SKRIPSI
Diajukan untuk Memenuhi Sebagian dari Syarat Memperoleh Gelar Sarjana Sains Program Studi Matematika Konsentrasi Statistika
Oleh Ghea Novani
1002514
JURUSAN PENDIDIKAN MATEMATIKA
FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA
2014
SIMULASI PROSES POISSON NONHOMOGEN PADA PELAYANAN PERMINTAAN DARAH DI BANK DARAH RSUP DR. HASAN SADIKIN
BANDUNG
Oleh Ghea Novani
Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat untuk memperoleh gelar Sarjana Sains pada
Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam
© Ghea Novani 2014 Universitas Pendidikan Indonesia
Agustus 2014
Hak Cipta dilindungi undang-undang.
PERMINTAAN DARAH DI BANK DARAH RSUP DR. HASAN SADIKIN BANDUNG
DISETUJUI DAN DISAHKAN OLEH PEMBIMBING:
Pembimbing I
Hj. Dewi Rachmatin, S.Si, M.Si. NIP : 196909291994122001
Pembimbing II
Fitriani Agustina, S.Si, M.Si. NIP : 198108142005012001
Mengetahui,
Ketua Jurusan Pendidikan Matematika
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
DAFTAR ISI
2.3 Beberapa Distribusi Khusus Diskrit ... 6
2.4 Beberapa Distribusi Khusus Kontinu ... 8
2.5 Uji Kecocokan Distribusi ... 10
2.6 Proses Stokastik ... 14
2.7 Proses Poisson ... 14
2.8 Proses Poisson Nonhomogen ... 16
2.9 Sistem ... 17
BAB III METODE SIMULASI ... 22
3.1 Metode Simulasi ... 22
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
BAB IV PEMBAHASAN ... 44
4.1 Bank Darah RSUP Dr. Hasan Sadikin Bandung ... 44
4.2 Penelitian ... 49
4.3 Pengolahan Data ... 50
4.4 Simulasi ... 53
BAB V PENUTUP ... 63
5.1 Kesimpulan ... 63
5.2 Saran ... 63
DAFTAR PUSTAKA ... 64
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
ABSTRAK
Metode Simulasi merupakan salah satu bagian dari metode kuantitatif yang seringkali digunakan dalam pemodelan. Metode Simulasi mempunyai kelebihan yaitu dapat meniru sistem nyata yang kompleks sekalipun. Pelayanan permintaan darah di Bank Darah RSUP Dr. Hasan Sadikin Bandung telah mampu dimodelkan dengan simulasi. Di mana model permintaan komponen darah merupakan Proses Poisson Nonhomogen dengan fungsi intensitasnya didasarkan pada interval kedatangan permintaan per 2 jam. Output simulasi yang diperoleh dari program Matlab menunjukkan bahwa tidak ada perbedaan yang cukup signifikan dari data hasil simulasi dengan data asli pada tanggal 12 sampai 21 Juni 2014. Dengan demikian, Bank Darah Rumah Sakit dapat mempertimbangkan hasil simulasi sebagai salah satu referensi untuk menentukan tingkat permintaan darah tertinggi pada masa yang akan datang.
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
imitate behavior of a system within a supply chain environment. Using simulation in Matlab Program, a nonhomogeneous Poisson process (NHPP) is approved as an appropriate model for blood demand daily arrival service in Bank Darah RSUP Dr. Hasan Sadikin Bandung, where the intensity function aka is based on demand arrival per 2 hour. When it comes to comparing the results, there’s only a slight differences between the actual data set from 12th-21st June 2014 with simulation output. Therefore, Bank Darah RSUP Dr. Hasan Sadikin Bandung might be consider this simulation output as decision making of determining highest blood demand arrival rates.
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
BAB I PENDAHULUAN
1.1 Latar Belakang
Secara teoritis, proses Poisson telah banyak digunakan sebagai model
kedatangan entitas dalam pemodelan sebuah sistem, di mana asumsi adalah
banyaknya kejadian tercacah antara selang waktu yang panjangnya t, yang tidak
saling tumpang tindih (overlapping) akan mempunyai distribusi yang sarna.
Sehingga laju kejadian pada selang waktu berapapun, yang dinotasikan dengan ,
dianggap konstan/homogen. Proses poisson seperti ini disebut proses poisson
homogen (Ross, 2009: 30).
Akan tetapi, pada kenyataannya, sering dijumpai bahwa asumsi laju yang
homogen sebenarnya kurang tepat. Pada kasus sistem antrian dan sistem
pelayanan, laju atau intensitas kedatangan entitas pada interval waktu yang
ditetapkan, tidaklah konstan/homogen. Hal tersebut disebabkan karena
kedatangan entitas pada sistem nyata tidak dapat ditentukan secara pasti. Laju
kedatangan entitas biasanya tergantung pada waktu. Sebagai contohnya adalah
kedatangan pasien ke rumah sakit dan pelanggan ke bank yang biasanya lebih
banyak pada jam pagi dan siang dibandingkan dengan jam sore. Secara matematis,
laju kedatangan entitas pada sistem yang tergantung pada waktu ini adalah fungsi
yang dari waktu t, yaitu Proses Poisson dengan tidaklah lain
merupakan proses Poisson Nonhomogen. Menurut Leemis (1991:886), proses
Poisson Nonhomogen ini sangatlah tepat digunakan dalam sistem yang memiliki
kedatangan entitas yang bergantung pada waktu.
Pada pemodelan sistem nyata yang bersifat stokastik, yang berarti terdapat
satu atau lebih penginputan variabel acak, metode yang digunakan adalah metode
simulasi. Proses Poisson nonhomogen ini dijadikan sebuah input dengan metode
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
tingkat kedatangan permintaan atau antrian suatu sistem pada masa datang dapat
diketahui. Asumsi model ini dapat valid jika memenuhi sifat yang dimiliki oleh
proses poisson nonhomogen dan validitas asumsi yang dikenalkan oleh Ross yaitu
dengan menggunakan multiple sample rank test.
Metode simulasi itu sendiri mempunyai pengertian sebagai berikut : yakni
merupakan salah satu dari sekian banyak metode dalam penelitian kuantitatif
(seperti survei, eksperimen dan penelitian) yang tidak diragukan sebagai teknik
paling powerful untuk diterapkan sebagai decision support system (sistem
pendukung pengambilan keputusan) dalam lingkungan supply chain yang bersifat
stokastik. Dengan kata lain, simulasi mempunyai kelebihan diantara metode
kuantitatif lainnya yakni bisa digunakan dalam pengambilan keputusan dalam
sistem dengan tingkat permintaan yang tidak diketahui secara pasti. (Terzi dan
Cavalieri, 2004:4).
Thompson (2000:1) menuturkan bahwa metode simulasi adalah metode
untuk meniru sistem nyata dengan kunci utama adalah keacakan dan algoritma.
Sedangkan menurut Harrel dkk (2004:48), cara kerja metode simulasi ini adalah
membuat tiruan dari sistem dengan menggunakan model komputer untuk
mengevaluasi dan meningkatkan kemampuan sebuah sistem
Adapun prosedur dalam melakukan simulasi adalah sebagai berikut, (1)
pengambilan data dari sistem riil, (2) penentuan hipotesis distribusi probabilitas,
(3) pemilihan parameter untuk distribusi Goodness of fit test – seberapa baik
distribusi memodelkan data yang tersedia, (4) pembuatan asumsi, (5)
mensimulasikan proses kedatangan dengan menggunakan algoritma sederhana,
dan (6) membuat kesimpulan (Law dan Kelton, 2000: 46).
Berdasarkan penjelasan di atas, penulis tertarik untuk mengangkat skripsi
berjudul “Simulasi Proses Poisson Nonhomogen pada Pelayanan Permintaan
Darah di Bank Darah RSUP Dr. Hasan Sadikin Bandung”.
3
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Berdasarkan latar belakang tersebut, penulis merumuskan masalah yang
akan dibahas dalam skripsi ini adalah sebagai berikut:
1. Bagaimana model sistem permintaan darah di BDRS?
2. Bagaimana hasil analisis pelayanan permintaan darah dengan menggunakan
metode simulasi di BDRS?
1.3 Batasan Masalah
Batasan-batasan dalam skripsi ini, antara lain:
1. Sistem permintaan darah di BDRS merupakan sistem stokastik
2. Objek penelitian adalah komponen-komponen darah yang terdiri dari packed
red cells, washed red cells, trombosit concentrate dan fresh frozen plasma
dari masing-masing golongan darah A, B, AB, O
3. Produk darah rhesus negatif tidak menjadi bahan penelitian karena jumlah
permintaan dan ketersediaan yang sangat rendah.
1.4 Tujuan Penulisan
Berdasarkan rumusan masalah tersebut, maka tujuan penulisan skripsi ini
adalah sebagai berikut:
1. Mengetahui model sistem pelayanan permintaan darah di BDRS
2. Mengetahui hasil analisis sistem pelayanan darah dengan menggunakan
metode simulasi di BDRS
1.5 Manfaat Penulisan 1. Manfaat Teoritis
Manfaat penulisan skripsi ini, secara teoritis adalah menambah wawasan
keilmuan matematika mengenai simulasi khususnya simulasi proses Poisson
Nonhomogen untuk menganalisis pelayanan permintaan darah di Bank Darah
RSUP Dr. Hasan Sadikin Bandung.
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Dengan adanya pembahasan tentang analisis pelayanan permintaan darah di
Bank Darah Rumah Sakit Umum Pusat (RSUP) Dr. Hasan Sadikin Bandung
dengan simulasi Proses Nonhomogen, diharapkan dapat membantu instansi yang
terkait dalam mengantisipasi dan memprediksi banyaknya permintaan darah yang
datang pada interval waktu yang ditentukan sehingga pelayanan permintaan darah
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
BAB III
METODE SIMULASI
3.1 Metode Simulasi 3.1.1 Pengertian
Untuk merumuskan model stokastik pada sebuah sistem yang kompleks,
perlu adanya pertimbangan yang baik dalam menentukan model tiruan sistem
nyata dan analisis matematika mana yang dapat dikerjakan. Oleh karena itu, tidak
akan ada hasil apapun yang diperoleh dalam memilih model yang sangat sesuai
dengan sistem yang diteliti jika model tersebut tidak dapat dianalisis secara
matematis. Dewasa ini, metode yang digunakan dalam memilih model yang
bersesuian dengan sistem nyata dengan teknik analisis matematis yang mumpuni
adalah simulasi. Dalam kacamata statistikawan, simulasi merupakan metode
kuantitatif dengan kunci utamanya adalah keacakan, di mana dalam menganalisis
suatu sistem, pendekatannya menggunakan sebuah algoritma. (Thomposon,
2000:1)
Selain itu, Harrel dkk (2004:5) mengatakan bahwa simulasi didefinisikan
sebagai sebuah sistem dinamik yang menggunakan model komputer dengan
tujuan untuk mengevaluasi dan meningkatkan kinerja sistem.
Selanjutnya, Harrel (2004:6) mengutip dari Schriber (1987) dengan
mengungkapkan bahwa simulasi adalah pemodelan sebuah proses atau sistem
sedemikian rupa model yang dibentuk dapat menyerupai bentuk sistem nyata
berdasarkan kejadian-kejadian yang berlangsung dari waktu ke waktu.
Simulasi hampir selalu dilakukan sebagai bagian dari proses yang lebih
besar dari desain sistem atau pengembangannya. Simulasi pada dasarnya
merupakan sebuah alat eksperimen di mana model komputer dari sistem baru atau
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Prosedur melakukan simulasi mengikuti tahapan-tahapan dari metode
ilmiah, antara lain : (1) susun sebuah hipotesis (2) atur sebuah penelitian (3) uji
hipotesisnya dan (4) ambil kesimpulan tentang validitas hipotesis.
Dalam simulasi, sebuah hipotesis disusun untuk menentukan desain atau
aturan operasi manakah yang paling bagus. Kemudian sebuah penelitian
dilakukan dalam bentuk model simulasi untuk menguji hipotesis. Dan pada tahap
akhir, hasil simulasi dianalisis dan selanjutnya kesimpulan dibuat berdasarkan
kepada penelitian yang sudah dilakukan. Jika hipotesis benar maka desain sistem
dapat dilanjutkan untuk membuat desain perubahan operasi. Proses melakukan
peneltian dengan simulasi dapat dilihat pada gambar berikut ini:
Gambar 3.1 Proses Penelitian dengan Metode Simulasi
3.1.2 Karakteristik Simulasi
Sudah Mulai
Jalankan simulasi
Apakah hipotesis benar
Selesai
Kembangkan Model Simulasi Buat Hipotesis
24
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Simulasi merupakan metode dengan menghindari teknik trial dan proses
mahal yang memakan waktu. Dengan menggunakan bantuan komputer untuk
memodelkan, maka model imitasi dapat menyerupai sistem nyata.
Kekuatan simulasi terletak dalam hal menyediakan metode analisis yang
tidak hanya bersifat formal dan prediktif, tapi juga dapat memprediksi secara
akurat bagaimana kinerja sebuah sistem yang kompleks sekalipun.
Adapun karakteristik simulasi yang menjadikannya sebagai alat pembuat
keputusan yang kuat dapat dijelaskan di bawah ini:
1. Mengidentifikasi ketergantungan dalam sistem
2. Bersifat fleksibel untuk jenis sistem manapun
3. Menunjukkan perilaku terhadap waktu
4. Tidak memakan banyak biaya, banyak waktu dan error yang lebih
besar dibandingkan dengan metode kuantitatif lain
5. Menghasilkan informasi pada pengukuran beberapa kinerja sistem
6. Menghasilkan analisis yang mudah dipahami dan dijelaskan
3.2 Langkah-Langkah Simulasi
Berdasarkan Harrel (2004), tahapan-tahapan simulasi yang harus
dilakukan adalah sebagai berikut:
dikumpulkan. Adapun jenis-jenis data dapat dikategorikan sebagai berikut:
a. Data Struktural
Data struktural terdiri dari semua elemen sistem yang dimodelkan.
Termasuk ke dalamnya yaitu entitas, sumber daya dan lokasi. Pada
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Bandung entitas, sumber daya dan lokasi masing-masing adalah
komponen darah, UTD PMI dan bank darah itu sendiri.
b. Data Operasional
Adapun data operasional menjelaskan tentang bagaimana sebuah
sistem bekerja. Seperti kapan, di mana dan bagaimana kegiatan dapat
berlangsung. Data operasional mengandung semua informasi tentang
sistem seperti routings (urutan perencanaan), penjadwalan,
penghentian waktu kerja serta alokasi sumber daya.
c. Data Numerik
Data numerik ini memberikan informasi kuantitatif mengenai
sistem. Yang termasuk ke dalam data numerik diantaranya:
1. Data banyaknya persediaan packed red cells, fresh frozem plasma,
whole blood dan trombosit concentrate dari masing-masing
golongan darah
2. Data banyaknya permintaan packed red cells dan trombosit
concentrate dari masing-masing golongan darah Data waktu
kadatangan permintaan dari dokter untuk masing-masing
komponen darah
3. Data banyaknya komponen darah yang kadaluarsa dari
masing-masing golongan darah
4. Data banyaknya komponen darah dari masing-masing golongan
darah yang diuji crossmatch
5. Data banyaknya komponen darah dari masing-masing golongan
darah yang diuji crossmatch tetapi tidak dipakai dalam kegiatan
transfusi bulan pada tahun 2014
4. Identifikasi sumber data
Data yang baik dapat diperoleh dari sumber-sumber seperti berikut ini:
a. Data historis Bank Darah RSUP Dr. Hasan Sadikin Bandung
26
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu c. Observasi personal;
d. Perbandingan dengan sistem yang serupa;
e. Estimasi desain seperti waktu proses;
f. Studi pustaka.
5. Definisikanaliran entitas
Mendefinisikan aliran ensitas di sini adalah menggambarkan diagram
aliran entitas pada sebuah sistem. Diagram aliran entitas sebagaimana yang
dikemukakan Harrel, dkk (2004:131) sedikit berbeda dengan flowchart
pada umumnya. Flowchart lebih menekankan apa yang terjadi pada entitas
dengan menunjukkan logika what if yang paling sesuai dengan entitas itu
sendiri. Sedangkan diagram aliran entitas ini hanya menjelaskan di mana
entitas singgah dari tempat satu ke tempat lainnya pada sebuah sistem.
Akan tetapi untuk sistem yang lebih kompleks, aliran entitas akan lebih
menyerupai flowchart.
6. Kembangkan deskripsi operasi
Setelah menggambarkan diagram aliran entitas pada sebuah sistem,
akan lebih baik jika ditambahkan dengan penjelasan lebih lanjut mengenai
waktu kedatangan entitas, waktu pendistribusian entitas dan sebagainya.
7. Buat asumsi
Peneliti membuat asumsi sebagai salah satu langkah dalam simulasi
dengan tujuan agar model yang terbentuk bisa lebih valid dibandingkan
dengan metode lain. Katsaliaki,dkk (2007) menyebutkan bahwa
banyaknya permintaan darah yang datang dari dokter mempunyai model
yang berbentuk Proses Poisson Nonhomogen. Oleh karena itu, penulis
mengasumsikan bahwa kedatangan permintaan darah di Bank Darah
RSUP Dr. Hasan Sadikin Bandung merupakan proses Poisson
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Asumsi yang telah dibuat ini selanjutnya akan divalidasi dengan
menggunakan metode selain metode Goodness-of-it dan
Kolmogorov-Smirnov. Karena menurut Ross (2004:237), metode pendekatan ini lebih
efektif dibandingkan dengan dua metode lainnya. Metode pendekatan ini
didasarkan pada fakta bahwa rerata dan varians dari distribusi Poisson
sama ( .
Misalkan menotasikan banyaknya permintaan darah
yang datang di Bank Darah RSUP dr. Hasan Sadikin Bandung pada hari
ke- dan jika proses permintaan darah merupakan Proses Poisson
Non-Homogen maka jumlah banyaknya permintaan darah merupakan
variabel-variabel acak berdistribusi Poisson dengan rerata yang sama. Oleh sebab
itu, jika merupakan sebuah sampel dari distribusi Poisson, rerata
haruslah sama. Untuk itu, hipotesis yang diuji adalah
adalah variabel-variabel acak berdistribusi Poisson yang independen dengan rerata yang sama pada uji
̅
nilai -value untuk akan menjadi,
( { })
Hal tersebut dikarenakan nilai yang sangat kecil maupun sangat besar
akan tidak konsisten dengan
Di sini tidak memberikan gambaran jelas mengenai rerata dari
distribusi Poisson, oleh karenanya persamaan (3.4) tidak dapat langsung
28
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
yang diobservasi. Dengan menggunakan estimator ̅, dan jika nilai
̅ terobservasi adalah ̅ , nilai -value dapat dihampiri dengan
{ } { }
di mana didefinisikan oleh (3.3) dengan adalah
variabel-variabel acak berdistribusi Poisson dengan rerata . { } dan
{ } dapat dihampiri dengan simulasi. Maka, variabel-variabel acak berdistribusi Poisson dan rerata akan dibangkitkan dan nilai akan
dihitung. Dengan merupakan estimasi dari { } dan { } merupakan estimasi dari { }
Jika nilai -value nya kecil, maka akan ditolak. Sedangkan jika
sebaliknya, maka diterima yang berarti banyaknya permintaan darah
berdistribusi Poisson dan asumsi yang telah dibuat merupakan asumsi
yang dapat digunakan. Agar asumsi yang dibuat lebih valid, misalkan
waktu kedatangan permintaan darah pada hari adalah
Jika benar waktu kedatangan permintaan darah merupakan
proses Poisson Nonhomogen, maka hal tersebut dapat ditunjukkan dari
masing-masing himpunan waktu kedatangan permintaan darah yang
mana merupakan sampel dari distribusi yang sama. Dengan diterima,
maka semua himpunan dari merupakan variabel-variabel
acak berdistribusi identik dan independen.
Penjelasan di atas, dapat juga diuji dengan multisample rank test.
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
{ } { }
{ } { }
di mana merupakan variabel acak berdistribusi Chi kuadrat dengan
derajat kebebasan . Jika nilai -value nya tidak terlalu kecil, maka
asumsi dipenuhi.
8. Membangkitkan Bilangan Acak dengan Pembangkit Bilangan Acak
Misalkan adalah sebuah vektor acak yang
memiliki fungsi kepadatan peluang dan misalkan akan dihitung,
[ ] ∬ ∫
dengan adalah fungsi -dimensional.
30
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Jelasnya, terdapat beberapa masalah tentang bagaiman membangkitkan
vektor-vktor acak yang mempunyai distribusi gabungan tertentu. Metode
simulasi memiliki kelebihan diantara metode kuantitatif lainnya seperti
survey, eksperimen yang mana memungkinkan untuk meniru perilaku acak
yang merupakan karakteristik sistem stokastik (Terzi dan Cavalieri, 2004:
4). Sebagai contohnya perilaku acak dalam sistem yang bersifat stokastik
adalah waktu kedatangan entitas ke dalam sistem, banyaknya entitas yang
diproses oleh sistem dan rerata waktu yang dibutuhkan untuk mengolah
entitas dalam sistem.
Adapun cara untuk meniru perilaku acak adalah dengan menggunakan
bilangan acak. Bilangan acak seperti yang dituturkan oleh Munir (2010)
yakni suatu bilangan yang tidak dapat diprediksi.
Bilangan acak ini merupakan bilangan unik, berdistribusi seragam
dengan nilai dan dibangkitkan oleh pembangkit bilangan acaknya (Harrel, dkk, 2004: 51).
Akan tetapi, perlu ditegaskan bahwa sebenarnya tidak ada komputasi
yang benar-benar menghasilkan deret bilangan acak secara sempurna.
Karena bisa saja, bilangan acak yang dibangkitkan merupakan
pengulangan dari yang sebelumnya. Oleh karena itu, pembangkit bilangan
acak yang demikian disebut dengan Pseudo-random number generator
(PRNG).
Adapun salah satu jenis pembangkit bilangan acak dalam metode
simulasi lain adalah Linear Congruential Generator (LCG). Pembangkit
bilangan acak kongruen linier (linear congruential generator atau LCG )
adalah PRNG yang berbentuk:
di mana,
= bilangan bulat acak ke-i dari deretnya
= bilangan acak sebelumnya
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu = increment
diantara 0 dengan 1 yang dinotasikan dengan . Oleh karena itu, nilai
diperoleh dengan membagi oleh .
Contoh: Misalkan , , dan . Dengan demikian,
Sebuah bilangan bulat dipilih secara sebarang dengan interval
, . Bilangan bulat yang terpilih yakni
. Adapun bilangan-bilangan acak yang berhasil dibangkitkan dengan menggunakan metode LCG dapat dilihat pada tabel berikut ini:
Tabel 3.1
Bilangan Acak yang dibangkitkan dengan LCG
32
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Dengan memperhatikan tabel 3.1, dapat dilihat bahwa bilangan acak
yang dihasilkan dengan menggunakan metode LCG, berulang pada . Hal tersebut dikarenakan adanya kendala komputasi. Tabel 3.1
menunjukkan bahwa metode LCG hanya akan membangkitkan deret
bilangan acak sebanyak 16 bilangan dan nilai bilangan acak berulang
kembali pada deret ke-17. Menurut Harrel, dkk (2004:53), disebutkan
bahwa nilai bilangan acak ke-16 ini merupakan panjang siklus pembangkit
bilangan acak. Yang untuk kasus di atas, panjang siklusnya dapat
dikatakan pendek. Hal tersebut dikarenakan nilai yang dihasilkan
pembangkit bilangan acak berulang pada deret ke-17. Sebagai contoh,
untuk menjalankan sebuah simulasi dengan satu kali percobaan ulangan,
setidaknya membutuhkan 1000 buah bilangan acak yang dibangkitkan.
Dan jika ingin melakukan lima buah percobaan ulangan tentu saja,
dibutuhkan 5000 bilangan acak yang dibangkitkan. Oleh karena itu, Harrel,
dkk (2004:53) menambahkan bahwa panjang maksimum siklus metode
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
LCG yang dapat dicapai adalah m. Oleh karena itu harus dipilih
secara baik dan benar. Adapun langkah-langkahnya adalah sebagai berikut:
1. Tetapkan , di mana merupakan bilangan bulat nonnegatif yang didasarkan pada banyaknya bit yang digunakan
komputer. Komputer biasanya menggunakan 32 bit per kata. Oleh
karena itu, .
2. dan harus memiliki faktor persekutuan terbesarnya 1.
3. , di mana merupakan sebuah bilangan bulat.
Pada dasarnya, terdapat dua macam LCG. Antara lain Mixed
Congruential Generator dan Mulplicative Congruential Generator. Mixed
Congruential Generator menggunakan . Sedangkan Multiplicative
Congruential Generator menggunakan . Dan pada umumnya, software komputer menggunakan Multiplicative Congruential Generator
dengan
.
Sebelumnya telah dijelaskan mengenai proses pembangkitan bilangan
acak yang berdistribusi seragam. Sedangkan metode untuk
membangkitkan random variates yang berasal dari distribusi selain
distribusi seragam akan dijelaskan seperti berikut ini.
Sebagai contohnya, waktu kedatangan mobil ke restauran yang
memiliki drive-thru diasumsikan berdistribusi eksponensial dan waktu
yang diperlukan pengendara untuk sampai di jendela drive thru dapat
diasumsikan berdistribusi log-normal. Nilai-nilai (random variates) dari
ditribusi-distribusi seperti ini biasanya diperoleh dengan cara
mentransformasikan random variates, yang terlebih dahulu dibangkitkan
dengan pembangkit bilangan acak yang sesuai dengan distribusi. Salah
satu metode umum yang digunakan dalam hal ini adalah metode invers.
34
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Maka variabel acak akan memiliki disrribusi Dengan
didefinisikan sama dengan nilai untuk setiap (Ross, 2009:672).
Bukti 3.1:
Karena merupakan fungsi monoton, berlaku jika dan
hanya jika . Persamaan (3.3) menjadi:
a. Membangkitkan Bilangan Acak Distribusi Diskrit (Distribusi Poisson)
Pada bagian ini, akan dijelaskan langkah-langkah untuk
membangkitkan random variates yang diasumsikan mempunyai distribusi
Poisson. Adapun langkah-langkah tersebut adalah sebuah algoritma
sederhana yang mana algoritma ini digunakan juga oleh sebagian besar
software simulasi.
Langkah 1: bangkitkan bilangan acak �
Langkah 2: � , � � �, � �
Langkah 3: Jika � <�, tetapkan � � dan berhenti
Langkah 4: � ��
�+ � � � � �
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
b. Pembangkit Bilangan Acak Distribusi Kontinu (Distribusi Eksponensial)
Berikut akan dijelaskan mengenai metode untuk membangkitkan
random variates yang berasal dari distribusi selain distribusi seragam
. Sebagai contohnya, waktu kedatangan mobil ke restauran yang memiliki drive-thru diasumsikan berdistribusi eksponensial dan waktu
yang diperlukan pengendara untuk sampai di jendela drive thru dapat
diasumsikan berdistribusi log-normal. Nilai-nilai (random variates) dari
ditribusi-distribusi seperti ini biasanya diperoleh dengan cara
mentransformasikan random variates, yang terlebih dahulu dibangkitkan
dengan pembangkit bilangan acak yang sesuai dengan distribusi. Salah
satu metode umum yang digunakan dalam hal ini adalah metode invers.
36
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu misalkan
( )
Random variates yang dihasilkan dari metode invers,
berdistribusi eksponensial dengan rerata (Harrel dkk, 2004:56).
Contoh 2: Misalkan ada tiga buah observasi dengan variabel-variabel acaknya berdistribusi Eksponensial dan memiliki rerata . Tiga buah
bilangan acak yang dibangkitkan antara lain , , dan
. Kemudian bilangan-bilangan acak tersebut ditransformasikan ke dalam bentuk random variates . Dengan demikian diperoleh:
,
Gambar 3.2 Grafik Penerapan Metode Invers untuk random variates dengan distribusi kontinu
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Contoh 3: Pembangkit Bilangan Acak Distribusi Diskrit
Misalkan,
{
Dengan demikian, random variate memiliki tiga nilai
kemungkinan, antara lain ; ; dan
. Dengan diketahui nilai-nilai dan masing-masing diberikan dan Grafik fungsi distribusi
kumulatif nya dapat dilihat pada gambar 3.3 berikut ini:
Gambar 3.3 Grafik Penerapan Metode Invers untuk random variates dengan distribusi diskrit
38
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Bilangan acak yang dibangkitkan haruslah independen, berdistribusi
seragam dengan nilai berdistribusi seragam dengan nilai Agar pembangkit bilangan acak dapat menghasilkan(membangkitkan) bilangan
dengan kriteria di atas, maka langkah-langkah yang harus dilakukan
adalah sebagai berikut:
a. membangkitkan barisan bilangan acak dengan
pembangkit bilangan acak
b. kemudian uji hipotesis, di mana:
nilai-nilai yang dihasilkan dari pembangkit bilangan acak bersifat independen
nilai-nilai yang dihasilkan dari pembangkit bilangan acak bersifat independen
dengan uji-uji statistik yang digunakan adalah scatter plot, runs test.
c. uji hipotesis selanjutnya yang dilakukan adalah
nilai-nilai berdistribusi seragam (0,1)
nilai-nilai tidak berdistribusi seragam (0,1)
Uji statistik yang digunakan dalam hal ini adalah Kolmogorov-Smirnov
test, uji Chi-kuadrat.
c. Mensimulasikan Proses Poisson
Perhatikan sebuah proses Poisson dengan intensitas , di mana
dengan banyaknya kedatangan dalam interval-interval (tidak tumpang
tindih) adalah independen dan distribusi dari banyaknya kedatangan dalam
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Misalkan jika waktu antar-kedatangan ke- yakni didefinisikan
sebagai interval di antara kedatangan ke- dan ke- dari proses
Poisson maka dapat dikatakan bahwa ini akan berdistribusi
.
Dari sini, sebuah Proses Poisson dapat disimulasikan hanya dengan
membangkitkan waktu-waktu antar kedatangan , yang mana .
Jika bilangan-bilangan acak dibangkitkan dan
ditetapkannya maka adalah interval di antara
kedatangan ke- dan ke- dari proses Poisson. Karena waktu
sebenarnya dari peristiwa ke- akan sama dengan penjumlahan j
waktu-waktu antar kedatangan yang pertama, maka nilai-nilai yang dibangkitkan
dari n waktu kejadian adalah
∑ Proses mensimulasikan unit-unit T waktu pertama dari Proses Poisson
sama halnya dengan membangkitkan waktu antar kedatangan, hanya saja
proses pembangkitan proses Poisson akan berhenti ketika waktu
kedatangan pertama dari proses Poisson yakni (3.4) melebihi T.
Algoritma berikut ini akan digunakan untuk membangkitkan semua
waktu-waktu dari peristiwa yang terjadi di pada proses Poisson yang mempunyai laju .
waktu
= banyaknya peristiwa yang terjadi pada
waktu peristiwa yang terakhir terjadi Langkah 1: ,
Langkah 2: bangkitkan bilangan acak
Langkah 3: , jika maka algoritma dihentikan
Langkah 4:
Langkah 5: kembali ke langkah 2
40
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
d. Mensimulasikan Proses Poisson Non Homogen
Langkah-langkah untuk membangkitkan proses Poisson
non-Homogen hampir sama dengan proses Poisson pada umumnya.
Misalkan, unit waktu dari Proses Poisson Non homogen yang
mempunyai fungsi laju/intensitas akan dibangkitkan. Hal pertama
yang dilakukan adalah dengan memilih nilai laju sehingga
untuk semua
Seperti yang telah dijelaskan sebelumnya, proses Poisson Non
Homogen bisa dibangkitkan dengan pemilihan waktu kejadian secara acak
yang memiliki laju
Dengan demikian, jika sebuah peristiwa dari Proses Poisson dengan
laju terjadi pada saat terhitung dan memiliki peluang , maka proses
dari peristiwa-peristiwa yang terhitung adalah proses Poisson nonhomogen
dengan laju . Singkatnya, proses Poisson nonhomogen
dapat dibangkitkan dengan terlebih dahulu membangkitkan proses Poisson
dan kemudian menghitung secara acak berapa banyak peristiwa yang
terjadi.
Langkah 4: bangkitkan kembali bilangan acak
Langkah 5: Jika maka Langkah 6: kembali ke langkah 2
Ross (2009:84).
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Sampel data numerik yang telah dikumpulkan berupa waktu kegiatan,
interval kedatangan, jumlah batch, dan sebagainya dapat diwakili dalam
model simulasi dengan satu dari dua cara. Pertama, distribusi empiris
dapat digunakan yang mencirikan data. Metode kedua yang digunakan
adalah dengan memilih distribusi teoritis yang paling sesuai dengan data.
Uji kecocokan distribusi ini adalah proses trial (mencoba-coba) dan
error. Prosedur dasarnya terdiri dari tiga tahapan yaitu (1) satu atau lebih
distribusi dipilih sebagai salah satu kandidat untuk dijadikan distribusi
yang paling sesuai dengan data sampel, (2) hitung estimasi
parameter-parameter untuk setiap distribusi dan (3) kemudian, pengujian
goodness-of-fit dilakukan untuk mengetahui dengan pasti sejauh mana kesesuaian
distribusi dengan data yang ada.
Goodness-of-fit test dilakukan untuk menentukan kesesuaian distribusi
dengan data, Tes ini dilakukan jika sebuah distribusi beserta
parameter-parameternya telah didefiniskan. Harrel, dkk (2004:154) mengatakan
bahwa:
A goodness-of-fit test measures the deviation of the sample distribution from the inferred theoretical distribution.
Uji goodness-of-it akan memberikan gambaran tentang deviasi atau
penyimpangan data sampel dari distribusi teoritis yang ddduga. Uji
Goodness-of-fit yang sering digunakan adalah Uji Chi Kuadrat dan
Kolmogorov-Smirnov (see Breiman 1973; Banks et al. 2001; Law and
Kelton 2000; Stuart and Ord 1991).
10. Pengujian Hasil Simulasi
3.3 Model Simulasi
Model simulasi merupakan representasi dari output yang dihasilkan oleh
komputer tentang bagaimana perilaku dan interaksi elemen-elemen dalam sistem.
42
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Verifikasi merupakan proses penentuan apakah model tersebut beroperasi
seperti yang dimaksudkan atau tidak (Harrel dkk, 2004:206). Selama proses
verifikasi, pembuat model mencoba untuk mendeteksi kesalahan atau error dalam
model data dan logikanya dan kemudian menghapusnya. Model yang telah
diverifikasi disebut dengan model bug-free. Kesalahan dalam pemodelan simulasi
dibagi menjadi dua macam, yakni:
1. Syntac error
Kesalahan jenis ini merupakan kesalahan yang disebabkan oleh penambahan
yang tidak disengaja, kesalahan atau penempatan lokasi yang menyebabkan
model tidak berjalan dengan baik.
2. Semantic error
Kesalahan ini merupakan jenis kesalahan yang berhubungan dengan maksud
atau tujuan dari si pembuat model.
Teknik verifikasi model telah banyak dikembangkan oleh para peneliti.
Berdasarkan kepada Law dan Kelton (2000), salah satunya adalah dengan
membandingkan rerata dan varians hasil simulasi dengan data historisnya.
3.5 Validitas model
Validitas merupakan proses dalam menentukan apakah model dapat
direpresentasikan seperti sistem nyata atau tidak (Hoover dan Perry, 1990).
Sedangkan menurut Law dan Kelton (2000) validitas merupakan proses dalam
menentukan apakah model simualsi merepresentasikan sistem secara akurat untuk
tujuan tertentu atau tidak. Model dikatakan valid jika model tersebut dibangun
berdasarkan informasi yang akurat dan diverifikasi seperti yang diharapkan
(Harrel dkk, 2000). Adapun beberapa teknik yang dapat digunakan dalam
validitas model adalah sebagai berikut:
1. Melihat animasi model
Animasi tentang bagaimana visual model bekerja dapat dibandingkan dengan
bagaimana sistem nyata berjalan dengan bantuan dari ahlinya.
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Validitas dilakukan dengan membandingkan model simulasi dengan sistem
nyata dengan cara memberi input dan kondisi yang sama.
3. Membandingkan dengan model lain
Jika model valid lain telah dibentuk dari proses seperti dari teknik analytics
models, dan model simulasi valid lainnya, hasil simulasi dapat dibandingkan.
4. Memeriksa validitas
5. Menguji dengan data historis
Jika terdapat data historis operasi dan kinerja sistem, maka model dapat diuji
dengan menggunakan data historis kinerja sistem.
belum Mulai
Pengelompokan Data dengan Ms. Excel
Pengujian model dengan SPSS
Uji Verifikasi Model
44
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Gambar 3.4 Skema Alur Penelitian dengan Simulasi untuk Analisis Sistem
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
5.1 Kesimpulan
1. Pelayanan Permintaan Darah selama sembilan hari di Bank Darah RSUP
Dr. Hasan Sadikin Bandung telah mampu dimodelkan dengan
menggunakan Matlab, di mana model permintaan darah merupakan proses
Poisson Nonhomogen. Selain itu, ukuran banyaknya permintaan darah
mengikuti distribusi Lognormal dengan rerata 4,5 unit kantong darah
untuk keperluan operasi (ICU, Bedah) dan 2 unit kantong darah untuk
keperluan rawat inap dan rawat jalan.
2. Dengan membandingkan hasil simulasi dengan data historis, dapat
dikatakan bahwa data permintaan darah hasil simulasi cukup
merepresentasikan data historis permintaan darah minggu kedua di Bulan
Juni 2014. Dengan demikian, Bank Darah RSUP Dr. Hasan Sadikin
Bandung dapat menggunakan hasil simulasi yaitu tingkat permintaan darah
tertinggi yang diperoleh sebagai salah satu referensi dalam hal
mengantisipasi banyaknya permintaan darah yang datang.
5.2 Saran
1. Bank Darah RSUP Dr. Hasan Sadikin dapat menggunakan hasil simulasi
sebagai salah satu referensi untuk mengantisipasi tingkat permintaan darah
sehingga pelayanan yang terbaik bisa terpenuhi.
2. Saran yang dapat penulis berikan untuk penelitian selanjutnya adalah
mempunyai kemampuan dalam menganalisis sistem dengan baik dan dapat
mengimplementasikannya dalam sebuah algortitma pemrograman di
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
mencari estimasi fungsi intensitas dari Proses Poisson Nonhomogen
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Cohen, M.A., dan Pierskalla, W.P. (1974). Perishable Inventory Theory and Its Application to Blood Bank Management, National Center for Health Services Research and Development.
Cohen, M.A., dan Pierskalla, W.P. (1979). Simulation of Blood bank System, National Center for HealthServices Research and Development.
Cohen, M.A., dan Pierskalla, W.P. (1979). Target Inventory for a Hospital Blood Bank or Decentralized Regional Blood Banking System, Transfusion 9(4).
Depkes RI, 2008a. Pelatihan Cash Program Petugas Teknis Transfusi Darah Bagi Petugas UTDRS Modul 1.Jakarta: Departemen Kesehatan RI.
Depkes RI, 2008b. Pelatihan Cash Program Petugas Teknis Transfusi Darah Bagi Petugas UTDRS Modul 2.Jakarta: Departemen Kesehatan RI.
Harrel, C. Ghosh, B.K., dan Bowden, R.O. (2004). Simulation Using Promodel Second Edition. New York: McGraw-Hill.
Hoog, V. R dan Craig, A. T. (1978). Introduction to Mathematical Statistics. New York: Macmillan Publishing Co., Inc.
Hoog, V. R dan Craig, A. T. (2004). Introduction to Mathematical Statistics. China: Pearson Education Asia.
Herryanto, Nar. dan Gantini, Tuti. (2009). Pengantar Statistika Matematis.
Bandung: Yrama Widya.
Hoover, S. dan Perry, R. (1990). Simulation: A Problem Solving Approach. Reading-MA: Addison-Wesley.
Katsaliaki, K. dan Brailsford, S.C. (2007). Using simulation to improve the blood supply chain, Journal of Operational Research Society (2007) 5, hlm. 219-227.
Kurniawan, D (2008). Regresi Linear [Online]. Tersedia:
65
Ghea Novani, 2014
Simulasi Proses Poisson Nonhomogen Pada Pelayanan Permintaan Darah Di Bank Darah RSUP Dr. Hasan Sadikin Bandung
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Law, M.A dan Kelton, D.W. (2004). Simulation Modeling and Analysis Third Edition. New York: McGraw-Hill.
Leemis, M.L. (1991). Nonparametric Estimation of the Cumulative Intensity Function for a Nonhomogeneous Poisson Process. Management Science, Vol. 37, No. 7. (Jul., 1991), hlm. 886-900.
Munir, Rinaldi. (2010) . Pembangkit Bilangan Acak Semu [Online]. Tersedia:
http://informatika.stei.itb.ac.id/~rinaldi.munir/Kriptografi/2010-2011/Pembangkit%20Bilangan%20Acak.ppt [26 Maret 2014]
Lelono Djati, Bonett Satya. (2007). Simulasi: Teori dan Aplikasinya. Yogjakarta: Penerbit Andi.
Pierskalla, W.P. (2004). Supply Chain Management Of Blood Banks. Operations Research And Health Care, hlm. 104-145.
Ross, M.S. (2004). Simulation: Fourth Edition. New York: Elsevier Academic Press.
Ross, M.S. (2009). Introduction to Probability Models. Massachusetts: Academic Press.
Terzi, S., dan Cavalieri, S. 2004, Simulation in the supply chain context: A survey, Compt Ind 53, hlm: 3-16.