Fungsi Pembagkit variabel Random

Berikut Daftar Distribusi yang akan diberikan fungsi pembangkit variabel randomnya :
1. Distribusi uniform
2. Distribusi Eksponensial
3. Distribusi Normal
4. Distribusi Lognormal
5. Distribuso Weibull
6. Distribusi t-student
7. Distribusi fisher

Fungsi Distribusi Uniform
Function Uniform (a,b : double) : double;
Var u : double;
Begin
u := random;
Uniform := (b-a) * u + a;
End;
Fungsi Distribusi Eksponensial
Function Eksponensial (beta : double) : double;
Var u : double;
Begin
u := random;
Eksponensial := -beta * ln(u);
End;
Fungsi Distribusi Normal
Procedure Normal (mean,variance : double ; Var z1,z2 : double);
Var u1,u2,v1,v2,w,y,x1,x2 : double;
Begin
Repeat
u1 := random;
u2 := random;
v1 := 2 * u1 – 1;
v2 := 2 * u2 – 1;
w := sqr(v1) + sqr(v2);
if w <= 1 then
begin
y := sqrt ((-2*ln(w))/w);
x1 := v1 * y;
x2 := v2 * y;
z1 := sqrt (variance) * x1 + mean;
z2 := sqrt (variance) * x2 + mean;
end
Until w <= 1;
End;
Procedure Distribusi Lognormal
procedure lognormal (mean,varr : double;
Var zln1,zln2 : double);
Var y1, y2 : double;
begin
Normal (mean,varr,y1,y2);
zln1 := exp(y1);
zln2 := exp(y2);
end;
Fungsi Distribusi Weibull
Function Weibull (alfa,beta: double) : double;
Var u,z : double;
Begin
u := random;
z := -ln(u);
Weibull := beta * exp (ln(z)/alfa);
End;
Fungsi Distribusi t-student
function tdistribution(m:integer):double;
Label r2;
Var v,x,r,s,c,a,f,g,mm : real;
begin
mm:=0;
if m < 1 then
begin
writeln('impermissible degrees of freedom.');
halt;
end;
if (m mm) then
begin
s:=m;
c:=-0.25*(s+1);
a:=4/power((1+1/s),c);
f:=16/a;
if m>1 then
begin
g:=s-1;
g:=power(((s+1)/g),c)*sqrt((s+s)/g);
end else
g := 1;
mm:=m;
end;
r2:repeat
r:=random;
until r > 0.0;
x:=(2*random-1)*g/r;
v:=x*x;
if (v>(5-a*r)) then
begin
if ((m>=3) and (r*(v+3)>f)) then goto r2;
if (r>power((1+v/s),c)) then goto r2;
end;
tdistribution :=x;
end;
begin
tipe11[1]:=0.2;
tipe11[1]:=0.3;
tipe11[1]:=0.5;
tipe11[1]:=0.8;
tipe11[1]:=1.0;
end.

Membuktikan Unbiased pada Varians Sampel dengan simulasi

Membuktikan Unbiased pada Varians Sampel

Dalam menaksir parameter suatu populasi pasti membutuhkan sumber daya seperti biaya, waktu, dan tenaga yang sangat besar. Oleh karena itu muncul ilmu statistik yang diperlukan untuk menaksir parameter melalui pendekatan. Suatu pendekatan yang baik adalah pendekatan yang memiliki hasil unbiased dalam menaksir parameter populasi.
Apabila ingin menaksir suatu parameter populasi, kita perlu mengambil sampel dari populasi dalam hal ini akan ditaksir varians dari populasi dengan suatu nilai statistik (varians sampel). Kemudian kita bandingkan nilai statistik tersebut dengan nilai parameter sebenarnya.

Berikut langkah-langkah algoritmanya :

Mulai
Bngkitkan X berdistribusi normal (60,1) sebanyak 100 sebagai populasi
Ambil n sampel sebanyak 10
HItung

untitled,jpg

S_1^2 merupakan varians dari populasi sebanyak 100 data. Sedangkan S_2^2 merupakan varians dari resampel 1000 kali pengambilan data dimana setiap pengambilan adalah 10 data.
Lakukan 3 sebanyak 1000 kali
Hitung luas S_1^2= S_2^2 dan lambangkan
Selesai

Langkah simulasi menggunakan program minitab :

Simpan makro minitab yang berisi tentang perintah pembangkitan data randommenggunagan bootsrap
Misal :
d:\bootvar.txt

Isi makro bootvar :

macro
bootvar x
mconstant i n b lower upper stat_b se_b
mcolumn x y stat
let n=10
let b=1000
do i=1:b
sample n x y;
replacement.
let stat(i)=stde(y)**2
enddo
let stat_b=mean(stat)
let se_b=stde(stat)
sort stat stat
let lower=stat(25)
let upper=stat(975)
print stat_b se_b lower upper
endmacro

Dalam minitab tuliskan perintah enable command
Tulis
MTB > random 100 c1;
Subs > normal 60 1.0.
Panggil makro untuk melakukan resampling 10 data sebanyak 1000 kali
MTB > %d:\bootvar.txt c1

Maka akan tampil di minitab hasilnya sbb :
stat_b 1.12677
se_b 0.584805
lower 0.307798
upper 2.46402

stat_b menyatakan rata-rata dari sampling sebanyak 10 data yang diresampling sebanyak 1000 kali.
Se_b menyatakan varians dari dari sampling sebanyak 10 data yang diresampling sebanyak 1000 kali.
Lower menyatakan bahwa 25 data terbawah berada pada nilai 0,307798
Upper menyatakan bahwa 25 data teratas berada pada nilai 2,46402

Dengan membandingkan nilai varians populasi yaitu sebesar 1 dengan nilai statistik varians yaitu sebesar 0,5848 maka tidak terbukti bahwa varians statistik unbiased terhadap varians populasi

Peranan Simulasi dalam Inovasi

Karena inovasi, terutama inovasi yang radikal, merupakan upaya dengan resiko tinggi, perusahaan selalu berusaha mencari cara-cara untuk mengurangi resiko tersebut. Salah satu cara yang semakin sering dipakai saat ini adalah simulasi. Memang konsep simulasi sudah lama ada. Teknik simulasi seperti Monte Carlo sudah lama beredar. Tetapi perkembangan kemampuan komputer dewasa ini memungkinkan diciptakannya simulasi yang jauh lebih rumit dan realistis. Kemampuan software simulator yang dilengkapi dengan animasi juga membantu orang awam melihat langsung hasil simulasi tanpa harus menganalisis data keluaran berlembar-lembar.


Simulasi menjadi penting karena kompleksitas hubungan sebab akibat di dunia bisnis saat ini. Interaksi antar komponen dan aktor dalam sistem sering sulit diramalkan melalui metode analisis linier yang lebih kita kuasai. Otak kita dirancang untuk menganalisis data berdasarkan rata-rata (mean), dan bukan distribusi statistik. Sebagai contoh, bila kita mengetahui rata-rata layanan di kasir adalah 1 menit, dan setiap menit ada 3 orang yang membutuhkan layanan di kasir, Anda mungkin akan memasang 3 orang kasir bila Anda tidak ingin menciptakan antrian. Benarkah perhitungan tersebut? Ya, memang benar bila semua pelayanan diselesaikan tepat dalam 1 menit. Namun 1 menit di sini adalah rata-rata. Pada kenyataannya, mungkin saja ada transaksi yang membutuhkan waktu 5 menit. Hal-hal seperti ini sulit divisualisasikan dengan pikiran kita, tetapi bisa terlihat dengan mudah melalui simulasi komputer.

Contoh tersebut hanyalah contoh sederhana. Bagaimana dengan proses yang lebih rumit seperti di restoran? Tamu datang dengan rata-rata interval tertentu, dan memesan dengan rata-rata interval tertentu. Pesanan makanan juga berbeda dan makanan berbeda membutuhkan waktu penyajian yang berbeda. Belum lagi pengaruh dari jumlah waiter yang ada saat itu. Jumlah tamu juga mempengaruhi berapa lama mereka akan bersantap. Lalu ada juga unsur hari. Tamu di akhir pekan akan duduk lebih lama dibanding hari-hari biasa. Masing-masing kegiatan di atas memiliki karakteristik yang berbeda. Berapakah jumlah waiter, juru masak, dan kasir yang dibutuhkan? Bisakah Anda menghitungnya, meski dengan bantuan Microsoft Excel?

Otak manusia tidak dilengkapi dengan kemampuan meramalkan efek interaksi rumit seperti itu. Ini masih restoran. Bagaimana dengan proses manufaktur yang pasti lebih rumit lagi? Di sinilah simulasi komputer datang menjadi penyelamat. Tanpa harus mengeluarkan biaya yang besar terlebih dahulu, kita bisa meramalkan apa yang terjadi melalui simulasi yang dibangun dengan biaya yang jauh lebih kecil.

Simulasi tentu saja tidak bisa selalu meramal dengan tepat. Bagaimanapun, keakuratan sebuah model tergantung dari kelengkapan variabel dan data yang dimasukkan. Untuk membuat sebuah simulasi yang bagus, harus dilakukan iterasi terus menerus. Selain itu juga dibutuhkan ahli statistik yang mampu mengumpulkan dan menganalisis data yang dimasukkan. Setelah model awal dibuat, model tersebut harus diuji dulu dengan beberapa set data dari dunia nyata. Hasil simulasi lalu dibandingkan dengan kenyataan. Bila terjadi penyimpangan yang besar, model diperiksa kembali. Lakukan secara terus menerus sampai diperoleh hasil yang lumayan akurat. Barulah setelah itu, model bisa dijalankan dengan data yang lebih lengkap.

Simulasi membantu inovasi dalam beberapa cara. Untuk proses bisnis seperti contoh di atas, simulasi mampu memberikan gambaran secara kasar apa yang akan terjadi bila sebuah inovasi proses dilakukan. Simulasi mampu membantu kita menjawab pertanyaan seperti berapa banyak waktu dan biaya yang dihemat. Sedangkan untuk inovasi produk baru, perusahaan bisa terbantu dalam mengidentifikasi produk baru mana yang menjanjikan potensi keuntungan yang lebih besar, atau adakah pengaruh urutan perkenalan produk baru terhadap kemampulabaan perusahaan. Perusahaan juga bisa melakukan uji sensitivitas (sensitivity analysis) seperti menentukan berapa laju adopsi minimum yang dibutuhkan untuk mencapai break-even point. Untuk memasukkan unsur ketidakpastian, teknik Monte Carlo bisa dijalankan ribuan kali dengan skenario berbeda untuk mendapatkan hasil statistik agregat. Dalam hal ini, simulasi memang tidak bisa menghilangkan ketidakpastian dan memberikan jaminan sukses 100%, tetapi hasilnya akan sangat membantu perusahaan mengantisipasi ketidakpastian tersebut dengan lebih baik.

Selain itu, seperti yang kita ketahui, memperkenalkan inovasi dalam perusahaan sering mengakibatkan gesekan politis dan perbenturan antara asumsi-asumsi lama dan baru. Dengan simulasi, pertentangan semacam itu bisa dikurangi karena pendapat yang ada telah didukung oleh data yang lebih akurat.

Terlepas dari semua keuntungan simulasi, tetap haruslah diingat bahwa simulasi adalah alat bantu. Pada akhirnya, semua keputusan dan hasil akhir harus kembali ke tangan manusia yang menjalankannya.

Mencari Pendekatan Variansi

    Data sample yang diambil secara random ditetapkan berdistribusi normal dengan rata-rata 60 dan varians 1. Sebelum dibuat programnya kita harus membuat algoritmanya terlebih dahulu. Berikut algoritmanya di bawah ini :
1. Mulai
2. Dibangkitkan data x berdistribusi normal dengan rata-rata 60 dan varians 1 sebanyak 100 sebagai populasi
3. Diambil sample sebanyak 10 buah kemudian dihitung dan nilai variansnya
4. Diulangi langkah no 3 sebanyak 1000 kali
5. Dihitung bias dari S12 dan S22
6. Dibandingkan hasil dari langkah no 5
7. Selesai

Mencar nilai Phi

   Nilai phi adalah nilai rata-rata phi pendekatan pertama sampai phi pendekatan ke-n

Algoritma dari mensimulasikan penaksiran phi :

1.Mulai

2.i:=0

3.i=i+1

4.Bangkitkan 1000 titik

5.X berdistribusi uniform (0,1)

6.Y berdistirbusi uniform (0,1)

7.Phi(i) =4*m/n

8.Jika i <100

9.Phi = ∑_(i=1)^1000▒〖phi(i)/1000〗

10.Tulis phi

Dengan menggunakan program Pascal

uses wincrt;

var s,y,x,p:real;

i,j,m,n:integer;

begin

s:=0;

for j:=1 to 1000 do

begin

randomize;

n:=10000;m:=0;

for i:=1 to n do

begin

x:=random;

y:=random;

if (x*x+y*y)<=1 then m:=m+1;

end;

p:=4*m/n;

s:=s+p;

end;

p:=s/1000;

writeln(p);

end.

Penerapan Simulasi

  Dalam penerapannya, simulasi bisa seperti program pascal yang mencari nilai mean dan median. Berikut adalah program pascal untuk mencari median.

Mencari mean :

  program mean;

  uses wincrt;

  var x:array[1..100];

  a,b,i,j,k,l:integer;

  y:real;

begin

{mengentri data}

  write ('banyak data=' );readln(a);for i:=1 to a do

    begin

    write('x[',i,']=');

    readln(x[i]);

    end;

{mengurutkan data}

    for j:=1 to a-1 do

    for k:=j to a do

    if x[k]begin
    y:=x[k];
    x[j]:=y;
    end;
writeln('data urut=');
for l:=1 to a do writeln(x[l]:0:0);

if a mod 2=0 then
begin
b:=a div 2;
write('median=',(x[b]+x[b+1])/2);
end
else begin
b:=(a+1) div 2;
write('median data=',x[b]:0:0_;end;
end.

Pendahuluan

Nama Lengkap : Intan Puspita Rani

NRP : 1307100032

TTL : 03 Januari 1990

Alamat : JL.keputih 1D/4

Assalamua'alaikum wr.wb

Puji syukur saya panjatkan kepada Allah SWT, karena blog ini sudah jadi. Blog yang saya buat ini merupakan tugas pertama saya pada mata kuliah Teknik Simulasi. Saya berharap apa-apa yang ada di blog saya bisa bermanfaat bagi yang melihatnya.Terimakasih...

Pengertian dan tujuan Simulasi

   Percobaan yang terbaik adalah langsung pada sistem nyata, tetapi dalam suatu masalah yang cukup rumit, hal ini memerlukan tenaga, biaya besar dan waktu yang relafif lama. Dengan menggunakan model yang merupakan gambaran system nyata, percobaan dapat dilakukan dengan mudah, murah dan cepat. Akan tetapi yang menjadi kendala adalah sejauh mana model dapat menggambarkan system nyatanya secara utuh. Namun dengan pendekatan pemodelan yang tepat, ketidaksempurnaan model dapat dieduksi ke batas minimal.

   Model system dapat berwujud secara fisik, Misalnya model ruang hampa di laboratorium NASA, percobaan menghendaki interaksi secara fisik pada calon astronot dengan kondisi kehampaan tersebut.

   Model sistem dapat berupa formula matematika. Jika model matematika tersebut sederhana, maka dapat diselesaikan secara analitis. Jika model tersebut sangat kompleks, maka solusi dengan simulasi komputer akan sangat membantu.

   Jadi simulasi adalah tindakan menggunakan model. Kemudian dirancang skenario percobaan guna mendapatkan hasil simulasi yang kelak diolah menjadi jawaban atas sistem nyatanya. Simulasi dapat memperkirakan dampak dari suatu keputusan yang diambil.

Meskipun metode simulasi sangat menjanjikan, tetapi harus diketahui dimana dan kapan simulasi ini dapat diterapkan. 

 

Langkah-langkah simulasi:

Simulasi: meniru proses riil yang disebut sistem dengan sebuah model untuk memahami bagaimana sistem tersebut bekerja.

Simulasi dengan komputer: model dievaluasi secara numerik, dan data dikumpulkan untuk mengestimasi karakteristik yang sebenarnya dari model.

Langkah-langkah simulasi:

1.Formulasikan masalah dan rencana studi.

2.Kumpulkan data dan definisikan model.

3. Periksa apakah data tersebut Valid ? jika tidak,kembali ke langkah 2, jika valid lanjutkan ke langkah 4.

4.Buat program komputer dan lakukan verifikasi.

5.Lakukan kegiatan percobaan (pilot runs).

6.Periksa apakah kegiatan percobaan Valid ? Jika tidak kembali ke lngkh 2,jika valid maka lanjutkan ke langkah 7.

7.Rancang Eksperimen.

8.Lakukan kegiatan produksi.

9.Analisis data output

10.Dokumentasi, presentasi, dan implementasi hasil. 

 

Karakteristik Bahasa Simulasi

     Struktur dinamis dan statis bahasa simulasi menyediakan kebutuhan jelas untuk mengeksekusi mode simulasi. Beberapa sifat bahasa simulasi lainnya dibutuhkan atau sangat diinginkan untuk penggunaan efektif analisis simulasi sebagai teknik pembantu pengambilan keputusan..

• Pengembangan kode model. Kebanyakan bahasa simulasi amsih membutuhkan pemasukan pernyataan kode untuk menciptakan kode model, tetapi kemampuan grafik mikrokomputer telah memungkinkan input grafik. Cara ini paling sesuai untuk bahasa yang fokus pada aliran objek melalui elemen atau blok model.
• Debugging model. Begitu mode simulasi sudah dikodekan menggunakan bahasa simulasi yang dipilih, langkah selanjutnya adalah debugging kode sehingga model simulasi berjalan ke penghentian normal. Syntax errors (kesalahan sintaks) adalah permasalahan pertama dalam proses, dan analisis untuk mendeteksi ini sudah ditanam dalam bahasa simulasi umumnya. Kesulitan berikutnya yang dihadapi adalah perbaikan kesalahan selama eksekusi kode. Analisis bahasa simulasi umumnya tidak sesuai secara total dengan permasalahan ini. Setelah menemukan kesalahan seperti ini, program berhenti dan tidak memberikan alasan dalam bentuk logika model kenapa program berhenti.
• Penurunan variabel acak. Untuk kebanyakan simulasi probabilistik, kemampuan mengekstrak sampel acak dari distribusi probabilitas tertentu sangat penting. Bahasa simulasi melakukannya dengan mudah.
• Pengumpulan statistik. Penjalanan model simulasi tanpa mengumpulkan data ukuran kinerja sistem sama saja dengan tidak melakukan pengamatan pada sistem dunia nyata yang sedang berlangsung. Pengamat ada selama operasi sistem dunia nyata tetapi tidak mengamati dan mencatat apa yang terjadi. Bahasa simulasi harus memungkinkan pengguna dengan mudah menspesifikasikan beragam statistik yang dikumpulkan selama eksekusi model. Juga untuk membantu interpretasi output simulasi, kemampuan penggambaran grafik dan inferensi statistik diperlukan.
• Disain percobaan. Karena analisis simulasi bersifat deskriptif, kesuksesan aplikasinya tergantung pada percobaan model. Rancangan percobaan efektif dan efisien benar-benar meningkatkan kualitas solusi yang didapatkan dari model simulasi.
• Animasi grafis dan output dinamis. Kemampuan menggunakan bahasa simulasi pada mikrokomputer memungkinkan kemampuan grafis mesin ini untuk mengilustrasikan penjalanan mode simulasi atau outputnya. Ilustrasi objek yang mengalir melalui elemen model disebut sebagai animasi. Animasi biasanya menggunakan monitor berwarna dan dengan mudah mengenali simbol objek dan elemen model. Dengan mengamati aliran seperti itu, analisis dapat memperhatikan penyebaba permasalahan operasi dan dapat memperbaikinya. Animasi model akan memperlambat eksekusi model. Oleh karena itu, animasi biasanya hanya dilakukan pada mikrokomputer cepat dengan memori besar.

Keuntungan dan kelemahan menggunakan Simulasi

Keuntungan :
a. Simulasi merupakan salah satu metode yang mampu memberikan perkiraan system yang lebih nyata sesuai kondisi operasional dari kumpulan pekerjaan
b. Sebagai alternatif desain yang diusulkan atau alternatif terhadap kebijakan dari operasional yang mempu memberikan pelayanan terbaik terhadap pokok kebutuhan yang diperlukan
c. Memudahkan mengontrolan lebih banyak kondisi dari suatu percobaan sehingga dimungkinkan untuk dicoba diterapkan secara nyata pada system itu.
d. Menyediakan sarana untuk mempelajari system dalam waktu yang lebih singkat, sehingga menghemat biaya
e. Dapat dihentikan dan dijalankan kembali, tanpa menimbulkan permasalahan pada system.

Kelemahan :
a. Simulasi umumnya tidak dapat digunakan untuk mengoptimalkan. Simulasi hanya dapat menentukan alternatif desain suatu system yang lebih baik
b. Sangat diperlukan kemampuan untuk mengembangkan Model simulasi yang sesuai dengan permasalahan nyata



 

Area Aplikasi Simulasi

Contoh-contoh area aplikasi simulasi:
• Perancangan dan analisis sistem manufacturing.
• Evaluasi persyaratan hardware dan software untuk sistem komputer.
• Evaluasi sistem senjata atau taktik militer yang baru.
• Perancangan sistem komunikasi dan message protocol.
• Perancangan dan pengoperasian fasilitas transportasi, mis. jalan tol, bandara, rel kereta, atau pelabuhan.
• Evaluasi perancangan organisasi jasa, mis. rumah sakit, kantor pos, atau restoran fast food.
• Analisis sistem keuangan atau ekonomi.
Mempelajari sistem dengan simulasi: secara numerik menjalankan model untuk dengan memberi input dan melihat pengaruhnya terhadap output.

Klasifikasi Simulasi

Dalam tiga dimensi:

Model Simulasi Statik vs. Dinamik Model statik: representasi sistem pada waktu tertentu. Waktu tidak berperan di sini.
Contoh: model Monte Carlo.

Model dinamik: merepresentasikan sistem dalam perubahannya terhadap waktu.
Contoh: sistem conveyor di pabrik.

Model Simulasi Deterministik vs. Stokastik Model deterministik: tidak memiliki komponen probabilistik (random).

Model stokastik: memiliki komponen input random, dan menghasilkan output yang random pula.

Model Simulasi Kontinu vs. Diskrit Model kontinu: status berubah secara kontinu terhadap waktu, mis. gerakan pesawat terbang.

Model diskrit: status berubah secara instan pada titik-titik waktu yang terpisah, mis. jumlah customer di bank.

Model yang akan dipelajari selanjutnya adalah diskrit, dinamik, dan stokastik, dan disebut model simulasi discrete-event.

Simulasi discrete-event: pemodelan sistem dalam perubahannya terhadap waktu di mana variabel-variabel status berubah secara instan pada titik-titik waktu yang terpisah.


KLASIFIKASI MODEL

• Model Fisik:Data diperoleh dengan pengukuran, contoh: jarak dengan beban dan kecepatan tertentu.
• Model Matematika:Simbol dan persamaan matematika digunakan untuk menggambarkan sistem.Atribut sistem dipresentasikan oleh variabel.

Pembagian Model Matematika

1. Model dinamis:Sangat dipengaruhi oleh perubahan waktu.
2. Model statis:Menunjukkan perilaku sistem secara spesifik pada kondisi tertentu saja.

Kelebihan dan Kekurangan simulasi

Kelebihan simulasi:

• Sebagian besar sistem riil dengan elemen-elemen stokastik tidak dapat dideskripsikan secara akurat dengan model matematik yang dievaluasi secara analitik. Dengan demikian simulasi seringkali merupakan satu-satunya cara.
• Simulasi memungkinkan estimasi kinerja sistem yang ada dengan beberapa kondisi operasi yang berbeda.
• Rancangan-rancangan sistem alternatif yang dianjurkan dapat dibandingkan via simulasi untuk mendapatkan yang terbaik.
• Pada simulasi bisa dipertahankan kontrol yang lebih baik terhadap kondisi eksperimen.
• Simulasi memungkinkan studi sistem dengan kerangka waktu lama dalam waktu yang lebih singkat, atau mempelajari cara kerja rinci dalam waktu yang diperpanjang.

Kekurangan simulasi:
• Setiap langkah percobaan model simulasi stokastik hanya menghasilkan estimasi dari karakteristik sistem yang sebenarnya untuk parameter input tertentu. Model analitik lebih valid.
• Model simulasi seringkali mahal dan makan waktu lama untuk dikembangkan.
• Output dalam jumlah besar yang dihasilkan dari simulasi biasanya tampak meyakinkan, padahal belum tentu modelnya valid. 

Fitur-fitur software simulasi

Fitur-fitur software simulasi yang dibutuhkan dapat berupa sebagai berikut:

• Membangkitkan bilangan random dari distribusi probabilitas U(0,1).
• Membangkitkan nilai-nilai random dari distribusi probabilitas tertentu, mis. eksponensial.
• Memajukan waktu simulasi.
• Menentukan event berikutnya dari daftar event dan memberikan kontrol ke blok kode yang benar.
• Menambah atau menghapus record pada list.
• Mengumpulkan dan menganalisa data
• Melaporkan hasil.
• Mendeteksi kondisi error.

Silakan Lihat-Lihat y