ModulPengembModelSim-2018

Modul 03
PENGEMBANGAN MODEL SIMULASI
Tujuan dari modul ini adalah mengilustrasikan proses pemodelan beberapa sistem
sederhana, sehingga mereka dapat dianalisis menggunakan simulasi kejadian diskrit.
Disini semua aspek pemodelan didiskusikan: formulasi model simulasi berdasar pada
deskripsi sistem real, pengambilan sampel distribusi probabilitas dari variabel model,
pengkodean model menggunakan dua pendekatan kendali waktu simulasi yang biasa
digunakan, dan menggunakan hasil model analitis yang ekivalen untuk menaksir
pendugaan tepat yang diturunkan dari hasil simulasi. .
Kita mulai dengan sebuah model statis (a static model), masalah klasik Buffon
Needle, yang biasanya digunakan untuk mengilustrasikan sebuah sistem sederhana dan
menitikberatkan pada aspek pengambilan sampel acak dari analisis simulasi. Kita
kemudian mengembalikan perhatian kita ke sistem kejadian diskrit (discrete event
system) yang dinamis, yaitu nilai dari variabel statusnya berubah terhadap waktu.
Dimulai dengan sebuah sistem antrian layanan tunggal (single-server queuing system)
yang disederhanakan, kita kembangkan ke sebuah sistem inventori (inventory system),
dan akhirnya ke sebuah sistem komputer berbagi waktu (time-shared computer
system). Beberapa model dari sistem ini dikembangkan, termasuk sebuah model antrian
analitis. Asumsi untuk model analitis dikurangi dan sebuah model yang lebih umum dan
lebih realistis dikembangkan, menunjukkan fleksibilitas dari model simulasi.
Akhirnya, pertimbangan pemrograman tertentu diberikan, termasuk mekanisme
untuk perkembangan waktu dan manajemen kejadian, dan penjadwalan. Beberapa tipe
struktur data yang berguna dalam mengkonstruksi model simulasi yang efisien diberikan.
TUJUAN INSTRUKSIONAL UMUM

Setelah mengikuti proses pembelajaran dari seluruh substansi yang tercakup dalam modul
ini secara baik dan tuntas, mahasiswa memahami dengan baik prinsip pengembangan
model simulasi sistem kejadian diskrit dan mampu mengembangkan model sistem diskrit.
TUJUAN INSTRUKSIONAL KHUSUS

Setelah mengikuti proses pembelajaran dari seluruh substansi yang tercakup dalam modul
ini secara baik dan tuntas, maka:
1. Mahasiswa mampu mengembangkan model sistem kejadian diskrit sederhana.
2. Mahasiswa mampu membedakan antara model statis dan model dinamis.
3. Mahasiswa mampu mengembangkan model statis.
4. Mahasiswa mampu mengembangkan model sistem antrian sederhana.
5. Mahasiswa mampu mengembangkan model sistem inventori sederhana.
6. Mahasiswa mampu mengembangkan model sistem komputer berbagi waktu sederhana.
Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 1

Modul Ajar Teknik Simulasi Pengembangan Model Simulasi
3.1 SEBUAH MODEL SIMULASI SEDERHANA
Percobaan Buffon-Needle
Dalam percobaan jarum-bundel (Buffon-needle), sejumlah jarum dengan panjang, l, di-
jatuhkan secara acak pada sebuah papan (bidang datar) bergaris sejajar dengan jarak sama
d, dimana l  d.
Model fisik percobaan ini diperlihatkan pada Gambar-3.1. berikut.
Gambar-3.1. Model fisik percobaan jarum bundel.
Jika percobaan ini dilakukan berulang-ulang, maka perkiraan (estimasi) peluang jarum
menyentuh (beririsan dengan) sebuah garis, P, dapat diperoleh dari perbandingan jumlah
percobaan dimana sebuah garis tersentuh, N I , dengan jumlah total percobaan, N T :
3.1.1 Sebuah Simulasi Percobaan Buffon-Needle

Untuk mensimulasikan percobaan ini, kita harus dapat meletakkan posisi jarum secara
acak, relatif terhadap garis sejajar. Disini, harus ditetapkan posisi jarum secara unik,
yaitu: letak titik tengah (middle point) jarum, m, dan sudut antara jarum dengan garis
sejajar,  . Agar posisinya acak, maka variabel m dan  harus berupa variabel acak
yang terdistribusi seragam (uniform).
Agar model menjadi sederhana, kita hanya meninjau 2 garis sejajar, seperti diperlihatkan
pada Gambar-3.2.
Pertama, lokasi m ditetapkan, dan dicari garis mana yang terdekat dengan m. Karena
posisi acak adalah simetri, maka hanya ditinjau setengah jarak dari dua garis tersebut:
d/2. Jadi, a (jarak dari m ke garis) adalah sebuah variabel acak juga. Karena simetri,
maka  adalah sebuah variabel acak yang berdistribusi seragam pada interval 0 sampai
dengan  radian.

d/2
l/2 sin ø
Gambar-3.2. Model konseptual percobaan jarum bundel.
Model Matematika untuk percobaan ini adalah sebagai berikut
Diberikan a dan  terdistribusi secara acak. Dihitung proyeksi vertikal dari m ke ujung
jarum, (l/2) sin  , dan dibandingkan dengan a.
l
(i) Jika a  . sin  , maka jarum tidak menyentuh garis,
2
l
(ii) Jika a  . sin  , maka jarum menyentuh garis.
2
Untuk mendapatkan sampel acak dari a dan  , digunakan pseudo random number, r,
( 0  r  1 ), kemudian didefinisikan nilai a dan  untuk pengujian percobaan tertentu.
Jangkauan dari a dan  adalah

d
0a dan 0   .
2
Algoritma simulasi buffon-needle dapat dilihat pada Gambar-3.3, sedangkan model

lojik (prosedur / diagram alur) simulasi problema ini diberikan pada Gambar-3.4.
Prosedur pada Gambar-3.4 tersebut telah dibuat sebuah implementasinya dalam bahasa
FORTRAN, dengan mengambil masukan
3000 kali percobaan, l = 10 dan d = 20
Hasil perkiraan peluang jarum menyentuh garis adalah: P = 0.3133.
Bagaimana akurasi dari perkiraan ini ?

Algoritma Buffon-Needle
Input : jarak antar garis, d, panjang jarum, l, dan banyaknya jarum dijatuhkan, N T .
Output : peluang jarum menyentuh garis, P
Tahapan:
1 Inisialisasi ;
2 Untuk i = 1 sampai dengan N T , kerjakan (2.1-2.4):
2.1 Bangkitkan , bilangan acak berdistribusi seragam pada [0,1];
2.2 Hitung a = ;
2.3 Hitung  = ;
l
2.4 Jika a  . sin  , maka hitung ;
2
3 Hitung P = ;
4 Cetak P;
Gambar-3.3. Algoritma buffon-needle.
Ketepatan (akurasi) untuk P ditentukan oleh banyaknya penjatuhan jarum dari

percobaan yang disimulasikan. Dalam mengembangkan sebuah selang kepercayaan untuk
menentukan ketepatan ini, pengamatan berukut adalah relevan.
Aspek analitis
Karena setiap jatuhnya jarum adalah sebuah percobaan Bernoulli, maka jumlah sukses,
N
, dalam N T percobaan adalah sebuah Bernoulli random variable, dan P  I ( yaitu
NT
sebuah pendugaan parameter Binomial p) merupakan peluang sukses.
Ambil p  pˆ , maka:
[ ̂] [ ] [ ]
[ ̂] [ ]
̂
⁄
[ ]

MULAI
MASUKKAN
l dan d
INISIALISASI
NI = 0; NT = 0
BANGKITKAN r1
HITUNG a = (l / 2) . r1
BANGKITKAN r2;
HITUNG θ = π . r2
NO
YES a ≤ (l / 2) sin θ
NO
NI = NI + 1 NT = NT + 1
NT > N
YES
HITUNG P = NI / N
CETAK P
BERHENTI
Gambar-3.4. Model lojik dari percobaan jarum bundel.
Untuk menghitung selang kepercayaan (confidence interval), diasumsikan p̂ didekati

dengan distribusi normal dan Z terdistribusi normal dengan mean = 0 dan variance = 1,
maka
̂
[ ⁄
]
[ ]

atau
⁄ ⁄
̂ ̂ ̂ ̂
[ ̂ [ ] ̂ [ ] ]
disini p̂ menduga (estimate) p.
Jika hasil simulasi disubstitusikan dalam ekspresi diatas dengan N T  3000 , di-
peroleh
[ ]
atau
[ ]
atau
[ ] .
3.2 PEMODELAN SISTEM KEJADIAN DISKRIT

Simulasi sistem kejadian diskrit menitikberatkan pemodelan sebuah sistem sebagaimana
yang dicakupnya atas suatu waktu dengan sebuah representasi dimana variabel status
berubah secara tiba-tiba pada titik waktu yang terpisah.
3.2.1 Representasi Kejadian Dalam Sistem

Model simulasi sistem kejadian diskrit dapat dinyatakan sebagai sebuah model interaksi
kejadian diskrit yang terjadi dalam sistem dan variabel status sistem. Model ini dapat di-
nyatakan dalam bentuk graf sebagai berikut.
Disini, digunakan beberapa simbol berikut:
(i) - menyatakan kejadian ke-i,
 - menyatakan hubungan tak bersyarat,
--- (c)  - menyatakan hubungan bersyarat,
- menyatakan bahwa kejadian ke-i menuju ke kejadian ke-j

( i ) — t(r) ( j )
setelah menunggu (delay) sebesar t.

Contoh-3.1. Sekelompok mesin dijalankan oleh sebuah grup operator. Begitu seringnya
sebuah mesin mogok dan perlu diperbaiki oleh seorang operator. Setelah selesai di-
perbaiki, mesin dijalankan lagi.
Disini, variabel status dari sistem:
M(i) : status mesin ke-i : 0 - menunggu diperbaiki (service),

1 - sedang diperbaiki,
2 - sedang beroperasi.
O(j) : status operator ke-j : 0 - menganggur (idle),

1 - sibuk bekerja (busy).
Kejadian diskrit yang terjadi:
1(i) : mesin ke-i minta diperbaiki, M(i)  .0

2(ij) : operator ke-j mulai memperbaiki mesin ke-i, M (i)  1, O( j )  1.
3(ij) : operator ke-j selesai memperbaiki mesin ke-i, O( j )  0.
4(i) : mesin ke-i mulai dijalankan, M (i)  2.
Syarat: c(1) - beberapa operator menganggur, O( j )  0

c(2) - beberapa mesin menunggu, M (i)  0
Delays: t(r) - waktu sebuah mesin bekerja antara panggilan untuk perbaikan,
t(s) - waktu yang diperlukan untuk perbaikan mesin.
Model sistem direpresentasikan sebagai graf pada Gambar-3.5.
C(1)
1(i)
2(ij)
t(r)
4(i) C(2)
t(s)
3(ij)
Gambat-3.5. Graf sistem kejadian diskrit.

3.2.2 Sebuah Simulasi Model Antrian Dengan Pelayanan Tunggal

Sebuah fasilitas layanan dengan pelayan tunggal, (misalnya: sebuah baber-shop, sebuah
information desk di suatu bandara (airport), penjualan tiket pada sebuah teater, disk I/O
dalam sebuah sistem komputer, kedatangan / pertibaan pekerjaan (job) pada sebuah me-
sin dengan kegunaan khusus, dsb.), akan menduga rata-rata waktu tunggu dalam antrian
kedatangan kastemer (job), dimana waktu tunggu dalam antrian dari seorang kastemer
(sebuah job) adalah panjang interval waktu dari saat kedatangannya di fasilitas sistem
sampai saat ia mulai dilayani.
Disini, sebagai objektif adalah pendugaan rata-rata waktu tunggu seorang kastemer
(sebuah job).
Variabel status untuk sebuah model simulasi kejadian diskrit dari fasilitas sistem berupa:
- status pelayan, yaitu: sedang menganggur (idle) atau sedang sibuk (busy).
- jumlah kastemer yang sedang menunggu dalam antrian untuk dilayani, dan
- waktu kedatangan setiap kastemer.
Status pelayan (server) diperlukan untuk menyatakan apakah seorang kastemer datang,
apakah kastemer langsung dapat dilayani, atau harus menunggu dalam antrian.
Bila pelayan selesai melayani seorang kastemer jumlah kastemer dalam antrian diguna-
kan untuk menentukan apakah pelayan menjadi menganggur atau mulai melayani
kastemer pertama dalam antrian.
Waktu kedatangan seorang kastemer diperlukan untuk menghitung waktu tunggunya da-
lam antrian, yang berupa waktu ia mulai dilayani dikurangi waktu saat kedatangannya.
Ada dua tipe kejadian dalam sistem ini, yaitu:

- kedatangan seorang kastemer, dan
- selesainya pelayanan bagi seorang kastemer, yang dihasilkan dalam
customer’s departure.
Sebuah kedatangan adalah sebuah kejadian, sebab dapat mengakibatkan perubahan

status pelayan dari menganggur ke sibuk atau jumlah kastemer dalam antrian bertambah
satu, sedangkan selesainya pelayanan seorang kastemer mengakibatkan perubahan status
pelayan dari sibuk ke menganggur atau jumlah kastemer dalam antrian berkurang satu.
Model direpresentasikan sebagai sebuah graf pada Gambar-3.6.
c(1) t(s)_
t(a) 1 2 3
c(2)
Gambar-3.6. Graf sistem antrian dengan layanan tunggal.

Jika kita asumsikan bahwa:

Variabel status: n - banyak pelanggan sistem (baik yang menunggu / sedang dilayani)
Kejadian: 1 - kedatangan pelanggan,
2 - pelayanan dimulai (mulai dilayani),
3 - selesai dilayani.
maka
Syarat : c(1) : n = 0,
c(2) : n  0.
Delays : t(a) - waktu sampai kedatangan berikutnya,
t(s) - waktu untuk melayani pelanggan.
3.2.3 Mekanisme Perkembangan Waktu (Time-Advance Mechanisms)

Karena dinamika alam simulasi kejadian diskrit, maka harus dilakukan pengelolaan
waktu simulasi pada saat berlangsung sebagai perkembangan simulasi, dan diperlukan
sebuah mekanisme untuk mengembangkan waktu simulasi dari satu nilai ke nilai yang
lain. Variabel dalam sebuah simulasi yang memberikan nilai waktu simulasi pada saat
berlangsung disebut klok simulasi (simulation clock).
Ada dua prinsip pendekatan yang telah disarankan untuk pengembangan klok simulasi,
yaitu:
1. Pengembangan waktu berdasar pada kejadian berikutnya (next-event time
advance)
2. Pengembangan waktu berdasar pada pertambahan waktu tetap (fixed-increment
time advance)
Pendekatan pengembangan waktu berdasar pada kejadian berikutnya
Klok simulasi diawali dari nul dan waktu kejadian dari event yang akan datang dicari.
Kemudian, klok simulasi dikembangkan terhadap waktu kejadian yang pertama
dari event yang akan datang ini, yaitu titik dimana status (state) dari sistem diperbaharui
(update) terhadap perhitungan sebagai fakta untuk menghitung bahwa sebuah event telah
terjadi, dan pengetahuan kita mengenai waktu kejadian dari event yang akan datang juga
diperbaharui.
Selanjutnya, klok simulasi dikembangkan terhadap waktu dari event baru yang
paling awal, status dari event diperbaharui, dan waktu event yang akan datang dihitung,
dst.
Proses pengembangan simulasi dari satu waktu kejadian ke kejadian lainnya ini di-
lanjutkan sampai terjadinya suatu syarat pemberhentian tertentu terpenuhi, (semisal:
lama simulasi atau banyaknya kastemer).

Karena semua perubahan status terjadi hanya pada saat waktu kejadian untuk
sebuah simulasi kejadian diskrit, maka periode ketakaktifan dihapuskan dengan loncatan
klok dari waktu kejadian ke waktu kejadian. Pengembangan waktu berdasar pada keja-
dian berikutnya untuk sebuah sistem antrian-layanan tunggal memerlukan beberapa
notasi berikut:
- ti : waktu kedatangan kastemer ke-i ( t 0  0).
- Ai  t i  t i 1 : waktu antar kedatangan antara kastemer ke-(i-1) dan kastemer ke-i
- Si : waktu yang secara aktual diperlukan untuk melayani kastemer ke-i

(diluar waktu tunggu kastemer dalam antrian).
- Di : waktu tunggu (delay) dalam antrian untuk kastemer ke-i.
- ci  t i  Di  S i : waktu pada saat kastemer ke-i selesai dilayani dan meninggalkan

sistem.
- ei : waktu terjadinya event ke-i dari sembarang tipe (nilai ke-i dari
klok simulasi diambil, diluar nilai e0  0 )
Gambar-3.7 mengilustrasikan pendekatan next-event time advance untuk sebuah single-

server queueing system.
e0 e1 e2 e3 e4 e5
0 t1 t2 c1 t3 c2
A1 A2 A3
S1 S2
Gambar-3.7. Ilustrasi pendekatan next-event time advance
untuk single-server queueing system.

3.2.4 Komponen dan Organisasi Sebuah Simulasi Model Kejadian

Diskrit
Komponen berikut akan didapatkan dalam semua model simulasi event diskrit meng-
gunakan pendekatan next-event time advance.
System state
Ialah kumpulan variabel status yang diperlukan untuk mendeskripsi sistem pada suatu
waktu tertentu.
Simulation clock
Ialah sebuah variabel yang memberikan nilai sesaat pada saat simulasi.
Event list
Ialah sebuah daftar yang berisi waktu berikutnya, kapan setiap tipe event akan terjadi.
Statistical counters
Ialah variabel yang digunakan untuk menyimpan informasi statistik tentang perilaku
sistem.
Initialization routine
Ialah sebuah subprogram yang menginisialisasi model simulasi pada saat t = 0.
Timing routine
Ialah sebuah subprogram yang menentukan event berikutnya dari daftar event dan
kemudian mengembangkan klok simulasi terhadap waktu bila event tersebut terjadi.
Event routine
Ialah sebuah subprogram yang meng-update status sistem bila sebuah event dengan tipe
tertentu terjadi.
Library routine
Ialah sebuah himpunan subprogram yang digunakan untuk membangkitkan (generate)
pengamatan acak (random) dari distribusi probabilitas yang ditetapkan sebagai bagian
dari model simulasi.
Report generator
Ialah sebuah subprogram yang menghitung pendugaan dari ukuran-ukuran perilaku yang
ditetapkan dan menghasilkan sebuah laporan bila simulasi berakhir.
Main program
Ialah sebuah program yang memanggil timing routine untuk menentukan event berikut-
nya dan kemudian mentransfer kendali ke event routine terkait untuk meng-update status
sistem yang sesuai.
Aliran kendali (flowchart) dari pendekatan next-event time advance dapat dilihat
pada Gambar-3.8.

Start
Timing routine
Initialization routine Main program
1 Determine next
1 Set simulation clock = 0 0 Invoke initialization routine
event type, say i
2 Initialize state and counters 1 Invoke timing routine
2 Advance simulation
3 Initialize event list 2 Invoke event routine i
clock
Event routine i
Library routine
1 Update system state
2 Update statistical counters
Generate random
3 Generate future events
variate
andadd to event list
No
Is
simulation
over
Yes
Report generator
1 Compute estimate of
interest
2 Write report
Stop
Gambar-3.8. Aliran kendali untuk pendekatan next-event time-advance.
Proses antrian berhubungan dengan :
- Kedatangan kastemer pada fasilitas pelayanan,

- Kastemer menunggu pada suatu baris (antrian), bila server sedang sibuk,
- Kastemer dilayani oleh server,
- Kastemer meninggalkan fasilitas pelayanan.

Suatu antrian terjadi jika rata-rata waktu antar kedatangan kastemer lebih kecil dari rata-
rata waktu pelayanannya.
Komponen sistem antrian : 1. Pola kedatangan (pertibaan) kastemer,

2. Pola pelayanan,
3. Disiplin antrian.
Pola kedatangan
Pola kedatangan kastemer dicirikan oleh waktu antar kedatangan, yaitu interval waktu
kedatangan antara dua kastemer yang berurutan pada suatu fasilitas pelayanan.
Pola pelayanan
Pola pelayanan kastemer dicirikan oleh waktu pelayanan, yaitu waktu yang diperlukan
sebuah server untuk melayani sebuah kastemer.
Waktu antar kedatangan kastemer dan waktu pelayanan kastemer biasanya berupa
variabel acak yang mempunyai distribusi probabilitas tertentu.
Disiplin antrian
Yaitu aturan yang menentukan bagaimana para kastemer mendapatkan pelayanan. Ada
4 bentuk, yaitu :
1. First-In-First-Out (FIFO)
Kastemer yang lebih dulu datang (masuk antrian) akan lebih dulu keluar untuk
dilayani, sebagai contoh: sistem antrian pada Bank, Bioskop..
2. Last-In-First-Out (LIFO)
Kastemer yang paling akhir tiba akan lebih dulu keluar untuk dilayani, sebagai
contoh : sistem elevator.
3. Service-In-Random-Order (SIRO)
Panggilan untuk memperoleh pelayanan didasarkan pada peluang secara acak
(random), sebagai contoh : sistem pelayanan dalam sistem operasi.
4. Priority-Service (PS)
Pelayanan diberikan terlebih dahulu pada kastemer yang mempunyai prioritas
yang lebih tinggi, sebagai contoh : sistem pelayanan rumah sakit.
Berbagai tipe model antrian sistem kejadian diskrit diperlihatkan pada Gambar-3.9.

a. Single-Queue-Single-Server System.
Queue Server
X X X X X X X
b. Single-Queue-Multi-Servers System.
Queues Servers
X
X X X X X X
c. Multie-Queues-Multi-Servers System.
Queues Servers
X X X X X X X
X X X X X X X
d. Tandem-Queue System.
QueueServer Queue Server

X X X X X X X X
Gambar-3.9. Model antrian sistem kejadian diskrit.

Contoh-3.2. Diberikan data waktu kedatangan dan waktu pelayanan dari sebuah single-
server queueing system seperti pada Tabel-3.1.
Tabel-3.1. Data waktu kedatangan dan waktu pelayanan

dari 10 kastemer pertama secara berurutan.
Arrival Time of Arrival Wait until Next Arrival Length of Service

I
1 4 6 3
2 10 3 5
3 13 6 6
4 19 1 4
5 20 9 7
6 29 2 3
7 31 3 6
8 34 9 7
9 43 4 2
10 47 4 6
Perkembangan klok dari simulasi ini dapat dilihat pada Tabel-3.2, dengan bi adalah
waktu saat kastemer ke-i mulai dilayani. Sedangkan profil kastemer dalam sistem dapat
dilihat pada Gambar-3.10.
Disini total waktu yang digunakan kastemer dalam sistem adalah sama dengan luas
daerah yang berada dibawah kurva dan diatas sumbu t, dari t = 0 sampai dengan
simulasi selesai.
Sehingga, jika diambil :
n(t) : jumlah kastemer dalam sistem pada saat t

k : jumlah kedatangan (pertibaan).
T : lama simulasi.
n : rata-rata jumlah kastemer dalam sistem.
w : rata-rata waktu sebuah kastemer dalam sistem.
Maka dapat dirumuskan sebagai berikut
̅ ∫ ̅ ∫

Nilai integral diatas menggambarkan luas daerah dibawah kurva dan diatas sumbu t,
dari t = 0 sampai dengan t = T dan dapat dihitung sebagai jumlahan persegi panjang
sebagai berikut
Luas ∑ ( )
= 0 (4-0) + 1 (7-4) + 0 (10-7) + 1 (13-10) + 2 (15-13) + 1 (19-15) + …
Tabel-3.2. Perkembangan klok.
Clock Time Event No. in System
1 4 t1 1
4 b1 1
2 7 c1 0
3 10 t2 1
10 b2 1
4 13 t3 2
5 15 c2 1
15 b3 1
6 19 t4 2
7 20 t5 3
8 21 c3 2
21 b4 2
9 25 c4 1
25 b5 1
10 29 t6 2
11 31 t7 3
12 32 c5 2
32 b6 2
13 34 t8 3
14 35 c6 2
35 b7 2
15 41 c7 1
41 b8 1
16 43 t9 2
17 47 t10 3
18 48 c8 2
48 b9 2
19 50 c9 1
50 b10 1

N(t)
0 t
0 4 7 10 13 15 19 20 21 25 29 31 32 34 35 41 43 4748 50
Gambar-3.10. Profil kastemer.
Misalkan, digunakan beberapa variabel berikut :
N : jumlah kastemer dalam sistem saat ini.

T : waktu saat ini.
Tmaks : lama simulasi.
Ts : waktu pelayanan kastemer.
Ta : waktu kedatangan kastemer berikutnya.
K : total jumlah kedatangan selama simulasi.
TN : integral waktu dari N
Maka diagram alur dari sistem diatas dengan objektif rata-rata jumlah kastemer dalam
sistem (n) dan rata-rata waktu sebuah kastemer dalam sistem (w) dapat dilihat pada
Gambar-3.11.

Start
N=0; TN=0; K=0; T=0;

Ts : Randon arrival time
Print : TN / T ≈ ñ
T ≥ Tmax Y
W =TN / K
N
Stop
Arrival Next event Service
TN = TN + (Ta-T) * N;
TN = TN + (Ts-T) * N;
T = Ta; N = N +1; K = K+1;
T = Ts; N = N-1
Ta = T + Random arr. time
N N=1 N=0
Y Y N
Ts = T + Random service time Ts = T + Random service time
Gambar-3.11. Diagram alur untuk model one-server queueing system.

3.3 PEMODELAN SISTEM INVENTORI
Sebuah contoh model simulasi sebuah sistem dinamis adalah sebuah model system
inventori.
Contoh-3.3. ― Sebuah sistem inventori dimana sebuah distributor mengelola sebuah

inventori dari suatu item tertentu ‖.
Jika distributor kehabisan stok, kastemer akan mencari sumber lain untuk mengisi per-
mintaan yang tak terpenuhi, daripada menunggu suatu order ulang. Bila inventori berada
dibawah suatu level tertentu, distributor membuat suatu order inventori tambahan ke
pabrik. Distributor mempunyai kebijakan inventori yang dijabarkan dengan ukuran order
pengisian lagi dan level inventori (reorder point), yang memicu sebuah order baru ke
pabrik.
Ketika memilih kebijakan inventori, distributor memperhatikan:
a. Cost of carrying inventory, ( C H ),
b. Cost of ordering, ( C R ), dan
c. Penalty cost, ( C P ).
Misalkan: C H = $ 0.40 / unit / tahun

C R = $ 5.00 / order
C P = $ 1.00 / unit
Setiap hari distributor menerima permintaan dari kastemer dan setiap hari menge-
cek apakah stok tambahan harus diorder dari pabrik. Jika sebuah permintaan kastemer
tak dapat dipenuhi, maka sebuah permintaan parsial dikirimkan, dan tidak boleh terjadi
penolakan permintaan. Frekwensi relatif permintaan harian diberikan oleh Tabel-3.3.
Tabel-3.3. Frekuensi relatif permintaan harian.
Permintaan harian Prekwensi relatif
0 0.14
1 0.27
2 0.27
3 0.18
4 0.09
5 0.05
Jika distributor menempatkan sebuah order ke pabrik, biasanya tiba 4, 5, atau 6 hari
kemudian. Obyektif dari distributor adalah meminimumkan total biaya: Carrying,
Ordering, dan Penalty.
Graf kejadian yang merepresentasikan sistem ini diperlihatkan pada Gambar-3.12

berikut

t=1
t (order)
1 2 3
C(1)
Gambar-3.12. Graf kejadian sistem inventori.
Dimana
Variabel Status : Inv = inventori yang tersedia
O = status penempatan order
 1 = Sebuah order baru telah dikirimkan
 0 = Sebuah order baru belum dikirimkan
Kejadian : 1 = Permintaan untuk sebuah item
2 = Item sedang re-order
3 = Re-order tiba
Syarat : C(1) = Inventori kurang dari re-order point dan O = 0
Delays : t(order) = Waktu sampai re-order tiba
Jika diberikan barisan permintaan kastemer seperti pada Tabel-3.4, maka profil
inventori dapat dilihat pada Gambar-3.13.
Tabel-3.4. Barisan permintaan kastemer selama 19 hari.
Day Opening inventori Customer order Notes
1 20 5 Hari pertama Senin

2 15 3 reorder 30 unit, tiba
3 12 2 setelah 6 hari
4 10 4
5 6 1
6 5 0 Sabtu
7 5 0 Minggu
8 5 2
9 3 2
10 1 3 Tunda 2 unit order
11 30 2 tiba
12 28 1
13 27 0 Sabtu
14 27 0 Minggu
15 27 3
16 24 5
17 19 4
18 15 2
19 13 4

Karakteristik sistem:
INV(t)
30
20
10
0 t
0 5 10 15 20
Gambar-3.13. Profil inventori.
Misalkan:
Variabel tak terkendali (Exogenous variable)

DEMAND : permintaan kastemer hari ini
C_INV : cost of carrying
C_ORDER : cost of placing an order
C_PENALTY : cost of unfilled customer demand

Variabel keputusan (Exogenous variable)

Q : kuantitas order
S : reorder point
Variabel status (Endogenous variable)

INV : inventori saat ini
T_ORDER_ARRIVE : waktu order berikutnya tiba
O : status penempatan
Variabel ukuran (Endogenousvariable)

CUM_INV : komulasi inventori atas waktu
CUM_LOST : komulasi order tak terpenuhi
N_ORDERS : jumlah order ditempatkan
TOTAL_COST : total biaya yang dikeluarkan
ANNUAL_COST : TOTAL_COST / (T_FINAL / 365)
Simulationmodelvariable
T : waktu dalam hari (T = 1, 2, 3, …)
T_FINAL : jumlah hari sistem disimulasikan
dengan
TOTAL_COST = C_INV * CUM_INV + C_ORDER * N_ORDER +

C_PENALTY * CUM_LOST
Diagram alir dapat dilihat pada Gambar-3.13.
Lojik Gambar-3.13 telah diimplementasikan sebagai sebuah program komputer dan

sistem inventori disimulasikan selama tiga tahun, menggunakan biaya dan kebijakan
inventori diatas. Dan hasil yang diperoleh adalah sebagai berikut :
Rata-rata inventori = 19.25 unit

Rata-rata order per tahun = 20.075 order
Rata-rata permintaan hilang = 5.47 unit
Rata-rata biaya tahunan = $ 113.55.

START
T = 1; CUM_LOST = 0;
N_ORDERS = 0; CUM_INV = 0;
INV = INVo
PRINT :
T ≥ T_FINAL Y
ANNUAL COST
N
STOP
T=T_ORDER_ARRIVE Y
N INV = INV + Q
CUM_INV=CUM_INV+INV
T=T+1 N DEMAND > INV Y
CUM_LOST = CUM_LOST +
INV = INV - DEMAND DEMAND – INV;
INV = 0
N INV ≤ S Y
Y 0-1
SCHEDULE ORDER TO ARRIVE :

N_ORDERS = N_ORDERS + 1
Gambar-3.13. Diagram alir simulasi inventori.

3.4 SIMULASI MONTE-CARLO
Simulasi Monte-Carlo, didefinisikan sebagai sebuah skema pengerjaan bilangan random,

yaitu variabel random U(0,1), yang digunakan untuk memecahkan masalah stokastik atau
deterministik tertentu dimana aluran waktu memainkan sesuatu yang tidak berdiri sendiri.
Contoh-3.4. Andaikan bahwa kita ingin menghitung nilai integral berikut

b
I = 
a
g(x) d(x)
Dengan g(x) adalah sebuah fungsi bernilai riil yang secara analitik tidak dapat diinte-
gralkan.
(Dalam prakteknya, simulasi Monte-Carlo mungkin tidak digunakan untuk menghitung

sebuah integral tunggal, karena ada teknik analisis numerik yang lebih efisien untuk tujuan
ini. Hal ini lebih disukai untuk digunakan pada sebuah masalah integral rangkap dengan
sebuah integran mempunyai perilaku aneh).
Untuk melihat bagaimana masalah deterministik ini dapat didekati dengan simulasi
Monte-Carlo sebagai berikut.
Jika Y adalah variabel random (b – a) g(X), dimana X adalah sebuah variabel

random kontinu terdistribusi seragam (uniform) pada [a, b], dinyatakan dengan U(a,b).
Maka nilai terduga dari Y adalah
E(Y) = E[(b- a) g(x)] = (b – a) E[g(x)]

b
b  g ( x)dx
= (b  a)  g(x) f x (x) d(x) = (b  a) a
= I
a
(b  a )
dengan f x (x) = 1/(b- a) adalah fungsi padat probabilitas dari sebuah variabel random
U(a,b). Jadi masalah penghitungan integral telah direduksi menjadi sebuah pendugaan
nilai terduga E(Y). Dalam keadaan khusus, kita akan menduga E(Y) = I dengan rata-rata
sampel
n n
 Yi  g( X i )
Y ( n)  i 1
= (b  a) i 1
n n
dengan X 1 , X 2 , …, X n adalah variabel random U(a,b) yang identik dan independen.

Algoritma Monte-Carlo
Masukan : Batas integrasi: a, b dan jumlah sampel: n;

Keluaran : Nilai pendugaan integral: Y ;
Tahapan :
1. Masukkan nilai a, b, n;
2. Inisialisasi Jumlah = 0;
3. Untuk nilai i dari 1 sampai dengan n
3.1 Bangkitkan variabel random X i berdistribusi seragam di [a,b];
3.2 Hitung nilai Jumlah = Jumlah + g ( X i ) ;
4. Hitung Y = [(b - a) * Jumlah] / n;
5. Cetak Y .
Untuk mengilustrasikan skema diatas secara numerik, andaikan bahwa kita ingin
menghitung nilai integral

I = 
0
sin x dx
yang dapat diperlihatkan dengan menggunakan kalkulus elementer mempunyai nilai 2.

Tabel-3.8 menunjukkan hasil penerapan simulasi Monte-Carlo yang menduga nilai
integrasi ini untuk nilai n yang beragam.
Tabel-3.8. Y (n) untuk nilai n yang beragam dari penerapan

simulasi Monte-Carlo untuk menduga nilai integral.
N 10 20 40 80 160 …
Y (n) 2.213 1.951 1.948 1.989 1.993 …

3.5 LATIHAN
3.1 Sebuah permainan dadu terkenal disebut Craps mencakup pelemparan dua dadu. Pada
pelemparan pertama dari dadu, jika jumlah mata dadu yang keluar adalah 2, 3, atau 12,
pemain kehilangan apapun yang ia peroleh (bets). Jika jumlahnya adalah 7 atau 11, ia
memenangkan sebesar yang ia peroleh. Jika jumlahnya 4, 5, 6, 8, 9, atau 10, jumlah
ini menjadi ―point‖ dan pemain melanjutkan pelemparan dadu sampai salah satu point
keluar lagi atau sebuah 7 keluar. Jika point keluar, pemain memenangkan apapun yang
ia peroleh, sementara jika 7 keluar pemain kehilangan apapun yang diperolehnya.
menggunakan sebuah rantai Markov absorbing, permainan ini dapat dimodelkan
secara analitis, dengan status absorbing berupa MENANG atau KALAH dan status
non-absorbing berupa MULAI, 5, 5, 6, 8, 9, 10.
a) Konstruksikan sebuah graf kejadian untuk permainan ini !
b) Konstruksikan sebuah model simulasi dari permainan ini !
3.2 Seorang pengemudi bis harus menyediakan sejumlah tertentu pengembalian untuk para
penumpang yang tidak mempunyai uang pass. Jika pengemudi tidak dapat memberi-
kan pengembalian yang tepat penumpang diperbolehkan menumpang secara gratis.
Ongkos untuk menumpang bis adalah 35 sen dan pengalaman terdahulu menunjukkan
bahwa data uang kembalian penumpang untuk ongkos adalah sebagai berikut:
Uang kembalian Prosentase
1 quarter, 1 dime 20
1 quarter, 2 nickels 10
3 dimes, 1 nickel 05
2 dimes, 3 nickels 03
2 quarters 25
4 dimes 07
1 dollar bill 25
1 five dollar bill 05
a) Rumuskan masalah ini dalam unsur sebuah fungsi objektif dan kendala-kendala.
b) Konstruksikan sebuah diagram kejadian untuk sistem ini.
c) Konstruksikan lojik untuk sebuah model simulasi yang dapat digunakan untuk me-
nentukan campuran terbaik dari kembalian yang harus diberikan pengemudi ketika
ia memulai rute. Asumsikan bahwa lewat the course of the day sekitar 100 penum-
pang akan board bis.
3.3 Sebuah distributor tas plastik menjual sejumlah relatif kecil dari sebuah tipe tertentu
tas ke sejumlah kecil kastemer, tetapi sebagai tambahan, mempunyai tiga kelompok
kastemer yang akan mengorder jumlah yang sangat besar. Setiap empat minggu distri-
butor re-order ke pabrik untuk menjaga inventori dari tas lebih dari level yang diharap-
kan. Asumsikan bahwa permintaan tas pada sebagian kecil kastemer biasanya 100 per
hari, plus atau minus 10, sementara kastemer yang lebih besar akan mengorder jumlah
sesuai dengan tabel berikut

Kastemer Rata-Rata Deviasi Rata-Rata Deviasi

Ukuran Order Standar Waktu Antar Order Standar
A 1000 200 20 hari 10 hari

B 2000 400 15 hari 4 hari
C 3000 200 20 hari 8 hari
a) Konstruksikan sebuah model dari sistem inventori pengidentifikasi sebuah fungsi

objektif dan kendala ini. Identifikasi variabel keputusan dan parameter sistem.
c) Konstruksikan lojik dari sebuah model simulasi untuk sistem ini yang dapat diguna-
kan untuk mengevaluasi suatu kebijakan inventori distributor yang boleh jadi ingin
dipertimbangkan.
3.4 Sebuah bagian pengendalian jarak jauh suatu Negara yang terdiri dari lima satuan radar
digunakan untuk memberikan peringatan dini terhadap rencana-rencana tanpa ijin yang
datang kedalam daerahnya. Sebuah komponen tertentu dari radar is subject to sering
mengalami kegagalan dan untuk menjamin semua dari lima satuan beroperasi, kompo-
nen tambahan harus dijamin tersedia. Ketika satu dari radar mempunyai komponen
gagal seperti itu, sebuah komponen cadangan dipasang, jika tersedia. Komponen gagal
dikirim kembali untuk perbaikan dan akan dikembalikan atau diganti. Asumsikan bah-
wa waktu antar kegagalan dari komponen ini berdistribusi eksponensial dengan sebuah
rata-rata 20 hari, dan ketika sebuah komponen dikirimkan kembali untuk perbaikan,
ia akan membutuhkan tepat 15 hari sampai ia dikembalikan ke pusat radar.
Komponen adalah sangat mahal, dan karenanya it is desirable mempunyai tidak lebih
persediaan dari yang diperlukan.
a) Apakah variabel keputusan dan fungsi objektif untuk sistem ini ?
b) Konstruksikan sebuah diagram kejadian untuk sistem ini !
c) Konstruksikan lojik dari sebuah model simulasi untuk sistem ini yang dapat diguna-
kan untuk menentukan jumlah optimum dari banyaknya suku cadang !
3.5 Perhatikan kembali simulasi dari sistem berbagi waktu dalam Modul 03. Sekarang,
asumsikan bahwa atas kegagalan berhubungan, pengguna ditempatkan dalam sebuah
antrian dan terhubung ke port pertama yang dapat digunakan. Modifikasikan model
simulasi tahapan kejadian untuk mengakomodasi tipe sistem ini.
3.6 Perhatikan masalah estimasi berapa banyaknya ikan dari spesies tertentu dalam sebuah
danau. Sebuah pendekatan yang umum adalah menangkarkan n ikan, menandai mereka
dalam suatu cara penangkaran dan kemudian melepaskan mereka. Akibatnya, jika n
ikan ditangkar lagi dan k didapati bertanda, maka sebuah estimasi banyaknya ikan
dalam danau dapat dibuat menggunakan pendekatan berikut

Untuk membuktikan estimasi ini, semua ikan tak bertanda yang tertangkap ditandai
dan dilepaskan. Dengan mengulangi prosedur ini lagi dan lagi, estimasi yang lebih
baik dari banyaknya ikan dapat diperoleh.
a) Identifikasi variabel-variabel yang perlu dimasukkan dalam sebuah model simulasi
dari proses ini.
c) Konstruksikan diagram lojik untuk sebuah model simulasi dari proses ini.
3.7 Sebuah mesin pengepakan otomatis membutuhkan campur tangan operator secara
periodik untuk tujuan seperti: clearing jams, restocking packing materials, alignment,
dan perawatan secara periodik. Seorang operator dapat mengawasi beberapa operasi
mesin, tetapi jika sebuah mesin membutuhkan attendance ketika operator sedang sibuk
dengan mesin yang lain, ia menjadi berhenti (idle), menyebabkan kehilangan dalam
produksi. Di fihak lain, jika terlalu sedikit mesin yang ditugaskan diawasi seorang
operator, biaya operasi dari mesin-mesin boleh jadi menjadi mahal. Bayangkan sebuah
mesin yang membutuhkan campur tangan operator pada sebuah rata-rata tiga kali per
jam dan rata-rata lama waktu operator harus mengawasi mesin adalah 2.5 menit per
mesin. Asumsikan waktu antara panggilan bantuan operator dan lama bantuan adalah
variabel acak.
a) Rumuskan masalah ini dalam unsur sebuah fungsi objektif dan kendala-kendala !
b) Konstruksikan sebuah diagram kejadian untuk sistem ini !
c) Identifikasi variabel-variabel dalam sistem ini !
d) Konstruksikan sebuah diagram lojik yang dapat digunakan untuk membangun
sebuah model simulasi dari sistem ini.
3.8 Penyebaran sebuah rumor (atau secara serupa sebuah desease atau sebuah joke) lewat
sebuah populasi dari ukuran tertentu adalah sebuah fenomena yang biasa. Sebagai
sebuah penyederhanaan penyebaran rumor, asumsikan bahwa populasi termuat dalam
tiga kelompok yang mempunyai karakteristik sebagai berikut:
Kelompok I tidak pernah mendengarkan rumor,
Kelompok II telah mendengar rumor dan secara aktif menyebarkannya,
Kelompok III telah mendengar rumor dan tidak menyebarkannya.
Ketika anggota kelompok I mendengarkan rumor, mereka menyampaikan ke setiap
orang yang ia temui (menyatu ke kelompok II), sampai mereka menemukan seseorang
yang telah mengetahui rumor itu dan kemudian mereka berhenti menyebarkannya
(menyatu ke kelompok III).
Model simulasi dari proses ini telah digunakan untuk mengukur penyebaran
rumor dan ukuran-ukuran akhir dari tiga kelompok adalah ketika rumor tidak disebar-
kan lagi.
a) Identifikasi variabel-variabel yang akan digunakan untuk mensimulasikan proses
ini.
c) Identifikasi kejadian-kejadian dalam model simulasi.
d) Konstruksikan sebuah diagram alir lojik yang dapat digunakan untuk mensimulasi-
kan proses ini.

3.9 Dalam sebuah manajemen sistem basis data, para pengguna meminta catatan dari
sebuah file disk untuk membaca dan memproses. Dikarenakan ia butuh considerable
time dan effort to retrieve sebuah catatan dari sebuah file disk, sekali sebuah catatan
di-retrieved ia dipelihara dalam sebuah buffer area dari memori dan akan dipelihara
dalam memori sampai ia menjadi catatan paling lama dan ruang memorinya diperlukan
untuk menyimpan sebuah catatan baru.
Para pengguna retrieve catatan-catatan pada laju 1 catatan per menit dan sekali
sebuah catatan di-retrieved probabilitas bahwa ia akan dirujuk lagi adalah 0.50*1/k
dimana k adalah jumlah komulatif catatan-catatan yang telah di-retrieved pengguna
selama suatu sesi. Total banyaknya catatan yang seorang pengguna retrieves dalam
sebarang satu sesi adalah sebuah variabel acak K.
c) Identifikasi variabel-variabel keputusan dalam sistem.
e) Gambarkan sebuah diagram alir lojik yang dapat digunakan untuk mengkonstruksi
3.10 Sebuah masalah terkenal dalam teori probabilitas adalah paradoks St. Petersburg.
Paradoks tersebut menitikberatkan sebuah permainan kans yangmana sebuah uang
logam seimbang dilemparkan secara teratur sampai sebuah muka muncul. Jumlah
waktu dimana uang logam harus dilemparkan sampai muncul muka pertama adalah
sebuah variabel acak X berdistribusi sesuai dengan distribusi geometrik. Payoff da-
lam permainan adalah 2 meningkat dengan pangkat x, yaitu
a) Menggunakan distribusi geometrik, dapatkan payoff terduga dari permainan.

b) Simulasikan permainan 10.000 kali untuk mendapatkan payoff rata-rata.
c) Bagaimana Anda me-reconcile dramatically different payoffs sebagaimana disaran
kan oleh model analitis dan model numerik dari permainan.
3.11 Di kota Boston, MBTA menyediakan layanan bis diantara Boston dan Cambridge
dengan jadwal bis-bis setiap 20 menit. Jadwal bis adalah sedemikian hingga sebuah
bis tidak pernah tiba di pemberhentian lebih awal, tetapi dapat terjadi dimanapun ter-
lambat dari 0 sampai 10 menit. Di pemberhentian bis di tikungan Massachusetts Ave,
dan Huntington Ave penumpang tiba secara acak pada laju satu penumpang setiap
menit. Ketika bis tiba dimanapun ia boleh jadi mempunyai 20 sampai 45 penumpang
already aboard. Kapasitas dari bis adalah 50 penumpang, yang tidak dapat disentuh
oleh aturan. Ketika kapasitas sebuah bis tercapai, penumpang yang tersisa harus me-
nunggu sampai sebuah bis lain tiba.
a) Identifikasi kejadian-kejadian yang dapat dikaitkan dengan sistem transportasi
diatas.
c) Rumuskan masalah ini dalam unsur sebuah fungsi objektif dan kendala-kendala.
d) Konstruksikan sebuah diagram lojik yang dapat digunakan untuk mensimulasi-
kan sistem ini.

3.12 Seorang pebisnis sedang mempertimbangkan memasang sebuah operasi pencucian

dan wax otomatis untuk mobil-mobil pada sebuah corner lot. Agar kompetitif ia ha-
rus menarik tidak lebih dari $ 2.00 untuk mencuci sebuah mobil dan $ 3.00 untuk
sebuah gabungan mencuci dan wax.
Peralatan yang diperlukan untuk mencuci dan wax mobil-mobil yang datang
dalam dua konfigurasi, yaitu:
a) Hanya mencuci saja biaya : $ 30.000, dan
b) Mencuci dan (atau) wax biaya : $ 36.000
Peralatan mampu mencuci sebuah mobil dalam waktu 1.0 menit, dan mencuci dan
waxing sebuah mobil dalam waktu 1.25 menit. Berdasar pada suatu survey penunjang
dan pengamatan usaha pada level operasional dengan lokasi-lokasi yang serupa, ia
percaya kesempatan untuk mencuci dan waxing mobil-mobil di tempatnya bergantung
pada hari dalam satu minggu dan waktu dalam satu hari, sebagai berikut:
Senin - Jum’at Sabtu - Minggu
9 a.m. – 4 p.m. 35 9 a.m. – 12 a.m. 90
4 p.m. – 6 p.m. 50 12 a.m. – 4 p.m. 110
6 p.m. – 9 p.m. 40 4 p.m. – 6 p.m. 90
6 p.m. – 9 p.m. 40
c) Identifikasi kejadian-kejadian yang seharusnya tercakup dalam sebuah model
simulasi kejadian diskrit dari masalah ini.
e) Gambarkan sebuah diagram lojik yang dapat digunakan untuk memprogram model
dalam sebuah bahasa tingkat tinggi multi sasaran.
3.13 Sebuah sistem komputer berbagi waktu mempunyai sebuah disk 200M-bite (juta
bytes) tunggal. Rata-rata waktu untuk mengakses sebuah file adalah 40 milidetik.
Disk memuat file-file pengguna yang diminta secara relatif tidak sering dan file-file
sistem seperti compiler-compiler dan editor-editor, yang diakses sangat sering. Sis-
tem yang saat ini disk-I/O terbatas dengan penghampiran 1500 disk I/O per menit.
Sayangnya, 20 persen dari permintaan ini untuk file-file sistem dan sisanya 80 persen
untuk file para pengguna. Sistem operasi dirancang untuk berbagi CPU diantara
sebuah maksimum 25 pengguna. Setiap pengguna diberi sebuah quantum tetap dari
waktu CPU, tetapi jika selama suatu quantum sebuah I/O terjadi, quantum berakhir.
Sistem operasi kemudian memulai job berikutnya pada CPU. Sekitar 30 persen dari
I/O adalah ke disk. Ketika sebuah job sedang menunggu I/O, sistem operasi tidak me-
berinya sebuah quantum waktu. Quantum waktu saat ini adalah 0.01 detik. Selama
suatu quantum terdapat 50 persen kans sebuah I/O akan terjadi, sama seperti itu di-
manapun quantum. Untuk meningkatkan performansi sistem, telah disarankan bahwa
sebuah disk berkecepatan tinggi dengan head tetap digunakan untuk menyimpan
semua file-file sistem. Rata-rata waktu akses untuk tipe disk ini adalah 10 milidetik.
c) Identifikasi variabel-variabel dalam sistem.
d) Konstruksikan sebuah diagram lojik yang dapat digunakan untuk mensimulasikan
sistem ini.

3.14 Sebuah komunitas sedang mempertimbangkan sebuah departemen pemadam kebakar-

an kedua dan harus memutuskan dimana seharusnya ditempatkan. Untuk merencana-
kan tujuan ini, komunitas telah memutuskan kedalam enam daerah. Mengestimasi
frekwensi kebakaran dan pemanggilan bantuan telah dikompilasi dari catatan-catatan
masa lalu. Selanjutnya, estimasi waktu untuk keadaan darurat kendaraan-kendaraan
yang berjalan dari satu daerah ke daerah lain telah dibuat. Masing-masing departemen
akan mempunyai dua mesin pemadam dan dua kendaraan keadaan darurat. Panggilan
selalu dipenuhi oleh departemen pemadam kebakaran terdekat. Jika sebuah departe-
men pemadam kebakaran tidak dapat merespon terhadap sebuah panggilan karena
kedua mesin dan kendaraan keadaan darurat sedang dipanggil, stasiun yang lain men-
jawab panggilan. Sekitar 50 persen panggilan memerlukan sebuah mesin pemadam
kebakaran.
Asumsikan bahwa rata-rata waktu sebuah kendaraan berada di area kebakaran
adalah 45 menit dan waktu untuk menempuh antar daerah komunitas adalah sbb :
Rata-rata waktu perjalanan
Daerah 1 2 3 4 5 6
1 5 8 10 12 6 7
2 8 5 9 8 7 7
3 10 9 5 15 8 9
4 12 8 15 5 9 13
5 6 7 8 9 5 10
6 7 7 9 13 10 5
Selanjutnya, asumsikan bahwa frekwensi harian dari keadaan hidup atau keadaan
darurat untuk enam daerah rata-rata 2, 4, 6, 3, 5, dan 6. Lokasi stasiun dalam keadaan
hidup saat ini adalah dalam daerah 5.
c) Identifikasi variabel-variabel dalam sistem.
d) Konstruksikan sebuah diagram lojik yang dapat digunakan untuk membangun
3.15 Sebuah pertimbangan penting ketika merancang sebuah gedung bertingkat adalah sis-
tem elevator. Jika ia tidak mampu memindahkan secara tepat sejumlah banyak orang
dalam periode waktu yang pendek, dapat dibayangkan antrian dan penundaan boleh
jadi dihasilkan. Dengan kata lain, elevator-elevator sangat mahal dan memakan ruang
dalam gedung yang dapat diperuntukkan bagi pengguna-pengguna yang lain. Semua
sistem elevator dirancang untuk mengatasi beban puncak, biasanya pada waktu pagi
ketika para pekerja dalam gedung sedang tiba (dalam kasus sebuah gedung apartemen
ketika para penghuni pergi untuk bekerja). Beban yang diberikan pada sistem dapat
dijabarkan dalam unsur rata-rata jumlah orang pada lantai-i sedang ingin pindah ke
lantai- j. Kapasitas dari elevator diukur dengan kapasitasnya membawa penumpang
dan waktu yang diperlukan untuk menjelajahi berbagai lantai. Waktu perjalanan
adalah sebuah fungsi tak linier dari lantai yang dijelajahi sebelum berhenti dikarena-
kan percepatan dan perlambatan.

a) Rumuskan masalah perancangan sebuah sistem elevator dalam unsur sebuah

fungsi objektif dan kendala-kendalanya.
c) Jika sebuah model simulasi kejadian diskrit dari sebuah sistem elevator dikembang
kan, identifikasi kejadian-kejadian dalam model.
3.16 Bank darah mempunyai sebuah masalah untuk mana model-model simulasi harus di-
buktikan bermanfaat, khususnya sebagai sebuah aid dalam menetapkan level mini-
mum dan level maksimum untuk seluruh darah dengan tipe spesifik. Setelah semua
darah telah dikumpulkan, ia dapat disimpan hanya untuk sejumlah terbatas hari (biasa
nya 21 hari) sebelum ia harus dikurangi untuk serum darah. Ketika level dari semua
darah meningkat diatas level maksimum yang ditetapkan, beberapa darah yang lebih
lama direduksi menjadi serum atau dikirim ke sebuah pusat fasilitas dimana ia dapat
digunakan oleh bank darah lainnya. Jika level berada dibawah level minimum, sejum-
lah tambahan darah akan perlu diperoleh dari pusat fasilitas (yang melayani wilayah
Negara) atau donor-donor tertentu boleh jadi dihubungi untuk segera berdonor darah.
Dalam salah satu kasus, dapat dibayangkan biaya dan dampak akan diperbaiki untuk
meningkatkan level darah diluar minimum.
c) Jika sebuah model simulasi kejadian diskrit dari Bank darah dikembangkan,
identifikasi kejadian-kejadian dalam model.
d) Kembangkan sebuah diagram alir lojik yang dapat digunakan untuk mengkonstruk
sikan sebuah model simulasi Bank darah.
e) Sebuah masalah yang serupa ada untuk fasilitas regional. Lakukan lewat tahapan
(a) sampai dengan (c) untuk fasilitas regional.
DAFTAR PUSTAKA
1. Gordon G., “ System Simulation “, Prentice-Hall, New Delhi, 1989.

2. Hoover, S.V. and Ferry, R.F., ― Simulation: A ProblemSolving Approach “,Addison
Wesley, 1989.
3. Kelton, D. and Law, A.M., “ SimulationModelingandAnalysis “, McGraw-Hill,
NewDelhi,1991.

ModulPengembModelSim-2018

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

ModulPengembModelSim-2018

Diunggah oleh

Hak Cipta:

Format Tersedia

Modul 03

PENGEMBANGAN MODEL SIMULASI

TUJUAN INSTRUKSIONAL UMUM

TUJUAN INSTRUKSIONAL KHUSUS

Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 1

3.1 SEBUAH MODEL SIMULASI SEDERHANA

Model fisik percobaan ini diperlihatkan pada Gambar-3.1. berikut.

Gambar-3.1. Model fisik percobaan jarum bundel.

3.1.1 Sebuah Simulasi Percobaan Buffon-Needle

Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 2

Gambar-3.2. Model konseptual percobaan jarum bundel.

Model Matematika untuk percobaan ini adalah sebagai berikut

Jangkauan dari a dan  adalah

Algoritma simulasi buffon-needle dapat dilihat pada Gambar-3.3, sedangkan model

Bagaimana akurasi dari perkiraan ini ?

Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 3

Gambar-3.3. Algoritma buffon-needle.

Ketepatan (akurasi) untuk P ditentukan oleh banyaknya penjatuhan jarum dari

Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 4

Gambar-3.4. Model lojik dari percobaan jarum bundel.

Untuk menghitung selang kepercayaan (confidence interval), diasumsikan p̂ didekati

Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 5

disini p̂ menduga (estimate) p.

3.2 PEMODELAN SISTEM KEJADIAN DISKRIT

3.2.1 Representasi Kejadian Dalam Sistem

Disini, digunakan beberapa simbol berikut:

(i) - menyatakan kejadian ke-i,

 - menyatakan hubungan tak bersyarat,

--- (c)  - menyatakan hubungan bersyarat,

- menyatakan bahwa kejadian ke-i menuju ke kejadian ke-j

Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 6

Disini, variabel status dari sistem:

M(i) : status mesin ke-i : 0 - menunggu diperbaiki (service),

O(j) : status operator ke-j : 0 - menganggur (idle),

Kejadian diskrit yang terjadi:

1(i) : mesin ke-i minta diperbaiki, M(i)  .0

Syarat: c(1) - beberapa operator menganggur, O( j )  0

Model sistem direpresentasikan sebagai graf pada Gambar-3.5.

Gambat-3.5. Graf sistem kejadian diskrit.

Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 7

3.2.2 Sebuah Simulasi Model Antrian Dengan Pelayanan Tunggal

Ada dua tipe kejadian dalam sistem ini, yaitu:

Sebuah kedatangan adalah sebuah kejadian, sebab dapat mengakibatkan perubahan

Model direpresentasikan sebagai sebuah graf pada Gambar-3.6.

Gambar-3.6. Graf sistem antrian dengan layanan tunggal.

Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 8

Jika kita asumsikan bahwa:

3.2.3 Mekanisme Perkembangan Waktu (Time-Advance Mechanisms)

Pendekatan pengembangan waktu berdasar pada kejadian berikutnya

Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 9

- ti : waktu kedatangan kastemer ke-i ( t 0  0).

- Ai  t i  t i 1 : waktu antar kedatangan antara kastemer ke-(i-1) dan kastemer ke-i

- Si : waktu yang secara aktual diperlukan untuk melayani kastemer ke-i

- ci  t i  Di  S i : waktu pada saat kastemer ke-i selesai dilayani dan meninggalkan

Gambar-3.7 mengilustrasikan pendekatan next-event time advance untuk sebuah single-

Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 10

3.2.4 Komponen dan Organisasi Sebuah Simulasi Model Kejadian

Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 11

Gambar-3.8. Aliran kendali untuk pendekatan next-event time-advance.

Proses antrian berhubungan dengan :

- Kedatangan kastemer pada fasilitas pelayanan,

Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 12

Komponen sistem antrian : 1. Pola kedatangan (pertibaan) kastemer,