Simulasi Kejadian Diskrit (DES)
- Diperkenalkan oleh
- Banks, Carson, Nelson & Nicol (textbook lineage); foundational work by Tocher & Conway (1960s)
- Tahun
- 1960s (formalized); modern computational form from 1970s onward
- Jenis
- Stochastic process simulation
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Simulasi Kejadian Diskrit (DES) adalah paradigma pemodelan komputasi di mana keadaan sistem berubah hanya pada urutan titik waktu yang dapat dihitung — yaitu kejadian.
Antara kejadian, tidak ada yang berubah, sehingga jam simulasi melompat langsung dari satu kejadian ke kejadian berikutnya. Diformalisasi melalui buku teks dasar oleh Banks, Carson, Nelson dan Nicol serta Law pada tahun 1960-an hingga 2000-an, DES telah menjadi alat standar untuk menganalisis sistem antrean, aliran pasien layanan kesehatan, lini manufaktur, dan jaringan logistik di mana entitas bergerak melalui sumber daya seiring waktu.
Intuisi di balik metode
Bayangkan sebuah unit gawat darurat rumah sakit: pasien datang, menunggu perawat, menerima perawatan, dan pergi. Kehidupan nyata tidak diperbarui setiap milidetik — ia hanya berubah ketika sesuatu terjadi: pasien datang, perawat tersedia, atau pasien dipulangkan. DES menangkap logika ini persis. Simulasi memelihara daftar kejadian mendatang yang terurut dan memprosesnya satu per satu, memajukan jam virtual ke setiap waktu kejadian daripada menggiling setiap milidetik. Hal ini membuatnya cepat bahkan untuk sistem yang kompleks, dan memungkinkan analis untuk bertanya 'bagaimana jika kita menambah satu perawat lagi?' atau 'bagaimana jika kedatangan berlipat ganda pada hari Senin?' tanpa menyentuh sistem yang sebenarnya.
Sejarah
Dasar-dasar DES diletakkan pada akhir 1950-an dan awal 1960-an oleh para peneliti termasuk K.D. Tocher dan R.W. Conway, yang mengembangkan bahasa simulasi serbaguna pertama (GSP, GPSS). Paradigma penjadwalan kejadian — memelihara daftar kejadian mendatang yang diurutkan berdasarkan waktu — menjadi standar pada tahun 1970-an. Buku teks Banks, Carson, Nelson dan Nicol (edisi pertama 1984, sekarang edisi kelima, 2010) dan volume pendamping Law (edisi pertama 1982, sekarang edisi kelima, 2015) mengkonsolidasikan metodologi, prosedur analisis keluaran, dan teknik pemodelan masukan yang mendefinisikan praktik modern. DES menyebar dengan cepat melalui riset operasi, teknik industri, dan manajemen layanan kesehatan, dan saat ini diimplementasikan baik dalam pustaka sumber terbuka (SimPy, simmer) maupun platform komersial.
Kapan digunakan
DES cocok kapan saja sistem dapat digambarkan sebagai entitas diskrit yang bergerak melalui sumber daya yang diatur oleh waktu kedatangan dan layanan stokastik. Ini adalah pilihan yang tepat untuk sistem antrean, aliran unit gawat darurat dan bangsal rumah sakit, analisis throughput manufaktur dan rantai pasokan, penempatan staf pusat panggilan, dan perutean logistik — di mana pun analis perlu mengevaluasi kapasitas, hambatan, atau skenario 'bagaimana jika' tanpa bereksperimen pada sistem yang sebenarnya. Tidak ada asumsi normalitas yang diperlukan. Jumlah replikasi harus mencukupi (biasanya setidaknya 30, atau ≥1000 untuk interval kepercayaan yang sempit) — dengan terlalu sedikit replikasi, hasil DES tidak dapat diandalkan dan model antrean analitis mungkin lebih disukai. Masukan distribusi (distribusi waktu kedatangan dan layanan) harus diperkirakan dari data historis; ketika tidak ada data, elisitasi ahli atau uji coba awal diperlukan.
Batasan dan pertimbangan
- Ketidakpastian masukan: hasil hanya seandal distribusi kedatangan dan layanan yang disesuaikan.
- Bias pemanasan: mengabaikan periode pemanasan melebih-lebihkan atau meremehkan estimasi keadaan tunak.
- Replikasi: terlalu sedikit replikasi (kurang dari ~30) menghasilkan interval kepercayaan yang lebar yang membuat perbandingan skenario tidak dapat diandalkan.
- Biaya komputasi: model kompleks dengan banyak entitas dan sumber daya dapat memerlukan waktu jalan yang substansial untuk mencapai interval kepercayaan yang sempit.
- Validasi model memerlukan data historis untuk verifikasi; proses yang dipetakan dengan buruk mengarah pada keluaran yang menyesatkan.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Menangani proses yang kompleks dan nonlinier — perebutan sumber daya, perutean variabel, antrean prioritas — yang tidak dapat direpresentasikan oleh model antrean analitis.
- Menghasilkan interval kepercayaan yang realistis melalui replikasi independen, membuat ketidakpastian menjadi eksplisit.
- Mendukung eksperimen 'bagaimana jika' dan perbandingan skenario tanpa mengganggu sistem yang sebenarnya.
- Tidak ada asumsi distribusi pada keluaran; distribusi masukan apa pun dapat diakomodasi.
- Dapat diterapkan di berbagai domain — layanan kesehatan, manufaktur, logistik, operasi layanan — tanpa mengubah paradigma inti.
Penerapan
- Aliran pasien unit gawat darurat: mengevaluasi tingkat staf, kebijakan triase, dan kapasitas tempat tidur untuk mengurangi waktu tunggu.
- Throughput manufaktur: mengidentifikasi stasiun kerja hambatan, ukuran buffer, dan merencanakan jadwal shift.
- Rantai pasokan dan logistik: memodelkan operasi gudang, perutean pengiriman, dan pengisian kembali inventaris di bawah permintaan stokastik.
- Penempatan staf pusat panggilan: menentukan jumlah agen dan aturan perutean untuk memenuhi perjanjian tingkat layanan.
- Operasi bandara dan pelabuhan: mensimulasikan penugasan gerbang, penanganan darat, dan throughput kargo.
Cara kerjanya
Cara kerjanya
Analis memetakan proses nyata: entitas (pasien, pekerjaan, kendaraan), sumber daya (perawat, mesin, truk), antrean, dan logika perutean. Model konseptual ini adalah cetak biru untuk semua yang mengikuti — peta proses yang tidak jelas menghasilkan simulasi yang tidak dapat diandalkan.
Waktu antar kedatangan dan durasi layanan disesuaikan dengan distribusi probabilitas — biasanya eksponensial, Erlang, log-normal, atau empiris — menggunakan data historis dan uji kesesuaian. Masukan distribusi adalah sumber utama ketidakpastian dalam DES; jika data langka, analisis sensitivitas di berbagai keluarga distribusi yang masuk akal sangat penting.
Kalender kejadian (daftar kejadian mendatang) diinisialisasi. Setiap jenis kejadian (kedatangan, awal layanan, akhir layanan, keberangkatan) dikodekan dengan transisi keadaan yang disebabkannya. Aliran angka acak menggerakkan setiap elemen stokastik, dan aliran terpisah ditugaskan ke proses kedatangan dan layanan sehingga teknik pengurangan varians seperti angka acak umum dapat diterapkan nanti.
Simulasi dijalankan untuk periode pemanasan sebelum statistik dikumpulkan. Pada waktu nol, sistem biasanya kosong — kondisi awal buatan yang membiaskan estimasi keadaan tunak. Periode pemanasan (diperkirakan dengan metode Welch atau serupa) memungkinkan sistem mencapai kesetimbangan statistik sebelum pengukuran dimulai.
Beberapa replikasi independen dijalankan, masing-masing menggunakan benih acak yang berbeda. Replikasi, bukan observasi dalam satu kali jalan, adalah unit analisis statistik. Setidaknya 30 replikasi direkomendasikan untuk estimasi interval kepercayaan yang andal; jumlah yang diperlukan dapat ditentukan oleh prosedur percontohan sekuensial.
Statistik ringkasan — waktu tunggu rata-rata, throughput, utilisasi sumber daya — dihitung di seluruh replikasi dan dilaporkan dengan interval kepercayaan 95%. Jika interval kepercayaan terlalu lebar, lebih banyak replikasi atau teknik pengurangan varians diterapkan. Perbandingan skenario menggunakan benih acak yang sama (angka acak umum) untuk mengurangi kebisingan antar-skenario.
Kesalahan umum
- Menjalankan kurang dari 1000 replikasi ketika interval kepercayaan yang sempit diperlukan — gunakan prosedur percontohan sekuensial untuk menentukan jumlah minimum yang diperlukan.
- Menghilangkan atau mengecilkan periode pemanasan — metrik keadaan tunak yang dikumpulkan dari sistem kosong pada waktu nol bias ke bawah untuk utilisasi dan ke atas untuk waktu tunggu.
- Menggunakan satu kali jalan panjang alih-alih beberapa replikasi independen — observasi dalam satu kali jalan bersifat autokorelasi dan tidak dapat diperlakukan sebagai titik data independen untuk estimasi interval kepercayaan.
- Menyesuaikan keluarga distribusi yang salah ke waktu kedatangan atau layanan — selalu lakukan uji kesesuaian formal dan periksa distribusi yang disesuaikan terhadap data empiris sebelum menerimanya.
- Mencampuradukkan DES dengan simulasi kontinu — DES cocok untuk sistem di mana perubahan keadaan didorong oleh kejadian; untuk stok dan aliran yang berkembang secara kontinu, dinamika sistem adalah paradigma yang benar.
Pertanyaan yang sering diajukan
Berapa banyak replikasi yang saya butuhkan?
Minimal 30 replikasi independen adalah titik awal umum untuk analisis pendahuluan, tetapi interval kepercayaan yang sempit untuk pengambilan keputusan biasanya memerlukan 100–1000 atau lebih. Gunakan prosedur percontohan sekuensial: jalankan sejumlah awal 10–30 replikasi, perkirakan varians, lalu hitung replikasi tambahan yang diperlukan untuk mencapai setengah lebar target Anda.
Bagaimana cara menentukan periode pemanasan?
Metode grafis Welch adalah pendekatan yang paling banyak digunakan: plot rata-rata bergerak metrik kinerja sepanjang waktu, dan identifikasi titik di mana ia stabil. Alternatifnya, gunakan uji Mecklenburg-White atau cukup jalankan model cukup lama sehingga pemanasan mewakili kurang dari 10% dari total panjang jalan. Mengabaikan periode pemanasan membiaskan estimasi keadaan tunak.
Kapan saya harus menggunakan DES daripada model antrean analitis?
Model antrean analitis (M/M/c dan variannya) memberikan hasil bentuk tertutup yang tepat atau perkiraan untuk sistem yang sederhana dan ideal. Gunakan DES ketika proses memiliki perutean yang kompleks, beberapa jenis sumber daya yang bersaing, waktu layanan non-eksponensial, kedatangan batch, atau laju kedatangan yang bervariasi waktu — situasi di mana solusi analitis tidak tersedia atau memerlukan asumsi penyederhanaan yang tidak realistis.
Bagaimana jika saya tidak punya data historis untuk menyesuaikan distribusi?
Elisitasi ahli (misalnya, perkiraan minimum, paling mungkin, maksimum untuk menyesuaikan distribusi segitiga) adalah jalan keluar yang diterima untuk model pendahuluan. Lakukan analisis sensitivitas di berbagai keluarga distribusi yang masuk akal untuk memahami bagaimana ketidakpastian masukan merambat ke ketidakpastian keluaran. Kumpulkan data nyata seiring matangnya model.
Metode terkait
Sumber
Banks, J., Carson, J.S., Nelson, B.L. & Nicol, D.M. (2010). Discrete-Event System Simulation (5th ed.). Pearson.
ISBN: 978-0136062127Disalin.Law, A.M. (2015). Simulation Modeling and Analysis (5th ed.). McGraw-Hill.
ISBN: 978-0073401324Disalin.