Skip to content
Kembali ke hasil pencarian

Simulasi Kejadian Diskrit Stokastik — Pemodelan Probabilistik Sistem Berbasis Kejadian

Diperkenalkan oleh
Banks, Carson, Nelson, Nicol; Law, A. M.
Tahun
1960s–1970s
Jenis
Stochastic simulation model
Keluarga
Simulation / optimization

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Simulasi Kejadian Diskrit Stokastik (Stochastic DES) memodelkan sistem kompleks dengan memajukan waktu simulasi dari satu kejadian diskrit ke kejadian berikutnya, mengambil durasi kejadian dan waktu antar kedatangan dari distribusi probabilitas yang disesuaikan.

Ini adalah teknik standar untuk menganalisis antrean, lini manufaktur, jalur perawatan kesehatan, dan jaringan logistik di bawah ketidakpastian, menghasilkan statistik keluaran dengan interval kepercayaan.

Intuisi di balik metode

Bayangkan sebuah departemen gawat darurat rumah sakit di mana pasien datang pada interval acak dan setiap perawatan membutuhkan waktu yang tidak dapat diprediksi. Stochastic DES menangkap keacakan ini secara eksplisit: alih-alih mengasumsikan rata-rata tetap, ia mengambil sampel celah kedatangan dan waktu layanan dari distribusi dunia nyata jutaan kali. Setiap simulasi menghasilkan hasil yang sedikit berbeda; agregasi di seluruh simulasi mengungkapkan distribusi sebenarnya dari waktu tunggu, tingkat utilisasi, dan throughput — wawasan yang tidak dapat disediakan oleh model deterministik.

Sejarah

Simulasi kejadian diskrit muncul pada tahun 1960-an dengan GPSS (Gordon, 1961) dan SIMSCRIPT (Markowitz et al., 1962). Perlakuan stokastik disistematisasi dalam teks dasar Banks et al. dan Law sepanjang tahun 1980-an–2000-an, menetapkan kerangka kerja statistik — pemodelan masukan, analisis keluaran, dan pengurangan varians — yang mendefinisikan praktik Stochastic DES modern.

Kapan digunakan

Gunakan Stochastic DES ketika sistem digerakkan oleh kejadian (keadaan berubah hanya pada titik waktu diskrit), keacakan merupakan bagian integral dari perilaku sistem, dan analisis kasus rata-rata tidak mencukupi. Ideal untuk sistem layanan (pusat panggilan, UGD), manufaktur dan rantai pasokan, jaringan transportasi, dan infrastruktur TI di bawah beban variabel. Jangan gunakan ketika: (1) sistem berkembang secara kontinu daripada kejadian demi kejadian — lebih pilih Dinamika Sistem atau ODE; (2) data masukan terlalu jarang untuk menyesuaikan distribusi secara andal; (3) tujuannya adalah perkiraan kasar yang sederhana di mana rumus antrean analitik sudah cukup; atau (4) pengambilan keputusan agen dan perilaku sosial yang muncul menjadi pusat — Pemodelan Berbasis Agen lebih tepat.

Batasan dan pertimbangan

  • Membutuhkan data historis yang cukup untuk menyesuaikan distribusi masukan secara andal; ketidakcocokan yang buruk merambat melalui model.
  • Pengembangan dan verifikasi model memakan waktu, terutama untuk sistem yang besar dan kompleks.
  • Setiap simulasi menghasilkan sampel acak, bukan solusi bentuk tertutup; presisi statistik membutuhkan banyak replikasi.
  • Mahal secara komputasi untuk sistem skala sangat besar atau loop optimasi dengan banyak skenario.
  • Analisis keadaan tunak membutuhkan perkiraan periode pemanasan yang cermat untuk menghilangkan bias inisialisasi.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Menangkap keacakan temporal dan variabilitas yang tidak dapat direpresentasikan oleh model deterministik.
  • Menghasilkan distribusi keluaran lengkap dengan interval kepercayaan, mendukung keputusan yang sadar risiko.
  • Dapat memodelkan interaksi kejadian kompleks, nonlinier, dan persaingan sumber daya secara rinci.
  • Model dapat divalidasi dan diverifikasi terhadap data operasional nyata pada tingkat kejadian.
  • Didukung secara luas oleh alat komersial yang matang (Arena, Simio, AnyLogic) dan pustaka sumber terbuka (SimPy, DESMO-J).
  • Mudah diperluas untuk menyertakan loop optimasi (optimasi simulasi) menggunakan metaheuristik.

Penerapan

  • Perencanaan kapasitas departemen gawat darurat rumah sakit dan optimasi aliran pasien.
  • Analisis throughput lini manufaktur dan identifikasi hambatan.
  • Penugasan gerbang bandara dan penjadwalan sumber daya penanganan darat.
  • Penentuan staf pusat panggilan di bawah tingkat kedatangan dan waktu layanan yang bervariasi.
  • Penilaian risiko gangguan rantai pasokan dengan permintaan probabilistik dan waktu tunggu.
  • Pemodelan kinerja pusat data TI di bawah kedatangan beban kerja stokastik.

Cara kerjanya

Cara kerjanya

1

Langkah 1 — Tentukan batasan sistem dan variabel keadaan. Identifikasi entitas (misalnya, pelanggan, pekerjaan, pasien), sumber daya (server, mesin, tempat tidur), kejadian (kedatangan, awal layanan, keberangkatan), dan ukuran kinerja (panjang antrean, utilisasi, waktu siklus). Tetapkan kondisi awal dan akhir jam simulasi (berbasis waktu atau berbasis kejadian).

2

Langkah 2 — Sesuaikan distribusi probabilitas dengan data masukan. Kumpulkan data empiris untuk setiap proses acak (waktu antar kedatangan, durasi layanan, tingkat kegagalan). Gunakan uji kecocokan (chi-kuadrat, Kolmogorov-Smirnov) dan alat perangkat lunak untuk memilih dan memparameterisasi distribusi seperti Eksponensial, Erlang, Lognormal, atau Weibull. Distribusi yang divalidasi menjadi penggerak masukan stokastik.

Rumus
X \sim F(\theta) \text{ (e.g., } X_{\text{service}} \sim \text{Exp}(\lambda)\text{)}
3

Langkah 3 — Inisialisasi kalender kejadian dan keadaan sistem. Atur jam simulasi ke nol, tempatkan kejadian terjadwal pertama (biasanya kedatangan entitas pertama) dalam daftar kejadian masa depan (FEL), dan inisialisasi semua penghitung keadaan (panjang antrean, status server, akumulator) ke nilai awal mereka.

4

Langkah 4 — Majukan waktu dan ambil sampel variat acak. Hapus kejadian yang akan segera terjadi dari FEL, majukan jam ke waktu kejadian tersebut, perbarui keadaan sistem (masukkan ke antrean atau layani entitas, ubah status server), dan jadwalkan kejadian masa depan dengan mengambil sampel durasi antar kedatangan atau layanan berikutnya menggunakan metode transformasi terbalik atau teknik pembangkitan variat lainnya.

Rumus
t_{\text{next}} = t_{\text{current}} + F^{-1}(U), \quad U \sim \text{Uniform}(0,1)
5

Langkah 5 — Replikasi dan kumpulkan statistik keluaran. Jalankan R replikasi independen (masing-masing dengan benih acak yang berbeda). Catat ukuran kinerja per replikasi. Hitung rata-rata sampel antar replikasi dan interval kepercayaan 95%. Jika diperlukan, terapkan penghapusan periode pemanasan (metode Welch) untuk menghilangkan bias inisialisasi untuk analisis keadaan tunak.

Rumus
\bar{Y} = \frac{1}{n}\sum_{i=1}^{n} Y_i, \quad CI: \bar{Y} \pm z_{\alpha/2}\frac{s}{\sqrt{n}}
6

Langkah 6 — Analisis keluaran dan validasi. Periksa interval kepercayaan untuk menentukan apakah tujuan presisi terpenuhi; tingkatkan R jika interval terlalu lebar. Validasi keluaran simulasi terhadap data sistem nyata menggunakan uji hipotesis atau uji Schruben. Gunakan model yang dikalibrasi untuk eksperimen what-if, identifikasi hambatan, dan optimasi desain.

Kesalahan umum

  • Menggunakan distribusi teoretis (misalnya, Eksponensial) tanpa memverifikasi kecocokan menghasilkan bias keluaran sistematis.
  • Replikasi yang tidak mencukupi menyebabkan interval kepercayaan yang lebar yang disalahartikan sebagai perkiraan yang tepat.
  • Mengabaikan periode pemanasan melebih-lebihkan atau mengurangi ukuran kinerja keadaan tunak.
  • Menggunakan satu benih acak untuk semua replikasi melanggar asumsi independensi dan membatalkan inferensi statistik.
  • Detail berlebihan pada model di luar apa yang didukung data menciptakan rasa akurasi yang palsu.

Pertanyaan yang sering diajukan

Berapa banyak replikasi yang saya butuhkan?

Gunakan studi percontohan sebanyak 10–30 replikasi untuk memperkirakan varians, kemudian terapkan rumus setengah lebar n = (z_{α/2} s / h)² untuk menemukan R minimum yang dibutuhkan untuk setengah lebar interval kepercayaan yang diinginkan h. Tiga puluh atau lebih replikasi adalah minimum praktis yang umum.

Apa perbedaan antara Stochastic DES dan Simulasi Monte Carlo?

Simulasi Monte Carlo mengambil sampel dari distribusi untuk memperkirakan kuantitas statis (misalnya, skor risiko atau integral). Stochastic DES juga mengambil sampel dari distribusi tetapi melakukannya secara dinamis saat jam simulasi berjalan, menangkap interaksi kejadian yang berurutan waktu, antrean, dan persaingan sumber daya yang tidak dapat direpresentasikan oleh Monte Carlo.

Bagaimana cara menangani periode pemanasan?

Plot rata-rata berjalan dari metrik keluaran utama dari waktu ke waktu di seluruh replikasi. Gunakan metode Welch untuk mengidentifikasi di mana rata-rata stabil dan hapus pengamatan sebelum titik itu. Alternatifnya, mulai replikasi dalam konfigurasi keadaan tunak yang khas untuk mengurangi bias inisialisasi.

Kapan saya harus memilih Pemodelan Berbasis Agen daripada Stochastic DES?

Pilih ABM ketika fokusnya adalah pada perilaku agen individu, pembelajaran, adaptasi, atau fenomena kolektif yang muncul. Pilih Stochastic DES ketika penekanannya adalah pada aliran sumber daya, antrean, dan waktu kejadian dalam sistem yang logikanya terdefinisi dengan baik dan kaya data.

Bisakah Stochastic DES digunakan untuk optimasi?

Ya. Optimasi simulasi menggabungkan DES dengan metaheuristik (algoritma genetik, simulated annealing) atau metode permukaan respons untuk mencari konfigurasi yang meminimalkan atau memaksimalkan ukuran kinerja stokastik, meskipun mahal secara komputasi.

Metode terkait

Sumber

  1. Banks, J., Carson, J. S., Nelson, B. L., & Nicol, D. M. (2010). Discrete-Event System Simulation (5th ed.). Prentice Hall.

    ISBN: 9780136062127
    Disalin.
  2. Law, A. M. (2015). Simulation Modeling and Analysis (5th ed.). McGraw-Hill Education.

    ISBN: 9780073401324
    Disalin.