Modul 6 MonteCarlo PDF

TUTORIAL SIMULASI KOMPUTER
6 Modul
2017/2018
Montecarlo
Laboratorium Pemodelan dan Simulasi Industri
Universitas Islam Indonesia
UNIVERSITAS ISLAM INDONESIA FM-UII-AA-FKU-01/R0
Fakultas : Teknologi Industri Pertemuan :6

Jurusan : Teknik Industri Modul :6
Kode Mata Kuliah : 52213702 Halaman : 39
Nama Mata Kuliah : Simulasi Komputer Tahun : 2017
BAB VI
MONTECARLO
6.1 Tujuan Praktikum

1. Praktikan dapat memahami konsep dasar model simulasi Monte Carlo ;
2. Memperkenalkan aplikasi statistik dalam simulasi ;
a. Macam-macam distributisi dalam statistik
b. Pembangkitan Bilangan Random
c. Langkah-langkah pengujian hipotesis
d. Validasi model
3. Memperkenalkan mahasiswa mengenai fungsi-fungsi pada Ms. Excel
yang sering digunakan dalam proses simulasi montecarlo (khususnya
fungsifungsi statistik);
4. Melatih mahasiswa untuk mengaplikasikan fungsi-fungsi pada Ms Excel
yang sering digunakan pada penyelesaian masalah simulasi montecarlo
5. Mahasiswa dapat menggunakan fungsi-fungsi pada Ms. Excel guna
pembuatan desain eksperimen pada model simulasi monte carlo;
6.2 Sejarah Monte Carlo

Simulasi Monte Carlo dikenal juga dengan istilah Sampling Simulation atau
Monte Carlo Sampling Technique. Simulasi ini menggambarkan kemungkinan
penggunaan data sample dalam metode Monte Carlo yang juga juga sudah dapat
diketahui atau diperkirakan distribusinya. Simulasi ini menggunakan data yang
sudah ada (historical data) yang sebenarnya dipakai untuk tujuan lain. Dengan
kata lain apabila menghendaki model simulasi yang mengikut sertakan random
dan sampling dengan distribusi probabilitas yang dapat diketahui dan ditentukan,
maka cara simulasi ini dapat dipergunakan.
Ketika kita menggunakan kata simulasi , kita mengacu pada metoda

analitis manapun dengan maksud untuk meniru suatu sistem nyata, terutama
Halaman 1

ketika analisa lain ternyata merupakan suatu kasus mathematically yang

kompleks atau terlalu sukar untuk dipecahkan.
Tanpa bantuan simulasi, suatu model spreadsheet hanya akan

mengungkapkan hasil tunggal, dan biasanya yang hampir bisa dipastikan atau
rata-rata dari skenario. Spreadsheet analisis risiko menggunakan suatu simulasi
dan model spreadsheet yang secara otomatis meneliti efek dari bermacam-macam
input untuk menghasilkan output pada sistem yang telah dibuat modelnya. Salah
satu jenis simulasi spreadsheet adalah Monte Carlo simulasi, yang secara acak
menghasilkan nilai-nilai untuk variabel yang tidak-pasti secara berulang kali
untuk menirukan suatu model.
Istilah Monte Carlo dalam simulasi mulai diperkenalkan oleh Compte de

Buffon pada tahun 1977, dan pertama kali pemakaiannya dalam sistem nyata
adalah selama perang dunia II yang diperkenalkan oleh Stanislaw Ulam dan John
von Neumann pada Los Alamos Scientific Laboratory. Pada saat itu digunakan
untuk merancang pelindung nuklir, mereka membutuhkan data-data tentang jarak
yang dapat ditembus oleh neutron pada berbagai material. Masalah ini sangat
sulit dipecahkan secara analitik/ matematis. Kemudian mereka memecahkan
masalah tersebut dengan menggunakan komputer, dengan bantuan bilangan
random. Metode ini dinamakan Monte Carlo, diambil dari pusat judi terkenal di
dunia Monte Carlo, karena pada dasarnya adalah seperti permainan judi.
Simulasi Monte Carlo merupakan metode komputasi numerik yang

melibatkan pengambilan sampel eksperimen dengan bilangan random. Metode
ini cukup mudah diaplikasikan dengan komputer. Metode ini digambarkan
sebagai metode percobaan statistik, karena dalam pelaksanaannya melibatkan
unsur-unsur perhitungan statistik, seperti bentuk distribusi, probabilitas, variansi,
dan standar deviasi.
Saat melakukan eksperimen data menggunakan simulasi kita sering

menggunakan sampel dari bilangan acak (random) dimana distribusi
probabilitasnya menggambarkan generalisasi dari objek yang diamati. Simulasi
Halaman 2

yang menggunakan bilangan random yang digabungkan dengan model simulasi

probabilitas dikenal dengan nama Monte Carlo Sampling.
Kunci dari metode Monte Carlo terletak pada pembangkitan bilangan

random yang digunakan untuk mewakili ketidakpastian atau risiko yang diamati.
Sebelum hal ini dilakukan terlebih dahulu pendefinisian tingkat probabilitas yang
ada pada setiap elemen yang mengandung unsur risiko. Tingkat probabilitas
tersebut kemudian diterjemahkan dalam bilangan random yang dihasilkan dari
generator bilangan acak (random).
Dalam kesederhanaan cara, simulasi ini memberikan tiga batasan dasar

yang perlu diperhatikan, yaitu :
1. Apabila suatu persoalan sudah dapat diselesaikan atau dihitung jawabannya

secara matematis dengan tuntas maka hendaknya jangan menggunakan
simulasi ini. Itu berarti apabila persoalan dapat diselesaikan dengan
pemrograman ataupun teori dalam operation research (Quening Theory,
Integer Programin dll) simulasi ini tidak perlu digunakan lagi, kecuali
perancangan-perancangan itu memerlukan perkiraan tertentu
2. Apabila sebagian persoalan tersebut dapat diuraikan secara analitis dengan
baik, maka penyelesaiannya lebih baik dilakukan secara terpisah, yaitu
sebagian dengan cara analitis dan yang lainnya dengan simulasi Monte Carlo
untuk kemudian disusun kembali keseluruhannya sebagai penyelesaian akhir.
Ini berarti teknik sampling dari simulasi Monte Carlo ini hanya dilakukan
apabila betul-betul dibutuhkan
3. Apabila mungkin maka dapat digunakan simulasi perbandingan. Kadangkala
simulasi ini dibutuhkan apabila dua sistem dengan perbedaan-perbedaan pada
parameter, distribusi, cara-cara pelaksanaannya.
Teknik Simulasi Monte Carlo :

 Tentukan distribusi probabilitas untuk variabel yang penting
 Membangun distribusi kumulatif untuk masing-masing variabel
Halaman 3

 Menentukan interval bilangan random umtuk setiap variabel

 Bangkitkan bilangan random
 Simulasikan
Bidang aplikasi monte carlo

- Antrian
- Forecasting
- Pengelolahan inventory
- Perkiraan studi kelayakan proyek
- Perencanaan kebijakan pemasaran
- Pengelolahan produksi
6.3 Pendahuluan
Simulasi berusaha merepresentasikan sistem nyata yang ada dengan presisi yang
lebih “pas” dibandingkan jenis model lain. Dengan demikian sudah barang tentu
bahwa model simulasi yang baik adalah model simulasi yang tidak hanya
berorientasi pada output/hasil dari sebuah sistem, melainkan bagaimana model
tersebut dapat menjelaskan karakteristik dan perubahan sistem dari waktu ke
waktu.
Untuk dapat menggambarkan bagaimana mekanisme perubahan sistem,

tentu diperlukan sebuah metode pendekatan khusus yang dianggap dapat
dijadikan dasar untuk mengidentikkan perubahan sistem tersebut. Dalam simulasi
khususnya Simulasi Sistem Kejadian Diskrit yang yang dikenal juga dengan
sebutan “Discrete-Event System Simulation” (DESS), sebagian besar perubahan
Halaman 4

yang terjadi pada sistem didekati dengan konsep probabilitas dari setiap
kemungkinan perubahan variabel sistem yang ada. Kita akan dituntut dapat
menentukan sebuah fungsi yang menunjukkan bagaimana sistem itu beraktifitas.
Simulasi Monte Carlo sering digunakan untuk melakukan analisa

keputusan pada situasi yang melibatkan risiko yang melibatkan beberapa
parameter untuk dilakukan pertimbangan secara simultan. Metode ini dapat
digunakan secara luas karena didasarkan pada proses simulasi dengan pilihan
kemungkinan secara random. Dengan demikian jumlah iterasi yang dilakukan
sangat menentukan tingkat ketelitian atas jawaban yang diperoleh. Metoda ini
seringkali juga disebut dengan metoda percobaan statistik (method of stastical
trials).
Metoda ini mengasumsikan pola kejadian variabel perhitungannya pada

dua model distribusi yaitu distribusi normal dan distribusi uniform. Asumsi ini
dapat melemahkan suatu kasus yang mempunyai pola distribusi di luar kedua
asumsi tersebut di atas. Namun dengan sedikit melakukan usaha manipulasi
statistik dengan melakukan transformasi data mentah pada variabel yang
bersangkutan untuk diubah untuk memenuhi dua asumsi distribusi tersebut dapat
dilakukan dengan sederhana. Dengan demikian bagi pengambil keputusan hal
yang harus diperhatikan terlebih dahulu sebelum menggunakan metoda ini adalah
melakukan uji distribusi atas variabel perhitungan yang akan digunakan sampai
memenuhi asumsi distribusi yang dipersyaratkan baru kemudian melakukan
perhitungan berdasarkan prosedur yang ada. Metoda ini didasarkan pada
perhitungan sederhana dan dapat diadaptasi dengan komputer. Keuntungan atas
fasilitas uji coba (pengulangan) yang sangat cepat pada komputer sangat
membantu dalam aplikasi metoda Monte Carlo ini.
Di dalam operasionalnya Monte Carlo melibatkan pemilihan secara acak

terhadap keluaran masing-masing secara berulang sehingga diperoleh solusi
dengan nilai pendekatan tertentu. Oleh Canada dan White (1980) dinyatakan
bahwa dengan semakin banyaknya jumlah ulangan percobaan yang dilakukan
Halaman 5

maka tingkat kesalahan atas atas hasil yang diperoleh akan semakin kecil.
Dengan demikian tingkat ketelitian atas jawaban bagi seorang pengambil
keputusan dapat ditentukan sendiri atas kisaran kesalahan yang terjadi dikaitkan
dengan jumlah ulangan berdasarkan data yang ada.
Perubahan itu sendiri-karena keacakannya sering sulit untuk dapat

dimodelkan dengan tepat. Untuk itu, maka alternatif terbaik adalah bagaimana
kita memperhatikan keacakan yang terjadi dalam pembuatan model simulasi
hingga dapat dibentuk sebuah model yang bisa menjadi representasi sistem nyata
yang diamati.
Sebuah keacakan, biasanya dicapai dengan membuat sifat dan waktu

(dalam sistem yang diamati) sebagai sebuah variabel random dengan distribusi
yang sesuai. Jadi kita mempunyai suatu fungsi distribusi variabel random f(x)
tertentu dan ingin (untuk menyediakan masukan masukan pada model simulasi)
menghasilkan variabel angka random X1, X2,…. Bebas yang mempunyai fungsi
distribusi seperti fungsi yang ada pada sistem nyata
Metode atau langkah pembuatan model simulasi Monte Carlo terbagi

dalam beberapa langkah, yaitu :
1. Formulasi masalah, dalam tahap ini ditentukan masalah apa yang akan
dibahas dan ditentukan batasan-batasan masalah.
2. Pembuatan model simulasi monte carlo, dalam tahap ini kita membuat
model dan menentukan parameter-parameter model, variabel, hubungan
antar bagian model
3. Pembuatan distribusi untuk Variabel, dalam tahap ini kita menetapkan
distribusi probabilitas untuk variabel – variabel utama. Dalam tahap ini
juga menggunakan teori probabilitas.
Ide dasar simulasi monte carlo adalah membangkitkan nilai-nilai untuk
variabel penyusun yang sedang dianalisa. Banyak sekali variabel pada
kondisi sistem nyata yang bersifat probabilistik secara alami.
Halaman 6

Beberapa dari variabel itu antara lain :

a. Permintaan persediaan harian atau mingguan
b. Waktu penyelesaian aktivitas proyek
c. Tingkat pendapatan penjualan perminggu
d. Kedatangan pengangkutan untuk pengiriman produk perbulan
e. Lead time untuk pesanan persediaan tiba
f. waktu antar kerusakan mesin, dll.
Satu cara yang sering digunakan dalam menetapkan distribusi
probabilistik dari variabel yang ada ada adalah menganalisis data – data
historis. Probabilitas atau frekuensi relatif untuk setiap hasil yang
mungkin dari sebuah variabel didapat dengan membagi frekuensi
observasi dengan jumlah observasinya. Distribusi dapat secara empiris
berdasarkan yang sudah umum digunakan, seperti distribusi normal,
poisson atau eksponensial.
4. Ubah distribusi probabilitas menjadi probabilitas kumulatif. Setelah
menentukan distribusi probabilitas selanjutnya adalah mengubahnya
menjadi distribusi probabilitas kumulatif. Hal ini untuk menentukan
bahwa hanya satu variabel akan diasosiasikan dengan satu bilangan acak.
5. Simulasikan model. Lakukan simulasi dan analisa untuk sejumlah besar
pengamatan. Jumlah replikasi yang sesuai dengan cara yang sama dengan
jumlah yang tepat dari suatu sampel dalam eksperimen aktual. Uji
karakteristik yang umum mengenai signifikansi dapat digunakan. Dengan
simulasi komputer, jumlah model yang dilakuakan sangat besar, dan
ekonomis untuk menjalankan sampel besar dengan tingkat kesalahan
yang sangat kecil. Dalam mensimulasikan model terlebih dahulu
ditentukan :
a. Aplikasi aturan keputusan
b. Pembangkitan bilangan – bilangan acak.
Setelah kita menentukan distribusi kumulatif untuk setiap variabel
yang terlibat dalam simulasi, selanjutnya adalah menentukan
Halaman 7

bilangan – bilangan tertentu untuk mempresentasikan setiap nilai

atau hasil mungkin. Ini sebagai acuan interval bilangan acak.
Bilangan acak (random) dibangkitkan untuk masalah – masalah
simulasi dengan berbagai cara. Jika masalah tersebut sangat
komplek dan proses yang diamati melibatkan ribuan percobaan
simulasi, maka suatu program komputer dapat digunakan. Jika
simulasi dilakukan secara manual, pemilihan bilangan acak dapat
dilakukan seperti halnya putaran roda rolet, atau metode lainnya.
Yang jelas karakteristiknya adalah setiap digit atau angka
memiliki kesempatan yang sama untuk muncul.
6. Evaluasi strategi model. Pada tahap ini kita melakukan evaluasi terhadap
model apakah sudah menyerupai sistem nyata.
7. Periksa apakah diperlukan adanya perbaikan model ?. Pada tahap ini
apabila ternyata diperlukan adanya perbaikan model dikarenakan sesuatu
hal, tidak sesuai dengan sistem nyata maka akan dilakukan perbaikan
(pengulangan) formulasi masalah. Sedangkan apabila ternyata tidak
diperlukan perbaikan model maka langkah selanjutnya penentuan
keputusan.
8. Keputusan. Keputusan diambil apabila model sudah sesuai dengan sistem
nyata.
9. Selesai. Pembuatan model simulasi Montecarlo selesai.
Halaman 8

Gambar 1. Diagram Langkah-langkah penyelesaian model simulasi Monte Carlo
Halaman 9

6.4 VARIABEL RANDOM

6.4.1 Preview
Jika kita mengamati sebuah sistem nyata yang ada di sekitar kita, bagaimana
setiap entitas, atribut, dan elemen lain dari sistem itu berubah dari waktu
kewaktu., maka kita akan sampai pada sebuah kesimpulan bahwa keadaan selau
berubah, dinamis. Dinamisasi sebuah sistem sering tak dapat diduga karena
keacakan dalam setiap kemungkinan perubahan yang ada. Sebagai sebuah
contoh, ketika kita mengamati sebuah supermarket, kita tidak dapat mengetahui
kapan secara pasti sebuah produk yang dijual akan habis, kapan kasir akan
kebanjiran pembeli yang hendak membayar, atau kapan petugas kasir akan
mempunyai waktu yang cukup “selo” untuk berbincang-bincang dengan
rekannya karena tidak ada pembeli yang membayar karena sepi, atau kapan
supermarket tersebut akan penuh sesak hingga kita merasa “sumuk” karena
penuhnya pengunjung serta kapan supermarket akan terlihat hanya sebagai
tempat “kongko-kongko” para penjaga/karyawannya, karena hampir tidak ada
pengunjung ?. Semua hal tersebut mungking sekali terjadi pada sebuah sistem
supermarket. Namun kita tidak bisa memperkirakan dengan pasti karena
keacakan kemungkinan tersebut. Dilain pihak, lalu bagaimana jika kita ingin
membuat model simulasi sistem supermarket tersebut, dimana harus dapat
menjelaskan perubahan yang terjadi, sedang perubahan itu sendiri-karena
keacakannya sering sulit untuk dapat dimodelkan dengan tepat. Untuk itu, maka
alternatif terbaik adalah bagaimana kita memperhatikan keacakan yang terjadi
dalam pembuatan model simulasi hingga dapat dibentuk sebuah model yang bisa
menjadi representasi sistem nyata yang diamati.
Sebuah keacakan, biasanya dicapai dengan membuat sifat dan waktu
(dalam sistem yang diamati) sebagai sebuah variabel random dengan distribusi
yang sesuai. Jadi kita mempunyai suatu fungsi distribusi variabel random f(x)
tertentu dan ingin (untuk menyediakan masukan masukan pada model simulasi)
menghasilkan variabel angka random X1, X2,…. Bebas yang mempunyai fungsi
distribusi seperti fungsi yang ada pada sistem nyata.
Halaman 10

Pada Hakekatnya semua metode untuk menghasilkan suatu barisan

variabel angka random X1, X2,…. Yang bebas dengan distribusi f(x) menyangkut
penggunaan deret variabel random yang bebas dam berdistribusi seragam pada
(0,1). Hal tersebut memiliki fungsi densitas probabilitas :
F(x)
0 1 x
Gambar 2.1. PDF untuk Bilangan Random
Persoalan memilih nilai yang baik, untuk tetapan pembangkit bilangan

Random (disebut juga “Pseudo-Random”) merupakan persoalan yang rumit.
Agar dapat dikatakan acak, deret bilangan yang dihasilkan oleh pembangkit
bilangan random harus memenuhi beberapa uji (test) untuk menjamin bahwa
bilangan – bilangan tersebut terdistribusi secara serba-sama, dan tak ada korelasi
signifikan antar digit bilangan-bilangan itu atau antar bilangan-bilangan yang
berurutan.
Memperhatikan hal tersebut, maka unsur variabel random ini menjadi

salah satu elemen pokok dalam hampir setiap model Simulasi terutama simulasi
Halaman 11

kejadian diskrit. Mengenai bagaimana cara membangkitkan variabel random, kita

gunakan bantuan software untuk melakukannya dengan asumsi bahwa software
tersebut memiliki metoda pembangkitan variabel Random yang andal.Dalam
Statistik
Variabel Random dibedakan menjadi 2 bagian, yaitu :

1. Variabel Random Diskrit
Adalah suatu variabel random yang mengandung jumlah tertentu
(Countable). Sebagai contoh :
a. Jumlah manager dalam suatu perusahaan (bisa 0,1,2,3, dan

seterusnya).
b. Jumlah kesalahan yang dibuat oleh seorang operator (bisa 0,1,2,3,
dan seterusnya)
c. Jumlah konsumen yang antri pada sebuah restoran (bisa 0,1,2,3,
dan seterusnya).
Terlihat disini bahwa ciri khas dari variabel random diskrit adalah
jumlahnya yang bulat, dan tidak bisa diubah menjadi pecahan atau
desimal.
2. Variabel Random Kontinyu

Adalah suatu variabel random yang mengandung suatu nilai dalam sutu
interval tertentu. Sebagai contoh :
a. Jumlah waktu yang diperlukan untuk mengerjakan sutu tugas

tertentu (bisa 1 menit, 2.4 menit, 1,5 jam, dan seterusnya)
b. Berat jeruk yang dijual di suatu supermarket (bisa 200 gr, 1,25
Kg,
250,5 gr, dan seterusnya)
c. Tinggi badan calon asisten SIMBI (bisa 160,5 cm , 172,4 cm, dan
seterusnya)
Halaman 12

Terlihat bahwa angka untuk variabel random kontinyu dalam bentuk

rasional, bisa bulat, desimal, maupun pecahan.
6.4.2 Metode Pembangkitan Bilangan random (Random Generate)

Simulasi suatu sistem yang mengandung bilangan random atau stokhastik
memerlukan metode pembangkitan bilangan random. Cara yang paling awal
adalah dengan melempar dadu. Karena perkembangan dan kompleksitas sistem
maka metode-metode baru berkaitan dengan pembangkitan bilangan random
bermunculan. Dua metode pembangkitan bilangan random yang akan dibahas
pada modul ini yaitu : Mid Square dan Linear Congruential serta transformasi
inversi.
6.4.2.1 Metode Mid Square

Metode ini pada intinya adalah mengambil nilai kuadrat tengah dari bilangan
inisial/awal. Bilangan awal sendiri ditentukan secara bebas oleh pemodel.
Contoh : Kita ambil angka 76 sebagai bilangan awal dan kita ambil dua digit
untuk seterusnya. Diinginkan bilangan random dengan distribusi uniform[0,1],
penyelesaiannya :
Bilangan inisial r0 = 76 r02 = 5776
r1 = 77 r02 = 5929
r2 = 92 dst.
Didapat bilangan random : 0.77, 0.92 ..... dst.
6.4.2.2 Metode Linear Congruential

Metode Linear Congruental ini pertama kali dikenalkan oleh Lehmer (1951).
Rumus untuk membangkitkan bilangan random dengan metode ini adalah :
Xi+1 = (aXi +c)modm, i = 0,1,2,...
X0 : disebut dengan nilai inisial/seed a :
disebut konstanta pengali
c : adalah inkremen
Halaman 13

m : adalah modulus
Jika c ≠ 0 diartikan sebagai mixed congruential method. Jika c = 0, dinamakan

multiplicative congruental method. Pemilihan nilai a, c, m, dan X0
mempengaruhi kelengkapan nilai statistical dan nilai cycle lenght.
Syarat-syarat pembangkitan bilangan random dengan metode LCM :
a. Konstanta a harus lebih besar dari √𝑚

Dan biasanya dinyatakan dengan syarat :
m
𝑚
< 𝑎 < 𝑚 − √𝑚
100
𝑚
+ 𝑚 > 𝑎 > √𝑚
100
b. Untuk konstanta c harus berangka ganjil apabila m bernilai pangkat dua.

Tidak boleh berkelipatan dari m
c. Untuk modulus m harus bilangan prime atau bilangan tidak terbagikan,
sehingga memperlancar dan memudahkan perbitungan-perhitungan di
dalam komputer dapat berjalan dengan mudah dan lancar.
d. Untuk pertama Xo harus merupakan angka integer dan juga ganjil dan
cukup besar.
Contoh :
Bangkitkan bilangan random dengan menggunakan metode linear Congruental
jika diketahui;
X0 = 27 ; a = 17, c = 43; dan m = 100
Penyelesaian :
Nilai integer bilangan random yang dibangkitkan berada antara 0 sampai dengan
99 dikarenakan nilai modulusnya 100.
Bilangan random dapat dibangkitkan dengan cara :

Halaman 14

Xi+1 = (aXi +c)modm, i = 0,1,2,...,
𝑋𝑖
𝑅𝑖 = i = 1, 2,...
𝑚
X0 = 27
X1 = (17 * 27 + 43) mod 100 = 502 mod 100 = 2
R1 = = 0.02
X2 = (17 * 2 + 43) mod 100 = 77 mod 100 = 77
R2 = = 0.77
X3 = (17 * 77 + 43) mod 100 = 1352 mod 100 = 52
R2 = = 0.52
Dst....
6.4.2.3. Metode Transformasi Inversi

6.4.2.3.1 Distribusi eksponensial
Misal untuk setiap i maka didapat waktu rat-rata tiap kejadian adalah :
Probability density function (pdf) dirumuskan :
Diketahui parameter λ adalah rata-rata jumlah kejadian tiap satuan waktu.

Sebagai contoh, waktu antar kedatangan adalah X1, X2, X3, ...berdistribusi
eksponensial dengan rata-rata λ, kemudian λ bisa di-interpretasikan sebagai
jumlah kedatangan persatuan waktu atau rata-rata kedatangan.
Untuk setiap i berlaku :
1
E(X i ) = 𝜆
Halaman 15

Sehingga 1/ λ diartikan sebagai waktu antar kedatangan.
Langkah-langkah pembangkitan bilangan random yang berdistribusi eksponensial

adalah ;
1. Tentukan variabel random X untuk distribusi ekponensial F (x) = 1 - 𝑒 −𝜆𝑥

,x ≥0
2. Set F(X) = R dalam range dari X
Untuk distribusi eksponential 1- 𝑒 −𝜆𝑥 = R berada dalam range x 0X
adalah variabel random (dalam hal ini berdistribusi eksponential), berart
bahwa 1- 𝑒 −𝜆𝑥 juga variabel random, yang disebut R.
3. Cari penyelesaian F(X) =R

1- 𝑒 −𝜆𝑥 =R
𝑒 −𝜆𝑥 =1–R
- λX = ln (1-R)
−1
X = ln(1 − 𝑅𝑖 ) ; dinamakan random variate
𝜆
generator yang berdistribusi eksponential.
4. Pembangkitan bilangan Random berdistribusi eksponential R1, R2, R3,...
adalah ;
−1
F-1(R) = ln(1 − 𝑅)
𝜆
−1
Xi = ln(1 − 𝑅𝑖 )
𝜆
6.4.2.3.2 Distribusi uniform

Diketahui interval variabel random X adalah [a,b] dengan a adalah nilai
minimum dan b adalah nilai maksimum. Adapun umus untuk membangkitkan
nilai X dengan distribusi uniform adalah :
X = a + (b - a) R
Halaman 16

Dengan Ri adalah bilangan random ke-i
Rumus ini didapat dari :

Mengingat bahwa R adalah bilangan random diantara (0,1), maka probability
density function (pdf) adalah :
jika persamaan diatas diturunkan menjadi
langkah 1 :
Langkah 2 : Set F(X) = (X-a) / (b-a) = R

Langkah 3 : Selesaikan persamaan untuk X dan R yaitu, X = a + (b-a)R
6.4.2.3.3 Distribusi Normal

Rumus yang digunakan untuk membangkitkan nilai X dengan distribusi normal
adalah :
X = Z𝜎 + 𝜇
Dengan Z = bilangan random normal
𝜎 = standar deviasi
𝜇 = rataan
adapun untuk sampel maka E(𝜎) = S dan E(𝜇) = 𝑋̅
6.4.2.3.4 Distribusi Poisson

Diketahui variabel random poisson adalah N dengan rataan α
Halaman 17

Langkah langkah yang digunakan :

1. Set n = 0, P = 1
2. Bangkitkan bilangan random Rn 1 dan ganti P dengan P. Rn+1
3. Jika P < 𝑒 −𝛼 maka terima N = n. Jika sebaliknya tolak n dan tambah n

dengan 1 kemudian kembali ke langkah 2
Untuk α ≥ 5 maka digunakan rumus yang mendekati normal, Nilai Z dicari pada
tabel random normal.
kemudian bagnkitkan nilai N sebagai variabel poisson dengan rumus :
N = α + √𝛼𝑍 – 0.5
Catatan : hasilnya dibulatkan jika α + √𝛼𝑍 – 0.5 < 0 maka N di set = 0

N = variabel poisson dengan n unit kejadian tiap satuan waktu
6.5 Pengujian Bilangan Random

Dua syarat utama bilangan random adalah uniform dan independen. Untuk
memastikan bahwa suatu bilangan random memenuhi dua hal tersebut maka
perlu pengujian, yaitu uji uniform dan uji independen.
6.5.1 Uji uniform

Uji ini menggunakan Kolmogorov Smirnov atau Chi-Square untuk
membandingkan suatu set bilangan random dengan distribusi uniform.
6.5.1.1 Kolmogorov Smirnov

Uji Kolmogorov Smirnov ini berdasarkan pada deviasi absolute terbesar dari F(x)
dan S N (x) dalam range bilangan random.
Catatan :
F(x) = x, 0≤ x ≤ 1
Halaman 18

𝑛𝑢𝑚𝑏𝑒𝑟 𝑜𝑓 𝑅1,𝑅2,𝑅3,…,𝑅𝑁 𝑦𝑎𝑛𝑔 𝑚𝑎𝑛𝑎 ≤𝑥

S N (x) =
𝑁
Jadi uji Kolmogorov Smirnov dirumuskan
D = max F(x) - SN (x)
Langkah 1 : urutkan data dari yang terkecil sampai yang terbesar.
R(1) ≤ R(2) ≤ ... ≤ R(N)

Langkah 2 : hitung
langkah 3 : hitung D = max(D+,D1)

langkah 4 : definisikan nilai kritis D α, dari tabel. Dengan tingkat
kepercayaan dan besarnya N
langkah 5 : buat kesimpulan, jika D ≤ Dα maka tidak ada perbedaan antara
distribusi data yang sebenarnya dengan distribusi uniform.
6.5.1.2 Uji Chi Square
Salah satu cara pengujian hipotesis dari suatu nilai random berukuran n dari
variabel X adalah uji Chi Square. Permasalahan yang dihadapi pada pengujian ini
adalah menguji apakah frekuensi yang diobservasi memang konsisten dengan
frekuensi teoritisnya. Tes ini biasanya digunakan untuk pengujian sample dengan
ukuran besar ( > 30 sampel). Tes ini diawali dengan membuat interval kelas dari
sejumlah n data ke dalam k kelas interval. Pembuatan kelas interval sesuai
dengan aturan Sturgess, yaitu :
k = 1 + 3.322 log n
dimana : k = jumlah kelas
Halaman 19

n = jumlah keseluruhan observasi yang terdapat dalam

data.
Langkah selanjutnya adalah menentukan lebar kelas, yaitu :
(𝑡−𝑟)
i=
𝑘
dimana : i = lebar interval kelas

t = nilai tertinggi
r = nilai terendah
k = jumlah kelas
rumus yang digunakan untuk pengujian bilangan random dengan uji Chi Square ini
adalah :
(𝑂𝑖 − 𝐸𝑖 )2
𝜒2 =
𝐸𝑖
dimana : Oi = frekuensi observasi

Ei = frekuensi harapan dari interval kelas
6.5.2 Uji Independensi

6.5.2.1 Uji run up dan run down
Jika N adalah jumlah bilangan random dan a adalah jumlah perubahan run, maka
rumus rataan dan variansi-nya adalah :
2𝑁−1
𝜇𝑎 = 3
dan
16𝑁−29
𝜎𝑎2 = 90
untuk N > 20, distribusi dari a mendekati distribusi normal. Jadi rumus untuk Z
hitungnya dapat dihitung melalui :
𝛼 −𝜇𝑎
𝑍0 = 𝜎𝑎
Halaman 20

contoh :
Berdasarkan uji runs up dan runs down tentukan bahwa 40 data berikut ditolak
atau diterima berdasarkan independensi hipotesis, jika diketahui α = 0.05.
0.41 0.68 0.89 0.94 0.74 0.91 0.55 0.62 0.36 0.27
0.19 0.72 0.75 0.08 0.54 0.02 0.01 0.36 0.16 0.28
0.18 0.01 0.95 0.69 0.18 0.47 0.23 0.32 0.82 0.53
0.31 0.42 0.73 0.04 0.83 0.45 0.13 0.57 0.63 0.29
urutan dari runs up dan runs dowm adalah:
+ + + + - + - + - -
- + + - + - - + - +
- - + - - + - + + -
- + + - + - - + + -
bisa dilihat bahwa banyaknya run (perubahan dari + ke – atau sebaliknya) adalah
26 perubahan. Dari sini bisa disimpulkan bahwa N = 40 dan a = 24
dari tabel normal didapat bahwa Z0.025 = 1.96, sehingga hipotesis independensi
untuk data ini diterima.
6.5.2.2 Uji rataan run above dan run below

Uji ini hampir sama dengan uji runs up dan runs down, tetapi yang membedakan
antara uji ini dengan uji runs up dan runs down adalah, nilai – diberikan untuk
bilangan yang nilainya berada di bawah rata-rata dan nilai + diberikan untuk
bilangan yang berada diatas nilai rata=rata. Rataan yang dimaksud adalah rataan
untuk interval bilangan random misal : [(0.99+0.00)/2=0.495]. jadi untuk nilai –
Halaman 21

nilai yang berada di bawah nilai rataan ( 0.495) akan diberikan tanda -, begitu
juga sebaliknya jika berada diatas nilai 0.495 akan diberikan tanda +.
Jumlah maksimum run/jumlah bilangan random : N = n1 + n2

Dengan n1 adalah above dan n2 adalah below. Dan b adalah total run, rumus
rataan dan variansi adalah :
2𝑛1 𝑛2 1
𝜇𝑏 = +
𝑁 2
dan
2𝑛1 𝑛2 (2𝑛1 𝑛2 −𝑁)

𝜎𝑎2 = 𝑁2 (𝑁−1)
Adapun Z hitung :
𝑏 −𝜇𝑏
𝑍0 = 𝜎𝑏
contoh :
Berdasarkan uji run above dan run below tentukan bahwa 40 data berikut ditolak
atau diterima berdasarkan independensi hipotesis, jika diketahui = 0.05.
0.41 0.68 0.89 0.94 0.74 0.91 0.55 0.62 0.36 0.27
0.19 0.72 0.75 0.08 0.54 0.02 0.01 0.36 0.16 0.28
0.18 0.01 0.95 0.69 0.18 0.47 0.23 0.32 0.82 0.53
0.31 0.42 0.73 0.04 0.83 0.45 0.13 0.57 0.63 0.29
urutan dari runs up dan runs dowm adalah :
- + + + + + + + - -
- + + - + - - - - -
- - + + - - - - + +
- - + - + - - + + -
Halaman 22

dari sini diketahui bahwa :

n1 = 18
n2 = 22
N = n1+ n2 = 40
b = 17
2(18)(22) 1
𝜇𝑏 = + = 20.3
40 2
dan
2(18)(22)[2(18)(22)−40]
𝜎𝑎2 = = 9.54
402 (40−1)
17−20.3
𝑍0 = = -1.07
√9.54
dari tabel normal didapat bahwa Z0.025 = 1.96, sehingga hipotesis independensi
untuk data ini diterima.
6.6 Uji Distribusi Probabilitas

6.6.1 Fungsi Distribusi Probabiltas Diskrit
Sering lebih mudah bila semua peluang suatu variabel random X
dinyatakan dalam suatu rumus. Jadi dapat ditulis f(x) = P(X =x). Himpunan
pasangan (x,f(x)) disebut fungsi peluang atau distribusi peluang atau fungsi
massa peluang variabel random diskrit X. Untuk setiap x ∈
dan ∑𝑥 𝑓(𝑥) -1 dengan Distribusi kumulatif F(x) suatu variabel random diskrit X
dengan distribusi peluang f(x) dapat dinyatakan oleh :
F(x) = P(X ≤ x) = ∑𝑥 𝑓(𝑡) )untuk - ~ < x < ~

Sedangkan distribusi dari variabel random diskrit adalah sebuah grafik,
tabel atau rumus, yang menyatakan suatu probabilitas yang berhubungan dengan
tiap nilai yang mungkin dari variabel random diskrit.
Halaman 23

6.6.2 Fungsi Distribusi Probabilitas Kontinyu

Jika ruang hasil dari variabel acak X merupakan bilangan dari interval yang tak
berhingga , dimana banyaknya bilangan tak terhingga dan tak terbilang, maka X
disebut sebagai variabel random kontinyu. X mengambil semua nilai antara 0 dan
1 atau interval 0<x<1. Berapakah p(x1) = P(X=x1), dimana 0<x<1 ?. Karena
banyaknya titik antara selang 0 sampai 1 tak terbilang, kita tidak bisa mengatakan
titik ke-i dari selang [0,1] dan P(X=x1) tidak mempunyai arti. Kita dapat
mengganti fungsi p(x) yang ditentukan pada Rx yang terbilang dengan fungsi f(x)
yang didefinisikan untuk setiap x dalam interval !(-~,~) dengan syarat :
1. f(x) ≥ 0 untuk setiap x dari selang 1
2. ∫ 𝑓 (𝑥 ) 𝑑 (𝑥 ) = 1
3. Untuk setiap a,b dengan -
𝑏
∫𝑎 𝑓 (𝑥 )𝑑𝑥 dalam hal ini f(x) dikenal sebagai fungsi kemungkinan
𝑏
Dari ketentuan diatas p(X = x0) = ∫𝑎 𝑓(𝑥 )𝑑𝑥 = 0 dan P(a < x < b) = P(a < x < b)
= P(a < x < b)
Distribusi probabilitas variabel kontinyu berupa kurva, dimana luas
daerah dibawah kurva menunjukkan probabilitas tertentu. Karena total
probabilitas adalah 1 maka luas maksimal dibawah kurva juga 1. Karena alasan
kemudahan analisis, maka fungsi distribusi tersebut dibagi dalam kelas-kelas
interval, hingga bentuknya di ubah seperti distribuasi Diskrit (bukan
kurva).Untuk memudahkan dalam menentukan apakah suatu kejadian yang kita
amati berdistribusi Diskrit atau Kontinyu, maka kita dapat menggunakan tips
yang menyatakan “segala sesuatu yang berhubungan dengan pengambilan data
dengan cara mengukur maka termasuk pada distribusi kontinyu, sedangkan yang
menggunakan penghitungan dalam pengambilan datanya, maka termasuk dalam
distribusi Diskrit.
Halaman 24

6.7 Metoda Penentuan Fungsi Distribusi yang sesuai

Dalam sebuah aktifitas sistem, tidaklah mudah untuk mengetahui fungsi
distribusi populasi yang ada, untuk itu kita harus menaksir fungsi tersebut. Fungsi
distribusi empiris menaksir fungsi sesungguhnya dari distribusi yang
mendasarinya. Ada beberapa teknik untuk menentukan apakah sampel random
berasal dari suatu fungsi distribusi yang ditentukan sebelumnya, antara lain :
a). Metode Visual
Test “Chi-Square Goodness of Fit”
b). Metode “Heuristic”
Test “Liliefors”
Test “Kolmogorov-Smirnov”.
Pada kesempatan praktikum Delsim kali ini hanya akan dibahas mengenai tes
chikuadrat untuk menentukan distribusi probabilitas. Untuk metode visual kita
hanya membuat Histogram dari Distribusi frekuensi observasi yang kemudian
dibandingkan dengan histogram distribusi probabilitas teoritis tertentu . Kita cari
distribusi probabilitas teoritis yang paling sesuai dengan distribusi probabilitas
observasi. Jika kedua grafik dianggap sama, maka distribusi probabilitas
observasi dapat didekati dengan distribusi probabilitas teoritis yang telah
ditentukan tersebut.
Test “Chi-Square Goodness of Fit”

Test “Goodness of Fit” pada prinsipnya menggunakan uji Chi-kuadrat untuk
menguji apakah suatu distribusi data hasil observasi memiliki kecocokan dengan
suatu distribusi teoritis, seperti distribusi normal, poisson, eksponensial, dan
sebagainya. Jadi, misalnya ada sebuah sampel yang terdiri dari kumpulan data,
akan diuji apakah distribusi data tersebut sesuai dengan salah satu distribusi
frekuensi yang ditentukan. Untuk melakukan tes jenis ini, maka konsep tentang
uji hipotesis sebaiknya telah dipahami dengan baik.
Sebelumnya kita menggunakan metode uji tersebut terlebih dahulu kita tentukan :
Halaman 25

Fx(0) : Merupakan probabilitas kumulatif dari distribusi teoritis

Fx(N) : Merupakan probabilitas kumulatif dari distribusi frekuensi pengamatan.
Selanjutnya untuk memudahkan penghitungan dalam uji kecocokan dengan
metode Chi-Square maka Fx(0) dianggap sebagai probabilitas teoritis yang
dilambangkan dengan EI dan Fx(N) dianggap sebagai probabilitas observasi yang
dilambangkan dengan Oi.
Diketahui sebaran variabel random x1, x2,…, xn yang normal mempunyai rata -
rata (x) = E(x) = 𝜇 dan keseragaman atau variansi (x) = 𝜎 2 . Variabel random
normal demikian dapat diubah ke dalam bentuk standar dengan rumus :
𝑥− 𝜇
𝑧=
𝜎
Dengan rata - rata E(x) = 0 dan keragaman (x) = 𝜎 2 = 1.
Misalkan terdapat statistik 𝜒 2 = 𝑥12 + 𝑥22 + ⋯ + 𝑥𝑛2 , maka statistik ini
mempunyai sebaran Chi - kuadrat (X2) dengan fungsi kepadatan :
Dengan n adalah jumlah variabel random independen yang dijumlahkan dan

mempunyai derajat bebas sebesar n - 1.
Dalam pengujian tentang kecocokan atau disebut juga uji kompatibilitas,

permasalahan yang dihadapi adalah mengujui apakah frekuensi yang diobservasi (
dihasilkan ) memang konsisten dengan frekuensi teoritisnya
( perencanaannya ) ? Apabila konsisten, maka tidak terdapat perbedaan nyata,
dengan kata lain hipotesisnya dapat diterima.
Sebaliknya apabila tidak ada konsistensi, maka hipotesisnya ditolak. Artinya

hipotesis teoritisnya tidak didukung oleh hasil observasinya. Rumus yang
digunakan adalah :
Halaman 26

OI = frekuensi observasi ( hasil produksi ) dan

EI = frekuensi teoritis atau perencanaan produksi dengan derajat bebas
=n-k-1
𝜒 2 merupakan ukuran perbedaan antara frekuensi observasi dengan frekuensi

teoritis. Apabila tidak ada perbedaan antara frekuensi observasi dengan frekuensi
teoritis, maka 𝜒 2 akan semakin besar pula. Nilai 𝜒 2 akan dievaluasi dengan
sebaran Chi - kuadrat.
Prosedur pengujian hipotesis

dilakukan dengan langkah-langkah sebagai berikut :
1) Menyatakan H0 dan hipotesis alternatifnya,
2) Tentukan taraf nyata ( tingkat signifikansi ),
3) Tentukan statistik uji 𝜒 2 dan derajat bebasnya,
4) Tentukan daerah penolakannya,
5) Hitung 𝜒 2 dan tentukan ditolak atau diterima H0 – nya
6) Buatlah kesimpulannya
Contoh uji kecocokan
Hasil produksi ( OI ) dan prediksi produksi yang telah ditetapkan ( E I ) selama 7

bulan produksi suatu industri adalah sebagai berikut :
xi 1 2 3 4 5 6 7
Oi 120 125 115 130 110 115 125
Ei 120 120 120 120 120 120 120
Prosedur pengujian hipotesisnya dilakukan dengan langkah-langkah :

1) Menentukan hipotesis :
H0 : probabilitas semua kejadian sama ( hasil produksi sesuai dengan
perencanaan), H1 : hasil produksi tidak sesuai dengan perencanaan
Halaman 27

2) Taraf nyata (α ) = 0,05

3) Statistik uji
Dengan derajat bebas = 7 - 1 = 6

4) Daerah penolakan dengan α = 0,05 menjadi :
𝜒 2 > 𝜒 2 (0.05,6) = 12.592
Hitungan :
5) Karena 2,500 < 12,592 maka H0 diterima

Dengan kata lain, barang yang dihasilkan oleh industri tersebut telah sesuai
dengan apa yang telah direncanakan.
Pengujian Dalam Statistik Nonparametrik

Dalam pokok bahasan statistik nonparametrik dibahas sejumlah cara pengujian
yang sama sekali tidak berdasarkan pengetahuan tentang distribusi populasi yang
dibicarakan.
Kelebihan dari statistik nonparametrik antara lain :

Apabila asumsi dari distribusi sampelnya sangat lemah, maka statistik
nonparametrik akan layak digunakan.
Karena kurang memadainya skala pengukuran, maka akan lebih baik

apabila datanya diklasifikasikan saja dan uji yang mungkin terbaik untuk
dilakukan adalah uji non parametrik. Apabila data yang dipunyai dapat
dirangking atau dibuat peringkat, maka uji nonparametrik dapat digunakan.
Perhitungan yang diperlukan dalam uji nonparametrik sangat sederhana

dan dapat dikerjakan dengan mudah dan cepat. Pada skala ordinal, datanya diberi
peringkat menurut suatu urutan tertentu dan uji nonparametrikmenganalisis
peringkat-peringkat tersebut.
Halaman 28

Sebagai contoh :
Dua mahasiswa diberi tugas untuk memberikan peringkat ( rangking ) pada
empat model ( merk ) sepatu. Peringkat 1 diberikan pada model sepatu yang
dianggap mempunyai kualitas tertinggi, peringkat 2 diberikan kepada model
sepatu terbaik kedua dan seterusnya.
Uji nonparametrik dapat digunakan untuk menentukan adakah kesesuaian antara

kedua mahasiswa tersebut dalam memberikan peringkat ?
Beberapa tipe data dalam ruang lingkup statistika :

 Data nominal ( data pilah )
Adalah data yang diklasifikan secara dipilah-pilah, misalnya jenis
kelamin, agama, pekerjaan, jurusan kuliah
 Data ordinal ( data jenjang )

Adalah data yang mempunyai jenjang ( tingkatan ) akan tetapi jarak
antara setiap jenjang ( tingkatan ) tidak sama.
 Data interval ( data selang )

Adalah data yang berbentuk jnjang dan jarak setiap jenjang adalah sama,
akan tetapi jarak yang sama tidak diartikan mempunyai arti yang sama.
Sebagai contoh termometer, spidometer
 Data rasio
Merupakan data tentang ukuran suatu hal yang nyata, misalnya ukuran
waktu, jarak, berat dan lain sebagainya.
6.8 VALIDASI MODEL

6.8.1. Pendahuluan
Tahapan lanjut dari simulasi setelah verifikasi model adalah validasi. Shanon
(1975) dengan ringkas menggambarkan proses vali-dasi sebagai berikut:
Halaman 29

“ Satu pendekatan yang paling nyata dalam membantu proses validasi

sistem yang telah ada adalah dengan membandingkan output dari sistem
nyatanya dengan model.”
Langkah validasi ini juga merupakan langkah untuk mengawasi atau mengecek
apakah model yang sudah diprogram itu asli, sudah sesuai dan benar.
Dua tujuan umum dalam validasi :

1. Menghasilkan suatu model yang representatif terhadap prilaku sistem
nyatanya sedekat mungkn untuk dapat digunakan sebagai subtitusi dari sistem
nyata dalam melakukan eksperimen tanpa mengganggu jalannya sistem.
2. Meningkatkan kredibilitas model, sehingga model dapat digunakan oleh para
manajer dan para pengambil keputusan lainnya.
Tipe validasi model :
1. Validasi asumsi, model asumsi ini dibagi kedalam dua kelas, yaitu asumsi
struktural dan asumsi data.
- Asumsi struktural meliputi pertanyaan-pertanyaan bagaimana sistem
beroperasi dan asumsi ini juga melibatkan penyederhanaan dan
penggambaran kenyaataan dari sistem. Sebagaian penulis memisahkan
asumsi ini kedalam validasi proses.
Contoh :
 Jumlah teller pada suatu sistem bisa tetap dan bisa variabel
 Melakukan diskusi dengan orang yang paham betul dengan proses
yang diamati, seperti para manajer.
- Asumsi data harus didasarkan pada penumpulan data yang reliabel/data
terpercaya dan analisa statistik yang tepat dari suatu data.
2. Validasi Output (merupakan titik tekan pada bab ini), Cara yang paling
mudah untuk melakukan validasi ini adalah dengan pendekatan visual.
Beberapa orang ahli mengamati dan membandingkan antara output model
terhadap sistem riil. Metode lain yang sering digunakan adalah dengan
pendekatan statisik.
Halaman 30

6.8.2 Teknik Validasi

Untuk melakukan validasi model apakah sesuai dengan sistem nyatanya dapat
dilakukan dengan :
Keseragaman Data Hasil Simulasi
Sebagaimana pada validasi data input, maka pada data hasil simulasipun
diadakan uji keseragaman data guna menentukan bahwa data setiap data simulasi
memiliki deviasi yang normal atau tidak terlalu berbeda dari nilai rata-ratanya.
Hal ini dimaksudkan untuk mengetahui bahwa perilaku model sistem berada pada
kondisi yang relatif tidak begitu memiliki fluktuasi. Bila perilaku model sangat
fluktuatif, maka akan sulit bagi peneliti untuk menarik konklusi akan perilaku
model sistem yang diamati. Rumus yang digunakan untuk penentuan batas
kontrol :
1. Batas atas = BKA = X + k.SD
2. Batas Bawah = BKB = X - k.SD

Setelah diketahui sebaran dan hasil simulasi, maka dapat ditentukan
interval kepercayaan untuk output hasil simulasi. Hal itu ditunjukkan oleh
persamaan :
Y = Nilai Rata – Rata Parameter dari R kali Replikasi s = Nilai Standar

Deviasi dari sampel nilai Parameter dari R kali replikasi
1- α = Uinterval Konvidensi (95%)
= Nilai fungsi dari distribusi student t dengan tingkat signifikansi
dan derajat bebas R – 1. Kita gunakan pendekatan Distribusi Studen t jika yang
diambil adalah kumpulan sampel sehingga variansi populasi tidak diketahui. (
jika variansi populasi tidak diketahui digunakan pendekatan distribusi student t..
Halaman 31

Uji Kesamaan Dua Rata-Rata

Uji kesamaan ini dimaksudkan untuk mengetahui perbandingan performansi
antara sistem riil dengan model simulasi yang diterjemahkan dalam nilai jumlah
rata-rata output dari dua populasi tersebut. Jika dalam uji didapat hasil bahwa
kedua nilai rata-rata tidak berbeda secara signifikan, maka dapat disimpulkan
bahwa model memiliki validitas yang cukup untuk parameter output rata – rata..
Karena yang akan diuji adalah kesamaan dua populasi, maka uji yang
akan dilakukan adalah uji dua sisi.. dengan :
H0 : μ1 = μ2
: Rata-rata output sistem riil = rata-rata output model Simulasi
H1 : μ1 ≠ μ2
: Rata-rata output sistem riil ≠ Rata-rata output model Simulasi
Untuk mencari t hitung digunakan rumus sebagai berikut :

Rumus t hitung :
t hitung kemudian dibandingkan dengan t tabel

N -1 adalah Derajat kebebasan
α adalah tingkat kepercayaan
Uji Kesamaan Dua Variansi

Dalam melakukan proses pengujian selisih maupun kesamaan dua
ratarata, selalu diasumsikam bahwa kedua populasi memiliki variansi yang sama.
Agar hasil uji kesamaan dua rata rata yang dilakukan diatas benar, maka
Halaman 32

diperlukan sebuah kepastian bahwa asumsi tentang persamaam dua variansi

terpenuhi. Misalnya kita mempunyai dua populasi normal dengan variansi 𝜎 12
dan 𝜎 22. Akan diuji dua pihak dalam kesamaannya, maka hipotesis ujinya adalah
:
H0 : 𝜎 12 = 𝜎 22
H1 : 𝜎 12 ≠ 𝜎 22
Berdasarkan sampel acak yang independen maka diperoleh populasi satu dengan
ukuran n1 dan variansi s12 sedangkan populasi dua dengan ukuran n2 dan
𝑠12
variansi s22, maka untuk menguji hipotesisnya digunakan statistik uji : F =
𝑠22
.
Kriteria pengujian adalah menerima H0 jika
Dengan demikian F hitung berada dalam daerah penerimaan sebagaimana terlihat

dalam gambar dibawah ini :
2.1
6 f - Hitung
1
1
rletak Daerah Penerima
kritis
0
Daerah Penolakan Daerah Penolakan
Daerah Penerimaan ujesamaan Variansi Sistem riil dan

Uji Kecocokan Model Simulasi
Proses Validasi yang terakhir adalah menguji bahan antara hasil model
simulasi memiliki kecocokan dengan dengan sistem riil yang diamati. Metode
yang digunakan adalah uji Chi-Kuadrat. Disebut juga uji kecocokan atau disebut
uji kompatibilitas, memiliki tujuan adalah menguji apakah frekuensi yang
Halaman 33

diobservasikan (dihasilkan) melalui model simulasi memang konsisten dengan

frekuensi teoritisnya (sistem riil). Rumus yang digunakan adalah:
(𝑂𝑖 − 𝐸𝑖 )2
𝜒2 = ∑
𝐸𝑖
0I = frekuensi observasi (hasil simulasi) dan
EI = frekuensi teoritis atau sistem riil dengan derajat bebas = n-1
𝜒 2 merupakan ukuran perbedaan antara frekuensi observasi dengan frekuensi

teoritis. Apabila tidak ada perbedaan antar frekuensi observasi dengan frekuensi
teoritis, maka 𝜒 2 akan semakin besar pula.
6.9 CONTOH STUDI KASUS (SIMULASI SISTEM PERSEDIAAN)

Pada simulasi kali ini kita mulai memasuki permasalahan seputar persediaan
(Inventory), adapun pada sistem persediaan sendiri sudah digambarkan pada
Gambar 2.11 . Dimana sistem persediaan merupakan sistem yang memiliki
peninjauan berkala panjang N saat tingkat persediaan sudah diketahui.
Perintah tersebut dibuat untuk membawa tingkat persediaan sampai
ketingkat M. Pada akhir periode dalam pertinjauan pertama kuantitas order di
tempatkan menjadi Ql. Sedangkan dalam sistem persediaan istilah lead time yaitu
panjang waktu antara penerimaan pesanan dengan pengiriman diakumulasikan
adalah NOL. Dimana permintaan sendiri biasanya tdak diketahui secara pasti,
sehingga jumlah pesansanan bersifat Probabilistik. Pada periode atau waktu
tertentu permintaan telah terlihat menjadi seragam pada gambar 2.11, namun pada
kenyataanya permintaan tersebut biasanya juga tidak seragam dan dia bersifat
Fluktuatif dari waktu ke waktu. Kemungkinan semua permintaan yang ada akan
terjadi pada awal waktu siklus, dan lainya juga memiliki Lead Time atau waktu
tunggu yang acak dari beberapa proses yang ada.
Halaman 34

Terdapat catatan bahwa dalam siklus kedua memiliki jumlah persediaan

yang kian menurun hingga diwah nol, maka hal tersebut menunjukan adanya
kekurangan (Shortage) pada persediaan yang ada. Pada gambar 2.11 juga
menggambarkan bahwa di beberapa unit terjadi Backorder atau tidak terpenuhinya
perminntaan yang ada ketika pesanan dari konsumen terus menerus datang. Maka
permintaan dari barang-barang yang tidak terpanuhi menjadi salah satu hal
penting yang menjadi kepuasan pelanggan, dimana lebih baik untuk menghindar
dari jenis-jenis kerugian seperti kekurang persediaan dan buffer perlu
diselamatkan.
Mengambil persediaan dari Inventory seperti memiliki biaya berkaitan
dengan Bunga yang dibayar atas dana pinjaman untuk membeli item tertentu,
maka ini juga bisa menjadi bentuk kerugian dari tidak adanya dana yang tersedia
untuk tujuan berinvestasi. Maka biaya yang lain dapat ditempatkan pada Ruang
penyimpanan atau dengan menyewa penjaga dan lain-lain. Maka sebuah alternatif
untuk menjaga persediaan yang banyak adalah dengan pembuatan catatan
kegiatan asuk dan keluarnya barang, dan pada akhirnya bisa deiktahui barang-
barang lebih sering dibeli atau menetap. Ini juga memiliki keterkaitan dengan
biaya pemesanan juga, serta kelak akan ada biaya jangka pendek. Pelanggan bisa
saja menjadi marah kerugian yang didapatkannya dikemudian hari, maka
Halaman 35

persediaan yang lebih besar bisa menguranggi kemungkinan kekurangan stock,

serta biaya-biaya tersebut harus tetap berputar untuk diperdagangkan guna
meminimalkan biaya total pada persediaan tersebut.
Dimana total biaya (total keuntungan) pada sistem persediaan atau
inventoy adalah ukuran dari kinerja itu sendiri, dan itu dapat dipengaruhi oleh
beberpa alternati kebijakan yang ada. Sebagai contoh pada gambar 2.11 pembuat
keputusan dapat mengontrol tingkat maksimum dalam persediaan. Panjang siklis
M dan N, serta apa efek serta perubahan bagi N yan Maka pada M, N dalam
sistem persediaan, beberapa persitiwa yang banyak terjadi adalah permintaan
untuk sebuah item atau barang dalam persediaan yang dilihat dari posisi
persediaan itu sendiri diakhir periode. Seperti pada gambar yang ada 2.11 bahwa
pada akhirnya dua peristiwa terjadi secara bersamaan memiliki berbagai macam
biaya?
Maka pada M, N dalam sistem persediaan, beberapa persitiwa yang
banyak terjadi adalah permintaan untuk sebuah item atau barang dalam persediaan
yang dilihat dari posisi persediaan itu sendiri diakhir periode. Seperti pada gambar
yang ada 2.11 bahwa pada akhirnya dua peristiwa terjadi secara bersamaan.
Dalam beberapa contoh lain berikutnya yaitu untuk menentukan beraapa banyak
koran atau sebuah catatan tertulis untuk membeli hanya dalam jangka satu
periode, serta yang lainya hanya satu rancangan yang dibuat. Persediaan yang
tersisa pada jangka waktu tertentu bisa di catat atau dibuang. Dan masih banyak
permasalahan dalam duania persediaan Inventory termasuk pada penyimpanan
suku cadang, barang tahan lama, dan barang-barang khusus untuk musiman
[Hadley dan Whitin, 1963].
Misalkan pada kasus ini yaitu perusahaan yang menjual lemari es. Sistem
yang mereka gunakan untuk menjaga persediaannya yaitu dengan meninjau
kondisi persediaan selama hari yang ditetapkan (sebut N) dan membuat keputusan
mengenai apa yang harus dilakukan. Kebijakan yang dikeluarkan yaitu memesan
lemari es hingga batas (sebut M), dengan menggunakan persamaan berikut :
𝑗𝑢𝑚𝑙𝑎ℎ 𝑝𝑒𝑚𝑒𝑠𝑎𝑛𝑎𝑛 = 𝑏𝑎𝑡𝑎𝑠 𝑝𝑒𝑚𝑒𝑠𝑎𝑛𝑎𝑛 − 𝑖𝑛𝑣𝑒𝑛𝑡𝑜𝑟𝑖 𝑎𝑘ℎ𝑖𝑟 + 𝑗𝑢𝑚𝑙𝑎ℎ 𝑘𝑒𝑘𝑢𝑟𝑎𝑛𝑔𝑎𝑛
Halaman 36

Misalkan batas pemesanan lemari es (M) sebanyak 11 buah dan periode

peninjauan (N) yaitu 5 hari. Inventori akhir lemar es pada kondisi awal adalah
sebanyak tiga buah. Jumlah lemari es yang dipesan oleh konsumen berdistribusi
acak. Data lain yang berdstribusi acak adalah jumlah hari setelah pemesanan
ditempatkan oleh supplier sebelum kedatangan, atau lead time. Pihak penjual telah
memesan lemari es sebanyak 8 buah yang akan dijual kembali pada hari ke-3
dalam siklus pertama. Artinya, ketika barang yang dipesan tiba, barang tersebut
baru akan dijual esok harinya.
Berikut adalah tabel permintaan lemari es dan lead time pemesanan ke
supplier :
Demand Probability
0 0.10
1 0.25
2 0.35
3 0.21
4 0.09
Lead Time (hari) Probability

1 0.6
2 0.3
3 0.1
Beginning Random Ending Shortage Order Random Days

Day Cycle Day Demand Lead
Inventory Digits Inventory Quantity Quantity Digits until
Within Time
for for Order
Halaman 37

Cycle Demand Lead (days) Arrives

Time
1 1 3 26 1 2 0 - - - 1
2 2 2 68 2 0 0 - - - 0
3 1 3 8 33 1 7 0 - - - -
4 4 7 39 2 5 0 - - - -
5 5 5 86 3 2 0 9 8 2 2
6 1 2 18 1 1 0 - - - 1
7 2 1 64 2 0 1 - - - 0
8 2 3 9 79 3 3 0 - - - -
9 4 5 55 2 5 0 - - - -
10 5 3 74 3 0 0 11 7 2 2
11 1 0 21 1 0 1 - - - 1
12 2 0 43 2 0 3 - - - 0
13 3 3 11 49 2 6 0 - - - -
14 4 6 90 3 3 0 - - - -
15 5 3 35 1 2 0 9 2 1 1
16 1 2 8 0 2 0 - - - 0
17 2 11 98 4 7 0 - - - -
18 4 3 7 61 2 5 0 - - - -
19 4 5 85 3 2 0 - - - -
20 5 2 81 3 0 1 12 3 1 1
21 1 0 53 2 0 3 - - - 0
22 2 12 15 1 8 0 - - - -
23 5 3 8 94 4 4 0 - - - -
24 4 4 19 1 3 0 - - - -
25 5 3 44 2 1 0 10 1 1 1
Total 68 9
Average 2.04 2.72 0.36
Halaman 38

Daftar Pustaka
Khosnevish, Behrokh. Discrete System Simulation. New York : McGraw-Hill,
Inc. 1994
Bank, Carson, Nelson. Discrete-Event System Simulation. New Jersey : Prentice
Hall Inc. 1986
Law, AM., and David W kelton. Simulation Modeling And Analysis, New York :
McGraw-Hill, 1991
Levin, Rubin, Stinson, Gardner. Pengambilan Keputusan Secara Kuantitatif,

Jakarta, Penerbit PT Raja Grafindo Persada, 1993
Simatupang, Togar, Pemodelan Sistem. Klaten, Nindita, 1996
Walpole, Ronald., and Raymond H Myers. Ilmu Peluang dan Statistika untuk
Insinyur. Penerbit ITB Bandung, 1995
Guritno, Adi Joko., dan Hari Purnomo. Diktat Kuliah Analisa Keputusan,
Yogyakarta, 2002
Wirabhuana, Arya. Diktat Kuliah : “Industrial System Simulation”. Yogyakarta :
Laboratorium SIMBI. 2002
Mansyur, Agus., dkk, Modul Praktikum Analisis Investasi, Yogyakarta :

Laboratorium SIMBI. 1998
Halaman 39

Modul 6 MonteCarlo PDF

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Modul 6 MonteCarlo PDF

Uploaded by

Copyright:

Available Formats

TUTORIAL SIMULASI KOMPUTER

Fakultas : Teknologi Industri Pertemuan :6

6.1 Tujuan Praktikum

6.2 Sejarah Monte Carlo

Ketika kita menggunakan kata simulasi , kita mengacu pada metoda

Fakultas : Teknologi Industri Pertemuan :6

ketika analisa lain ternyata merupakan suatu kasus mathematically yang

Tanpa bantuan simulasi, suatu model spreadsheet hanya akan

Istilah Monte Carlo dalam simulasi mulai diperkenalkan oleh Compte de

Simulasi Monte Carlo merupakan metode komputasi numerik yang

Saat melakukan eksperimen data menggunakan simulasi kita sering

Fakultas : Teknologi Industri Pertemuan :6

yang menggunakan bilangan random yang digabungkan dengan model simulasi

Kunci dari metode Monte Carlo terletak pada pembangkitan bilangan

Dalam kesederhanaan cara, simulasi ini memberikan tiga batasan dasar

1. Apabila suatu persoalan sudah dapat diselesaikan atau dihitung jawabannya

Teknik Simulasi Monte Carlo :

Fakultas : Teknologi Industri Pertemuan :6

 Menentukan interval bilangan random umtuk setiap variabel

Bidang aplikasi monte carlo

Untuk dapat menggambarkan bagaimana mekanisme perubahan sistem,

Fakultas : Teknologi Industri Pertemuan :6

Simulasi Monte Carlo sering digunakan untuk melakukan analisa

Metoda ini mengasumsikan pola kejadian variabel perhitungannya pada

Di dalam operasionalnya Monte Carlo melibatkan pemilihan secara acak

Fakultas : Teknologi Industri Pertemuan :6

Perubahan itu sendiri-karena keacakannya sering sulit untuk dapat

Sebuah keacakan, biasanya dicapai dengan membuat sifat dan waktu

Metode atau langkah pembuatan model simulasi Monte Carlo terbagi

Fakultas : Teknologi Industri Pertemuan :6

Beberapa dari variabel itu antara lain :

Fakultas : Teknologi Industri Pertemuan :6

bilangan – bilangan tertentu untuk mempresentasikan setiap nilai

Fakultas : Teknologi Industri Pertemuan :6

Gambar 1. Diagram Langkah-langkah penyelesaian model simulasi Monte Carlo

Fakultas : Teknologi Industri Pertemuan :6

6.4 VARIABEL RANDOM

Fakultas : Teknologi Industri Pertemuan :6

Pada Hakekatnya semua metode untuk menghasilkan suatu barisan

Gambar 2.1. PDF untuk Bilangan Random

Persoalan memilih nilai yang baik, untuk tetapan pembangkit bilangan

Memperhatikan hal tersebut, maka unsur variabel random ini menjadi

Fakultas : Teknologi Industri Pertemuan :6

kejadian diskrit. Mengenai bagaimana cara membangkitkan variabel random, kita

Variabel Random dibedakan menjadi 2 bagian, yaitu :

a. Jumlah manager dalam suatu perusahaan (bisa 0,1,2,3, dan

2. Variabel Random Kontinyu

a. Jumlah waktu yang diperlukan untuk mengerjakan sutu tugas

Fakultas : Teknologi Industri Pertemuan :6

Terlihat bahwa angka untuk variabel random kontinyu dalam bentuk

6.4.2 Metode Pembangkitan Bilangan random (Random Generate)

6.4.2.1 Metode Mid Square

6.4.2.2 Metode Linear Congruential

Fakultas : Teknologi Industri Pertemuan :6

Jika c ≠ 0 diartikan sebagai mixed congruential method. Jika c = 0, dinamakan

Syarat-syarat pembangkitan bilangan random dengan metode LCM :

a. Konstanta a harus lebih besar dari √𝑚

b. Untuk konstanta c harus berangka ganjil apabila m bernilai pangkat dua.

Bilangan random dapat dibangkitkan dengan cara :

Fakultas : Teknologi Industri Pertemuan :6

Xi+1 = (aXi +c)modm, i = 0,1,2,...,

6.4.2.3. Metode Transformasi Inversi