DIKTAT MATA KULIAH

SIMULASI KOMPUTER

Disusun Oleh:

WINDHA AYU SETIYOWATI 1609035009

PROGRAM STUDI TEKNIK INDUSTRI

FAKULTAS TEKNIK
UNIVERSITAS MULAWARMAN
SAMARINDA
2019
 KATA PENGANTAR

Puji syukur saya panjatkan kehadirat Allah SWT yang telah memberikan rahmat dan
karunia-Nya kepada saya sehingga saya dapat melaksanakan dan telah menyelesaikan
menyusun diktat ini dengan baik. Penulis menyadari bahwa diktat ini jauh dari sempurna
sehingga membutuhkan kritik dan saran yang bersifat membangun untuk kemajuan
pendidikan di masa yang akan datang. saya juga nengucapkan banyak terima kasih
kepada pihak-pihak yang sangat berperan penting dalam pembuatan diktat ini antara lain
kepada:
1. Bapak Muhammad Dahlan Balfas, S.T., M.T., selaku Dekan Fakultas Teknik
Universitas Mulawarman.
2. Ibu Farida Djumiati Sitania, S.T., M.T., selaku Ketua Program Studi Sarjana (S1)
Teknik Industri Universitas Mulawarman.
3. Bapak Suwardi Gunawan, S.T., M.T., selaku dosen pembimbing dalam mata kuliah
Simulasi Komputer.
4. Orang tua yang telah mendukung saya dalam melaksanakan penyelesaian
penyusunan diktat ini.
5. Seluruh teman-teman S1 Teknik Industri 2016 yang telah membantu dalam
penyelesaian diktat ini.

Terakhir semoga segala bantuan yang telah diberikan, sebagai amal soleh senantiasa
mendapat Ridho Allah SWT. Sehingga pada akhirnya diktat ini dapat bermanfaat bagi
kemajuan pendidikan.
Samarinda, Juni 2019

Penyusun
 BAB I
SIMULASI KOMPUTER

1.1 Pengertian Simulasi Monte Carlo

Simulasi Monte Carlo adalah tipe simulasi probabilistik untuk mencari penyelesaiaan
masalah dengan sampling dari proses random

1.2 Langkah-langkah Simulasi Monte Carlo

Adapun langkah-langkah simulasi monte carlo dapat dijabarkan sebagai berikut:

1. Menetapkan distribusi probabilitas untuk variabel-variabel utama
Awal mula metode simulasi monte carlo adalah berawal dari ide dasar yang
membangkitkan nilai-nilai untuk variabel-variabel penyusun yang sedang dianalisa.
Banyak sekali variabel pada kondisi sistem nyata yang bersifat probabilistik secara
alami, misalkan permintaan , persediaan harian. Satu cara yang sering digunakan
dalam menetapkan distribusi probabilistik dari variabel yang ada adalah dengan
menganalisa data-data historis. Probabilitas atau frekuensi relative untuk setiap hasil
yang mungkin dari sebuah variabel di dapat dengan membagi frekuensi observasi
dengan total jumlah observasi.
2. Menetapkan distribusi kumulatif untuk setiap variabel
Setelah menentukan distribusi probabilitas, langkah selanjutnya mengubah distribusi
probabilitas tersebut menjadi distribusi cumulatife dengan cara mengakumulasikan
hasil dari distribusi probabilitas yang menghasilkan akumulasi dari masing-masing
kelas sebagai total akumulasi dari kelas sebelumnya.
3. Menentukan interval dari bilangan-bilangan acak untuk setiap variabel
Setelah ditentukan distribusi probabilitas kumulatif untuk setiap variabel yang
terlibat dalam simulasi, selanjutnya kita menentukan bilangan - bilangan tertentu
untuk mempresentasikan setiap nilai atau hasil yang mungkin didapatkan. Ini sebagai
acuan bilangan acak.
4. Pembangkitan bilangan random
Bilangan acak di bangkitkan untuk masalah-masalah simulasi dengan berbagai cara.
Jika masalah tersebut sangat kompleks dan proses yang diamati melibatkan ribuan
percobaan simulasi, maka suatu program komputer dapat digunakan untuk
membangkitkan bilangan acak yang dibutuhkan. Jika simulasi dilakukan secara
manual, pemilihan bilangan acak dapat dilakukan dengan memilih angka-angka dari
tabel bilangan acak. Dimana setiap digit atau angka dalam tabel memiliki kesempatan
yang sama untuk muncul.
5. Menjalankan simulasi dari serangkaian percobaan
Lakukan simulasi untuk sejumlah besar pengamatan. Jumlah replikasi yang sesuai
dengan cara yang sama dengan jumlah yang tepat dari suatu sampel dalam
eksperimen aktual. Uji statistik yang umum mengenai signifikansi yang dapat
digunakan. Dengan simulasi komputer, jumlah sampel yang dapat dilakukan sangat
besar dan ekonomis untuk menjalankan sampel besar dengan tingkat kesalahan yang
sangat kecil.

1.3 Diagram Simulasi Monte Carlo

Adapun diagram proses monte carlo dapat dilihat pada Gambar 3.1.

Gambar 2.1 Diagram simulasi monte carlo

1.4 Contoh Studi Kasus Model Simulasi Monte Carlo
1.4.1 Contoh 1

Setelah melakukan pengamatan selama 200 hari, sebuah toko ban memperkirakan permintaan
ban per harinya. Toko tersebut hendak memperkirakan permintaan ban untuk 10 hari kedepan.
Berikut adalah tabel distribusi permintaan yang dapat dilihat pada Tabel 1.1.

Permintaan Frekuensi (hari)

0 10
1 20
2 40
3 60
4 40
5 30
Total 200

Dari soal penyelesaoan tersebut dapat dilakukan penyelesaian dengan mengikuti beberapa
tahapan. Adapun tahapan tersebut dapat dijabarkan sebagai berikut:
1. Langkah pertama : Menetapkan distribusi probabilitas
Untuk menetapkan distribusi probabilitas, maka dapat dihitung dari frekuensi dibagi
dengan jumlah pengamatan yang dilakukan, dapat dilihat pada Tabel 1.2.

Variabel Permintaan Probabilitas

0 10/200 = 0,05
1 20/200 = 0,10
2 40/200 = 0,20
3 60/200 = 0,30
4 40/200 = 0,20
5 30/200 = 0,15
Total 200/200 = 1,00

2. Langkah kedua : Menetapkan distribusi kumulatif

Untuk menetapkan distribusi kumulatif dapat dhitung dnegan menambahkan nilai
probabilitas baris satu tetap, kemudian baris dua di tambah baris satu, baris tiga di
 tambah baris dua dan seterusnya sampai pada variabel permintaan keenam. Adapun
hasil dari kumulatif probabilitas tersebut dapat dilihat pada Tabel 1.3.

Variabel Permintaan Probabilitas Kumulatif Probabilitas

0 10/200 = 0,05 0,05
1 20/200 = 0,10 0,15
2 40/200 = 0,20 0,35
3 60/200 = 0,30 0,65
4 40/200 = 0,20 0,85
5 30/200 = 0,15 1,00

3. Langkah 3 : Interval bilangan acak

Selanjutnya membuat interval bilangan acak yang dapat dilihat pada Tabel 1.4.

Variabel Probabilitas Kumulatif Interval

Permintaan Probabilitas Bilangan Acak
0 10/200 = 0,05 0,05 01 – 05
1 20/200 = 0,10 0,15 06 – 15
2 40/200 = 0,20 0,35 16 – 35
3 60/200 = 0,30 0,65 36 - 65
4 40/200 = 0,20 0,85 66 – 85
5 30/200 = 0,15 1,00 86 – 99

4. Langkah 4 : Pembangkit bilangan acak

Melakukan penarikan terhadap bilangan acak yang dapat dilihat pada Tabel 1.5.
1 2 3 4 5 6 7 8 9 10
52 37 82 69 98 96 33 50 88 90

5. Langkah 5 : Menjalankan Simulasi

Langkah selanjutnya setelah input data yaitu menjalankan simulasi yang dapat dilihat
pada Tabel 1.6.
 Hari Bilangan Acak Hasil Simulasi
1 52 3
2 37 3
3 82 4
4 69 5
5 98 5
6 96 5
7 33 2
8 50 3
9 88 5
10 90 5
Total 39

Rata rata permintaan per hari : 39/10 = 3,9 ban

Cara ekspektasi:
5

E = ∑ (probablitas dari ban) x ( permintaan ban)

i=0

= (0,05)(0) + (0,10)(1) + (0,20)(2) + (0,30)(3) + (0,20)(4) + (0,15)(5)

= 2,95 ban
Kalau dilakukan 100 kali penarikan bilangan acak akan terlihat jelas permintaan ban
sesuai dengan masa lalu yang disimulasikan

1.4.2 Contoh 2

Terdapat distribusi permintaan sepatu yang dapat dilihat pada Tabel 1.7.
 Nomor Urut Permintaan/hari Frekuensi Permintaan
1 4 Pasang 5
2 5 Pasang 10
3 6 Pasang 15
4 7 Pasang 30
5 8 Pasang 25
6 9 Pasang 15
Jumlah 100

Dari soal diatas, langkah pertama yang harus dilakukan yaitu mencari interval bilangan
acak yang dapat dilihat pada Tabel 1.8.

Nomor Urut Permintaan/hari Probabilitas Kumulatif Interval

Distribusi Bilangan
Acak
1 4 Pasang 5 0,05 00-05
2 5 Pasang 10 0,15 06-15
3 6 Pasang 15 0,30 16-30
4 7 Pasang 30 0,60 31-60
5 8 Pasang 25 0,85 61-85
6 9 Pasang 15 1,00 86-99

Setelah didapatkan langkah selanjutnya yaitu melakukan simulasi kebutuhan sepatu yang
dapat dilihat pada Tabel 1.9.

Hari Bilangan Acak Kebutuhan Sepatu

1 0,5751 7
2 0,1270 5
3 0,7039 8
4 0,3853 7
5 0,9166 9
 6 0,2888 6
7 0,9518 9
8 0,7348 8
9 0,1347 5
10 0,9014 9

Rata rata permintaan per hari : 73/10 = 7,3 psg

Cara ekspektasi:

E =∑ (probablitas dari sepatu) x (permintaan sepatu)

I = 10
= (0,05) (4) + (0,10) (5) + -----------------------+ (0,15) (9)
= 7,05 psg
Kalau dilakukan 100 kali penarikan bilangan acak akan terlihat jelas permintaan ban
sesuai dengan masa lalu yang disimulasikan.

1.5 Kesimpulan

Dasar simulasi Monte Carlo adalah mengadakan percobaan (eksperimen) pada elemen-
elemen probabilistik melalui sampling acak. Sehingga simulasi Monte Carlo
mengizinkan manajer untuk menentukan beberapa kebijakan yang menyangkut kondisi
perusahaan.
 BAB II
SIMULASI ANTRIAN

2.1 Contoh Antrian

Berikut dibawah ini adalah beberapa contoh antrian yang sering ditemui diantaranya
yaitu sebagai berikut:
1. Pelanggan menunggu pelayanan di kasir,
2. Mahasiswa menunggu konsultasi dengan pembimbing,
3. Mahasiswa menunggu registrasi dan pembayaran SPP,
4. Penumpang kereta api menunggu pelayanan loket penjualan karcis,
5. Pengendara kendaraan menunggu pengisian bahan bakar, dan
6. Beberapa produk atau komponen menunggu untuk di selesaikan.

2.2 Struktur Model Antrian

Adapun struktur model antrian pada simulasi komputer dapat dilihat pada Gambar 2.1.

Dari gambar struktur sistem antrian diatas dapat diberikan keterangan bahwa:
1. Garis tunggu atau sering disebut dengan antrian (queue)
2. Fasilitas pelayanan (service facility)
2.3 Contoh Sistem Antrian

Berikut adapah beberapa contoh sistem antrian yang dapat dilihat pada Tabel 2.1.
Sistem Garis tunggu atau Fasilitas
antrian
Lapangan Terbang Pesawat nunggu di Landasan pacu
landasan
Bank Nasabah (orang) Kasir
Pencucian Mobil Mobil Tempat pencucian mobil
Bongkar Muat Barang Kapat dan Truk Fasilitas bongkar muat
Sistem Komputer Program Komputer CPU, Printer, dll
Bantuan Pengobatan Orang Ambulance
Darurat
Perpustakaan Anggota Perpustakaan Pegawai perpustakaan
Registrasi Mahasiswa Mahasiswa Pusat registrasi
Schedule Sidang Kasus yang disidangkan Pengadilan
Pengadilan

2.4 Prosedur Antrian

Adapun prosedur antrian pada simulasi antrian yaitu sebagai berikut:

1. Tentukan sistem antrian yang harus dipelajari
2. Tentukan model antrian yang cocok
3. Gunakan formula matematik atau metode simulasi untuk menganalisa model
antrian

2.5 Komponen Sistem Antrian

Berikut ini adalah beberapa bagian dari komponen sistem antrian yang dapat dijabarkan
sebagai berikut:
1. Populasi masukan
Berapa banyak pelanggan potensial yang masuk sistem antrian
2. Distribusi kedatangan
Menggambarkan jumlah kedatangan per unit waktu dan dalam periode waktu
tertentu berturut-turut dalam waktu yang berbeda
3. Disiplin pelayanan
Pelanggan yang mana yang akan dilayani lebih dulu yaitu:
a. FCFS (first come, first served)
b. LCFS (last come, first served)
c. Aca
d. Prioritas
4. Fasilitas Pelayanan
mengelompokkan fasilitas pelayanan menurut jumlah yang tersedia yaitu:
a. Single-channel
b. Multiple-channel
6. Distribusi Pelayanan
a. Berapa banyak pelanggan yang dapat dilayani per satuan waktu
b. Berapa lama setiap pelanggan dapat dilayani
6. Kapasitas sistem pelayanan
memaksimumkan jumlah pelanggan yang diperkenankan masuk dalam sistem
7. Karakteristik sistem lainnya
pelanggan akan meninggalkan sistem jika antrian penuh, dsb

2.6 Notasi dalam Sistem Antrian

1. n = jumlah pelanggan dalam sistem

2. Pn = probabilitas kepastian n pelanggan dalam sistem
3. λ = jumlah rata-rata pelanggan yang datang persatuan waktu
4. µ = jumlah rata-rata pelanggan yang dilayani per satuan waktu
5. Po = probabilitas tidak ada pelanggan dalam sistem
6. P = tingkat intensitas fasilitas pelayanan
7. L = jumlah rata-rata pelanggan yang diharapkan dlm sistem
8. Lq = jumlah pelanggan yang diharapkan menunggu dalam antrian
9. W = waktu yang diharapkan oleh pelanggan selama dalam sistem
10. Wq= waktu yang diharapkan oleh pelanggan selama menunggu dalam antrian
11. 1/µ= waktu rata-rata pelayanan
12. 1/λ= waktu rata-rata antar kedatangan
13. S = jumlah fasilitas pelayanan

2.7 Persamaam Sistem Antrian

Berikut ini adalah persamaan yang ada dalam sistem antrian yang dapat dijabarkan
sebagai berikut:
λ
1. P =µ

2. Pn = P 𝑛 (1-P)
P λ
3. L = =
1−P µ−λ

λ2 P2
4. Lq = µ (µ− λ) = 1− P
1
5. W = µ− λ
λ
6. Wq = µ(µ− λ)

2.8 Contoh Soal

λ = 20 dan µ = 25
1. Tingkat intenstas (kegunaan) pelayanan atau p
λ 20
p   0,80
μ 25
Angka tersebut menunjukkan bahwa operator akan sibuk melayani kendaraan selama
80% dari waktunya. Sedangkan 20% dari waktunya (1 – p) yang sering disebut idle
time akan digunakan operator untuk istirahat, dan lain-lain.
2. Langkah selanjutnya
λ 20
L   4, atau
μ - λ 25  20
p 0,80
L  4
1 - p 1  0,80
 Angka tersebut menunjukkan bahwa operator dapat mengharapkan 4 mobil yang
berada dalam sistem
3. Menghitung jumlah pelanggan yang diharapkan menunggu dalam antrian
λ2 (20) 2 400
Lq     3,20
μ(μ - λ) 25(25  20) 125
Angka tersebut menunjukkan bahwa mobil yang menunggu untuk dilayani dalam
antrian sebanyak 3,20 kendaraan
4. Menghitung waktu yang diharapkan oleh pelanggan selama dalam system
1 1 1
W    0,20 jam atau 12 menit
μ - λ 25  20 25
Angka tersebut menunjukkan bahwa waktu rata-rata kendaraan menunggu dalam
sistem selama 12 menit
5. Menghitung waktu yang diharapkan oleh pelanggan selama menunggu dalam antrian
λ 20 20
Wq     0,16 jam atau 9,6 menit
μ(μ - λ) 25(25  20) 125
Angka tersebut menunjukkan bahwa waktu rata-rata kendaraan menunggu dalam
antrian selama 9,6 menit

2.8.1 Hubungan Persamaan

Hubungan antara L, Lq, W dan Wq dapat dilihat pada rumus dibawah ini:

1. L =λW

2. Lq = λ Wq

3. W = Wq + 1/µ

µ = rata-rata tingkat pelayanan untuk setiap fasilitas pelayanan

λ Lq 1 λ
p Wq  W  Wq  L  λW  Lq 
μs λ μ μ
  λ n λ s 
 ( ) ( )   ( μλ ) n
s -1
μ μ   ( Po ), jika 0  n  s λ
Po     Pn   λn!n Po ( )s p
 n 0 n! s!(1 - )  λ μ
 μ ( Po ), jika n  s
( )
Lq  
 sμ   s!s n-s s!(1 - p)2

Penyelesaian

λ
Po ( )s p 0,20(12 )5 (12 )
μ 5 15  0,20(13,824 )(0,80)
Lq  2

s!(1 - p) 12 6(0,04)
3!(1 - ) 2
15

2,21184
Lq   9,216 pasien
0,24

Lq 9,216
Wq    0,768 jam atau 46 menit
λ 12

1 1
W  Wq   0,768   0,968 jam atau 58 menit
μ 5

L  λW  12(0,968)  11,62

2.9 Model Network dalam Sistem Antrian

Berikut ini adalah modek network yang dapat dilihat pada Gambar 2.2.
 BAB III
SIMULASI

3.1 Definisi Simulasi

Definisi suatu simulasi dapat dijabarkan sebagai beirkut:

1. Suatu upaya untuk menirukan beroperasinya suatu sistem melalui (menggunakan )
suatu model
2. Suatu sistem yang digunakan untuk memecahkan atau menguraikan persoalan-
persoalan dalam kehidupan nyata yang penuh dengan ketidak pastian
3. Proses merancang model (matematika) dari suatu sistem dan kemudian
menjalankanya untuk mendeskripsikan, menjelaskan, dan menduga tingkah laku
(karateristik dinamis ) sistem

3.2 Sejarah Simulasi

Simulasi diigunakan pertama kali pada tahun 1950 pada perencanaan strategi militer.
Dekade tahun 60 an diterapkan dibidang manufakur dan jasa

3.3 Kendala Simulasi

Berikut adalah beberapa kendala dalam simulais yaitu sebagai berikut:

1. Komputer sangat mahal
2. Diperlukan pemodelan dengan program yang luas
3. Kecepatan proses sangat lambat
4. Memori terbatas

3.4 Keuntungan Simulasi

Berikut adalah beberapa keuntungan simulasi yaitu:

1. Menghemat waktu
2. Dapat melebar-luaskan waktu
3. Dapat mengawasi sumber-sumber yang bervariasi
4. Mengoreksi kesalahan perhitungan
5. Dapat dihentikan dan dijalankan
6. Mudah diperbanyak

3.5 Waktu Penggunaan Simulasi

Waktu yang tepat digunakannya simulasi yaitu sebagai beirkut:

1. Mengembangkan sebuah model matematika adalah terlalu sulit atau tidak mungkin
2. Sistem mempunyai satu atau lebih interdependent random variabel
3. Dinamika sistem sangat komplek
4. Tujuan untuk mengobservasikan perilaku sistem melalui waktu yang ditentukan

3.6 Aplikasi Penggunaan Simulasi

Berikut adalah beberapa aplikasi penggunaan atau penerapa simulasi yaitu sebagai
berikut:
1. Industri manufaktur
2. Mobil
3. Elektronik
4. Konveksi
5. Makanan/minimum
6. Pabrik besi/cor
7. Pabrik kimia
8. Industri jasa
9. Pendidikan
10. Bank
11. Rumah sakit
12. Hotel
13. Hiburan
14. Transportasi
15. Biro perjalanan
3.7 Peran Simulasi Sebagai Alat Pemecah Masalah

Berikut adalah peran simulais sebagai alat pemecah masalah yaitu:

1. Analisis Inventori
2. Sistem Antrian
3. Penjadualan
4. Sistem Distribusi
5. Permainan
6. Sistem material handling

3.8 Langkah-langkah Simulasi

Berikut adalah beberapa langkah dari simulais yaitu sebagai berikut:

1. Analisis Inventori
2. Sistem Antrian
3. Penjadualan
4. Sistem Distribusi
5. Permainan
6. Sistem material handling

3.9 Formulasi Masalah

Beriku adalah beberapa formulasi masalah yaitu sebagai beirkut:

1. Mengidentifikasikan variabel keputusan dan variabel tak terkendali
2. Menspesifikasikan variabel kendala (constrain) pada variabel kendala
3. Menentukan ukuran performansi sistem dan fungsi objektif
4. Mengembangkan model awal

3.10 Pengumpulan Data dan Analisis

Berikut adalah bebebrapa labgkah yang harus dilakukan untuk mengumpulkan data dan
melakukan analisis yaitu sebagai berikut:
1. Pengumpulan data pada sistem yang diamati
2. Rancangan Teknis (manual/otomatis)
3. Mencari model (probabilitas) yang sesuai dengan sistem

3.11 Pengembangan Model

Adapun pengembangan model dalam simulasi yaitu sebagai berikut:

1. Memahami sistem
2. Konstruksi model
3. Diagram alir (flow chart)
4. Pemilihan bahasa pemograman
5. Bilangan random dan statistik
6. Pemograman dan debugging

3.12 Verifikasi dan Validasi Model

Adapun pengertian dari verifikasi dan validasi model yaitu sebagai berikut:
1. Model : konseptual, logika, komputer
2. Verifikasi : internal model (debugging)
3. Validasi : kecocokan model dengan sistem (kenyataan)

3.13 Eksperimen dan Optimasi

Berikut adalah langkah melakukan eksperimen dan optimasi yaitu:

1. What if” experimentation
2. Rancangan percobaan
3. Analisis output

3.14 Implementasi

Berikut ini adalah implementasi terhadap simulai yaitu:

1. Penggunaan model simulasi untuk pemecahan masalah pada sistem yang dimodelkan
2. Komunikasi antar pengguna dan analis
 BAB IV
VERIFIKASI DAN VALIDASI MODEL SIMULASI

4.1 Pengertian Verifikasi

“Verifikasi merupakan proses pemeriksaan kesesuaian model logika operasional dengan

logika diagram alur atau dapat disederhanakan dengan “apakah terdapat kesalahan dalam
program?” (Hoover dan Perry, 1989). “Verifikasi merupakan suatu proses untuk
memeriksa kesesuaian jalannya program computer simulasi dengan yang diinginkan
dengan cara melakukan pemeriksaan program computer, selain itu verifikasi dapat
diartikan sebagai proses penerjemahan model simulasi konseptual kedalam bahasa
pemrograman secara benar”. (Law dan Kelton 1991).

4.2 Pengertian Validasi

Suatu model dapat dikatakan valid ketika tidak memiliki perbedaan yang signifikan
dengan system nyata yang diamati baik dari karakteristiknya maupun dari perilakunya.

Validasi dapat dilakukan dengan menggunakan alat uji statistic yang meliputi uji
keseragaman data output, uji kesamaan dua rata-rata, uji kesamaan dua variansi dan uji
kecocokan distribusi.

4.3 Aturan Verifikasi dan Validasi dalam Simulasi

Berikut ini merupakan verifikasi dan validasi dalam simulasi yang penjelasannya seperti
dibawah ini:
1. Verifikasi
Terdapat beberapa hal yang harus diperhatikan dalam melakukan verifikasi pada
model logika, diantaranya:
 a. Apakah kejadian telah direpresentasikan dengan benar?
b. Rumus matematika dan relasi apakah sudah benar?
c. Ukuran statistic apakah sudah dirumuskan dengan benar?

Terdapat beberapa hal yang harus diperhatikan dalam melakukan verifikasi pada
model computer atau simulasi, diantaranya:
a. Apakah semua aspek mode logika telah dimuat oleh kode computer?
b. Apakah perhitungan statistic dan rumus telah dilakukan dengan benar?
c. Apakah model mengandung kesalahan pengkodean?
2. Validasi
Terdapat beberapa hal yang harus diperhatikan dalam melakukan validasi pada model
konseptual, diantaranya:
a. Sudahkah semua elemen, kejadian dan relasi yang sesuai terdapat didalam model?
b. Apakah pertanyaan pemodelan sudah dapat dijawab dengan model?

Terdapat beberapa hal yang harus diperhatikan dalam melakukan validasi pada model
logika, diantaranya:
a. Apakah semua kejadian yang terdapat pada model konseptual telah dimuat di
dalam model?
b. Apakah semua relasi yang terdapat dalam model konseptual telah dimuat didalam
model?

Terdapat beberapa hal yang harus diperhatikan dalam melakukan validasi pada model
computer atau simulasi, diantaranya:
a. Apakah model computer benar merupakan representasi dari system nyata?
b. Apakah model computer dapat melakukan duplikasi kinerja system nyata?
c. Apakah output dari model computer mempunyai kredibilitas dengan ahli system
dan pembuat keputusan?
4.4 Verifikasi Model Komputer

Terdapat beberapa teknik dalam melakukan Verifikasi Progam, yaitu:

1. Buatlah dan debug program komputer dalam modul-modul atau subprogram-
subprogram
2. Buatlah program komputer secara bersama-sama (lebih dari satu orang)
3. Menjalankan simulasi dengan berbagai variasi parameter input dan memeriksa
apakah outputnya reasonable
4. Melakukan “trace”. Teknik ini merupakan salah satu teknik yang powerful yang
dapat digunakan untuk mendebug program simulasi event diskrit.
5. Buatlah dan debug program komputer dalam modul-modul atau subprogram-
subprogram
6. Buatlah program komputer secara bersama-sama (lebih dari satu orang)
7. Menjalankan simulasi dengan berbagai variasi parameter input dan memeriksa
apakah outputnya reasonable
8. Melakukan “trace”. Teknik ini merupakan salah satu teknik yang powerful yang
dapat digunakan untuk mendebug program simulasi event diskrit.

Model komputer diverifikasi dengan menunjukkan bahwa program komputer adalah

implementasi tepat model logis. Verifikasi model komputer sangat tergantung dengan
bahasa pemrograman yang digunakan dan tidak ada metodologi umum yang disetujui.

Verifikasi model komputer dapat dilakukan dengan cara menggunakan Metode

pemrograman terstruktur, melakukan Penelusuran model simulasi, melakukan Pengujian
atau Pengujian relasi logis kemudian melakukan Verifikasi dengan model analitis dan
Verifikasi menggunakan grafik.

Penjelasan Detail Mengenai Cara Verifikasi Model Computer: (Metode Pemrograman

Terstruktur)
1. Program dirancang mulai dari proses level tertinggi yang kemudian didekomposisi
menjadi modul pendukung yang kemudian dapat didekomposisi lagi (top-down).
2. Modularitas, setiap modul pendukung bertanggung jawab untuk satu fungsi.
3. Perbaikan step by step: setiap modul dikembangkan dengan perbaikan step by step
dan diakhiri dengan kode khusus-bahasa pemrograman. Beberapa langkah perbaikan
sudah terjadi pada pengembangan model logis.
4. Pemampatan modul: modul harus pendek.
5. Kontrol Terstruktur : semua kode kontrol harus sangat terstruktur menggunakan
pernyataan IF-THEN-ELSE, WHILE, REPEAT-UNTIL, FOR DAN CASE.
Penggunan pernyataan GOTO harus dihindarkan.
6. Beberapa bahasa simulasi menyediakan kemampuan-terpasang penelusuran simulasi
sebagaimana terjadinya. Ketika model simulasi diprogram menggunakan bahasa
umum (seperti FORTRAN, Pascal, C++), tentu saja analis harus membangun
kemampuan penelusuran dalam kode program. Ketika membangun program model
logika, mekanisme penelusuran simulasi harus dimasukkan sebagai bagian dari
disain program dan tidak ditutupi ketika ada kesalahan dalam program komputer.
7. Pada pendekatan bottom-up, yang terendah, modul dasar pada umumnya diuji dan
diverifikasi terlebih dahulu. Pendekatan kadang-kadang disebut dengan pengujian
unit. Setelah modul dasar diuji, uji terintegrasi dilakukan dimana interface diantara
kedua modul diuji. Pendekatan bottom-up ini berlanjut terus sampai model dapat
diuji sebagai sistem tunggal. Bagian terpenting dalam pengujian adalah seleksi data
uji. Keuntungan pengujian modul paling rendah terlebih dahulu adalah pengujian itu
membutuhkan himpunan data uji yang lebih kecil daripada modul integrasi yang
lebih besar. Modul dapat diuji menggunakan driver yang menurunkan data uji, dan
kemudian modul dieksekusi.
8. Pada pendekatan top-down, pengujian dimulai dengan modul utama dan secara
inkremental bergerak turun ke modul paling rendah. Dalam pengujian top-down,
rutin (routine) dummy dibutuhkan untuk mensimulasikan fungsi modul level paling
rendah. Keuntungan pendekatan top-down adalah proses berlangsung secara logika,
paralel dengan aliran program. Programmer dan manajer biasanya lebih menyukai
pendekatan top-down karena keberlangsungna proses dapat dilihat. Setelah model
diuji baik dengan pendekatan bottom-up ataupun top-down, model harus diuji coba
dengan kondisi paling ekstrim. Jika dipilih dengan hati-hati, hasil simulasi dengan
kondisi ekstrim dapat diprediksi.
9. Relasi ini dapat didasarkan pada hukum konservasi atau secara statistik. Jika relasi
ini tidak diperhatikan, maka program bukan implementasi benar dari model logis.
Saat paling sesuai untuk memeriksa relasi itu adalah ketika model berjalan tahap
demi tahap. Secara tipikal, kesalahan pemrograman tidak acak dan berdistribusi
secara uniform, tetapi berkumpul secara kluster.

4.5 Validasi Model Simulasi

Berikut ini merupakan validasi dari model simulasi yang penjelasannya dijelaskan
sebagai berikut:
1. Eksperimen dengan model simulasi untuk eksperimen sistem actual
2. Kemudahan atau kesulitan dari proses validasi tergantung pada kompleksitas sistem
yang dimodelkan
3. Sebuah model simulasi dari sebuah sistem yang kompleks hanya dapat menjadi
pendekatan terhadap aktual sistem
4. Sebuah model simulasi sebaiknya selalu dibangun untuk sekumpulan tujuan tertentu
5. Sebuah buku catatan dari asumsi-asumsi model simulasi sebaiknya diupdate berkala
6. Sebuah model simulasi sebaiknya divalidasi relatif terhadap ukuran kinerja yang
akan digunakan untuk pengambilan keputusan
7. Pembentukan model dan validasi sebaiknya dilakukan sepanjang pensimulasian
8. Pada umumnya tidak mungkin untuk membentuk validasi statistik secara formal
diantara data output model dengan data output sistem aktual
 BAB V
ANALISA OUTPUT SIMULASI

5.1 Pengertian Analisa Output Simulasi

Analisis output (keluaran) adalah pengolahan data yang dihasilkan oleh sebuah simulasi
dan analisis output ini berguna untuk memprediksi performansi sebuah sistem atau untuk
membandingkan performansi terhadap dua atau lebih rancangan sistem alternatif (Banks,
et all., 2001).

5.2 Sifat Stokastik dari Data Output

Berikut ini merupakan sifat stokastik dari data output yang dijabarkan sebagai berikut:
1. Akibat penggunaan random variate di model input–variability juga terbawa ke output
2. Penggunaan aliran data random

5.3 Tujuan Analisa Output Simulasi

Berikut ini merupakan tujuan analisa output simulasi yang dijelaskan sebagai berikut
seperti dibawah ini:
1. Maksud: memperkirakan performansi sistem melalui simulasi Ѳ
2. Jika adalah performansi sistem, ketelitian dari estimator Ѳ bisa diukur dengan
a. Standard error dari Ѳ
b. Lebar dari confidence interval (CI) dari Ѳ
3. Tujuan dari analisis statistik
a. Untuk mendapatkan standard error atau CI
b. Untuk memperkirakan banyaknya observasi untuk mendapatkan standar error
atau CI yang diinginkan
4. Masalah/isu yang akan muncul
a. Autocorrelation
b. Initial conditions
5.4 Tipe Simulasi yang Memenuhi Analisis Output

Apabila melakukan analisis keluaran data simulasi, maka bedakan terlebih dahulu antara
terminating atau transient simulation dengan steady state simulation
1. Terminating simulation
a. Simulasi jalan sampai TE, E adalah event dimana simulasi berhenti, contoh :
simulasi sampai 100 customer
b. Dimulai waktu 0 dengan kondisi initial yang didefinisikan.
c. Berhenti pada waktu TE
2. Non terminating simulation
a. Berjalan secara kontinu atau paling tidak selama waktu (simulasi) yang lama.
b. Kondisi awal ditentukan oleh analis
c. Berjalan selama waktu tertentu yang ditentukan oleh analis
d. Dipelajari steady state dari sistem, yaitu kondisi yang tidak dipengaruhi oleh
kondisi awal.

Terminating simulation adalah simulasi yang dijalankan dalam durasi waktu tertentu saja
karena adanya events yang menghentikan simulasi.

Berikut ini merupakan contoh:

Contoh 1.
Sebuah bank beroperasi mulai pukul 8.30 pagi dan tutup pada pukul 14.30 sore. Pada saat
buka, diawali dengan tidak ada nasabah dan sebagian teller dalam kondisi siap melayani.
Penghentian sistem dalam contoh ini adalah waktu simulasi hanya dibatasi selama 480
menit. Kemudian tujuan simulasi dalah mengamati interaksi antara nasabah dengan teller
selama satu hari penuh, mencakup dampak inisial awal berupa hanya sebagian teller saja
yang siap dan dampak penutupan bank pada sore hari.
Contoh 2
Sebuah simulasi dilakukan untuk mengamati kondisi sibuk sebuah bank pada pukul 11.30
s.d. 13.30 atau selama 120 menit. Kondisi ini mengakibatkan inisial sistem dapat berupa
(1) jumlah nasabah pada pukul 11.30 yang diambil dari observasi beberapa hari di sistem
nyata, atau (2) simulasi dijalankan mulai pagi hari, kemudian kondisi pada pukul 11.30
dijadikan inisial awal untuk titik pengamatan.
Contoh 3
Sebuah mesin yang terdiri dari 4 komponen akan berhenti bekerja apabila komponen 1
rusak, atau komponen 4 rusak, atau kedua komponen no 2 dan 3 rusak. Berhentinya mesin
tersebut tidak berdasarkan rentang waktu yang pasti, tetapi masih probabilitas. Dalam hal
ini, tujuan simulasi mungkin ingin mengetahui waktu antar kerusakan mesin.
Contoh 4
Sebuah pabrik memiliki sistem produksi kontinu dimulai dari senin pagi sampai sabtu
malam. Shift pertama (senin-sabtu) digunakan untuk mengisi bahan baku ke tangki untuk
menghasilkan beberapa jenis produk. Bahan baku itu sendiri dibuat secara kuntinu selama
hari kerja (senin sampai jumat, dan khusus jumat shift ketiga digunakan untuk
pembersihan mesin pembuat bahan baku. Oleh karena itu, tangki-tangki bahan baku
umumnya hampir habis setiap akhir pekan, selain itu, sisa bahan baku pada tangki pada
hari senin digunakan untuk mengkover kegagalan pencapaian produksi minggu
sebelumnya. Simulasi yang dirancang digunakan untuk mengamati kondisi persediaan
tangki-tangki bahan baku pada shit pertama (waktu ke 0 s.d. 8) untuk mendapatkan
kebijakan jadwal pengisian persediaan yang baik.

Contoh 1 dan 2 sebenarnya secara tegas menunjukkan terminating simulation karena

masa pengamatan simulasi secara tegas dapat dibatasi untuk rentang waktu tertentu. Hal
tersebut karena titik tujuan evaluasi sudah jelas. Berbeda sedikit dengan contoh 3, apabila
tujuannya hanya untuk melihat kapan mesin rusak, maka simulasi cukup dihentikan saat
mesin rusak dan dilengkapi dengan beberapa kali eksperiman. Namun apabila diinginkan
mengamati proses sistem secara menyeluruh dalam artian setelah mesin breakdown,
sistem jalan lagi, maka simulasi tetap jalan dalam rentang waktu yang bisa tidak terbatas
(nonterminating) sesuai keinginan pengamat.

Dengan demikian, apakah sebuah simulasi akan dipertimbangkan menjadi terminating

atau nonterminating akan tergantung pada tujuan simulasi dan kondisi real sistem
yang diamati.
Secara khusus, contoh 4 termasuk terminating simulation, hanya saja juga contoh dalam
transient / nonstationary simulation. Hal ini karena titik amatan pada level inventori yang
bergerak terus dalam periode pagi sampai sore

Nonterminating simulation atau nantinya juga disebut steady state simulation adalah
simulasi yang ditujukan untuk mengamati sistem dalam jangka waktu lama, atau melihat
kondisi steady state suatu simulasi nonterminating.

Contoh 5
Sama halnya dengan contoh 4, namun simulasi dilakukan untuk melihat level produksi
dan efisiensi produksi pada proses pembuatan produk pada shit kedua dan ketiga (selama
13 shift sampai sabtu malam). Untuk melihat secara presisi terkait level produksi dan
efisiensi produksi, bisa saja dipertimbangkan menjalankan simulasi lebih dari 13 shift (13
shift adalah proses real yang terjadi di sistem)
Contoh 6
Sebuah perusahaan cloud computing menyediakan jasa cloud computing baik dalam skala
jasa infrastruktur (penyedia hardware, OS, dan software) maupun platform (jasa OS).
Berkaitan dengan adanya beban kerja, perusahaan mempertimbangkan adanya
penambahan komputer server, hardisk dan berbagai konfigurasinya. Oleh karena itu,
dbuat simulasi yang dijalankan dalam waktu yang lama untuk melihat kondisi steady state
kebutuhan server dan konfigurasinya.