08 Mathematical Model

PEMODELAN SISTEM
1. MATHEMATICAL MODEL
2. STOCHASTIC PROCESS
3. UNCERTAINTY
4. PROBABILITY DISTRIBUTION
Mathematical Model
2
Pemodelan Sistem 28/11/2018

Mathematical modeling
3
Mathematical Modeling Real world problem
System approach
System / goal
System characterization ( step 1)

Mathematical
Mathematical model ( step 2 )
formulations
Analysis ( step 3 )
Validation ( step 4 )
adequate
Make changes Adequate mathematical model
Not adequate
Solution problem

Pernyataan Matematika (statement)
4
 Law
 Postulate
 Axiom
 Theorem
 Lemma
 Corollary
 Proposition
 Conjecture

Pembuktian (proofing)
5
 Proof: A logical argument made up of statements

that are supported by another statement that is
accepted as true
 Inductive Reasoning : Coming to a conclusion based off of
specific examples and observations
 Deductive Reasoning : Using facts, rules, definitions, and
properties to reach a logical conclusion from given statements

Inductive Reasoning
6
 Sequence atau series

 Boolean atau Logic
 Negation dengan simbol “~”
 Compound statement
 Conjunction dengan kata “and”
 Disjuntion dengan kata “or” atau “xor”
 Conditional statement atau “If hypothesis Then conclusion”

 Related conditional misalnya pq
 Converse misalnya qp
 Inverse misalnya ~p~q
 Contrapositive misalnya ~q~p

Deductive Reasoning
7
 Law of Detachment : If pq is a true statement and

p is true, then q is true.
 Law of Syllogism : If pq and qr are true
statements, then pr is a true statement.
 Paragraph Proof
 Algebraic Proof

Algebraic Proof
8
Properties of Equality Notes

Additional property Jika a = b, maka a+c = b+c
Subtraction property Jika a = b, maka a–c = b–c
Multiplication property Jika a = b, maka aXc = bXc
Division property Jika a = b dan c0, maka ac = bc
Reflexive property a=a
Symmetric property Jika a = b, maka b = a
Transitive property Jika a = b dan b = c, maka a = c
Substitution property Jika a = b, maka a dapat digantikan b
dalam persamaan atau ekspresi lain
Distributive property aX(b+c) = (aXb) + (aXc)

Algebraic Proof
9
Properties of Segment Notes

Congruence
Reflexive property AB  AB
Symmetric property Jika AB  CD, maka CD  AB
Transitive property Jika AB  CD dan CD  EF,
maka AB  EF
Properties of Angle Congruence Notes

Reflexive property A  A
Symmetric property Jika A  B, maka B  A
Transitive property Jika A  B dan B  C,
maka A  C
++Other postulates + Theorem

Kriteria Model Matematis
10
 Sederhana
 Sederhana dan mudah dipahami oleh stakeholder meski tidak
mahir matematika
 Complete
 Mencantumkan semua aspek yang signifikan dalam situasi
masalah terhadap ukuran kinerja keluaran
 Mudah dimanipulasi
 Memungkinkan dipergunakan untuk mencari solusi yang
terbaik dan menjawab masalah

11
 Adaptif
 Perubahan struktur pada situasi masalah dapat dengan mudah
diadopsi model dengan modifikasi relatif minor untuk
adaptasi
 Mudah dikomunikasikan
 Pemikiran system analyst dalam model mudah dimengerti dan
interaktif dengan pengguna untuk mempersiapkan,
memperbarui, mengubah dan memperbaiki secara cepat.

12
 Layak sesuai tujuan studi masalah

 Pengembangan model membutuhkan waktu tidak lebih dari
batas pengambilan keputusan, dan mempergunakan biaya
tidak lebih dari penghematan yang diperoleh.
 Menghasilkan informasi yang bermanfaat
 Keluaran dari model dengan lugas menggambarkan solusi
yang dapat dijadikan dasar pengambilan keputusan.

Karakteristik Model Matematis
13
 BerdasarkanTujuan (purpose)
 Optimasi
 Model yang digunakan untuk mencari nilai optimal (terbaik =
maksimasi/minimasi)
 Eksplanasi
 Model yang digunakan untuk menunjukkan interaksi variabel
yang mempengaruhi perilaku sistem
 Deskripsi
 Model yang digunakan untuk menggambarkan perilaku sistem

14
 Berdasarkan cara analisa (mode of analysis)

 Analitik
 Model yang menggunakan teknik matematika dan statistika untuk
menghasilkan informasi yang optimal.
 Numerik
 Model yang menggunakan iterasi numerik untuk menghasilkan
informasi yang mendekati optimal (estimation / heuristic)

15
 Berdasarkan perlakuan keacakan (treatment of

randomness)
 Deterministik
 Model yang tidak mengandung nilai keacakan, sehingga perilaku
sistem dapat diperkirakan secara pasti
 Probabilistik
 Model yang mengandung nilai keacakan, sehingga perilaku sistem
tidak dapat diperkirakan secara pasti.
 Stokastik
 Model yang mengandung nilai keacakan yang dipengaruhi oleh
waktu, sehingga perilaku sistem tidak dapat diperkirakan secara
pasti.

16
 Berdasarkan penerapan (generality of application)

 Untuk semua kasus homogen
 Model yang dapat digunakan untuk kasus-kasus yang mempunyai
kemiripan
 Untuk kasus tertentu.
 Model yang dibuat untuk kasus tertentu saja

Klasifikasi Model Matematis
17
Deterministik
Statik
Stokastik
Model
Deterministik
Dinamik
Stokastik

Klasifikasi Formulasi Matematis
18
 Berdasarkan interaksinya dengan waktu,

 Fungsi statis (stationary or time-invariant)
 Fungsi dinamis (time-variant)
 Berdasarkan ketergantungan dinamikanya pada

waktu,
 Fungsi diskrit
 Fungsi kontinyu
 Fungsi gabungan (hybrid)

19
 Berdasarkan korelasi dengan variabel bebasnya,

 Fungsi Linier
 Fungsi Nonlinier
 Berdasarkan banyaknya variabel bebasnya,

 Regresi sederhana
 Regresi berganda

20
 Berdasarkan interaksi variabel bebasnya terhadap

fungsi,
 Distributed parameter
 Masing-masing variabel memberikan interaksi terhadap fungsi
secara terpisah
 Lumped parameter
 Variabel-variabel memberikan interaksi terhadap fungsi secara
bersama-sama.

21
 Berdasarkan tingkat derivatif fungsi diferensial,

 Homogenous
 Heterogenous
 Berdasarkan tingkat probabilitas variabel bebasnya,

 Deterministik
 Stokastik/probabilistik

22
 Berdasarkan keberadaan konstanta faktor pengali

variabel bebasnya,
 Definisional (Definitional Equation)
 Persamaan hanya menunjukkan fungsi interaksi variabel
bebasnya saja tanpa adanya penambahan konstanta lain
 Empiris (Empirical Based Equation)
 Persamaan menunjukkan fungsi interaksi variabel bebas yang
berkaitan pula dengan adanya konstanta lain yang memberikan
bobot fungsi interaksinya. Konstanta yang disertakan dalam
persamaan diperoleh dari analisa regresi.

Dari Klasifikasi Model Berdasar Struktur
23
Model Fisik Model Ikonik

Model Model Analog
Model non Fisik
Model simbolik
 Pada Permodelan Matematis :

 Jika terhadap karakteristik sistem dilandasi oleh teori tertentu
maka harus diselesaikan dengan teori tersebut
 Jika tidak berlandaskan teori tertentu maka formulasi
matematik akan berbentuk khusus disebut Model Empiris

Variabel atau Peubah
24

Variabel atau peubah
25
 Variabel eksternal (external variable)

 Variabel yang tidak dapat dikendalikan, namun
mempengaruhi perilaku sistem. Terkadang disebut juga
dengan exogenous, environmental atau uncontrollable
variable.
 Variabel kebijaksanaan / asumsi (policy variable)
 Variabel yang dapat dikendalikan bahkan dapat ditentukan
dengan asumsi. Terkadang disebut juga dengan decision atau
controllable variable.

26
 Variabel acak (random variable)

 Variabel yang menggambarkan keacakan / probabilitas
perilaku sistem
 Variabel pasti (deterministic variable)
 Variabel yang mengarahkan perilaku sistem agar dapat
diprediksikan.

27
 Variabel respon (response variable)

 Variabel yang merupakan keluaran dari sistem yang
menunjukkan state yang menjadi fokus pemodelan. Terkadang
disebut juga dengan dependent variable.
 Variabel umpan balik (feedback variable)
 Variabel yang merupakan keluaran dari sistem yang berbalik
dan mempengaruhi perilaku sistem pada waktu selanjutnya.

Formulasi Matematis Deterministik
28
 Analisa Regresi
 Regresi Linier
 Regresi Nonlinier
 Regresi Polinomial
 Regresi Berganda
 Optimasi
 Turunan atau pendekatan Differensial
 Maksimasi/minimasi dengan batasan kendala
 Aljabar linier
 Vektor
 Matriks

Formulasi Matematis Probabilistik
29
 Variabel Acak dan distribusi

 Probabilitas
 Probabilitas kumulatif
 Ekspektasi
 Pendekatan kalkulus
 Differensial
 Integral
 Pendekatan rantai markov

 Probability on node
 Probability on arrow

Pendekatan Heuristik
30
 Pendekatan algoritma atau prosedur yang

berdasarkan logika berpikir yang rasional dan
sistematis dalam menyelesaikan permasalahan dan
menemukan solusi alternatif
 Trial & error  Metode delphi
 Tabel  Metode transportation
 Penelusuran  Simulasi annealing
 Batu pijakan  Theory of constraint
 Metode Numerik  Interpolasi

Mathematical Model
31
 Representasi matematis dari sebuah sistem yang

digunakan untuk pengambilan keputusan yang lebih
baik atau untuk memahami kondisi sistem secara
lebih baik

Model Prescriptive dan Optimasi
32
 Merupakan perilaku dari organisasi yang

memungkinkan untuk mencapai tujuan terbaik.
Komponen dari prescriptive model adalah:
 Objective function (fungsi tujuan)
 Decision variabel (variabel keputusan)
 Constrain (batasan)
 Model optimasi berusaha untuk mencari nilai dari

variabel keputusan yang menghasilkan fungsi tujuan
yang optimal (maksimasi atau minimasi) namun
masih memenuhi batasan.

Model empiris
33
Model Empiris
Model Analitis Model Simulasi
Sistem Model Komputer
Permodelan Simulasi

Formulasi statik
34
Identifikasi karakteristik variabel dan sistem

Skalar / vektor Persamaan Aljabar
Diskrit / kontinyu Persamaan / fungsi optimasi
Ada pembatas / tidak ada
1 Variabel > 1 Variabel
Pers. Aljabar S1 S2
Fungsi optimasi S3 S4
S1/S2  Formulasi Persamaan Aljabar

G (x,y,q) = 0
dimana :
G : fungsi vektor
x,y : variabel vektor
q : set parameter

Formulasi
35
Formulasi :
Zk+1 = Jk ( Zk , Zk-1, …., Zk – nk ) :
Uk , U k – 1 , …., Uk – nk ; qk
Z = dependen variabel
K = nilai diskrit var independen t
Uj = { - ~ < j < ~ } merupakan urutan yang
diketahui
Qk = parameter
Jk = fungsi
Sistem Lingkungan
36
 Oleh karena obyek perhatian hanya pada atlit dan

prestasinya maka sistem ini adalah sistem tertutup
Atlit Black Box Prestasi
Angkat besi
 Simplikasi / idealisasi
 Oleh karena yang diperhatikan hanya gaya mengangkat, waktu
mengangkat tidak signifikan, sistem statik.
 Oleh karena berat atlit yang dihubungkan dengan prestasi dapat
berulang maka sistem deterministik
 Kompetisi tidak memperhatikan tinggi badan dan warna kulit

Karakteristik sistem/relasi
37
Karakteristik Sistem
Prestasi
Berat badan
 Formulasi Matematik
 Mendapatkan hambatan yang terjadi berdasarkan hubungan antara berat badan
dan hal angkatan, prestasi dapat dinyatakan berdasarkan faktor hambatan yang
terjadi
 Identifikasi faktor relevan
 L = berat angkatan / prestasi
 W = berat badan
 L’ = hambatan

Model - 1
38
Asumsi : berat angkatan proporsional terhadap berat

badan
L = f (w)
Deskripsi Matematik
L = k w k ,  : suatu konstanta
Manipulasi matematik
L’ = k = L / w

Model - 2
39
Argumentasi fisik :
Asumsi : berat angkatan proporsional terhadap rata – rata
luas bidang potong otot atlit
Deskripsi Matematik
L = k1 A , A = luas
A = k2 l 2 , l = karasteristik panjang
W = k3 l 3 , berat proporsional terhadap
volume badan
Manipulasi Matematik
L= k1. k2. l2 = k1. k2 . ( W/k3 ) 2/3
k = k1 . k2 . k3 –2/3
L’ = k = L / W2/3

Alpha Inc.
40
 Titanium alloy is used in the manufacture of high

precision components for many industries
 Alpha Inc., a company specializing in metallurgical
processes, has decided to set up a plan to produce
titanium alloy
 They can be produced by two different methods and
Alpha Inc., has the option of choosing the ore from four
different mines
 Alpha Inc. is interested in producing the alloy with the
smallest thermal coefficient
 The problem facing Alpha Inc. is to decide:
 On the method to be used, and
 On the mine from which is must, get the ore

Beta Inc.
41
 Milk can be consumed either directly or in processed

forms such as cream, yogurt and cheese
 Beta Inc. is the sole producer of milk in a certain
region and also owns the factory of process the milk
into various forms
 Beta Inc. like any other company, wants to maximize
its total profit
 The problem for the company is to determine the
relative quantities of the various products necessary
to achieve this goal

Cool Inc.
42
 Cool Inc. is a company which manufactures soft

drinks
 Its thinking of expanding its plant capacity so the as
to meet future demands
 The monthly sales for the past 5 years are given
 The problem is to obtain good estimates for future
demand so as to help the company make the right
decision

Validasi
43
 Deterministik
 Goodness of fit (membandingkan nilai aktual dengan nilai
observasi/eksperimen)
 Model stochastic
 Statistical Comparison of Response
 Pengujian Hipotesis

Stochastic Process
44

Stochastic process
45
 Sample space (ruang sample): all possible outcome

 Random variable:
 A real valued function yang di-define pada outcome
 A real valued function yang di-assign pada outcome
 Stochastic process: kumpulan dari beberapa random

variable yang di-define pada sample space yang sama

Stochastic process
46
 Notasi
X(t); t Є T : stage
T : set of index
t : parameter
X(t) : state of the process pada time t
 State space
 sample space pada stochastic process
 X(t1), X(t2), X(t3)

Stochastic process
47
Klasifikasi Stochastic Process berdasar

State Space dan Parameter
Parameter
State Space Discrete Continue
Discrete DS DP SP DS CP SP
Continue CS DP SP CS CP SP

Stochastic process
48
 Pengamatan pada sebuah bank

 DS DP SP
 Bila kita ingin mengetahui berapa banyak customer dalam
bank ketika seorang customer datang
 State space: banyaknya customer dalam bank  diskrit
 Parameter: n = customer index  diskrit
 X(n) = banyaknya customer dalam bank saat customer ke-n

datang

Stochastic process
49

 DS CP SP
 Bila kita ingin mengetahui banyaknya customer dalam bank
pada suatu saat tertentu
 State space: banyaknya customer dalam bank  diskrit
 Parameter: time index  kontinyu
 X(t): jumlah customer dalam bank pada waktu = t

Stochastic process
50

 CS DP SP
 Bila kita ingin mengetahui berapa lama seorang customer
harus menunggu sebelum dilayani
 State space: waiting time  kontinyu
 Parameter: n = customer index  diskrit
 X(n): lamanya customer ke-n harus menunggu sebelum

dilayani

Stochastic process
51

 CS CP SP
 Bila kita ingin mengetahui berapa lama waktu yang diperlukan
untuk melayani semua customer yang ada dalam bank dalam
suatu waktu
 State space: lama “to clean out”  kontinyu
 Parameter: t = time index  kontinyu
 X(t): waktu yang diperlukan untuk “clean out” customer pada

waktu t

Stochastic Model
52
Kumpulan Var. acak berindeks {Xt} dimana t berada pada him T yang diberikan.
T : Integer non negatif
Xt : Sifat yang bisa diukur pada waktu –t
Contoh :
X1, X2…..Menggambarkan tk inventori pd suatu produk demand mingguan
Contoh :
Sebuah toko kamera menyediakan model kamera khusus yang bisa di order
mingguan mis. D1, D2, … menunjukkan permintaan kamera selama minggu 1, 2, …
dst.
Disini diasumsikan bahwa di mrp var acak yang berdistribusi sesuai dg dest.ttt.
X0 :
 Kamera on hand
X1 :  Kamera on hand akhir minggu 1

X2 : Kamera on hand akhir minggu 2, dst
Asumsi X0 = 3
Pd sabtu malam toko tsb melkk order yg akan dikirim pd pembukaan toko tsb pd
hari senin. Toko tsb menggunakan kebijakan pemesanan ( S, S )
Mis. (1, 3) OH < 1 pesan
ada tdk pesan
State = 0,1,2,3

( kamera yg mungkin ada ditangan )
{Xt} utk t = 0,1 … proses stokastik

Stochastic Model
53
Xo = 3
max { (3 – Dt + 1), 0 } jk Xt < 1
Xt + 1 =
max { (Xt – Dt + 1), 0 } jk Xt >= 1
P. Stokastik { Xt }
Mempunyai sifat markovian jika :
P { Xt + 1 = j | X0 = K0, X1 = K1, … = Xt – 1 = Kt –1 , Xt = i }
= P { Xt + 1 = j | X t = I } Conditional Probability
Peluang Transisi jika

P { Xt +1 = j | Xt = i } = P { X1 = j | X0 = I } utk  t  0. 1
Pij : peluang transisi stasioner
Pijn : n – step transition probabilities
peluang bersyarat bahwa var X pd state – i akan berada pd state j
setelah n – step ( time unit )
Pij (n) >= 0
M
 Pij
j 0
(n)
=1 utk semua i dan n = 0,1,2,…

Stochastic Model
54
State 0 1 …M
0 POO(n) … POM(n)
1
P(n) = : u/ n = 0,1,2,…
M PMM (n)
P (n) = POO(n) … POM(n) MARKOV

: CHAINS
PMO(n) … PMM(n)
Su/proses stokastik finite – state Markov Chain jika mempunyai :

1. Status dl  terbatas 3. Stationary Transition Probabilities
2. Sifat Markovian 4. Himpunan Int. prob P { X0 = i } u/ semua i
Contoh :
P= P00 P01 P02 P03 P00  P { D t  3 }  0.08

P10 P11 P12 P13 P10  P { X t  0 | X t -1  1}
P20 P21 P20  P(Xt  0 | X t -1  2)
P30 … P33  X t 1  1 
 X t  max{(1  D t )  0}
Dt  1
 0.632 dst

Stochastic Model
55
Chapman – Kolmogorov Equation

M
  Pik Pkj /  i, j, n, 0  v  n
(n) (v) (n- v) u
P ij
k 0
Cond prb. Bahwa mulai dari state -i ke state k setelah v- step dan menjadi state –j
dgn m-v langkah.
Misal : v=1 dan v = n-1
Pij(n)   Pik Pkj (n - 1
Pij(n)   Pik (n - 1) Pkj
n  2  Pij(2)   Pik Pik
P2 = 0.08 … 0.0368
0.632 idem
0.264
0.080
= 0.249 0.286 0.3 0.165
0.283 0.252 0.233 0.233
0.357 0.319 0.233 0.097
0.249 0.286 0.300 0.165
1 1 1 1
P{X2  3}  (0.165)  (0.233)  (0.097)  (0.165)  0.165
4 4 4 4

Stochastic Model
56
Long – Run Properties of MC

• Steady State Probabilities
Jika peluang transisi yg dihasilkan menunjukkan independensi thdp status awal
0.286 0.285 0.264 0.166
P(8) = P4 . P4 = 0.286 0.285 0.264 0.166
0.286 0.285 0.264 0.166
0.286 0.285 0.264 0.166
u/ penyelesaian problem – problem
– Rata rata biaya per unit waktu

– Rata rata biaya per unit waktu u/ fungsi – fungsi
– Biaya yang relatif komplek
• Absorption States
state – k dikatakan absorbis state jk Pkk = 1
•Parameter kontinyu Markov Chains peluang transisi stasioner

Pij (f) = P{ X (f+s) = j | X(s) = i }
Fungsi tersebut diasumsikan kontinyu pada t = 0 dengan :
1 if i j
lim Pij(t) 
t 0 0 if i j
dst

Stochastic Model
57
Jika state 3 Cost u/ penggantian $4000
Loss production $2000
$6000
Proses F.State MC
ST 0 1 2 3
0 0 7/8 1/16 1/16
1 0 3/4 1/8 1/8
2 0 0 1/2 1/2
3 1 0 0 0
Lihat sec 9.22 ( Long run properties of MC )

Pij(4) > 0 Steady State
0  3
1  7 8 0  3 4 1
2  1 16  0  1 8  1  1 2  2
3  1 16  0  1 8  1  1 2  2
1   0  1   2   3
Solusi Simultan :  0  2 13  2  2 13
 1  7 13  3  2 13
( Long run ) exp. average cost per day :
 0π 0  1000π1  3000π 2  6000 π 3
 $1.923.08

Stochastic Model
58
Markovian D. Models
Alternatif Policy  State 2,3  ganti
0 1 2 3
0 0 7/8 1/16 1/16
1 0 3/4 1/8 1/8
2 1 0 0 0
3 1 0 0 0
Jika State 2  Overhaul Asumsi model :

Dec Action 1. Sistem diobservasi pada t = 0,1,2,…
1 Do Nothing 2. State : 0,1,2,…M (finite)
2 Overhaul (1)
3 Replace (0)
Misal {Xt, t=0,1…}  urutan status yg di observasi

Decision  { t , t = 0,1,…}
R  aturan pengambilan kep pd t
Sistem : X0, X1, X2, X3, …Xt
0, 1, 2, 3, … t-1
{ d0(R), d1(R), …. , dM(R) }

Stochastic Model
59
Policy Verbal Desc do (R) d1(R) d2(R) d3(R)
Ra Replace in state 3 1 1 1 3
Rb Replace in state 3 1 1 2 3
Overhaul in St –2
RC Replace in state 2,3 1 1 3 3
RD Replace in state 1,2,3 1 3 3 3
Rb Rd
St 0 1 2 3 St 0 1 2 3
0 0 7/8 1/16 1/16 0 0 7/8 1/16 1/16
1 0 3/4 2/8 1/8 1 1 0 0 0
2 0 1 0 0 2 1 0 0 0
3 1 0 0 0 3 1 0 0 0
• Tentukan dist peluang P{X0=1}
initial state dr sistem dan R
• Tentukan urutan keputusan (di (R) ) = K Markovian D. Models
• Tentukan Pij(K)
Step step diatas  hanya menjelaskan policy bukan yg terbaik  ???
Cost Structure
Sistem pd state –i dan decision di (R) = K  konsekuensi biaya = Cik ( expected )
Cik = biaya yg diperkirakan akan terjadi selama transisi berikutnya jika sistem dlm
status –i dan keputusan K telah di buat.

Stochastic Model
60
Decision Cost Exp.Cost Maintenance Cost (lost Total Cost

ST due to prod cost proft) fr lost per day
deffective production
items
Leave 0 0 0 0 0
machine asis 1 $ 1000 0 0 $1000
2 $ 3000 0 0 $3000
3 ~ 0 0 ~
Overhaul 0,1,2,3 0 $2000 $2000 $4000
Replace 0,1,2,3 0 $4000 $2000 $6000
di Summarised
Cik
ST\dec 1 2 3
M
0
1
0
1
4
4
6
6 E (C )  Cik i
2 3 4 6 Z
i 0
3 ~ ~ 6
Policy II0,…II3 E(C)
Ra (2/13,7/13,2/13,2/13) 1/13[2(0)+7(1)+2(3)+2(6)]
=1.923
Rb 2/21 … =1.667 * min
Rc =1.727
Rd =3

Uncertainty
61

Kerancuan Kata Ketidakpastian
62
 Ketidakpastian terjadi setiap hari.

 Ketidakpastian berhubungan dengan kata
kesempatan, probabilitas, kemungkinan, resiko,
keberuntungan, stokastik, harapan, perasaan,
tebakan, dll.
 Ketidakpastian berhubungan erat dengan
kebingungan.
 Kerancuan penggunaan kata ketidakpastian akan
memberikan interpretasi yang berbeda.

Penyebab Ketidakpastian (1 of 2)
63
 Tidak adanya pengetahuan dan pemahaman yang

detil, adanya proses-proses yang tidak dimengerti
sepenuhnya.
 Fenomena/proses yang didasarkan pada informasi
yang tidak lengkap.

Penyebab Ketidakpastian (2 of 2)
64
 Ketidakmampuan memprediksi gerakan-gerakan

yang terjadi di dunia nyata, yang biasanya
berhubungan dengan tindakan pesaing, customer,
pekerja atau pemerintah.
 Kesalahan pengukuran fenomena yang
mengakibatkan kesalahan pengambilan kesimpulan
sehingga hasil yang diperoleh masih mengandung
ketidakpastian.

Jenis Dan Tingkat Ketidakpastian (1 of 2)
65
 Ketidakpastian dialami oleh individu dan

perusahaan.
 Ketidakpastian berhubungan dengan nilai numerik
yang dipengaruhi oleh suku bunga atau waktu.
 Contoh ketidakpastian: jumlah permintaan produk
pada periode mendatang dan harga material pada
periode mendatang.

Jenis Dan Tingkat Ketidakpastian (2 of 2)
66
 Tingkat ketidakpastian beragam, dari level tidak

mengetahui apa-apa sampai mengetahui hampir
semua hal.
 Pengambilan keputusan beresiko: semua hasil dapat
didaftar dan pernyataan numerik dibuat tentang
kemungkinan masing-masing.
 Pengambilan keputusan: semua hasil tidak dapat
didaftar dan pernyataan numerik tidak dapat dibuat
tentang kemungkinan masing-masing.

Prediksi Dan Peramalan
67
 Ketidakpastian berhubungan dengan kejadian di

masa depan.
 Banyak cara yang ditempuh untuk melihat masa
depan.
 Cara tersebut mulai dari peramal sampai ahli
ekonomi .
 Mereka berusaha mencari jawaban atas pertanyaan
yang berhubungan dengan masa depan.

Prediksi Tetap (1 of 3)
68
 Melihat masa depan dapat dilakukan dengan

mempelajari masa lalu.
 Meskipun dunia berada dalam kondisi bergolak dan
kacau, ada suatu kontinuitas dan stabilitas yang
terjadi.
 Langkah pertama dalam prediksi adalah identifikasi
karakteristik yang tetap dan menggambarkan tingkat
stabilitas, yang disebut dengan prediksi tetap dan
merupakan pendekatan yang sederhana.

69
 Prediksi tetap sesuai untuk fenomena yang tetap

pada posisi tertentu atau gerakan naik dan turun
dalam pola yang tidak dapat diprediksi sama sekali.
 Contoh: fluktuasi harian jangka pendek dalam
pembagian harga atau pertukaran mata uang asing
yang pada saat pasar berada pada fase yang stabil
akan mengikuti random walk.

70
 Dalam peramalan cuaca, prediksi tetap hampir

sebaik peramalan dengan menggunakan peralatan
monitoring yang berpengalaman tinggi, teori masa
air yang kompleks dan program komputer yang
dijalankan dengan ruang lingkup yang luas untuk
beberapa jam atau hari.

Prediksi Trend (1 of 3)
71
 Skema yang juga sering digunakan untuk

meramalkan masa depan adalah trajectory (lintasan
peluru) atau prediksi trend.
 Asumsi: meskipun ada perubahan, perubahan
tersebut adalah stabil.

72
 Contoh: jika penjualan roti meningkat 8% seiring

dengan peningkatan populasi, maka hal tersebut
dapat diasumsikan terus berlangsung beberapa
waktu lamanya.
 Prediksi trend merupakan pendekatan peramalan
yang lebih berhasil dan banyak digunakan.

73
 Prediksi tren menghasilkan peramalan yang dapat

dipercaya daripada model ekonometrik lainnya.
 Digunakan untuk perencanaan jangka panjang.
 Banyak fenomena yang menggambarkan
pertumbuhan jenis eksponensial.
 Namun ada beberapa proses yang akan mengalami
perubahan dasar.

Prediksi Siklus
74
 Prediksi siklus didasarkan pada prinsip bahwa

sejarah akan berulang.
 Prediksi siklus tepat digunakan untuk fenomena
musiman.
 Lebih baik daripada prediksi trend sehingga dapat
menghasilkan peramalan jangka pendek yang lebih
baik.
 Tepat digunakan untuk fenomena jangka panjang
seperti siklus bisnis.

Prediksi Asosiatif (1 of 3)
75
 Metode ini menggunakan data masa lalu dan satu

jenis proses (faktor bebas) untuk memprediksi jenis
proses yang lain (faktor tak bebas).
 Merupakan teknik statistik, seperti analisa regresi
dan pengembangan ekonometrik.
 Prediksi asosiatif: faktor bebas menjadi penyebab
faktor tak bebas.
 Contoh: peningkatan jumlah uang akan
menyebabkan inflasi.

76
 Namun juga dapat digunakan walaupun tidak ada

hubungan sebab akibat antara faktor bebas dan
faktor tak bebas yang dapat disebabkan karena tidak
tersedianya data atau kesulitan pengamatan
langsung.
 Contoh: nilai yangtinggi dipengaruhi oleh IQ tapi IQ
tidak dipengaruhi oleh nilai yang tinggi.

77
 Prediksi asosiatif memiliki wilayah yang luas dalam

penelitianmengenai petunjuk yang diperoleh.
 Analisa regresi yangberhubungan dnegan petunjuk
bebas akan sangat membantu untu memprediksikan
proses tak bebas (signifikan secara statistik).

Validitas Data Masa Lalu untuk Prediksi Masa
Depan (1 of 3)
78
 Sebagian besar pendekatan untuk memprediksi

masa depan menggunakan data masa lalu.
 Asumsi: data masa lalu tersebut valid.
 Jika tidak valid maka diindikasikan adanya
perubahan struktural dan perilaku fenomena yang
sedang diobservasi.

Depan (2 of 3)
79
 Contoh perubahan struktural: perubahan dalam

legislatif, teknologi dan ekonomi.
 Contoh perubahan perilaku: merupakan akibat dari
perubahan psikologis, moral, gaya hidup dalam
populasi tersebut.
 Prediksi tidak seharusnya dilakukan untuk estimasi
tunggal.

Depan (3 of 3)
80
 Reliabilitas prediksi dapat menghasilkan tingkat

variabilitas dari fenomena yang diprediksi.
 Dengan adanya proses yang berulang, maka dapat
dihitung kesalahan prediksi seperi perkiraan standar
deviasi dari nilai prediksi dan nilai aktual.

Prediksi oleh Penilaian Ahli
81
 Ada beberapa metode prediksi lain yang

dikembangkan dan digunakan oleh bisnis besar,
konsultan perencanaan pasar dan pemerintah.
 Perusahaan menguji produk baru pada sejumlah
konsumen untuk melihat penerimaan mereka
terhadap produk baru tersebut.

Metode Delphi (1 of 4)
82
 Model yang sangat terkenal adalah metode delphi.

 Contoh: prediksi harga minyak pada akhir tahun
70an oleh kelompok MS/OR untuk mengevaluasi
keinginan ekonomis untuk pengembangan
penyulingan minyak di Selandia Baru.

83
 Ahli ekonomi dan energi diminta untuk

berpartisipasi dalam survey harga minyak dalan 30
tahun terakhir yang dilakukan dengan kuesioner.
 Hasil kuesioner disajikan dalam bentuk statistik oleh
peneliti.
 Kuesioner pertama dikomunikasikan dalam bentuk
ringkasan: respon rata-rata, medium dan kisaran
respon.

84
 Jika hasilnya belum memenuhi syarat, maka

pengisian kuesioner harus diulang.
 Delphi mengulang langkah-langkah tersebut dalam 3
atau 4 iterasi. Dan iterasi terakhir sebagai prediksi
akhir.

85
 Metode delphi sangat berhasil namun sangat mahal,

kecuali jika ahli berada di wilayah lokal, memerlukan
waktu yang relatif lama, memerlukan analisa
sensitivitas untuk menentukan seberapa krisis
perolehan perkiraan yang dapat dipercaya.
 Dalam contoh: harga per barel pada awal 78 $35,
prediksi untuk akhir 80 $60 sampai $90, namun
kenyataannya $20.
 Kesimpulan: sekalipun penilaian dilakukan oleh ahli,
masih mungkin terjadi kesalahan.

Penyesuaian Judgemental untuk Peramalan
dengan Metode Lain (1 of 2)
86
 Peramalan kuantitatif berdasarkan data masa lalu,

walaupun data masa lalu tidak dapat
merepresentasikan masa depan.
 Sehingga perlu dimasukkan input jadgemental untuk
membenarkan peramalan kuantitatif yang
dihasilkan dari data masa lalu.

Penyesuaian Judgemental untuk Peramalan
dengan Metode Lain (2 of 2)
87
 Persetujuan ahli: penyesuaian judgemental

digunakan sebagai informasi tambahan atau
pengetahuan lebih dalam namun bukan berdasarkan
perasaan.
 Orang yang memberikan penyesuaian harus diberi
unpan balik untuk performansinya.
 Umpan balik membantu peningkatan peramalan dan
mengurangi bias.

Pengukuran Probabilitas Dan Interpretasinya
88
 Ketidakpastian berarti sebuah hasil yang mungkin

terjadi namun tidak dapat terus terjadi, sebaliknya
akan berubah.
 Jika kita mengetahui kisaran hasil yang meungkin,
hal terbaik yang dapat kita lakukan adalah membuat
pernyataan numerik tentang kemungkinan setiap
hasil yang mungkin: dapat dihitung, dalam kisaran
dan tak terhitung.

Probabilitas Obyektif (1 of 2)
89
 Dalam banyak situasi sederhana/proses yang

berulang dalam hal bentuk/waktu, nilai numerik
probabilitas utnuk hasil tertentu atau kejadian E
dinotasikan dengan P(E) dapat diinterpretasikan
sebagai frekuensi relatif jangka panjang dimana hasil
tersebut terjadi.

Probabilitas Obyektif (2 of 2)
90
 Perkiraan probabilitas yang didasarkan pada

properti fisik dari fenomena dapat diberikan sebagai
interpretasi frekuensi jangka panjang yang disebut
probabilitas obyektif.

Probabilitas Subyektif
91
 Kesulitan interpretasi: situasi yang unik dan berbeda

dengan pengalaman lalu.
 Contoh situasi unik: pengenalan produk baru,
pengaruh intervensi pemerintah tertentu.

Penelitian Perilaku dalam Perkiraan Probabilitas
Subyektif
92
 Penelitian mengenai bagaimana individu

memperkirakan ketidakpstian dan membuat
penilaian dibawah ketidakpastian menunjukkan
sejumlah pola perilaku yang mengganggu.
 Untuk pemahaman dan pemrosesan hubungan
multi-faceted yang kompleks.

Penyederhanaan Heuristik untuk Keputusan di
Bawah Ketidakpastian
93
 Penelitian Tversky dan Kahneman menghasilkan

penemuan tentang bagaimana mengatasi indikasi
ketidakpastian yang menyebabkan orang-orang
menggunakan prinsip, aturan dan pola heuristik
dalam jumlah terbatas yang digunakan untuk
mengurangi tugas kompleks dalam memperkirakan
probabilitas dan membuat prediksi dalam operasi
judgemental yang lebih sederhana.

Prediksi Penjualan dengan Wishful Thinking
94
penjualan penjualan
grup 1
aktual
prediksi
grup 2
sekarang waktu sekarang
(a) (b)

Variabel Random (1 of 2)
95
 Contoh: penjualan sebuah produk berbeda dari hari

ke hari. Pada hari ganjil, tidak terjual satupun.
Penjualan terbesar tercatat sejumlah 12. Pada
kebanyakan hari, penjualan berkisar antara 4 sampai
8.

Variabel Random (2 of 2)
96
 Data yang lalu menunjukkan penjualan dapat

diasumsikan antara 0-12.
 Kisaran ini menunjukkan nilai dari variabel random
penjualan harian yang diasumsikan.

Nilai Harapan
97
 Nilai harapan adalah substitusi bebas dari variabel

random dan dasar keputusan untuk perilaku jangka
panjang.
 Keputusan yang didasarkan pada alternatif dengan
nilai harapan tertinggi dari pengukuran kinerja
adalah keputusan terbaik.

Mengurangi Ketidakpastian
98
 Mengumpulkan informasi lebih banyak lagi.

 Analisa sensitivitas.
 Mebiarkan pilihan-pilihan tetap terbuka.
 Menciptakan pilihan untuk masa yang akan datang.

Kriteria Keputusan di Bawah Ketidakpastian
99
 Kriteria: keuntungan harapan maksimal dan biaya

harapan minimal.
 Seorang decision maker tidak akan mengambil
keputusan yang yang biayanya lebih besar dari
keuntungan yang dapat diperolehnya.

Probability Distribution
100

Terminologi
101
 Variabel Acak
 Distribusi
 Fungsi probabilitas
 Probability Mass Function, p(x)
 Probability Density Function, f(x)
 Cumulative Distribution Function, F(x)
 Ekspektasi

Distribusi Diskrit
102
 Hubungan antara p(x) dengan F(x)

x
F ( x)   p(i) di mana F ( x)  1 untuk total probabilitas
i 0
 Probabilitas variabel acak kurang dari X

X
P( x  X )  F ( X )   p(i)
i 0
p(x) F(x)
Distribusi Kontinyu
103
 Hubungan antara f(x) dengan F(x)

x
F ( x)   f (i)di di mana F ( x)  1 untuk total probabilitas

 Probabilitas variabel acak kurang dari X

X
P( x  X )  F ( X )   f ( x)dx

f(x) F(x)
Distribusi Probabilitas Gabungan
104
 Joint distribution Y2 X 2 Y2 X 2
P( X 1  x  X 2 , Y1  y  Y2 )    p( x, y)    f ( x, y )dxdy
y Y1 x  X 1 Y1 X 1
 Marginal distribution
 
g ( x )   f ( x, y )   f ( x, y)dy
y 0 
 
h( y)   f ( x, y )   f ( x, y)dx
x 0 
 Conditional distribution
f ( x, y )
f ( y | x)  di mana g ( x)  0
g ( x)
f ( x, y )
f ( x | y)  di mana h( y )  0
h( y )
Distribusi Bernoulli
105
 Parameter  p
p x 1
p
(1-p)

p( x)  (1  p) x  0
0 0 1
 other p(x)

0 x0
p

F ( x)  (1  p) 0  x  1 1
(1-p)
1 x 1

F(x)
Distribusi Bernoulli
106
 Parameter  p
 Mean
p
 Variance
 2  p(1  p)

Distribusi Binomial
107
 Parameter  p dan n
 n  x
  p (1  p) n  x x  0,1,..., n
p( x)   x 
0
 other
p(x)

0 x0
 x
F ( x)   p (i ) x  0

i 0
F(x)
Distribusi Binomial
108
 Parameter  p dan n
 Mean
  n. p
 Variance
  n. p(1  p)
2

Distribusi Pascal atau Binomial Negatif
109
 Parameter  p dan r
 x  1 r
  p (1  p) x r x  r , r  1,..., 
p( x)   r  1
0 p(x)
 other

0 xr
 x
F ( x)   p (i ) x  r

i r
F(x)
Distribusi Pascal atau Binomial Negatif
110
 Parameter  p dan r
 Mean
r

p
 Variance
r (1  p )
  2
2
p

Distribusi Geometrik
111
 Parameter  p
 p.(1  p) x 1 x  1,2,..., 
p ( x)  
0 other
p(x)

0 x 1
F ( x)  
1  (1  p ) x
x 1
F(x)
Distribusi Geometrik
112
 Parameter  p
 Mean
1

p
 Variance
(1  p )
  2
p2

Distribusi Hipergeometrik
113
 Parameter  N, D dan n
 D   N  D 
  . 
  x   n  x  x  0,1,..., min(n, D) p(x)
p( x)   N
  
 n
0 other
0 x0
 x
F ( x)   p (i )

x0
i 0
F(x)
Distribusi Hipergeometrik
114
 Parameter  N, D dan n
 Mean
D
  n 
N
 Variance
 D  D  N  n 
  n 1  
2

 N  N  N  1 

Distribusi Poisson
115
 Parameter  
 e  x
 x  0,1,..., 
p ( x)   x!
0 other p(x)

0 x0
 x
F ( x)   p (i ) x  0

i 0
F(x)
Distribusi Poisson
116
 Parameter  
 Mean
 
 Variance
 2

Distribusi Uniform Diskrit
117
 Parameter  a dan b
 1
 x  a, a  1,..., b
p( x)   (b  a)  1
0 other p(x)
 Cumulative 0 Distribution Function, F(x)

xa
 ( x  a)  1
F ( x)   a xb
 (b  a)  1
1 xb
F(x)
Distribusi Uniform Diskrit
118
 Mean
ab

2
 Variance
(b  a  1)  12
  2
12

Distribusi Uniform Kontinyu
119
 1
 a xb
f ( x)   b  a
0 other
f(x)
0 xa
 ( x  a)
F ( x)   a xb
 (b  a)
1 xb
F(x)
Distribusi Uniform Kontinyu
120
 Mean
ab

2
 Variance
(b  a ) 2
2 
12

Distribusi Triangular
121
 Parameter  a, b dan c
 2( x  a)
 (c  a)(b  a) a  x  b

 2(c  x)
f ( x)   bxc
 ( c  a )(c  b )
f(x)
0 other

0 xa
 ( x  a) 2
 (c  a)(b  a) a xb

F ( x)  
(b  x) 2
1  bxc
 ( c  a )( c  b )
1 xc
F(x)
Distribusi Triangular
122
 Mean
abc

3
 Variance
a  b  c  ab  ac  bc
2 2 2
  2
18

Distribusi Eksponensial
123
 Parameter   = 1/
.e   . x x0
f ( x)  
0 other f(x)

0 x0
F ( x)    . x
1  e x0
F(x)
Distribusi Eksponensial
124
 Parameter   = 1/
 Mean
1
 

 Variance
1
  
2 2
2

Distribusi Gamma
125
 Parameter   dan 
   x 1e  x / 
 x0
f ( x)   ( )
0 other
f(x)

di mana ( )   x 1e  x dx dan jika  bulat positif ( )  (  1)!
0
0 x0
x
F ( x)   f (i )di x  0
0
Pemodelan Sistem F(x) 28/11/2018
Distribusi Gamma
126
 Mean
  
 Variance
  
2 2

Distribusi Erlang atau Gamma (m,)
127
 Parameter  m dan 
   m x m 1e  x / 
 x0
f ( x)    ( m)
0 other f(x)
di mana m bulat positif

0 x0
x
F ( x)   f (i )di x  0
0
Distribusi Erlang
128
 Parameter  m dan 
 Mean
  m
 Variance

Distribusi Weibull
129
 .  x 1e  ( x /  )

x0
f ( x)  
0 other
f(x)

0 x0
 x
F ( x)   f (i )di x  0
0
F(x)
Distribusi Weibull
130
 Mean
 1
   
  
 Variance
  
2
2  1   1  
2

2   2       
 
           


Distribusi Rayleigh atau Weibull (2,)
131
 Parameter   = 2 dan 
2. 2 x.e  ( x /  ) x0
2
f ( x)  
0 other
f(x)

0 x0
 x
F ( x)   f (i )di x  0
0
F(x)
Distribusi Rayleigh atau Weibull (2,)
132
 Parameter  =2 dan 
 Mean
 1
  
2 2
 Variance
 
2

  2
2  
2  2
Distribusi Beta
133
 Parameter  1 dan 2
 x1 1 (1  x) 2 1
 0  x 1
f ( x)   (1 ,  2 )
0 other
f(x)
(1 ).( 2 )
di mana (1 ,  2 ) 
(1   2 )
0 x0
x
F ( x)   f (i )di x  0
0
Distribusi Beta
134
 Parameter  1 dan 2
 Mean
1

1   2
 Variance
1 2
  2
1   2  1   2  1
2

Distribusi Normal atau Gaussian
135
 Parameter   dan 
 ( x   ) 2 /( 2 2 )
e
f ( x) 
2 . 2
f(x)

x
F ( x)   f (i)di

F(x)
Distribusi Normal atau Gaussian
136
 Mean

 Variance
 2 2

Distribusi Lognormal
137
 e  (ln( x )  ) /( 2
2 2
)
 x0
f ( x)   x. 2 . 2
0
 other f(x)

0 x0
x
F ( x)   f (i )di x  0
0
F(x)
Distribusi Lognormal
138
 Mean
  2 / 2
 e
 Variance
2   2 2
 e2
(e  1)

Distribusi Chi-Square atau Gamma (/2, 2)
139
 Parameter   = /2 dan  = 2

 2  x 1e  x / 2
 x0
f ( x)   ( )
0 other f(x)

0 x0
x
F ( x)   f (i )di x  0
0
F(x)
Distribusi Chi-Square atau Gamma (/2,2)
140
 Parameter   = /2 dan  = 2
 Mean
 
 Variance
  2
2

Distribution Fitting & Parameter Estimation
141
 Chi-Square Test
 Kolmogorov Smirnov Test
 Geary Test
 Lilliefors Test
 Shapiro-Wilk Test
 Moment Generating Function
 Maximum Likelihood Estimation
 Least Square Error

Chi-Square Test
142
Kelas Rentang Aktual Harapan

1 BB1 – BA1 Frekuensi amatan F(BA1) - F(BB1)
: : : :
k BBk – BAk F(BAk) - F(BBk)
2  
k f observed  f expected 
2 0,3
0,25
i 1 f expected 0,2
pdf f(x)
0,15
 2  2 ,df  Distribusi sesuai 0,1
0,05
0
16,5 19,5 22,5 25,5 28,5 31,5 x

Kolmogorov-Smirnov Test
143
Kelas Rentang Aktual Harapan

1 BB1 – BA1 Frekuensi F((BA1+BB1)/2)
Kumulatif
: : : :
k BBk – BAk F((BAk+BBk)/2)
T   sup( Fexpected  Fobserved ) 1
T   sup( Fobserved  Fexpected ) 0,75

T  sup(T  , T  )
CDF F(x)
n j j 1 0,5
n (1T )
 n  j  j
p T   1  T    T  
j 0  j  n  n 0,25
p    Distribusi sesuai 0
10 15 20 25 30 x
35

Moment Generating Function
144
 Ekspektasi rata-rata
 
  E ( x)   x. p( x)   x. f ( x)dx
x 0 
 Ekspektasi variansi
 
  E ( x )  E ( x)    x 2 . p( x)   2   x 2 . f ( x)dx   2
2 2 2
x 0 

Maximum Likelihood Estimation
145
 Fungsi Likelihood
n
L( x1 , x2 ,..., xn )   f ( xi )
i 1
 Ekspektasi rata-rata
n
x i
 i 1
x
n
 Ekspektasi variansi
n
 (x  x)i
 2 i 1
 S2
n
Least Square Error
146
 Sum Square Error
0,3
SSE    f observed  f expected 

k 0,25
2
0,2
pdf f(x)
i 1 0,15
0,1
0,05
1
0
16,5 19,5 22,5 25,5 28,5 31,5 x
0,75
CDF F(x)
0,5  Mean Square Error

0,25
SSE
0
MSE 
10 15 20 25 30 x
35 k

08 Mathematical Model

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

08 Mathematical Model

Uploaded by

Copyright:

Available Formats

PEMODELAN SISTEM

Pemodelan Sistem 28/11/2018

Mathematical Modeling Real world problem

System characterization ( step 1)

Pemodelan Sistem 28/11/2018

Pemodelan Sistem 28/11/2018

 Proof: A logical argument made up of statements

Pemodelan Sistem 28/11/2018

 Sequence atau series

 Conditional statement atau “If hypothesis Then conclusion”

Pemodelan Sistem 28/11/2018

 Law of Detachment : If pq is a true statement and

Pemodelan Sistem 28/11/2018

Properties of Equality Notes

Pemodelan Sistem 28/11/2018

Properties of Segment Notes

Properties of Angle Congruence Notes

Pemodelan Sistem 28/11/2018

Pemodelan Sistem 28/11/2018

Pemodelan Sistem 28/11/2018

 Layak sesuai tujuan studi masalah

Pemodelan Sistem 28/11/2018

Pemodelan Sistem 28/11/2018

 Berdasarkan cara analisa (mode of analysis)

Pemodelan Sistem 28/11/2018

 Berdasarkan perlakuan keacakan (treatment of

Pemodelan Sistem 28/11/2018

 Berdasarkan penerapan (generality of application)

Pemodelan Sistem 28/11/2018

Pemodelan Sistem 28/11/2018

 Berdasarkan interaksinya dengan waktu,

 Fungsi dinamis (time-variant)

 Berdasarkan ketergantungan dinamikanya pada

Pemodelan Sistem 28/11/2018

 Berdasarkan korelasi dengan variabel bebasnya,

 Berdasarkan banyaknya variabel bebasnya,

Pemodelan Sistem 28/11/2018

 Berdasarkan interaksi variabel bebasnya terhadap

Pemodelan Sistem 28/11/2018

 Berdasarkan tingkat derivatif fungsi diferensial,

 Berdasarkan tingkat probabilitas variabel bebasnya,

Pemodelan Sistem 28/11/2018

 Berdasarkan keberadaan konstanta faktor pengali

Pemodelan Sistem 28/11/2018

Model Fisik Model Ikonik

 Pada Permodelan Matematis :

Pemodelan Sistem 28/11/2018

Pemodelan Sistem 28/11/2018

 Variabel eksternal (external variable)

Pemodelan Sistem 28/11/2018

 Variabel acak (random variable)

Pemodelan Sistem 28/11/2018

 Variabel respon (response variable)

Pemodelan Sistem 28/11/2018

Pemodelan Sistem 28/11/2018

 Variabel Acak dan distribusi

 Pendekatan rantai markov

Pemodelan Sistem 28/11/2018

 Pendekatan algoritma atau prosedur yang

Pemodelan Sistem 28/11/2018

 Representasi matematis dari sebuah sistem yang

Pemodelan Sistem 28/11/2018

 Merupakan perilaku dari organisasi yang

 Model optimasi berusaha untuk mencari nilai dari