PEMODELAN DAN SIMULASI

Pustaka
◼ Law A. M., Kelton W. D., Simulation Modeling and
Analysis, Mc Graw Hill, 2000.
◼ Pidd, M., Computer Simulation in Management Science,
Wiley, 1992.
◼ Suryani, E., Pemodelan dan Simulasi, Graha Ilmu, 2005.
◼ Sterman, J. D., Business Dynamics, Systems Thinking and
Modeling for a Complex World.
◼ Barlas, Y.,Multiple tests for validation of system dynamics
type of simulation models, European Journal of Operational
Research 42 (1989) pp. 59-87.
◼ Kelton, W. D., Simulation with Arena, Mc. Graw Hill, 1998.
◼ Hague, P., Forecasting & Scenario Planning, B2B
International
Proses Pembuatan Model
Pengetahuan
Sudut Pandang Pemodel Nilai
Pengalaman

Sistem Image
Model

Model yg
Sampel Diuji

Sudut
Pandang Validasi
Valid
Sistem Model Model
Sistem
◼ Kumpulan dari entitas (orang, mesin) yang
berinteraksi satu sama lain untuk mencapai tujuan
(Schmidt and Taylor, 1970)
◼ Contoh: Sistem Perbankan
◼ Dalam Prakteknya: Sistem bergantung pada
tujuan studi-nya
◼ Kumpulan entitas dari suatu sistem u/ satu tujuan
studi mungkin hanya sebuah subset dari sistem
yang lain secara keseluruhan
Sistem (Cont’d)
Contoh:
- Jika tujuan studi : untuk menentukan jumlah teller
yang diperlukan dlm memberikan service pada
customer yang ingin menabung atau menarik
tabungan, merupakan subset dari sistem
perbankan yang terdiri dari teller dan customer
yang menunggu di waiting line atau yg sedang
mendapatkan pelayanan.
- State of a system : kumpulan beberapa variabel
yang diperlukan untuk menjelaskan sistem sesuai
dengan tujuan studi.
Klasifikasi Sistem
◼ Sistem diskrit
◼ Sistem kontinyu
Sistem Diskrit
◼ Status variabel sistem berubah pada saat-saat
tertentu
◼ Contoh: sistem perbankan
◼ Jumlah customer di bank berubah pada saat
customer datang atau customer meninggalkan
bank karena transaksinya sdh selesai.
Sistem Kontinyu
◼ Status variable sistem berubah secara
kontinyu terhadap waktu.
◼ Contoh: Pesawat yang bergerak di
udara ( posisi dan kecepatan dapat
berubah secara kontinyu sepanjang
waktu).
Ways to study a system
(Law & Kelton, 2000)
System

Experiment with Experiment with

the actual system a model of the
system

Physical model Mathematical

model

Analytical Simulation
solution
Experiment with the Actual system Vs
with a Model
◼ Actual system:
• Jarang dilakukan krn mahal dan mengganggu
sistem
• Contoh: bank yang ingin mengurangi jumlah
teller u/ mengurangi biaya, dengan mencoba
langsung pada sistemnya, maka akan
menyebabkan delay / waktu tunggu customer
lebih panjang.
▪ Model:Representasi Sistem
• Seberapa akurat modelnya?
• Perlu validasi
Physical model Vs Mathematical
model
◼ Physical Model (iconic): miniatur
model
◼ Contoh: model pesawat, maniken
▪ Mathematical Model:
▪ Representasi sistem secara logical dan
hubungan kuantitatif, yang kemudian di
manipulasi u/ melihat reaksi model
Analytical Solution Vs Simulation

◼ Analytical Solution
o Jika modelnya cukup sederhana,
dimungkinkan untuk membuat solusi
secara analitik.
▪ Simulation:
o Jika modelnya kompleks (rumit), lebih
tepat menggunakan simulasi, sehingga
kita bisa melatih model dengan berbagai
input yang berbeda untuk melihat
dampaknya pada kinerja output.
 Pemodelan

Pemodelan
• Sistem
• Pembentukan
model

Proses

Dengan menggunakan bahasa formal tertentu

Pengertian Simulasi
“Shannon”
Eksperimen thd model

Simulasi
• Sistem • Mempelajari
nyata perilaku
sistem
Proses
Perancangan Evaluasi strategi
Model
Pengertian Simulasi
“Banks & Carson”

Mempelajari
• Sistem nyata • Sistem
• Diobservasi
• Disimpulkan

Tiruan Perilaku

Dikerjakan:
Manual, Komputer
Pengertian Simulasi
“Khosnevis”

Membangun sistem
baru
• Sistem nyata
• Usulan sistem • Dengan kinerja
yg diinginkan

Aplikasi
membangun model
 Manfaat Simulasi

Pembuat
Keputusan
Tahap Usulan
Perancangan Sistem

Tool

Menciptakan Tahap Sistem

sistem dgn Operasional Berjalan
kinerja tertentu
 Proses Pengerjaan Simulasi

I. By hand simulation pertama kali dilakukan oleh “George L.

Leclere” untuk estimasi nilai ∏.
Percobaan dilakukan dengan:
-Melempar jarum yang panjangnya “l
“ke meja yg lebarnya “d”

Nilai ∏ dihitung dgn rumus :

∏ = (2 * l)/(p*d)
p = Probabilitas jarum mengenai garis

Hasil :
Estimasi yg dibuat tidak tepat, masih
menunjukkan adanya error.
Proses Pengerjaan Simulasi
II. Menggunakan bahasa Fortran, C
III. Menggunakan bahasa simulasi khusus spt :
◼ Bahasa Simulasi diskrit :GPSS, SLAM,
SIMAN, SIMPSCRIPT, GASP, SIMULA, Arena
(kombinasi antara high level simulator dgn
VB)
◼ Bahasa Simulasi kontinyu : Dynamo, Vensim,
CSMP
IV. High Level Simulator merupakan bahasa
simulasi yang
menyediakan menu-menu dialog user
interface.
Contoh: AW – SIM
Proses Pengerjaan Simulasi

IV. High Level Simulator merupakan bahasa

simulasi yang
menyediakan menu-menu dialog user
interface.
Contoh: AW – SIM
Kelebihan Model Simulasi

Simulasi alternatif Dapat Studi jangka

yg tepat berksperimen panjang
• Tidak semua • Tanpa adanya • Dalam waktu
sistem dpt resiko pada sistem singkat
direpresentasikan nyata • Input data
dgn model bervariasi
matematis
Kekurangan Model Simulasi
Hanya mengestimasi karakteristik
Berdasarkan masukan tertentu

Kualitas dan analisis model

tergantung
pada si pembuat model
Klasifikasi Model Simulasi

Menurut waktu

Simulasi Statis Simulasi Dinamis

• Output model • Output model

tidak dipengaruhi dipengaruhi
waktu waktu
• Contoh :Simulasi • Contoh: Model
manual G L. populasi
Leclere
Klasifikasi Model Simulasi
Menurut perubahan status variabel

Simulasi Diskrit Simulasi Kontinyu

• Status variabel • Status variabel

berubah pada saat- berubah secara
saat tertentu kontinyu
• Contoh : model – • Contoh: model –
model inventory model level cairan
yang materialnya yang rate-nya
datang dan diambil (lajunya) berubah
pada waktu tertentu setiap saat
Klasifikasi Model Simulasi
Menurut derajad ketidakpastiannya
Simulasi
Simulasi Stokastik
Deterministik
• Output model • Output model
bisa ditentukan mengandung
secara pasti. ketidakpastian
• Contoh : model (random)
– model • Contoh: model
matematis antrian
Pendekatan – Pendekatan dlm Pemodelan
Outline
◼ Simulasi Sistem Deterministik
◼ Simulasi Sistem Stokastik
◼ Perubahan Diskrit & Kontinyu
Model simulasi statis & dinamis
◼ Model simulasi statis adalah merepresentasikan
sistem pada waktu utama, atau model ini mungkin
digunakan untuk menunjukkan sistem yang mana
permainan waktunya sederhana tanpa aturan

◼ contoh simulasi statis: simulasi Monte Carlo simulasi

dinamik: sistem konveyor pada pabrik.
Simulasi Sistem Deterministik &
Stokastik
◼ Dalam model deterministik, outputnya ditentukan sekali membentuk output
kuantitas
◼ Model simulasi stokastik menghasilkan output random, karenanya diuji hanya
berupa estimasi (perkiraan) kebenaran karakteristiknya pada model
Perubahan Diskrit or Kontinyu?
◼ Perubahan Diskrit:
Coba perhatikan kereta bawah tanah (MRT) yg
menurunkan dan menaikkan penumpang. Disini
terdapat beberapa event:
◼ Kereta berhenti
◼ Pintu terbuka
◼ Pintu tertutup
◼ Kereta pergi

Dalam simulasi diskrit perubahan variabel sistem

hanya berfokus pada point-point (titik2)
perubahan sistemnya.
Perubahan Diskrit or Kontinyu (Cont’d)?

◼ Perubahan Kontinyu:
Jika sistem kereta bawah tanah akan disimulasikan dgn
model sistem kontinyu, maka variabel akan berubah
secara kontinyu saat proses simulasi. Misal: variabel
“speed” (berubah secara kontinyu)
◼ Komputer beroperasi hanya pada kuantitas diskrit
◼ Dalam sistem dinamik, kontinyuitas dicapai dgn
menjadikan variabel diinspeksi pada titik-titik multitude
(yang lebih banyak)
◼ Simulasi kontinyu lebih berfokus pada perilaku sistem.
Simulasi Monte Carlo

◼ Simulasi probabilistik
◼ Tujuan: u/ membangkitkan var. random, dgn
menggunakan distribusi probabilitas
◼ Teknik untuk memilih bilangan secara random dari
sampling (distribusi probabilitas) dengan menggunakan
simulasi (proses matematis yg digunakan dlm simulasi)
◼ Nama Monte Carlo diambil karena prosesnya sama dgn
operasi kasino di Monaco
◼ Di Monaco digunakan roda, dadu, & kartu, yg dpt
membangkitkan bilangan random.
 Expected Duration
◼ For each activity, three time estimates are taken
◼ The Most Optimistic
◼ The Most Likely
◼ The Most Pessimistic
◼ The Duration of an activity is calculated using the following formula:
a + 4m + b
te =
6
◼ Where te is the Expected time, a is the Optimistic time, m is the most
probable activity time and b is the Pessimistic time.
 Monte Carlo Simulation
◼ This analysis technique requires computer software to
simulate the project time using Monte Carlo simulation.
◼ The simulation generates the probability of any activity
or path becoming critical.
◼ It uses a simple triangular distribution to represent the
range and average of each activity duration.
◼ Simulating each activity duration distribution for a
project gives one set of activity values used to compute
the critical path.
Critical Activity
WBS Name of activity Duration (days)
A.1.1.1 Pemindahan Barang-barang Lt 2 21
A.1.3.1 Kolom WF 500.200.10.16 35
A.1.3.2 Balok WF 500.200.10.16 35
A.1.3.3 Balok Anak WF 300.150.5,5.8 35
A.1.5.1 Beton Plat Dag t=12 cm K – 300 7
Pemasangan Pembesian Wiremesh
A.1.5.5 M.10 21
A.1.6.4 Plesteran 1:5 98
A.1.6.5 Benangan 98
A.2.1.2 Pembersihan Lokasi 24
A.7.1 Panel Box 14
A.7.2 Sekering SPA 60 Amp 14
A.7.11 Pemasangan AC Lantai 3 31
 Duration Estimating
◼ Project X
◼ Volume of floordeck installing = 678 m2
◼ Duration = 43 days
◼ Productivity = 678/43 = 15,77 m2 / day
◼ This productivity was applied in Project Y which has volume
990,70 m2, the duration would be:
◼ t1 =990,70 / 15,77
◼ = 62,83 hari
◼ This method was conducted to other projects, in order to
identify variance of activity duration.
Simulation Output
Summary Statistics
Statistic Value %tile Value
Minimum 170.740 5% 185.170
Maximum 247.560 10% 188.450
Mean 204.514 15% 190.870
Std Dev 12.63367028 20% 192.950
Variance 159.6096247 25% 195.030
Skewness 0.16718002 30% 197.090
Kurtosis 2.821010008 35% 198.880
Median 204.140 40% 201.000
Mode 201.540 45% 202.150
Left X 185.170 50% 204.140
Left P 5% 55% 206.350
Right X 225.920 60% 208.270
Right P 95% 65% 209.520
Diff X 40.75 70% 211.380
Diff P 90% 75% 213.370
#Errors 0 80% 214.830
Filter Min 85% 217.070
Filter Max 90% 220.850
#Filtered 0 95% 225.920
Critical Index
◼ Each activity has distribution curve model which was taken
randomly during simulation. The simulation needs 1000
times iteration.
◼ Critical index was identified from how often an activity
become critical activity and shape the critical path. Activity
with high critical index indicates its frequence become
critical activity.
Critical
WBS Name Duration
Index
A.3 Pekerjaan Plafond 77.65 36.90%
A.4 Pekerjaan Cat 85.77 35.50%
A.7 Pekerjaan Listrik Lantai 2 & Lantai 3 51.47 24.60%
A.5 Pekerjaan Pengunci & Kaca 48.31 18.80%
A.2.7 Pekerjaan Pintu, Jendela & Partisi 38.14 18.00%