Anda di halaman 1dari 29

PENGANTAR

 DATA ?
 INFORMASI ?
 MODEL ?
 SISTEM ?
 SIMULASI ?

MOSI - fika
PEMODELAN & SIMULASI

MOSI - fika
DATA
 “Data” berasal dari bahasa Latin
yang bersifat jamak “Datum” yang
berarti “Fact.”
 Akan lebih tepat jika kita
mengatakannya sebagai “Raw Facts”
fakta yang mentah karena belum
diproses.

MOSI - fika
INFORMASI

“data”
 Apa perbedaan antara

dengan “Informasi” ?

MOSI - fika
INFORMASI
 Informasi diturunkan dari data yang
telah dilakukan suatu proses tertentu
yang membuatnya menjadi

berarti pada suatu kondisi,


sehingga dapat digunakan untuk
mendukung keputusan.

MOSI - fika
MODEL
 Lebih kecil ukurannya
 Tampak sama dengan aslinya
 Dibuat dengan bahan yang berbeda
 Melakukan sesuatu yang sama
dengan tiruannya

MOSI - fika
MODEL

MOSI - fika
MOSI - fika
 Model komputer itu sudah kuno

Model  karakteristik umum yang mewakili


sekelompok bentuk yang ada.

MOSI - fika
MODEL DALAM TEKNOLOGI
 Representasi suatu masalah dalam
bentuk yang lebih sederhana dan
mudah dikerjakan / dipahami.

MOSI - fika
KEGUNAAN MODEL

 Untuk berpikir analisis.


 Untuk berkomunikasi
 Untuk memperkirakan/prediksi
 Untuk pengendalian / kontrol
 Untuk berlatih/simulasi

MOSI - fika
DEFINISI MODEL
 Model adalah Representasi
penyederhanaan dari sebuah realita
yang complex (biasanya bertujuan
untuk memahami realita tersebut)
dan mempunyai feature yang sama
dengan tiruannya dalam melakukan
task atau menyelesaikan
permasalahan.

MOSI - fika
PEMODELAN
 suatu bentuk penyederhanaan dari
sebuah elemen dan komponen yang
sangat komplek untuk memudahkan
pemahaman dari informasi yang
dibutuhkan.

MOSI - fika
SISTEM
 Istilah sistem merupakan istilah dari
bahasa yunani “system” yang artinya
adalah himpunan bagian atau unsur
yang saling berhubungan secara
teratur untuk mencapai tujuan
bersama.

MOSI - fika
SISTEM

MOSI - fika
Simulasi Monte Carlo
Pembahasan

 Pendahuluan
 Batasan Dasar Monte Carlo
 Ilustrasi Penggunaan Simulasi
 Latihan problema
MODEL MONTE CARLO
 Simulasi Monte Carlo dikenal dengan intilah
sampling simulation atau Monte Carlo Samling
Technique
 Istilah Monte Carlo pertama digunakan selama
masa pengembangan bom atom yang merupakan
nama kode dari simulasi nuclear fission
 Simulasi ini sering digunakan untuk evaluasi
dampak perubahan input dan resiko dalam
pembuatan keputusan
 Simulasi ini menggunakan data sampling yang telah
ada (historical data) dan telah diketahui distribusi
datanya
3 Batasan Dasar
Simulasi Monte Carlo
1. Apabila suatu persoalan sudah dapat diselesaikan
atau dihitung jawabannya secara matematis
dengan tuntas, maka hendaknya jangan
menggunakan simulasi ini
2. Apabila sebagaian persoalan tersebut dapat
diselesaikan secara analitis dengan baik, maka
penyelesaiannya lebih baik dilakukan secara
terpisah. Sebagian secara analitis dan sebagian
lagi simulasi
3. Apabila mungkin dapat digunakan simulasi
perbandingan
Ilustrasi Penggunaan Simulasi
 Sebuah toko sepatu
memperkirakan permintaan
sepatu per harinya
menurut pola distribusi
sebagai berikut :
No permintaan/hari frekuensi permintaan
1 4 pasang 5
2 5 pasang 10
3 6 pasang 15
4 7 pasang 30
5 8 pasang 25
6 9 pasang 15
  Jumlah 100
 Dari data masa lalu sudah dapat diperkirakan
dengan baik. Kemudian pengusaha toko ini hendak
memperkirakan pola permintaan untuk 10 hari
bulan berikutnya. Berapa kira-kira permintaan yang
muncul?
Prosedur/langkah penyelesaian
1. Terlebih dahulu dibuat Imperical Data distribusinya,
yaitu : fungsi distribusi densitas, seperti pada tabel
sebelumnya
2. Distribusi permintaan in diubah dalam bentuk fungsi
distribusi komulatif (DFK)

No permintaan/hari Distribusi densitas DFK


1 4 pasang 0.05 0.05
2 5 pasang 0.1 0.15
3 6 pasang 0.15 0.3
4 7 pasang 0.3 0.6
5 8 pasang 0.25 0.85
6 9 pasang 0.15 1
  Jumlah 1  
Langkah selanjutnya
3. Setiap permintaan tersebut, diberi angka penunjuk
batasan (Tag/Label number), disusun berdasarkan DFK
distribusi permintaan

Distribusi
No permintaan/hari densitas DFK Tag number

1 4 pasang 0.05 0.05 0.00 - 0.05

2 5 pasang 0.1 0.15 0.06 - 0.15

3 6 pasang 0.15 0.3 0.15 - 0.30

4 7 pasang 0.3 0.6 0.31 - 0.60

5 8 pasang 0.25 0.85 0.60 - 0.85

6 9 pasang 0.15 1 0.86 - 1.00


Langkah selanjutnya
4. Lakukan penarikan random number, dengan salah
satu bentuk RNG, misal diperoleh 10 random
number sbb :
1. 0.5751 6. 0.2888
2. 0.1270 7. 0.9518
3. 0.7039 8. 0.7348
4. 0.3853 9. 0.1347
5. 0.9166 10. 0.9014
Dari random number ini diambil 2 angka dibelakang
koma dan dicocokkan dengan tag number. Hasilnya
adalah kesimpulan permintaan yang dibutuhkan
Lankah selanjutnya
No Hari Permintaan Jumlah Pasangan Penjelasan
1 I 7 pasang  
2 II 5 pasang Terdapat :
3 III 8 pasang 7 pasang (2)
4 IV … 5 pasang (2)
5 V … 8 pasang (2)
6 VI … 6 pasang (2)
7 VII … 9 pasang (2)
8 VIII …  
9 IX …  
10 X …  
Studi Kasus
 Dalam suatu pabrik assembling, barang
C merupakan perpaduan barang A dan B
yang dibeli dari supplier. Dalam proses
produksinya, panjang barang A dan B
tidaklah sama panjang. Dinyatakan
dalam suatu tabel distribusi probabilitas
(panjang dalam cm)
 Dari data akan dicari dan ditentukan
estimasi dari mean (rata-rata panjang)
dan varians
Tabel Distribusinya :
Panjang A Panjang B

Panjang Probabilitas Panjang Probabilitas

10 0.25 17 0.07

11 0.25 18 0.14

12 0.25 19 0.23

13 0.25 20 0.38

    21 0.12

    22 0.06
Penyelesaian menggunakan monte
carlo
 Cari DFK masing2 dan tag number masing-masing
 Cari random number menggunakan RNG multiplier
Untuk barang A: m=19, a=7, x awal=1
Untuk barang B: m=17, a=7, x awal=3
 Sesuaikan dengan tag number, cari kemungkinan
munculnya panjang A dan B
 Cari total panjang barang C untuk masing2
kemungkinan
 Cari nilai2 yang dibutuhkan u/ mencari mean dan
varians
Tugas
 ……………………..