Bilangan Random
Bilangan Random
SIMULASI PSEUDO
RANDOM
• Ciri2-nya
– 1.Simulasi dengan mempergunakan bilangan random
disesuaikan dengan fungsi generator Probabilitas
– 2. Proses pseudo random menghasilkan bilangan
random yang berada dalam distribusi peluang tertentu
untuk dapat mendekati nilai dunia nyata yang
berdasar fungsi distribusi peluang statistik tertentu.
– 3. Distribusi Probabilitas Komulatif mempunyai dua
bentuk yaitu bentuk diskrit dan kontinu.
Phases in Simulation Study
Problem
formulation
Model
valid
Fine model
Experimental
Design
Analysis
Simulation Results
Contoh Program Generation ;
diagram alir simulasi
loading - unloading di pelabuhan laut
Kapal tiba
Kapal tiba
Kapal Tunggu dilaut
ada
Tidak ada
Kapal Tarik
Bongkar muatan
ada Tarik ke laut lepas
Kapal Tarik
Kapal pergi
Penjelasan gambar diatas
1. Kapal akan tunggu dilaut bila kapal tarik tidak ada karena
lagi dipakai.
2. Kapal akan tunggu didarmaga bila kapal tarik lagi dipakai.
3.Bila hendak mengetahui efektifitas dari kapal tarik, ada tiga
waktu yang harus di-ketahui
a. Lama waktu kapal tarik menarik kedermaga
b. Waktu bongkar muatan kapal
c. Waktu tarik dari darmaga kelaut.
Simulasi dikembangkan untuk mengetahui
1. waktu rata2-nya, bila kapal tarik jumlahnya terbatas.
2. Tidak diketahui kapal kapal-tarik siap utk menarik
kapal yang datang.
3. Waktu bongkar muatan tergantung kapasitas kapal
yang datang.
DATA YANG BERKAITAN
DENGAN SIMULASI
• 1. Koleksi data; data yang dikumpulkan
adalah data dasar untuk membangun
program simulasi, dan berkaitan dengan
variabel random dalam simulasi.
• 2.Analisis data; Tentukan fungsi generator
untuk membentuk distribusi
probabilitasnya secara komulatif.
• 3. Buat histogram komulatif
DISTRIBUSI PROBABILITAS PSEUDO RANDOM
P(X)
f{P(X)}
0.20
0.15
0.10
0.05
a1 a2 a3 a4 m b4 b3 b2 b1 X
f{P(X)}= 1/(2πσ2)1/2 e -(x-µ)2/2σ2
Pembangkitan Bilangan Acak
Random Number Generator
• Definisi; Suatu algoritma yang digunakan untuk
menghasilkan uruta-urutan angka angka random
baik secara hitungan manual maupun komputasi
elektronik (komputer)
• Bilangan acak disesuaikan dengan besar
probabilitas yaitu antara 0 s/d 1.0 dan
berdistribusi seragam.
• Syarat Pembangkitan Bilangan acak;
– Bersifat random
– Tidak ber-ulang (Degenerative)
– Perioda ulang biasanya munculnya sangat panjang
Metoda Pembangkitan Bilangan
Acak
• Manual Sederhana;
– dengan lempar koin, ambil bola pingpong dalam keranjang
secara acak, lempar dadu, putaran roullete.
• Tabel bilangan acak.
– Berupa daftar angka acak yang sudah diakui kebenaran acak-
nya
• Menggunakan Komputer.;
– Menggunakan algoritma komputer yang diprogram
• Jenis bilangan acak
– Murni; acak langsung dipergunakan contoh peristiwa simulasi
Monte Carlo penjualan sepatu .
– Tidak Murni (Pseudo random); dihasilkan acak dengan rumusan
matematik, atau bilangan acak diperoleh berdasar hitungan
distribusi statistik tertentu, Misal Poisson, Eksponensial, dsb.
Jenis Bilangan Acak
1. Midsquare Method
1. Prosedur;
1. Tentukan Seed; angka random awal dari 4 digit
angka random
2. Kuadratkan
3. Ambil empat digit yang ditengah
4. Kembali ke langkah 2
5. Ulang sebanyak bilangan acak yang di-inginkan
6. Contoh: Seed= 7812, (7812)2 , 51581124,
(5811)2
Bentuk Tabulasi Midsquare method
Zi U Zi2
Bilangan acak
terpilih
7182 - 51581124
9363 0.9363
Random Number Generator
• Linear Conguential Generator (LCG)
Rumus;
Zi = (a Zi-1 + c ) mpd m
Dimana a = multiplier, c = increment, Zo = Seed
Zi = Sisa hasil bagi random number , m = angka modul;
Syarat konstanta;
– harga a > √m atau ; m/100 < a < m - √m
– Harga c harus ganjil, tidak merupakan kelipatan dari angka m
– Modul m harus bilangan yang tdak dapat dibagi (Bilangan prima)
– Harga Seed harus angka integer ganjil dan besar.
Ui = Zi /m
Random Number Generator
• Multiplicative Congruential Generator
(MCG)
– Rumus: Zi = (a Zi-1) mod m
• Mixed Congruential Generator (Linier
Congruential Random Number Generator);
– Rumus;
Zn = an Zo + (an – 1)/(a – 1). C (mod
m)
Linier Congruential Random
Number Generator
• Persyaratan
Persyaratan;
N integer > 0, C = Bilangan prima
– Bila C bilangan prima terhadap n berarti pembagi
umum yang terbesar dari c dan m adalah 1.
– .a= 1 (mod q) untuk setiap faktor prima q dari m
berarti a – q (a/q) = 1, bila k = (a/q) maka a = 1 + q k,
dimana q adalah faktor prima dari m
– .a = 1 (mod 4) bila 4 adalah faktor dari m berarti a = 1
+ 4k, bila m/4 = integer (bila m dibagi 4, hasilnya
bulat)
Cara Pemilihan mod m
• Definisi; m angka integer terbesar hasil dari perkalian
awal yang sebagai pembagi dengan angka integer lain.
– Contoh:
• Zo = 7, a = 5 c = 3
• Berdasar metoda Multiplicative Congruential Generator) ; Zi = (a Zi-1)
mod m
• Z1 = (5x7+3) mod m, m = angka integer
• Angka m dihasilkan dari 38 dibagi 2 angka prima nya adalah 16.
• Z1 = 6, Z2 = (5x6+3) mod 16 , Z2 = 33 mod 16 =1 , Z3 = (5x1+3)
mod 16 , z3 = 8 mod 16 = 8, Z4 = (5x8+3) mod 16 = 43 mood 16 =
11
• Bilangan random ; U1 = 6/16, U2 = 1/16, U3=8/16, U4= 11/16
Validasi Bilangan Acak
• Pengujian dimaksudkan untuk melihat
distribusinya, urutan ke-acakan-nya.
• Metoda pengujian ;
– Uji empiris; dilakukan dengan uji statistik;
• Chi-Square test; Uji keseragaman
• Run test; Ujui keacakan
– UJi teoritis; dilakukan uji parameter pembangkit untuk
pembangkitan secara menyeluruh.
• Spectral test
• Lattice test
Chi Square test
• Dibangkitkan 100 bilangan acak yang akan
dikelompokkan dalam 10 kelompok kelas
probabilitas.
Kelas Frekuensi Frekuensi (Fo-Fe)2/Fe
Bilangan acak harapan Fe Chi-sqre.
Fo
0.0 – 0.09 9 10 0.1
0.1 – 0.19 12 10 0.4
0.2 – 0.29 10 10 0.0
0.3 – 0.39 11 10 0.1
0.4 – 0.49 8 10 0.4
0.5 – 0.59 10 10 0.0
0.6 – 0.69 10 10 0.0
0.7 – 0.79 7 10 0.9
0.8 – 0.89 12 10 0.4
0.9 – 1.00 11 10 0.1
0.1
100 100 2.4
Chi Square test
• Pengujian:
– Ho = data/acak terdistribusi seragam
– H1 = Tidak terdistribusi seragam
– Selang kepercayaan α = 0.05 (5%)
• Nilai Chi-square tabel = 16.919
– Chi-square hitung = 2.4 artinya < nilai tabel
– Kesimpulan terima Ho
Run Test
• Urutan ke-acak-an diuji
• Cara uji;
– Bilangan acak dalam urutannya bila harganya naik beri satu tanda +,
sdebaliknya tanda -, seterusnya sampai seluruh bilangan acak.
– Contoh; 40 bilangan acak sbb;
• 0.43;0.32;0.48;0.23;0.90;0.72;0.94;0.11;0.14;0.67;0.61;0.25;0.45;0.56;0.87;0
.54;0.01;0.64;0.65;0.32;0.03;0.93;0.08;0.58;0.41;0.32;0.03;0.18;0.90;0.74;0.
32;0.75;0.42;0.71;0.66;;0.03;0.44;0.99;0.40;0.55.
• Total run x = 26 (26 tanda + dan -)
• Nilai harapan total run;
– μ = (2n – 1)/3 = ((2x40)-1)/3 = 26.33
– Variansi jumlah run; σ2 = (16n – 29)/90 = ((16x40)-29)/90= 6.79
– Standar deviasi σ = 2.61
• Pengujian dengan distribusi normal;
– Ho : μ = 26.33, H1 = bukan μ
– Z = (a – μ)/ σ = (26 – 26.33)/ 2.61 = - 0.13
– Batas selang-kepercayaan -1.96 s/d 1.96., berartyi harga Z ada didalamnya
– Terima Ho
KESIMPULAN
• Keuntungan simulasi adalah;
– Model simulasi sebagai fasilitas untuk menangani
masalah ketidak pastian
– Dapat dilakukan ber-ulang kali, dengan me-robah nilai
variabel
– Angka acak dapat di-uji statistik
– Hasil hanya merupakan kemungkinan yang dapat
terjadi.
• Kerugian: (?)
• Model Simulasi mempergunakan suatu desain
sistem dari kejadian yang sebenarnya dengan
memasukkan sejumlah variabel kedalam
variabel. Optimasi simulasi tergantung dari
banyaknya dan interaksi variabel.