Systems Simulation and Engineering data Analysis – R0
LECTURE NOTES
Systems Simulation and Engineering data Analysis
Week ke – 5
Analysis of Simulation Data and
Models, Verification and Validation
Systems Simulation and Engineering data Analysis – R0
LEARNING OUTCOMES
LO2 Mahasiswa mampu menerapkan metode dan teknik simulasi untuk merumuskan masalah ke dalam model simulasi
OUTLINE MATERI (Sub-Topic):
• Koleksi Data.
• Identifikasi Distribusi dengan Data.
• Memilih Model Input Tanpa Data.
• Pembangunan Model, Verifikasi, dan Validasi.
• Verifikasi Model Simulasi.
• Kalibrasi dan Validasi Model.
Systems Simulation and Engineering data Analysis – R0
ISI MATERI
Model input memberikan kekuatan pendukung untuk model simulasi. Dalam simulasi sistem antrian, model input adalah distribusi waktu antara kedatangan dan waktu pelayanan.
Untuk simulasi sistem persediaan, model masukan termasuk distribusi permintaan dan lead time. Untuk simulasi sistem keandalan, distribusi waktu kegagalan komponen adalah contoh dari model input. Dalam dunia nyata penerapan simulasi, bagaimanapun, distribusi yang tepat untuk input data merupakan tugas utama dari sudut pandang waktu dan sumber daya yang disyaratkan. Terlepas dari kecanggihan analis, model yang memperoleh input yang salah akan menyebabkan interpretasi outputnya bisa menimbulkan rekomendasi menyesatkan.
Terdapat empat langkah yang berguna dalam pengembangan model dari input data:
1. Kumpulkan data dari sistem nyata yang dinginkan. Hal ini sering membutuhkan banyak waktu dan komitmen sumber daya. Akan tetapi, dalam beberapa situasi itu tidak mungkin untuk mengumpulkan data (misalnya, ketika waktunya sangat terbatas, ketika proses input belum ada, atau ketika undang-undang atau aturan melarang pengumpulan data). Ketika data tidak tersedia, pendapat ahli (expert judgement) dan pengetahuan tentang proses tersebut harus digunakan untuk membuat prediksi yang diharapkan.
2. Identifikasi distribusi probabilitas untuk merepresentasikan proses input. Bila data yang tersedia, langkah ini biasanya dimulai dengan pengembangan distribusi frekuensi, atau histogram, dari data. Mengingat distribusi frekuensi dan pengetahuan struktural dari proses, keluarga distribusi yang dipilih. Untungnya, seperti yang dijelaskan dalam bagian sebelumnya, beberapa distribusi yang dikenal sering memberikan perkiraan yang baik dalam praktek.
3. Pilih parameter yang menentukan contoh spesifik dari keluarga distribusi. Bila data yang tersedia, parameter ini dapat diperkirakan dari data.
4. Mengevaluasi distribusi yang dipilih dan parameter terkait untuk kesesuaian. Goodness of fit dapat dievaluasi secara informal, melalui metode grafis, atau secara resmi, melalui uji statistik. Chi-square dan uji Kolmogorov-Smimov adalah test standar.
Jika tidak puas bahwa distribusi yang dipilih adalah pendekatan yang baik dari data, maka analis kembali ke langkah kedua, bentuk distribusi yang berbeda, dan mengulangi prosedur.
Jika beberapa iterasi prosedur gagal untuk menghasilkan distribusi yang diasumsikan cocok
Systems Simulation and Engineering data Analysis – R0 sesuai bentuk dan data yang dikumpulkan, maka bentuk empiris distribusi dapat digunakan, seperti yang dijelaskan di bagian lain.
A. Koleksi Data / Pengumpulan Data.
Pengumpulan data adalah salah satu tugas terbesar dalam memecahkan masalah nyata.
Hal ini juga merupakan salah satu masalah yang paling penting dan sulit dalam simulasi model sistem. Dan, bahkan ketika data yang tersedia, data sebagai sumber utama jarang direkam dalam bentuk yang langsung berguna untuk pemodelan masukan simulasi.
GIGO atau garbage in garbage out adalah konsep dasar dalam ilmu komputer, dan hal itu berlaku sama di bidang simulasi diskrit-sistem. Bahkan ketika struktur model sudah valid, jika data input yang dikumpulkan tidak akurat, analisanya tidak tepat, atau tidak representatiye lingkungan, data output dari simulasi akan menyesatkan dan mungkin merusak atau mahal bila digunakan untuk kebijakan atau pengambilan keputusan.
B. Mengidentifikasi Distribusi Dengan Data.
Pada bagian ini, dibahas metode untuk memilih bentuk distribusi masukan ketika data tersedia. Distribusi tertentu dalam kelompok distribusi ditentukan dengan mengestimasi parameter, seperti yang dijelaskan dalam bagian berikutnya. Pada bagian lain akan dibahas kasus di mana data tidak tersedia.
Misalnya adalah Histogram. Sebuah distribusi frekuensi atau histogram berguna dalam mengidentifikasi bentuk distribusi. Sebuah histogram dibangun sebagai berikut:
a. Bagilah berbagai data ke dalam interval. (Interval biasanya lebar sama, namun lebar yang tidak sama dapat digunakan jika ketinggian frekuensi disesuaikan.) b. Label sumbu horisontal agar sesuai dengan interval yang dipilih.
c. Cari frekuensi kejadian dalam setiap interval.
d. Beri label sumbu vertikal sehingga total kejadian dapat diplot untuk setiap interval.
e. Plot frekuensi pada sumbu vertikal.
Jumlah interval kelas tergantung pada jumlah observasi dan pada jumlah ‘scatter’ atau dispersi dalam data. Hines, Montgomery, Goldsman, dan Pinjam [2002] menyatakan bahwa memilih jumlah interval kelas kira-kira sama dengan akar kuadrat dari ukuran sampel sering bekerja dengan baik dalam praktek. Jika interval terlalu lebar, histogram akan kasar, bentuk
Systems Simulation and Engineering data Analysis – R0 dan rincian lainnya yang tidak baik. Jika interval terlalu sempit, histogram akan compang- camping dan tidak akan memuluskan data. Contoh compang-camping, kasar, dan histogram sesuai data yang sama ditunjukkan pada Gambar berikut. software data analisis modern sering memungkinkan ukuran interval diubah dengan mudah dan interaktif sampai pilihan yang baik ditemukan.
Histogram untuk data kontinu sesuai dengan fungsi densitas probabilitas dari distribusi teoritis. Jika terus menerus, garis yang ditarik melalui titik pusat masing-masing frekuensi interval kelas harus menghasilkan bentuk seperti itu dari pdf. Histogram untuk data diskrit, di mana ada sejumlah besar titik data, harus memiliki sel untuk setiap nilai di kisaran data.
Namun, jika ada beberapa titik data, bisa jadi diperlukan untuk menggabungkan sel yang berdekatan untuk menghilangkan penampilan compang-camping dari histogram. Jika histogram dikaitkan dengan data diskrit, seharusnya terlihat seperti fungsi massa probabilitas.
Systems Simulation and Engineering data Analysis – R0 Contoh:
Jumlah kendaraan tiba di sudut barat laut dari persimpangan dalam waktu 5 menit antara 07:00 dan 07:05 dipantau selama lima hari kerja selama periode 20-minggu.
Tabel berikut menunjukkan data yang dihasilkan. Entri pertama dalam tabel menunjukkan bahwa ada 12 5 menit periode dimana nol kendaraan tiba, 10 periode dimana satu kendaraan tiba, dan sebagainya.
Jumlah mobil adalah variabel diskrit, dan ada data sampel, sehingga histogram mungkin memiliki sel untuk setiap nilai yang mungkin di kisaran data. histogram yang dihasilkan ditunjukkan pada gambar berikut.
Kedatangan
per Perioda Frekuensi Kedatangan
per Perioda Frekuensi
0 12 6 7
1 10 7 5
2 19 8 5
3 17 9 3
4 10 10 3
5 8 11 1
12 10
19 17
10
8 7
5 5
3 3 1
Frekuensi
Jumlah
Frekuensi
Systems Simulation and Engineering data Analysis – R0 Memilih Kelompok Distribusi.
Eksponensial, normal, dan Poisson distribusi yang sering ditemui dan tidak sulit untuk menganalisis dari sudut pandang komputasi. Meskipun lebih sulit untuk menganalisis, beta, gamma, dan distribusi Weibull menyediakan berbagai macam bentuk dan tidak boleh diabaikan selama pemodelan proses probabilistik yang mendasari. Mungkin distribusi eksponensial diasumsikan, tapi itu ditemukan tidak sesuai dengan data.
Langkah selanjutnya akan memeriksa di mana kurangnya fit terjadi. Jika kurangnya fit adalah di salah satu ekor distribusi, mungkin gamma atau distribusi Welbull akan sesuai dengan data yang lebih memadai. Ada ratusan distribusi probabilitas yang telah dibuat; banyak diciptakan dengan beberapa proses fisik tertentu dalam pikiran. Salah satu bantuan untuk memilih distribusi adalah dengan menggunakan dasar fisik distribusi sebagai panduan. Disini. adalah beberapa contoh:
Binomial: Model jumlah keberhasilan dalam n percobaan, ketika uji coba independen dengan sukses umum probabilitas, p; misalnya, jumlah chip komputer yang rusak ditemukan di banyak n chips.
Negatif Binomial (termasuk distribusi geometrik): Model jumlah percobaan yang dibutuhkan untuk mencapai keberhasilan k; misalnya, jumlah chip komputer yang kita harus memeriksa untuk menemukan 4 chip rusak
Poisson: Model jumlah peristiwa independen yang terjadi dalam jumlah waktu yang tetap atau serentetan; sebagai contoh; jumlah pelanggan yang datang ke toko selama 1 jam, atau jumlah cacat yang ditemukan di 30 meter persegi lembaran logam.
Normal: Model distribusi proses yang dapat dianggap sebagai jumlah dari sejumlah proses komponen; misalnya, waktu. untuk merakit produk yang jumlah dari waktu
yang diperlukan untuk setiap operasi perakitan. Perhatikan bahwa distribusi normal mengakui nilai-nilai negatif, yang bisa menjadi mungkin bagi kali proses.
Eksponensial: Model waktu antara peristiwa independen, atau waktu proses yang memoryless (mengetahui berapa banyak waktu telah berlalu tidak memberikan informasi tentang berapa banyak waktu tambahan akan berlalu sebelum proses selesai) -misalnya, waktu antara kedatangan dari populasi besar pelanggan potensial yang bertindak secara independen satu sama lain. eksponensial adalah distribusi sangat bervariasi; kadang-kadang berlebihan, karena sering mengarah ke model matematis
Systems Simulation and Engineering data Analysis – R0 penurut. Ingat bahwa, jika waktu antara peristiwa didistribusikan secara eksponensial, maka jumlah kejadian dalam periode fixect waktu adalah Poisson.
Weibull: Model waktu untuk kegagalan untuk komponen-misalnya, waktu untuk kegagalan untuk disk drive. eksponensial adalah kasus khusus dari Weibull.
Diskrit atau kontinyu Uniform: Model ketidakpastian lengkap: Semua hasil sama- sama mungkin. Distribusi ini sering digunakan secara tidak tepat, ketika ada data yang ada.
C. Memilih Model Input Tanpa Data.
Tentunya, hal ini perlu sering dilakukan dalam praktek untuk mengembangkan simulasi model-mungkin untuk tujuan demonstrasi atau studi pendahuluan - sebelum memproses data yang tersedia. Dalam hal ini, pemodel harus pandai dalam memilih model input dan harus hati-hati memeriksa sensitivitas hasil untuk model yang dipilih.
Ada sejumlah cara untuk mendapatkan informasi tentang proses bahkan jika data tidak tersedia:
Data Enjiniring: Seringkali produk atau proses memiliki penilaian kinerja yang diberikan oleh produsen (misalnya, rata-rata waktu untuk kegagalan disk drive adalah 10000 jam, sebuah printer laser dapat menghasilkan 8.pages / menit; kecepatan potong dari alat ini 1 cm / detik; dll). aturan perusahaan mungkin menentukan waktu atau produksi standar. Nilai-nilai ini memberikan titik awal untuk pemodelan masukan dengan memperbaiki nilai sentral.
Pilihan Ahli: berbicara dengan orang-orang yang mengalami wiith proses atau proses serupa. Seringkali, mereka. dapat memberikan optimis, pesimis, dan paling mungkin.
Mereka juga mungkin dapat mengatakan apakah proses ini hampir konstan atau sangat bervariasi, dan mereka mungkin bisa menentukan sumber variabilitas.
Fisik atau konvensional keterbatasan: Sebagian besar proses nyata memiliki batas fisik pada contoh kinerja-untuk, entri data komputer tidak bisa lebih cepat dari seseorang dapat mengetik. Karena kebijakan perusahaan, mungkin ada batas atas berapa lama proses dapat berlangsung. Jangan abaikan batas yang jelas atau batas yang mempersempit kisaran proses input.
Sifat proses: Uraian tentang distribusi di bagian berikutnya dapat digunakan untuk membenarkan pilihan tertentu bahkan ketika tidak ada data yang tersedia.
Systems Simulation and Engineering data Analysis – R0 Ketika data tidak tersedia, distribusi uniform, triangle, dan beta sering digunakan sebagai model input. Distribusi uniform bisa menjadi pilihan yang buruk, karena batas atas dan bawah jarang dan hanya sekedar nilai-nilai sentral dalam proses nyata. Jika, selain batas atas dan bawah, nilai yang paling mungkin dapat diberikan, maka distribusi segitiga dapat digunakan. Distribusi segitiga menempatkan banyak probabilitas yang dekat nilai mostlikely, dan apalagi dekat ekstrem. Jika distribusi beta digunakan, maka pastikan untuk merencanakan fungsi kepadatan dari distribusi yang dipilih; beta dapat mengambil bentuk yang tidak biasa
D. Membangun dan mengembangkan Model, Verifikasi dan Validasi.
Salah satu tugas yang paling penting dan sulit dihadapi oleh pengembang model adalah verifikasi dan validasi model simulasi. Para insinyur dan analis yang menggunakan model output untuk membantu dalam membuat rekomendasi desain dan manajer yang membuat keputusan berdasarkan rekomendasi ini dibenarkan untuk memandang model dengan beberapa sudut skeptisisme tentang validitasnya. Ini adalah tugas dari pengembang model yang bekerja sama dengan pengguna akhir selama periode pembangunan dan validasi untuk mengurangi skeptisisme ini dan untuk meningkatkan kredibilitas model.
Verifikasi bertujuan untuk membuktikan bahwa sesuatu itu ada atau benar, atau untuk memastikan bahwa sesuatu adalah benar (Verify: to prove that something exists or is true, or to make certain that something is correct). Sedangkan validasi bertujuan untuk membuat sesuatu yang resmi diterima atau disetujui, terutama setelah memeriksanya (Validate: to make something officially acceptable or approved, especially after examining it).
Tujuan dari proses validasi secara umum adalah sebagai berikut:
1. untuk menghasilkan model yang merepresentasikan perilaku sistem secara benar cukup dan dekat dengan model yang akan digunakan sebagai pengganti sistem yang sebenarnya untuk tujuan bereksperimen dengan system, menganalisis perilaku sistem, dan memprediksi kinerja sistem.
2. untuk meningkatkan ke tingkat yang dapat diterima sebagai model yang mempunyai kredibilitas, sehingga model dapat digunakan oleh manajer dan pengambil keputusan lainnya.
Validasi tidak harus dilihat sebagai set terisolasi dari prosedur yang mengikuti pengembangan model, melainkan sebagai bagian integral dari pengembangan model
Systems Simulation and Engineering data Analysis – R0 konseptual, bagaimanapun, proses verifikasi dan validasi terdiri dari komponen-komponen berikut:
1. Verifikasi berkaitan dengan membangun model dengan benar. Hal ini berlanjut dengan memperbandingkan model konseptual terhadap representasi komputer yang mengimplementasikan konsepsi itu. Dan pertanyaan yang muncul: Apakah model diterapkan dengan benar dalam perangkat lunak simulasi? Apakah parameter input dan struktur logis dari model yang diwakili benar?
2. Validasi berkenaan dengan membangun model yang benar. Ia mencoba untuk mengkonfirmasi bahwa model adalah suatu representasi yang akurat dari sistem nyata.
Validasi biasanya dicapai melalui kalibrasi model, proses berulang-ulang membandingkan model perilaku sistem aktual dan perbedaan antara keduanya, dan wawasan yang diperoleh, untuk meningkatkan model. Proses ini diulang sampai akurasi model dinilai tidak dapat diterima.
Langkah pertama dalam membangun model adalah mengamati sistem nyata, interaksi antara berbagai komponen mereka dan mengumpulkan data tentang perilaku mereka. Akan tetapi observasi saja jarang menghasilkan pemahaman yang cukup tentang perilaku sistem.
Bagi mereka yang akrab dengan sistem atau subsistem, harus dipertanyakan untuk mengambil keuntungan dari pengetahuan khusus mereka. Operator, teknisi, perbaikan dan pemeliharaan personil, insinyur, pengawas, dan manajer memahami aspek-aspek tertentu dari sistem yang mungkin asing bagi orang lain. Sebagai hasil pengembangan model, pertanyaan baru mungkin timbul, dan pengembang model yang akan kembali ke langkah ini belajar sistem struktur yang benar dan perilaku.
Langkah kedua dalam membangun model pembangunan model-konseptual koleksi asumsi tentang komponen dan struktur sistem, ditambah hipotesis tentang nilai-nilai parameter model input. Seperti diilustrasikan oleh Gambar 1., validasi konseptual adalah perbandingan dari sistem nyata untuk model konseptual.
Systems Simulation and Engineering data Analysis – R0 Gambar 1. Model building, verification, and validation
Langkah ketiga adalah implementasi dari sebuah model operasional, biasanya dengan menggunakan software simulasi dan menggabungkan asumsi dari model konseptual ke dalam pandangan dunia dan konsep dari perangkat lunak simulasi.
Pada kenyataannya, model bangunan bukanlah proses linear dengan tiga langkah.
Sebagai gantinya; pembangun Model akan kembali ke masing-masing langkah berkali-kali sambil membangun, memverifikasi, dan memvalidasi model. Gambar di atas menggambarkan proses pembentukan model yang sedang berlangsung, di mana kebutuhan untuk · verifikasi dan validasi menyebabkan perbandingan berkesinambungan dari sistem nyata untuk model konseptual dan model operasional dan menginduksi diulang modifikasi model untuk meningkatkan akurasi
E. Verifikasi Model Simulasi.
Tujuan dari verifikasi model untuk memastikan bahwa model konseptual tercermin secara akurat dalam model operasional. Model konseptual cukup sering melibatkan beberapa tingkat abstraksi tentang operasi sistem atau beberapa jumlah penyederhanaan operasi yang sebenarnya. Verifikasi memunculkan pertanyaan berikut: Apakah model konsepsual (asumsi tentang komponen sistem dan struktur sistem, nilai parameter; abstraksi, dan penyederhanaan) secara akurat diwakili oleh model operasional?
Systems Simulation and Engineering data Analysis – R0 F. Kalibrasi dan Validasi Model.
Verifikasi dan validasi, meskipun secara konseptual berbeda, biasanya dilakukan secara serentak oleh pemodel. Validasi adalah proses keseluruhan membandingkan model dan perilaku sistem nyata dan perilakunya. Kalibrasi merupakan proses berulang membandingkan model untuk sistem nyata, membuat penyesuaian (atau bahkan perubahan besar) untuk model, membandingkan model direvisi dengan realitas, membuat penyesuaian tambahan, membandingkan lagi, dan seterusnya.
Gambar 2. menunjukkan hubungan model kalibrasi untuk proses validasi secara keseluruhan. Perbandingan model dengan realitas dilakukan oleh berbagai tes-beberapa subjektif, lain tujuan. Tes subjektif biasanya melibatkan orang, yang memiliki pengetahuan tentang satu atau lebih aspek dari sistem, membuat penilaian tentang model dan output. Tes objektif selalu membutuhkan data tentang perilaku sistem, ditambah data yang sesuai dihasilkan oleh model.
Kemudian satu atau lebih uji statistik yang dilakukan untuk membandingkan beberapa aspek dari sistem data set dengan aspek yang sama dari set model data. Proses ini berulang membandingkan model dengan sistem dan kemudian merevisi kedua model konseptual dan operasional untuk mengakomodasi dirasakan kekurangan Model dilanjutkan sampai model tersebut dinilai tidak cukup akurat.
Gambar 2. Proses Iteratif dalam kalibrasi model.
Kritik yang mungkin dari fase kalibrasi, kalau untuk berhenti pada titik ini, adalah bahwa model telah divalidasi hanya untuk satu set data yang digunakan-yaitu, model telah
"dipasang" untuk satu set data. Salah satu cara untuk mengurangi kritik ini adalah untuk
Systems Simulation and Engineering data Analysis – R0 mengumpulkan satu set baru sistem data (atau untuk menyisihkan sebagian dari data sistem yang asli) yang akan digunakan pada tahap akhir ini validasi. Artinya, setelah model telah dikalibrasi dengan menggunakan asli set sistem data, "final" validasi dilakukan, menggunakan kedua set sistem data. Jika perbedaan yang tidak dapat diterima antara model dan sistem nyata ditemukan di "akhir" upaya validasi, pemodel harus kembali ke tahap kalibrasi dan memodifikasi model sampai menjadi diterima.
Validasi tidak baik / atau proposisi-ada model yang pernah benar-benar perwakilan dari sistem yang diteliti. Selain itu, setiap revisi model, seperti yang digambarkan pada Gambar berikut, melibatkan beberapa biaya, waktu, dan usaha. pemodel harus menimbang mungkin, tetapi tidak dijamin, peningkatan akurasi model yang versus biaya peningkatan usaha validasi.
Biasanya, modeler (dan pengguna model) memiliki beberapa perbedaan maksimum antara prediksi model dan perilaku sistem yang akan diterima. Jika tingkat akurasi tidak dapat diperoleh dalam keterbatasan anggaran, baik harapan terhadap akurasi model harus diturunkan, atau model harus ditinggalkan.
Validasi dengan beberapa metode berikut:
a) Face Validity
Tujuan pertama dari pemodel simulasi adalah untuk membangun sebuah model yang tampak masuk akal di wajah pengguna model dan orang lain yang memiliki pengetahuan tentang sistem nyata yang disimulasikan. Pengguna potensial model harus terlibat dalam konstruksi model dari konseptualisasi hingga implementasinya, untuk memastikan bahwa tingkat realisme yang tinggi dibangun ke dalam model melalui asumsi yang masuk akal mengenai struktur sistem dan melalui data yang dapat diandalkan. Pengguna potensial dan orang yang berpengetahuan juga dapat mengevaluasi keluaran model untuk kewajaran dan dapat membantu dalam mengidentifikasi kekurangan model. Dengan demikian, pengguna dapat terlibat dalam proses kalibrasi karena model ditingkatkan secara iteratif dengan wawasan yang diperoleh dari identifikasi kekurangan model awal. Keuntungan lain dari keterlibatan pengguna adalah peningkatan persepsi validitas, atau kredibilitas model, yang tanpanya seorang manajer tidak akan mau mempercayai hasil simulasi sebagai dasar pengambilan keputusan.
Analisis sensitivitas juga dapat digunakan untuk memeriksa validitas. Pengguna model ditanya apakah model berperilaku dengan cara yang diharapkan ketika satu atau lebih variabel
Systems Simulation and Engineering data Analysis – R0 input diubah. Misalnya, di sebagian besar sistem antrian, jika tingkat kedatangan pelanggan (atau permintaan layanan) meningkat, diharapkan pemanfaatan server, panjang jalur, dan penundaan akan cenderung meningkat (walaupun seberapa besar kemungkinannya. menjadi tidak diketahui).
Berdasarkan pengalaman dan dari pengamatan pada sistem nyata (atau sistem terkait serupa), pengguna model dan pembuat model mungkin akan memiliki beberapa gagasan setidaknya tentang arah perubahan output model ketika variabel input dinaikkan atau diturunkan. Untuk sebagian besar model simulasi skala besar, ada banyak variabel input dan dengan demikian banyak kemungkinan uji sensitivitas. Pembangun model harus mencoba untuk memilih variabel input yang paling penting untuk pengujian jika terlalu mahal atau memakan waktu untuk memvariasikan semua variabel input. Jika data sistem nyata tersedia untuk setidaknya dua pengaturan parameter input, uji sensitivitas ilmiah objektif dapat dilakukan melalui teknik statistik yang sesuai.
b) Validation of Model Assumptions
Asumsi model terbagi dalam dua kelas umum: asumsi struktural dan asumsi data.
Asumsi struktural melibatkan pertanyaan tentang bagaimana sistem beroperasi dan biasanya melibatkan penyederhanaan dan abstraksi realitas. Misalnya, perhatikan antrian pelanggan dan fasilitas layanan di bank. Pelanggan dapat membentuk satu baris, atau dapat ada satu baris untuk setiap teller. Jika ada banyak antrean, pelanggan dapat dilayani secara ketat berdasarkan urutan kedatangan, atau beberapa pelanggan dapat mengubah jalur jika satu jalur bergerak lebih cepat. Jumlah teller bisa tetap atau bervariasi. Asumsi struktural ini harus diverifikasi dengan pengamatan aktual selama periode waktu yang tepat dan dengan diskusi dengan manajer dan teller mengenai kebijakan bank dan implementasi aktual dari kebijakan ini.
Asumsi data harus didasarkan pada pengumpulan data yang andal dan analisis statistik data yang benar. Misalnya, dalam studi di bank yang disebutkan sebelumnya, data dikumpulkan pada;
• waktu antar kedatangan pelanggan selama beberapa periode 2 jam pemuatan puncak (jam sibuk);
• waktu antar kedatangan selama periode kendur; 3. waktu layanan untuk akun komersial;
• waktu layanan untuk akun pribadi.
Systems Simulation and Engineering data Analysis – R0 Keandalan data diverifikasi dengan berkonsultasi dengan manajer bank, yang mengidentifikasi jam-jam sibuk dan waktu-waktu senggang yang khas. Ketika menggabungkan dua atau lebih kumpulan data yang dikumpulkan pada waktu yang berbeda, keandalan data dapat lebih ditingkatkan dengan uji statistik objektif untuk homogenitas data.
c) Validating Input-Output Transformations
Pengujian akhir dari sebuah model, dan sebenarnya satu-satunya tes objektif dari model secara keseluruhan, adalah kemampuan model untuk memprediksi perilaku masa depan dari sistem nyata ketika data input model cocok dengan input nyata dan ketika kebijakan diimplementasikan dalam sistem. model diimplementasikan pada beberapa titik dalam sistem.
Selanjutnya, jika tingkat beberapa variabel input (misalnya, tingkat kedatangan pelanggan ke fasilitas layanan) meningkat atau menurun, model harus secara akurat memprediksi apa yang akan terjadi dalam sistem nyata dalam keadaan serupa. Dengan kata lain, struktur model harus cukup akurat agar model dapat membuat prediksi yang baik, tidak hanya untuk satu set data input, tetapi untuk rentang set data input yang diinginkan.
Dalam fase proses validasi ini, model dipandang sebagai transformasi input-output—
yaitu, model menerima nilai parameter input dan mengubah input ini menjadi ukuran kinerja output. Korespondensi inilah yang sedang divalidasi. Alih-alih memvalidasi transformasi input-output model dengan memprediksi masa depan, pemodel dapat menggunakan data historis yang telah dicadangkan untuk tujuan validasi saja—yaitu, jika satu kumpulan data telah digunakan untuk mengembangkan dan mengkalibrasi model, direkomendasikan bahwa kumpulan data terpisah digunakan sebagai uji validasi akhir. Dengan demikian, "prediksi masa lalu" yang akurat dapat menggantikan prediksi masa depan untuk tujuan validasi model.
Systems Simulation and Engineering data Analysis – R0
SIMPULAN
Pengumpulan untuk input-data dan analisis membutuhkan waktu dan sumber daya, komitmen dalam proyek simulasi kejadian diskrit. Namun, terlepas dari keabsahan atau kecanggihan dari model simulasi, input yang tidak dapat dipercaya/diandalkan dapat menyebabkan output yang interpretasi selanjutnya mengakibatkan rekomendasi yang tidak benar. Beberapa saran yang diberikan untuk memfasilitasi langkah pengumpulan data. Namun, pengalaman akan meningkatkan kesadaran kesulitan masalah yang bisa timbul dalam pengumpulan data dan kebutuhan perencanaan.
Validasi model simulasi sangat penting. Apabila keputusan akan dibuat atas dasar hasil simulasi, maka perlu mempertimbangkan akurasi hasil simulasi ini harus memperhatikan pertanyaan dan berdasarkan penyelidikan. Cukup sering, simulasi muncul karena model simulasi, tidak seperti model analitik, dapat menggabungkan setiap tingkat detail tentang sistem nyata. Untuk menghindari dikelabui oleh hasil simulasi, cara yang terbaik adalah untuk membandingkan data sistem untuk model data dan membuat perbandingan dengan menggunakan berbagai teknik, termasuk uji statistik obyektif jika memungkinkan. Beberapa saran yang diberikan untuk memfasilitasi langkah pengumpulan data. Namun, pengalaman akan meningkatkan kesadaran kesulitan masalah yang bisa timbul dalam pengumpulan data dan kebutuhan perencanaan.
Systems Simulation and Engineering data Analysis – R0
DAFTAR PUSTAKA
Blank, J., Joh S, Carson II, Barry L. Nelson, David M. Nicol. (2013). Discrete Event System Simulation. 5th Edition, Pearson Education Ltd, ISBN: 9781292024370
Zeigler, B. P., Sarjoughian, H. S., Duboz, R., & Soulie, J. C. (2017). Guide to modeling and simulation of systems of systems. 2nd Edition, Springer London. ISBN 978-0-85729-865- 2
