DASAR-DASAR SIMULASI

PPERTEMUAN KE-3
stta_marni@yahoo.co.id
 PENGANTAR
• Dominasi sistem yang muncul adalah sistem
stokastik, yang di dalamnya terdapat variasi
dari berbagai macam variabel, seperti jumlah
pelanggan yang datang, waktu proses
pelayanan, jarak yang ditempuh, kecepatan
tempuh, dan lain-lain
• Variasi nilai memiliki pola tertentu dan dapat
digambarkan berdasarkan fungsi densitas
tertentu sebagaimana didefenisikan oleh
fungsi distribusi propabilitas
 : gambaran
Obyektif :
an
adaakan
atif
berbagai
jangka
n

ro Probabilitas
ab
ta
diartikan
sebagai hasil
ub
ek bagi dari
f:
ap peristiwa yang
t
t
dimaksud
rj dengan
m
hk seluruh
n
e
peristiwa yang
ga mungkin
ar

ra
g
u
di
Probabilitas
ta diartikan
me sebagai
gg
na proporsi
an
ad
waktu
terjadinya
ta
suatu
ar
ha
peristiwa
 Distribusi Probabilitas

Variabel Acak Diskret Variabel Acak Kontinyu

Distribusi diskrit mempresentasikan nilai yang dapat dihitung Distribusi kontinyu mempresentasikan suatu nilai
dani nilai keseluruhan tertentu seperti jumlah item dalam satu
lot, jumlah orang per kedatangan, dan jumlah penumpang per yang kontinyu seperti waktu suatu proses,
gerbong kereta api. volume sebuah wadah, dan berat suatu materi.
 Discrete Distributions

• 1.Bernoulli, bernoulli(p)
• 2.Discrete uniform, DU(i,j)
• 3.Binomial, bin(t,p)
• 4.Geometric, geom(p)
• 5.Negative binomial, negbin(s,p)
• 6.Poisson, poisson(λ)
 Continuous Distributions
• 1.Uniform, U(a,b)
• 2.Exponential, expo(β)
• 3.Gamma, gamma(α,β)
• 4.Weibull, weibull(α,β)
• 5.Normal, N(μ,σ2)
• 6.Lognormal, LN(μ,σ2)
• 7. Beta, beta(α1, α2)
• 8. Pearson type V, VI
• 9. Log-logistic, LL(α,β)
• 10. Johnson SB, SU
• 11.Triangular, triang(a,b,c)
 Selecting Distributions

HOW TO SELECT
THE
DISTRIBUTIONS ?
 1.Trace-driven simulation

• Sekumpulan atau sederet bilangan random sebagai data

input yang digunakan untuk menghasilkan variabel random
dari fungsi distribusi tertentu

• Kelemahannya adalah hanya menggambarkan kejadian

masa lalu dan data tidak begitu cukup untuk menjalankan
simulasi secara utuh

• Kelebihannya adalah pendekatan ini berguna untuk

memvalidasi output model dan output sistem yang
diamati.
 2. Empirical Approach

• Nilai data digunakan untuk mendapatkan fungsi

distribusi empiris.

• Membutuhkan ekstrapolasi (proses memperkirakan

nilai suatu variabel) untuk menghasilkan data yang
tidak berada pada luar range kelompok data.

• Pendekatan ini bermanfaat jika tidak ada distribusi

teoritis yang cocok untuk data yang dikumpulkan
 3. Theoretical distribution

• Standard techniques of statistical interference are

used for fitting a theoretical distribution.

• (-) Although with very small probability, it is possible

to generate very large or small values. It may need to
truncatethe distribution to a certain range.

• (+) Easy to change and to generatefor simulation

purposes, for example changing the mean value.
Contoh : Pelanggan menunggu antrian di
kasir Supermarket X Yogyakarta

Pelanggan ke- Waktu kedatangan di kasir Waktu pelayanan Kasir

1 3,2 3,8
2 10,9 3,5
3 13,2 4,2
4 14,8 3,1
5 17,17 2,4
6 19,8 4,3
7 21,5 2,7
8 26,3 2,1
9 32,1 2,5
10 36,6 3,4
 Nilai antrian pada kasir
Pelanggan Waktu Waktu Waktu Waktu Waktu di
ke- kedatangan pelayanan Keluar Tunggu supermarket
di kasir Kasir
1 3,2 3,8 7,0 0,0 3,8
2 10,9 3,5 14,4 0,0 3,5
3 13,2 4,2 18,6 1,2 5,4
4 14,8 3,1 21,7 3,8 6,9
5 17,17 2,4 24,1 4,0 6,4
6 19,8 4,3 28,4 4,3 8,6
7 21,5 2,7 31,1 6,9 9,6
8 26,3 2,1 33,2 4,8 6,9
9 32,1 2,5 35,7 1,1 3,6
10 36,6 3,4 40,0 0,0 3,4
 RINCIAN PROSES SIMULASI BERORIENTASI KEJADIAN

WAKTU PELANG TIPE PELANG PELANG STATUS KASIR KASIR

PELANG GAN KE- KEJADIAN GAN DI GAN DI MENGANG
GAN ANTRIAN SUPERM GUR
DATANG ARKET
0,0 - MULAI 0 0 MENGANGGUR
3,2 1 DATANG 0 1 SIBUK 3,2
7,0 1 KELUAR 0 0 MENGANGGUR
PEMBANGKITAN BILANGAN RANDOM
• Segala sesuatu yang berhubungan dengan
masa depan merupakan prediksi atas kejadian
• Manusia memiliki kemampuan untuk
menganalisis kejadian-kejadian masa lalu
untuk memberikan perkiraan-perkiraan
• Perkiraan akan dipengaruhi oleh sebuah NILAI,
untuk memberikan pola pada suatu kejadian,
yang disebut bilangan acak atau bilangan
random
PROPERTI BILANGAN RANDOM

 ,0  x  1
F ( x)  
0, yanglainny a
1 x3 1 1
E ( R )   xdx  
0 2 0 2
1
V ( R )   x 2 dx   E ( R )
2

0
2
x 1 1 1 1 1
3
     
3 0 2 3 4 12
• Tujuan dari segala pembangkitan bilangan
random, bagaimanapun, adalah untuk
menghasilkan suatu urutan angka-angka
antara 0 dan 1 yang dihasilkan dari suatu
distribusi uniform dan independent
TEKNIK PEMBANGKITAN BILANGAN RANDOM

• Linear Congruential Method (LCM)

Z i  ( aZ i  1  c ) mod m
• Versi kontinu dari distribusi seragam dengan
range nilai antara 0 dan 1 dapat diperoleh dari
rumus :

i = 1, 2, 3, …
 Contoh
 Nilai a=21, c=3, Z0=13 dan m=16
Z1 = (21. 13 + 3) mod (16)
Z1 = (276) mod 16
Z1 = 4
U1 = 4/16 = 0,25
 Z2, Z3, Z4, dst diperoleh dengan memasukkan nilai Z
sebelumnya
Bilangan random yang terbentuk dapat dilihat pada
tabel berikut :
i Zi Ui i Zi Ui

0 13

1 4 0,2500 11 14 0,8750

2 7 0,4375 12 9 0,5625

3 6 0,3750 13 0 0,0000

4 1 0,0625 14 3 0,1875

5 8 0,5000 15 2 0,1250

6 11 0,6875 16 13 0,8125

7 10 0,6250 17 4 0,2500

8 5 0,3125 18 7 0,4375

9 12 0,7500 19 6 0,3750

10 15 0,9375 20 1 0,0625
Pada urutan ke-17 terjadi perulangan
siklus dari random number generator
 CONTOH
• Suatu aliran sistem produksi terdiri dari benda
kerja dan mesin. Waktu antar kedatangan benda
kerja diukur dengan teliti dan menghasilkan
nilai-nilai sebagai berikut :
3.0, 2.6, 3.4, 2.5, 3.5, 3.6, 3.8, 2.8, 3.1, 2.9, 3.3
• Diasumsikan terdapat buffer untuk menahan
benda kerja sebelum diproses, dimana awalnya
kosong. Jumlah batch adalah 3 dan waktu
proses setiap batch 3 detik. Waktu idle mesin
antara proses kurang dari 1 detik. Waktu loading
dan unloading diabaikan. [m=27, a=5, c=7, Z0=0]
• 1.Draw the empirical cumulative distribution of
the workpieceinter-arrival times!
• 2.Run the simulation for 3 batches (note: as
soon as there are enough workpiecesin the
buffer, the processing will be initiated)!
• 3.Calculate the average total time to produce a
batch (from the arrival of the first workpieceof
each batch to the end of processing)!
GRAFIK DISTRIBUSI KUMULATIF EMPIRIS

• BUATLAH GRAFIKNYA
• First: Urutkan waktu proses dari yang kecil ke besar
• x = 2.5, 2.6, 2.8, 2.9, 3.0, 3.1, 3.3, 3.4, 3.5, 3.6, 3.8
• n = 11, interval = 1/(n-1) = 1/(11-1) = 1/10 = 0,1
• F(x) = 0.0, 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0
• i = 1 , 2, 3 , 4, 5 , 6, 7 , 8, 9 , 10, 11 Time (second)
a. Generate Random Number
Z i1  ( a .Z i  c ) mod m
ri  Z i / m

ui  Z i / m
b. Generate Interarrival

( i  1) ( x  xi )
f (x)  
( n  1) ( n  1)( x i  1  x i )
a. Generate Random Number

Z i  (5.Z i 1  7) mod 27

i Zi Ri Xi (Perhitungannya
lihat slide berikutnya)
0 0 - -
1 7 mod 27 = 7 7/27 = 0,26 2,86
2 42 mod 27 = 15 15/27 = 0,55 3,21
3 82 mod 27 = 1 1/27 = 0,04 2,54
4 12 mod 27 = 12 12/27 = 0,44 3,04
5 67 mod 27 = 13 13/27 = 0,48 3,08
6 72 mod 27 = 18 18/27 = 0,67 3,36
7 97 mod 27 = 16 16/27 = 0,59 3,49
8 87 mod 27 = 6 6/27 = 0,22 2,84
9 37 mod 27 = 10 10/27 = 0,37 2,87
b. Generate Interarrival

( i  1 ) ( x  x )
f ( x )   i
( n  1 ) ( n  1 )( x i  1  x i )

( 3  1 ) ( x  2 , 8 )
0 , 26  
( 11  1 ) ( 11  1 )( 2 , 9  2 , 8 )
2 ( x  2 , 8 )
0 , 26  
10 10 ( 0 ,1 )

( x  2 , 8 )
0 , 26  0 , 2 
1
X  2 , 8  0 , 06
X  0 , 06  2 , 8
X  2 , 86
 Time Workpiece Buffer Counter Machine Status
(Second)

0,00 Workpiece A Arrived 1 idle

2,86 Workpiece B Arrived 2 Idle
6,07 Workpiece C Arrived 3 idle
Batch 1 initiatied 0 Processing
8,61 Workpiece D Arrived 1 Processing
9,07 Batch 1 finished 1 Idle
11,65 Workpiece E Arrived 2 Idle
14,73 Workpiece F Arrived 3 idle
Batch 2 initiatied 0 processing
17,73 Batch 2 finished 0 Idle
18,10 Workpiece G Arrived 1 Idle
21,59 Workpiece H Arrived 2 Idle
24,43 Workpiece I Arrived 3 Idle
Batch 3 initiatied 0 processing
27,43 Batch 3 finished 0 idle
 Perhitungan
• 0,00 merupakan waktu mulai sistem ditandai
dengan bergeraknya benda kerja A
• Benda kerja B datang pada waktu berikutnya
dari bilangan random : 2,86
• Benda C datang pada waktu 2,86 + 3,21 yaitu
6,07
• Batch 1 : 9,07 S
• Batch 2 : 17,73 – 8,61 = 9,12 S
• Batch 3 : 27,43 – 18,10 = 9,33 S
• Average = 9,07 + 9,12 + 9,33 = 9,17 S
3
SEE YOU NEXT TIME