 −𝑥⁄𝛽 ;𝑥 > 0
𝐹(𝑥) = {
0 ; lainnya

Variat random 𝑥 dapat dibangkitkan dengan rumusan sebagai berikut:

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:

𝑥+1 ; −1 < 𝑥 < 0

𝑓(𝑥) = {−𝑥 + 1 ;0 < 𝑥 < 1
0 ; lainnya

Untuk −1 < 𝑥 < 0, fungsi distribusi probabilitas kumulatif adalah:

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

Pembangkitan variat random Bernoulli

Misal 𝑥 adalah variabel random yang berdistribusi Bernoulli dengan parameter 𝑝

(0 < 𝑝 < 1). Fungsi distribusi probabilitas dari variabel random 𝑋 dinyatakan dengan:

1−𝑝 ;𝑥 = 0
𝑓(𝑥) = {𝑝 ;𝑥 = 1
0 ; 𝑥 𝑦𝑎𝑛𝑔 𝑙𝑎𝑖𝑛

Fungsi distribusi probabilitas kumulatif dari variabel random 𝑋 dinyatakan dengan:

0 ;𝑥 < 0
𝐹(𝑥) = {1 − 𝑝 ;0 ≤ 𝑥 < 1
1 ;𝑥 ≥ 1

Untuk 0 ≤ 𝑥 < 1, maka 𝑢 = 𝐹(𝑥) = 1 − 𝑝.

3.2.2 Metode Konvolusi

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.

Pembangkitan variat random binomial

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).

Dengan demikian, suatu variat random binomial dengan parameter-parameter 𝑛 dan 𝑝

dapat diperoleh dengan menjumlahkan sebanyak 𝑛 variat random Bernoulli yang saling
independen dan identik yang masing-masing memiliki parameter 𝑝.

Pembangkitan variat random Erlang

Misal terdapat 𝑛 variabel random eksponensial 𝑦1 , 𝑦2 , ⋯ , 𝑦𝑛 yang saling independen dan

identik dengan tiap 𝑦𝑖 memiliki parameter 𝛽/𝑚 . Misal variabel random 𝑥 didefinisikan
sebagai berikut:

𝑥 = 𝑦1 + 𝑦2 + ⋯ + 𝑦𝑚

Variabel random𝑥 tersebut memiliki distribusi Erlang dengan parameter-parameter 𝑚

(𝑚 > 0 dan bilangan bulat) dan 𝛽 (𝛽 > 0).

Dengan demikian, variat random Erlang dengan parameter-parameter 𝑚 dan 𝛽 dapat

diperoleh dari jumlah dari sebanyak 𝑚 variat random eksponensial yang identik dan
saling independen yang masing-masing memiliki parameter 𝛽/𝑚.

Pembangkitan variat random yang mendekati normal

Misal terdapat 𝑛 variabel random 𝑦1 , 𝑦2 , ⋯ , 𝑦𝑛 yang saling independen dan identik

dengan tiap 𝑦𝑖 memiliki rerata 𝜇𝑦 dan variansi 𝜎𝑦2 . Teorema limit sentral menyatakan,
jika 𝑛 cukup besar, maka jumlah dari 𝑌𝑖 , yaitu 𝑌1 + 𝑌2 + ⋯ + 𝑌𝑛 akan berdistribusi
mendekati normal dengan rerata 𝑛𝜇𝑌 dan variansi 𝜎𝑌2 /𝑛.

Misal variabel random 𝑍 didefinisikan dengan

∑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.

Misal terdapat 𝑛 bilangan random 𝑈1 , 𝑈2 , ⋯ , 𝑈𝑛 yang saling independen dan identik

dengan tiap 𝑈𝑖 memiliki rerata 1/2 dan variansi 1/12. Dengan demikian, variat random
normal baku dapat dibangkitkan dengan rumusan:

∑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

Variat random normal 𝑋 dengan parameter-parameter 𝜇 dan 𝜎 (𝜎 > 0) dapat diperoleh

dengan:

𝑋 = 𝜇 + 𝜎𝑍

3.2.3 Metode Komposisi

Metode komposisi digunakan untuk membangkitkan variat-variat random dari suatu

fungsi distribusi probabilitas yang dapat dinyatakan sebagai kombinasi konveks dari
fungsi-fungsi distribusi probabilitas yang lain.

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:

𝑥+1 ; −1 < 𝑥 < 0

𝑓(𝑥) = {−𝑥 + 1 ;0 < 𝑥 < 1
0 ; lainnya

Fungsi distribusi probabilitas dapat dinyatakan dengan:

𝑓(𝑥) = (𝑥 + 1)𝐼(−1,0) (𝑥) + (−𝑥 + 1)𝐼(0,1) (𝑥); −1 < 𝑥 < 1

dengan 𝐼𝐴 (𝑥) adalah fungsi indikator pada himpunan 𝐴, yaitu:

1 ;𝑥 ∈ 𝐴
𝐼𝐴 = {
0 ; lainnya
Dengan melakukan manipulasi matematik, fungsi distribusi probabilitas 𝑓(𝑥) dapat
dinyatakan dengan:

𝑓(𝑥) = (𝑥 + 1)𝐼(−1,0) (𝑥) + (−𝑥 + 1)𝐼(0,1) (𝑥); −1 < 𝑥 < 1

𝑓(𝑥) = 0,5 (2(𝑥 + 1)𝐼(−1,0) (𝑥)) + 0,5 (2(−𝑥 + 1)𝐼(0,1) (𝑥)) ; −1 < 𝑥 < 1

Dengan demikian, fungsi fungsi distribusi probabilitas 𝑓(𝑥) merupakan kombinasi

konveks dari 𝑓1 (𝑥) = 2(𝑥 + 1)𝐼(−1,0) (𝑥) dan 𝑓2 (𝑥) = 2(−𝑥 + 1)𝐼(0,1) (𝑥) dengan
𝑝1 = 𝑝2 = 0,5.

Misal 𝑢 adalah bilangan random. Dengan mengunakan metode transformasi invers,

pembangkitan variat random 𝑥 yang memiliki fungsi distribusi probabilitas 𝑓1 (𝑥)
dinyatakan dengan persamaan:

𝑥 = √𝑢2 − 1

Misal 𝑢 adalah bilangan random. Dengan mengunakan metode transformasi invers,

pembangkitan variat random 𝑥 yang memiliki fungsi distribusi probabilitas 𝑓2 (𝑥)
dinyatakan dengan persamaan:

𝑥 = 1 − √1 − 𝑢2

Dengan demikian, langkah-langkah untuk pembangkitan variat random 𝑥 yang memiliki

fungsi distribusi probabilitas 𝑓(𝑥) adalah:
Langkah 1: Bangkitkan 𝑢1 dan 𝑢2 yang saling independen.
Langkah 2: Jika 𝑢1 ≤ 0,5, tetapkan 𝑥 = √𝑢2 − 1. Sebaliknya, tetapkan 𝑥 = 1 −
√1 − 𝑢2.

Contoh 2:

Misal 𝑥 adalah variabel random yang berdistribusi Laplace dengan fungsi distribusi
probabilitas:

𝑓(𝑥) = 0,5𝑒 |𝑥| ; −∞ < 𝑥 < ∞

Fungsi distribusi probabilitas dapat dinyatakan dengan:

𝑓(𝑥) = 0,5𝑒 𝑥 𝐼(−∞,0) + 0,5𝑒 −𝑥 𝐼(0,∞) ; −∞ < 𝑥 < ∞

dengan 𝐼𝐴 adalah fungsi indikator pada himpunan 𝐴:

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

Misal 𝑢 adalah bilangan random. Dengan mengunakan metode transformasi invers,

pembangkitan variat random 𝑥 yang memiliki fungsi distribusi probabilitas 𝑓1 (𝑥)
dinyatakan dengan persamaan:

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

Misal 𝑢 adalah bilangan random. Dengan mengunakan metode transformasi invers,

pembangkitan variat random 𝑥 yang memiliki fungsi distribusi probabilitas 𝑓2 (𝑥)
dinyatakan dengan persamaan:

𝑥 = −ln(1 − 𝑢)

Dengan demikian, langkah-langkah untuk pembangkitan variat random 𝑥 yang memiliki

fungsi distribusi probabilitas 𝑓(𝑥) adalah:
Langkah 1: Bangkitkan 𝑢1 dan 𝑢2 yang saling independen.
Langkah 2: Jika 𝑢1 ≤ 0,5, tetapkan 𝑥 = ln(1 − 𝑢2 ). Sebaliknya, tetapkan 𝑥 =
−ln(1 − 𝑢2 ).

3.2.4 Metode Penerimaan-Penolakan

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.

Misal suatu besaran 𝑐 didefinisikan berikut ini:

∞
𝑐 = ∫ 𝑡(𝑥) 𝑑𝑥
−∞

Misal suatu fungsi 𝑟(𝑥) didefinisikan dengan:

𝑡(𝑥)
𝑟(𝑥) =
𝑐

Dengan asumsi 𝑐 < ∞, fungsi 𝑟(𝑥) merupakan fungsi distribusi probabilitas.

Prosedur dari metode penerimaan-penolakan secara umum adalah berikut ini.
Langkah 1: Bangkitkan variat random dari 𝑌 yang memiliki fungsi distribusi 𝑟(𝑦).
Langkah 2: Bangkitkan bilangan random 𝑢 yang independen terhadap 𝑦.
Langkah 3: Jika 𝑢 ≤ 𝑓(𝑦)⁄𝑡(𝑦), tetapkan 𝑥 = 𝑦. Sebaliknya, kembali ke langkah 1.

Contoh:

Misal 𝑥 adalah variabel random yang memiliki fungsi distribusi probabilitas berikut ini:
𝑥
;0 ≤ 𝑥 ≤ 2
𝑓(𝑥) = {2
0 ; lainnya

Nilai maksimum dari 𝑓(𝑥) terjadi pada 𝑥 = 2 dengan 𝑓(2) = 1.

Definisikan fungsi:

1 ;0 ≤ 𝑥 ≤ 2
𝑡(𝑥) = {
0 ; lainnya

Dengan demikian, fungsi 𝑡(𝑥) meliputi fungsi 𝑓(𝑥).

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.

3.3 Penggunaan Sifat-Sifat Khusus

Pembangkitan variat random dapat dilakukan menggunakan transformasi langsung
berdasarkan sifat-sifat khusus dari distribusi probabilitas.

Contoh 1:

Pembangkitan variat random lognormal dengan parameter-parameter 𝜇 (−∞ < 𝜇 < ∞)

dan 𝜎 (𝜎 > 0) dapat dibangkitkan berdasarkan hubungannya dengan distribusi normal.
Misal terdapat varibel random 𝑦 yang berdistribusi normal dengan parameter-parameter
(−∞ < 𝜇 < ∞) dan 𝜎 (𝜎 > 0). Misal variabel random 𝑥 didefinisikan dengan

𝑥 = 𝑒𝑦

Variabel random 𝑥 tersebut memiliki distribusi lognormal dengan parameter-parameter 𝜇

dan 𝜎 (𝜎 > 0).

Contoh 2:

Pembangkitan variat random khikuadrat dengan parameter 𝑣 dapat dibangkitkan

berdasarkan hubungannya dengan distribusi normal baku. Misal terdapat 𝑣 variabel
random normal baku yang saling independen 𝑍𝑖 . Misal variabel random 𝑋 yang
didefinisikan dengan:

𝑥 = 𝑧12 + 𝑧22 + ⋯ + 𝑧𝑣2

Variat random 𝑋 ini berdistribusi khikuadrat dengan parameter 𝑣 (𝑣 > 0 dan bilangan
bulat.

Pembangkitan variat random distribusi t

Pembangkitan variat random distribusi t dapat ditentukan berdasarkan hubungannya

dengan distribusi normal baku dan khikuadrat. Misal 𝑍 adalah variabel random normal
baku dan 𝑌 adalah variabel random khikuadrat dengan derajat kebebasan 𝑣. Misal 𝑍 dan
𝑌 adalah saling independen. Misal variabel random 𝑋 didefinisikan dengan:

𝑍
𝑋=
√𝑌⁄𝑣

Variabel random 𝑋 adalah berdistribusi t dengan parameter 𝑣 (𝑣 > 0 dan bilangan bulat).
Pembangkitan variat random distribusi F

Misal 𝑌1 dan 𝑌2 masing-masing adalah variabel random yang memiliki distribusi

khikuadrat dengan parameter (derajat kebebasan) 𝑣1 dan 𝑣2 . Misal 𝑌1 dan 𝑌2 adalah
saling independen. Misal variabel random 𝑋 didefinisikan dengan:

𝑌1 ⁄𝑣1
𝑋=
𝑌2 ⁄𝑣2

Maka, variabel random 𝑋 adalah berdistribusi F dengan parameter-parameter (derajat-

derajat kebebasan) 𝑣1 dan 𝑣2 .

3.4 Algoritma-algoritma pembangkitan variat random kontinyu

3.4.1 Pembangkitan Variat Random Seragam Kontinyu

Misal variabel random 𝑥 memiliki distribusi seragam diskret dengan parameter-parameter

𝑎 dan 𝑏 dengan −∞ < 𝑎 < ∞, −∞ < 𝑏 < ∞ dan bilangan bulat, dan 𝑎 < 𝑏. Prosedur
pembangkitan variat random dari 𝑋 adalah berikut ini:
Langkah 1: Bangkitkan bilangan random 𝑢.
Langkah 2: Tetapkan 𝑥 = 𝑎 + (𝑏 − 𝑎)𝑢. Berhenti.

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

3.4.2 Pembangkitan Variat Random Segitiga

Misal variabel random 𝑋 memiliki distribusi segitiga dengan parameter-parameter 𝑎, 𝑏

dan 𝑐 dengan −∞ < 𝑎 < ∞, −∞ < 𝑏 < ∞ , −∞ < 𝑐 < ∞, dan 𝑎 < 𝑏 < 𝑐. Prosedur
pembangkitan variat randomnya adalah berikut ini:
Langkah 1: Tetapkan 𝛽 = (𝑏 − 𝑎)⁄(𝑐 − 𝑎).
Langkah 2: Bangkitkan bilangan random 𝑢.
Langkah 3: Jika 𝑢 ≤ 𝛽, tetapkan 𝑡 = √𝛽𝑢. Sebaliknya, tetapkan 𝑡 = 1 −
√(1 − 𝛽)(1 − 𝑢).
Langkah 4: Tetapkan 𝑥 = 𝑎 + (𝑐 − 𝑎)𝑡. Berhenti.
3.4.3 Pembangkitan Variat Random Eksponensial

Misal variabel random 𝑥 memiliki distribusi eksponensial dengan parameter 𝛽 dengan

𝛽 > 0. Prosedur pembangkitan variat random dari 𝑥 adalah berikut ini:
Langkah 1: Bangkitkan bilangan random 𝑢.
Langkah 2: Tetapkan 𝑥 = −𝛽 ln(1 − 𝑢). Berhenti.

Misal variabel random 𝑥 memiliki distribusi eksponensial dengan rerata 𝜇𝑋 yang

diketahui. Untuk membangkitkan variat random 𝑋, maka nilai dari parameter 𝛽 dihitung
terlebih dahulu dengan hubungan 𝜇𝑋 = 𝛽.

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.

3.4.4 Pembangkitan Variat Random Erlang

Misal variabel random 𝑥 memiliki distribusi Erlang dengan parameter-parameter 𝑚 dan

𝛽 dengan 𝑚 > 0 dan bilangan bulat dan 𝛽 > 0. Proedur pembangkitan untuk variat
random 𝑋 adalah:
Langkah 1: Bangkitkan 𝑚 variat-variat random 𝑦1 , 𝑦2 , ⋯ , 𝑦𝑚 yang saling independen
dengan tiap 𝑦𝑖 berdistribusi eksponensial dengan parameter 𝛽 ⁄𝑚.
Langkah 2: Tetapkan 𝑥 = 𝑦1 + 𝑦2 + ⋯ + 𝑦𝑚 . Berhenti.

3.4.5 Pembangkitan Variat Random Gamma

Misal variabel random 𝑥 memiliki distribusi gamma dengan parameter-parameter 𝛼

(𝛼 > 0). dan 𝛽 (𝛽 > 0). Prosedur pembangkitan untuk variat random 𝑥 tergantung pada
kondisi nilai-nilai dari parameter 𝛼, yaitu untuk 0 < 𝛼 < 1, 𝛼 > 1, dan 𝛼 = 1.

Kasus untuk 0 < 𝛼 < 1:

Langkah 1: Tetapkan 𝑏 = (𝑒 + 𝛼)⁄𝑒.

Langkah 2: Bangkitkan bilangan random 𝑢1 .
Langkah 3: Tetapkan 𝑝 = 𝑏𝑢1 . Jika 𝑝 ≤ 1, lanjutkan ke langkah 4. Sebaliknya,
lanjutkan ke langkah 6.
Langkah 4: Tetapkan 𝑦 = 𝑝1⁄𝛼 . Lanjutkan ke langkah 5.
Langkah 5: Bangkitkan bilangan random 𝑢2 . Jika 𝑢2 ≤ 𝑒 −𝑦 , tetapkan 𝑥 = 𝛽𝑦 dan
berhenti. Sebaliknya, kembali ke langkah 2.
Langkah 6: Tetapkan 𝑦 = − ln((𝑏 − 𝑝)⁄𝛼 ). Lanjutkan ke langkah 7.
Langkah 7: Bangkitkan bilangan random 𝑢2 . Jika 𝑢2 ≤ 𝑦 𝛼−1 , tetapkan 𝑥 = 𝛽𝑦 dan
berhenti. Sebaliknya, kembali ke langkah 2.

Kasus untuk 𝛼 > 1:

Langkah 1: Tetapkan 𝑎 = 1⁄√2𝛼 − 1; 𝑏 = 𝛼 − ln 4; 𝑞 = 𝛼 + 1⁄𝑎; 𝜃 = 4,5 dan
𝑑 = 1 + ln 𝜃.
Langkah 2: Bangkitkan dua bilangan random yang saling independen 𝑢1 dan 𝑢2 .
Langkah 3: Tetapkan 𝑣 = 𝑎 ln(𝑢1 ⁄(1 − 𝑢1 )); 𝑦 = 𝛼𝑒 𝑣 ; 𝑍 = (𝑢1 )2 𝑢2 ; 𝑤 = 𝑏 + 𝑞𝑣 −
𝑦.
Langkah 4: Jika 𝑤 + 𝑑 − 𝜃𝑧 ≥ 0, tetapkan 𝑥 = 𝛽𝑦 dan berhenti. Sebaliknya, lanjutkan
ke langkah 5.
Langkah 5: Jika 𝑤 ≥ ln 𝑧, tetapkan 𝑥 = 𝛽𝑦 dan berhenti. Sebaliknya, kembali ke
langkah 2.

Kasus untuk 𝛼 = 1:

Untuk kasus 𝛼 = 1, prosedur pembangkitan variat random gamma identik dengan

prosedur pembangkitan variat random eksponensial, yaitu:
Langkah 1: Bangkitkan bilangan random 𝑢.
Langkah 2: Tetapkan 𝑥 = −𝛽 ln(1 − 𝑢). Berhenti.

3.4.6 Pembangkitan Variat Random Weibull

Misal variabel random 𝑥 memiliki distribusi Weibull dengan parameter-parameter

𝛼 (𝛼 > 0) dan 𝛽 (𝛽 > 0). Algoritma pembangkitan untuk variat random 𝑥 adalah:
Langkah 1: Bangkitkan bilangan random 𝑢.
Langkah 2: Tetapkan 𝑥 = 𝛽(− ln(1 − 𝑢))1⁄𝛼 .

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.

3.4.7 Pembangkitan Variat Random Normal

Misal variabel random 𝑥 memiliki distribusi normal dengan parameter-parameter 𝜇 dan

𝜎 2 (−∞ < 𝜇 < ∞) dan 𝜎 2 (𝜎 2 > 0). Berikut ini akan diberikan tiga prosedur
pembangkitan untuk 𝑥.

Metode 1:

Langkah 1: Bangkitkan dua belas bilangan random yang saling independen

𝑢1 , 𝑢2 , ⋯ , 𝑢12.
Langkah 2: Tetapkan 𝑍 = ∑12 𝑖=1 𝑢𝑖 − 6.
Langkah 3: Tetapkan 𝑥 = 𝜇 + 𝜎𝑧.

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:

Metode ini membangkitkan dua variat random normal.

Langkah 1: Bangkitkan dua bilangan random yang saling independen 𝑢1 dan 𝑢2 .
Langkah 2: Tetapkan 𝑣1 = 2𝑢1 − 1 dan 𝑣2 = 2𝑢2 − 1.
Langkah 3: Tetapkan 𝑤 = 𝑣12 + 𝑣22 . Jika 𝑤 ≤ 1, lanjutkan ke langkah 4. Jika
sebaliknya, kembali ke langkah 1.
Langkah 4: Tetapkan 𝑦 = √(−2 ln(𝑤))⁄𝑤 .
Langkah 5: Tetapkan 𝑧1 = 𝑣1 𝑦 dan 𝑧2 = 𝑣2 𝑦.
Langkah 6: Tetapkan 𝑥1 = 𝜇 + 𝜎𝑧1 dan 𝑥2 = 𝜇 + 𝜎𝑧2 . Berhenti.

3.4.8 Pembangkitan Variat Random Lognormal

Misal variabel random 𝑥 memiliki distribusi lognormal dengan parameter-parameter 𝜇

(−∞ < 𝜇 < ∞) dan 𝜎 2 (𝜎 2 > 0). Prosedur pembangkitan untuk 𝑥 adalah berikut ini:
Langkah 1: Bangkitkan variat random yang berdistribusi normal 𝑦 dengan parameter-
parameter 𝜇 dan 𝜎 2 .
Langkah 2: Tetapkan 𝑥 = 𝑒 𝑦 .

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

3.4.9 Pembangkitan Variat Random Beta

Misal variabel random 𝑥 memiliki distribusi beta dengan parameter-parameter 𝛼1

(𝛼1 > 0) dan 𝛼2 (𝛼2 > 0) . Prosedur pembangkitan untuk 𝑥 adalah berikut ini:
Langkah 1: Bangkitkan variat random 𝑦1 yang memiliki distribusi gamma dengan
parameter-parameter parameter-parameter 𝛼1 > 0 dan 𝛽 = 1.
Langkah 2: Bangkitkan variat random 𝑦2 yang independen terhadap 𝑦1 yang memiliki
distribusi gamma dengan parameter-parameter 𝛼1 > 0 dan 𝛽 = 1.
Langkah 3: Tetapkan 𝑥 = 𝑦1 ⁄(𝑦1 + 𝑦2 ). Berhenti.

3.4.10 Pembangkitan Variat Random Pearson Type V

Misal variabel random 𝑥 memiliki distribusi Pearson type VI dengan parameter-

parameter 𝛼 (𝛼 > 0)dan 𝛽 (𝛽 > 0). Prosedur pembangkitan variat random adalah
berikut ini:
Langkah 1: Bangkitkan variat random 𝑦 yang memiliki distribusi gamma dengan
parameter-parameter parameter-parameter 𝛼 > 0 dan 𝛽 > 0.
Langkah 2: Tetapkan 𝑥 = 1⁄𝑦. Berhenti.

3.4.11 Pembangkitan Variat Random Pearson Type VI

Misal variabel random 𝑥 memiliki distribusi Pearson type VI dengan parameter-

parameter 𝛼1 , 𝛼2 dan 𝛽 dengan 𝛼1 > 0, 𝛼2 > 0, dan 𝛽 > 0. Prosedur pembangkitan
variat randomnya adalah berikut ini:
Langkah 1: Bangkitkan variat random 𝑦1 yang memiliki distribusi gamma dengan
parameter-parameter parameter-parameter 𝛼1 > 0 dan 𝛽 > 0.
Langkah 2: Bangkitkan variat random 𝑌2 yang independen terhadap 𝑌1 yang memiliki
distribusi gamma dengan parameter-parameter 𝛼1 > 0 dan 𝛽 = 1.
Langkah 3: Tetapkan 𝑥 = 𝑦1 ⁄𝑦2 . Berhenti.

3.4.12 Pembangkitan Variat Seragam Diskret

Misal variabel random 𝑥 memiliki distribusi seragam diskret dengan parameter-parameter

𝑎 (−∞ < 𝑎 < ∞ dan bilangan bulat), 𝑏 (−∞ < 𝑏 < ∞ dan bilangan bulat), dan 𝑎 < 𝑏.
Langkah-langkah pembangkitan variat random dari 𝑋 adalah berikut ini:
Langkah 1: Bangkitkan bilangan random 𝑢.
Langkah 2: Tetapkan 𝑥 = 𝑎 + ⌊(𝑏 − 𝑎 + 1)𝑢⌋. Berhenti.
3.4.13 Pembangkitan Variat Random Bernoulli

Misal variabel random 𝑥 memiliki distribusi Bernoulli dengan parameter 𝑝 (0 ≤ 𝑝 ≤ 1).

Berdasarkan metode transformasi balikan, langkah-langkah pembangkitan variat random
dari 𝑥 adalah berikut ini:
Langkah 1: Bangkitkan 𝑢.
Langkah 2: Jika 𝑢 ≤ 𝑝, tetapkan 𝑥 = 1. Sebaliknya, tetapkan 𝑥 = 0. Berhenti.

3.4.14 Pembangkitan Variat Random Binomial

Misal variabel random 𝑥 memiliki distribusi binomial dengan parameter-parameter 𝑛

(𝑛 > 0 dan bilangan bulat) dan 𝑝 (0 ≤ 𝑝 ≤ 1).. Langkah-langkah pembangkitan variat
random dari 𝑥 adalah berikut ini:

Langkah 1: Bangkitkan 𝑛 variat-variat random 𝑦1 , 𝑦2 , ⋯ , 𝑦𝑛 yang saling independen

dengan tiap 𝑦𝑖 memiliki distribusi Bernouli dengan parameter 𝑝 (0 ≤ 𝑝 ≤
1).
Langkah 2: Tetapkan 𝑥 = 𝑦1 + 𝑦2 + ⋯ + 𝑦𝑛 . Berhenti.

3.4.15 Pembangkitan Variat Random Geometrik

Misal variabel random 𝑥 memiliki distribusi geometrik dengan parameter 𝑝 (0 ≤ 𝑝 ≤ 1).

Variabel random 𝑥 menyatakan banyaknya “gagal” sebelum diperoleh “sukses pertama”
dengan 𝑝 menyatakan probabilitas terjadi “sukses” untuk setiap usaha. Langkah-langkah
pembangkitan variat random dari 𝑥 adalah berikut:

Langkah 1: Bangkitkan bilangan random 𝑢.

Langkah 2: Tetapkan 𝑥 = ⌊ln(1 − 𝑢)⁄ln(1 − 𝑝)⌋. Berhenti.

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.

3.4.16 Pembangkitan Variat Random Binomial Negatif

Misal variabel random 𝑥 memiliki distribusi binomial negatif dengan parameter-

parameter 𝑛 dan 𝑝 dengan 𝑠 > 0 dan bilangan bulat dan 0 < 𝑝 < 1. Variabel random 𝑥
menyatakan banyaknya “gagal” sebelum diperoleh 𝑠 sukses dengan 𝑝 menyatakan
probabilitas terjadi “sukses” untuk setiap usaha. Langkah-langkah pembangkitan variat
random dari 𝑥 adalah berikut ini:
Langkah 1: Bangkitkan 𝑠 variat-variat random 𝑦1 , 𝑦2 , ⋯ , 𝑦𝑛 yang saling independen
dengan tiap 𝑦𝑖 memiliki distribusi geometrik dengan parameter 𝑝 (0 ≤
𝑝 ≤ 1).
Langkah 2: Tetapkan 𝑥 = 𝑦1 + 𝑦2 + ⋯ + 𝑦𝑠 . Berhenti.
3.4.17 Pembangkitan Variat Random Poisson

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

4.1 Simulasi Statik-Probabilistik

4.2 Contoh Simulasi Statik-Probabilistik

4.2.1 Contoh Penentuan Rerata Umur Peralatan

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

Misal umur komponen 1 merupakan variabel random (dinotasikan dengan 𝑋1 ) yang

berdistribusi eksponensial dengan parameter 𝜆1 . Misal umur komponen 2 merupakan
variabel random (dinotasikan dengan 𝑋2 ) yang berdistribusi eksponensial dengan
parameter 𝜆2 . Anggap bahwa kedua komponen adalah independen, yaitu umur
komponen 1 tidak dipengaruhi oleh komponen 2, dan sebaliknya.

Prosedur Simulasi

Untuk menjalankan simulasi, berikut ini didefinisikan notasi-notasi yang digunakan:

𝑖 indeks replikasi
𝑁 jumlah replikasi maksimum
𝑈1 bilangan random untuk membangkitkan umur komponen 1
𝑈2 bilangan random untuk membangkitkan umur komponen 2
𝑋1 umur komponen 1
𝑋2 umur komponen 2
𝑋𝑖 umur peralatan
𝑋̅ rata-rata umur peralatan
Langkah-langkah simulasi adalah berikut ini:
Langkah 0 Tetapkan 𝑁.
Langkah 1 Tetapkan 𝑖 = 1.
Langkah 2 Bangkitkan 𝑈1 dan tetapkan 𝑋1 = −𝛽 ln(1 − 𝑈1 ).
Langkah 3 Bangkitkan 𝑈2 dan tetapkan 𝑋2 = −𝛽 ln(1 − 𝑈2 ).
Langkah 4 Tetapkan 𝑋𝑖 = max{𝑋1 , 𝑋2 }..
Langkah 5 Tetapkan 𝑖 = 𝑖 + 1. Jika 𝑖 ≤ 𝑁, kembali ke langkah 2. Sebaliknya,
lanjutkan ke langkah 6.
Langkah 6 Hitung 𝑋̅ = ∑𝑁 𝑖=1 𝑋𝑖 ⁄𝑁 . Berhenti.

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

4.2.2 Contoh Penerapan dalam Sistem Antrian

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

Untuk menjalankan simulasi, berikut ini didefinisikan notasi-notasi yang digunakan:

𝑈1𝑖 bilangan random untuk membangkitkan waktu antar kedatangan pelanggan
𝑖
𝑈2𝑖 bilangan random untuk membangkitkan waktu pelayanan pelanggan 𝑖
𝑊𝐴𝐷𝑖 waktu antar kedatangan pelanggan 𝑖
𝑊𝐿𝑖 waktu pelayanan pelanggan 𝑖
𝑆𝐷𝑖 saat kedatangan pelanggan 𝑖
𝑆𝑀𝐿𝑖 saat mulai pelayanan pelanggan 𝑖
𝑆𝑃𝑖 saat kepergian pelanggan 𝑖
𝑊𝑇𝐷𝐴𝑖 waktu menunggu dalam antrian pelanggan 𝑖
𝑊𝑇𝐷𝑆𝑖 waktu menunggu dalam sistem pelanggan 𝑖

Langkah-langkah simulasi adalah berikut ini:

Langkah 0 Tetapkan 𝑁.
Langkah 1 Tetapkan 𝑘 = 1.
Langkah 0 Tetapkan 𝑆𝐷0 = 𝑆𝑃0 = 0. Tetapkan 𝑀.
Langkah 1 Tetapkan 𝑖 = 1.
Langkah 2 Bangkitkan 𝑈1𝑖 dan tetapkan 𝑊𝐴𝐷𝑖 = −𝛽 ln(1 − 𝑈1𝑖 ).
Langkah 3 Tetapkan 𝑆𝐷𝑖 = 𝑆𝐷𝑖−1 + 𝑊𝐴𝐷𝑖 .
Langkah 4 Tetapkan 𝑆𝑀𝐿𝑖 = max{𝑆𝐷𝑖 , 𝑆𝑃𝑖−1 }.
Langkah 5 Bangkitkan 𝑈2𝑖 dan tetapkan 𝑊𝐿𝑖 = −𝛽 ln(1 − 𝑈2𝑖 ). .
Langkah 6 Tetapkan 𝑆𝑃𝑖 = 𝑆𝑀𝐿𝑖 + 𝑊𝐿𝑖 . Lanjutkan ke langkah 7.
Langkah 7 Tetapkan 𝑊𝑇𝐷𝐴𝑖 = 𝑆𝑀𝐿𝑖 − 𝑆𝐷𝑖 dan 𝑊𝑇𝐷𝑆𝑖 = 𝑆𝑃𝑖 − 𝑆𝐷𝑖
Langkah 8 Tetapkan 𝑖 = 𝑖 + 1. Jika 𝑖 ≤ 𝑁, kembali ke langkah 2. Sebaliknya,
lanjutkan ke langkah 9.
Langkah 9 Hitung rata-rata 𝑅𝑊𝑇𝐷𝐴𝑘 = ∑𝑀 𝑀
𝑖=1 𝑊𝑇𝐷𝐴𝑖 ⁄𝑀 dan ∑𝑖=1 𝑊𝑇𝐷𝐴𝑖 ⁄𝑀 untuk
𝑁 pelanggan. Berhenti.

Replikasi 1:

i U1 WAD SD SML U2 WL SP WTDA WTDS

0 0 0
1 0,47 1,88 1,88 1,88 0,89 4,49 6,37 0,00 4,49
2 0,09 0,29 2,17 6,37 0,36 0,88 7,25 4,20 5,08
3 0,88 6,44 8,61 8,61 0,13 0,28 8,89 0,00 0,28
4 0,04 0,14 8,75 8,89 0,87 4,13 13,02 0,14 4,27
5 0,70 3,58 12,33 13,02 0,29 0,68 13,70 0,69 1,37
6 0,91 7,10 19,43 19,43 0,91 4,72 24,15 0,00 4,72
7 0,03 0,10 19,53 24,15 0,48 1,29 25,44 4,61 5,91
8 0,27 0,92 20,46 25,44 0,61 1,87 27,31 4,98 6,85
9 0,63 2,95 23,41 27,31 0,32 0,77 28,08 3,90 4,67
10 0,57 2,56 25,97 28,08 0,89 4,35 32,43 2,11 6,46
11 0,19 0,62 26,58 32,43 0,90 4,60 37,03 5,85 10,44
12 0,02 0,06 26,64 37,03 0,38 0,95 37,98 10,38 11,33
13 0,31 1,11 27,75 37,98 0,40 1,01 38,99 10,23 11,24
14 0,59 2,67 30,42 38,99 0,98 7,63 46,62 8,57 16,20
15 0,66 3,21 33,63 46,62 0,17 0,36 46,98 12,99 13,35
16 0,79 4,71 38,34 46,98 0,67 2,23 49,21 8,64 10,87
17 0,93 7,92 46,26 49,21 0,18 0,40 49,61 2,95 3,35
18 0,56 2,47 48,74 49,61 0,88 4,29 53,90 0,88 5,16
19 0,07 0,22 48,95 53,90 0,09 0,19 54,09 4,94 5,14
20 0,92 7,55 56,50 56,50 0,98 7,98 64,48 0,00 7,98
4,30 6,96