TEKNIK SIMULASI

PENDAHULUAN

TUJUAN MEMPELAJARI SIMULASI
Melalui kuliah ini diharapkan kita dapat
mempelajari suatu sistem dengan
memanfaatkan komputer untuk meniru (to
simulate) perilaku sistem tersebut


CARA MEMPELAJARI SISTEM
Sistem dapat dipelajari dengan pengamatan langsung atau pengamatan pada model dari sistem tersebut.
Model dapat diklasifikasikan menjadi model fisik dan model matematik
Model matematik ada yang dapat diselesaikan dengan solusi analitis, ada yang tidak. Bila solusi analitis sulit didapatkan maka digunakan SIMULASI

DEFINISI-DEFINISI

SISTEM
Sekumpulan obyek yang tergabung dalam suatu interaksi dan inter-dependensi yang teratur. Sistem dibedakan menjadi dua tipe yaitu sistem diskrit dan sistem kontinu.

MODEL
Penyederhanaan dari sistem yang akan dipelajari.

SIMULASI
Suatu prosedur kuantitatif, yang menggambarkan sebuah sistem, dengan mengembangkan sebuah model dari sistem tersebut dan melakukan sederetan uji coba untuk memperkirakan perilaku sistem pada kurun waktu tertentu.

Model Simulasi Statik vs. Dinamik
Model statik: representasi sistem pada waktu tertentu. Waktu tidak berperan di sini.
Contoh: model Monte Carlo.
Model dinamik: merepresentasikan sistem dalam perubahannya terhadap waktu.
Contoh: sistem conveyor di pabrik.
Model Simulasi Deterministik vs. Stokastik
Model deterministik: tidak memiliki komponen probabilistik (random).
Model stokastik: memiliki komponen input random, dan menghasilkan output yang random pula.
Model Simulasi Kontinu vs. Diskrit
Model kontinu: status berubah secara kontinu terhadap waktu, mis. gerakan pesawat terbang.
Model diskrit: status berubah secara instan pada titik-titik waktu yang terpisah, mis. jumlah customer di bank.


Model Simulasi Statik vs. Dinamik
Model statik: representasi sistem pada waktu tertentu. Waktu tidak berperan di sini.
Contoh: model Monte Carlo.
Model dinamik: merepresentasikan sistem dalam perubahannya terhadap waktu.
Contoh: sistem conveyor di pabrik.
Model Simulasi Deterministik vs. Stokastik
Model deterministik: tidak memiliki komponen probabilistik (random).
Model stokastik: memiliki komponen input random, dan menghasilkan output yang random pula.
Model Simulasi Kontinu vs. Diskrit
Model kontinu: status berubah secara kontinu terhadap waktu, mis. gerakan pesawat terbang.
Model diskrit: status berubah secara instan pada titik-titik waktu yang terpisah, mis. jumlah customer di bank.


Model Simulasi Statik vs. Dinamik
Model statik: representasi sistem pada waktu tertentu. Waktu tidak berperan di sini.
Contoh: model Monte Carlo.
Model dinamik: merepresentasikan sistem dalam perubahannya terhadap waktu.
Contoh: sistem conveyor di pabrik.
Model Simulasi Deterministik vs. Stokastik
Model deterministik: tidak memiliki komponen probabilistik (random).
Model stokastik: memiliki komponen input random, dan menghasilkan output yang random pula.
Model Simulasi Kontinu vs. Diskrit
Model kontinu: status berubah secara kontinu terhadap waktu, mis. gerakan pesawat terbang.
Model diskrit: status berubah secara instan pada titik-titik waktu yang terpisah, mis. jumlah customer di bank.

KLASIFIKASI TEKNIK SIMULASI

Jenis Sistem :

Sistem Fisik dan konseptual Sistem deterministik & probabilistik Sistem terbuka & sistem tertutup Sistem natural & manufacture Sistem sosial, Manusia-Mesin, Mesin Sistem diskret & kontinu (statistik)

Pendekatan Sistem : Metode pemecahan masalah yang tahapannya dimulai dari identifikasi kebutuhan dan diakhiri dengan suatu hasil sistem operasi yang efektif dan efisien. Pendekatan sistem dicirikan oleh adanya

… Metodologi dalam perencanaan dan pengelolaan Bersifat multi disiplin Terorganisir Penggunaan matematika Penggunaan teknik simulasi Penggunaan teknik optimasi

PENGERTIAN TEKNIK SIMULASI

Pengertian Simulasi Teknik untuk menggambarkan dan mempelajari perilaku sebuah sistem dengan bantuan suatu : Kegunaan Simulasi :

model dari sistem tersebut. Menganalisa respon dari sebuah sistem atas variasinya input-input (kedalam sistem) Contoh : - Pengaruh peningkatan suhu terhadap kecepatan kimia - Pengaruh jumlah pintu tol terhadap panjang antrian mobil

Masalah sistem sangat komplek tidak terstruktur sehingga sulit diselesaikan secara analitik. Biaya sangat mahal apabila digunakan sistem aslinya (dalam percobaan) Berbahaya bila digunakan “sistem aslinya” (dalam percobaan) Resiko Masalah Optimal kadang sulit diperoleh hasil optimal mutlak untuk memperoleh angka mendekati mutlak Waktu percobaan mungkin sangat panjang bila digunakan sistem aslinya.

Sistem yang dianalisa antara lain - Komponen atau subsistem - Interaksi antara elemen/sub sistem Model dari sistem Komputer (optional)

Sekumpulan elemen-elemen yang saling behubungan dan berinteraksi untuk melaksanakan tujuan khusus. Sekumpulan elemen yang saling terkait dan terorganisir untuk mencapai tujuan (Manetsch dan Park 1977). Suatu himpunan unsur-unsur yang berkaitan satu sama lain yang berfungsi untuk mencapai tujuan tertentu. Suatu himpunan unsur-unsurr yang berhubungan dan berinteraksi satu sama lain lebih jauh, perilaku sistem menuju suatu tujuan tertentu.

Contoh :

1. Mesin (elemen),Tenaga kerja (elemen), Bahan baku (elemen)

Mesin+Tenaga kerja+bahan baku=Sistem produksi

2. CPU(elemen), Monitor(elemen), Keyboard(elemen) CPU+Monitor+Keyboard = Sistem Komputer

Elemen dari sistem :

Contoh : Sistem produksi mencakup ( material, tenaga kerja, manajemen dan sumber dana ) sebagai input. Inputinput ini diproses atau ditransformasikan menjadi produksi yang dijual oleorganisasi. Sistem ini mempunyai tujuan mencapai kapasitas produksi, efisien dan kualitas produk.

CONTOH PENERAPAN SIMULASI

CONTOH PENERAPAN SIMULASI

Mengapa Membutuhkan Permodelan?

• Permasalahan yang terjadi bukan permasalahan yang dapat dengan mudah disajikan fungsi dan operatornya secara matematis.

• Permasalahan nyata dapat disajikan dalam model matematik yang merupakan model pendekatan dengan menyebutkan fungsi tujuan dan konstrain(Operation Research)

• Permasalahan nyata banyak menggunakan nilai-nilai ketidakpastian dalam setiap kejadian yang muncul. (Proses Stokastik)

Mengapa Membutuhkan Simulasi?

• Permasalahan-permasalahan kompleks dengan model-model non-linear tidak dapat diselesaikan dengan cara analitik, metode numerik atau linear programming.

• Metode heuristik merupakan suatu alternatif untuk menyelesaikan permasalahan dengan memanfaatkan kejadian acak.

• Metode heuristik tidak dapat langsung diimplementasikan karena mempunyai resiko yang besar, sehingga disimulasikan terlebih dahulu sebelum memastikan untuk diimplementasikan.