Model & Simulasi 04 Mahasiswa

 4. Simulasi Kejadian Kredit

• Simulasi Kejadian Diskrit

• Simulasi MonteCarlo

• Simulasi 2 Lintasan Produksi

• Ringkasan

• Pertanyaan

 

4.1. Simulasi Kejadian Diskrit

Istilah-isilah :

• Entitas  Sesuatu yg ada dlm model, seperti mesin & pekerjaan. Entitas ada yg bersifat permanen (misal : mesin) & entitas sementara (misal : Pekerjaan)

• Aktifitas > sesuatu yg dilakukan oleh entitas atau diperlakukan kepada entitas.

• Kejadian/ event > suatu saat dimana 1 perubahan terjadi

• Antrian > terjadi bila entitas tdk sedang melakukan atau dikenai suatu aktifitas, mereka diletakkan di dlm suatu antrian (queue) menungggu kondisi aktifitas berikutnya

• Atribut > Karakteristik yg menjelaskan suatu entitas, untuk membedakan antar entitas

Hubungan antara kejadian & entitas : sangat mendasar

 

4.1. Simulasi Kejadian Diskrit

Simulasi Diskrit :

• Banyak simulasi manufaktur menggunakan simulasi diskrit

• Perubahan terjadi pada waktu yg diskrit

• Setiap elemen berada pada salah satu state yg diskrit

• TETAPI, dlm dunia nyata : perubahan kontinu

• Banyak simulasi mengakomodasi 2 perubahan sekaligus (kontinu & diskrit)

• Dalam praktek, aliran waktu kontinu dibagi-bagi dlm bagian yg kecil dalam jumlah besar

• Sehingga spt mengubah pengaruh kontinu ke dlm susunan diskrit

• Contoh : printer dot matrik dlm mencetak kurva kontinu

 

4.1. Simulasi Kejadian Diskrit

Aturan 3 Fase :

> Aturan logika yg dipakai untuk menggambarkan operasi pada Gantt Chart dlm contoh model Proses Produksi sederhana dapat dijelaskan dgn aturan 3 Fase Rule sbb:

• Fase A >  advance (majukan) jam ke waktu untuk terjadinya kejadian berikutnya.

• Fase B > selesaikan suatu aktifitas yg dijadwalkan harus selesai pada saat ini. Alur kejadian ini dinamakan “Bound Events”

• Fase C > Awali suatu aktifitas yg telah memenuhi kondisi yg dipersyaratkan. Pemenuhan syarat dari kondisi ini dinamakan “Conditional Events”

 

4.2. Simulasi MonteCarlo

Pengantar:

• Banyak simulasi menyangkut masalah detil yg tdk bisa diprediksi secara tepat

• Misalnya, lama waktu dari pekerjaan manual yg berulang bervariasi dari suatu siklus ke siklus lain

• Untuk memperoleh lamanya suatu pekerjaan, diperlukan suatu sampling secara random dari pengamatan

• Monte Carlo > simulasi tipe probabilitas yg mendekati solusi sebuah masalah dgn melakukan sampling dari proses acak.

• Monte Carlo > melibatkan penetapan distribusi probabilitas dari sebuah variabel yg dipelajari & dilakukan sampling acak dari distribusi untuk mrnghasilkan data.

• Monte Carlo > diterapkan ketika elemen sistem memperlihat kan perilaku yg cenderung tidak pasti/probabilistik.

4.2.b. Simulasi MonteCarlo

 

• Dasar Teknik Monte Carlo  mengadakan percobaan probabilistik melalui sampling random

• Monte Carlo > disinonimkan dgn simulasi probabilitas

• Monte Carlo > teknik untuk memilih angka2 secara acak dari distribusi probabilitas untuk digunakan dlm suatu percobaan simulasi

• Monte Carlo > bertitik tolak pada generalisasi fakta2 yg terjadi dgn merepresentasikan ke bil.acak & distribusi probabilitas komulatif

• Memunculkan bil.acak dilakukan dgn generator bil.acak, spt: tabel bil.acak, prosedur/subrutin dlm program

• Distribusi probabilistik komulatif dari sampel data diperhitungkan dari data empiris/data statistik di lapangan.

 

Contoh :

 4.2.b. Simulasi MonteCarlo

 • Hasil pengukuran waktu produksi dlm observasi > 0,4 0,1 0,2 0,4 0,7 0,3 0,2 0,5 0,2 0,6 0,1 0,3 0,2 0,1 0,3 0,2 0,3 0,2 0,5 0,4

• Tabel Nilai Probabilitas berdasarkan waktu siklus pengamatan

4.3. Simulasi 2 Lintasan Produksi
Istilah-isilah :
• Entitas >
• Entitas >
• Entitas >
• Entitas >
 


TERIMA KASIH ATAS

PERHATIAN ANDA