Anda di halaman 1dari 118

| |




01/02-08

 | | 

2
01/0
-08


1. Masalah/sistem sangat komplex,tidak


terstruktur,sehingga sulit diselesaikan secara
analitik.
2. Biaya sangat mahal apabila digunakan sistem
aslinya (dalam percobaan).

. Berbahaya bila digunakan sistem aslinya


(dalam percobaan)/Resiko.
4. Masalah Optimasi; kadang sulit diperoleh
hasil optimal mutlak maka digunakan simulasi
untuk memperoleh angka mendekati mutlak.
5. Waktu percobaan mungkin sangat panjang
bila digunakan sistem aslinya.

01/04-08

Ö  |!

1. Sistem (yang dianalisa) yang terdiri antara lain :


- komponen atau sub sistem
- interaksi antar elemen/sub sistem

2. Model (dari sistem)

. Komputer (optional)
Umumnya untuk model matematika

4
01/05-08

s"|#
Sekumpulan elemen-elemen yang saling berhubungan dan
berinteraksi untuk melaksanakan tujuan khusus.
Contoh :
1. Mesin = elemen
Tenaga = elemen
Bahan baku = elemen
Mesin + tenaga + bahan = sistem
kerja baku produksi
2. CPU = elemen
Monitor = elemen
Keybord = elemen
CPU + Monitor + Keybord = Sistem
5
Komputer
01/0Š-08

„|#
1. Sistem diskrit :
apabila nilai dari elemen-elemen sistem berubah-ubah
secara diskrit (terputus-putus).
Contoh : pada sebuah bank, nilai variable panjang antrian
nasabah hanya berubah pada saat ada nasabah datang
atau pergi saja.

2. Sistem Kontinue
Apabila nilai dari elemen-elemen sistem terus berubah
setiap saat menurut waktu.
Contoh :
- Peningkatan suhu udara terus berubah menurut waktu
- Aliran air sungai terus berubah setiap waktu.

Š
01/0ý-08

$s
efinisi : - gambaran / representasi dari suatu sistem

Ciri : - Memiliki karakteristik serupa dengan sistem aslinya.


- Proposional dengan sistem aslinya

Jenis-jenis model :
• Model fisik : representasi bentuk fisik dari suatu sistem.
Tergolong dalam model fisik ini,
antara lain :
a. model ikonik
berusaha menggambarkan seperti apa bentuk fisik dari
sistem.
Contoh : maket bangunan

ý
01/08-08
b. model analog
berusaha menggambarkan bagaimana
sistem bekerja.
Contoh : alat peraga.

2. Model Simbolik : gambaran dari suatu sistem dalam bentuk


simbol-simbol.
Tercakup dalam model ini anatara lain :
a. Model Matematis :
Penggambaran suatu sistem dengan menggunakan
simbol-simbol dan operator matematika.
Contoh :
- model permintaan dan penawaran
- aya listrik : P = V.I
b. Model Grafis

8
02/01-08
 %
„ || |
A. Simulasi menurut sifat dan waktu
1. Simulasi Statis
Simulasi model yang menggambarkan suatu proses yang
tidak dipengaruhi oleh waktu / atau suatu proses yang
terjadi pada suatu waktu tertentu saja.
Contoh :
- Simulasi gempa untuk menguji struktur bangunan
- Simulasi monte carlo

2. Simulasi inamis
Simulasi model yang menggambarkan proses yang
dipengaruhi oleh waktu / berlangsung pada suatu
rentang waktu.
´
02/02-08

Contoh :
- Simulasi gerakan roket
- Simulasi kedatangan mobil ke jalan tol

B. Menurut ada tidaknya peubah acak


1. Simulasi eterministik
Simulasi yang menggambarkan suatu proses yang pasti
terjadi (tidak mengandung ketidak tentuan).
Contoh :
- percobaan reaksi kimia di lab

Hcl + NaOH = NaCl + H2O

2. Simulasi Stokastik / Probalistik


Simulasi yang menggambarkan suatu proses yang
mengandung sifat ketidak pastian / probalistik / random
10
02/0
-08
Contoh :
- Simulasi kedatangan pelanggan / pembeli

C. Menurut Peubah Acaknya


1. Simulasi iskrit
Simulasi yang komponen-komponen sistemnya
bersifat siskrit.
Contoh :
- Simulasi jumlah tabungan
- Simulasi kedatangan pembeli

2. Simulasi Kontinue
Simulasi yang komponen sistemnya bersifat
kontinue.
Contoh :
- Simulasi gerakan roket
- Simulasi peningkatan suhu udara
11
02/04-08

. Simulasi Campuran (Kontinue+ iskrit)


Simulasi yang komponen sistemnya ada yang bersipat
diskrit, ada yang kontinue.
Contoh :
Simulasi proses industri, penggunaan bahan baku
bersifat kontinue sementara penambahan bahan baku
bersifat diskrit.

4. Simulasi Monte Carlo


Simulasi ini menggunakan dasar data empiris /
percobaan untuk membentuk model.
Kemudian dengan peubah acak model tersebut
disimulasikan.

12
02/05-08
   & &
|
Formulasi Masalah

Kumpulan ata- ata efinisikan


Model

Validasi

Tulis Program

Test No
Yes
Rancang Percobaan

Jalankan Simulasi

Analisa Hasil Simulasi

Implementasi

02/0Š-08

Contoh : Simulasi Perparkiran


Suatu tempat parkir bisa menampung 20 mobil. Biaya parkir
diketahui sebesar Rp.1000. Pekiraan jumlah penghasilan
dalam satu jam.
T Mobil atang Keluar Sisa Kapasitas
0 2 0 18
10
1 1Š
20 10 0 Š

0 2 2 Š
40 4 1

50 0 4 ý
Š0 1 5 11
22

Total selama 1 jam = 22 mobil


14
Penghasilan = 22XRp.1000 = Rp.22.000,-
02/0ý-08
#Ö |
1. Berupa Nilai Tunggal
Hanya ada satu angka hasil keluaran
Contoh :
Simulasi untuk menentukan jumlah teller di bank hasil
simulasi ini berupa satu nilai tunggal.
2. Berupa Tabel
Hasil simulasi berupa suatu tabel
Contoh :
Simulasi kedatangan nasabah.
Nasabah ke Jam atang Lama Pelayanan Total Antrian
1 ´.00 5 0
2 ´.02
0

´.05 5 1
4 ´.10 Š 0
5 ´.1
Š 1
15
02/08-08

. Berupa Grafik / Gambaran


Hasil Simulasi berupa gambar
Contoh :
Simulasi desain bangunan atau
mesin / alat


0
/01-04
 '
 &
• Merupakan tahap penting dalam simulasi
• Pada prinsipnya adalah : pemilihan masalah yang
akan disimulasikan berdasarkan kriteria dan
kepentingan.

Tahap ± tahap dalam perumusan masalah meliputi :


• Indentifikasi peubah keputusan dan peubah yang tak
terkontrol.
• Pelajari kendala (Constraint) dari peubah keputusan.
• efinisikan tolak ukur untuk kinerja sistem (system
Performance).
• efinisikan fungsi tujuan.
• Kembangkan struktur model awal untuk mempelajari
hubungan antar variabel 1ý
0
/02-04

#( Ö
1. Ada dua macam variable :
Exogenous Variable
Variable yang tidak termasuk dalam sistem (model).
Berperan sebagai input ke dalam sistem

2. Endogenous Variable
Variable yang internal di dalam
sistem.
Nilainya di pengaruhi variable
Exogenous.
Berperan sebagai output variable.

18
0
/0
-04

Exogonous Variable dikelompokan menjadi dua, yaitu :


1. Variable yang bisa di control
Sampai batas tertentu nilainya bisa di kontrol

2. Variable yang tidak bisa di kontrol


Nilainya tidak bisa di kontrol (diatur)

Kendala :
Batas ± batas ( kisaran ) dari nilai variable khususnya
adalah variable keputusan.

Ukuran / tolak ukur sistem


‡ Ukuran atau kriteria untuk menilai kinerja ( perilaku
sistem )
‡ Umumnya adalah endogenous variable 1´
0
/04-04

Ë$)#"
‡ Tujuan yang ingin di capai oleh sistem
‡ Biasanya adalah optimalisasi ( maximum atau
minimum variable keputusan )
‡ Ada ³trade off´ bila sistem memiliki berbagai fungsi
objektif ( multi objektive )

#&!

Pada sistem ³check out´ di supermarket. Analisalah sistem


ini.
Tentukan variable ± variablenya, tolak ukur sistem, fungsi
objektif yang bisa dibuat.

20
04/01-0Š
 *
s#
s# #!
‡ Verifikasi dan validasi model
‡ Mempelajari / menentukan distribusi peluang dari
variable

#!
‡ Pengumpulan data perlu dilakukan dengan benar
‡ Yang perlu diperhatikan dalam pengumpulan data
adalah :
- Apa yang perlu dikumpulkan
- Kapan perlu dikumpulkan
‡ Untuk menghindari kesimpulan yang bias :
- Pengumpulan data perlu dilakukan berulang-ulang
21
dalam rentang waktu yang cukup.
04/02-0Š
s#!
‡ Gunakan statistik deskriptif. Misal histogram ( tabel
frekuensi )
‡ Pelajari pola dan siklus sekumpulan data

Parameter yang bisa dipakai untuk pengolahan data antara


lain :

1. Ukuran Pemusatan
- Rata ± rata
- Modus
- Median

2. Ukuran Penyebaran
- Standar eviasi
22
04/0
-0Š

####"  #)!

‡ Untuk mempelajari hubungan data dengan keriteria


atau ³property´ sistem

‡ Untuk melakukan berbagai test dan pengujian


hipotesa

‡ Uji yang biasa dilakukan :


- Test of Independence
- Test untuk keacakan data
- Goodness of Fit Test

04/04-0Š
 
Pemahaman terhadap sistem :
‡ Merupakan tahap yang paling sulit dalam pengembangan
model.
‡ Ada dua macam pendekatan :
- Physical Flow
- State Change

Physical Flow Approach :


‡ Identifikasi komponen fisik yang utama dalam sistem
‡ ³Track´ / ikuti jalur rute dan gerakan komponen tersebut dalam
sistem
‡ Gunakan flowchart atau diagram

State Change Approach :


‡ ilakukan dengan mengamati status beberapa variabel
endogenous
‡ Cocok untuk ³event simulation´ 24
04/05-0Š
+ 
, - # .# /
Tahap / prosedur yang bisa dilakukan
‡ Konsultasi dengan ³expert´
‡ Mempelajari teori yang berkaitan
‡ Membandingkan / merujuk ke hasil simulasi serupa yang
sudah dikerjakan
‡ Pengamatan terhadap sistem
‡ Intuisi / pengalaman

Bila model sudah tersusun


‡ Test asumsi secara empiris
- Uji statistik
- Analisa sensitivitas

‡ Tentukan apakah keluaran simulasi cukup representatif


sesuai sistem 25
04/0Š-0Š

V  

Kembangkan model yang cocok untuk system


³ Check out´ system di supermarket


05/01-1

 0
 |###|

1. Untuk memahami bagaimana memodelkan suatu


sistem yang bersifat probalistik, antara lain :
- Validasi model
- Penentuan distribusi statistik dari peubah acak

2. Untuk merencanakan / mendesain percobaan yang


akan dilaksanakan dengan simulasi (rancangan
percobaan)

. Untuk menganalisa ³hasil / output´ dari simulasi


05/02-1

 #

efinisi parameter :
Suatu Karakteristik / sifat dari sistem yang diukur
untuk menggambarkan sistem tersebut

Misal :
1. Suatu sistem pemasaran produk
³A´ dapar digambarkan dari :
- Rata ± rata penjualan
- Tabel penjualan, dsb.
2. Suatu arus mahasiswa dapat digambarkan dari :
- Total jumlah mahasiswa
- Rata ± rata nilai
- Penyebaran nilai, dsb. 28
05/0
-1

 # ++  !

Rata ± rata ( Mean ) :


Ukuran pemusatan dari nilai ± nilai variabel
n
Xi

X= I=1

n
Varians :
Ukuran penyebaran dari nilai ± nilai variabel

Var (X) = E (x²) - µ²

Umumnya orang menggunakan standar deviasi 2´


05/04-1

Ö !
Ukuran kedekatan hubungan antar variabel ± variabel
Misal :
- Berat badan berkaitan dengan tinggi
- Penjualan dipengaruhi oleh promosi

  #!
Ukuran kecenderungan atas munculnya / terjadinya suatu
peristiwa / event / kejadian.

Nilai : antara 0 ± 1
Nilai 0 = peristiwa tidak mungkin terjadi
nilai 1 = peristiwa pasti terjadi


0
05/05 -1

Ö !

1. Konsep Klasik

P (A) = Banyaknya event A yang bisa terjadi


Jumlah semua peristiwa yang bisa terjadi

2. Konsep Frekuensi Relatif


idasarkan data masa lalu dihitung probalitas untuk
keadaan sekarang

. Konsep Subjektif
- Penilaian keadaan, situasi, indikator lain.
- Personal belief


1
05/0Š -1

Ö  
‡ Event :
Peristiwa / kejadian atau segala sesuatu yang bisa /
mungkin terjadi pada suatu eksperimen / percobaan.
Contoh :
- keluarnya angka atau gambar kalau kita melempar
uang logam
- Keluarnya angka Š kalau kita melempar dadu

‡ Ruang Sampel :
Himpunan seluruh kejadian yang mungkin terjadi
(event) pada suatu percobaan / eksperimen
Contoh :
H = { angka, gambar } adalah ruang sampel untuk
eksperimen uang logam.

2
05/0ý-1

S = { 1,2,
,4,5,Š } adalah ruang sampel untuk
eksperimen melempar dadu

‡ Sampel
Setiap bagian dari suatu populasi yang diambil pada
suatu eksperimen .
Populasi bisa berarti suatu ruang sampel.

Contoh :
Penelitian tentang kecakapan mahasiswa mengambil
contoh data ± data mahasiswa TI semester Š. Contoh
ini adalah sampel.

05/08 -1

# 
1. Gabungan ( Union )
Jika A dan B adalah himpunan bagian dari ruang
sampel S. A union B berisi seluruh event yang
merupakan anggota A, anggota B atau anggota
keduanya ( A dan B )

A B

isimbolkan A U B

Peluang kejadian yang merupakan anggota A U B


dinyatakan sebagai P(AUB = P(A+B) = P(A) + P(B)
( untuk ³mutually exclusive´ event)
4
05/0´ -1

P(AUB) = P(A+B)
= P(A) + P(B) ± P(AȆB)

( untuk yang tidak ³mutually exlusive´ event )

2. Irisan ( Intersection )
Jika A dan B adalah himpunan bagian dari ruang
sampel S. A irisan B berisi seluruh event yang
merupakan anggota A sekaligus juga anggota B.

A B

isimbolkan A Ȇ B

5
05/10 -1

Peluang kejadian yang merupakan AȆB dinyatakan


sebagai berikut :

P(AȆB)=P(AB)=P(A) + P(B) ± P(A+B)

Contoh :
alam permainan kartu.
Ruang sampel = total jumlah kartu = 52
Event = kartu yang keluar bila kita ambil satu
kartu (As, Raja, «.)
Peluang mendapat kartu As (bila kita ambil satu
kartu) = 4 / 52
Peluang kartu As bergambar hati = 1 / 52
Peluang mendapat kartu As atau bergambar hati
= 4/52 + 1
/52 ± 1/52 = 1Š/52
Š
05/11 -1

Independent Event (kejadian ± kejadian saling


bebas )
Munculnya suatu event tidak mempengaruhi munculnya
event yang lain.

Contohnya :
Pada percobaan melempar dadu
2 kali peluang munculnya angka
1 pada lemparan pertama tidak
mempengaruhi munculnya angka
1 lagi pada lemparan 2

alam peluang, bila dua event A & B


Saling bebas (independent), peluang
Munculnya A dan B =
P(AȆB) = P(A dan B ) = P (A) X P(B)

ý
05/12 -1

Contoh :
alam percobaan melempar dadu
2 kali peluang munculnya angka 1
pada lemparan pertama dan angka
2 pada lemparan pertama dan angka
2 pada lemparan ke 2 =
P(1 dan 2) = P(1) x P(2)
1/Š x 1/Š = 1/
Š

s    
     )

Munculnya suatu event mempengaruhi munculnya


kejadian yang lainnya.

Contoh :
alam permainan kartu, kita mengambil 2 karu secara berturut-turut
( tanpa mengembalikan kartu petama). Munculnya kartu pertama
bergambar hati akan menentukan peluang munculnya kartu bergambar

8
hati pada kartu kedua.
05/1
-1

alam peluang, bila dua event A & B tidak saling bebas.


Peluang munculnya A & B =
P(A dan B) = P(A) x P(B/A)

P(B/A) adalah peluang bersyarat yaitu probalitas / peluang


munculnya B bila A sudah terjadi.

Contoh :
alam permainan kartu di atas, peluang munculnya kartu 1 hati
dan kartu 2 juga hati

P(hati dan hati) =


P(hati) x P(hati, dengan syarat gambar hati keluar pada kartu 1)
= 1
/52 x 12/51
= 15Š/2Š52
= 1/1ý

´
0Š/01-10
 1
s# |###
efinisi : suatu gambaran lengkap dari seluruh event / kejadian
yang mungkin dari suatu eksperimen, lengkap dengan
peluang kejadian.

Contoh :
1. istribusi statistik percobaan melempar I dadu
Event (x) Probalitas P(x)
1 1/Š
2 1/Š

1/Š
4 1/Š
5 1/Š
Š 1/Š
40
0Š/02-10
2. istribusi statistik percobaan melempar 2 dadu

Event (x) Probalitas P(x)


2 1 /
Š

2 /
Š
4
/
Š
5 4 /
Š
Š 5 /
Š
ý Š /
Š
8 5 /
Š
´ 4 /
Š
10
/ ŠŠ
11 2 /
Š
12 1 /
Š

41
0Š/0
-10
istribusi Kumulatif
efinisi :
Probalitas suatu random variabel x terjadi / bernilai kurang
dari atau sama dengan x.

Notasi : F(x) = P(x) = peluang kejadian yang bernilai x


F(x) = distribusi kumulatif random variabekl x yang bernilai
lebih kecil sama dengan x
F(x) = P(X <= x)

Contoh :
Pada percobaan melempar 2 dadu
F(4) = P(X <= 4)
= P(2) + P(
) + P(4)
= 1/
Š + 2/
Š +
/
Š
= Š/
Š = 1/Š 42
0Š/04 -10
istribusi Peluang ( iskrit)

 s#   


efinisi :
istribusi peluang yang menjelaskan suatu situasi /
eksperimen dimana dalam eksperimen tersebut hanya
ada dua kemungkinan saja.

Misal :
- Uji melempar koin hanya ada 2 event yang mungkin
terjadi

- Peluncuran suatu produk baru memiliki dua


kemungkinan gagal atau sukses

Notasi : X ~ B(P) 4

0Š/05 -10

istribusi Bernoulli dinyatakan dengan


Persamaan :

P(x) = P, untuk x= 1
= 1 ± P, untuk x = 0

X = 1, biasanya dianalogikan sebagai kejadian ³sukses´


X = 0, biasanya dianalogikan sebagai kejadian ³gagal´

Nilai harapan Bernoulli untuk suatu random variabel x

E(x) = 1. P(x = 1) + 0 . P(x = 0) = P

44
0Š/0Š -10
Proses Stokastik
efinisi :
Rangkaian suatu random variabel yang menggambarkan
perilaku suatu sistem pada berbagai kondisi.

Contoh :
1. Uji pelemparan koin sebanyak kali menghasilkan nilai
X1, X2, ««Xn
X1, X2, «.., Xn adalah random variabel untuk tiap uji
Kumpulan / Hinpunan { X1, X2, «.,Xn } adalah sebuah
proses stokastik.
Artinya : nilainya harapansuatu random variabel
Bernoulli adalah nilai peluang untuk kejadian ³sukses´ /
x = 1.

45
0Š/0ý -10
% s#  
Serupa dengan Bernoulli dimana dalam eksperimen hanya
ada 2 kemungkinan, tetapi eksperimennya dilaksanakan
berulang ± ulang.
Contoh :
- percobaan melempar koin 5 kali
- percobaan menembak sasaran beberapa kali
notasi : X ~ bin(n,p)

istribusi Binomial dinyatakan dengan rumus :

n x n-x
P(x)= Cx ˜ 
0,1,2,««n

n = banyak percobaan
p = peluang sukses
q = 1 ± p = peluang
n
Cx = kombinasi x dari n = n! / x! (n ± x)!

0Š/08 -10
istribusi Poisson

istribusi peluang yang digunakan untuk menggambarkan


terjadinya suatu kejadian (event) pada suatu interval waktu
(atau ruang).

Contoh :

‡ istribusi jumlah nasabah yang datan stiap jam


‡ istribusi jumlah mobil masuk jalan tol setiap jam.

Notasi : X ~ P(  )


0Š/0´ -10
istribusi Poisson dinyatakan dengan
Rumus :

X -1
P(x) =  e
X!

X = 0,1,2,««(jumlah kejadian dalam suatu interval)


= rata ±rata banyaknya kejadian per interval waktu
E = 2.ý1028

Contoh :
‡ Rata ± rata jumlah mobil yang lewat jalan tol adalah

mobil per menit :


Ë
48
0Š/10 -10
‡ Peluang ada 5 mobil melewati jalan tol dalam satu
menit

5 -

P(5) =
( 2.ý108 ) = (24
)(0.04´8) = 12.10
5! 120 120
= 0.1005

‡ Peluang ada
mobil melewati tol dalam 1 menit

P(
) = (

)( 2.ý1828) = (2ý)(0.04´8)

! Š
= 0.2241


0ý/01-08
 2
s# ,Ö #/

  #
efinisi : istribusi yang menggambarkan waktu
antara (interval) antara dua kejadian bebas.
Contoh : dijalan tol, jarak antar kedatangan 2 mobil
bisa 1 menit, 2 menit, 2.5 menit, dst.

Notasi : x ~ Exp(B)

istribusi Exponensial dinyatakan dengan rumus :

Ä
P(x) = ! ,untuk 0 () <= x <=10
atau
ex,b
P(x) ± 1 / B 50
0ý/02-08

 Ë    ! 


  
! 
 Ë     
  ! 

 Ë  
 Ë 
! 

s   



s!

s   ! 
" #
"  "


 !
"" 

   #
" !      $
%&
&$ 
'
"" ! 
&
" !   !(   ! 
!
"
  ) *& & ! & & #
" !(  + )  

#
" !   , )   
# ! 
" 51
0ý/04-08

*& !
# 
 '!


 - Ë Ä  6

 '!

 ! #
" !  

 -  !

&  

%&
&$ 

.!$ &       !


#  !   /0 
!
"

 !  1 
6 Ë /0  Ë 1

 *&      !
#    
 /0 

12  
52
0ý/05-08

ý50 8
0
- 8
0 Ë 12  /0  1 Ë 

3
 - Ë   !  $  Ë 242

5 ! 
" &      !$
  

/0  12   $ 242

0ý/0Š-08
s       
s   ! 
" #
" !
"" 
  
 ! 
!!
 !  ! 
" #
"   
 
( 

*! 
" ! 
#
" !   !" 
#
!
"

  

*ÄË 6  
 6 + Ä + 
*ÄË   
 ! 
6 + Ä + 

6
# 
 .! 
 Ä 
 6 
 !  ! 
" #
"  

 ! 
 3

 Ä ! 
  ! 
" 6     ! 
! 
" 
 
(  54
0ý/0ý-08

istribusi Statistik (Ringkasan)

istribusi Eksponensial
rata ± rata = Ë = 1/
variance = ËU
istribusi Normal
rata ± rata = 6
variance = U
istribusi Bernoulli
rata ± rata =
variance = P(1 ± P)
istribusi Normal
rata ± rata = 
variance = nP(1 ± P)
55
0ý/08-08

istribusi Poisson
rata ± rata = 
variance = 

istribusi Seragam

rata ± rata = b + a
2

variance = (b ± a )²
12


 08/01-14

#.
Bilangan acak akan digunakan untuk mensimulasikan nilai
dari peubah acak dengan suatu metoda transformasi.

Bilangan acak umumnya bernilai antara 0 ± 1 dan


berdistribusi seragam.

Syarat ± syarat pembangkitan bilangan acak :


1. Bersifat random:
Munculnya suatu bilangan acak tidak dipengaruhi oleh
bilangan acak sebelumnya.
2. Tidak bersifat ³degerate´
Tidak berulang ± ulang memberikan bilangan yang
sama.

. Memiliki perioda ulang yang panjang


08/02-14
Metoda pembangkitan bilangan acak
1. Secara manual : Sederhana
Misal : dengan melempar koin dadu
2. Menggunakan tabek bilngan acak
Bilangan acak sudah disusun dalam bentuk tabel,
sehingga kita tinggal menggunakannya.

. Menggunakan komputer :
Menggunakan algoritma kommputer yang diprogram.

Jenis Bilangan Acak


1. Bilangan acak murni :
Bilangan acak yang muncul dalam pembangkitan
benar ± benar tidak bisa diduga dan semua bilangan
memiliki peluang yang sama untuk muncul.
Contoh : melmpar dadu
58
08 / 0
-14
2. Bilangan Acak Tidak Murni (Pseudorandom).
Bilanga acak yang muncul bisa diduga karena
dihasilkan dengan rumus matematika. Hanya saja,
bisa diuji bilangan acak ini tetap menunjukan sifat
random.
Contoh : bilangan acak dari program komputer.

Metoda pembangkitan bilangan acak secara matematis :


1. Midsquare Method
Prosedure :
§ Tentukan angka awal (seed) : 4 digit
§ Kuadratkan
§ Ambil empat digit yang ditengah
§ Kembali kelangkah 2


08 / 04 -14
Catatan :
Apabila pada langkah 2 hasil kuadrat jumlah digitnya
ganjil tambahkan satu nol dimuka baru lanjutkan
kelangkah
.

Contoh :

1. Seed = ý182
2. Kuadratkan (ý182) U = 51581124

. 4 digit ditengah = 5811
Bilangan acak 1 = 0.5811
4. Kembali kuadratkan 5811
(5811) U =

ýŠýý21
4 digit ditengah = ýŠýý
Bilangan acak kedua = 0.ýŠýý, dst.
Š0
08 / 05 -14
alam bentuk tabulasi sebagai berikut
Z(i) U Z(i) U

ý182 51581124
5811 0.5811

ýŠýý21
ýŠýý 0.ýŠýý 58´
Š

´
Š
0.´
Š

2. Metode Linier Congruential (LCG)


Rumus :
Z i = ( a. Z i ± 1 + C ) mod m
a = multiplier
C = increment
Z0 = seed
Zi = sisa hasil bagi
Random number :
Ui = Zi / m Š1
08 / 0Š -14

. Metode Multiplicative Congruential (MCG)


Rumus :
Z i = ( a. Z i ± 1 ) mod m

Random number :
Ui = Zi / m

Contoh :

Linier Congruential (LCG)


Misal : Z(o) = ý a = 5 c =
m = 1Š
Z (1) = (5 x ý +
) mod 1Š
=
8 mod 1Š
( Z i = ( a. Z i ± 1 + C ) mod m )
Š2
08 / 0ý -14
Cara hitung 2
1Š Õ
8

2
Z(1) = Š Š
Z(2) = (5xŠ+
) mod 1Š
=

mod 1Š =1
Z(
) = (5x1+
) mod 1Š
= 8 mod 1Š = 8
Z(4) = (5x8+
) mod 1Š
= 4
mod 1Š =11
Z(5) = (5x11+
) mod 1Š
= 58 mod 1Š =10
an seterusnya «««.

08 / 08 -14
Contoh : Multiplicative Congruential (MCG).
Z(o) =ý a = 5 m = 1Š

Z(1) = (5xý) mod 1Š


=
5 mod 1Š =

Z(2) = (5x
) mod 1Š
= 15 mod 1Š = 15
Z(
) = (5x15) mod 1Š
= ý5 mod 1Š = 11
Z(4) = (5x11) mod 1Š
= 55 mod 1Š = ý
Z(5) = (5xý) mod 1Š
=
5 mod 1Š =

Pembangkitan bilangan acak sudah mencapai satu siklus.


Š4
08 / 0´ -14
Pengujian Bilangan Acak
Bilangan acak yang dibangkitkan (dengan model
matematika) perlu diuji untuk mengecek apakah :
1. Berdistribusi seragam (uniform)
2. Urutannya juga bersifat acak / random

Metode pengujiannya :
1. Secara Empiris (Emphirical test)
Test dilakukan dengan menggunakan uji ± uji statistik
dan berdasarkan bilangan acak yang dibangkitkan
tersebut.

Tergolong dalam test ini :


1. Uji Chisquare (Kai Kuadrat) : untuk test distribusi
seragam
Š5
2. Run Test : untuk uji keacakan urutan
08 / 10 -14
2. Secara Teoritis (Theoritical Test)
Test dilakukan tanpa uji statistik melainkan parameter
pembangkit (generator) untuk pembangkitan secara
menyeluruh.

Tergolong dalam test ini :


1. Spectral test
2. Lattice test

ŠŠ
08 / 11 -14
Contoh : Uji Chisquare
Misal : dibangkitkan 100 bilangan acak. Lalu dikelompokan
dalam 10 kelas.
Kelas Frekuensi Frekuensi Harapan (fo ± fe ) U / fe
(fo) (fe)
0.00 ± 0.1 ´ 10 0.1
0.10 ± 0.20 12 10 0.4
0.20 ± 0.
0 10 10 0.0
0.
0 ± 0.40 11 10 0.1
0.40 ± 0.50 8 10 0.4
0.50 ± 0.Š0 10 10 0.0
0.Š0 ± 0.ý0 10 10 0.0
0.ý0 ± 0.80 ý 10 0.´
0.80 ± 0.´0 12 10 0.4
0.´0 ± 1.00 11 10 0.1
100 100 2.4
XU hitung

Pengujian :
Ho = data / bilangan berdistribusi seragam
Šý
H1 = data tidak berdistribusi seragam
08 / 12 -14
Uji : selang kepercayaan i : 0.05 (5%), nilai ùU tabel =
1Š.´1´

ùU hitung < ùU tabel , maka terima Ho


Kesimpulan : data / bilangan acak bersiatribusi
seragam

Run Test
alam Run Test urutan bilangan acak diuji

Cara Uji : bilangan acak diurutkan. Bila bilangan berikutnya


lebih besar, maka diberi tanda +, bila bilangan berikutnya
lagi lebih besar biarkan, bila lebih kecil beri tanda - , dan
seterusnya.
Š8
08 / 1
-14
Contoh : 40 bilangan acak telah dibangkitkan

0.4
0.
2 0.48 0.2
0.´0 0.ý2 0.´4 0.11 0.14 0.Šý
- + - + - + - +
0.Š1 0.25 0.45 0.5Š 0.8ý 0.54 0.01 0.Š1 0.Š5 0.
2 0.0

- + - + -
0.´
0.08 0.58 0.41 0.
2 0.0
0.18 0.´0 0.ý4 0.
2
+ - + - + -
0.ý5 0.42 0.ý1 0.ŠŠ 0.0
0.44 0.´´ 0.40 0.51
+ - + - + - +

Total run X = 2Š (2Š tanda + dan - )


• Nilai harapan total run 6 = (2N ± 1) /

= ((2 x 40) ± 1) /
= 2Š.

• Variance jumah run U = (1Š ± 2´) / ´0


= ((1Š x 40) ± 2´) / ´0 = Š.ý´
 Standar devisiasi Ë Õ Š.ý´ = 2.Š1 Š´
08 / 14 -14
Pengujian : dengan uji distribusi normal

Hipotesa Ho : 6 = 2Š.

H(1) : 6 ¬ 2Š.

Uji Z = (X - 6) / = (2Š ± 2Š.

) / 2.Š1
= -0.1

Batas ± batas untuk selang kepercayaan ´5% adalah


±1.´Š s/d 1.´Š
Z = -0.1
terletak di dalam selang, jadi Ho diterima.

Kesimpulan : Urutan bersifat acak.

ý0
| |
 3

%
§PeubahAcak (Random Variable)
§Pembangkitan Random Variable
&., ( /
Suatu variable (peubah) yang nilainya bersifat acak
(random) dan tidak tetap.
Tetapi umumnya menunjukan suatu pol;a (distribusi)
Jenis peubah acak :
• iskrit : bila nilai-nilai dari variable tersebut tertentu
(terbatas)
Contoh : pada percobaan melempar dadu, angka yang
mungkin muncul : {1,2,«.,Š} saja. Jadi hanya ada Š nilai.
• Kontinue : bila nilai-nilai dari variable tersebut tidak
terbatas.
Contoh : waktu antara datangnya langganan, bisa
bermacam-macan : {0,1/2,1,2,
/5,«} jadi ada
kemungkinan nilai yang tak terbatas.

ý2
# ( 

‡ Menggunakan bilangan acak sebagai input


‡ Bilangan acak dirubah (dikonversi) sesuai dengan distribusi
statistik yang diinginkan dengan suatu algoritma.
Algoritma untuk konversi bilangan acak menjadi variable
acak,perlu memperhatikan :
‡ Exactness : Tepat, artinya nilai variable acak yang dihasilkan

harus sesuai dengan distribusi statistik yang diinginkan.


‡ Efficient : algoritma harus tidak meminta kapasitas memori
yang besar.Jadi, algoritma harus praktis dan efisien.
‡ Robustness : Efficient untuk setiap parameter.

# #&.

1. Inverse transformation.
2. Composition.

. Convolution
4. Acceptance ± Rejection.

ý4
4  " # 
engan memamfaatkan fungsi kumulatif.
Tahapan : 1. Set parameter U~U(0,1)
-1
2. Hitung X = F (U)
X=random variable
F(U)=fungsi kumulatif dalam U
Misal : Pembangkitan variable acak dengan distribusi
exponensial dengan rata-rata b
Fungsi distribusi untuk exponential adalah :
-x/b
F(x)={
o
Untuk mendapatkan fungsi inversnya (F ) maka tentukan
U = F(x), sehingga X = F (U)
F (U) = -b ln (1-u)
ý5
Metode penurunannya :
-x/b
U = 1-e
-x/b
1-U = e
-x/b = ln (1-u)
x = -b ln (1-U)

Contoh : transformasikan bilangan acak 0,Š´ menjadi variabel


yang berdistribusi exponensial dengan rata-rata b = 1.5
Jawab : X = -1.5 ln (1-0.Š´)
= 1.ý5Š
Transformasi bilangan acak ke variabel acak yang berdistribusi
Bernoulli.

ýŠ
Tahapan :
1. Bangkitkan bilangan acak U~U(0,1)
2. Aturan konversi :
X = 1 bila U ! P
X = 0 bila U > P
P = peluang untuk sukses
Contoh :
Konversikan bilangan acak 0.Š´ menjadi nilai variabel yang
berdistribusi a dengan peluang sukses 0.5
Jawab :
U = 0.Š´ ! P = 0.5 maka X = 0

ýý
#&.
istribusi Binomial
Perlu diingat : istribusi Binomial adalah distribusi Bernoulli yang
dilakukan berulang-ulang.

Langkah-langkah :
1. Bangkitkan n bilangan acak Ui
2. Set nilai Yi = 1 bila Ui ! P (peluang sukses)
Yi = 0 bila > P (peluang sukses)
n

. Set S = Yi = Y1 + Y2 + ««.+ Yn
1
Contoh :
Sebuah show room mobil melakukan penelitian. Kesimpulannya : dari
total pengunjung yang datang akhirnya hanya 40% yang membeli mobil.
Bila dalam satu minggu ada 10 pengunjung, simulasikan penjualan
mobil dari show room tersebut
ý8
Jawab :
P = peluang sukses / peluang 1 mobil terjual = 0.4
Bilangan acak yang dibangkitkan :
U1 = 0.Š´Š U2 = 0.ý
4 U
= 0.1Š2
U4 = 0.Š5ý U5= 0.01
UŠ = 0.´0

Uý = 0.812 U8 = 0.0
Š U´ = 0.ý21
U10 = 0.054
Pembangkitan Peubah Acak Berdistribusi Normal (X~N(0.1))
‡ Pembangkitan peubah acak ³normal´ tidak bisa dilakukan
secara
langsung (sulit)
‡ Cara lain, pembangkitan dilakukan secara tidak langsung
dengan menggunakan variabel lain.

ý´
Langkah-langkah pembangkitan :
1. Bangkitkan 2 bilangan acak U1 dan U2
2. Hitung V1 = 2U1-1
V2 = 2U2-1

. Hitung W = V1² + V2²


4. Bila W > 1, maka kembali / ulangi prosedur no.1
Bila W ! 1, hitung Y =  (-2 ln W) W
5. Hitung Z1 = V1Y
Z2 = V2Y
Nilai perubah acak berdistribusi Normal dengan rata-rata µ dan
standar deviasi diperoleh dengan rumus :

X¹B = 6+ -

80
#&.
istribusi Seragam / Uniform
Langkah-langkah pembangkitan:
1. Bangkitkan bilangan acak U
2. X = a + (b-a) U
a : batas bawah selang distribusi
b : batas atas selang distribusi
Contoh :
Sebuah toko sepatu mencatat bahwa penjualan sepatu
mengikuti distribusi seragam dengan nilai antara 5 ± 20
pasang per hari. Simulasikan penjualan selama 5 hari.
Jawab :
Bangkitkan 5 bilangan acak, misalnya U1 = 0.ý8Š U2 = 0.´52
U
= 0.Š1Š U4 = 0.4Š´ U5 = 0.
´ý
Hasil simulasi : a=5 b=20

81
Hari ke Bilangan acak x=a+(b-a)U Hasil Simulasi Penjualan

1 0.ý8Š 5+15x0.ý8Š=1Š.ý´ 1ý
2 0.´52 1´.28 1´

0.Š1Š 14.24 14
4 0.4Š´ 12.0
12
5 0.
´ý 10.´Š 11

Peluang suatu nilai x terletak antara suatu interval [ a,b ]


dinyatakan sebagai
P{a<X<b} = 1 dx
B±A
= b±a
B±A
Contoh :
Kereta api jabotabek datang setiap 15 menit sejak pukul ý.00
Penumpang datang berdistribusi secara seragam antara pukul ý.00 ±
ý.15.
Berapa peluang penumpang menunggu lebih dari 10 menit ?
82
Jawab :
Penumpang harus menunggu lebih dari 10 menit bila dia datang
antara pukul ý.00 ± ý.15

= P(0<X<5) = 5 ± 0 = 5 = 1
15 ± 0 15

istribusi seragam digambarkan sebagai berikut :

P(X)

B-A

A X B
8

10/01-08


# .Ö#
 4 .
alam hal ini kita membangkitkan
³waktu antar kedatangan / interarrival
time´.

Pembangkitan / process ini disebut


Poisson Process, yang merupakan
Suatu process Stochastec, karena
Proses ini berdistribusi Ekspnensial.

84
10/02-08

- 5 .    .

1. Customer / kejadian / event :


Terjadi / datang satu pada setiap titik waktu

2. Jumlah kedatangan / kejadian pada suatu interval waktu


adalah bebas ( tidak tergantung pada kedatangan interval
lain )

. umlah kedatangan pada suatu interval waktu bebas tidak


tergantung pada waktu ( siang,pagi,sore,dan sebagainya ).

Hal yang perlu diingat pada distribusi Poisson & Eksponensial

Rata ± rata =
Varian = 85
10/0
-08

Arival process / Poisson Process ini digolongkan menjadi


2, yaitu :
1. Stationary Poisson Process
alam tipe ini rata-rata kedatangan  sama untuk
setiap waktu.
Contoh : kejadian kerusakan mesin atau munculnya
produk yang cacat
2. Non stationary Poisson Process
alam tipe ini, rata-rata kedatangan  berubah-ubah
tergantung waktu jadi  merupakan fungsi dari waktu :
ã 
Contoh :
1. Jumlah mobil yang melewati jalan tol pada pagi hari
dan sore hari jauh lebih banyak dibanding jam ±
jam lain.

10/04-08

2. Permintaan / pelanggan di warung pada jam-jam


tengah hari jauh lebih banyak dibanding jam-jam lain.

Pembangkitan ³Poisson Process´

1. Stationary Poisson
Langkah ± langkah
Bangkitkan bilangan acak U1
Hitung waktu kedatangan ti = ti-
1(1 /  ) ln U bila diperlukan t = O

Contoh :
Rata ± rata jumlah pelanggan yang datang ke sebuah
bengkel adalah 5/jam. Simulasikan kedatangan

orang pelanggan pada interval waktu antara ´.00 ± 8ý


10.00.
10/05-08

Jawab :
Asumsi bilangan acak yang dibangkitkan U1 = 0.512
U2 = 0.114 U
= 0.ý2´ dan  = 5
Pelanggan Waktu Kedatangan
1 t1 = to ± (1/5)ln 0.512
= 0 ± (0.2 x 0.ŠŠ´)
= 0.1
4
2 t2 = t1 ± (0.2)ln 0.114
= 0.1
4 ± (0.2 x(-2 .1ý)
= 0.5Š8
atau menit ke
4

t
= t2 ± (0.2 x ln 0.ý2´)
= 0.5Š8 ± (0.2 x(-0 .
1Š)
= 0.Š
1
atau menit ke
ý 88
10/0Š-08

2. Non Stationary Poisson Process


alam hal ini (t) perlu ditentukan terlebih dahulu
biasanya dengan data empiris / pengamatan
/penelitian.
Langkah ± langkah :
1. Tentukan t = ti ± 1
2. Bangkitkan U1 dan U2 (bilangan acak)

. Tentukan * max ( (t))


4. Hitung t = t ± (1/ * ) ln U
5. Jika U1 ! ã   maka ti = t
Jika U2 > ã   kembali kelangkah 2

Contoh : Non Stat Poisson Profesi


Kedatangan pelanggan pada suatu rumah makan
digambarkan dengan distribusi empiris sebagai berikut : 8´
10/0ý-08

rata ± rata kedatangan

8
Š 8
Š
4 5
4
2 2
2
10 11 12 1
14 15 1Š waktu

Simulasikan kedatangan pelanggan antara


jam 11.00 ±12.00 :
* =8
 (t) =  antara jam 11.00 ± 12.00 = 4 ´0
10/08-08

Simulasikan kedatanga pelanggan 1 :

1. Bilangan acak U1 = 0.1Š2 U2 = 0.2

2. t = t1 ± 1 = to = 0

. t = t ± (1/*) ln U1 = 0 ± (1/8) ln 0.1Š2


= 0 ± 1/8 x ( - 1.82 ) = 0.2

4. Evaluasi (t) /  * = 4/8 = 0.5


U2 <  (t) /  * : maka t1 = t = 0.2

Atau menit ke 1

5. Hasil simulasi pelanggan 1 datang pada jam 11:1

´1


11/01-0´

|# ,6|+#/
Biasa digunakan untuk mempelajari
sistem pelayanan.

Misalnya :
‡ Menentukan juml;ah teller pada bank
‡ Menentukan jumlah mesin pada sistem produksi
‡ an sebagainya

Untuk sistem antrian sebenarnya sudah ada model


analitik.Tetapi untuk sistem yang kompleks, simulasi
mungkin lebih baik.

´2
11/02-0´
Jenis ± jenis sistem antrian :

X X X

Single Channel Multi Channel


Single Phase Single Phase

X X X

X X X

Single Channel Multi Channel


Multi Phase Multi Phase
´

11/0
-0´
Ada duia hal / variabel penting dalam sistem antrian :
1. Rata ± rata kedatangan
2. Rata ± rata pelayanan

‡ Kedatangan biasanya digambarkan berdistribusi


Poisson
‡ Pelayanan biasanya digambarkan berdistribusi
Eksponensial

Contoh :
Sebuah bank hanya memiliki satu orang teller saja.
Rata ± rata nasabh yang datang ke bank tersebut
adalah 5 orang per jam dan mengikuti distribusi
Poisson. Sedangkan teller rata ± rata mampu
melayani Š orang nasabah per jam.
Simulasikan sistem ini pada antara 0´.00 ± 10.00.
´4
Tentukan jumlah nasabah yang suadah dilayani
11/04-0´
jam tersebut dan beberapa nasabah yang menunggu
(tidak sempat dilayani )
Gunakan bilangan acak sebagai berikut :
0.Š´ 0.´0 0.ý´ 0.1Š
0.ý
0.81 0.´5 0.2

0.1Š 0.ý2 0.Š2 0.0´


0.Š5 0.82 0.4ý 0.ý2
0.01 0.45 0.40 0.58
Penyelesaian :
1. Simulasikan kedatangan nasabah
=5
ti = ti ± 1/ ln x
§ Kedatangan 1 : t1 = 0 ± 1/ ln 0.Š´
= 0 ± 1/5 (-0.
ý)
= 0.0ý4
´5
atau jam ´.04
11/05-0´
‡ Kedatangan 2 : t2 = 0.0ý4 ± 1/5.ln 0,ý

= 0.1
ý
atau jam ´.08
‡ Kedatangan
: t
= 0.1
4 ± 1/5.ln 0,1Š
= 0.504
atau jam ´.
0
‡ Kedatangan 4 : t4 = 0.504 ± 1/5.ln 0,Š5
= 0.5´
atau jam ´.
5
‡ Kedatangan 5 : t5 = 0.5´ ± 1/5.ln 0,01
= 1.51
atau jam 10.
0

 Jadi kesimpulan hanya ada 4 nasabah datang antara


jam 0´.00 ± 10.00
´Š
11/0Š-0´
2. Simulasikan waktu pelayanan masing ± masing nasabah
x=Š:
Berarti rata ± rata waktu pelayanan Ë = 10 menit , Ë =
1/x
Simulasikan : Ti = -Ë ln (1 ± U)
Waktu pelayanan nasabah 1 :
T1 = -10.ln (1-0.´0)
= -10.-2.
0 = 2
menit
Waktu pelayanan nasabah 2 :
T2 = -10.ln (1-0.81)
= -10.-1.ŠŠ = 1Š.Š menit
Waktu pelayanan nasabah
:
T
= -10.ln (1-0.ý2)
= -10.-1.2ý = 12.ý menit
Waktu pelayanan nasabah 4 :
T4 = -10.ln (1-0.82)
´ý
= -10.-1.ý1 = 1ý.1 menit
11/0ý-0´
Hasil Simulasi

Nasabah Jam Jam Jam Jam Waktu


atang ilayani Pelayanan selesai Tunggu
1 ´.04 ´.04 2
´.2ý 0
2 ´.08 ´.2ý 1ý ´.44 1´

´.
0 ´.44 1
´.5ý 14
4 ´.
5 ´.5ý 1ý 10.14 22

Berdasarkan rentang waktunya, simulasi dapat dibagi


menjadi 2 :
• Terminating Simulation
• Non Terminating Simulation
Terminating Simulation
1. Pada ³terminating simulation´ proses dilakukan untuk
mengambarkan suatu proses/sistem/peristiwa yang
terjadi pada kurun waktu tertentu/terbatas.
Jadi ada ciri khas untuk mengetahui awal dan akhir
´8
(kapan simulasi harus diakhiri).
11/08-0´

Contoh :

1. imulasi untuk menggambarkan pola kedatangan nasabah


pada sebuah bank dari jam ´.00 ± 1ý.00.
isini jelas bahwa simulasi harus berhenti jika ³variabel
waktu´ bernilai 1ý.00

2. Sebuah pabrik mobil mendapat pesanan 100 unit mobil.


Perusahaan lalu mengadakan simulasi untuk
menentukan ³manufactoring system´ yang paling efisien.
Maka simulasi dihentikan bila jumlah (variabel produksi)
sudah bernilai 100.

´´
11/0´-0´

2. Non Terminating Simulation


Pada jenis ini, simulasi digunakan untuk
menggambarkan suatu proses / peristiwa yang
berlangsung pada kurun waktu tak terbatas (sangat
panjang)

Misalnya :
1. Simulasi untuk menggambarkan permintaan harian
³The Sosro´.
alam hal ini tidak ada rentang waktu yang jelas,
karena bisa tahunan, bulanan, dan seterusnya.
2. Simulasi untuk menggambarkan sistem
pengendalian persediaan (inventory control) bisa
berlangsung sepanjang waktu.
Karena inventory terus diperlukan setiap saat.
Berikan contoh simulasi lainnya : 100

' 1
/01-0´

|sÖ #
Simulasi dapat dilakukan :
• Secara manual :
- Bila masalahnya sederhana
- Eksperimennya sederhana
• engan komputer :
- Bila masalahnya komplex
- Memerlukan waktu yang cepat
- Memerlukan ketelitian yang tinggi
Simulasi dengan komputer
Tahap ± tahapnya :
1. Pemahaman Masalah
Melilputi formulasi masalah sampai dengan permodelan
system. 101
1
/01-0´

2. Evaluasi Fasilitas yang tersedia


Khususnya fasilitas computing apa yang dimiliki /
akan digunakan, seperti konfigurasi system
computer, peripherial lainnya, dst.

Biasanya fasilitas bisa disesuaikan dengan
kebutuhan.

. Pemilihan bahasa yang digunakan


Ada 2 pilihan bahasa yang dapat digunakan untuk
simulasi :
1. Bahas ± bahasa komputer yang umum (General
Purpose Language) seperti Fortran, C, Cobol, dan
lain ± lain.
2. Bahasa ± bahasa khusus untuk simulasi. 102
1
/0
-0´

Keuntungan bahasa umum :


1. Flexible, khususnya untuk menggambarkan
model ± model yang rumit.
2. Format output / reportnya bisa disusun
sesuai kebutuhan dengan mudah.

. Flexible, khususnya untuk melakukan
berbagai eksperimen yang diinginkan.

Kerugiannya :
1. Perlu keahlian dalam programing, serta
memahami benar ± benar bahasa
yang digunakan
2. Umumnya memakan waktu yang lebih
lama.
10

1
/04-0´

Bahasa Khusus Simulasi

Keuntungannya :
1. Mudah untuk menggambarkan model ± model
2. Otomatis dalam menjalankan simulasi

. ilengkapi dengan fasilitas pengolahan data hasil
simulasi (statistik, dll)
4. ilengkapi fasilitas untuk ³probalitistic process´
seperti pembangkitan bilangan acak / peubah
acak.
5. Lebih menghemat waktu dan usaha

104
1
/05-0´

Kerugiaanya / keterbatasannya :

1. Bahasa / sofware yang perlu diperlukan mungkin


sulit diperoleh atau mahal.
2. Bahasa yang ada tidak selalu sesuai untuk
permasalahan yang ada. Setiap bahasa simulasi
umumnya dirancang untuk suatu tipe problem
tertentu (misalnya financial problem, resource
allocation problem).

. Biaya mungkin sangat mahal, khususnya overhead
costnya.
4. Model yang kita susun mungkin sulit untuk
divalidasikan karena umumnya bahasa simulasi
disusun untuk permasalahn yang rumut ± rumit.

105
1
/0Š-0´

Pemilihan Bahasa

Tak ada bahasa yang baik untuk setiap permasalahan,


masing ± masing punya kekhususan.
alam memilih bahasa, perlu diperhatikan beberapa
kriteria :
1. Apakah bahasa / software dilengkapai dengan
manual.
2. Apakah bahasa / software compatible dengan sistem
yang kita gunakan

. Apakah bahasa / software mudah dipelajari


4. Apakah bahasa / software dilengkapai dengan error
diagnostic.
5. Apakah running time / compiling timenya afisien.
10Š
1
/0ý-0´

Š. Apakah software banyak digunakan / didukung oleh


institusi lain seperti swasta, perguruan tinggi,
lembaga penelitian, dan lain ± lain.
ý. Biaya.
alam memilih bahasa, perlu dipertimbangkan :
1. Metode pertambahan waktunya (time advance
method).
2. Orientasinya (evnet and activity).

. Kemampuan pembangkitan bilangan acak
peubaha acak.
4. Sistem penyimpanan / akses data.
5. Bentuk ± bentuk output / report yang tersedia.
Š. Kemudahan untuk menambahkan subroutine (yang
kita susun sendiri).

10ý
1
/08-0´

Bahasa ± bahasa umum yang bisa digunakan :

Fortran

Cobol

Basic

Lotus / Excel
Bahasa ± bahasa khusus simulasi :

Slam

Simscript 11.5

SIMLIB

GPSS

ynamo

SIMAN

TUTSIM
Implementasi Hasil Simulasi :
Perlu dibedakan apakah simulasinya :
1. Sekali / jarang dilakukan 108

Misalnya : relokasi pabrik, desain jaringan jalan.


1
/0´-0´

2. Sering / terus menerus dilakukan


Misalnya : inventory control, schedulling

Yang perlu diperhatikan dalam implementasi :


‡ Siapkan environment dan perangkat untuk
menjalankan simulasi diantaranya : sisten informasi,
atabase, dan lain ±lain.

‡ Transformasikan hasil simulasi dalam bentuk


rekomendasi keputusan yang jelas dan tegas.
Khususnya untuk simulasi yang terus menerus.

10´
14/01-11

*
#   
Ö # # |

1. GPSS & Karakteristiknya.


(General Purpose Simulation System)
• ikembangkan oleh IBM Corporation (1´Š1)
• Simulasi digambarkan dalam diagram blok
Blok merepresentasikan aktivitas
Garis merepresentasikan urutan eksekusi aktivitas
Setiap blok mempunyai makna tertentu.

110
14/02-11

Memiliki 48 jenis blok yang masing ± masing


merepresentasikan kegiatan karekteristik sistem.

• Setiap jenis blok diberi nama yang merupakan


penggambaran kegiatan blok dan
merepresentasikan oleh sebuah lambang khusus
serta pengkodean instruksi untuk semua jenis blok,
adapun lambang yang dimaksud seperti berikut.
A.B A B A
A.B.C

RELEASE LEAVE SAVE VALUE


A
C C. .E
A.B
B F
E
UNLINK GENERATE
111
14/0
-11

A
A.B C
B
A VANCE LINK SEIZE

A.B.C. X B
A

ASSIGN LOGIC TABULATE

B A A

EPART MARK TERMINATE


A
B AXB C

ENTER PRIORITY TEST

B
X B A A

GATE QUEVE TRANSFER 112


14/04-11
Tabel. Jenis ± jenis blok dalam GPSS
OPERASI A B C D E F
ADVANCE PURATA MODIFIER JENIS

PAREMETER
ASSIGN NOMOR SOUCE (NOMOR
PARAMETER FUNGSI)
DEPART NOMOR (UNITS)
ANTRIAN
ENTER NOMOR (UNITS)
PENYIMPAN
GATE NOMOR (BLOK
ITEM BERIKUTNYA B)
GENERATE PURATA MODIFIER (OFFSET) (COUNT) (PRIORITAS) (PAREMETER)
LEAVE NOMOR (UNITS)
PENYIMPAN
LINK NOMOR URUTAN (BLOK
RANTAI BERIKUTNYA B)
R
LOGIC S NOMOR
1 SAKLAR
1

Contoh : Simulasi Swalayan


Untuk mengilustrasikan penggunaan fungsi, parameter,
SNA (Standart Numerical Attributes),ditinjau suatu proses
disebuah swalayan, prosesnya adalah :

11

14/05 -11

§ Pembelian harus mengambil keranjang sebelum


mulai belanja

§ Jumlah keranjang terbatas

§ Jika keranjang sudah tidak tersedia, pembeli


meninggalkan swalayan tanpa belanja

§ Pembeli yang memperoleh keranjang akan berbelanja

§ Selesai belanja, pembeli akan check ± out di salah


satu counter dari lima counter yang ada

§ Setelah check ± out, pembeli mengembalikan


keranjang dan meninggalkan swalayan. 114
GENERATE
TRANSFER
Š,FN1

Š,FN1 14/0Š -11
BOTH, AWAY
ENTER
BSKT
TERMINATE AWAY
BOTH 0
MENGAMBIL B

KERANJANG

1,FN2
BELANJA

1FN
iagram blok
untuk model
ini dapat dilihat
berikut ini :
CHECK - OUT

V1

PERGI

1 115
14/0ý -11

Pengkodean dalam simulasi Swalayan dapat dilihat


berikut ini :
SIMULATION OF A SUPERMARKET
1 FUNCTION RN1, C24 FUNCTION FOR I/A INTERVAL

‡ GENERATE
Š,FN1 CRATE SHOPPERS
‡ TRANSFER BOTH,AWAY CHECK FOR AVAILABLE BASKET
‡ ENTER SKT GET A MASKET
‡ ASSIGN 1,RN2,PH ETERMINE NUMBER OF IT IB
‡ A VANCE FW
SHOP
‡ LEAVE CKT FREE COUNTER SPACE
‡ TABULATE TRT TABULATE TRANSIT TIME
‡ TABULATE ITM TABULATE NUMBER PF IT IB
‡ LEAVE SKT RETURN BASKET
‡ TERMINATE 1
AWAY TERMINATE LOST CUSTOMERS

11Š
14/08 -11
2. SIMSCRIPT & Karakteristiknya
§ Simulasi sistem diskrit
§ ikembangkan oleh Rand Corporation (1´Š0)
§ Teknik pemograman menyerupai penjadwalan
kejadian (event scheduling).
§ Simulasi digambarkan dengan istilah entitas dan
atribut, yang lengkapnya :
Entitas
Permanen
Temporer
Himpunan
Rutin kejadian
§ Memiliki beberapa statemen ± statemen :
Create, estroy, Schedule An, Let File, Remove,
For, With, Or, And, Untul, If«Is, Goto, o, Loop.
11ý
14/0´ -11
Contoh : Simulasi Sistem Inventory.
Berikut ini diberikan cotoh pemakaian SIMSCRIPT dalam
simulasi sistem inventori. Program terdiri dai MAIN,
ROUNTINE dan EVENT seperti berikut ini :
1 PREANBLE
2 NORMALLY MO E IS REAL

THE SYSTEM OWNS AN OR ERS


4 TEMPORARY ENTITIES
5 EVERY OR ER HAS A NUMBER AN MAY BELONG TO THE OR ERS
Š EVENT NOTICES INCLU E SALE INVENTORY AN RECEIVE
ý EFINE STOCK. SALES .ONOR ER .LOSTSLS .INVTPRO.INVLEV. ELTIME
8 ONOR ERS.NOINVT AN EN TIME AS VARIABLES
´ EFINE STKLEV AS 1- IM ARRAY
10 EN

1 MAIN
2 RESERVE STKLEV(*) AS

CALL INITIAL
4 START SIMULATION
5 EN

1 ROUTINE INITIAL
2 LET STOCK = 20.0

LET INVTPRO = 120.0


4 LET INVTLEV =
0.0
5 .
Š LET ELTIME = Š0.0
ý LET EN TIME = 1200.0
8 SCHE ULE A SALE IN 2 AYS
´ SCHE ULE AN INVTORY IN ´ AYS
10 RETURN EN 118