CHAPTER 9

ANALISIS DATA OUTPUT DARI SUATU SISTEM

9.4 ANALISIS STATISTIK UNTUK SIMULASI “TERMINATING”

9.4.1 Estimasi dari Mean

Didefinisikan Xj sebagai output dari suatu simulasi terminating pada replikasi ke j, j =

1,2, …, n; dimana masing-masing replikasi adalah independen, dimulai dengan kondisi
awal yang sama, serta diakhiri oleh suatu event E yang telah ditetapkan. Independensi
antar replikasi ini dapat diperoleh dengan menggunakan bilangan random yang berbeda
pada setiap replikasi. Dengan demikian, Xj merupakan variabel random yang IID, untuk
j = 1,2, …, n. Contoh dari Xj misalnya adalah hasil replikasi ke j simulasi sistem antrian
untuk menentukan waktu tunggu rata-rata pelanggan yang dilayani per hari, yakni
N
 D i / N (N merupakan variabel random juga dalam hal ini); atau Xj dapat pula
i 1
120
merupakan ongkos inventori rata-rata per bulan, yaitu  C i / 120 , hasil replikasi ke j
i 1
suatu simulasi inventori selama 120 bulan.

Law & Kelton 2nd Ed. - Analisis Data Output Simulasi – utk Penggunaan Internal : LG – TI-ITB 1
Bila diinginkan point estimate dan confidence interval dari mean  = E(X), dimana X
adalah variabel random hasil suatu replikasi simulasi terminating diatas, maka langkah-
langkah yang diperlukan adalah :

a) Buat replikasi sebanyak n kali yang masing-masing independen sehingga

dihasilkan X1, X2, …, Xn sebagai variabel random yang IID;

b) Substitusikan nilai Xj ini kedalam rumus-rumus berikut :

 Point estimate dari  yang unbiased adalah = X (n )

S 2 (n )
 Confidence interval dari  = X (n )  t n 1, 1  / 2 ………..…….(9.1)
n
2
 X i  X (n )
n

2
dimana nilai S (n) adalah sample variance : S 2
 i 1 yang
n 1
merupakan estimator dari  2 .
Confidence interval berdasarkan persamaan (9.1) disebut pula sebagai fixed sample-size
procedure.

Contoh 9.1.

Andaikata diinginkan point estimate dan approximate 90 % c.i. dari delay rata-rata
pelanggan setiap hari, maka berdasarkan hasil 10 replikasi yang independen dari
simulasi bank tersebut diperoleh data seperti berikut.

Replikasi ke : 1 2 3 4 5 6 7 8 9 10
Delay rata-rata (menit) 1.53 1.66 1.24 2.34 2.00 1.69 2.69 2.86 1.70 2.60

Point estimate : X (n ) = (20,31)/10 = 2,03

Sample variance = S2(n) = 0,31
S 2 (10) 0,31
Approx. 90% c.i. = X (10)  t 9; 0,95 = 2,03  1,833
10 10

= 2,03  (1,833)(0,176068) = 2,03  0,32

Jadi, kita dapat menyatakan bahwa dengan tingkat kepercayaan mendekati 90 %,

maka E(X) akan berada diantara selang [1,71 : 2,35].

Law & Kelton 2nd Ed. - Analisis Data Output Simulasi – utk Penggunaan Internal : LG – TI-ITB 2
Contoh 9.2.

Dari simulasi sistem persediaan, ingin diketahui point estimate dan approximate 90
% c.i. dari ekspektasi ongkos total rata-rata bulanannya bila sistem ini beroperasi
selama 10 tahun (120 bulan), yakni :
 120 
  Ci 
E(X) = E i 1  dimana Ci adalah ongkos total inventori pada bulan ke-i.
 120 
 
 
Berdasarkan hasil 10 replikasi simulasi yang independen, diperoleh nilai-nilai Xj
sebagai berikut :

Repl. ke :
1 2 3 4 5 6 7 8 9 10
Xj (US $)
129,35 127,11 124,03 122,13 120,44 118,39 130,17 129,77 125,52 133,75

sehingga diperoleh Point estimate : X(10) = 126,07

Sample variance : S2(10) = 23,55
S 2 (10)
Approx. 90% c.i. = X (10)  t 9; 0,95
10
23,35
= 126,07  1,833
10
= 126,07  (1,833)(1,5346)
= 126,07  2,81 atau [123,26 : 128,88]

S 2 (n )
Perhatikan bahwa estimasi dari coefficient of variation (= ) untuk sistem
X (n )
23,55
inventori ini adalah = 0,04 sedangkan untuk delay antrian bank adalah
126,07
0,31
=0,27 sehingga data-data delay pada sistem antrian bank memiliki
2,03
variabilitas yang lebih besar dibandingkan data-data ongkos pad sistem inventori.

Contoh 9.3.

Data berikut adalah output simulasi yang menunjukkan proporsi jumlah pelanggan
bank yang antri menunggu pelayanan kurang dari 5 menit. Sistem antrian bank
terdiri atas 5 teller dengan 1 antrian untuk kelima teller tersebut, dimana waktu
antar kedatangan pelanggan rata-rata 1 menit dan berdistribusi eksponensial.
Pelayanan pelanggan memerlukan waktu rata-rata 4 menit dan juga berdistribusi
eksponensial, dengan aturan FIFO. Jam operasi bank dimulai jam 9.00 dan

Law & Kelton 2nd Ed. - Analisis Data Output Simulasi – utk Penggunaan Internal : LG – TI-ITB 3
 berakhir jam 17.00, dimana pelanggan yang datang sebelum jam 17.00 tetap
dilayani. Diinginkan informasi mengenai point estimate dan 90 % c.i. dari proporsi
pelanggan yang antri kurang dari 5 menit berdasarkan data berikut.

Repl. ke :
1 2 3 4 5 6 7 8 9 10
Proporsi
0,917 0,916 0,952 0,822 0,840 0,866 0,783 0,782 0,873 0,779

Point estimate : X(10) = 0,853

Sample variance : S2(10) = 0,004
S 2 (10) 0,004
Approx. 90% c.i. = X (10)  t 9; 0,95 = 0,853  1,833
10 10
= 0,853  (1,833)(0,02) = 0,853  0,037 atau [0,816 : 0,890]

Confidence interval yang didasarkan atas rumus 9.1. ini coveragenya tergantung dari
asumsi bahwa Xj adalah variabel random normal. Oleh karena itu, c.i. pada ketiga contoh
diatas disebut approximate 90 % c.i., karena belum tentu semua data hasil pengukuran
mengikuti asumsi normal tersebut.

Menentukan Presisi yang Diinginkan

Kelemahan dari fixed sample size procedure, yakni pembuatan c.i. berdasarkan replikasi
sebanyak n kali sesuai dengan rumus (9.1.), adalah bahwa analis tidak memiliki kontrol
atas presisi dari X (n ) , yakni besaran senilai setengah dari c.i. Untuk n tertentu yang
tetap, besaran presisi X (n ) tergantung dari variance populasi, Var(X). Berikut adalah
prosedur untuk mendapatkan jumlah replikasi yang diperlukan untuk menduga besaran 
= E(X) dengan presisi (atau error) yang diinginkan.

Ada 2 cara pengukuran error dalam menduga besaran X, yakni :

 Absolute error ; dan

 Relative error

Absolute Error

Bila besaran penduga , yakni X , memilki nilai  X - = , maka kita dapat
menyatakan bahwa X memiliki absolute error sebesar . Bila dilakukan replikasi
simulasi sampai setengah dari c.i. yang dihasilkan (dengan rumus (9.1)) adalah sama atau
lebih kecil dari  (dimana   0), maka :

Law & Kelton 2nd Ed. - Analisis Data Output Simulasi – utk Penggunaan Internal : LG – TI-ITB 4
 1    P( X  setengah c.i.    X + setengah c.i.)
= P( X  setengah c.i.); dan karena   (setengah c.i.) maka
 P( X  )

Jadi, X memiliki absolute error maksimum sebesar  dengan probabilitas mendekati (1

 ); atau dengan perkataan lain, bila kita membuat 100 buah 90% c.i. yang masing-
masing independen dengan cara diatas, maka kita dapat mengharapkan 90 diatara 100
c.i. ini menghasilkan absolut error dari X sama atau lebih kecil dari .

Bila kita telah memiliki suatu c.i. dari  berdasarkan jumlah replikasi sebanyak n, maka
dengan berasumsi bahwa estimasi kita terhadap variance populasi, S2(n) tidak berubah
bila replikasinya ditambah, maka jumlah replikasi total, na*(), yang diperlukan untuk
memperoleh absolut error  dapat didekati dengan rumus berikut :

 S 2 (n ) 
  mini  n : t i1,1 / 2
n *a   ……………………………… ….(9.2)
 i 
*
Jadi, kita dapat menentukan na () dengan menambah jumlah iterasi i dengan 1 iterasi
tambahan secara iteratif, sampai diperoleh nilai i yang menghasilkan
S 2 (n )
t i 1,1 / 2   . Bila na*()  n, maka kita perlu menambah jumlah replikasi
i
independen sebanyak (na*()  n) kali; kemudian menduga besaran  melalui X dengan
absolut error  atas dasar seluruh na*() replikasi ini. Akurasi dari rumus (9.2) tergantung
dari seberapa dekat estimasi variance S2(n) terhadap Var(X).

Contoh 9.4.

Dari Contoh 9.1. diatas, bila kita inginkan estimasi dari ekspektasi delay rata-rata
dengan absolut error 0,25 menit dan 90 % c.i.-nya, berapa jumlah replikasi yang
diperlukan ?

Solusi :
Dari 10 replikasi pada Contoh 9.1. dimuka, diperoleh sample variance = S2(10) =
0,31. Berdasarkan kolom terakhir tabel berikut, maka nilai i yang memberikan
S 2 (10)
t i1; 95%  0,25 adalah i =16. Jadi, na*() = na*(0,25) = 16.
i

Law & Kelton 2nd Ed. - Analisis Data Output Simulasi – utk Penggunaan Internal : LG – TI-ITB 5
 S 2 (10) S 2 (10)
i t i1; 95% *) t i1; 95%
i i
11 1,812 0,16787 0,304
12 1,796 0,16073 0,289
15 1,761 0,14376 0,253
16 1,753 0,13919 0,244
*) Catatan : Untuk semua nilai i, digunakan sample variance yang dihitung
berdasarkan jumlah replikasi sebanyak 10.

Relative Error

Bila besaran penduga , yakni X , memilki nilai  X  /= , maka X disebut

memiliki relative error sebesar , atau percentage error dari X adalah 100. %. Jika kita
membuat replikasi simulasi dimana setengah c.i.-nya (berdasarkan rumus (9.1)) dibagi
dengan  X  adalah  , dimana (0    1); maka ratio tersebut merupakan penduga dari
besaran actual relative error.

1  P( X  / X   setengah c.i. / X )

 P( X    X  ) [setengah c.i. / X  adalah  ]
= P( X    X   + ) [ dan + dengan ]
 P( X    ( X   +) ) [triangle inequality : a+b
a+b]
= P((1  ) X   )) [ruas kiri dan kanan dari 
dikurangi dengan .( X  ]
= P( X  / /(1  )) [ruas kiri dan kanan dari 
dikalikan dengan 1/((1)]

Jadi, X akan mempunyai relative error maksimum sebesar /(1 ) dengan probabilitas
mendekati 1. Atau, dengan perkataan lain, bila kita membuat 100 buah c.i. yang saling
independen (masing-masing dengan confidence level 90 %), maka kita dapat
mengharapkan bahwa 90 (buah c.i.) diantaranya akan menghasilkan X yang memiliki
relative error maksimal sebesar /(1 ).

Seandainya kita telah membuat c.i. dari  berdasarkan jumlah replikasi sebanyak n, dan
bila diasumsikan bahwa estimasi untuk population mean dan population variance tidak
berubah dengan bertambahnya replikasi, maka jumlah replikasi total, nr*(), yang
diperlukan untuk memperoleh relative error  dapat didekati dengan rumus berikut :

 t i1, 1 / 2 S 2 (n ) / i 
 ,
n *r    min i  n :   …………………………..….(9.3)
 X n  
 

Law & Kelton 2nd Ed. - Analisis Data Output Simulasi – utk Penggunaan Internal : LG – TI-ITB 6
dimana  ,   / 1    adalah “adjusted” relative error yang diperlukan untuk
mendapatkan relative error . Bila dari rumus (9.3.) diperoleh nr ()  n dan kita
*

menambah replikasi sebanyak nr*()  n simulasi, maka X sebagai penduga besaran 

yang dihitung berdasarkan nr*() replikasi akan mempunyai relative error mendekati .

Contoh 9.5.

Dari Contoh 9.1. diatas, bila kita inginkan estimasi dari ekspektasi delay rata-rata
dengan relative error 0,1 (10 %) beserta 90 % c.i.-nya, berapa jumlah replikasi
yang diperlukan ?

Solusi :
Relative error yang diinginkan = 0,1 sehingga ’ =  /(1+ ) = 0,1 / (1,1) = 0,09.
Dari 10 replikasi pada Contoh 9.1. dimuka, diperoleh :
point estimate : X(10) = (20,31)/10 = 2,03
sample variance = S2(10) = 0,31

S 2 (10) S 2 (10) t i1;95% S 2 (10) / i

i t i1; 95% *) t i1; 95%
i i X (10)
11 1,812 0,16787 0,304 0,150
20 1,729 0,12450 0,215 0,106
25 1,711 0,11135 0,191 0,094
26 1,708 0,10919 0,187 0,092
27 1,706 0,10715 0,183 0,0901
28 1,703 0,10522 0,179 0,088
*) Catatan : Untuk semua nilai i, digunakan sample variance yang dihitung
berdasarkan jumlah replikasi sebanyak 10.

Berdasarkan kolom terakhir tabel diatas, maka nilai i yang memberikan

t i1;95% S 2 (10) / i
 0,09 adalah i =28. Jadi, nr*() = nr*(0,10) = 28.
X (10)

Sequential Procedure

Kelemahan dari rumus (9.3) adalah karena nilai-nilai X (n ) dan S2(n) yang digunakan
boleh jadi kurang baik untuk menduga population mean dan population variance-nya.
Oleh karenanya, boleh jadi nr*() yang dihasilkan terlalu besar atau sebaliknya, terlalu
kecil. Bila nr*() terlalu besar, berarti replikasi yang dilakukan terlalu banyak sehingga
menyebabkan pemborosan waktu komputer. Jika sebaliknya, maka estimasi X yang

Law & Kelton 2nd Ed. - Analisis Data Output Simulasi – utk Penggunaan Internal : LG – TI-ITB 7
dihasilkan berdasarkan replikasi sejumlah nr*() ini tidaklah sebaik (ketepatannya) seperti
yang diperkirakan.

Berikut diberikan alternatif lain yang dapat digunakan untuk mengurangi kelemahan
tersebut, yakni sequential procedure. , dimana penambahan replikasi dilakukan satu demi
satu. Prosedur ini mengasumsikan bahwa X1, X2, … adalah urutan variabel random yang
IID tetapi tidak harus normal.

Tujuan : mendapatkan estimasi  dengan relative error tertentu, , dimana (0    1), dan
dengan confidence level 100 (1) %.

Langkah-langkah :

0. Lakukan replikasi simulasi dengan n = n0  2

1. Hitung :
S 2 (n )
X (n ) serta (n , )  t n 1, 1 / 2
berdasarkan hasil replikasi X1, X2, …, Xn.
n
2. Bila (n, )/ X (n)   ‘ maka X (n) adalah point estimate dari  dan stop,
dengan 100 (1) % c.i. yang memiliki presisi yang diinginkan adalah :

l(n, )  [ X(n)  (n, ), X(n)  (n, )]

Bila tidak (yakni bila (n, )/ X (n)  ‘), ganti nilai n menjadi n + 1, lakukan 1
(satu) replikasi tambahan, dan kembali ke langkah 1.

Perhatikan bahwa prosedur ini menghitung X (n ) dan S2(n) yang baru setiap kali hasil
suatu replikasi diperoleh, dan jumlah replikasi total yang dibutuhkan adalah merupakan
variabel random.

Contoh 9.6.

Dari Contoh 9.1. diatas, gunakan sequential procedure untuk menentukan jumlah
replikasi total bila diinginkan estimasi dari ekspektasi delay rata-ratanya memilliki
relative error 0,1 (10 %) beserta 90 % c.i.-nya.

Solusi :
Dengan n0 = 10 replikasi sebagai awalnya, diperoleh :

Jumlah replikasi yg diperlukan = 74

X (74) = 1,76 dan S2(74) = 0,67
serta 90 % c.i. [1,60 : 1,92]

Perhatikan bahwa jumlah replikasi yang diperlukan = 74, jauh lebih besar
dibandingkan dengan 28 pada Contoh 2.5. Hal ini terutama disebabkan kualitas

Law & Kelton 2nd Ed. - Analisis Data Output Simulasi – utk Penggunaan Internal : LG – TI-ITB 8
 estimasi population variance yang rendah dari 10 replikasi (pada Contoh 9.5.)
tersebut.

Rekomendasi untuk Penggunaan Fixed Sample Size dan Sequential

Procedure untuk Terminating Simulation
 Fixed Sample Size Procedure

Bila kita melakukan studi simulasi untuk tujuan yang exploratory, dimana presisi dari
confidence interval-nya tidak kritis, maka fixed sample size dapat digunakan. Namun
demikian, bila data output Xj, j = 1, 2, …, n yang dihasilkan memiliki sifat yang
sangat tidak normal dan juga jumlah replikasi n terlalu kecil, maka coverage yang
diperoleh dari c.i.-nya sangat boleh jadi lebih kecil dari yang dihrapkan.

Berdasarkan exploratory experiment dengan n replikasi, dapat diperkirakan

population variance S2(n) dari data output Xj, j = 1,2, …, n serta “ongkos” atau
“usaha” yang diperlukan untuk melakukan setiap replikasi. Dengan menggunakan
rumus (9.2), secara “kasar” dapat diketahui jumlah replikasi total yang diperlukan,
na*(), untuk menduga besaran  dengan absolute error .

Cara lain adalah dengan menggunakan rumus (9.3) untuk mengetahui secara “kasar”
juga, jumlah replikasi total yang diperlukan, nr*(), untuk menduga besaran  dengan
relative error .

 Sequential Procedure

Keputusan untuk menggunakan absolute error atau relative error boleh jadi
dipengaruhi oleh “ongkos” untuk mendapatkan jumlah replikasi total yang
dibutuhkan. Perlu diperhatikan pula disini bahwa penggunaan absolute error
umumnya sangat model dependent.

a) Untuk relative error yang kecil (  15 % )

Disarankan menggunakan sequential procedure dengan n0  10.

b) Untuk relative error yang besar (  15 % )

Disarankan menggunakan fixed-sample-size approach yang berturutan :
Tentukan nr*(), kemudian buat replikasi simulasi tambahan sebanyak (nr*()n)/2
Gunakan rumus (9.1) untuk menentukan c.i. berdasarkan banyaknya replikasi
yang telah dilakukan, yakni sejumlah [n + (nr*()n)/2] = [n + nr*()]/2
Bila relative error dari c.i. yang diperoleh lebih besar dari ’, maka nr*() dapat
diestimasi ulang dengan dasar estimasi variance yang baru, dan replikasi baru
boleh jadi perlu ditambahkan lagi.

c) Untuk absolut error yang kecil

Disarankan menggunakan fixed-sample-size approach yang berturutan juga.

Law & Kelton 2nd Ed. - Analisis Data Output Simulasi – utk Penggunaan Internal : LG – TI-ITB 9
Diatas semuanya, terlepas dari berapapun lama waktu yang diperlukan untuk
menjalankan setiap replikasi, suatu studi simulasi yang bersifat stokastik
direkomendasikan menggunakan paling sedikit tiga replikasi untuk mengantisipasi
variabilitas Xj’s. Bila hal ini tidak dimungkinkan karena pertimbangan waktu, maka studi
simulasi ini boleh jadi tidak perlu dilakukan.

Law & Kelton 2nd Ed. - Analisis Data Output Simulasi – utk Penggunaan Internal : LG – TI-ITB 10