BAB 2

DASAR-DASAR SIMULASI
 Dasar Dasar Simulasi

1 Tipe Simulasi

2 Perilaku Acak

3 Simulating Random Behavior

4 Simulasi Sprehead Sederhana

 Tipe Simulasi

Static or dynamic
Stochastic or deterministic
Discrete or continuous
 A static simulation is one that is not based
on time. It often involves drawing random
samples to generate a statistical outcome,
so it is sometimes called Monte Carlo
simulation.
- In finance, Monte Carlo simulation is used
to select a portfolio of stocks and bonds.
- In material handling system, a static
simulation model to calculate the expected
time to travel from one rack location in a
storage system to any other rack location.
Dynamic simulation includes
the passage of time. It looks
at state changes as they occur
over time. A clock mechanism
moves forward in time and
state variables are updated as
time advances. Dynamic
simulation is well suited for
analyzing manufacturing and
service systems since they
operate over time.
 Simulations in which one or more input
variables are random are referred to as
stochastic or probabilistic simulations. A
stochastic simulation produced output that
is itself random.
 Simulation having no input components that
are random are said to be deterministic.
Deterministic simulation models are built the
same ways as stochastic models except
that they contain no randomness.
 Simulasi Statik vs dinamik
Dinamik
Statik  Mencakup lintasan waktu
 Simulasi tidak  Sebuah mekanisme
berdasarkan waktu waktu, menggerak waktu
 Mencakup sampel acak sehingga variabel status
yang diambil untuk berubah saat waktu
membangkitkan hasil
berubah
statik  Simulasi
montecarlo  Contoh sistem
 Contoh : Dalam sistem manufaktur & jasa
material handling, utk
menghitung waktu
tunggu berjalan satu
rack di sistem gudang
ke lokasi rak lain
 Simulasi Stokastik vs Determenistik

Stokastik/probabilistik Determinsitik
 Satu atau lebih variabel  Tidak memiliki komponen
input merupakan acak yang bersifat acak
 Menghasilkan output  Tidak memiliki keacakan
yang acak dengan (randomness)
sendirinya  Seluruh status yang akan
 Memberikan hanya satu datang hanya ditentukan
titik data utk sekali oleh data input &
mengetahui bagaimana status awal (initial state)
sistem berperilaku sudah ditentukan
 Simulasi Stokastik vs Determenistik

Constant Constant Random Random

inputs outputs inputs outputs
7
12.3
3.4 Simulation Simulation

106
5

(a) (b)

Simulasi Determenistik Simulasi Stokastik

 Distribusi Diskret vs Kontinyu

30

25

20

15

10

0
1st 3rd
Qtr Qtr

Distribusi Diskret Distribusi Kontinyu

 Perilaku Acak (Random Behavior )

 Sistem stokastik selalu memiliki waktu atau kuantitas

nilai yang bervariasi dalam sebuah rentangan dan
berdasarkan densitas tertentu sebagimana terdefinsi
pada distrubusi probabilitas.. Distribusi probabilitas
digunakan untuk memprediksi waktu berikutnya, jarak,
kuantitas,dan berikutnya jika nilai tsb adalah varaibel
acak..
 Distribusi probabilitas yang diharapkan dari variabel
acak ini dapat berupa diskret atau kontinu. Distribusi
diskret merepesentasikan suatu terhingga atau jumlah
nilai yang mungkin.
Kontinu distribusi merepeentasikan nilai yang kontinu.
 Simulasi Perilaku Acak
Bagaimana membangkitkan bilangan acak (random number
generotors) ?
 Perilaku acak ( random behavior ) ditiru oleh simulasi dengan
menggunakan pembangkit bilangan acak (Generating
Random Numbers)
 Bilangan-bilangan yang dihasilkan oleh pembangkit bilangan
acak “tidak acak” dalam arti sebenarnya. Contoh pembangkit
bilangan acak prsudo, yang terus menerus menghasilkan
bilangan yang sama

Linear Congruential Generators (LCG),

Metoda : Urutan bilangan integer Z1, Z2, Z3, …
Yang didefinisikan dengan rumus recursive sbb :
Zi = (aZi-1 + c) mod(m)
dimana,
a= multiplier
c=increment
m= modulus
 Simulasi Perilaku Acak

Linear Congruential Generators (LCG),

 Maksimum panjang siklus pada suatu LCG dapat dicapai
adalah m . Untuk menghasilkan maksimum panjang siklus, nilai
dari a, c, dan m, nilai b harus dipilih secara tepat.
 Suatu pedoman untuk menentukan pilihan adalah :
1. m = 2b, dimana b dihitung dalam angka bits per kata bila
menggunakan komputer.
2. c and m umpamanya faktor umum yang banyak digunakan
adalah 1.
3. a = 1 + 4k, dimana k bilangan integer
Contoh LCG :
 Ui = Zi / m , dimana = distribusi uniform(0,1) dari suatu random
number generator
 a=21, c=3, m=16 untuk menghasilkan angka acak presudo
(psedudo random numbers).
 Z1= (a Zi-1 + c) mod(m)  Z1= {21 (Zi-1) + 3} mod(16)
 Z0=13 (pilih angka antara 0 dan 15 (m-1) seed value, starting
value
 Simulasi Perilaku Acak

Z1=(21 Z0 + 3) mod(16) = (21(13) + 3) mod(16)= 276 mod(16) =4

U= Z1 /16 = 4/16=0,250

Kita melakukan 5 kali replikasi dari sebuah simulasi. Untuk

menjalankan model simulasi, satu replikasi ememrlukan 1000 kali
penggunaan pembnangkit bilangan acak selama simulasi
dilakukan  diperlukan sebuah pembangkit bilangan acak
dengan panjang siklus (cycle length) sedkitnya 5000

Contoh Kejadian Acak

Simulasi ”kejadian acak” (random event) dalam sebuah restoran
siap saji (drive through) :
Waktu tiba mobil di jendela restoran siap saji
Waktu yang diperlukan pengemudi untuk memesan
Jumlah hamburger, minuman dan kentang yang dipesan
Waktu yang diperlukan oleh restoran untuk menyiapkan pesanan
 Table 1 : Contoh, LCG. Zi = (21Zi-1 + 3) mod(16)

i 21Zi-1+3 Zi Ui=Zi/16
0   13  
1 276 4 0,25
2 87 7 0,4375
3 150 6 0,375
4 129 1 0,0625
5 24 8 0,5
6 171 11 0,6875
7 234 10 0,625
8 213 5 0,3125
9 108 12 0,75
10 255 15 0,9375
11 318 14 0,875
12 297 9 0,5625
13 192 0 0
14 3 3 0,1875
15 66 2 0,125
16 45 13 0,8125

17 276 4 0,25
18 87 7 0,4375
19 150 6 0,375
20 129 1 0,0625
 LCG (lanjut)
Stream :
 Panjang rentetan bilangan acak dapat dibagi dalam segmen
yang lebih kecil, yang disebut stream.
 Contoh stream 1, adalah pola kedatangan mobil ke jendela
restoran siap saji, stream 2 waktu yang diperlukan oleh
pengemudi untuk memesan
Bagaimana penerapan :
 Memutuskan berapa banyak bilangan acak yang ditempatkan
dalam masing-masing stream
 Bagilah urutan pembangkit dari bilangan acak dalam
beberapa stream
Bangkitkan keseluruhan urutan bilangan acak (cycle length)
 Catat nilai Zi yang menandai permulaan masing-masing
strean.
Masing-masing stream memiliki nilai awal sendiri atau atau
disebut sebagai seed value.
 LCG (lanjut)

Dua tipe LCG :

1. Mixed congruential g3enerators , c>0
2. Multiplicative congruential generators c=0 (lebif
efesien dari mided generators  tidak memerlukan
penambahan c
Promodel menggunakan mutltiplicative generators
Zi= (630,360,016 Zi-1) mod (231 – 1)
 Uji Random Number Generators
Angka-angka yang dihasilkan dengan random number
generators harus :
(1) independent dan
(2) Terdistribusi uniform antara nol dan satu (uniform (0,1)).

 Hipotesis untuk testing independence property adalah

H0: nilai Ui values dari generator independent
H1 : nilai Ui values dari generator tidak independent
 Hipotesis untuk testing uniformly property adalah
H0 : nilai Ui values uniform(0,1)
H1 : nilai Ui values tidak uniform(0,1)
 Generating Random Variates
Observasi (random variates) dari distribusi selain
distribusi uniform (0,1)

Transformasikan observasi yang dihasilkan dari generating

random number ke distribusi yang di-inginkan)

Niali yang ditransformasikan  variate dari distribusi

yang dimaksud

Tipe metoda untuk generating random variate dari distribusi yang

di-inginkan :
Inverse transformation method
The accepatance/rejection method
The composition method
The convolution method
 Methods employong spescial properties
 Generating Random Variates
Inverse transformation method
Distribusi Kontinu
1. Given a probability density function f(x).
2. Find the cumulative distribution function of X, that is F(x) = P(X ≤ x).
3. Set U = F(x), where U is uniform(0,1).
4. Solving for x = F-1(U)

Distribusi Kontinu
Contoh : waktu antara kedatangan mobil ke restoran siap
saji terdistribusi eksponensial, waktu yang dibutuhlan oleh
pengemudi untuk memesan makan mengikuti distribusi
lognormal
 Distribusi Kontinyu
Suatu contoh dari distribusi ekpoensial dengan : mean 
 1 x / 
 e for x  0 F(x)
f ( x)   
0 elsewhere 1.00 U=1 - exp(-x/beta)

1  ex /  for x  0
F ( x)   U2
0 elsewhere

U  1  e x /  0.50
x    ln( 1  U )
U1
dimana :
Xi = nilai ke-i dari exponential distribution
dg mean ,
Ui = random ke-I tergambar distribusi x1 x2
uniform(0,1) i = 1,2,…,25
Graphical explanation of
inverse transformation method
3 observasi variabel acak for continuous variates
yang terdisitribusi
eksponensial adalah U1=0,27,
U2=0,89, U3=13
Ui akan menghasilkan persamaan :
Z1 = ( 21Z 1 + 3) mod(128)
i i -1
U1 = Z 1 / 128 i = 1, 2 ,..., 25
i 2
Z1 =3
0
X1 = - 3.0 ln(1 - U 1 )
i i

Z2 = ( 21 Z 2 + 3) mod( 128 )
i i -1
U2 = Z 2 / 128 i = 1, 2 ,..., 25
i 2
Z2 = 122
0
X2 = - 2 . 4 ln(1 - U 2 )
i i
 Changing the seed values Z10 and Z20
causes the spreadsheet program to
recompute all values in the spreadsheet.
When we change the seed values Z10 and
Z20 appropriately, we produce another
replication of the simulation.
 The heart of simulation is the generation
of the random variates that drive the
stochastic events in the simulation.
 Generating Random Variates
Distribusi Diskrit
♠ Aplikasi dari methoda inverse transformation untuk
membangkitkan variates dari distribusi deskrit pada
dasarnya sama dengan kasus kontinyu
♠Contoh : simulasi mewakili jumlah komponen yang rusak
dari serbuah circuit board, jumlah minimum yang dipesan
dari jendela drive through
F(x)
1,00
U2=0,89

P*x)= P (X=x)= 0,10 untuk x=1

0,30 untuk x=2
0,60 untuk x-3 0,04

U1=0,27
0,01
U3=0,05
x2=1 x1=2 x3=3
24
 Simulasi Spreadsheet Sederhana (contoh)

Model Simulasi Dinamik, Stokastik

Contoh : Nasabah tiba dengan menggunakan ATM pada
waktu interval rata-rata (mean) 3.0 menit yang terdistribusi
eksponensial. Jika nasabah mendatang, mereka ikut serta
untuk antri untuk menunggu giliran menggunakan ATM
Antrian memiliki kapasitas tak terbatas untuk menampung
nasabah. Nasabah menggunakan rata-rata 2,4 menit
terdistribusi eksponensial pada ATM untuk menyelesaikan
transaksinya, yang disebut sebagai service time pada ATM.
Simulasikan sistem kedatangan dan pemprosesan 25
nasabah dan estimasikan :
a) Waktu tunggu yang diharapkan untuk nasabah dalam
antrian (rata-rata waktu tunggu oleh nasabah dalam giliran
menggunakan ATM)
b) Waktu harapan dalam sistem (rata-rata waktu nasabah
menunggu dalam antrian ditambah dengan waktu rata-rata
yang diperlukan untuk menyelesaikan transaksinya di ATN_
 Model Simulasi Dinamik, stokastik

Entitas : Antria ATM ATM server Departing

Nasabah tiba (resource) customers
(FIFO) (entities)

8 7 6 5 4 3 2 1

Interarrival
time 4.8
minutes Diskripasi gambar dari sistem ATM
7tcustomer
h 6tcustomer
h
arrives at arrives at
21.0 min. 16.2 min.

 Sistem : ATM
Entitas : nasabah tiba di ATM untuk melakukan transaksi
Resource : ATM untuk melayani nasabah dengan kapasitas
melayani satu nasabah pada satu waktu
Kontrol sistem, yang mengatur bagaimana, kapan, dan dimana
aktivitas transaksi di ATM
 Review Questions

1. What is the difference between a stochastic and a

deterministic model in terms of the input variables and the
way results are interpreted?
2. Give a statistical description of the numbers produced by a
random number generator.
3. What are the two statistical properties that random numbers
must satisfy?
4. Given a LCG: Zi = (12Zi-1 + 5) mod(32) Compute Z1 through
Z5 from a seed of 29 (Z0 = 29).
5. What is a random variable, and how are random variates
generated?
6. Reproduce the spreadsheet simulation of the ATM system
presented in this week lecture. Set the random numbers
seeds Z10=29 and Z20=92 to compute the average time
customers spend in the queue and in the system
 Review Questions

7. Apply the inverse transformation method to generate three

variatbles from the following distributions using U1 = 0.10,
U2 = 0.53, and U3 = 0.15
 1 x
 for   x    for x  1,2,3,4,5
(a) f ( x)      (b) p( x)  P ( X  x)   5
0 elsewhere 
0 elsewhere

where   7 and   4.
7. Apply the inverse transformation
method to generate three variates from
the following distributions using U1 =
0.10, U2 = 0.53, and U3 = 0.15.
 1 x
 for   x    for x  1,2,3,4,5
(a ) f ( x)      (b) p( x)  P( X  x)   5
0 elsewhere 0 elsewhere

where   7 and   4.