Walaupun pusat perhatian dari modul ini adalah pada model numerik kejadian diskrit, para
praktisi simulasi seharusnya mengenali kelas-kelas tertentu dari model analitis.
Pengembangan dari sebuah model analitis tidak seharusnya dipandang sebagai alternatif
dari pengembangan sebuah model simulasi, tetapi merupakan sebuah bagian integral dari
analisis simulasi. Para praktisi simulasi seringkali dikritik terhadappengurutan ulang
model simulasi yang kompleks dan mahal yang terlalu cepat, tanpa mempertimbangkan
model analitis sebagai alternatif. Kapanpun kita mengkonstruksi sebuah model dari
sebuah sistem, kita seharusnya memikirkan pandangan dari ahli statistik George E. Box: ―
Semua model adalah salah, tetapi beberapa model adalah berguna ―. Model analitis dapat
memberikan sebuah wawasan cepat dan berarti terhadap sifat-sifat sistem kejadian diskrit
yang kompleks. Selain itu, model analitis membantu dalam mengonstruksi, memvalidasi,
memverifikasi, dan menganalisis secara statistik model simulasi kejadian diskrit.
Sebuah model matematika adalah sebuah abstraksi dari sebuah sistem real. Ekspresi
matematis digunakan untuk menjabarkan hubungan antara elemen-elemen sistem yang
mana para analis percaya mereka relevan untuk menjawab kepentingan sistem. Formulasi
model seharusnya merefleksikan pertanyaan yang oleh para analis ingin jawab tentang
sistem real. Jika model dapat digunakan untuk menjawab pertanyaan ini dengan me-
nerapkan metode analitis dari matematika (seperti aljabar dan kalkulus), maka kita sebut
model analitis. Jika pertanyaan model itu jawabannya hanya dapat diperoleh dengan
metode analisis numerik maka model itu kita sebut sebuah model numerik atau model
simulasi. Jarang adasebuah pilihan pemodelan sistem yang jelas antara: pemodelan
dengan sebuah model analitis atau pemodelan dengan sebuah model simulasi. Seringkali
kasus yang banyak dipahami diperoleh menggunakan kedua tipe model, dengan masing-
masing model memberikan persektif yang berbeda dari sistem yang sedang dimodelkan.
Contoh-4.1. Sebagai sebuah contoh untuk sebuah sistem yang dapat dimodelkan dengan
sebuah model analitis dan sebuah model simulasi, perhatikan Paradoks St. Petersburg
yang terkenal. Paradoks itu menitikberatkan tentang sebuah permainan kesempatan
(chance), dimana seorang pemain melemparkan sebuah pasangan uang logam sampai
sebuah bagian depan (head) dari uang logam muncul. Hadiah untuk pemain sebesar ,
dimana x adalah banyaknya pelemparan yang dilakukan sampai uang logam meng-
hasilkan bagian depan. Berapakah harga wajar yang harus dibayar untuk memainkan
permainan itu? Seorang pemain seharusnya mau (sudi) untuk membayar sekurang-
kurangnya $ 2.00, karena itu adalah hadiah minimumnya (x = 1).
Sebuah penggunaan utama dari model analitik adalah dalam memverifikasi model
simulasi. Seringkali parameter dan asumsi model simulasi dapat dipilih berhubungan
dengan sebuah model analitis sederhana. Dibawah keadaan ini kita dapat memutuskan
ketidakbenaran logika model simulasi dengan membandingkan keluaran model simulasi
dengan hasil teoritis model analitik. Model analitik dapat juga digunakan untuk me-
nentukan perubahan arah secara umum dalam perilaku sistem sebagaimana parameter
dari sistem berubah. Jika model simulasi tidak menampilkan sifat-sifat umum yang terus
untuk model analitis, kita mungkin mempunyai alasan untuk menanyakan kebenaran dari
model simulasi dan seharusnya menyelidiki secara hati-hati alasan bagi sifat-sifat tak
terduga model simulasi. Seseorang boleh jadi, atas penyelidikan lanjutan mendapatkan
sebuah penjelasan murni untuk sifat-sifat tak terduga model, dalam kasus mana model
analitis dibantu dalam memvalidasi model kita.
Contoh-4.2. Untuk menentukan sebuah harga wajar yang harus dibayar untuk memain-
kan permainan Paradoks St. Petersburg, kita akan membangun sebuah model analitis
permainan yang akan memberikan pada seorang pemain perkiraan hadiahnya. Jika x
adalah banyaknya pelemparan sampai munculnya bagian depan yang pertama, maka
( ) ( ) ( ), x = 1, 2, …
dan
( ) ( ) ∑ ( ) ( )
( ) ∑ ( ) ∑
Jadi paradoks, meski separuh waktu kita akan hanya menang $ 2.00 kemenangan terduga
tak terbatas. Model analitik menyarankan bahwa tidak terdapat jumlah terlalu besar yang
harus dibayar untuk memainkan permainan. Sebuah argumentasi penyanggahnya adalah
bahwa permainan harus berakhir untuk selamanya untuk merealisasikan kemenangan
seperti itu. Tetapi ini sebuah argumentasi lemah, untuk itu jika kita modifikasi hadiah
menjadi:
Maka hadiah terduga masih $ 1.000.000. Akankah Anda membayar setengah dari jumlah
ini untuk memainkan permainan itu ?
Model analitis telah memberi kita sesuatu untuk dipikirkan. Ini adalah salah satu
sudut pandang dari permainan yang berharga, tetapi apakah itu merupakan sebuah sudut
pandang yang lengkap?
Tetapi, pemodelan sebuah sistem dengan sebuah model simulasi mempunyai kele-
mahannya. Model simulasi seringkali sangat mahal untuk membangun dan memvalidasi,
dan lamanya waktu boleh jadi melewati antara awal dari lahirnya model simulasi dan
konstruksi akhirnya dan validasi model. Menganalisis keluaran sebuah model simulasi
juga seringkali sulit, khususnya jika model mencakup banyak elemen stokastik. Selain itu,
model simulasi hanya memberi kita sebuah pendugaan sifat-sifat sistem, dan membutuh-
kan penggunaan statistik untuk menggambarkan kesimpulan yang tepat tentang sistem.
Contoh-4.3. Dalam bagian sebelumnya kita melihat bahwa kemenangan terduga dalam
Paradoks St. Petersburg adalah salah satu: tak terbatas atau dapat dibuat sebarang
besarnya. Meskipun ini merupakan sebuah fitur menarik dari permainan, hal itu tidak
membantu kita memutuskan berapakah sebuah harga yang wajar untuk permainan. Catat
bahwa ketika permainan dimainkan, setengah kali kemenangan adalah hanya $ 2.00.
Sebuah pendekatan alternatif untuk memilih sebuah harga pada permainan adalah
mengkonstruksi sebuah model simulasi dari permainan dan kemudian memainkan
permainan berkali-kali, membuat sebuah catatan jumlah kemenangan setiap kali
permainan dimainkan. Tabel-4.1 memperlihatkan hasil simulasi permainan untuk berbagai
jumlah permainan dimainkan.
10 5.60 32
50 4.90 1024
100 13.56 256
500 21.48 4096
1000 11.94 1024
10000 12.56 8192
Prosedur
1 Masukkan ―Banyaknya permainan yang dimainkan = ‖, N;
2 Inisialisasi: Hasil = 0; Total = 0; x = 1;
3 Untuk i = 1 s/d N kerjakan 3.1-3.3
3.1 Selama Hasil = 0 kerjakan 3.1.1-3.1.2
3.1.1 Bangkitkan Hasil Random[1];
3.1.2 Jika Hasil = 0 maka x = x + 1;
3.2 Hadiah =
3.3 Total = Total + Hadiah;
4 Rata-rata = Total/N;
5 Cetak Rata-rata;
Banyak sistem kejadian diskrit dapat dimodelkan sebagai sistem yang melakukan transisi
antar sejumlah kumpulan berhingga status. Beberapa contoh dari sistem seperti itu di-
perlihatkan dalam Tabel-4.2.
Sistem Status
Status sebuah sistem boleh jadi lebih dari satu dimensi; jika lebih dari 2, model
analitis dari sistem seringkali tidak dipraktekan untuk dikembangkan. Tetapi, jika status
dari sistem adalah satu dimensi dan sistem mempunyai sifat Markov, maka model analitis
seringkali lebih mudah dikonstruksi dan dapat menjadi sangat berguna dalam memahami
sistem.
( ) | ( ) ( ) ( ) ( ) | ( ) (4.1)
Persamaan (4.1) secara sederhana berarti bahwa probabilitas sistem melakukan transisi
berikutnya ke status hanya bergantung pada status sistem saat ini. Sistem seperti itu
terkadang disebut sebuah sistem tanpa memori (memoryless), yang menyatakan bahwa
sistem tidak dapat mengingat lintasan (path) yang ia jejaki untuk mencapai statusnya saat
ini. Jika persamaan (4.1) dipenuhi, maka kita dapat mendefinisikan probabilitas transisi :
[ ( ) | ( ) ]
dan
[ ( ) | ( ) ]
Jika banyaknya status sistem adalah berhingga, maka kita dapat mendefinisikan
matriks transisi, P, sebagai berikut
[ ], dimana ∑
Contoh-4.4. Sebuah diler mobil bekas akan merawat dua mobil dari sebuah model sport
yang diinginkan. Pada sebarang hari yang diberikan probabilitas bahwa akan ada seorang
pembeli untuk mobil sport model ini adalah 0.20, dan probabilitas dua pembeli adalah
0.04. Secara serupa, setiap hari probabilitas bahwa diler akan mempunyai kesempatan
membeli satu model dari mobil itu adalah 0.30 dan probabilitas bahwa ia dapat membeli
dua mobil adalah 0.09. Setiap kali diler mempunyai dua mobil dalam stok, ia berhenti
membeli. Diler tidak boleh menjual mobil yang tidak ia miliki dalam stok. Ketika diler
membeli sebuah mobil, ia tidak boleh menjualnya sampai hari berikutnya.
Kita dapat memodelkan sistem ini sebagai sebuah rantai Markov, dengan pemisalan
status dari sistem yang berhubungan dengan banyak mobil yang dimiliki diler dalam
stok. Disini, unsur dari matriks transisi adalah nilai probabilitas transisi yang dihitung
dengan mempertimbangkan bahwa untuk setiap status kejadian yang mungkin dapat
terjadi selama satu hari, yaitu sebagai berikut:
Probabilitas ada seorang pembeli untuk mobil sport model ini adalah 0.20, yang berarti
;
Probabilitas ada dua pembeli adalah 0.04, yang berarti ;
Probabilitas bahwa diler akan mempunyai kesempatan membeli satu model dari mobil itu
adalah 0.30, yang berarti ;
Probabilitas bahwa diler dapat membeli dua mobil adalah 0.09, yang berarti ;
Probabilitas bahwa sistem akan melakukan transisi dari status-1 ke status-0 adalah
probabilitas satu atau lebih pembeli dan tidak ada mobil yang menjadi tersedia adalah
(0.04 + 0.20) x 0.61 = 0.24 x 0.61 = 0.1464, yang berarti ;
Probabilitas sistem melakukan sebuah transisi dari status-1 kembali ke status-1 adalah
(probabilitas satu atau lebih pembeli dan satu atau lebih mobil tersedia), atau (tidak ada
pembeli dan tidak ada mobil yang tersedia) adalah
[(0.20 + 0.04) x (0.30 + 0.09)] + (0.76 x 0.61) = 0.24 x 0.39 + 0.4636
= 0.0936 + 0.4636 = 0.5572,
yang berarti
Status di saat t + 1
0 1 2
( )
0 1
0.1464
0.09 0.2964
0.04 0.20
0.76
Definisi-4.2. Sebuah rantai Markov adalah teratur (regular) jika untuk suatu k,
untuk semua i, j. Yaitu, sebuah rantai Markov adalah teratur jika setelah k atau lebih
transisi dimungkinkan berada dalam sembarang status.
Probabilitas sistem menempati sembarang status dari n statusnya setelah k transisi di-
definisikan sebagai vektor probabilitas berikut
( ) ( ) ( ) (4.2)
( ).
( ) | ( ) (4.5)
Yaitu, adalah probabilitas bahwa sistem berada dalam status-j diakhir dari
transisi ke-k, jika diberikan sistem pada awalnya berada dalam status-i.
(4.6)
∑ ( )
Sebanyak n persamaan dalam adalah tidak saling bebas dan salah satu dari
persamaan dapat dieliminasi.
(ii) Sebuah sifat yang kedua dari rantai Markov regular adalah jumlah transisi terduga di-
perlukan untuk mengubah dari status-i ke status-j atau the first-passage times.
Untuk mendapatkan matriks dari first-passage times, pertama-tama kita definisikan
( ) (4.8)
dimana I = matriks identitas
( ) (4.9)
dengan setiap baris dari W adalah distribusi stasioner dari sistem yang diperoleh meng-
gunakan persamaan (4.6) dan (4.7), dan
Definisi-4.3. Sebuah rantai Markov adalah absorbing jika terdapat satu atau lebih status
sehingga (Yaitu, sebuah rantai Markov adalah absorbing jika memungkinkan
masuk ke sebuah status yang tak dapat dikeluarkan).
Dua sifat dari kepentingan khusus dalam sistem yang termodelkan sebagai sebuah
rantai Markov absorbing adalah probabilitas menjadi absorbed dalam sebuah status
tertentu dan rata-rata jumlah transisi sebelum membuat transisi ke sebuah status absorbing.
Kunci untuk kedua pertanyaan ini diperoleh dalam matriks fundamental N, dimana
( ) (4.11)
Itu dapat diperlihatkan untuk matriks N, adalah rata-rata banyaknya kali sebuah
sistem, ketika diawali dalam status non-absorbing, i, akan berada dalam status non-
absorbing, j, sebelum membuat sebuah transisi ke salah satu dari r status absorbing.
Jumlah dari s elemen dalam baris-i memberi kita rata-rata banyaknya transisi sebelum
penyerapan (absorbtion).
Untuk menentukan probabilitas memasuki status absorbing ke-r dari sebuah status
non-absorbing awal, kita sekali lagi menggunakan matriks fundamental untuk mem-
bentuk
(4.12)
Disini, memberikan probabilitas menjadi absorbing dalam status-r, jika sistem yang
diberikan diawali dalam status-i.
Pemasok berikutnya
A B C
Selain itu, ukuran paket dari setiap produk berbeda dan akibatnya waktu antara
pembelian bervariasi dengan pemasok. Distribusi waktu antara pembelian diperlihatkan
berikut
Dua model alternatif dari masalah ini adalah (i) sebuah model analitis rantai
Markov dan (ii) sebuah model simulasi rantai Markov.
(i) Pertama, kita akan memodelkan sebagai sebuah model analitis rantai Markov. Masalah
ini dapat dimodelkan sebagai sebuah rantai Markov regular jika kita membuat asumsi
penyederhanaan: bahwa dalam 100 hari berikutnya seorang konsumen akan melakukan
tiga pembelian. Maka matriks transisi untuk model analitis rantai Markov regular adalah
[ ].
Jika diasumsikan pada saat awal pemasaran kondisi pasar terdistribusi secara merata
sehingga
( ⁄ ⁄ ⁄ ) ( )
maka setelah 100 hari diperoleh
( )( )
( ).
Artinya distribusi pasar dari para memasok setelah selama 100 hari promosi adalah
{ }
(ii) Sebuah model simulasi dari masalah ini dapat mencakup variasi dalam waktu antar
pembelian untuk keduanya, yaitu: saat suatu pembelian terjadi dan saat pembelian
berikutnya, terhadap produk masing-masing pemasok. Berdasar pada sebuah simulasi
dari 10000 kastemer, setelah 100 hari perusahaan A akan mempunyai 50.2% pasar
sementara perusahaan B dan C masing-masing akan mempunyai 24.9% pasar.
Dengan memberdayakan pembnangkitan bilangan acak, maka prosedur dari simulasi
ini adalah sebagai berikut:
Prosedur
1 Inisialisasi: N = 10000; Waktu = 0; A = 0; B = 0; C = 0;
2 Untuk i = 1 s/d N kerjakan 2.1-2.2
2.1 Bangkitkan Kas Random[2];
2.2 Selama Waktu < 100 kerjakan 2.2.1-2.2.3
2.2.1 Jika Kas = 0 kerjakan:
Bangkitkan Pilih1 Random;
Jika Pilih1 < 0.6 maka
A = A +1; Waktu = Waktu + 25 + Random[20];
Jika Pilih1 < 0.8 maka
Kas = 1; B = B +1; Waktu = Waktu + 22 + Random[16];
Kas = 2; C = C + 1; Waktu = Waktu + 20 + Random[10];
2.2.2 Jika Kas = 1 kerjakan:
Bangkitkan Pilih2 Random;
Jika Pilih2 < 0.4 maka
Kas = 0; A = A +1; Waktu = Waktu + 25 + Random[20];
Jika Pilih2 < 0.7 maka
B = B +1; Waktu = Waktu + 22 + Random[16];
Kas = 2; C = C + 1; Waktu = Waktu + 20 + Random[10];
2.2.3 Jika Kas = 2 kerjakan:
Bangkitkan Pilih3 Random;
Jika Pilih3 < 0.4 maka
Kas = 0; A = A +1; Waktu = Waktu + 25 + Random[20];
Jika Pilih3 < 0.7 maka
Kas = 1; B = B +1; Waktu = Waktu + 22 + Random[16];
C = C + 1; Waktu = Waktu + 20 + Random[10];
3 Cetak Pasar-A = A/N; Pasar-B = B/N; Pasar-C = C/N;
Contoh-4.6. Tiga tank: A, B, dan C terlibat dalam pertempuran. Kekuatan dari setiap
tank diukur dengan probabilitas bahwa ia dapat melumpuhkan sebuah lawan dalam satu
tembakan. Probabilitas tank A melumpuhkan sebuah lawan adalah 0.50 sementara
probabilitas dari B dan C melumpuhkan sebuah lawan berturut-turut 0.40 dan 0.30.
Waktu antara penembakan adalah sebuah variabel acak terdistribusi eksponensial dengan
sebuah rata-rata 1.0 menit. Sebuah tank selalu menembaki sisa lawan yang terkuat.
Pertempuran dilanjutkan sampai satu atau tidak ada tank yang tersisa.
(i) Sebuah model rantai Markov absorbing dari sistem ini dapat disusun jika kita
asumsikan bahwa: semua tank menembak pada waktu yang sama. Yaitu, kita tidak akan
memasukkan dalam fakta bahwa waktu antara penembakan adalah variabel acak. Di
bawah asumsi ini dimungkinkan bagi pertempuran untuk diakhiri dengan tiga tank
semuanya dilumpuhkan. Matriks transisi P untuk model rantai Markov absorbing dapat
secara langsung diturunkan dari probabilitas diatas sebagai berikut
- A B C ABC AB AC BC
- 1.0 0 0 0 0 0 0 0
A 0 1.0 0 0 0 0 0 0
B 0 0 1.0 0 0 0 0 0
C 0 0 0 1.0 0 0 0 0
ABC 0 0 0 .29 .21 0 .21 .29
AB .20 .30 .20 0 0 .30 0 0
AC .15 .35 0 .15 0 0 .35 0
BC .12 0 .28 .18 0 0 0 .42
( )
[( ) ( )]
( ).
ABC AB AC BC
( ) ( )
( ).
- A B C
(ii) Dalam model simulasi tank tidak keluar secara serentak. Ini mengeliminasi peluang
semua dari tiga tank terpukul ketika pertempuran berakhir. Model kita tidak memberikan
pada kita suatu petunjuk akan bagaimana mendistribusi ulang probabilitas dari kejadian ini
ke tank A, B, atau C menang.
Ketika sebuah model simulasi pertempuran dikonstruksi dan digunakan untuk
mensimulasikan 30.000 episode, kita peroleh
( )
{ ( ) }.
( )
Rata-rata waktu sebelum pertempuran berakhir dengan satu tank yang tersisa adalah 2.19
menit. Perbedaan utama antara model analitis dan model simulasi adalah bahwa dalam
model simulasi kita memasukkan fakta bahwa waktu antar keluar adalah sebuah variabel
acak yang tetap 1.0 menit. Jadi dalam model simulasi, tank-tank tidak dapat secara
bersamaan menonaktifkan satu sama lain.
Dari analisis ini kita sekali lagi dapat melihat bahwa dua model yang berbeda dari
sistem yang sama dapat sangat berguna dan komplementer. Model Markov sangat mudah
untuk dikonstruksi dan jawaban hasil dengan operasi matriks sederhana. Model simulasi
memungkinkan lebih banyak aspek pertempuran yang dapat dimasukkan, tetapi mem-
butuhkan pengembangan sebuah model komputer. Model rantai Markov dan model
simulasi keduanya mengindikasikan bahwa pertempuran akan sangat singkat dan yang
terkuat dari tiga tank mempunyai peluang masih hidup paling tinggi.
Sebuah sistem kemacetan (congestion) boleh jadi secara luas dijabarkan sebagai sebuah
sistem dimana terdapat sebuah permintaan untuk sumberdaya-sumberdaya dari sebuah
sistem, dan ketika sumberdaya itu tidak tersedia mereka yang meminta sumber daya
menunggunya sampai sumberdaya tersebut menjadi tersedia. Yaitu, sistem menjadi macet
/ tersendat karena menunggu permintaan untuk suatu sumberdayanya. Level kemacetan
dalam sistem seperti itu seringkali diukur dengan baris tunggu atau antrian dari permintaan
sumberdaya. Untuk alasan ini model sistem kemacetan sering dirujuk sebagai model
antrian. Kita akan menggunakan istilah model kemacetan, model antrian, dan model baris
tunggu dapat ditukar-tukar. Contoh dari sistem seperti itu mencakup permintaan kastemer
untuk layanan teller di sebuah bank, checkout kastemer pada sebuah supermarket,
pemrosesan pekerjaan yang menunggu pada sebuah pabrik, dan proses-proses dalam
sebuah sistem komputer menunggu CPU. Walaupun model simulasi kejadian diskrit
sering digunakan untuk menganalisis sistem kemacetan, model analitis lebih sederhana
dari sistem kemacetan dapat membantu menjelaskan sifat-sifat sistem kemacetan yang
lebih kompleks. Sebagai tambahan, pengetahuan model kemacetan analitis sering kali
berguna dan membantu dalam perancangan dan validasi model simulasi dan dalamanalisis
statistik dari keluaran simulasi sistem kemacetan. Dalam bagian ini, kita akan mem-
pertimbangkan sejumlah model klasik sistem kemacetan, khususnya memperhatikan sifat-
sifat dari model ini yang akan berguna dalam memahami sistem yang lebih kompleks,
yang harus dimodelkan menggunakan simulasi kejadian diskrit.
( )
Waktu antar pertibaan terduga adalah varians dari waktu antar pertibaan adalah .
Distribusi eksponensial memainkan sebuah peran sentral dalam model antrian karena ia
adalah sebuah distribusi yang tidak mampu mengingat (memoryless). Yaitu,
( ) ( ).
Untuk sebuah proses pertibaan, sifat ini berarti bahwa probabilitas dari sebuah per-
tibaan selama b satuan waktu berikutnya adalah terbebas dari ketika pertibaan terakhir
terjadi. Sebagai contoh, jika sebuah pertibaan baru saja terjadi atau jika kita telah
menunggu 20 menit untuk sebuah pertibaan, probabilitas sebuah pertibaan selama 5menit
tersisa berikutnya sama. Dapat diperlihatkan bahwa variabel acak kontinyu yang tidak
mampu mengingat adalah hanya terdistribusi eksponensial. Juga dapat diperlihat-kan
bahwa jika waktu antar pertibaan terdistribusi eksponensial dengan rata-rata , maka
distribusi banyaknya pertibaan selama interval satuan waktu adalah sebuah distribusi
Poisson dengan rata-rata 1/
Kharakteristik yang lain dari sebuah proses pertibaan mencakup apakah populasi
kastemer terhingga atau takterhingga dan apakah rata-rata waktu antar pertibaan konstan
atau berubah terhadap waktu. Jika populasi kastemer berhingga, laju pertibaan kastemer
yang dikurangi sebagaimana banyaknya kastemer dalam sistem meningkat. Ketika rata-
rata waktu antar pertibaan berubah terhadap waktu, kita mempunyai sejumlah lebih
kompleks sistem antrian dan seringkali harus resort ke model simulasi kejadian diskrit
untuk menganalisis sistem. Proses pelayanan dikarakteristikkan dengan distribusi waktu
untuk melayani sebuah pertibaan dan banyaknya pelayan. Model sistem kemacetan
seringkali mengasumsikan waktu pelayanan terdistribusi eksponensial, dengan demikian
memfasilitasi pengembangan model analitis sistem kemacetan. Banyaknya pelayan boleh
jadi satu atau lebih, mungkin takhingga, dan paling sering diasumsikan bahwa laju dimana
kastemer dapat dilayani adalah lebih besar dari laju dimana kastemer tiba. Model
kemacetan analitis paling sering mengasumsikan bahwa waktu pelayanan untuk semua
pelayan terdistribusi identik.
Sebuah parameter penting dari setiap sistem kemacetan adalah intensitas lalu lintas-
nya, yang didefinisikan secara luas sebagai
( )
dimana c adalah banyaknya pelayan.
Tetapi, untuk menggunakan definisi ini kita harus mengasumsikan bahwa laju
pertibaan dan laju pelayanan bukan merupakan fungsi dari variabel sistem yang lain
seperti banyaknya kastemer dalam sistem, dan tidak bergantung atas waktu.
Jika intensitas lalu lintas dari sebuah sistem kemacetan mencapai 1,0, kemacetan
dalam sistem akan tumbuh tanpa batas. Dalam analisis suatu sistem kemacetan,
menggunakan salah satu: sebuah model analitis atau sebuah model simulasi, seseorang
seharusnya selalu mengetahui apakah intensitas lalu lintas kurang dari 1.0. Ketika
intensitas lalu lintas dalam sebuah sistem kemacetan lebih besar 1.0 analisis dari sistem
menjadi jauh lebih sulit.
Disiplin antrian menjabarkan urutan dimana pertibaan dilayani. Disiplin antrian yang
paling umum adalah yang tiba pertama dilayani lebih dulu (FIFO / First-In-First-Out),
antrian berdasar prioritas (priority queues), waktu layanan terpendek didahulukan (shortest
service time first) dan pemilihan secara acak (random selection) untuk pelayanan
berikutnya. Disiplin antrian juga mencakup kharakteristik dari system seperti ebuah
panjang antrian maksimum (ketika antrian mencapai maksimum ini, pertibaan ditolak /
digagalkan) dan kastemer mengingkari (kastemer menunggu dalam barisan menjadi tidak
sabar dan meninggalkan sistem sebelum dilayani).
Kendal [7] mengembangkan sebuah sistem untuk mengklasifikasi model sistem antrian
yang berbentuk
A/B/s
dimana : A menspesifikasikan proses pertibaan (arrival process),
B menspesifikasikan proses pelayanan (service process), dan
S menspesifikasikan banyaknya pelayan (number of server).
A/B/s/K/E
dimana K adalah maksimum banyaknya kastemer yang diijinkan kedalam sistem dan E
adalah disiplin antrian.
Simbol-simbol yang pada umumnya digunakan untuk sistem klasifikasi
Walaupun terdapat banyak cara dimana karakteristik performansi dari sebuah sistem
kemacetan dapat diukur, ukuran yang paling sering digunakan adalah
( ) ( )
( ) ( ) (4.15)
( ) ( )
( ) ( ) ( ) n = 1, 2, …
( )
( ) ( ) (4.16)
( )
( ) ( ) ( ) , n = 1, 2, … (4.17)
Dalam pengembangan ini kita dapat mempunyai λ dan menjadi bergantung atas waktu
dan status sistem, menghasilkan sebuah himpunan persamaan yang lebih umum
( )
( ) ( ) ( ) ( ) (4.18)
( )
( ) ( ) [ ( ) ( )] ( ) ( ) ( ) (4.19)
Apakah ada sebuah nilai batas pada nilai maksimum dari n, sistem persamaan
differensial ini dapat diselesaikan menggunakan prosedur analisis numerik yang biasanya
digunakan. Probabilitas yang dihasilkan oleh pemecahan ini adalah pasti (dalam ketelitian
numeris dari prosedur yang digunakan) sebagai pembanding terhadap pendugaan
probabilitas status yang diperoleh dari sebuah simulasi sistem diskrit. Jika tidak ada batas
atas dapat dipilih pada banyaknya kastemer maksimum dalam sistem, kita dapat selalu
memaksakan sebuah batas atas dan memperoleh sebuah pemecahan pendekatan numerik
terhadap Persamaan (4.16) dan (4.17).
Contoh-4.7. Dalam sebuah sistem kerja, dua teknisi ditugaskan melayani delapan mesin.
Mesin-mesin ini secara periodik membutuhkan layanan dari para teknisi. Jika sebuah
mesin membutuhkan layanan tetapi para teknisi sedang sibuk, mesin harus menunggu
sampai seorang teknisi siap melayaninya. Ketika sebuah mesin sedang berjalan, laju
permintaan layanan adalah satu mesin per jam. Rata-rata waktu untuk melayani sebuah
mesin adalah 30 menit (misal: laju layanan setiap teknisi adalah dua per jam).
Karena mengandung unsur laju, maka model analitis berupa kumpulan persamaan
differensial. Untuk mengembangkan persamaan differensial yang berhubungan dengan
sistem ini, pertama kita menentukan bahwa laju pertibaan dan laju pelayanan ,
yaitu:
0 8 0
1 7 2
2 6 4
3 5 4
4 4 4
5 3 4
6 2 4
7 1 4
8 0 4
( )
( ) ( )
( )
( ) ( ) ( )
( )
( ) ( ) ( )
( )
( ) ( ) ( )
( )
( ) ( ) ( )
( )
( ) ( ) ( )
( )
( ) ( ) ( )
( )
( ) ( ) ( )
( )
( ) ( )
Pemecahan bergantung atas waktu untuk sistem persamaan ini dapat diperoleh
dengan menggunakan metode numerik. Pertama, kita mendapatkan nilai bergantung atas
waktu dari persamaan differensial untuk sistem ini menjadi ( ) t = 0, 1, 2, …, 8, kita
dapat memandang sifat bergantung atas waktu dari sistem. Untuk empat jam pertama dari
operasi diperoleh
( ) ∑( ) ( )
( )
untuk semua n. Ketika sebuah M/M/s adalah dalam kondisi mapan, kita dapat menulis-
kan ulang Pers. (4.16) dan (4.17) sebagai berikut
(4.20)
( ) (4.21)
Kumpulan persamaan yang relatif sederhana ini menyediakan solusi analitis ter-
hadap sejumlah besar sistem antrian. Karena maksud dari bagian ini adalah menjelaskan
daripada sebuah analisis kedalaman model antrian, kita tidak akan mengembangkan
penyelesaian analitis. Sebagai gantinya, kita akan memberikan ukuran performansi dari
sejumlah sistem M/M/s yang sering berguna sebagai sebuah model pertama lolos dari
sistem kemacetan yang lebih kompleks . Kita juga akan menggunakan model ini sebagai
panduan untuk performansi dari sistem antrian yang lebih kompleks. Pendapat kami
bahwa sebelum seseorang mencoba memodelkan dan menganalisis sistem kemacetan yang
kompleks, penting bahwa seseorang memahami bagaimana system yang lebih sederhana
dan lebih elementer bertingkah.
Model M/M/1/ /
Dalam model ini kita akan mendefinisikan .
( ) n = 0, 1, … (4.22)
(4.23)
(4.24)
( ) (4.25)
Walaupun model M/M/1 merupakan model yang paling sederhana yang akan kita
perhatikan, merupakan sebuah model yang baik untuk banyak sistem kemacetan dan juga
mendemonstrasikan banyak sifat-sifat penting mereka. Menggunakan model M/M/1
marilah kita memperhatikan hubungan antara panjang antrian, dan intensitas lalu
lintas, ρ.
Contoh-4.8. Sebuah bank telah menanuh sebuah Automatic Teller Machine (ATM) dalam
sebuah gedung perkantoran dan digunakan oleh sejumlah besar kastemer bank. Rata-rata
waktu yang diperlukan untuk melayani seorang kastemer adalah 50 detik dan rata-rata
banyaknya kastemer sedang ingin menggunakan mesin adalah 60 per jam. Beberapa
kastemer telah mengeluh bahwa mereka menunggu terlalu lama dalam antrian dan percaya
pada ATM kedua dibenarkan. Waktu antar pertibaan kastemer dan waktu pelayanan
kastemer keduanya merupakan variabel acak berdistribusi eksponensial. Untuk
menentukan apakah sebuah mesin kedua diperlukan, bank tersebut ingin tahu probabilitas
bahwa seorang kastemer harus menunggu dalam antrian dan rata-rata waktu seorang
kastemer menunggu sebuah mesin menjadi siap digunakan.
Untuk sistem ini, laju pertibaan adalah 60/jam dan laju pelayanan adalah 72/jam.
Kepadatan lalu-lintas, , adalah 60/72 = .8333. Menggunakan ukuran perilaku keadaan
mapan untuk model M/M/1, diperoleh
dan
( ) = .8333/(72) (.1667) = .0694 jam = 4.167 menit.
Jadi kita mendapatkan bahwa sekitar 83 persen kastemer harus menunggu dalam
antrian dan rata-rata menunggu sekitar 4 menit.
Sebagai tambahan ukuran dari kemacetan dalam sistem, kita dapat menghitung rata-
rata panjang baris tunggu
Model M/M/s/ /
Dalam model ini, kita akan mendefinisikan karena kapasitas pelayanan adalah
laju pelayanan dari setiap pelayan dikalikan banyaknya pelayan. Menggunakan persamaan
keseimbangan keadaan mapan (4.20) dan (4.21) dapat ditunjukkan bahwa
( ) ( )
( )
∑
( )
( )
( ) ( )
( )
( )
( )
( )( )
( )
( )( )
( )
( )
Contoh-4.9. Sebuah supermarket sedang dirancang dengan empat lajur checkout. Pada
jam-jam sibuk diduga bahwa kastemer akan tiba pada laju 100 per jam dan rata-rata waktu
untuk checkout seorang kastemer terduga sebesar dua menit. Para perancang supermarket
ingin mengetahui rata-rata waktu seorang kastemer akan harus menunggu dalam antrian
dan probabilitas bahwa seorang kastemer tidak harus akan menunggu.
dan
( ) ( )
Sebagai sebuah ukuran tambahan dari kemacetan dalam supermarket, kita dapat meng-
gunakan
Model M/M/1/K
Dalam model ini, kita akan mendefinisikan , tetapi ketika ada K kastemer
dalam sistem, pertibaan tambahan dikembalikan. Dalam system ini terdapat sebuah laju
pertibaan nominal , tetapi ketika status sistem adalah K, laju pertibaan menjadi 0.0.
karena laju pertibaan 0.0 ketika terdapat K kastemer dalam sistem, distem antrian ini
akan mempunyai sebuah penyelesaian keadaan mapan genap ketika laju pertibaan nominal
mencapai laju pelayanan. Menggunakan persamaan keseimbangan keadaan mapan (4.20)
dan (4.21) dapat ditunjukkan bahwa
( ) ( )
{ (4.32)
⁄( )
n = 1, 2, …, K
⁄( ) ( ) ⁄( )
{ (4.33)
⁄
( ) (4.34)
( )
{ (4.35)
( )
⁄ (4.36)
⁄ (4.37)
Contoh-4.10. Sebuah tempat cukur (baber shop) hanya mempunyai satu kursi pencukur
dan sebuah ruang tunggu kecil dengan empat kursi. Rata-rata waktu untuk sebuah potong
rambut adalah 20 menit dan pertibaan kastemer pada laju dari empat kastemer per jam.
Jika sebuah pertibaan kastemer mendapati semua lima kursi penuh ia tidak akan masuk.
Tempat cukur sedang tertarik untuk mengetahui seberapa besar penghasilan tambahan
yang akan diperoleh jika ia memperluas tempat cukurnya menjadi enam kursi. Ia juga
ingin mengetahui seberapa lebih pajang kastemer akan harus menunggu jika ruang tunggu
diperluas menjadi enam kursi.
Menggunakan Pers. (4.32) sampai dengan (4.37), kita mendapati bahwa dengan empat
kursi dalam tempat potong rambut, diperoleh
, dan
dan jika ruang tunggu diperluas
, dan
mengindikasikan bahwa usahanya akan meningkat dengan 0.54 kastemer per hari
(asumsikan bahwa 8 jam/hari) tetapi kastemernya akan menunggu pada rata-rata 15 menit
tambahan.
Model M/G/1
Dalam model antrian ini asumsi-asumsi model M/M/1 santai untuk memungkinkan waktu
layanan mengikuti sebuah sebarang dietribusi dengan sebuah rata-rata 1/ dan varians
. Seperti model M/M/1, intensitas lalu-lintas didefinisikan sebagai ⁄ . Hal itu
dapat ditunjukkan apabila
(4.38)
( ) ( ) (4.39)
( ) ( ) (4.40)
( ⁄ )⁄ ( ) (4.41)
Model M/G/1 menghasilkan sifat penting dari sistem congestion bahwa sebagaimana
varians dari waktu layanan menurun, congestion menurun. Untuk kasus dari sebuah
system antrian M/D/1 ( )
( ) (4.42)
( )
Yang mana satu setengah banyaknya kastemer dalam sebuah sistem antrian M/M/1.
Model M/G/
Dalam model ini kita asumsikan bahwa kastemer-kastemer itu sendiri adalah pelayannya.
Untuk model ini kita akan mendefinisikan . Dapat diperlihatkan bahwa ketika
waktu pertibaan berdistribusi eksponensial dan untuk sebarang sebuah distribusi layanan
(4.43)
⁄
⁄
(4.44)
(4.45)
⁄ (4.46)
Dalam sistem ini kastemer tidak pernah menunggu untuk dilayani karena mereka
melayani dirinya sendiri. Model ini tidak hanya berguna untuk sistem-sistem dimana
kastemer-kastemer adalah pelayan, ia juga memberikan kita pembatasan sifat-sifat dari
sebuah sistem antrian M/G/s seperti banyaknya pelayan mendekati takhingga.
Contoh-4.11. Sebuah lobi hotel melayani sebuah tempat pertemuan yang nyaman untuk
pelanggan hotel atau bukan pelanggan. Orang-orang secara acak memasuki lobi pada laju
delapan per menit dan menunggu pada rata-rata 10 menit sampai pesta yang merekla hadiri
tiba. Kemudian mereka meninggalkan lobi. Managemen hotel ingin menduga rata-rata
banyaknya orang sedang menunggu di lobi dan probabilitas bahwa lobi akan berisi lebih
dari 100 orang.
Dalam masalah ini = 8 per menit, Mengguna-
kan persamaan (4.44) dan (4.46) kita peroleh
dan
( ) ∑
d. Penalty Cost ( C P )
Ialah biaya denda untuk kekurangan order (back ordering), meliputi:
- biaya kehilangan pendapatan,
- biaya pergantian ke item lain,
- biaya kehilangan kemauan baik kastemer, dan
- biaya administrasi pemrosesan sebuah pembatalan (back order).
e. Salvage Cost ( C a )
Ialah biaya penyelamatan barang dari item dalam sistem inventori yang tak
terjual.
Model inventori periode tunggal dapat diformulasikan sebagai sebuah model biaya ter-
duga atau sebuah model pendapatan terduga. Model pendapatan / keuntungan terduga
diformulasikan sebagai berikut:
(4.47)
Permintaan Peluang
12 0.05
13 0.10
14 0.20
15 0.30
16 0.20
17 0.10
18 0.05
C Ca
P ( DemandQ ) =
S Ca
Q P ( DemandQ ) P ( DemandQ )
12 0.05 1.00
13 0.10 0.95
14 0.20 0.85
15 0.30 0.65
16 0.20 0.35
17 0.10 0.15
18 0.05 0.05
INV(t)
R R R
L L L
Q0 Q
Rata-rata level inventori = =
2 2
Q
Total carrying cost = C H .
2
D
Total ordering cost = C R .
Q
Q D
TC = C H . + CR .
2 Q
Sehingga diperoleh
2.C R .D 2
QOPT =
CH
R = d.L
√( )( )( )⁄( ( )
Dalam sistem inventori yang paling dinamis, tak satupun permintaan atau lead time
yang deterministik. Dalam sistem seperti ini, shorteges mungkin terjadi ketika sedang
menunggu untuk replenishment order. Gambar-4.14 …………..
dimana:
( ) Banyaknya order terpenuhi terduga selama lead time
∫ ( )
∫( ) ( )
dengan ( ) adalah fungsi padat probabilitas permintaan selama lead time. Dapat
diperlihatkan bahwa kebijakan optimal adalah ketika
( )
√ ( )[ ] ( )
dan
( ) ( )
( )
Dua persamaan ini dapat diselesaikan secara iteratif dengan: pertama mengasumsi-
kan bahwa E(S) adalah nul, menyelesaikan Q dalam persamaan (4.51), kemudian
menyelesaikan dalam persamaan (4.52). Begitu diperoleh, sebuah perbaikan
pendugaan dari Q dapat diperoleh, mengarah ke sebuah perbaikan pendugaan dari
dst. Dalam semua kasus kebijakan optimal dapat diperoleh dalam akurasi yang wajar
hanya menggunakan tiga atau lebih sedikit iterasi.
Contoh-4.14. Dalam contoh sebelumnya kita asumsikan bahwa permintaan dan lead time
adalah konstan. Sebuah asumsi yang lebih realistic adalah bahwa permintaan selama lead
time adalah sebuah variable acak dan , biaya penalty untuk tidak mencukupi adalah $
0.50 per satuan. Untuk tujuan ilustrasi, kita akan asumsikan bahwa permintaan selama
periode reorder adalah berdistribusi seragam diantara 200 dan 400 satuan. Sekarang, kita
dapat secara iteratif menyelesaikan besarnya order optimal dan reorder point menggunakan
persamaan (4.51) dan (4.52).
√( )( )( ) ( )( )
dan untuk mendapatkan catat bahwa
( ) ∫
dan
( ) ∫ ( )
( ) (4.55)
Contoh-4.15. Untuk menunjukkan perbedaan dalam nilai dari sebuah investasi di waktu
yang berbeda, perhatikan nilai masa depan dari uang Rp 1 juta, yang diinvestasikan selama
10 tahun, dengan nilai pertumbuhan 0.10 setiap tahun (sebuah bunga tahunan 10%).
Pemecahan.
Dengan menggunakan persamaan (4.54), kita peroleh
( )
( )
Sebaliknya, nilai investasi awal dari uang Rp 1 juta,- setelah berjalan 10 tahun adalah
( )
$ 10.000
Menggambarkan sebuah investasi dalam mana $ 10.000 pada awalnya diinvestasikan dan
kemudian selama enam tahun berikutnya, investor menerima pembayaran $ 3.000. Di
akhir dari enam tahun itu, sebuah pembayaran tunggal $ 5.000 juga diterima.
Ketika menggambarkan sebuah diagram arus kas, notasi-notasi yang paling umum
digunakan adalah
: Investasi awal di awal dimulainya projek
: Sebuah penerimaan akan datang atau biaya selama n tahun dalam projek
: Sebuah deret tahunan dari akhir tahun penerimaan atau pembayaran.
( ) ( ) ( ) ⁄. (4.57)
4.5.3 Ekivalensi
Tidak hanya diagram arus kas yang berguna untuk menjelaskan sebuah investasi, tetapi
juga menyediakan mekanisme untuk mengevaluasi alternatif-alternatif ekonomi berbeda.
Ketika mengevaluasi alternatif ekonomi berbeda, sebuah konsep penting adalah
ekivalensi. Dua alternatif investasi dipandang ekivalen pada laju diskon i jika mereka
dapat disamakan dengan arus kas umum. Sebagai contoh, tiga alternatif diperlihatkan
adalah ekivalen pada sebuah laju diskon 10 persen sejak investasi awal $ 10.000 dalam
alternatif A dapat menghasilkan sebuah nilai akhir $ 25.937 diperlihatkan dalam
alternatif C, jika diinvestasikan pada 10 persen selama 10 tahun. Secara ekivalen, $
25.937 ketika didiskon pada sebuah laju 10 persen dipandang pada saat ini (present time)
sebagai hanya bernilai $ 10.000. Secara serupa, jika tahun pertama dari pembayaran $
1.627 didiskon selama satu tahun, kedua $ 1.627 didiskon selama dua tahun, dst. Nilai
saat ini (present value) dari 10 pembayaran akan menjadi $ 10.000. Juga, jika masing-
masing dari $ 1.627 pembayaran yang diperlihatkan dalam B diperbolehkan untuk
mengumpulkan bunga 10 persen, di akhir dari 10 tahun, kita akan mempunyai $ 25.937.
Menggunakan prinsip ekivalensi arus kas ini, kita dapat membandingkan satu atau lebih
alternatif-alternatif ekonomi dengan mengurangi masing-masing alternatif ke sebuah arus
kas yang lebih sederhana tetapi ekivalen.
Menggunakan formula kita untuk pemotongan (discounting) arus kas ke nilai saat ini
dari mereka, kita bisa mendapatkan nilai yang diberikan oleh mesin A dan mesin B.
5% $ 6.647
8% $ 2.568
10% $ 163
11% $ -956
Yaitu, pada sebuah tingkat diskon sedikit lebih dari 10 persen, tetapi kurang dari
11%, nilai saat ini dari investasi adalah nul. Menggunakan interpolasi garis lurus diantara
10 persen dan 11 persen kita dapat menduga tingkat pengembalian efektif pada investasi
menjadi 10.15 persen.
Jika
Maka
( ) ( ) ( ) ( ) (4.58)
( ) ( ) ( ) ( ) ∑ ( )
(4.59)
dan jika semua variabel acak yang independen, maka
( ) ( ) ( ) ( ) (4.60)
Menggunakan probabilitas ini, rata-rata (mean) dan varians (variance) dari nilai
penebusan (redemption) dari dua obligasi adalah
( ) ( )
( ) ( )
Menggunakan Persamaan (4.58) dan (4.59), kita bisa mendapatkan mean dan
variance dari nilai saat ini sebuah investasi.
( ) ( | ) ( ) ( | ) ( )
( ) ( | ) ( )( | ) ( )
( | )( | ) ( )
Jika kita asumsikan bahwa nilai-nilai penebusan dari dua obligasi adalah
independen, maka suku terakhir dalam var(Present Worth) adalah nol
Menggunakan sebuah tingkat diskon 10 %,
( ) ( )( ) ( )( )
( ) ( ) ( ) ( ) ( )
Dan standar deviasi dari nilai sekarang investasi adalah
( ) √
Mendapatkan rata-rata dan varians dari tingkat pengembalian pada sebuah investasi
adalah lebih sulit dari mendapatkan rata-rata dan varians dari nilai saat ini atau biaya
tahunan, dan simulasi boleh jadi hanya metode praktis. Tetapi, memungkinkan untuk
menunjukkan bahwa
E(Rate of Return) Rate of Return of Expected Cash Flows
Yaitu, jika sebarang arus kas dalam alternatif-alternatif investasi adalah variabel
acak, maka tingkat pengembalian terduga pada investasi akan kurang dari tingkat
pengembalian yang diperoleh menggunakan nilai-nilai terduga dari arus kas.
Jadi,
⁄
( ⁄ )
Tingkat pengembalian terduga di masa depan dari investasi adalah
⁄
( ⁄ )
Tetapi, investasi kita tidak akan menjadi bernilai $ 15.000 dalam lima tahun, tetapi
agaknya ia akan menjadi bernilai salah satu $ 12.000 atau $ 18.000. Jika investasi adalah
bernilai $ 12.000, maka tinghkat pengembalian akan menjadi
⁄
( ⁄ )
Sementara jika investasi adalah bernilai $ 18.000, maka tingkat pengembalian adalah
⁄
( ⁄ )
Jadi,
E(Rate of Return) = .037 * .50 + .125 * .05 = .081.
Yangmana kurang dari tingkat pengembalian berdasarkan pada nilai-nilai terduga dari arus
kas.
Contoh-4.21. Seorang investor melakukan investasi $ 7.000 selama 5 tahun. Pada akhir
dari lima tahun nilai terduga dari investasi akan menjadi $ 12.000 dengan sebuah
pertumbuhan $ 5.000. Investor ingin mengetahui tingkat pengembalian terduga pada
investasi ini sebaik ketidakpastian pencapaian sebuah tingkat pengembalian yang kurang
dari 8 %.
Sebuah model analitis dari investasi ini dapat didasarkan Persamaan (4.55), yaitu
( )
atau
⁄
( ⁄ )
Pemecahan untuk i kita peroleh i = 0.114.
Tetapi, dari submodul sebelumnya kita ketahui bahwa menggunakan arus kas yang
diharapkan melebihi tingkat pengembalian yang diharapkan. Selanjutnya, kita tidak tahu
probabilitas memperoleh sebuah tingkat pengembalian (rate of return) dibawah 8 persen.
Sebuah model alternatif, tentu, sebuah model simulasi yang menduga rata-rata tingkat
pengembalian, sebaik kemungkinan (likelihood) dari tingkat pengembalian yang jatuh
dibawah 8 persen.
4.6 LATIHAN
4.1 Dalam Paradoks St. Peterburg, kemenangan terduga diperlihatkan tak terbatas. Jika
kita menggabungkan teori utilitas, sebuah solusi alternatif dapat digunakan. Ide
yang mendasari dalam teori utilitas adalah bahwa nilai uang adalah tidak linier.
Sebagai contoh, sejumlah satu milyar dolar boleh jadi tidak mempunyai 1000 kali
utilitas dari sejumlah seribu dolar. Sebagaimana kenaikan jumlah dolar, utilitas
jumlah mulai level mati. Sebuah contoh fungsi utilitas boleh jadi
⁄
( )
a) Menggunkan utilitas sebagai sebuah ukuran kemenangan, berapakah jumlah
terduga seorang pemain akan menang ?
b) Berdasar pada kemenangan terduga, sebagaimana yang diukur dengan fungsi
utilitas diatas, berapakah sebuah harga wajar yang harus dibayar, untuk membayar
permainan ?
4.2 Masalah Ruin pejudi dimodelkan sebagai sebuah rantai Markov dalam Contoh-4.7.
Ketika probabilitas memenangkan pelemparan adalah sama untuk setiap pejudi, kita
dapat menghitung probabilitas pejudi A memenangkan atau pejudi B memenangkan
dengan menggunakan fakta bahwa permainan adalah fair. Sebuah permainan adalah
fair ketika kemenangan terduga dari setiap pejudi adalah 0.0. Jika pejudi A mem-
bawa A dolar ke permainan dan pejudi B membawa B dolar ke permainan, tunjukkan
bahwa P(Pejudi A menang) = A/(A + B).
4.3 Proses empekerjakan seorang pekerja baru dapat dimodelkan sebagai sebuah rantai
Markov. Asumsikan bahwa departemen personil telah mengatur wawancara
(interview) tiga kandidat. Di akhir dari setiap interview kepala departemen harus
menawarkan kandidat pekerjaan atau pergi ke kandidat lain. Jika pekerjaan belum di-
tawarkan ke kandidat pertama atau kandidat kedua, maka kandidat ketiga akan
mendapatkan pekerjaan. Setiap kandidat dinilai sebagai 1, 2, atau 3 dengan 3 nilai
tertinggi. Probabilitas seorang kandidat mendapat nilai 1, 2, atau 3 adalah 0.30,
0.50, dan 0.20. Jika objek berakhir dengan peringkat tertinggi yang disewa,
apakah kebijakan yang optimal untuk memilih seorang kandidat? Yaitu, seharusnya
kandidat ke-i ditawari pekerjaan, jika nilainya adalah sebuah 1 atau 2
(Tentunya, ketika sebuah 3 diwawancarai kandidat seharusnya diperkerjakan).
4.4 Sebuah permainan tenis dimodelkan sebagai sebuah rantai Markov absorbing dengan
skor permainan sama terhadap status permainan. Untuk memenangkan sebuah permai-
nan tenis, seorang pemain harus menang sedikitnya empat point dan ahead dengan
dua point. Yaitu, sekali kedua pemain telah memenangkan tiga point, skor dapat di-
katakan diberi status ……
4.6 Pada sebuah basis militer bursars cash checks untuk officers and enlisted personnel.
Terdapat sebuah jendela terpisah untuk officers dan sebuah jendela terpisah untuk
enlisted personnel. Rata-rata waktu untuk cash sebuah check adalah 40 detik.
Officers tiba di jendela mereka pada sebuah laju 60 per jam sementara orang-orang
enlisted pada sebuah laju 70 per jam.
a) Berapakah rata-rata waktu officers menunggu dalam antrian ?
b) Berapakah rata-rata waktu enlisted personnel menunggu dalam antrian ?
c) Berapakah seharusnya waktu tunggu jika officers dan enlisted personnels berbagi
dua jendela? Yaitu, sistem menjadi one-two servers queue daripada two-one server
queue.
4.7 Untuk sebuah sistem antrian M/M/1 dengan sebuah intensitas lalu-lintas 0.80, yang
mana lebih efektif untuk mengurangi panjang antrian: meningkatkan 10 persen dalam
laju pelayanan atau pengurangan 40 persen dalam varian waktu pelayanan ? (Catatan,
jika ρ berada pada 0.90 dan varian dalam waktu pelayanan dikurangi 40 persen,
sistem tidak lebih lama dari sebuah M/M/1).
4.8 Ketika merencanakan sebuah rumah sakit baru, diasumsikan bahwa seorang pasien
yang membutuhkan ijin tidak akan pernah kembali. Bedasarkan pada populasi rumah
sakit yang akan dilayani, laju ijin terduga dari pasien 20 per hari dan lama berada da-
lam rumah sakit terduga adalah 8 hari. Bepapakah banyaknya tempat tidur yang
seharusnya ada dalam rumah sakit agar supaya hanya satu persen dari pasien yang di-
perbolehkan tidak akan mendapatkan sebuah tempat tidur kosong ?
4.9 Sebuah sistem inventori suku-cadang dapat dimodelkan menggunakan sebuah model
antrian. Bayangkan kasus lima mesin yang secara occasion membutuhkan sebuah
suku-cadang. Hanya ada dua suku-cadang yang disediakan dalam inventori. Ketika
sebuah suku-cadang digunakan, sebuah penempatan lagi permintaan dibuat. Rata-rata
waktu untuk sebuah penempatan lagi suku-cadang tiba adalah 10 hari. Setiap mesin
akan membutuhkan suku-cadang sekitar sekali setiap 25 hari.
a) Menggunakan sebuah model M/M, berapakah probabilitas bahwa sebuah mesin
akan membutuhkasn suku-cadang tetapi tak satupun akan tersedia ?
b) Berapakah rata-rata banyaknya suku-cadang yang tersedia dalam inventori ?
4.10 Dalam Modul 03 sebuah model simulasi dari sebuah sistem komputer berbagi waktu
telah dikembangkan. Sebuah model antrian sistem dapat dikembangkan, dengan me-
misalkan pelayan yang berhubungan dengan banyaknya port dan tidak membolehkan
mengembangkan antrian.
4.11 Perhatikan sebuah sistem yang melakukan transisi diantara status 1 dan status 2.
Probabilitas melakukan transisi dari status i ke status j bergantung atas status saat ini
dan status sebelumnya sebagaimana diperlihatkan dalam tabel berikut
1 1 ( ) ( )
1 2 ( ) ( )
2 1 ( ) ( )
2 2 ( ) ( )
a) Konstruksikan matriks transisi untuk sistem ini yang mencakup status sistem
saat ini dan status sistem sebelumnya ?
b) Menggunakan matriks transisi dalam (a) tentukan probabilitas steady-state dan
first pasasage times diantara status-status.
c) Konstruksikan sebuah nmatriks transisi untuk sistem ini yang reflects hanya
status saat ini dari sistem dan kemudian hitung probabilitas steady-state dan first
passage times !
4.12 Sebuah sistem komputer sedang dirancang dan sebuah pilihan harus dibuat diantara
mempunyai dua disk dengan rata-rata waktu pertibaan 40 milidetik atau sebuah disk
cepat tunggal dengan rata-rata retrieval time 20 milidetik. Asumsikan bahwa permin-
taan untuk akses ke disk tiba dengan laju 40 permintaan per detik. Waktu antara
permintaan-permintaan untuk retrieval berdistribusi eksponensial dan retrieval time
mempunyai nilai sebegitu kecilnya sehingga mereka dimodelkan sebagai konstanta.
Jika sebuah disk sibuk ketika sebuah permintaan tiba ia ditempatkan dalam sebuah
antrian dan harus menunggu sampai disk menjadi bisa digunakan. Untuk sistem
dengan dua disk, permintaan are evently terdistribusi diantara satu sama lain.
a) Berapakah rata-rata waktu yang diperlukan untuk melengkapi sebuah retrieval
untuk masing-masing dua sistem ?
b) Berapakah rata-rata panjang antrian untuk masing-masing sistem ?
4.13 Sebuah pembiayaan item sebesar $ 20 diinventori. The expence untuk carrying item
dalam inventori adalah 15 persen dari biayanya. Bembutuhkan biaya $ 25 setiap saat
sebuah order dibuat dan biaya mempercepat order adalah $ 10. Permintaan untuk
item berdistribusi Poisson dengan sebuah rata-rata permintaan 200 per tahun. Lead
time untuk penerimaan sebuah order tepat 10 hari. Asumsikan bahwa satu tahun
adalah 300 hari kerja.
a) Berapakah besarnya order yang optimal dan re-order point ?
b) Andaikan perusahaan saat ini sedang membuat order 1000 item setiap saat
sebuah order dibuat, dan perusahaan membuat order apabila invertori berada
dibawah 100 satuan. Berapa banyak mereka akan menghemat dalam membuat
order, carrying, dan shortage cost dengan menggunakan kebijakan inventori
optimal ?
4.14 Seorang pedagang sedang mempertimbangkan berapa banyak pohon natal yang
seharusnya ia beli. Dikarenakan pendeknya musim hanya satu order dapat dibuat.
Biaya pohon-pohon natal pedagang $ 5.00 dan mereka dapat dijual $15.00. Mereka
tidak mempunyai salvage value. Pedagang memperkirakan permintaan pohon natal
terdistribusi normal dengan sebuah rata-rata 200 dan sebuah deviasi standar 50
pohon.
a) Berapakah banyaknya pohon optimal yang disorder ?
b) Berapakah keuntungan terduga apabila sebuah order optimal dibuat ?
4.15 Seorang pembeli sebuah mobil telah mempersempit pilihannya ke dua model. Biaya
relevan untuk masing-masing dari dua model diperlihatkan dalam tabel berikut
Model I Model II
a) Untuk sebuah laju potongan 15 persen, berapakah pilihan yang paling ekonomis?
b) Sebagaimana naiknya laju potongan, model yang mana menjadi lebih atraktif?
4.16 Seorang investor sedang mempertimbangkan pembelian property rumah sewa. Biaya
awal dari property adalah $ 1.000.000. Pendapatan tahunan dari persewaan diper-
kirakan sebesar $ 200.000 dan penurunan nilai dari gedung dalam 10 tahun diperkira-
kan sebesar $ 2.000.000. Pendapatan persewaan tidak tentu $ 200.000 setiap tahun
dan dapat dimodelkan sebagai sebuah variabel acak berdistribusi normal dengan
sebuah deviasi standar sebesar $ 50.000. Secara serupa, penurunan nilai dari gedung
diperkirakan berdistribusi normal dengan sebuah deviasi standar sebesar $ 800.000.
4.17 Perhatikan sebuah investasi membutuhkan sebuah investasi awal $ 1000. Setelah dua
tahun investasi akan menjadi worth F dolar. F adalah sebuah variabel acak yang ter-
distribusi seragam diantara $ 1200 dan $ 1600. Yaitu
( )
4.18 Dalam pengembangan rumus bunga kita, diasumsikan bahwa pembayaran bunga
terjadi diakhir dari setiap periode. Sebuah model alternatif mengasumsikan bahwa
bunga dihitung secara berkelanjutan (continue). Tunjukkan bahwa untuk bunga
majemuk berkelanjutan, rumus untuk future worth, F, dari sebuah investasi awal P
adalah
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.