LAPORAN

Contoh Kasus Pemodelan (Queueing Model, Economic Order Quantity, Diffusion

of Innovation)
Semester Gasal 2023/2024

Disusun oleh : MELCHIOR SANJAYA BANDASO (200710804)

HUBERTUS NOVA YUDISTIRA (200710916)

PROGRAM STUDI INFORMATIKA

FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS ATMA JAYA YOGYAKARTA

2023

.
1. Pemodelan Simulasi Sistem Antrian: Model Antrian (Queueing Model)
Pemodelan Simulasi Sistem Antrian adalah cara untuk memodelkan dan mensimulasikan
situasi antrian atau tunggu, di mana entitas atau pelanggan harus menunggu untuk
menerima layanan dari sumber daya yang terbatas. Model antrian menggunakan konsep
teori antrian untuk mengevaluasi berbagai metrik, seperti panjang rata-rata antrian, waktu
tunggu rata-rata, dan tingkat utilitas sumber daya.
Rumus Pemodelan:
 Laju kedatangan (λ): Jumlah entitas yang masuk per satuan waktu.
 Laju pelayanan (μ): Jumlah entitas yang dilayani per satuan waktu.
 Faktor utilitas (ρ): ρ= μ/λ, yang menunjukkan seberapa efisien sistem digunakan.
Kode MATLAB untuk Model Antrian:
function model_antrian(laju_kedatangan, laju_pelayanan, waktu_simulasi)
env = simpy.Environment();
env.process(model_antrian_core(env, laju_kedatangan, laju_pelayanan));
env.run(waktu_simulasi);
end
function model_antrian_core(env, laju_kedatangan, laju_pelayanan)
antrian = simpy.Resource(env, 1);
interval_kedatangan = 1 / laju_kedatangan;

while true
yield(env, timeout(exprnd(interval_kedatangan)));
env.process(pelayanan(env, antrian, laju_pelayanan));
end
end

function pelayanan(env, antrian, laju_pelayanan)

with antrian.request() as request
yield(env, request);
 yield(env, timeout(exprnd(laju_pelayanan)));
end
end
% Contoh perhitungan dalam model antrian
laju_kedatangan = 2; % Laju kedatangan pelanggan per satuan waktu
laju_pelayanan = 3; % Laju pelayanan pelanggan per satuan waktu
waktu_simulasi = 10; % Waktu simulasi

% Menjalankan simulasi antrian

model_antrian(laju_kedatangan, laju_pelayanan, waktu_simulasi);
Dalam contoh ini, kita mensimulasikan sistem antrian selama 10 satuan waktu dengan
laju kedatangan pelanggan sebanyak 2 pelanggan per satuan waktu dan laju pelayanan
sebanyak 3 pelanggan per satuan waktu.Simulasi ini akan memberikan hasil dalam
bentuk output yang mencakup statistik antrian

2. Pemodelan Simulasi Persediaan: Model Persediaan dengan Kebijakan EOQ

(Economic Order Quantity)
Pemodelan Simulasi Persediaan dengan Kebijakan EOQ (Economic Order Quantity)
bertujuan untuk menentukan jumlah pesanan ekonomis yang optimal agar biaya total
persediaan (pemesanan dan penyimpanan) dapat diminimalkan. Kebijakan EOQ
mengasumsikan bahwa permintaan untuk barang tertentu adalah konstan dan dapat
diprediksi.

Rumus Pemodelan:

Jumlah pesanan ekonomis (EOQ) dapat dihitung menggunakan rumus berikut:

EOQ=√2DS/H

 D adalah permintaan tahunan.

 S adalah biaya pemesanan per pesanan.
 H adalah biaya penyimpanan per unit per tahun.
Penjelasan Kode MATLAB

function EOQ_value = model_persediaan_eoq(D, S, H)

EOQ_value = sqrt((2 * D * S) / H);
End
 model_persediaan_eoq adalah fungsi MATLAB yang
mengimplementasikan rumus EOQ.
 Fungsi ini menerima tiga parameter: permintaan tahunan (D), biaya
pemesanan per pesanan (S), dan biaya penyimpanan per unit per tahun (H).
 Menggunakan rumus EOQ untuk menghitung jumlah pesanan ekonomis
dan mengembalikan nilainya.

Contoh Penggunaan:

% Contoh penggunaan model persediaan dengan EOQ

permintaan_tahunan = 1000;
biaya_pemesanan = 50;
biaya_penyimpanan = 2;

EOQ_value = model_persediaan_eoq(permintaan_tahunan, biaya_pemesanan,

biaya_penyimpanan);
fprintf('Jumlah Pesanan Ekonomis (EOQ): %.2f\n', EOQ_value);
 Dalam contoh ini, kita mensimulasikan sistem persediaan dengan permintaan
tahunan sebanyak 1000 unit, biaya pemesanan sebanyak $50 per pesanan, dan biaya
penyimpanan sebanyak $2 per unit per tahun.
 Menggunakan fungsi model_persediaan_eoq untuk menghitung dan
menampilkan jumlah pesanan ekonomis (EOQ).
3. Pemodelan Simulasi Jaringan Sosial: Model Penyebaran Informasi
(Diffusion of Innovation)
Pemodelan Simulasi Jaringan Sosial untuk Diffusion of Innovation bertujuan
untuk memahami bagaimana inovasi atau informasi menyebar melalui jaringan
sosial. Model ini sering diilustrasikan dengan menggunakan model matematika
seperti model penyebaran SIR (Susceptible-Infectious-Recovered) atau model
logistik.
Rumus Pemodelan:
Salah satu model sederhana untuk penyebaran inovasi dapat dinyatakan dalam
bentuk fungsi logistik:
P(t)=P0⋅e−kt
 P(t) adalah proporsi orang yang telah mengadopsi inovasi pada waktu t.
 P0 adalah proporsi awal orang yang telah mengadopsi inovasi.
 k adalah laju adopsi.
 t adalah waktu.
Penjelasan Kode MATLAB:
function proporsi_adopsi = model_diffusion_innovation(proporsi_awal,
laju_adopsi, waktu)
proporsi_adopsi = proporsi_awal * exp(-laju_adopsi * waktu);
end
Contoh Penggunaan:
% Contoh penggunaan model penyebaran inovasi
waktu = linspace(0, 10, 100);
proporsi_awal = 0.1;
laju_adopsi = 0.5;

proporsi_adopsi = model_diffusion_innovation(proporsi_awal,
laju_adopsi, waktu);

% Plot hasil simulasi

plot(waktu, proporsi_adopsi, 'LineWidth', 2);
 xlabel('Waktu');
ylabel('Proporsi Adopsi');
title('Diffusion of Innovation');
grid on;
 Dalam contoh ini, kita mensimulasikan penyebaran inovasi selama 10
satuan waktu.
 Proporsi awal (P) adalah 0.1, yang berarti 10% dari populasi awal telah
mengadopsi inovasi.
 Laju adopsi (k) adalah 0.5, yang mengendalikan seberapa cepat inovasi
menyebar.
 Menggunakan fungsi model_diffusion_innovation untuk menghitung dan
menampilkan proporsi adopsi pada setiap titik waktu.
 Hasil simulasi ditampilkan dalam grafik.