MODUL 18

MODEL STOKHASTIK DAN IMPLEMENTASINYA

Model Stokastik

Model stokastik mengandung unsur acak atau distribusi peluang, sehingga tidak hanya membuat penaksiran keluaran yang definitif tapi juga disertai dengan deviasi (variance). Semakin besar ketidak-pastian akan tingkah-laku suatu sistem, semakin penting penerapan model stokastik. Proses seperti kelahiran, migrasi, kematian, dan konversi kimia cenderung terjadi secara acak. Tingkah-laku sistem dapat menjadi deterministik apabila kuantitas besar dilibatkan, artinya variasi yang sangat kecil tidak begitu berarti dalam taksiran yang dihasilkan model. Kasus epidemiologi, dinamika populasi, pengendalian populasi kadangkadang didekati dengan model stokastik.

Model Deskriptif

Model tanaman dalam penggunaannya dapat dibagi kepada dua bagian yaitu model deskriptif dan model eksplanatori. Suatu model deskriptif membatasi tingkah-laku atau tabiat suatu sistem dalam suatu cara sederhana, dan mengandung sedikit, jika ada, mekanisme yang menyebabkan tingkah-laku tersebut. Pembentukan dan penggunaan Akan tetapi laju pertumbuhan tanaman tidak akan sama apabila keadaan tanah, pemeliharaan tanaman dan iklim berbeda. Perbedaan iklim saja dapat menghasilkan perbedaan pertumbuhan yang besar. Agar persamaan dapat meliput keadaan yang berbeda misalnya pertumbuhan tanaman pada musim tanam yang berbeda, titik awal dan maksimum dapat diadaptasikan. Tetapi penaksiran parameter demikian terlalu tidak tepat untuk studi produksi tanaman tertentu pada lahan dan musim tanam yang berbeda. Secara teori, konstanta dan persamaan yang dibutuhkan dapat dihasilkan dengan pelaksanaan

13

Manajemen Inventori dan Logistik Hartri Putranto, SE. MM.

Pusat Bahan Ajar dan Elearning Universitas Mercu Buana

Banyak percobaan sesuai dengan variasi lingkungan yang ingin diliput dengan tingkat akurasi yang dapat diterima. Tetapi sesungguhnya, pola pertumbuhan merupakan integrasi pengaruh dari banyak peubah yang sebagian bersifat konstan, seperti tekstur tanah, sedang yang lain seperti varietas dengan sifat-sifatnya dan pemeliharaan tanaman dapat terus berubah. Jadi kuantifikasi semua peubah dengan cukup baik hampir tidak mungkin dengan pelaksanaan percobaan yang banyak. Karena itu model deskriptif bermanfaat hanya untuk mempelajari hal yang keadaan mendasari bentuk liku di biomassa. mana interpolasi (penyisipan) di antara observasi dicari dan tidak ada usaha untuk. model agak bersifat langsung dan sering terdiri dari satu atau lebih persamaan matematik. Suatu contoh persamaan demikian adalah yang diturunkan dari hasil pengamatan tanaman dengan waktu
Model Eksplanatori

biomassa

Suatu model eksplanatori terdiri dari deskripsi kuantitatif dari mekanisme dan proses yang menyebabkan tingkah-laku suatu sistem. Deskripsi ini merupakan pernyataan eksplisit (tegas) dari teori ilmiah dan hipotesis. Untuk menciptakan suatu model eksplanatori, suatu sistem dianalisis dan proses serta mekanismenya dikuantifikasi secara terpisah. Model dibangun dengan mengintegrasikan keseluruhan deskripsi dari sistem tersebut. Dalam pertumbuhan tanaman, model eksplanatori mengandung deskripsi berbagai proses seperti fotosintesis, perluasan daun dan pembentukan anakan Jadi pertumbuhan merupakan integrasi atau resultante dari berbagai proses yang mendukungnya Pengaruh faktor lingkungan terhadap setiap proses harus dikuantifikasi seperti radiasi dan suhu. Status tanaman harus dipertimbangkan termasuk antara lain luas daun, fase perkembangan dan kandungan nitrogen. Laju pertumbuhan kemudian dihitung untuk setiap fase dari masa pertumbuhan yang

13

Manajemen Inventori dan Logistik Hartri Putranto, SE. MM.

Pusat Bahan Ajar dan Elearning Universitas Mercu Buana

tergantung pada status tanaman aktual, tanah dan iklim yang berlaku. Semua faktor penting dapat dijelaskan dengan cara ini asalkan ada cukup teori dan data untuk itu. Laju pertumbuhan pada suatu fase dapat dijelaskan dari segi proses fisiologi, fisika dan kimia serta pengaruh faktor lingkungan. Dalam simulasi model eksplanatori dari sistem dinamis, laju perubahan dapat ditaksir cukup dekat dengan membuat laju proses konstan dalam jangka waktu yang pendek, dan ini dikenal sebagai pendekatan peubah keadaan. Interval waktu yang cukup ideal dalam simulasi tanaman adalah satu hari, dan biomassa yang dibentuk dalam jangka waktu tersebut adalah perkalian laju pertumbuhan dengan waktu. Ini ditambahkan ke biomassa sebelumnya, dan laju pertumbuhan berikutnya dihitung yang dapat berbeda akibat perbedaan dari faktor lingkungan dan keadaan tanaman. Jumlah proses yang sangat penting dalam simulasi pertumbuhan tanaman relatif terbatas, dan kuantifikasi proses tersebut secara rinci tidak perlu. Misalnya, perhitungan efisiensi sintesis setiap senyawa biokimia dalam biomassa biasanya tidak perlu, dan rata-rata dari setiap kelompok biasanya cukup. Aspek dinamis dari fisiologi sel dalam model pertumbuhan tanaman juga dianggap tidak perlu. Model eksplanatori dapat bermanfaat dari segi praktis sekalipun pengetahuan tentang proses tidak mencapai tingkat sel. Suatu hal yang perlu diingat adalah bahwa semakin rinci yang diinginkan dari model, semakin rinci yang harus dikandung model tersebut dan semakin banyak proses eksplanatori yang harus dilibatkan. Perkembangan model eksplanatori dalam beberapa dekade belakangan ini relatif lambat karena antara lain beberapa topik esensial tidak cukup difahami. Sekalipun model tersebut kaya informasi, tetapi susah dipakai (unwieldy). Penggunaanya sering hanya untuk menguji kembali hipotesis dan acuan dalam perbandingan model. Model tersebut jarang digunakan kecuali oleh ilmuan pembuatnya. Model eksplanatori, yang dapat dibagi menjadi tiga bentuk (preliminari, komphrehensif dan iktisar) berkembang secara perlahan. Model preliminari mempunyai struktur yang sederhana karena pemahaman pada tingkat eksplanatori masih samar. Model komphrehensif mewakili suatu sistem dengan unsur esensil difahami secara seksama dan banyak pengetahuan ini disatukan. Model ikhtisar merupakan abstraksi

13

Manajemen Inventori dan Logistik Hartri Putranto, SE. MM.

Pusat Bahan Ajar dan Elearning Universitas Mercu Buana

dari model komphrehensif, dan banyak digunakan belakangan ini dimana musim atau lengas tanah membatasi hasil.

Model Stokastik adalah model matematika dimana gejala-gejala dapat diukur dengan derajat kepastian yang tidak stabil. Pada Model Stokastik disebut juga model probabilistik peluang dari masing-masing kejadian benar-benar di hitung, menyusun sebuah model stokastik cenderung lebih sulit dari model deterministik. Kaidah-kaidah peluang adalah alat matematika yang cukup vital dalam menyusun model stokastik. Contoh model stokastik adalah teori antrian dan teori permainan, dimana ini merupakan pengembangan dari riset operasi modern. Klasifikasi Model klasifikasi model adalah management science terbagidalam MODEL DETERMINISTIK dan MODELSTOKASTIK(probablistik)pada model deterministiksemua parameter dapatditentukansecarapasif.pada model stokastikadabeberapaatausemua parameter dalam model terbentukvariabelraindom. Deterministik: Linear programming Metodetransportasi Model persediaan Metodepenugasan Model antrian Manajemenproyek CPM dan PERT2. stokastik Crool programming Rantaimarkov Dynamie programming

13

Manajemen Inventori dan Logistik Hartri Putranto, SE. MM.

Pusat Bahan Ajar dan Elearning Universitas Mercu Buana

Integer programming Teori keputusan Network model Simulasi

Implementasi Model Stokhastik dalam Transportasi

1.Pendahuluan Kebutuhan transportasi cenderung terus meningkat, hal ini terjadi di Indonesia, terutama diwilayah perkotaan. Transportasi akan menjadi kebutuhan semakin banyak orang, sejalandengan pertumbuhan penduduk dan jumlah kendaraan. Di wilayah perkotaan intensitastransportasi relatif lebih tinggi dibandingkan daerah luar kota dengan kerapatan penduduk yang rendah.Kajian sistem transportasi kota, akan memerlukan pemodelan untuk memperkirakan gerakan.Gerakan yang dimaksud adalah gerakan orang atau barang dengan menggunakan kendaraandiatas jalan dari asal ke tujuan. Pada suatu interval waktu kejadian gerakan yang telahdiperkirakan itu berlangsung serentak dimasing-masing ruas pada jaringan jalan.Pada interval waktu itu gerakan yang terjadi di ruas jalan dapat dinyatakan dengan besaranvolume ruas. Pada konteks waktu masa datang volume lalulintas tersebut, didapat dari hasilperkiraan melalui pemodelan termasuk model pembebanan lalulintas. Perkiraan volumelalulintas ini berguna sekali untuk perencanaan datang, baik jangka pendek, sistem jaringan jalan dan manajemenlalulintas. menengah maupun jangka panjang. sistem Perencanaan bersifat antisipasi terhadap kemungkinan yang mungkin terjadi dimasa jangka Pengembanganriset pemodelan pemilihan rute memegang peranan penting dalam pengembangan pemodelantransportasi untuk kepentingan perencanaan transportasi yang efektif dan efisien.Dalam kajian sistem transportasi kota diperlukan penyusunan prosedur perhitungan untuk menganalisa hubungan antara kebutuhan

13

Manajemen Inventori dan Logistik Hartri Putranto, SE. MM.

Pusat Bahan Ajar dan Elearning Universitas Mercu Buana

transportasi dan penyediaan sistem transportasi.Kebutuhan transportasi yang dimaksud adalah jumlah gerakan orang atau barang denganmenggunakan kendaraan diatas jalan dari asal ke tujuan. Sedangkan penyediaan adalahpenambahan atau pengaturan pemakaian ruas jalan yang menyatu dalam jaringan jalan.Dari sisi kebutuhan akan diperlukan suatu perkiraan jumlah dan pola sebaran terhadap ruang.Hal ini akan termasuk sebaran perilaku. Sisi penyediaan menyangkut sifat fisik dan sebaranruang. Kajian dilakukan simultan dari dua sisi tersebut.Sebagai bagian detil dari pemodelan prosedur perhitungan kajian kebutuhan-penyediaantransportasi diatas adalah pemodelan biaya perjalanan. Biaya perjalanan sangat dipengaruhioleh persepsi masing-masing pelaku perjalanan. Diperlukan suatu kajian untuk mendapatkanrumusan biaya perjalanan yang dapat digunakan untuk kajian kebutuhan-sediaan dalam kajiansistem. Kajian rumusan biaya perjalanan akan lebih baik jika menyertakan faktor persepsiyang terjadi dalam kenyataan.

2.Model Stokastik Pemilihan Rute Pada model pemilihan rute all-or-nothing, Pemakai jalan secara rasional memilih ruteterpendek yang meminimumkan hambatan transportasi (jarak, waktu, dan biaya). Semualalulintas antara zona asal dan tujuan menggunakan rute yang sama dengan anggapan bahwapemakai jalan mengetahui rute yang tercepat tersebut. Dengan kata lain, pemakai jalanmengetahui rute terpendek yang meminimumkan waktu tempuh dan semuanya menggunakanrute tersebut, tidak ada yang menggunakan rute lain. Pembebanan all-or-nothing

Dalam penelitian

ini nilai waktu

didekati

dengan

nilai waktu kerja

pemilik

kendaraanpribadi pengguna jalan tol yang menjadi responden survey, yaitu jumlah ratarata penghasilanper bulan dibagi jam kerja per bulan, lalu dirata-ratakan.Untuk analisis pemilihan rute dalam suatu jaringan, biaya perjalanan antar asal tujuandihitung melalui jumlah biaya ruas yang dilewati, dimana pada proses numerik dilakukanpembatasan

13

Manajemen Inventori dan Logistik Hartri Putranto, SE. MM.

Pusat Bahan Ajar dan Elearning Universitas Mercu Buana

jumlah

ruas

yang

dilewati,

proses

pemilihan

lintasan

terbaik

dilakukan

denganmenggunakan algoritma Dijkstra (Bell dan Iida, 1997). Penggambaran adanya perbedaanpersepsi biaya perjalanan diproses melalui perbedaan persepsi biaya melintasi ruas jalan.Ruas-ruas jalan dalam jaringan dibagi menjadi kelompok pendek, sedang dan jauh. Perbedaanpersepsi dipolakan dari biaya objektif dan parameter sebaran dalam prosentase biaya objektif.Dalam hal ini biaya objektif dianggap sebagai rata-rata biaya persepsi. Untuk kelompok ruaspendek parameter dispersi diberi nilai nol, untuk ruas sedang parameter dispersi 15% daribiaya objektif dan untuk ruas panjang 30% dari biaya objektif. Model distribusi yangdigunakan adalah distribusi normal. Setiap distribusi persepsi dibagi menjadi empat segmen persepsi, masing-masing akan memiliki nilai biaya persepsi berbeda. Pencarian rute terpilihmenggunakan metoda minimisasi biaya perjalanan untuk setiap zona asal ke semua zonatujuan. Putaran hitungan pencarian rute dilakukan per segmen persepsi. Lihat Gambar 1 danGambar 2. Persepsi Biaya Perjalanan

Dari satu tempat asal ke berbagai/semua tempat tujuan dalam jaringan: hitung biayaperjalanan untuk masing-masing ruas, hitung biaya perjalanan termurah untuk setiappasangan asal tujuan, dengan anggapan persepsi biaya perjalanan sama (didekati denganbiaya perjalanan setiap ruas sama bagi semua orang, tidak ada sebaran persepsi).. Perjalanan dari satu tempat asal ke berbagai/semua tempat tujuan dalam jaringan dibagi menjadi perjalanan kelompok yaitu perjalanan pendek, perjalanan jarak jauh, dan jarak

13

Manajemen Inventori dan Logistik Hartri Putranto, SE. MM.

Pusat Bahan Ajar dan Elearning Universitas Mercu Buana

jauh dengan cara: cari jarak terpendek atau biaya termurah, cari jarak terpanjang ataubiaya termahal, cari rentang atau interval antara biaya termurah dan termahal, bagi

13

Manajemen Inventori dan Logistik Hartri Putranto, SE. MM.

Pusat Bahan Ajar dan Elearning Universitas Mercu Buana

rentangmenjadi 3 bagian yang sama, tentukan batas kelompok perjalanan pendek yaitu jarak terpendek ditambah 1 bagian rentang, tentukan batas kelompok perjalanan sedang denganperjalanan panjang yaitu batas perjalanan pendek ditambah lagi 1 bagian interval.Sehingga terdapat 3 kondisi:1. Jika biaya perjalanan lebih besar atau sama dengan biaya perjalanan terpendek dan lebihkecil dari biaya perjalanan terpendek ditambah satu bagian interval maka perjalanan akantermasuk pada perjalanan pendek. Jarak atau biaya perjalanannya mudah diperkirakanbagi semua orang, persepsi semua orang tentang jarak terpendek atau biaya termurahcenderung sama tanpa sebaran. Jika biaya perjalanan lebih besar atau sama dengan biaya perjalanan terpendek ditambahsatu bagian interval dan lebih kecil dari biaya perjalanan termurah ditambah dua bagianinterval, maka perjalanan akan termasuk pada perjalanan menengah. Perkiraan biayaperjalanan dan biaya termurah bagi para pelaku perjalanan berbeda. Untuk kelompok inidimisalkan mengikuti suatu sebaran dengan paramater dispersi yang lebih kecil darikelompok perjalanan jarak jauh. Misalkan dispersi 15% dari nilai rataan, dengan sebarannormal.. Jika biaya perjalanan lebih besar atau sama dengan biaya perjalanan termurah ditambahdua bagian interval dan lebih kecil dari biaya perjalanan terpanjang, maka perjalanan akantermasuk pada perjalanan panjang atau mahal. Semakin jauh jarak perjalanan akansemakin menyebar persepsi tentang biaya perjalanan dan biaya termurah antar asal-tujuan.Untuk kelompok perjalanan jauh, persepsi biaya perjalanan dimisalkan mengikuti sebarannormal dengan dispersi lebih besar dari kelompok perjalanan menengah, misalkan 30%dari nilai rataan.Penggunaan distribusi normal standar (dengan rataan) =0 dan deviasi standar untuk membangkitkan sebaran biaya persepsi perjalanan dari rataan biaya persepsi perjalanan yangtelah tertentu, dapat dilakukan melalui transformasi ,

13

Manajemen Inventori dan Logistik Hartri Putranto, SE. MM.

Pusat Bahan Ajar dan Elearning Universitas Mercu Buana

Tahap awal implementasi model adalah mengkodekan algoritma kedalam program komputer,penelitian ini menggunakan pengkodean dengan bahasa FORTRAN. Tahap berkutnyadilakukan percobaan model pemilihan rute stokastik dengan sebaran persepsi biaya perjalananmempertimbangkan jarak perjalanan, untuk mengetahui pola pemilihan rute pada jaringan jalan contoh seperti pada Dengan menganggap persepsi biaya perjalanan sama untuk semua pengguna jalan dalam memandang seluruh ruas dalam jaringan tanpa melihat perbedaan panjang ruas, pola hasil rutepilihan dengan menggunakan algoritma Dijkstra. Denganpembagian 4 segmen persepsi pada model pemilihan rute stokastik yang dikembangkan,dimana biaya persepsi perjalanan dibangkitkan dengan sebaran berbeda untuk kelompok panjang ruas pendek, sedang dan panjang, sementara untuk pencarian rute biaya minimummenggunakan algoritma yang sama yaitu algoritma Dijkstra, dihasilkan masing-masing 4 polarute pilihan untuk setiap perjalanan dari satu zona asal ke semua zona tujuan. (Pada modelpersepsi biaya sama hanya ada 1 pola rute pilihan untuk setiap perjalanan dari satu zona asalke semua zona tujuan). Polapola rute pilihan hasil percobaan dengan model stokastik pemilihan rute berdasarkan jarak perjalanan.

SOAL LATIHAN

13

10

Manajemen Inventori dan Logistik Hartri Putranto, SE. MM.

Pusat Bahan Ajar dan Elearning Universitas Mercu Buana

Jawab: Misalkan N(t) adalah variabel random yang menyatakan banyaknya pelanggan yang datang pada selang waktu (0, t]. Proses stokastik {N(t), t 0} adalah proses Poisson dengan rate (laju) = 3. a. Nilai harapan jumlah pelanggan yang datang antara pukul 08.00 dan 10.00 E[N(10 8)]=E[N(2)]=3.2 = 6 pelanggan b. P(S7 > 2) = P(N(2) < 7) =

13

11

Manajemen Inventori dan Logistik Hartri Putranto, SE. MM.

Pusat Bahan Ajar dan Elearning Universitas Mercu Buana

13

12

Manajemen Inventori dan Logistik Hartri Putranto, SE. MM.

Pusat Bahan Ajar dan Elearning Universitas Mercu Buana