ModulModelAnalDanSimulasi-2018

MODUL 04
MODEL ANALITIS DAN SIMULASI
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.
TUJUAN INSTRUKSIONAL UMUM

Setelah mengikuti proses pembelajaran dari seluruh substansi yang tercakup dalam modul
ini secara baik dan tuntas, mahasiswa mampu mengembangan model analitis dari sistem
kejadian diskrit dan mampu mengembangkan model simulasi 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 analitis sistem kejadian diskrit rantai
Markov.
2. Mahasiswa mampu mengembangkan model analitis sistem antrian.
3. Mahasiswa mampu mengembangkan model analitis sistem inventori.
4. Mahasiswa mampu mengembangkan model analitis sistem kejadian diskrit sederhana

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

Modul Ajar Teknik Simulasi Model Analitis Dan Model Simulasi
4.1 MODEL ANALITIS VS MODEL SIMULASI
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).
4.1.1 Kelebihan Dan Kekurangan Model Analitis

Dalam model analitis hubungan antara elemen-elemen sistem dinyatakan menggunakan
persamaan matematik. Kemudian persamaan ini digunakan untuk menentukan karakte-
ristik dari sistem. Ketika mengkonstruksi persamaan dari model analitis, asumsi tentang
sistem seringkali dibuat sehingga memungkinkan untuk membatasi penerapan model untuk
kasus yang lebih umum. Model analitis dinyatakan dalam suku parameter dari sistem,
menuntun kita untuk menguji bagaimana perubahan dalam parameter dari sistem merubah
sifat-sifat sistem.
Sebuah kelemahan utama dari model analitis adalah bahwa mereka sering sulit di-
bangun jika seseorang tidak mempunyai keahlian matematik yang dapat dipertimbangkan.
Model analitis dapat menjadi kurang kredibel dalam mata para pembuat keputusan yang
tidak dapat secara penuh memahami dasar dari model atau matematika yang menunjang
nya. Tetapi, terdapat banyak model matematika yang didokumentasikan dengan baik yang
telah diterapkan dalam berbagai lingkungan. Ini secara khusus benar untuk model:
congestion system, finite-state system, inventory system, dan financial system.

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
( ) ( ) ∑ ( ) ( )
Jika uang logam seimbang (fair) maka
( ) ∑ ( ) ∑
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?

4.1.2 Kelebihan Dan Kekurangan Model Simulasi

Dalam model simulasi, hubungan antara elemen-elemen sistem dinyatakan menggunakan
sebuah algoritma yang dikodekan dalam sebuah program komputer. Untuk menentukan
status dari sistem di suatu waktu akan datang kita menggunakan program komputer untuk
mengeksekusi algoritma. Model simulasi tidak menyediakan jawaban langsung tetapi me-
ngungkapkan sifat-sifat sistem sebagaimana program komputer mengeksekusi algoritma.
Jika algoritma mencakup alam sistem stokastik, maka keluaran program komputer harus
secara statistik dianalisis sebelum kesimpulan dapat dibuat menyangkut sifat-sifat sistem.
Sebuah kelebihan utama dari model simulasi adalah fleksibilitas mereka. Karena
simulasi dikodekan dalam program komputer, mereka dapat mencakup banyak elemen dan
karakteristik dari sistem yang tidak dapat dimasukkan dalam model analitis. Dalam model
simulasi sifat-sifat tidak ditentukan dengan melakukan analisis matematis secara langsung,
sehingga memungkinkan model simulasi untuk memasukkan elemen-elemen dan hubu-
ngan yang akan membuat sebuah model analitis secara matematik tidak dapat ditelusuri.
Kelebihan tambahan dari model simulasi adalah alam algoritmik mereka. Seringkali lebih
mudah bagi seorang penonton yang bukan matematika untuk memahami bagaimana
sebuah model bekerja ketika model berupa sebuah algoritma dibanding ketika ia berupa
sebuah sistem persamaan. Ini dapat menjadi sangat penting ketika saatnya memvalidasi
dan mengimplementasikan model. Yaitu, agar supaya model mempunyai kredibilitas di
mata para pembuat keputusan, model seharusnya tidak diluar graps mereka.
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.

Tabel-4.1. Simulasi dari Paradoks St. Petersburg.
Banyak permaian dimainkan Rata-rata kemenangan Kemenangan maksimum

($) ($)
10 5.60 32
50 4.90 1024
100 13.56 256
500 21.48 4096
1000 11.94 1024
10000 12.56 8192
Model simulasi sedikit berbeda dengan pada permainan. Meskipun potensi

kemenangan adalah sangat besar, kemungkinan merealisasikan kemenangan besar adalah
begitu kecil sehingga ketika permainan dimainkan 10.000 kali, rata-rata jumlah
kemenangan secara bulat melebihi $ 12.00. Sekarang, menggunakan kedua model itu kita
mempunyai pemahaman yang lebih baik dari permainan dan dapat membuat sebuah
keputusan yang jauh lebih baik mengenai berapakah sebuah harga yang wajar untuk
permainan. Meskipun tidak ada batas atas yang dapat diposisikan pada jumlah terduga
seorang pemain akan menang, seorang pemain yang bijak tidak akan mau membayar lebih
dari $ 12.00 untuk sebuah kesempatan memainkan permainan. Prosedur simulasi
Montecarlo, dengan memberdayakan pembangkitan bilangan acak adalah sebagai berikut
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;

4.2 MODEL PERUBAHAN STATUS ANALITIS (RANTAI MARKOV)
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.
Tabel-4.2. Beberapa contoh dari sistem transisi status.
Sistem Status
Elevator gedung Nomor lantai

Sistem inventori Banyaknya satuan inventori
Permainan kans Uang pemain yang terkumpul
Sistem Komputer Banyaknya proses yang aktif
Job shop Banyaknya job di setiap pusat
Epidemi Banyaknya yang terinfeksi dan rentan
Pasar bersaing Kastemer preferensi
Rumah sakit Banyaknya tempat tidur yang terpakai
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.
Definisi-4.1. Misalkan : , i = 1, 2, … adalah himpunan status yang dapat digunakan

oleh sistem; , n = 0, 1, 2, … adalah waktu dimana sistem membuat sebuah transisi; dan
( ) adalah status sistem pada saat Sebuah sistem adalah Markovian, jika
( ) | ( ) ( ) ( ) ( ) | ( ) (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

Matriks transisi P untuk sistem ini adalah
Status di saat t + 1
0 1 2
0 0.6100 0.3000 0.0900

Status di saat t 1 0.1464 0.5572 0.2964
2 0.0400 0.2000 0.7600
( )
Diagram transisi untuk sistem ini adalah

0.61 0.5572
0.30
0 1
0.1464
0.09 0.2964
0.04 0.20
0.76
4.2.1 Klasifikasi Dan Sifat-Sifat Rantai Markov

Sebelum merangkum sifat-sifat dari rantai Markov, pertama kita harus mendefinisikan
beberapa kelas dari rantai Markov
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)
( ).
Mudah dibuktikan bahwa

(4.3)
yang cenderung ke
(4.4)
dimana
(k perkalian dengan dirinya sendiri matriks transisi P)
dan unsur (elemen) ke-ij dari adalah
( ) | ( ) (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.
Sifat-sifat rantai Markov regular

(i) Jika sebuah rantai Markov adalah sebuah rantai regular, maka pembatasan distribusi
dari status sistem, , adalah pemecahan dari himpunan persamaan
(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

Z adalah matriks fundamental,

E adalah sebuah matriks berkuran n x n dengan setiap
D adalah sebuah matriks diagonal dengan ⁄
matriks diagonal yang mempunyai elemen diagonal ke-i adalah .
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).
Sifat-sifat rantai Markov absorbing

Kita dapat mempartisi matriks transisi sebuah rantai Markov absorbing P menjadi
|
( )
|
dimana: I adalah matriks identitas orde r,
O adalah sebuah matriks nul berukuran r x s,
R adalah sebuah matriks berukuran s x r yang memuat satu tahapan probabi-
litas transisi dari status non-absorbing ke status absorbing,
Q adalah sebuah matriks berukuran s x s yang memuat satu tahapan probabi-
litas transisi antara status non-absorbing.
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.

4.2.2 Sebuah Rantai Markov Dan Model Simulasi Pasar Bersama

Untuk mengilustrasikan bagaimana rantai Markov dapat dikerjakan untuk mendapatkan
wawasan sifat-sifat dari perubahan status sistem. Kita akan menganalisis sebuah masalah
pemasaran menggunakan: pertama sebuah model rantai Markov dan kemudian sebuah
model simulasi.
Contoh-4.5. Perusahaan A menghasilkan sebuah produk yang dapat dikonsumsi dan

sedang mempertimbangkan sebuah kampanye pengenalan produk baru. Kampanye
pengenalan produk ini dimaksudkan untuk mengurangi kemungkinan kastemer yang saat
ini menggunakan produk mereka akan pindah ke sebuah produk kompetitor. Selain itu,
diharapkan bahwa promosi juga akan menaikkan peluang pengguna dari sebuah produk
kompetitor akan pindah ke produk mereka. Diasumsikan bahwa kastemer akan pindah
memilih produk hanya ketika mereka telah mengkonsumsi semua produk yang saat ini
mereka gunakan dan akan membeli lagi. Saat ini ada dua pemasok bersaing, yang
dinyatakan dengan B dan C. Pasar akhirnya dibagi oleh semua pemasok. Pendugaan
awalnya mengindikasikan bahwa sebagai sebuah hasil dari kampanye, peluang bahwa
seorang konsumen yang membuat sebuah pembelian akan pindah ke sebuah produk
kompetitor adalah sebagai berikut
Pemasok berikutnya
A B C
A .60 .20 .20

Pemasok
saat ini B .40 .30 .30
C .40 .30 .30
Selain itu, ukuran paket dari setiap produk berbeda dan akibatnya waktu antara
pembelian bervariasi dengan pemasok. Distribusi waktu antara pembelian diperlihatkan
berikut
Pemasok Waktu antar pembelian

(hari)
A
B
C

Perusahaan menginginkan untuk mengetahui seperti apakah pembagian pasar

yang akan terjadi setelah 100 hari mengawali kampanye promosi.
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];
Kas = 1; B = B +1; Waktu = Waktu + 22 + Random[16];
Kas = 2; C = C + 1; Waktu = Waktu + 20 + Random[10];
Kas = 0; A = A +1; Waktu = Waktu + 25 + Random[20];
B = B +1; Waktu = Waktu + 22 + Random[16];
Kas = 2; C = C + 1; Waktu = Waktu + 20 + Random[10];
Kas = 0; A = A +1; Waktu = Waktu + 25 + Random[20];
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;

4.2.3 Sebuah Rantai Markov Dan Model Simulasi Taktik Agresif

Sebagai sebuah contoh kedua dari penggunaan rantai Markov untuk memodelkan sistem
kejadian diskrit, kita perhatikan sebuah model pertempuran antara tiga kompetitor
(opponents).
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
dimana : A adalah status dengan hanya tank-A yang tersisa;

AB adalah status dengan tank-A dan tank-B yang tersisa;
ABC adalah status dengan semua tiga tank yang tersisa,
―–― adalah status dengan tidak ada tank yang tersisa, dsb.

Matriks fundamental, N, untuk rantai Markov ini adalah
( )
[( ) ( )]
( ).
Dalam representasi tabel, matriks N dinyatakan sebagai berikut
ABC AB AC BC
ABC 1.27 0.00 0.41 0.63

AB 0.00 1.43 0.00 0.00
AC 0.00 0.00 1.54 0.00
BC 0.00 0.00 0.00 1.72
dan probabilitas menjadi absorbed A adalah
( ) ( )
( ).
Dalam representasi tabel, matriks A dinyatakan sebagai berikut
- A B C
ABC 0.137 0.143 0.177 0.543

AB 0.286 0.428 0.286 0.000
AC 0.231 0.538 0.000 0.231
BC 0.206 0.000 0.482 0.312

Analisis ini seharusnya mengindikasikan bahwa tank terlemah, C, mempunyai

peluang menang terbesar. Yaitu, probabilitas untuk berpindah dari status non-absorbing
ABC menuju status absorbing C adalah 0.543. Analisis juga menyatakan bahwa rata-
rata banyaknya yang keluar (kalah) sebelum pertempuran berakhir adalah 1.27 + 0.41 +
0.63 = 2.31.
(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.

4.3 MODEL CONGESTION ANALITIS
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.
4.3.1 Elemen Sebuah Sistem Antrian

Setiap sistem antrian terdiri dari tiga elemen, yaitu:
1. Sebuah proses pertibaan
2. Sebuah proses pelayanan
3. Sebuah disiplin antrian
Dalam sebuah sistem antrian proses pertibaan dikharakteristikan oleh distribusi
waktu antar pertibaan dari kastemer secara berurutan. Walaupun model analitis telah
dikembangkan untuk proses pertibaan yang berbeda-beda, dua dari kasus yang paling
penting adalah ketika waktu antar pertibaan terdistribusi eksponensial, fungsi padat
probabilitasnya adalah
( )
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
Untuk banyak sistem kemacetan sebuah definisi ekivalen dari adalah
( )
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).
Sistem klasifikasi ini telah diperluas menjadi
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
M Waktu pertibaan atau waktu pelayanan terdistribusi eksponensial

D Waktu pertibaan atau waktu pelayanan tetap
Waktu pertibaan atau waktu pelayanan terdistribusi Erlang-k
G Waktu pertibaan atau waktu pelayanan umum
FIFO Disiplin antrian first-in-first-out
SIRO Disiplin antrian pelayanan dalam urutan acak
PRI Disiplin antrian prioritas
GD Disiplin antrian umum
Menggunakan sistem klasifikasi ini, sebuah M / D / 3 / 50 / PRI akan berupa sebuah

sistem antrian dengan pertibaan terdistribusi eksponensial, waktu pelayanan konstan,
memiliki tiga pelayan, sebuah nilai batas kastemer dalam sistem 50, dan kastemer dilayani
sesuai dengan suatu ukuran prioritas.
Walaupun terdapat banyak cara dimana karakteristik performansi dari sebuah sistem
kemacetan dapat diukur, ukuran yang paling sering digunakan adalah

Banyaknya kastemer terduga dalam sistem

Banyaknya kastemer terduga dalam antrian
Waktu terduga seorang kastemer berada dalam sistem, termasuk waktu
pelayanan
Waktu terduga seorang kastemer menunggu untuk dilayani
Probabilitas tepat i kastemer dalam system, i = 0, 1, …
( ) Probabilitas seorang kastemer menunggu selama t atau lebih lama
4.3.2 Model Antrian M/M/1

Model antrian paling mudah dikembangkan, ketika waktu kedatangan dan waktu pelaya-
nannya terdistribusi eksponensial. Walaupun asumsi dari pertibaan terdistribusi eksponen-
sial dan waktu pelayanan mungkin tampak tidak realistis, kelompok model ini mempunyai
penerapan yang luas dan juga dapat melayani sebagai yang berguna pertama dalam analisis
sistem kemacetan yang lebih kompleks.
Pengembangan model dimulai dengan pengamatan bahwa untuk watu pertibaan dan
waktu pelayanan terdistribusi eksponensial
( )
dan
( )
dimana 1/ adalah rata-rata waktu antar pertibaan dan 1/ adalah rata-rata waktu
pelayanan. Secara alternatif adalah laju dimana kastemer tiba dalam sistem dan
adalah laju dimana kastemer dapat dilayani.
Pengambilan ( ) = probabilitas tepat sebanyak n kastemer berada dalam sistem
di saat t, diperoleh bahwa
( ) ( ) ( ) ( ) (4.13)
( ) ( ) ( )( ) ( ) ( )
(4.14)
Yaitu, probabilitas ada sebanyak n kastemer berada dalam sistem di saat adalah
jumlah probabilitas dari tiga kejadian berikut
1. Satu pertibaan selama
2. Satu pelayanan selama
3. Tidak ada pertibaan atau pelayanan selama
Kita mengecualikan probabilitas multi kejadian terjadi selama , seperti dua

pertibaan atau keduanya sebuah pelayanan dan sebuah pertibaan, karena kita asumsikan
bahwa adalah begitu kecil sehingga probabilitas dari kejadian seperti itu menjadi
dianggap sepele.

Dengan mengatur kembali suku-sukunya, dan membagi dengan diperoleh
( ) ( )
( ) ( ) (4.15)
( ) ( )
( ) ( ) ( ) n = 1, 2, …
dan kemudian mengambil limit untuk diperoleh
( )
( ) ( ) (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
Persamaan differensial untuk sistem ini menjadi
( )
( ) ( )
( )
( ) ( ) ( )
( )
( ) ( ) ( )
( )
( ) ( ) ( )
( )
( ) ( ) ( )
( )
( ) ( ) ( )
( )
( ) ( ) ( )
( )
( ) ( ) ( )
( )
( ) ( )
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
( ) ∑( ) ( )

4.3.3 Status Stedi Model Antrian M/M/s

Sebuah sistem antrian dikatakan dalam kondisi mapan (in steady state) ketika
( )
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
= 4.2 kastemer menunggu dalam antrian.
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.
Menggunakan model antrian M/M/s dengan s = 4:

= 100 kastemer per jam
= 30 kastemer per jam per pelayan
= .8333
Dari Pers. (4.26) sampai dengan (4.31), diperoleh
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.
Dalam masalah ini

per jam, per jam dan per jam.
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.

4.3.4 Model Antrian Non-Markovian

Ketika waktu antar pertibaan kastemer dan waktu pelayanan tidak berdistribusi
eksponensial, kita tidak dapat menggunakan persamaan keseimbangan (4.20) dan (4.21)
untuk menurunkan sifat-sifat sistem antrian. Untuk sistem antrian tertentu, masih me-
mungkinkan untuk menurunkan ekspresi-ekspresi analitis untuk sifat-sifat sistem seperti
dan Karena perlakuan kita terhadap model antrian utamanya adalah untuk
menjelaskan, kita tidak akan menurunkan hasil ini tetapi lebih baik menyatakannya secara
kompak dan mempertimbangkan aplikasi mereka seperti sifat-sifat umum dari sistem
antrian.
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/D/s dan D/M/s

Model analitis dari sistem antrian banyak layanan yang telah dikembangkan hanya untuk
kasus khusus distribusi pertibaan dan pelayanan. Dua kasus khusus dengan kepentingan
tertentu dalam analisis sistem antrian adalah model M/D/s (waktu layanan tetap) dan
model D/M/s (waktu antar pertibaan tetap). Dengan mengekstrapolasi model M/G/1 kita
akan menduga bahwa waktu tunggu terduga dalam sebuah sistem dengan waktu layanan
tetap atau waktu antar pertibaan tetap akan menjadi kurang dari yang terdapat dalam
sebuah sistem M/M/s. Ini masalah yang sebenarnya. Pengembangan ekspresi-ekspresi
untuk waktu tunggu dalam masing-masing model ini melampaui tingkat perlakuan yang
kita inginkan.
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)
⁄
⁄
Yaitu, distribusi banyaknya kastemer dalam system adalah terdistribusi Poisson,

dengan sebuah rata-rata Selanjutnya, dipenuhi bahwa
(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
( ) ∑
Hubungan dalam Sistem Congestion

Terdapat hubungan-hubungan yang ditaati untuk semua system congestion G/G/s,
regardless of the distribusi layanan atau pertibaan. Daftar berikut adalah beberapa dari
hubungan yang lebih penting:
1) E(banyak kastemer dalam sistem) = E(lama waktu kastemer dalam sistem):
2) E(banyak kastemer dalam antrian) = E(waktu menunggu dalam antrian):
3) E(lama waktu kastemer dalam sistem) = E(waktu menunggu dalam antrian) + ⁄
4) E(banyak kastemer dalam system) = E(banyak kastemer dalam antrian) + ⁄

4.4 MODEL INVENTORI ANALITIS

Manajemen sejati dari sistem inventori telah menjadi sebuah pokok penyelidikan karena
merupakan awal dari riset operasi. Seperti sistem kemacetan, sebuah himpunan model
inventori analitis yang telah dikembangkan sering merupakan pendekatan yang baik
terhadap sistem inventori nyata yang kompleks dan telah terbukti berguna untuk
membangun kebijakan yang optimum untuk manajemen dari sistem ini.
4.4.1 Elemen Sebuah Sistem Inventori

Titik berat dari semua model inventori adalah salah satu, yaitu: optimasi biaya operasional
sistem inventori atau optimasi tingkat pelayanan kastemer. Model sistem inventori
analitis menyatakan sistem inventori sebagai sebuah fungsi dari :
(i) parameterbiaya sistem inventori,
(ii) variabel eksternal yang tak dapat dikendalikan, dan
(iii) kebijakaninventori.
(i) Parameter Biaya

Parameter biaya dalam model inventori meliputi:
a. Purchasing Cost (C)
Ialah satuan biaya pembelanjaan / pembelian item yang dikelola sebuah sistem
inventori.
b. Carrying Cost ( C H )
Ialah biaya pengangkutan satu satuan item yang dikelola sebuah sistem inventori
untuk satu satuan waktu, biasanya 1 tahunan, meliputi:
- biaya pergudangan (warehousing),
- biaya asuransi (insurance),
- biaya kerusakan (spoilage),
- biaya akibat pencurian (theft),
- biaya kadaluarsa / menjadi kuno (obsolescence), dan
- biaya pengikatan (tied-up).
c. Setup Cost / Ordering Cost ( C R )
Ialah biaya penempatan sebuah permintaan pengisian lagi (repleshment order),
meliputi:
- biaya administrasi penempatan order / permintaan,
- biaya pemeriksaan kedatangan order, dan
- biaya untuk mempercepat order.

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.
(ii) Variabel TakTerkendali

Variabel tak terkendali meliputi:
- Permintaan kastemer (Demand) untuk suatu item, D,
- Tenggat pengiriman (Lead Time) yaitu waktu yang diperlukan untuk sebuah
permintaan pengisian lagi tiba / sampai.
(iii) Kebijakan Inventori

Kebijakan inventori meliputi:
- Kuantitas (Quantity) yaitu besarnya permintaan pengisian lagi, Q, dan
- Aturan Re-Order.
Prosedur pengendalian inventori untuk item-item yang mempunyai permintaan

independen didasarkan pada dua pendekatan berikut:
a. Fixed-Order Quantity Methods
(Variable Demand / Lead Time Inventory System)
Ialah sebuah pengendalian sistem inventori dengan kuantitas pemesanan tetap
untuksetiap kali pemesanan.
b. Fixed-Order Period Methods
(Periodic Review Inventory System)
Ialah sebuah pengendalian sistem inventori dengan periode pemesanan yang tetap.
4.4.2 Sebuah Model Sistem Inventori Statis

Dalam model statis (periode tunggal), variabel keputusan adalah jumlah satuan inventori
pada awal periode. Selama periode tersebut, permintaan inventori tidak tentu, tetapi
distribusi probabilitas permintaan diketahui.

Model inventori periode tunggal dapat diformulasikan sebagai sebuah model biaya ter-
duga atau sebuah model pendapatan terduga. Model pendapatan / keuntungan terduga
diformulasikan sebagai berikut:
E(Pendapatan) = E (Penjualan) – Purchasing Cost – E (Penalty Cost) + E (Salvage

Income)
Q   Q 1
=  S.k.Pk + Q.S
k 1
 Pk - C.Q -
k Q 1
 C P .(k  Q).Pk +
k Q 1
 C .(Q  k ).P
k 0
a k
(4.47)
dengan C : Purchase Cost diawal periode,

CP : Penalty Cost,
Ca : Salvage Value diakhir periode, dan
S : Sales Price of item.
Contoh-4.12. “ Sebuah problema penjaja-koran (Newspaper boy problem) ―

Diasumsikan seorang penjaja koran dapat membeli koran Rp. 500,- dan menjualnya
Rp. 750,- per koran. Koran yang tak terjual dapat dikembalikan dengan dihargai
Rp. 300,- per koran. Penjaja koran tersebut telah membuat catatan permintaan koran
dilokasi penjualannya dengan distribusi seperti terlihat pada Tabel-4.3. Berapa banyak
koran yang seharusnya dibeli agar keuntungan yang diperoleh maksimal ?
Pemecahan.
Disini, karena penalty cost tidak ada, maka formula menjadi
Profit = Sales – Purchase + Salvage
Dengan formula ini penghitungan keuntungan terduga memberikan hasil seperti terlihat
pada Tabel-4.4.
Tabel-4.3. Distribusi permintaan koran.
Permintaan Peluang
12 0.05
13 0.10
14 0.20
15 0.30
16 0.20
17 0.10
18 0.05

Disini, untuk Q = 15 (baris ke empat dalam Tabel-4.4), maka penghitungannya sebagai

berikut
Q 
Sales =  S.k.Pk + Q.S
k 1
P
k Q 1
k
= [(750)(12)(0.05) + (750)(13)(0.10) + (750)(14)(0.20) + (750)(15)(0.30)]

+ (15)(750)(0.35)
= 10838.
Purchase =C.Q
= (500)(15) = 7500.
Q 1
Salvage =  C .(Q  k ).P
k 0
a k
= (300)(15-12)(0.05) + (300)(15-13)(0.10) + (300)(15-14)(0.20)

= 165.
Profit = Sales - Purchase + Salvage
= 10838 - 7500 + 165
= 3503.
Tabel-4.4. Hasil penghitungan keuntungan terduga.
Q Sales Purchase Salvage Profit
12 9000 6000 - 3000

13 9713 6500 15 3228
14 10350 7000 60 4410 
15 10838 7500 165 3503
16 11100 8000 360 3460
17 11213 8500 615 3328
18 11250 9000 900 3150
Metode Incremental Analysis

Sebuah metode alternatif dari kebijakan penentuan inventori optimal adalah melalui
sebuah analisis pertambahan. Dalam metode ini kita menentukan inventori terbesar
sehingga terdapat sebuah pertambahan keuntungan terduga pada satuan inventori
terahkhir. Pertambahan pen-dapatan / keuntungan terduga diformulasikan sebagai berikut
 Profit(Q) = S.P ( DemandQ ) + C a . P ( DemandQ ) - C

Bila  Profit = 0, maka diperoleh

S.P ( DemandQ ) + C a . P ( DemandQ ) = C
Karena P ( DemandQ ) = 1 - P ( DemandQ ) , maka diperoleh
C  Ca
P ( DemandQ ) =
S  Ca
Dari contoh problema penjaja koran diperoleh

500  300
P ( DemandQ ) = = 0.44
750  300
Distribusi permintaan dapat dilihat pada Tabel-4.5.
Tabel-4.5. Distribusi permintaan koran.
Q P ( DemandQ ) P ( DemandQ )
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
4.4.3 Sebuah Model Sistem Inventori Dinamis Kontinyu

Sebuah sistem inventori dinamis ialah sebuah sistem inventori yang mempunyai periode
tidak tunggal. Dalam sistem inventori dinamis, inventori diamati dan jika inventori terlalu
sedikit sebuah replenishment order dilakukan. Level inventori diamati secara kontinyu
atau periodik. Dalam sistem ini, kebijakan inventori dicirikan oleh kuantitas reorder Q
dan reorder point R.
Pada saat t = 0 sebuah order sebanyak Q item tiba, menghasilkan sebuah
keseimbangan inventori Q. Inventori ini dikonsumsi dengan laju tetap. Kemudian,
reorder point, R, dicapai dan sebuah order tambahan sebanyak Q unit dibuat. Karena
waktu untuk sebuah penempatan order sampai tiba (lead time), L, diketahui sudah
tertentu, maka reorder point dapat dibuat sehingga sisa terakhir dari item dalam inventori
telah terpakai / terpesan pada saat order baru tiba / diterima. Metode pemodelan sistem
inventori seperti ini disebut sebuah metode pendekatan kuantitas order tetap (fixed-
order quantity method). Diagram untuk pendeka-tan ini dapat dilihat pada Gambar-4.13.

INV(t)
R R R
L L L
Gambar-4.13. Diagram pendekatan fixed-order quantity method.
Jika diasumsikan bahwa:

a. Demand per unit item (D),
b. Carrying Cost ( C H ),
c. Order Cost (C R ) , dan
d. Total Inventory Cost (TC ) .
Maka dapat diturunkan beberapa hubungan sebagai berikut:

Total Carrying Cost
Ialah jumlah item dalam inventori yang terbesar Q dan yang terkecil 0. Karena per-
mintaan kastemer tetap, maka
Q0 Q
Rata-rata level inventori = =
2 2
Disini, carrying cost per item, C H , sehingga
Q
Total carrying cost = C H .
2
Total Ordering Cost

Jika permintaan (demand) per unit item, D, dan sebesar Q unit diorder per unit time,
maka jumlah order ditempatkan per unit time adalah D/Q, sehingga dengan mengambil
C R sebagai biaya per order, diperoleh
D
Total ordering cost = C R .
Q

Total Inventory Cost

Dengan mengambil TC sebagai jumlah carrying cost dan ordering cost, maka diperoleh
Q D
TC = C H . + CR .
2 Q
Untuk mendapatkan nilai Q yang meminimumkan TC , maka TC diturunkan terhadap

Q, diperoleh
dTC C D CH D
= H - CR . 2 = 0 atau = CR . 2
dQ 2 Q 2 Q
Sehingga diperoleh
 2.C R .D  2
QOPT =  
 CH 
Untuk menentukan reorder point, R, maka:
a. Dapatkan rata-rata penggunaan item per minggu, misalkan d .

b. Kemudian, gandakan dengan waktu pengiriman (lead time), L, yang dinyata-
kan dalam minggu, diperoleh
R = d.L
Contoh-4.13. Sebuah supplier perangkat elektronik menjaga inventori untuk sebuah

komponen yang secara tahunan mempunyai permintaan 10.000 unit. Setiap unit
mempunyai biaya produksi $ 1.00 dan biaya pemeliharaan inventori tahunan adalah 12 %
dari biaya pembelian. Biaya ordering komponen dari supplier $ 10.00. Lead time untuk
menerima sebuah order adalah 10 hari. Saat ini supplier sedang melakukan order 2000
unit. Ia sedan wondering berapakah biaya saat ini untuk invertori item dan berapakah
ukuran optimal dari order?
Menggunakan persamaan (4.48) kita mendapatkan biaya inventori dari komponen

adalah
(0.12)($ 1.00)(2000/2) + ($10.00)(10.000/2.000) = $ 170.00
Menggunakan persamaan (4.49), diperoleh ukuran optimal order adalah
√( )( )( )⁄( ( )

dan biaya kebijakan inventori yang optimal adalah

(0.12)($ 1.00)(1290/2) + ($ 10.00)(10.000/1290) = $ 154.92
dengan sebuah reorder point adalah
(10.000/365)(10) = 274.
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 …………..
Sebuah model total biaya untuk sistem ini adalah

( )
( ) ( ( )) ( )
dimana:
( ) Banyaknya order terpenuhi terduga selama lead time
∫ ( )
( ) Banyaknya satuan tidak mencukupi 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).
Pendugaan pertama kita untuk Q adalah
√( )( )( ) ( )( )
dan untuk mendapatkan catat bahwa
( ) ∫
Kita mendapatkan dengan menyelesaikan

( )( )( )
( )( )
dan
( ) ∫ ( )
Jika kita haluskan pendugaan untuk Q menggunakan kita ( ), kita dapatkan

nilai optimal dari Q adalah 1295. Sebuah iterasi kedua akan memperlihatkan bahwa nilai
optimal untuk tetap di 393.

4.5 MODEL INVESTASI ANALITIS

Model simulasi sering digunakan untuk menganalisis sistem dimana resep keuangan dan
pengeluaran (expendictures) terjadi atas waktu. Dalam analisis keuangan, merupakan
sebuah penerapan umum untuk menerapkan sebuah faktor diskon (potongan) untuk tanda
terima atau pengeluaran yang terjadi dalam waktu yang akan datang. Yaitu, suatu dolar
yang dihabiskan atau diterima hari ini tidak menjadi sama dalam nilai terhadap dolar
beberapa tahun kemudian. Faktor diskon yang diterapkan untuk nilai dolar akan datang
didasarkan pada tingkat pengembalian minimum yang mencerminkan biaya peminjaman
uang dan peluang alternatif untuk berinvestasi.
Formula dasar untuk diskon arus kas masa depan adalah formula sama yang
digunakan dalam keuangan (finance) untuk menentukan nilai masa depan dari sebuah
investasi. Jika setiap tahun sebuah investasi tumbuh dengan i, maka setelah 1 tahun ia
akan harus tumbuh (1+i) kali dari investasi awal. Setelah tahun kedua ia akan harus
tumbuh dengan ( ) Secara umum, setelah n tahun invetasi akan harus tumbuh
( ) kali dari investasi awal. Hubungan antara sebuah investasi awal sebesar P dolar
saat ini dan nilai masa depannya F adalah
( ) (4.55)
Pembalikan hubungan antara P dan menunjukkan bagaimana dolar di masa depan di

diskon (discount),
( )
( )
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
( )

4.5.1 Diagram Arus Kas

Sebuah metode penjabaran investasi yang mudah (convenient) adalah melalui penggunaan
sebuah diagram arus kas (cash flow) dalam mana pengeluaran dan penerimaan
digambarkan, memperlihatkan waktu dimana mereka terjadi. Sebagai contoh untuk
diagram arus tunai dibawah ini
(+) $ 3.000 $ 5.000
0 ---------- 1 ---------- 2 ---------- 3 ---------- 4 ---------- 5 ---------- 6
$ 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.
4.5.2 Diskon Arus Kas

Kita telah menunjukkan hubungan antara P dan . Hubungan antara sebuah deretan
dari n pembayaran akhir tahunan sebesar A dan F diperoleh dengan menggunakan
( ) ( ) ( ) ⁄. (4.57)
Tabel-4.4. Potongan rumus arus kas.
Istilah Simbol Rumus
Compound Amount Factor ( | , i , n) ( )

Present Worth Factor ( | , i , n) ⁄( )
Capital Recovery Factor ( | , i , n) ( ) ⁄( )
Series Present Worth Factor ( | , i, n) ( ) ⁄ ( )
Series Compound Amount Factor ( | , i , n) ( ) ⁄
Sinking Fund Factor ( | , i , n) ⁄( )

Tabel-4.4 memperlihatkan hubungan antara sebuah investasi awal P, sebuah deret

tahunan berukuran A, dan sebuah pembayaran di masa depan F.
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
0-------------------------10 0—1—2-----9—10 0--------------------------10

ǀ ǀ ǀ ǀ ǀ ǀ
$ 10.000 $ 1.627 $ 25.937
Alternatif A Alternatif B Alternatif C
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.
Contoh-4.16. Sebuah pabrik sedang mempertimbangkan dua pengujian mesin berbeda.

Mesin-mesin berbeda dalam biaya awal, biaya perawatan dan nilai sisa (salvage value)
mereka di akhir dari pengoperasian mereka. Mesin A biaya awalnya $ 200.000 dan akan
membutuhkan $ 10.000 dalam perawatan tahunan. Akan mempunyai sebuah nilai sisa $
50.000 setelah 10 tahun. Mesin B biaya $ 240.000 tetapi hanya akan membutuhkan $
5.000 dalam perawatan tahunan dan akan mempunyai sebuah nilai sisa $ 100.000. Laju
diskon yang digunakan oleh paberik adalah 10 persen. Diagram arus kas untuk masing-
masing alternatif adalah

(+) $ 50.00 $ 100.000

ǀ ǀ
0—1—2—3—4—5—6—7—8—9—10 0—1—2—3—4—5—6—7—8—9—10
ǀ ǀ ǀ ǀ ǀ ǀ ǀ ǀ ǀ ǀ ǀ ǀ ǀ ǀ ǀ ǀ ǀ ǀ ǀ ǀ ǀ ǀ
(-) ǀ $ 10.000 ǀ $ 5.000
$ 200.000 $ 240.000
Mesin A Mesin B
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.
Present Value (A) = $ 200.000 + ($ 10.000)(PǀA,10%,10yr) –($ 50.000)(PǀF,10%,10yr)

= $ 200.000 + ($ 10.000)(6.1446) –($ 50.000)(.38554)
= $ 242.169
Present Value (B) = $ 240.000 + ($ 5.000)(PǀA,10%,10yr) –($ 100.000)(PǀF,10%,10yr)
= $ 240.000 + ($ 5.000)(6.1446) –($ 100.000)(.38554)
= $ 232.169
Yaitu, pembelanjaan mesin A ekivalen dengan pemborosan $ 242.169 dalam

sebuah pembayaran tunggal sementara mesin B ekivalen dengan pengeluaran (spending)
$ 232.169. Dari analisis ini, kita seharusnya menyimpulkan semua pertimbangan yang lain
menjadi sama bahwa mesin B secara ekonomi merupakan sebuah pilihan yang lebih baik.
Contoh-4.17. Dua investasi alternatif dalam masalah sebelumnya dapat dibandingkan

pada sebuah biaya tahunan ekivalen dengan mendapatkan deretan pembayaran tahunan
yang ekivalen dengan aliran tunai aktual mereka.
Annual Cost (A) = ($ 200.000)(AǀP,10%,10yr) + $ 10.000 -($ 50.000)(AǀF,10%,10yr)
= ($ 200.000)(.16275) + $ 10.000 –($ 50.000)(.06275)
= $ 39.413
Annual Cost (B) = ($ 240.000)(AǀP,10%,10yr) + $ 5.000 -($ 100.000)(AǀF,10%,10yr)
= ($ 240.000)(.16275) + $ 5.000 –($ 100.000)(.06275)
= $ 37.785

4.5.4 Penghitungan Tingkat Pengembalian Pada Sebuah Investasi

Untuk memahami makna dari tingkat pengembalian pada sebuah investasi, perhatikan
sebuah investasi yang mana, ketika dipotong dengan laju i mempunyai sebuah nilai
sekarang (present worth) $ 0.0. Seorang investor mengharapkan tingkat ii akan acuh tak
acuh terhadap investasi. Seorang investor mengharapkan sebuah tingkat pengembalian
lebih tinggi dari ii akan melihat investasi sebagai memiliki nilai sekarang yang negative.
Seorang investor mengharapkan tingkat pengembalian kurang dai ii akan melihat
investasi sebagai memiliki nilai sekarang yang positif. Yaitu, tingkat pengembalian pada
sebuah investasi adalah tingkat diskon untuk mana nilai sekarang pendapatan (income) dari
investasi sama dengan nilai sekarang dari pengeluaran.
Contoh-4.18. Sebuah peluang berinvestasi membutuhkan sebuah pengeluaran awal $

35.000. Selama lima tahun berikutnya investasi akan menghasilkan $ 6.000 dan di akhir
dari lima tahun itu $ 20.000 dari investasi awal dapat pulih (recovered). Seorang investor
ingin mengetahui tingkat pengembalian yang efektif.
Tingkat pengembalian investasi dapat dicari dengan penghitungan coba-coba (trial
and error) dari nilai sekarangnya di berbagai tingkat diskon. Menggunakan
Present Worth = $ 35.000 + ( 6.000)(PǀA,i%,5yr) + ($ 20.000)(PǀF,i%,5yr)
kita peroleh
Tingkat Diskon Nilai Sekarang
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.
4.5.5 Pengaruh Ketidakpastian Dalam Arus Kas

Dalam semua kasus-kasus arus kas yang berhubungan dengan sebuah alternatif investasi
adalah tak pasti. Arus kas di masa depan biasanya dinyatakan dalam unsur-unsur nilai-
nilai terduga mereka tetapi ketika arus kas terjadi ia jarang sama dengan nilai terduganya.
Jika arus kas dalam sebuah investasi dipandang berupa variabel acak, maka nilai ekivalen
saat ini, biaya tahunan, dan tingkat pengembaliannya adalah variabel acak. Ketika
menganalisis arus kas dengan ketidakpastian, kita sering tertarik dalam mendapatkan rata-
rata dan varians dari arus kas ekivalen mereka, atau tingkat pengembalian, dan jika
memungkinkan distribusi perobabilitas dari ukuran-ukuran ini. Analisis kita difasilitasi

oleh sifat-sifat jumlahan variabel acak berikut
Jika
Maka
( ) ( ) ( ) ( ) (4.58)
( ) ( ) ( ) ( ) ∑ ( )
(4.59)
dan jika semua variabel acak yang independen, maka
( ) ( ) ( ) ( ) (4.60)
Jika semua terdistribusi normal, maka Y terdistribusi normal. Selanjutnya, dari

teorema central limit, walaupun semua tidak terdistribusi normal, sebagaimana banyak-
nya suku dalam jumlahan Y meningkat, Y kovergen ke sebuah variabel acak teristribusi
normal. Untuk tujuan kita, koefisien adalah suku diskon yang digunakan untuk
menghitung nilai sekarang atau biaya tahunan investasi ekivalen.
Dari persamaan (4.58) kita melihat bahwa jika arus kas dalam sebuah alternatif
investasi adalah variabel acak, kita dapat menggunakan nilai terduga mereka untuk
menentukan nilai saat ini ekivalen terduga atau biaya tahunan. Akan tetapi, jika kita
menginginkan mendapatkan sebuah ukuran variasi dalam nilai saat ini ekivalen atau biaya
tahunan, kita harus mengetahui variansi dan barang kali kovariansi dari arus kas.
Contoh-4.19. Seorang investor mempunyai peluang membelanjakan dua obligasi (bonds)

yang akan membutuhkan biaya awal $15.000. Setelah 5 tahun satu obligasi akan dijual
pada nilai pasar, sementara obligasi kedua akan diadakan untuk 10 tahun dan kemudian
dijual untuk nilai pasarnya. Distribusi probabilitas dari distribusi terduga dari nilai pasar
dari dua obligasi setelah 5 dan 10 tahun adalah
Nilai Obligasi-1 Probabilitas Nilai Obligasi-2 Probabilitas
$12.000 0.20 $8.000 0.25

$13.000 0.30 $10.000 0.25
$14.000 0.30 $12.000 0.25
$15.000 0.20 $14.000 0.25

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.
Contoh-4.20. Untuk mengilustrasikan pengaruh ketidakpastian pada tingkat pengem-

balian pada sebuah alternatif-alternatif investasi, perhatikan sebuah investasi sebesar $
10.000 Setelah lima tahun investasi akan menjadi sama dengan memiliki sebuah nilai
sebesar $12.000 atau $ 18.000.
Nilai terduga investasi setelah lima tahun adalah
($ 12.000)(0.50) + ($ 18.000)(0.50) = $ 15.000
Untuk mendapatkan tingkat pengembalian pada tipe investasi seperti ini, kita hatus
mendapatkan i sehingga
( )

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.
4.5.6 Sebuah Model Analitis Dan Simulasi Untuk Sebuah Investasi

Untuk menggambarkan bagaimana model analitis dan simulasi dari investasi komplemen
satu sama lain, kita akan analisis sebuah investasi sederhana menggunakan kedua tipe
model sekaligus.
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 ……

4.5 Contoh-3.1 menjabarkan aturan-aturan untuk permainan Craps. Menggunakan aturan

aturan ini, modelkan permainan sebagai sebuah rantai Markov absorbing.
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.

a) Konstruksikan persamaan kesetimbangan untuk sistem ini !

b) Menggunakan sistem persamaan ini, turunkan sebuah ekspresi untuk , dengan i
= 0, 1, …, K.
c) Dengan mengasumsikan laju pengguna attempt to menghubungkan ke sistem
adalah 20 per jam, rata-rata waktu berhubungan adalah 20 menit, dan terdapat 10
port. Berapakan probabilitas semua port sibuk ?
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
Status saat ini Status sebelumnya Pribabilitas transisi
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
Biaya asli $ 10.000 $ 15.000

Biaya pemeliharaan pertahun $ 2.000 $ 1.500
Biaya bahan bakar per tahun $ 3.000 $ 5.000
Perkiraan layak pakai 4 tahun 6 tahun
Nilai salvage $ 1.000 $ 3.000
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.

Investor mempunyai sebuah laju pemotongan 10 persen.

a) Berapakah present worth terduga dari investasi itu?
b) Berapakah deviasi standar dari present worth investasi?
c) Ambilah sebuah selang kepercayaan 95% pada present worth investasi?
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
( )
a) Apakah distribusi probabilitas dari laju pengembalian untuk investasi ini?

b) Berapakah laju pengembalian terduga?
c) Berapakah laju pengembalian menggunakan aliran tunai terduga?
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.

ModulModelAnalDanSimulasi-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

ModulModelAnalDanSimulasi-2018

Diunggah oleh

Hak Cipta:

Format Tersedia

MODUL 04

MODEL ANALITIS DAN SIMULASI

TUJUAN INSTRUKSIONAL UMUM

TUJUAN INSTRUKSIONAL KHUSUS

3. Mahasiswa mampu mengembangkan model analitis sistem inventori.

4. Mahasiswa mampu mengembangkan model analitis sistem kejadian diskrit sederhana

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

4.1 MODEL ANALITIS VS MODEL SIMULASI

4.1.1 Kelebihan Dan Kekurangan Model Analitis

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

Jika uang logam seimbang (fair) maka

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

4.1.2 Kelebihan Dan Kekurangan Model Simulasi

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

Tabel-4.1. Simulasi dari Paradoks St. Petersburg.

Banyak permaian dimainkan Rata-rata kemenangan Kemenangan maksimum

Model simulasi sedikit berbeda dengan pada permainan. Meskipun potensi

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

4.2 MODEL PERUBAHAN STATUS ANALITIS (RANTAI MARKOV)

Tabel-4.2. Beberapa contoh dari sistem transisi status.

Elevator gedung Nomor lantai

Definisi-4.1. Misalkan : , i = 1, 2, … adalah himpunan status yang dapat digunakan

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

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

Matriks transisi P untuk sistem ini adalah

0 0.6100 0.3000 0.0900

Diagram transisi untuk sistem ini adalah

4.2.1 Klasifikasi Dan Sifat-Sifat Rantai Markov

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

Mudah dibuktikan bahwa

(k perkalian dengan dirinya sendiri matriks transisi P)

dan unsur (elemen) ke-ij dari adalah

Sifat-sifat rantai Markov regular

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

Z adalah matriks fundamental,

Sifat-sifat rantai Markov absorbing

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

4.2.2 Sebuah Rantai Markov Dan Model Simulasi Pasar Bersama

Contoh-4.5. Perusahaan A menghasilkan sebuah produk yang dapat dikonsumsi dan

A .60 .20 .20

Pemasok Waktu antar pembelian

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

Perusahaan menginginkan untuk mengetahui seperti apakah pembagian pasar

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

Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 13

4.2.3 Sebuah Rantai Markov Dan Model Simulasi Taktik Agresif

dimana : A adalah status dengan hanya tank-A yang tersisa;

Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 14

Matriks fundamental, N, untuk rantai Markov ini adalah

Dalam representasi tabel, matriks N dinyatakan sebagai berikut

ABC 1.27 0.00 0.41 0.63

dan probabilitas menjadi absorbed A adalah

Dalam representasi tabel, matriks A dinyatakan sebagai berikut

ABC 0.137 0.143 0.177 0.543

Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 15

Analisis ini seharusnya mengindikasikan bahwa tank terlemah, C, mempunyai

Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 16

4.3 MODEL CONGESTION ANALITIS

4.3.1 Elemen Sebuah Sistem Antrian

Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 17

Untuk banyak sistem kemacetan sebuah definisi ekivalen dari adalah

Copyright©2018, by Soetrisno, Departemen Matematika, FMKSD-ITS. 18

Sistem klasifikasi ini telah diperluas menjadi