Analisis Input

Biasanya digunakan dalam bentuk:

1. Antrean: waktu antar kedatangan dan waktu pelayanan
2. Inventori: demand dan lead time
3. Reliability: waktu time-to-failure komponen

Langkah-langkahnya ini yh:

1. Data Collection
Biasanya data yang dikasih tu data waktu kedatangan (kalau antrean). Jangan lupa
diubah dulu jadi data waktu antar kedatangan.
2. Identifikasi distribusi data
- Pembuatan tabel frekuensi
- Pembuatan histogram (untuk membuat dugaan pdf)
- Perhitungan statistik (deskriptif: hanya menyajikan, tanpa menarik kesimpulan.
Inferensi: menarik kesimpulan berdasarkan pemusatan dan persebaran data)
Langkah2:
1. Tentuin jumlah kelas. Rumus: 𝑘 = 1 + 3. 3 * 𝑙𝑜𝑔(𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎)
Jangan lupa ROUNDUP, terus jumlah datanya itu data waktu antar kedatangan.
𝑚𝑎𝑥 − 𝑚𝑖𝑛
2. Tentuin panjang kelas. Rumus: 𝑙 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑙𝑎𝑠 (𝑘)
3. Susun tabel kaya gini

Kelas LB UB Oj

Kelas Lower bound Upper bound Jumlah data yang masuk di range LB
ke brp untuk kelas untuk kelas hingga UB. Yang dihitung yang di
ini ini antara aja (tandanya >/< tanpa sama
dengan kecuali yang kelas 1, data
yang >= LB ikut. Dan data di kelas 2,
data yang <= UB ikut.

4. Hitung masing2 kolom

5. Gambarin histogram dengan sumbu y (vertikal) adalah Oj dan sumbu x
(horizontal) adalah kelas.
6. Interpretasi

3. Estimasi Parameter
Taksiran maximum likelihood untuk parameter beberapa distribusi:

Distribusi Taksiran Distribusi Taksiran

 Uniform (cont) 𝑎 = 𝑚𝑖𝑛 {𝑥𝑖} Lognormal

𝑏 = 𝑚𝑎𝑥 {𝑥𝑖}

Exponential 𝑛
∑ 𝑥𝑖
Uniform (discrete)
β= 𝑖=1
𝑛
note:
β = 𝑟𝑎𝑡𝑎2
1
λ = β

Normal µ = 𝑟𝑎𝑡𝑎2 Bernoulli

2
𝑠𝑢𝑚 (𝑋𝑖−µ)
σ = 𝑛

Binomial Untuk t diketahui: Binomial negatif

𝑠𝑢𝑚(𝑥𝑖−𝑛)
𝑝= 𝑡

Geometris Poisson λ = 𝑟𝑎𝑡𝑎2

Run Test
Langkah2:
1.
4. Goodness of Fit Test
Digunakan untuk menguji hipotesis 0 bahwa suatu data yang diambil secara random
memiliki distribusi probabilitas teoritis tertentu.
H0: X memiliki distribusi probabilitas teoritis f(x)
H1: X tidak memiliki distribusi probabilitas teoritis f(x)

GoF dengan Chi Square

Langkah2:
- Buat tabel kaya gini

Kelas UB LB Oj F(LB) F(UB) Pj ej Sq error

relative
to ej

Kelas Lower Upper Jumlah Fungsi Fungsi F(UB)-F Pj*n 2

(𝑂𝑗−𝑒𝑗)
ke brp bound bound data invers invers (LB) (n = 𝑒𝑗
untuk untuk yang sesuai sesuai jumlah
kelas ini kelas ini masuk dist, dist, data)
Kelas UB LB Oj F(LB) F(UB) Pj ej Sq error
relative
to ej

di range dengan dengan

LB x x
hingga adalah adalah
UB. LB UB

- (Buat tabel paling kanan) Jika nilai frekuensi <5, maka kelas digabung dengan
kelas yang bersebelahan sehingga frekuensi teoritisnya >= 5
- Hitung calculated chisq: SUM dari tabel paling kanan (yg (o-e)^2/e)
- Tentuin v (degree of freedom) dari jumlah baris tabel paling kanan (barangkali
ada yg <5 jadi ngikut ke atasnya jadi n nya belum tentu sama dengan k)
v=n-1
- Hitung chisq referensi dari tabel chisq, dengan alpha biasanya 0.05 kalo ga
dikasi kalo v nya sesuai yg di atas
- Bandingin calculated sama ref, jika calc<ref, terima H0. vice versa.
Analisis Output & Validasi
Taksiran Titik
Mencari nilai rataan dan standar deviasi untuk populasi dari sampel.
Rumusnya:

Taksiran Interval
Kalau taksiran titik tuh dia ga ngasih satu level keakuratannya berapa, bisa pake taksiran
interval buat tau. Intinya sama buat cari nilai rataan utk populasi dr sampel.

Notes: nyari rataan (Xbar) dan simpangan baku (s) bisa pake kalku. Caranya tuh kek kalo mau
regresi gitu.

Jumlah Replikasi
Jumlah replikasi dicari buat tau butuh berapa kali replikasi kalo mau nge-simul. Ada dua tipe
1. Replikasi biasa
Ini misal e (tingkat error) yg dipengenin tuh berupa bilangan integer gt. Misal, e = 1
berarti dia pengen error-nya 1 data aja. Rumusnya gini:

2. Replikasi relatif
Kalau yg ini tuh nilai e-nya berupa persentase. Misal e’ = 10% dr keseluruhan data. Jadi
yg dimasukin ya nilai persentasenya (kalo e’ = 10%, yg dimasukin di rumus 0,1).
Rumusnya gini:

JANGAN LUPA DI-ROUND UP!!!!

Uji Variansi
Uji ini tuh buat membuktikan variansi antara model (hasil simulasi) dengan aktual sama atau
ngga. Misal sama, berarti model tervalidasi.

Hipotesis-nya gini:

*Sigma kuadrat tuh maksudnya variansi populasi, tp nti yg dipake buat diuji tuh s kuadrat (sama
aja tp klo s berarti punyanya sampel)*

Nah, buat ngujinya tuh kita pake F-test.

Langkah-langkah:
1. Tulisin hipotesis yg di atas dulu!
2. Ngehitung F statistik pake rumus ini:

3. Ngehitung nilai F kritis. Kan tadi H1-nya tuh “tidak sama dengan”, bukan cuma “<”/”>” jd
dia two-tailed. Makanya nti alfa-nya jd alfa/2 gt. Nah buat carinya tuh pake tabel F (inget
posisi v1 & v2 yah). F kritis-nya jadi ada 2, yakni:

dan
Nilainya kan jadinya ada 2, nah itu jadi batas atas (yg nilainya lebih besar) dan batas
bawah (yg nilainya lebih kecil)

4. Nah buat yg f(1-alfa/2;v1;v2) kan gaada di tabel. Jadinya pake pendekatan ini:
1
𝑓 α = 𝑓
(1− ; 𝑣1; 𝑣2)
2
α
( 2 ; 𝑣2; 𝑣1)

INGET!! Nilai v1 dan v2-nya dituker

5. Terus bandingin nilai F statistik dan F kritis.

- Kalau F kritis bawah < F statistik < F kritis atas, hipotesis nol diterima →
variansi sama
- Kalau F statistik > F kritis atas dan F statistik < F kritis bawah (intinya dia di
luar interval-nya dah), hipotesis nol ditolak → variansi tidak sama

Uji Rataan (Uji t)

Sama aja tujuannya kek uji variansi, intinya buat ngeliat dia rataannya sama ga (antara simulasi
dan aktual). Hipotesisnya kek gini:
Notes: buat indeks-nya (1 atau 2) terserah asal konsisten, misal 1 aktual dan 2 model berarti
Xbar 1 punya aktual dan seterusnya.
Langkah-langkahnya:
1. Hitung rataan (Xbar) dan variansi (s kuadrat) pake kalkulator
2. Hitung nilai Sp pake rumus ini, n tuh jumlah data:

3. Hitung nilai t statistik pake rumus ini:

Notes:
- Nilai “miu1-miu2” = 0, karena sesuai H0 di awal
- Inget itu akarnya buat 1/n1 doang dan lgsg dikaliin ke Sp, baru ditambah ke 1/n2

4. Hitung degree of freedom. Rumusnya ini:

5. Cari nilai t kritis pake tabel t. Inget alfa-nya tuh alfa/2 karena two-tailed. Ada dua, yaitu:

(batas bawah) dan (batas atas).

6. Bandingin nilai t statistik dengan t kritis.

- Kalau t kritis bawah < t statistik < t kritis atas, hipotesis nol diterima → rataan
sama
- Kalau t statistik > t kritis atas dan t statistik < F kritis bawah (intinya dia di
luar interval-nya dah), hipotesis nol ditolak → rataan tidak sama
Perbandingan Sistem Eksisting & Usulan
Uji t (bisa liat di bagian analisis output)

ANOVA
ANOVA 1 faktor
*tergantung kalku masing2
Contoh buat guide:

1. Hitung SS (sum squared)

SSE (Error):
- MODE > STAT > 1-VAR > (muncul tabel, masukin data pada kolom X) > AC
(clear)
- SHIFT > 1 [STAT]* > 4 (VAR) > σs (kalo ada σs^2, lgsg pilih yg kuadrat, kl
gaada nnt dikuadratin manual) > σs^2 * n (n itu jumlah data di tiap kolom, di
kolom X, n = 3).

Simpen hasil σs^2 * n → SHIFT > RCL [STO] *sesuai kalku masing2, cari yg
STO > huruf A (terserah huruf apa). Lakuin buat seluruh kolom (misal, hasil
kolom X disimpen di A, kolom Y di B, kolom Z di C)
- SSE = Sum dari seluruh kolom (A+B+C)

SST (Total):
- Sama kayak yg atas, bedanya pas masukin di tabel bener2 masukin semua
datanya dari kolom X, Y, Z
- Itung σs^2 * n (n nya jumlah data keseluruhan, di contoh brrti n =12). Hasilnya
itu adalah SST
SSA (Treatment):
- SSA = SST - SSE

2. Cari df
 - Treatment: k - 1 (jml kolom/perlakuan - 1)
- Error: n - k (jml seluruh data - jml kolom)
- Total: n - 1 (jml data - 1)
3. Cari MS (Mean Square)
- MS = SS/df
4. Cari F hitung
- F hitung = MS Treatment / MS Error

5. Cari F kritis.
→ Mau bandingin antar alternatif, jadi pake one tail aja
H0: miu 1 = miu 2 = miu 3 = …
H1: setidaknya 1 berbeda signifikan
- Cari F tabel: f(alfa;v1;v2)
- Bandingin F hitung dgn F tabel
- F hitung > F tabel → tolak H0

ANOVA 2 faktor

Pokonya caranya sama kyk 1 faktor, bedanya perlu itung SSA, SSB, SSAB jg.

SSA:
- Itung pake means yang emot senyum (yg 2,625 & 6,25) → means ini dimasukin ke tabel
di kalku, trs itung SS nya
SSB:
- Sama kyk SSA, tp pake means yg emot lope (yg di bawah: 4,125 & 4,75) → masukin ke
tabel, itung SS nya
SSE:
 - Yg dimasukin ke tabel itu tiap kombinasi, misal (A1), trs itung σs^2 * n nya (dgn n =
jumlah data di kombinasi itu), lakuin buat tiap kombinasi (A2, B1, B2)
- Jumlahin hasil semua kombinasinya
SST:
- Yg dimasukin ke tabel itu lgsg bener2 semuanya, itung σs^2 * n (dgn n = jml data
keseluruhan)
SSAB:
- SSAB = SST - SSA - SSB - SSAB - SSE

Duncan
1. Hitung rata-rata tiap perlakuan (tiap kolom), terus urutin dari kecil ke gede

2. Cari nilai v (dof) = jumlah data - jml kolom

*jml kolom mksdnya jml perlakuan, misal v = 30 - 6 = 24
3. Cari rp di tabel (nilai p = jarak antar 2 kolom)
Contoh:
Mau bandingin ybar 2 sama ybar 4, jadi p = 6 (itung jml kolom dari ybar 2 ke ybar 4, ada
6 kolom),
4. Itung Rp

5. Cari selisih rataan ybar

6. Rataan perlakuan > Rp
→ rataan perlakuan XX lebih besar dari rataan perlakuan XX secara signifikan
7. Lakuin buat semua kombinasinya, buat semua p yg mungkin

Tukey
1. Cari nilai q (a, k, v) dari tabel
a = alfa, k = jumlah treatment, v = dof (jml data - jml treatment)
2. Hitung omega (omega = q tabel * akar(s^2/n))

n = jumlah observasi tiap perlakuan

 Kalo n nya beda2, itung n nya pake ini dulu

3. Itung selisih absolut tiap rata2 (contoh di bwh)

4. Bandingin sama nilai omega

Kalo Selisih nya lebih besar daripada nilai omega berarti signifikan. (cek tabel y bar nya
aja buat tau mana yg lebi gede)
Random Variate

● Distribusi Normal

1. Cari nilai z = (x-miu)/sigma (x berdasarkan nilai lb atau ub)

2. Cari nilai peluang berdasarkan nilai z di tabel distribusi normal
Kalau inverse kebalikannya
● Distribusi Eksponensial

● Distribusi Uniform
● Distribusi Poisson

t itu = a di formula bukan inverse

● Distribusi Binomial

● Distribusi Triangular
Tabel Chi Square
Tabel T
Tabel Z
Tabel f
Tabel Duncan
Tabel Tukey
Tabel Runtest