Dasar Simulasi

Kuliah Simulasi Sistem (pertemuan 3)

Type Simulasi
Static or Dynamic
Stochastic or Deterministic
Discrete even or Continuous
Static vs Dynamic simulation
Simulasi statis tidak berdasarkan waktu
Simulasi statis sering melibatkan penggambaran
sample acak untuk menghasilkan hasil statistik
Kadang-kadang disebut sebagai simulasi monte carlo

Simulasi dinamis berdasarkan waktu

Keadaan/ status sistem berubah tiap waktu
Cocok untuk menganalisa sistem jasa dan manufaktur
Sistem Dinamis, Discret Event Simulation, Agent
Based Model
Stochastic vs Deterministic Simulation
Pada sistem deterministik, input yang masuk ke dalam
sistem adalah konstan, maka output yang dihasilkan
dari sistem pun konstan

Pada sistem stochastic, input yang masuk ke dalam

sistem adalah acak, sehingga menghasilkan output
yang acak pula.
Stochastic vs Deterministic Simulation
 Simulasi dimana satu atau lebih variabel inputnya acak, merupakan
simulasi stochastic atau probabilistic
 Simulasi stochastic menghasilkan output yang random
 Simulasi yang tidak memiliki komponen input yang random
merupakan simulasi deterministic
 Simulasi deterministic akan selalu menghasilkan hasil yang sama
 Pada simulasi stochastic, beberapa replikasi perlu dilakukan untuk
mendapatkan perkiraan yang akurat
 Perkiraan nilai performansi dari simulasi stochastic didapat dari rata-
rata dari nilai performansi dari seluruh replikasi
Stochastic vs Deterministic Simulation

(a) deterministic simulation (b) stochastic simulation

Random Behaviour
Untuk membuat simulasi dengan input yang acak, kita
menggunakan bantuan distribusi probabilitas

Distribusi probabilitas digunakan untuk memprediksi

nilai, yang dimana nilai tersebut merupakan variabel
random yang tergantung pada jenis distribusi dan
parameternya
Random behaviour
Distribusi probabilitas bisa berupa distribusi diskrit
atau continuous

Distribusi diskrit mewakili sebuah nilai yang terbatas

dari nilai yang memungkinkan
Jumlah item dalam lot

Distribusi continuos mewakili nilai yang kontinu

Mesin dengan waktu proses uniform antara 1,2 dan 1,8
menit
Contoh Fungsi Distribusi discrete
Contoh Fungsi distribusi kontinu
 Continuous Distributions
Uniform
Exponential
Gamma
Weibull
Normal
Lognormal
Beta
Pearson type V
Pearson type VI
Triangular

11
 Discrete Distributions
Discrete uniform
Bernoulli
Binomial
Geometric
Negative binomial
Poisson

12
Bagaimana Cara membangkitkan Bilangan
Acak?

Distribusi
Uniform
Bagaimana membangkitkan bilangan acak?
Perilaku acak (random behavior) ditiru oleh simulasi
dengan menggunakan pembangkit bilangan acak
(random number generator)
Bilangan-bilangan yang dihasilkan oleh pembangkit
bilangan acak tidak “acak” dalam arti yang
sebenarnya. Contohnya pembangkit bilangan acak
pseudo, yang terus menerus menghasilkan urutan
bilangan yang sama
LCG (linear congruential generator)
Metoda yang paling umum untuk membangkitkan bilangan acak
Sebuah urutan bilangan integer Z1, Z2, Z3, … didefinisikan dengan
formula rekursif sbb:

a : multiplier
c : increment
m: panjang siklus maksimum
Dimana a, c, m > 0 dan integer
c and m tidak punya nilai FPB selain 1
a = 1 + 4k, where k is an integer.
Nilai m=2b
Seed value Zo, 0<Zo<m-1
Nilai random : Ui=Zi/m
Contoh LCG
a=21, c=3, m=16 untuk menghasilkan angka acak –
pseudo (pseudo-random numbers)
 Zi = (aZi-1 + c) mod(m) Zi = (21Zi-1+ 3) mod (16)
Z0 = 13 (Pilih angka antara 0 dan 15 (m-1)) seed
value, starting value . (0<Zo<m-1)
 Z1 = (21Z0 + 3) mod (16) = (21(13)+3) mod (16)
=276 mod (16) = 4
 Ui = Zi/16 = 4/16 = 0.2500
Ui=Zi/m
Contoh LCG
i Zi Ui = Zi/m
0 13 a 21
1 276 4 0.25 c 3
2 87 7 0.4375 m 16
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
Nilai maksimum yang dapat dibangkitkan dari sebuah
LCG adalah m
Petunjuk untuk menentukan a, c, dan m (Pritsker,
1995)
m = 2b where b is determined based on the number of
bits per word on the computer being used (for computer
with 32 bits, b = 31)
c and m such that their greatest common factor is 1.
a = 1 + 4k, where k is an integer.
 output bits of seed
Source m (multiplier) a    (increment) c
in rand() /Random(L)
Numerical Recipes 232 1664525 1013904223
bits 30..16 in rand(), 30..0
Borland C/C++ 232 22695477 1
in lrand()
glibc (used by GCC)[5] 231 1103515245 12345 bits 30..0
ANSI C: Watcom, 
Digital Mars, CodeWarrior 231 1103515245 12345 bits 30..16
, IBM VisualAgeC/C++ [6]
C99, C11: Suggestion in
232 1103515245 12345 bits 30..16
the ISO/IEC 9899 [7]
Borland Delphi, 
232 134775813 1 bits 63..32 of (seed * L)
Virtual Pascal

Microsoft Visual/Quick C/ 232 214013 (343FD16) 2531011 (269EC316) bits 30..16

C++
Microsoft Visual Basic (6 1140671485 (43FD43FD16) 12820163 (C39EC316)
224
and earlier)[8]
RtlUniform from  2147483629 (7FFFFFED16) 2147483587 (7FFFFFC316)
231 − 1
Native API[9]

Apple CarbonLib, C++11
231 − 1 16807 0 see MINSTD
's minstd_rand0[10]

C++11's minstd_rand[10] 231 − 1 48271 0 see MINSTD

MMIX by Donald Knuth 264 6364136223846793005 1442695040888963407
Newlib, MUSL 264 6364136223846793005 1 bits 63...32
VMS's MTH$RANDOM, 32
2 69069 1
[11]
 old versions of glibc
Java's java.util.Random, 25214903917
248 (5DEECE66D16) 11 bits 47...16
glibc [ld]rand48[_r]()
Formerly common: 
231   65539 0
RANDU [4]
Random Events
Simulasi kejadian “acak” (“random” events) dalam
sebuah restoran drive-through
 Waktu tiba mobil di jendela restoran drive-through
 Waktu yang diperlukan pengemudi untuk memesan
 Jumlah hamburger, minuman, dan kentang yang
diorder
Waktu yang diperlukan oleh restoran untuk
menyiapkan pesanan
Drive Through
Stream
Panjang rentetan bilangan acak dapat dibagi-bagi
dalam segmen yang lebih kecil, yang disebut
aliran/stream.
 Contoh: stream 1: pola kedatangan mobil ke jendela
restoran drive-through; stream 2: waktu yang
diperlukan oleh pengemudi untuk memesan
LCG: bagaimana penerapannya
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 stream
 Masing-masing stream memiliki nilai awal sendiri
atau yang disebut sebagai seed value
LCG (Lanjutan)
Dua tipe LCG:
Mixed congruential generators: c>0
Multiplicative congruential generators c=0
Lebih efisien dari mixed generatortidak memerlukan
penambahan c
Promodel menggunakan multiplicative generator
Zi= (630,360,016Zi-1) mod(231-1)
Menguji Pembangkit Bilangan Acak
Bilangan yang dihasilkan dari pembangkit bilangan
acak harus:
Independen
Terdistribusi uniform antara nol dan satu
Uniform (0,1)
Menguji Pembangkit Bilangan Acak
Hasilkan suatu urutan bilangan acak U1, U2, U3, …
Hipotesis untuk menguji independensi:
H0 : nilai Ui dari generator independen
H1 : nilai U dari generator tidak independen

Hipotesis untuk menguji keseragaman (uniformity):

H0 : nilai Ui seragam(0,1)
H1 : nilai Ui tidak seragam (0,1)
 Uji Kolmogorov-Smirnov, uji chi-square
Simulasi Spreadsheet Sederhana
Contoh :Model Simulasi dinamik, stokastik
Contoh kasus Simulasi antrian ATM
Pelanggan tiba menggunakan mesin ATM dengan waktu
interval rata-rata 3.0 menit yang terdistribusi eksponensial.
Ketika pelanggan datang ke sistem, mereka bergabung
dalam antrian untuk menunggu giliran menggunakan ATM.
Antrian memiliki kapasitas tak terbatas untuk menampung
pelanggan.
Pelanggan menghabiskan rata-rata 2.4 menit terdistribusi
eksponensial pada mesin ATM untuk menyelesaikan
transaksinya, yang disebut waktu jasa (service time) pada
ATM
Contoh
Simulasikan sistem kedatangan dan pemrosesan 25
pelanggan, dan estimasikan/perkirakan:
waktu tunggu yang diharapkan (expected waiting time)
pelanggan di dalam antrian (waktu rata-rata pelanggan
menunggu di dalam antrian untuk menggunakan ATM)
Waktu yang diharapkan dalam sistem / expected time in
the system (waktu rata-rata pelanggan menunggu dalam
antrian ditambah dengan waktu rata-rata yang diperlukan
untuk menyelesaikan transaksinya di ATM
Contoh Sistem Antrian ATM
Entitas ?
Sumber daya ?
Jumlah kejadian acak?
Sistem antiran ATM 1 mesin
Entitas/Entity: pelanggan yang tiba di ATM untuk
melakukan transaksi
Resource: ATM yang melayani pelanggan dengan
kapasitas untuk melayani satu pelanggan pada satu
waktu
Jumlah kejadian acak
1. Kedatangan pelanggan
2. Waktu proses di ATM
Lay Out
Perhitungan Waktu
ArrivalTime (i) = ArrivalTime (i – 1) + InterarrivalTime (i)

If ArrivalTime (i) < DepartureTime (i – 1) then

BeginServiceTime (i) = DepartureTime (i – 1)
else
BeginServiceTime (i) = Arrival (i)

DepartureTime (i) = BeginServiceTime (i ) + ServiceTime (i)

TimeInQueue (i) = BeginServiceTime (i) – ArrivalTime (i)

TimeInSystem (i) = DepartureTime (i) – ArrivalTime (i)

 A Speadsheet Simulation
A single-server queuing system (i.e., ATM system)
Queuing model : (M/M/1): (FIFO//)
Inter-arrival time ~ exponential distribution with mean =
3.0 minutes
Service time ~ exponential distribution with mean = 2.4
minutes.
a = 21; c = 3; m = 128
 Inter-arrival time ~ exponential distribution with mean = 3.0 minutes
Inter-arrival times (X1i):
Z10 = 3
Z1i = (21 * Z1i-1 + 3) mod (128)
Random number U1i = ( Z1i / 128)
X1i = -3.0 ln (1 – U1i)

Xi=-ϐln(1-Ui)
 Service time ~ exponential distribution with mean = 2.4 minutes.

Service times (X2i):

Z20 = 122
Z2i = (21 * Z2i-1 + 3 mod (128)
Random number U2i = ( Z2i / 128)
X2i = -2.4 ln (1 – U2i)
 A Speadsheet Simulation
Arrival to ATM ATM Processing Time ATM Simulation Logic
i Stream 1 Random Interarrival Steam 2 Random Service Customer Arrival Begin Service Service Departure Time in Time in
Number Time Number Time Number Time Time Time Time Queue System

0 3 122
1 66 0,516 2,17 5 0,039 0,10 1 2,17 2,17 0,10 2,27 0,00 0,10
2 109 0,852 5,72 108 0,844 4,46 2 7,90 7,90 4,46 12,35 0,00 4,46
3 116 0,906 7,10 95 0,742 3,25 3 15,00 15,00 3,25 18,25 0,00 3,25
4 7 0,055 0,17 78 0,609 2,26 4 15,17 18,25 2,26 20,51 3,08 5,34
5 22 0,172 0,57 105 0,820 4,12 5 15,73 20,51 4,12 24,63 4,77 8,89
6 81 0,633 3,01 32 0,250 0,69 6 18,74 24,63 0,69 25,32 5,89 6,58
7 40 0,313 1,12 35 0,273 0,77 7 19,86 25,32 0,77 26,08 5,46 6,22
8 75 0,586 2,65 98 0,766 3,48 8 22,51 26,08 3,48 29,57 3,58 7,06
9 42 0,328 1,19 13 0,102 0,26 9 23,70 29,57 0,26 29,82 5,87 6,12
10 117 0,914 7,36 20 0,156 0,41 10 31,06 31,06 0,41 31,47 0,00 0,41
11 28 0,219 0,74 39 0,305 0,87 11 31,80 31,80 0,87 32,68 0,00 0,87
12 79 0,617 2,88 54 0,422 1,32 12 34,68 34,68 1,32 36,00 0,00 1,32
13 126 0,984 12,48 113 0,883 5,15 13 47,16 47,16 5,15 52,31 0,00 5,15
14 89 0,695 3,57 72 0,563 1,98 14 50,73 52,31 1,98 54,29 1,58 3,56
15 80 0,625 2,94 107 0,836 4,34 15 53,67 54,29 4,34 58,63 0,62 4,96
16 19 0,148 0,48 74 0,578 2,07 16 54,15 58,63 2,07 60,70 4,48 6,55
17 18 0,141 0,45 21 0,164 0,43 17 54,61 60,70 0,43 61,13 6,09 6,52
18 125 0,977 11,26 60 0,469 1,52 18 65,87 65,87 1,52 67,38 0,00 1,52
19 68 0,531 2,27 111 0,867 4,85 19 68,14 68,14 4,85 72,98 0,00 4,85
20 23 0,180 0,59 30 0,234 0,64 20 68,73 72,98 0,64 73,63 4,25 4,89
21 102 0,797 4,78 121 0,945 6,97 21 73,52 73,63 6,97 80,60 0,11 7,08
22 97 0,758 4,25 112 0,875 4,99 22 77,77 80,60 4,99 85,59 2,83 7,82
23 120 0,938 8,32 51 0,398 1,22 23 86,09 86,09 1,22 87,31 0,00 1,22
24 91 0,711 3,72 50 0,391 1,19 24 89,81 89,81 1,19 91,00 0,00 1,19
25 122 0,953 9,18 29 0,227 0,62 25 98,99 98,99 0,62 99,61 0,00 0,62

Average 1,94 4,26

Simulation Replications and
Output Analysis
The spreadsheet simulation of the first 25 customers to
arrive to the ATM system
The simulation output gives:
average time in queue = 1.94 minute
average time in system = 4.26 minute
These results represent only one possible value of each
performance measure.
The inter-arrival times of customers and their service
times are random variables, then the output of the
simulation model is also random.
The 2nd replication  change the seed values
Z10 = 29
Z20 = 92
 Arrival to ATM ATM Processing Time ATM Simulation Logic
i Stream 1 Random Interarrival Steam 2 Random Service Customer Arrival Begin Service Service Departure Time in Time in
Number Time Number Time Number Time Time Time Time Queue System

0 29 92
1 100 0,781 4,56 15 0,117 0,30 1 4,56 4,56 0,30 4,86 0,00 0,30
2 55 0,430 1,68 62 0,484 1,59 2 6,24 6,24 1,59 7,83 0,00 1,59
3 6 0,047 0,14 25 0,195 0,52 3 6,39 7,83 0,52 8,36 1,45 1,97
4 1 0,008 0,02 16 0,125 0,32 4 6,41 8,36 0,32 8,68 1,94 2,26
5 24 0,188 0,62 83 0,648 2,51 5 7,03 8,68 2,51 11,18 1,64 4,15
6 123 0,961 9,73 82 0,641 2,46 6 16,76 16,76 2,46 19,22 0,00 2,46
7 26 0,203 0,68 61 0,477 1,55 7 17,44 19,22 1,55 20,77 1,77 3,33
8 37 0,289 1,02 4 0,031 0,08 8 18,47 20,77 0,08 20,85 2,31 2,38
9 12 0,094 0,30 87 0,680 2,73 9 18,76 20,85 2,73 23,58 2,09 4,82
10 127 0,992 14,56 38 0,297 0,85 10 33,32 33,32 0,85 34,16 0,00 0,85
11 110 0,859 5,88 33 0,258 0,72 11 39,20 39,20 0,72 39,92 0,00 0,72
12 9 0,070 0,22 56 0,438 1,38 12 39,42 39,92 1,38 41,30 0,50 1,88
13 64 0,500 2,08 27 0,211 0,57 13 41,50 41,50 0,57 42,07 0,00 0,57
14 67 0,523 2,22 58 0,453 1,45 14 43,73 43,73 1,45 45,17 0,00 1,45
15 2 0,016 0,05 69 0,539 1,86 15 43,77 45,17 1,86 47,03 1,40 3,26
16 45 0,352 1,30 44 0,344 1,01 16 45,07 47,03 1,01 48,04 1,96 2,97
17 52 0,406 1,56 31 0,242 0,67 17 46,64 48,04 0,67 48,71 1,41 2,07
18 71 0,555 2,43 14 0,109 0,28 18 49,06 49,06 0,28 49,34 0,00 0,28
19 86 0,672 3,34 41 0,320 0,93 19 52,41 52,41 0,93 53,33 0,00 0,93
20 17 0,133 0,43 96 0,750 3,33 20 52,83 53,33 3,33 56,66 0,50 3,83
21 104 0,813 5,02 99 0,773 3,56 21 57,86 57,86 3,56 61,42 0,00 3,56
22 11 0,086 0,27 34 0,266 0,74 22 58,12 61,42 0,74 62,16 3,29 4,03
23 106 0,828 5,28 77 0,602 2,21 23 63,41 63,41 2,21 65,62 0,00 2,21
24 53 0,414 1,60 84 0,656 2,56 24 65,01 65,62 2,56 68,18 0,60 3,17
25 92 0,719 3,81 103 0,805 3,92 25 68,82 68,82 3,92 72,74 0,00 3,92

Average 0,83 2,36

Absen manual 16 Oktober 2019
Alfa indra kawahe 16114001 ti rm 16b