BAB

1
DASAR
SIMULASI
PEMODELAN

Bagian yang direkomendasikan untuk bacaan pertama:

1.1 sampai 1.4, 1.7, 1.9

1.1 SIFAT SIMULASI

Ini adalah buku tentang teknik untuk menggunakan komputer
untuk meniru, atau mensimulasikan, operasi fasilitas berbagai
jenis atau nyata proses dunia Fasilitas yang atau proses sistem
menarik biasanya disebut , dan untuk kita mempelajarinya
secara ilmiah sering kali harus membuat serangkaian tentang
cara kerjanya. Asumsi ini, yang biasanya berbentuk hubungan
matematis atau logis, merupakan model yang digunakan untuk
mencoba mendapatkan pemahaman tentang bagaimana sistem
yang sesuai berperilaku.
Jika hubungan yang membentuk model cukup sederhana,
dimungkinkan untuk menggunakan metode matematika
(seperti aljabar, kalkulus, atau teori probabilitas) untuk
memperoleh tepat tentang pertanyaan yang menarik ; ini
disebut solusi analitik .analitis, dan model ini harus dipelajari melalui secara
simulasi . Dalam komputer simulasi kami untuk mengevaluasi model secara
numerik, dan data dikumpulkan untuk dari memperkirakan karakteristik sebenarnya
yang diinginkan model .

2 SIMULASI
PEMODELAN
DAN ANALISIS
 Sebagai contoh penggunaan simulasi , pertimbangkan sebuah perusahaan
yang besar ke salah satu pabriknya tetapi tidak yakin apakah potensi peningkatan
produktivitas akan membenarkan biaya konstruksi. Tentu tidak akan hemat biaya
untuk membangun ekstensi dan kemudian menghapusnya nanti jika tidak berhasil.
Namun, studi simulasi yang cermat dapat menjelaskan pertanyaan tersebut dengan
mensimulasikan pengoperasian pabrik seperti yang ada saat ini dan seperti yang
akan terjadi jika pabrik diperluas.
Area aplikasi untuk simulasi sangat banyak dan beragam. Di bawah ini adalah
beberapa jenis dari masalah yang simulasi telah ditemukan menjadi alat yang
berguna dan kuat:

• Merancang dan menganalisis sistem manufaktur

• Mengevaluasi kebutuhan perangkat keras dan perangkat lunak untuk sistem
komputer • Mengevaluasi sistem senjata militer baru atau taktik ; '// l •
Menentukan kebijakan pemesanan untuk sistem inventaris
• Merancang sistem komunikasi dan protokol pesan untuk mereka • Merancang dan
mengoperasikan fasilitas transportasi seperti jalan raya, bandara, kereta bawah
tanah, atau pelabuhan
• Mengevaluasi desain untuk organisasi layanan seperti rumah sakit, kantor pos,
atau restoran cepat saji
• Menganalisis sistem keuangan atau ekonomi

Sebagai teknik, simulasi adalah salah satu yang paling banyak digunakan
dalam riset operasi dan ilmu manajemen. Dalam survei lulusan lulusan Departemen
Riset Operasi di Case Western Reserve University (salah satu departemen pertama
dari jenis ini), Rasmussen dan George (1978) menemukan bahwa di antaraMS ,
simulasi menduduki peringkat kelima di antara sekitar lima belas bidang studi.
dalam hal nilainya setelah lulus (di balik apa yang mereka sebut " metode
statistik", "peramalan", "analisis sistem", dan "sistem informasi", yang semuanya
bisa dibilang berada di luar bidang riset operasi dan
ilmu manajemen). Di antara Ph.D. lulusan, simulasi terikat (dengan program linier
ming) untuk kedua (di belakang "metode statistik"). Thomas dan DaCosta (1979),
dalam survei jenis yang berbeda, meminta sekitar 137 perusahaan besar untuk
menunjukkan mana dari empat belas teknik yang mereka gunakan, dan simulasi
berada di urutan kedua, dengan 84 persen perusahaan menjawab bahwa mereka
menggunakannya (apa yang mereka sebut "analisis statistik" menempati urutan
pertama dalam survei ini, dengan 93 persen). Anggota dari Divisi Riset Operasi
American Institute of Industrial Engineers disurvei oleh Shannon, Long, dan
Buckles (1980), yang melaporkan bahwa simulasi menduduki peringkat kedua
dalam "keakraban" (tepat di belakang pembuatan program linier), tetapi pertama
dalam hal utilitas dan bunga, di antara beberapa dua belas metodologi. Forgionne
(1983) dan Harpell, Lane, dan Mansour (1989) juga melaporkan bahwa simulasi
menduduki peringkat kedua dalam pemanfaatan (sekali lagi di belakang "analisis
statistik" saja) di antara delapan alat dalam survei perusahaan besar. Semua

BASIC SIATIONMODELING 3 ini

tahunbeberapa, dan kita dapat berasumsi bahwa nilai

penggunaan simulasi MULsurveiperbaikantelah meningkatdalam,
komputasisudahsekarangberumurdaya dalam dan karena simulasiftpada soware,
seperti didibahasbawahini . . t.
Namun, ada beberapa hambatanuntuk menerima dan kegunaan simulasi secara lebih
Pertamaluas . , model yang digunakan untuk mempelajari sistem skala besar cenderung
sangat kompleks, dan menulis program komputer untuk mengeksekusinya dapat
menjaditugas yang beratmemang. Tugas ini telah diringankan dalam beberapa tahun terakhir
dengan pengembangan produk perangkat lunak yang sangat baik yang secara otomatis
menyediakan banyak fitur yang diperlukan untuk mengkodekan model simulasi. Masalah
kedua dengan simulasi sistemyang kompleks adalah bahwa banyak waktu komputer sering
kali diperlukan Namun, kesulitan ini menjadi kurangparah karena biaya komputasi terus
turun Akhirnya, tampaknya ada kesan yang tidak menguntungkan bahwa
latihandalampemrograman hanyalah simulasi komputer meskipun , rumit . , banyak
"studi" simulasi telah disusun dari pembuatan model heuristik, pengkodean, dan menjalankan
program tunggal untuk mendapatkan " jawabannya. Kami tidak khawatir bahwa sikap ini,
yang mengabaikan masalah pentingtentangbagaimana model kode yang benar harus
digunakan untuk membuat kesimpulan tentang sistem yang menarik,diragukan lagi
menyebabkan kesimpulan yang salah diambil dari banyak simulasistudi.ns metodologi
simulasi , yang sebagian besar tidak tergantung lunak bagian dari bab - ini
. integral babterakhirmerupakan yangbuku keras digunakan danperangkat ,
perangkat padascuss sistemdan model secara lebih rincidan kemudian menunjukkan
bagaimanamenulisprogram komputer untuk mensimulasikan sistemSIMULASI dari
berbagaitingkatkompleksitas dari DAN

1.2 SISTEM, MODEL,

Sebuah sistem didefinisikan kumpulan sebagai entitas, misalnya, orang atau mesin,
yang bertindak dan berinteraksi bersama menuju pencapaian beberapa akhir logis
[Definisiini diusulkan oleh Schmidt dan Taylor (1970).] Dalam praktiknya, apa yang
dimaksud dengan "sistem" tergantung padastudi_tertentutujuankumpulanentitasyang
menyusun sistem untuk satu studimungkin hanyabagiandari keseluruhansistem untuk
yang lain. Misalnya, jika seseorang ingin mempelajari bank untuk menentukan
jumlah teller yang diperlukan untuk memberikan layanan yang memadai bagi
pelanggan yang hanya ingin mencairkan cek atau melakukan setoran tabungan,
sistem dapat didefinisikan sebagai bagian dari bank yang terdiri dari teller dan
pelanggan menunggu dalam antrean atau dilayani. Jika, di sisi lain, petugas pinjaman
dan brankas akan dimasukkan, definisi sistem harus diperluas dengan cara yang jelas.
[Lihat juga Fishman (1978, p. 3).] Kami mendefinisikan keadaan sistem menjadi
kumpulan variabel yang diperlukan untuk menggambarkan sistem pada waktu
tertentu, relatif terhadap tujuan studi. Dalam sebuah penelitian bank , contoh
variabel keadaan yang mungkin adalah jumlah yang sibuk, jumlah nasabah di bank,
dan waktu setiap di kedatangan nasabah bank .

4 SIMULASI
MODELANALISISmengkategorikan DAN Kami

. sistem menjadi jenis , diskrit dan· kontinuSistem diskrit sistem adalah yang
variabel keadaannya berubah seketika pada titik waktu . Sebuah bank adalah contoh
dari sistem diskrit, karena variabel keadaan--misalnya, jumlah pelanggan atau di
bank--<:bergantung hanya ketika pelanggan tiba ketika pelanggan selesai dilayani
dan pergi. Sistem kontinu sistem adalah di mana variabel keadaan berubah terus
menerus terhadap waktu. Sebuah pesawat terbang yang bergerak di udara adalah
contoh dari sistem kontinu, karena variabel keadaan seperti posisi dan kecepatan
dapat berubah terus menerus terhadap waktu. Beberapa sistem dalam praktiknya
sepenuhnya diskrit atau sepenuhnya kontinu, tetapi karena satu jenis perubahan
mendominasi sebagian besar sistem, biasanya dimungkinkan untuk
mengklasifikasikan suatu sistem sebagai diskrit atau kontinu.
Di beberapa titik dalam kehidupan besar sistem, ada kebutuhan untuk
mempelajarinya untuk mencoba mendapatkan beberapa wawasan tentang hubungan
di antara berbagai komponen, atau untuk memprediksi kinerja di bawah beberapa
kondisi baru yang sedang dipertimbangkan. Gambar 1. 1 memetakan berbagai cara
di mana suatu sistem dapat dipelajari.

• Percobaan dengan Sistem Aktual vs.dengan Model Sistem Percobaan: Jika

memungkinkan secara fisik dan kemudian membiarkannya beroperasi di bawah
kondisi baru, diinginkan untuk melakukannya, karena dalam kasus ini tidak ada
pertanyaanapakah kita pelajari

Eksperimen dengan
aktualEksperimen
layu sistem!
yang
tentang model model
syslCm Physica1 Solusi
analitik mempelajari
Model

matematis Simulasi
Cara
sistem

GAMBAR 1.1

suatu.

SIMULASI DASARPEMODELAN 5 relevan

 . Namun, hal ini jarang dapat dilakukan, karena eksperimen seperti itu seringkali
terlalu mahal atau terlalu mengganggu sistem. Misalnya, bank mungkin sedang
mempertimbangkan untuk mengurangi jumlah teller untuk mengurangi biaya,
tetapi sebenarnya mencoba ini dapat menyebabkan penundaan dan keterasingan
pelanggan yang lama. Secara lebih grafis, . "sistem" bahkan mungkin tidak ada,
tetapi kami ingin mempelajarinya dalam berbagai konfigurasi alternatif yang
diusulkan untuk melihat bagaimana sistem itu seharusnya dibangun; contoh situasi
ini mungkin fasilitas manufaktur fleksibel modern, atau sistem senjata nuklir
strategis. Untuk alasan ini, biasanya diperlukan untuk membangun model sebagai
representasi dari sistem dan mempelajarinya sebagai pengganti untuk sistem yang
sebenarnya. Saat menggunakan model, ada pertanyaan model apakah secaraakurat
mencerminkan sistem untuk tujuan keputusan yang akan dibuat; pertanyaan
validitas model dibahas ini secara dalam Bab. 5 .
• Model Fisik vs. Matematika: Bagi kebanyakan orang, kata "model"
membangkitkan gambaran di mobil tanah liat terowongan angin, kokpit terputus
dari pesawat mereka untuk digunakan dalam pelatihan pilot, atau supertanker mini
yang berlarian di kolam renang. Ini adalah contoh fisik (juga disebut ikonik ), dan
bukan tipikal dari jenis model yang biasanya riset operasi dan analisis sistem.
Kadang-kadang, bagaimanapun, telah ditemukan berguna untuk membangun
model fisik untuk mempelajari rekayasa atau sistem manajemen; contohnya
termasuk model skala meja dari sistem penanganan material, dan kasus setidaknya
model fisik skala penuh dari restoran cepat saji di dalam gudang, lengkap dengan
manusia skala penuh, nyata (dan mungkin lapar) [lihat Swart dan Dono (1981)].
Tetapi sebagian besar model yang dibangun untuk tujuan tersebut adalah
matematis, mewakili sistem dalam hubungan logis dan kuantitatif yang kemudian
dimanipulasi dan diubah untuk melihat bagaimana model bereaksi, dan dengan
demikian bagaimana sistem akan bereaksi jika model matematis adalah
modelyang valid. Mungkin contoh paling sederhana dari model matematika adalah
hubungan akrab d = rt, di mana r adalah laju perjalanan, t adalah waktu yang
dihabiskan untuk perjalanan, dan d adalah jarak yang ditempuh. Ini mungkin
memberikan model yang valid dalam satu contoh (misalnya, wahana antariksa ke
planet lain setelah mencapai kecepatan terbangnya) tetapi model yang sangat
buruk untuk lain (misalnya, perjalanan pada jam sibuk di jalan raya perkotaan
yang padat).
• Solusi Analitik vs. Simulasi: Setelah kita membangun model matematika, model
tersebut harus diperiksa untuk melihat bagaimana model tersebut dapat digunakan
untuk menjawab pertanyaan yang menarik tentang sistem yang seharusnya
diwakilinya. Jika modelnya cukup sederhana, dimungkinkan untuk bekerja dengan
hubungan dan kuantitasnya untuk mendapatkan analitis . Pada contoh d = rt , jika
kita mengetahui jarak yang harus ditempuh dan kecepatannya, maka kita dapat
bekerja dengan model untuk mendapatkan t = dlr sebagai waktu yang diperlukan .
Ini adalah dan
kertassolusi bentuk tertutup yang sangat sederhana yang dapat diperoleh hanya
dengan pensil solusi analitik dapat menjadi sangat kompleks, membutuhkan
komputasi

luas tetapi , .yang

 beberapamembalikkan matriks besar yang tidak jarang adalah contoh terkenal dari
analitissituasi di mana ada rumus yang diketahui secara prinsip, tetapi
memperolehnya secara numerik dalam contoh tertentu jauh dari sepele. Jika
solusi analitik untuk model matematika tersedia dan secara komputasi
efisien biasanya diinginkan untuk mempelajari model dengan cara ini daripada
melalui simulasi. Namun, banyak sistem sangat kompleks, sehingga model
matematika yang valid dari sistem itu sendiri kompleks, menghalangi
kemungkinan solusi analitis. Dalam hal ini, model harus dipelajari dengan cara
simulasi , yaitu, melatih model secara numerik untuk input yang bersangkutan
untuk melihat bagaimana pengaruhnya ukuran terhadap kinerja output.

Meskipun mungkin ada unsur kebenaran pada gergaji tua yang merendahkan seperti
"metode terakhir " yang kadang-kadang digunakan untuk menggambarkan simulasi,
kenyataannya adalah bahwa kita kompleksitas sistem situasi karena minat dan model
yang diperlukan untuk mewakili mereka dengan cara yang valid.
Mengingat, kemudian, bahwa kita memiliki model matematika untuk dipelajari
melalui simulasi (selanjutnya disebut sebagai model simulasi), kita kemudian harus
mencari alat tertentu untuk melakukan ini. Hal ini bergunauntuk tujuan ini untuk
mengklasifikasikan model simulasi di sepanjang tiga dimensi yang berbeda:

• Model Simulasi Statis vs Dinamis: Model simulasi adalah statis representasi dari
sistem pada waktu tertentu, atau yang dapat digunakan untuk mewakili sistem di
di mana waktu tidak memainkan peran; contoh simulasi statis adalah model Monte
Carlo, dibahas di Sec. l.8.3. Di sisi lain, dinamis mewakili sistem yang
berkembang dari waktu, seperti sistem konveyor model di pabrik.
• Model Simulasi Deterministik vs. Stochastic: Jika model simulasi tidak
mengandung komponen probabilistik (yaitu, acak), itu disebut de terministic ;
sistem persamaan diferensial yang rumit (dan tidak dapat dipecahkan secara
analitik) yang menggambarkan reaksi kimia mungkin merupakan model seperti
itu. Dalam model deterministik, output ditentukan " setelah himpunan kuantitas
input dan hubungan dalam model telah ditentukan, meskipun mungkin
memerlukan banyak waktu komputer untuk mengevaluasi apa itu. Banyak sistem,
bagaimanapun, harus dimodelkan sebagai memiliki setidaknya beberapa
komponen input acak, dan ini menimbulkan stokastik model simulasi(Untuk
contoh bahaya dalam keacakan pemodelan sistem, lihat Bagian 4.7.) Sebagian
besar sistem antrian dan inventaris dimodelkan secara stokastik. Model simulasi
stokastik menghasilkan keluaran yang acak , dan karena itu harus diperlakukan
hanya sebagai perkiraan karakteristik sebenarnya model ; ini adalah salah satu
kelemahan utama simulasi (lihat Bagian l.9) dibahas dan dalam Bab . 9 sampai 12
dari buku ini.
• Model Simulasi Kontinu vs. Diskrit: Secara longgar, kami mendefinisikan diskrit
dan kontinu analog dengan cara diskrit

BASIC SIMULATION MODELING 7

dan sistem kontinu didefinisikan di atas. Definisi yang

lebih tepat dari simulasi diskrit (peristiwa) dan
simulasi kontinu diberikan dalam Detik. 1.3 dan 1.8,
 masing-masing. Perlu disebutkan bahwa model diskrit tidak selalu digunakan
untuk memodelkan sistem diskrit dan sebaliknya. Keputusan apakah akan
menggunakan model diskrit atau kontinu untuk sistem tertentu tergantung pada
tujuan khusus penelitian . Misalnya, model arus lalu lintas di jalan bebas hambatan
akan menjadi diskrit jika karakteristik dan pergerakan - masing mobil penting.
Sebagai alternatif, jika mobil dapat diperlakukan "di agregat
gerbang" , arus lalu lintas dapat dijelaskan dengan persamaan diferensial dalam
model kontinu. Diskusi lebih lanjut tentang masalah ini dapat ditemukan di Sec.
5.2, dan khususnya dalam Contoh 5.1.

Model simulasi yang kami pertimbangkan di sisa buku ini, kecuali yang ada di
Sec. 1.8, akan bersifat diskrit, dinamis, dan stokastik dan selanjutnya akan disebut
model simulasi kejadian diskrit. (Karena model deterministik adalah kasus khusus
dari model stokastik, pembatasan untuk model stokastikls tidak melibatkan
kehilangan keumuman.)

1.3 SIMULASI PERISTIWA DISCRETE Simulasi

peristiwa diskrit menyangkut pemodelan yang berkembang sistem dari waktu ke
waktu dengan representasi di mana variabel keadaan berubah seketika pada titik
waktu yang terpisah. (Dalam istilah yang lebih matematis, kita dapat mengatakan
bahwa sistem dapat berubah hanya pada dapat dihitung titik yang waktu sejumlah .)
Titik di waktu ini adalah titik suatu mana suatu peristiwa terjadi, di mana
peristiwa didefinisikan sebagai kejadian sesaat berubah yang dapatkeadaan sistem.
Meskipun simulasi kejadian diskrit secara konseptual dapat dilakukan dengan
perhitungan tangan, jumlah data yang harus disimpan dan dimanipulasi untuk
sebagian besar sistem dunia nyata mengharuskan simulasi kejadian diskrit dilakukan
pada komputer digital. (Pada Bagian 1.4.2 kita melakukan tangan kecil, hanya untuk
mengilustrasikan logika yang terlibat.)

Contoh 1.1. Pertimbangkan fasilitas layanan dengan satu server---misalnya,

satu-operator barbershop atau meja informasi di bandara kami ingin yang
memperkirakan (diharapkan) rata-rata keterlambatan antrian (baris) tiba , di
mana Keterlambatan _ antrian pelanggan seorang adalah interval lamanya waktu
saat dari dia di tiba fasilitas sampai . mulai dia dilayani Untuk tujuan
memperkirakan keterlambatan rata-rata pelanggan ,variabel keadaan untuk
model simulasi kejadian-diskrit fasilitas status server,menjadi akan i .e., baik
menganggur atau sibuk, jumlah menungguantrian dalam untuk dilayani (jika ada),
dan waktu kedatangan setiap orang yang menunggu dalam antrian. Status server
diperlukan untuk menentukan, pada pelanggan, saat kedatangan apakah
pelangganakhir dapat segera dilayani atau harus bergabung dengan antrian .
Ketika server selesai melayani pelanggan, jumlah pelanggan antrian digunakan
untuk apakah menentukan serverakan atau akanidledalam melayani pelanggan
pertama dalam menjadi . antrianWaktukedatangan _ _ pelanggan
diperlukanketerlambatannya _ _ untuk menghitung dalam