Tugas Pengantar Simulasi : Searching Article dan Resume Kuliah

  1. Pengertian Simulasi : Bahasa Simulasi (Sumber digilib.gunadarma.ac.id)
  2. Pendahuluan Simulasi
  3. Pendahuluan Simulasi : Introduction Antrian, Teori Antrian
  4. Antrian di Loket Taman wisata : aplikasi teori antrean
  5. Pendahuluan Simulasi : Pengantar Monte Carlo ,simulasi Monte Carlo
  6. ANALISIS BIAYAPEMELIHARAAN JALAN PROPINSI DI PROPINSI PAPUA DENGAN SIMULASI MONTE CARLO LELY WIDYA PRIHATINI (NIM 24202003), Central Library Institute Technology Bandung
  7. Network Simulations with Opnet, Nanyang Technological University
  8. Teknik Simulasi untuk memprediksi kehandalan lendutan balok statis : konfrensi Civil engeenering
  9. pemodelan-sebagai-sarana-dalam-mencapai-solusi-optimal
  10. Model simulasi sistem diskrit
  11. Simulasi traffic dengan software ARENA : article simulation with ARENA
  12. Software ARENA untuk study kasus lalu lintas armada Bus di Yogyakarta : heru artikel

28 Responses to “Tugas Pengantar Simulasi : Searching Article dan Resume Kuliah

  • Simulasi Untuk mengatasi Kemacetan Lalu lintas

    Kemacetan lalu lintas di kota Jakarta telah memperlihatkan fakta yang sangat memprihatinkan. Kemacetan terjadi di hampir semua ruas jalan pada waktu-waktu tertentu yang dikatakan sebagai jam sibuk. Hal ini tentunya sangat signifikan untuk diperhatikan mengingat setiap anggota masyarakat yang rentan merasa frustasi terhadap keadaan ini. Dalam mengatasi masalah ini, pemerintah berusaha untuk memberikan solusi bagi transportasi kota Jakarta berupa penyediaan busway, dimana memiliki jalur sendiri sehingga akan bebas dari kemacetan. Dengan solusi ini pun, diharapkan bahwa masyarakayutt akan mengurangi penggunaan kendaraan pribadi sehingga pada akhirnya juga akan memperbaiki kondisi jalan di kota ini.

    Tujuan dari penelitian ini adalah untuk melakukan pemodelan sistem operasional busway demi meningkatkan kinerja pelayanannya dalam hal headway bus. Model ini nantinya akan disimulasikan dengan menggunakan ARENA 5.0. Dalam hal ini, peneliti mengamati headway rata-rata dari sistem pengoperasian bus yang dinyatakan selama 7,5 menit dan kemudian akan mencoba untuk melakukan perbaikan demi mencapai nilai ideal yang diharapkan hanya 3,5 menit.
    Disini, peneliti akan mencoba mengajukan usulan dalam bentuk skenario untuk tujuan simulasi dengan target meminimasi headway rata-rata penumpang. Adapun, hasil penelitian menunjukkan bahwa semua skenario yang diajukan untuk sistem ini memberikan hasil yang lebih baik daripada sistem sekarang. Untuk skenario 1 menghasilkan penurunan headway pada halte yang paling signifikan (jelambar menuju pasar baru) sebesar 2,74%, skenario 2 menghasilkan penurunan 6,22%, dan skenario 3 menghasilkan penurunan 5,97%. Sedangkan, dengan pendekatan Bonferroni menunjukkan hasil bahwa skenario 2 dan 3 memberikan hasil yang paling baik dibandingkan skenario 1 dan sistem awal. Untuk perbandingan skenario 2 dan 3 ini sendiri tidak memberikan hasil mengenai mana yang terbaik. Akan tetapi, jika dengan perhitungan manual mengenai perbaikan pada halte yang paling signifikan ini menunjukkan skenario 2 (perbaikan sebesar 6,22%) lebih baik daripada skenario 3 (perbaikan sebesar 5,97%).

  • PERANCANGAN MODEL DAN SIMULASI PADA EVALUASI SISTEM ANTRIAN WAHANA DUNIA FANTASI PT. TAMAN IMPIAN JAYA ANCOL MENGGUNAKAN SOFTWAR

    Permasalahan yang dihadapi Dunia Fantasi adalah masalah lamanya waktu yang dihabiskan pengunjung untuk menikmati wahana Dunia Fantasi. Dunia Fantasi telah melakukan banyak cara untuk mengatasi masalah ini, salah satunya adalah penggunaan sistem antrian baru, yaitu sistem antrian kartu, yang dimaksudkan untuk memperbaiki sistem antrian lama yaitu sistem antrian manual.
    Data yang dikumpulkan adalah data kapasitas wahana, data waktu pelayanan wahana (durasi permainan, waktu loading dan unloading), data kapasitas railing track wahana serta data jumlah kedatangan pengunjung pada enam wahana terfavorit yang menggunakan dua sistem antrian, baik manual maupun kartu. Enam wahana terfavorit adalah Bianglala, Kora-kora, Halilintar, Istana Boneka, Niagara dan Arum Jeram. Kemudian setelah data jumlah kedatangan pengunjung didapat maka dicari distribusi waktu antar kedatangannya menggunakan software Stat::Fit versi 2. Setelah didapat, dilakukan proses perancangan model simulasi menggunakan software Visual SLAM and AWESIM 3.0 Student Version. Dalam proses perancangan model simulasi software AWESIM 3.0 Student Version memiliki keterbatasan yaitu jumlah maksimum entiti yang dapat diproses dalam simulasi adalah 300 entiti. Seluruh data yang dikumpulkan dikonversi 1/12 dari data sebenarnya guna memenuhi syarat tidak melebih dari 300 entiti terkecuali data waktu pelayanan.
    Implementasi perbaikan yang dilakukan memberikan hasil sistem antrian manual usulan untuk wahana Bianglala, Kora-kora, Halilintar dan Niagara yang secara umum lebih baik daripada sistem antrian kartu. Waktu rata-rata yang dihabiskan pengunjung pada wahana Bianglala selama 193,199 menit dibandingkan dengan sistem antrian kartu yaitu selama 234,044 menit. Waktu rata-rata yang dihabiskan pengunjung pada wahana Kora-kora selama 64,725 menit dibandingkan dengan sistem antrian kartu yaitu selama 113,224 menit. Waktu rata-rata yang dihabiskan pengunjung pada wahana Halilintar selama 44,964 menit dibandingkan dengan sistem antrian kartu yaitu selama 62,933 menit. Waktu rata-rata yang dihabiskan pengunjung pada wahana Niagara selama 50,224 menit dibandingkan dengan sistem antrian kartu yaitu selama 65,866 menit.

  • Agatha Kumala Aji Y. M0108026-Elza Ardia D. M0108042-Yunita Ekasari M0108072-Indriya Rukmana S. M0108091-Umi Muslihah M0108110
    7 years ago

    ANGGOTA KELOMPOK:
    Agatha Kumala Aji Juanda M0108026
    Elza Ardia Delavita M0108042
    Yunita Ekasari M0108072
    Indriya Rukmana Sari M0108091
    Umi Muslihah M0108110

    SIMULASI DARI DATA KE MODEL
    Simulasi yang dibahas untuk kasus-kasus di bawah ini adalah simulasi darri data diubah ke model. (DATA→MODEL). Sebagai contohnya kasus antrean pasien di loket pendaftaran di suatu RUMAH SAKIT. Akan disurvey bagaimana system pembukaan loket agar tidak terjadi antrean. Langkah-langkahnya yaitu :
    Melakukan survey di Rumah Sakit tersebut.
    Survey dilakukan dengan cara mengambil data banyaknya pasien yang datang pada jam tertentu pada beberapa hari. Misalkan dibuka n loket pendaftaran, akan disurvey banyak pasien yang mengantre di n loket tersebut. Dan dicatat interval waktu kedatangan pasien.
    Menghitung waktu yang dibutuhkan pada setiap loket untuk melayani setiap pasien.
    Setelah melewati gap yang pertama, selanjutnya pasien akan menuju ke bagian spesialis penyakit sesuai dengan keluhan pasien.
    Menghitung waktu yang dibutuhkan dokter untuk memeriksa setiap pasien.
    Dari langkah-langkah di atas kita dapat mengetahui berapa banyak antrean yang terjadi. Kemudian kita dapat membandingkan interval waktu kedatangan pasien dengan seluruh pelayanan (dari awal sampai selesai pemeriksaan). Sehingga kita dapat menentukan berapa loket yang harus dibuka. Dan kita bisa menentukan berapa standar waktu untuk melayani setiap pasiennya (dari awal sampai akhir) agar tidak terjadi antrean yang panjang.
    Contoh lainnya adalah pada kasus loket antrean di suatu BANK. Pertanyaan yang dapat muncul terkait dengan pengantar simulasi adalah “Apakah tiap hari membuka loket yang jumlahnya sama?” atau “Apakah tiap jam membuka loket yang jumlahnya sama?”. Untuk mengatasinya juga akan dilakukan survey tentang bagaimana keadaan (tingkat keramaian) pengunjung bank yang datang pada hari dan jam tertentu. Misalnya saat dibuka registrasi mahasiswa UNS, melalui survey dapat diketahui bagaimana tingkat antreannya. Tingkat antrean tersebut dapat ditentukan oleh peneliti (tinggi, sedang, atau rendah). Apabila tingkat antreannya tinggi, dapat diatasi dengan cara membuka lebih banyak loket atau dengan menggunakan system registrasi online. Langkah-langkah survey juga sama dengan kasus di Rumah Sakit di atas.
    Kasus yang lain yang dapat diaplikasikan dalam Pengantar Teknik Simulasi adalah bagaimana meminimumkan jumlah suatu kertas yang digunakan agar kertas tidak terbuang percuma. Oleh karena itu system produksi harus disimulasi dan diatur melalui suatu tatanan.
    Selain 3 contoh kasus di atas, kasus lain yang dapat diaplikasikan adalah kasus di BANDARA. Bagaimana caranya agar tidak terjadi ledakan para pengunjung di bandara tersebut, para pengunjung di sini yang dimaksudkan adalah para penumpang pesawat terbang dan para pengantar penumpang tersebut.
    Simulasi yang dapat disusun adalah :
    GATE PENUMPANG – PENGANTAR
    Pengunjung di bandara terdiri dari penumpang dan pengantar. Melalui Gate ini akan dipisahkan antara penumpang dan pengantar. Penumpang akan lanjut melalui Gate yang berikutnya dan para pengantar akan tetap tinggal di Gate ini.
    GATE DOMESTIK – MANCANEGARA
    Penumpang pesawat setelah melalui Gate Penumpang-Pengantar akan melalui gate ini. Di sini penumpang akan dipisahkan apakah tujuan penumpang dalam negeri atau luar negeri.
    GATE TUJUAN
    Penumpang tujuan Domestik atau Mancanegara akan dipisahkan ke mana daerah tujuan penerbangannya.
    GATE JENIS PESAWAT
    GATE TEMPAT DUDUK
    Dsb.

    SIMULASI DARI MODEL KE DATA

    LOTKA-VOLTERRA merupakan model prinsip dasar dalam kasus ini.
    Persaingan secara umum didefinisikan sebagai penggunaan sumber daya yang terbatas oleh dua spesies atau lebih. Model persaingan dua spesies Lotka-Volterra adalah model yang menggambarkan persaingan dua spesies yang mengikuti asumsi-asumsi Lotka-Volterra. Persaingan ini dapat terjadi baik antar spesies yang sama maupun spesies yang berbda. Tujuan penulisan ini adalah untuk menentukan titik tetap dari model serta menganalisis kestablian dari titik tetap tersebut. Bertolak dari asumsi bahwa pertumbuhan populasi dua spesies saling bersaing dan tergantung pada sumber daya yang sama masing-masing spesies mengikuti pola pertumbuhan logistik. Keseimbangan antara populasi kedua spesies akan tercapai jika daya dukung spesies 1 dan daya dukung spesies 2 telah habis digunakan oleh gabungan kedua spesies. Kondidsi keseimbangan dari model persaingan dua spesies Lottka-Volterra, dapat digambarkan menjadi empat kondisi. Kondisi pertama menyatakan bahwa spesies 1 merupakan pesaing interspesifik yang kuat sedangkan spesies 2 sebaliknya, sehingga spesies 1 mengungguli spesies 2. Kedua, spesies 2 pesaing interspesifik yang kuat, spesies 1 sebaliknya, sehingga spesies 2 unggul. Ketiga, untuk kedua spesies persaingan interspesifik lebih menonjol daripada intraspesifik, keduanya sama kuat. Keseimbangan ini tidak stabil karena pada kahirnya salah satu spesies akan menungguli spesies yanh lain. Keempat, kedua spesies merupakan pesaing interspesifik yang lemah sehingga keduanya dapat berkoeksistensi dalam keadaan setimbang. Analisis persaingan Lotka-Volterra sangat penting dalam studi interaksi antar spesies karena disamping memberikan pengertian dasar mengenai pemodelan interaksi, model ini juga memberikan gambaran mengenai berbagai kemungkinan dampak interaksi dan konsep keseimbangan.http://math.ipb.ac.id
    CONTOH KASUS LOTKA-VOLTERRA
    INTERAKSI MANGROVE DAN SUMBER DAYA IKAN
    Beberapa teori menyatakan bahwa ada hubungan positif antara ekosistem mangrove dengan produksi perikanan tangkap. Pemikiran tersebut didasarkan pada fungsi hutan mangrove yang antara lain adalah sebagai daerah asuhan (nursery ground), mencari makan (feeding ground), pemijahan (spawning ground) berbagai biota perairan seperti ikan, udang, dan kerang. Ada hubungan yang menarik antara keberadaan hutan mangrove dengan biota perairan dalam coastal zone dan ikan pelagis besar di laut lepas yaitu melalui jalur rantai makanan (predator – prey), seperti terlihat pada Gambar 1.

    Gambar 1. Fungsi ekologi hutan mangrove

    Konsep predator – prey pertama sekali dipelopori secara terpisah oleh ahli kimia fisika dari Amerika yang bernama Lotka (1925) dan ahli matematik dari Itali Volterra (1926). Konsep ini kemudian dikenal dengan model Lotka Volterra. Pada Tahun 1926, Volterra pertama menggunakan model ini untuk menjelaskan tingkat osilasi penangkapan ikan tertentu di Adriatic.
    Secara konkrit, konsep Lotka Volterra ini pernah diterapkan pada perikanan di Italia setelah Perang Dunia II. Ketika itu masyarakat Itali ramai-ramai menangkap ikan pelagis kecil yang ada di sekitar perairan pesisir. Karena input atau effort yang cukup tinggi, sehingga lama-kelamaan terjadi tangkap lebih (overfishing) dan degradasi sumber daya ikan di tempat tersebut. Setelah setahun kemudian, ternyata hasil tangkapan pelagis besar dari laut lepas mengalami penurunan secara signifikan. Setelah diteliti diketahui bahwa ada hubungan rantai makanan antara pelagis kecil yang ada di perairan pesisir dan pelagis besar yang ada di laut lepas. Karena ketersediaan pelagis kecil (sebagai prey) telah terdegradasi akibat overfishing, maka ikan pelagis besar (sebagai predator) kekurangan makan, sehingga mereka pindah (migrasi) ke tempat lainnya yang masih tersedia cukup makanan.
    Ekosistem mangrove di Provinsi NAD adalah sebagai tempat habitat berbagai macam ikan, crustacean, mollusca, dan burung serta mendukung kehidupan reptile dan mamalia. Masyarakat percaya bahwa akar mangrove dapat berperan dalam melindungi ikan kecil dari pemangsa. Ketika ikan menjadi dewasa, mereka meninggalkan payau dan pindah ke estuaria, karang, dan laut lepas. Ikan utama yang dapat ditangkap di ekosistem mangrove sepanjang pesisir Aceh adalah pelagis kecil, udang, kerapu, kakap, teri, bandeng, dan lain-lain.
    Untuk melihat interaksi ini digunakan Model Fozal (2005). Pada dasarnya model ini diturunkan dari kurva yield-effort model logistik, yaitu dengan memasukkan variabel hutan mangrove pada daya dukung lingkungan (carrying capacity). Data yang digunakan adalah data time series selama 21 tahun (1984 – 2004) dari produksi udang dan beberapa jenis pelagis kecil yang ditangkap dengan alat tangkap pukat pantai, payang, dan jaring klitik. Hasil pengujian menunjukkan bahwa ada interaksi positif antara keberadaan hutan mangrove dengan produksi perikanan tangkap, khususnya udang dan pelagis kecil, sebesar 27,21%. Artinya 27,21% produksi udang dan pelagis kecil di Provinsi NAD dikontribusikan oleh adanya ekosistem mangrove. Hal ini menunjukkan bahwa peran ekosistem mangrove cukup penting dalam menentukan tinggi rendahnya produksi perikanan tangkap.
    Penelitian yang sama dilakukan oleh Efrizal tahun 2005 menunjukkan bahwa ekosistem mangrove memberikan kontribusi 44,18 % terhadap produksi sumber daya ikan demersal di Kabupaten Bengkalis, Riau. Penelitian lainnya yang dilakukan oleh Paw and Chua tahun 1989 menyimpulkan bahwa ada hubungan positif antara luas area mangrove dengan penangkapan udang penaeidae di Philipina. Martusobroto dan Naamin tahun 1979 menyatakan bahwa ada hubungan positif antara hasil tangkapan udang tahunan dan luas mangrove di seluruh Indonesia.
    Penelitian Sudarmono tahun 2005 menyatakan bahwa sekitar 30 persen produksi perikanan laut tergantung pada eksistensi hutan mangrove, karena kawasan mangrove menjadi tempat perkembangbiakan berbagai biota laut, termasuk beberapa jenis ikan tertentu. Daun mangrove yang jatuh menjadi detritus yang dapat menambah kesuburan kawasan sehingga menjadikan tempat ini disukai oleh biota laut tersebut dan menjadikannya sebagai tempat bertelur, memelihara larva, dan tempat mencari makan bagi berbagai spesies akuatik, khususnya udang penaeidae dan ikan banding.
    Menyadari pentingnya hutan mangrove bagi pertumbuhan ikan dan berbagai biota laut lainnya, maka rehabilitasi mangrove di Provinsi NAD harus dilakukan dengan sungguh-sungguh. Jika tidak, ketersediaan stok ikan di perairan Aceh akan semakin memprihatinkan. Sebagai konsekuensinya, para nelayan kecil yang menangkap ikan di sekitar perairan pantai dengan menggunakan boat atau perahu kecil akan semakin sulit mendapatkan hasil yang memadai. Kondisi ini tentu akan mempengaruhi penghasilan dan kesejahteraan mereka.
    http://qassim-indra.blogspot.com/

    IKAN HIU dan IKAN TERI
    Dalam ekosistem laut, terdapat rantai makanan antara ikan hiu dan ikan teri (di sini asumsinya ikan teri adalah mangsa/ makanan ikan hiu, kata Pak Tanto). Rantai makanan antara ikan hiu dan ikan teri dapat dijelaskan oleh Model Lotka-Volterra. “Bagaimana populasi ikan hiu bila populasi ikan teri naik, dan sebaliknya?” dapat dijawab dengan model ini.
    Penjelasan dapat diketahui dari gambar di bawah ini :

    n1

    n2

    Misal n1 adalah populasi ikan hiu dan n2 adalah ikan teri.
    Titik (a, b) merupakan titik stationer, titik di mana tidak terjadi perubahan populasi ikan teri dan ikan hiu.
    Dari titik (a, b) menuju titik (c, d) dapat diketahui bahwa n1 berkurang dan n2 bertambah.
    Artinya saat populasi ikan hiu berkurang maka populasi ikan teri bertambah.
    Dari titik (c, d) ke titik (e, f) terlihat n1 bertambah dan n2 bertambah.
    Dari titik (a, f) ke titik (g, d) terlihat n1 bertambah dan n2 berkurang.
    Dari titik (g, d) ke titik (a, b) terlihat n1 berkurang dan n2 juga berkurang.

    Titik n1 n2 Artinya
    (a, b) Stationer Populasi hiu dan teri tetap
    (a, b)→(c, d) – + Hiu berkurang, teri bertambah
    (c, d) Stationer Populasi hiu dan teri tetap
    (c, d)→(e, f) + + Hiu dan teri bertambah
    (a, f) Stationer Populasi hiu dan teri tetap
    (a, f)→(g, d) + – Hiu bertambah, teri berkurang
    (g, d) Stationer Populasi hiu dan teri tetap
    (g, d)→(a, b) – – Hiu dan teri berkurang

    KASUS TRAFFIC LIGHT

    Untuk mengetahui pertumbuhan penduduk di suatu kota dapat diketahui pada traffic light, dapat dilakukan survey dengan adanya bantuan countdown yang sekarang ini banyak dipasang di traffic light di kota Solo.
    Kota B

    Kota A Desa

    Kota C
    N1 berjalan dari desa ke kota.
    Bila lampu hijau menyala maka N1 akan masuk ke kota. Ini berarti ada laju pertumbuhan di kota A.
    Bila lampu berwarna merah maka tidak ada laju pertumbuhan di kota A.
    Dua kasus di atas dapat dilakukan survey dengan mengambil data tiap interval waktu.
    Sehingga didapatkan persamaan sebagai berikut :
    (dN_1)/dt=aN_1 (1-b/a N_1-c/a N_2) (dN_1)/(dN_2 )=(aN_1 ( ))/(kN_2 ( ))
    (dN_2)/dt=kN_2 (1-l/k N_1)
    aN_1 (1-c/a N_2 )=0
    N_1=0 ⋁▒〖N_2=a/c〗
    Ket : t = waktu,
    a, b, c, k = konstanta
    N1, N2 = jumlah data 1 dan 2

    SIMULASI MONTE CARLO
    Simulasi Monte Carlo adalah proses menurunkan secara acak nilai variabel tidak pasti secara berulang-ulang untuk mensimulasikan model. Metode Monte Carlo karena itu merupakan teknik stokastik. Metode Monte Carlo dapat diaplikasikan dalam berbagai bidang, mulai dari ekonomi sampai fisika, tentu saja cara aplikasinya berbeda dari satu bidang ke bidang lainnya, dan ada banyak sekali himpunan bagian Monte Carlo meskipun dalam satu bidang yang sama. Hal yang menyamakan semua itu adalah bahwa percobaan Monte Carlo membangkitkan bilangan acak untuk memeriksa permasalahan.
    Metode Monte Carlo dianggap sebagai penemuan dari Stanislaw Ulam, seorang matematikawan cemerlang yang bekerja untuk John Von Neumann di proyek United State’s Manhattan selama perang dunia II.Ulam adalah orang pertama yang diketahui merancang bom hidrogen dengan Edward Teller tahun 1951. Dia menemukan metode Monte Carlo tahun 1946 sewaktu memikirkan peluang memenangkan permainan kartu soliter. Dalam metode ini kita harus mendefinisikan nilai yang mungkin dengan distribusi peluang untuk setiap variabel tidak tentu. Tipe distribusi yang dipilih didasarkan pada kondisi di sekeliling variabel.
    Metode Monte Carlo sebagaimana yang dipahami saat ini, melingkupi sampling statistik yang digunakan untuk memperkirakan solusi permasalahan kuantitatif. Ulam tidak menciptakan sampling statistik. Metode ini sebelumnya digunakan untuk menyelesaikan permasalahan kuantitatif dengan proses fisik, seperti pelemparan dadu atau pengocokan kartu untuk menurunkan sample. Kontribusi Ulam diakui dalam potensi penemuan baru komputer elektronik untuk mengotomasi penarikan sample. Bekerja dengan John Von Neuman dan Nicholas Metropolis, dia mengembangkan algoritma untuk implementasi komputer, juga mengeksplor alat transformasi permasalahan tidak acak ke dalam bentuk acak yang akan memfasilitasi solusinya melalui penarikan sample acak. Nama Monte Carlo diberikan oleh Metropolis, dipublikasikan pertama kali tahun 1949.
    Nama simulasi Monte Carlo diberikan sesuai dengan nama salah satu kota di Monaco, yaitu Monte Carlo, tempat utama kasino yang mengandung permainan peluang (kesempatan). Permainan peluang seperti roda rolet, dadu dan mesin slot menunjukkan perilaku acak.
    Dalam analisis Monte Carlo, peningkatan jumlah sample akan mengurangi kesalahan standar, tetapi itu akan bernilai mahal. Teknik reduksi ragam dapat digunakan untuk memperbaiki solusi. Teknik ini menggabungkan informasi tambahan tentang analisis secara langsung kedalam penduga. Hal ini memungkinkan penduga Monte Carlo lebih deterministik, dan karenanya mempunyai kesalahan standar lebih rendah. Teknik standar pengurangan ragam termasuk antithetic variates, control variates, importance sampling, dan stratified sampling.
    Simulasi Monte Carlo sering digunakan untuk melakukan analisa keputusan pada situasi yang melibatkan resiko yang melibatkan beberapa parameter untuk dilakukan pertimbangan secara simultan. Metode ini dapat digunakan secara luas karena didasarkan pada proses simulasi dengan pilihan kemungkinan secara random. Dengan demikian, jumlah iterasi yang dilakukan sangat menentukan tingkat ketelitian atas jawaban yang diperoleh. Metode ini seringkali juga disebut dengan metode percobaan statistik (method of statistical trials).
    Metode ini mengasumsikan pola kejadian variabel perhitungannya pada dua model distribusi yaitu distribusi normal dan distribusi uniform. Asumsi ini dapat melemahkan suatu kasus yang mempunyai pola distribusi diluar kedua asumsi tersebut diatas. Namun dengan sedikit melakukan usaha manipulasi statistik dengan melakukan transformasi data mentah pada variabel yang bersangkutan untuk diubah untuk memenuhi dua asumsi distribusi tersebut dapat dilakukan dengan sederhana. Dengan demikian, bagi pengambil keputusan hal yang harus diperhatikan terlebih dahulu sebelum mengambil metode ini adalah melakukan uji distribusi atas variabel perhitungan yang akan digunakan sampai memenuhi asumsi distribusi yang dipersyaratkan baru kemudian melakukan perhitungan berdasarkan prosedur yang ada.
    Metode ini didasarkan pada perhitungan yang sederhana dan dapat diadaptasi dengan komputer. Keuntungan atas fasilitas ujicoba (pengulangan) yang sangat cepat pada komputer sangat membantu dalam aplikasi Metode Monte Carlo ini.
    Didalam operasional, Monte Carlo melibatkan pemilihan secara acak terhadap keluaran masing-masing secara berulang sehingga diperoleh solusi dengan pendekatan tertentu. Oleh Canada dan White (1980) dinyatakan bahwa dengan semakin banyaknya jumlah ulangan percobaan yang dilakukan maka tingkat kesalahan atas hasil yang diperoleh akan semakin kecil. Dengan demikian tingkat ketelitian atas jawaban bagi seorang pengambil keputusan dapat ditentukan sendiri atas kisaran kesalahan yang terjadi dikaitkan dengan jumlah ulangan berdasar data yang ada.
    Konsep dasar dari Metode Monte Carlo dalam menyelesaikan persamaan diferensial adalah kebolehjadian langkah acak (random walk). Berdasarkan pendekatan dalam proses langkah acak, maka di dalam metode Monte Carlo dikenal dua tipe pendekatan yang cukup populer, yaitu tipe fixed random walk dan floating random walk. Tipe floating random walk adalah model Monte Carlo yang mengizinkan jumlah walker selalu berubah dalam simulasi, cara floating random walk bisa kacau karena dalam simulasi bisa timbul sedikit walker (kebanyakan terbunuh dalam proses) dan banyak walker ( timbul walker baru dalam proses) sehingga tipe floating random walk spesifik untuk satu aplikasi sedangkan tipe fixed random walk adalah model Monte Carlo yang menggunakan jumlah walker yang konstan jadi walker ini bertahan hidup sampai akhir simulasi sehingga untuk beberapa aplikasi hal ini lebih baik dari tipe floating random walk.

    SIMULASI DAN LOGIKA SAMAR

    Logika yang biasanya digunakan adalah Aristoteles.
    Logika tersebut bernilai mutlak, bernilai YA/ TIDAK..
    Logikanya sebagai berikut : 0 < μ(x) < 1
    Tidak < μ(x) < Ya Standar
    Salah < μ(x) < Benar
    Logika yang digunakan di jaman modern ini adalah FUZZY LOGIC.
    Perbedaan kedua logika tersebut akan diaplikasikan ke dalam persoalan sehari-hari yang akan dijelaskan satu per satu.
    PENGATURAN LAMPU LALULINTAS BERBASIS FUZZY LOGIC
    Lampu lalulintas memegang peranan penting dalam pengaturan kelancaran lalulintas. Sistem pengendalian lampu lalulintas yang baik akan secara otomatis menyesuaikan diri dengan kepadatan arus lalulintas pada jalur yang diatur. Dengan penerapan logika fuzzy hal ini sangat memungkinkan untuk dilakukan.
    Permasalahan utama dalam perancangan dan pembuatan modul sistem peralatan pengaturan lampu lalulintas berbasis Fuzzy Logic ini, adalah perangkat keras tambahan yang terdiri dari : sensor, OpAmp, ADC 0809, Interfacing PPI 8255, Driver, Relay dan Lampu lalulintas (LL). Sedangkan sebagai dasar pengendalian dari sistem yang dijalankan, digunakan algoritma logika fuzzy.
    Beberapa istilah yang digunakan dalam pengendalian lampu Lalulintas (LL), antara lain, untuk sebaran kendaraan adalah : Tidak Padat (TP), Kurang Padat (KP), Cukup Padat (CP), Padat (P) dan Sangat Padat (SP). Sedangkan untuk lama nyala lampu LL adalah : Cepat (C), Agak Cepat (AC), Sedang (S), Agak Lama (AL) dan Lama (L). Jelas istilah-istilah tersebut dapat menimbulkan keambiguan (ambiguity) dalam pengertiannya. Logika Fuzzy dapat mengubah keambiguan tersebut ke dalam model matematis sehingga dapat diproses lebih lanjut untuk dapat diterapkan dalam sistem kendali. Menggunakan teori himpunan Fuzzy, logika bahasa dapat diwakili oleh sebuah daerah yang mempunyai jangkauan tertentu yang menunjukkan derajat keanggotaannya. Untuk kasus disini, sebut saja derajat keanggotaan itu adalah u(x) untuk x adalah jumlah kendaraan. Derajad keanggotaan tersebut mempunyai nilai yang bergradasi sehingga mengurangi lonjakan pada sistem.
    Sistem pengendalian fuzzy yang dirancang mempunyai dua masukan dan satu keluaran. Masukan adalah jumlah kendaraan pada suatu jalur yang sedang diatur dan jumlah kendaraan pada jalur lain, dan keluaran berupa lama nyala lampu hijau pada jalur yang diatur. Penggunaan dua masukan dimaksudkan supaya sistem tidak hanya memperhatikan sebaran kendaraan pada jalur yang sedang diatur saja, tetapi juga memperhitungkan kondisi jalur yang sedang menunggu. Pengambilan dilakukan pada setiap putaran (lewat 8 sensor yang dipasang pada semua jalur). Satu putaran dianggap selesai apabila semua jalur telah mendapat pelayanan lampu.
    Masukan berupa himpunan kepadatan kendaraan oleh logika fuzzy diubah menjadi fungsi keanggotaan masukan dan fungsi keanggotaan keluaran (lama lampu hijau). Bentuk fungsi keanggotaan dapat diatur sesuai dengan distribusi data kendaraan. Menerapkan logika fuzzy dalam sistem pengendalian, membutuhkan tiga langkah, yaitu :
    Fusifikasi (Fuzzyfication)
    Evaluasi kaidah
    Defusifikasi (Defuzzyfication)
    Fusifikasi adalah proses mengubah masukan eksak berupa jumlah kendaraan menjadi masukan fuzzy berupa derajat keanggotaan u(x). Setelah fusifikasi adalah evaluasi kaidah. Kaidah-kaidah yang akan digunakan untuk mengatur LL ditulis secara subyektif dalam fuzzy associate memory (FAM), yang memuat hubungan antara kedua masukan yang menghasilkan keluaran tertentu. Kaidah-kaidah ini terlebih dahulu dikonsultasikan kepada mereka yang berpengalaman dalam bidang yang akan dikendalikan, misalnya Polisi Lalulintas dan DLLAJR. Di sini dipakai kaidah hubungan sebab akibat dengan dua masukan yang digabung menggunakan operator DAN, yaitu : Jika (masukan 1) DAN (masukan 2), maka (keluaran), dan ditabelkan dalam Tabel FAM. Sebagai contoh, jika TP(0,25) dan KP(0,75), maka AC(0,25). Di sini keluaran fuzzy adalah Agak Cepat yaitu AC(0,25).
    TabelFAM
    Fuzzy Associate Memory untuk kepadatan Lalulintas
    Masukan-1 TP KP CP P SP
    Masukan-2
    TP C AC S AL L
    KP C AC S AL L
    CP C AC S AL AL
    P C AC S S AL
    SP C AC AC S S
    Keterangan : Masukan-1 adalah jumlah kendaraan pada jalur yang diatur
    Masukan-2 adalah jumlah kendaraan pada jalur lain
    Setelah diperoleh keluaran fuzzy, proses diteruskan pada defusifikasi. Proses ini bertujuan untuk mengubah keluaran fuzzy menjadi keluaran eksak (lama nyala lampu hijau). Karena keluaran fuzzy biasanya tidak satu untuk selang waktu tertentu, maka untuk dihasilkan keluaran eksaknya dipilih keluaran dengan harga yang terbesar. Bila terdapat dua buah derajat keanggotaan berbeda pada akibat yang sama, diambil harga yang terbesar.
    Sistem pengatur LL yang dirancang ini, juga mempertimbangkan masukan interupsi sebagai prioritas utama, sehingga pengaturan LL yang sedang berjalan akan dihentikan sementara untuk melayani jalur yang menyela. Fasilitas ini digunakan untuk keadaan darurat atau mendesak, misalnya seperti pelayanan mobil pemadam kebakaran atau mobil ambulance. Pendeteksian interupsi dilakukan secara terus menerus (residen). Jika lebih dari satu jalur memberi interupsi, maka yang dilayani dulu adalah yang pertama menekan tombol interupsi itu.
    Perancangan dan Pembuatan Sistem Peralatan
    Desain Hardware
    Perangkat keras (hardware) yang akan dibuat dirancang sesuai blok diagram.
    Desain Software
    Perangkat lunak (software) yang dibuat dibagi menjadi beberapa bagian besar antara lain meliputi algoritma pengambilan dan masukan, pengiriman data keluaran, pengolahan data secara fuzzy, dan proses kendalinya. Perangkat lunak ini direalisasikan menggunakan Turbo Pascal.
    Algoritma program utama mengikuti proses sebagai berikut : mula-mula PPI diinisialisasi dengan mengirimkan control word ke register kendali PPI. Dengan mengirimkan nilai 90h ke register kendali PPI, maka port A akan berfungsi sebagai masukan dan port B serta port C akan berfungsi sebagai keluaran.
    Selanjutnya akan dikirimkan pulsa reset ke semua input ADC, pada saat awal seluruh jalur akan diberi lampu merah. Setelah proses ini, program melakukan proses yang berulang-ulang, yaitu proses pengambilan data pada tiap sensor, pengolahan data dan proses pengaturan fuzzy menggunakan prinsip-prinsip yang telah dibahas di atas dan menjalankan pengaturan sesuai dengan tabel kendali yang telah dibuat.
    Dari hasil perancangan dan uji coba sistem yang dibuat, logika fuzzy terbukti dapat digunakan untuk memenuhi tujuan pengaturan lalulintas secara optimal. Sistem yang dihasilkan relatif sederhana dan mempunyai fleksibilitas tinggi. Sistem ini dapat diterapkan di kondisi jalan yang berbeda, yaitu lewat penyesuaian ranah (domain) himpunan fungsi keanggotaan masukan dan keluaran dan kaidah-kaidah kendali pada Fuzzy Associative Memory (Tabel FAM).
    Miniatur Sistem Pengaturan Lampu Lalulintas ini dapat diperluas, misalnya :
    Komputer dibuat terpusat dengan tugas mengkoordinasi beberapa persimpangan (yang tidak harus 4 jumlahnya), terutama yang berdekatan, dengan tujuan supaya sistem-sistem saling membantu dan memperlancar sebaran kendaraan pada suatu daerah.
    Dikembangkan ke arah sistem yang adaptif, yaitu bila kondisi kepadatan berubah, maka sistem akan melakukan perubahan bentuk fungsi keanggotaan masukan dan keluaran, serta tabel FAM secara otomatis.
    Digunakan sistem minimum yang salah satunya bisa berupa aplikasi Microcontroler 8031 sehingga sistem tidak lagi tergantung pada penyediaan komputer sebagai otak sistem pengendali.
    AIR CONDITIONER (AC)
    Logika Aristoteles : Dingin / panas
    Fuzzy Logic : Digunakannya Microcontroller. Microcontroller tersebut dapat merespons bagaimana suhu yang ada di lingkungan sekitar. Bila suhu ruangan lebih tinggi daripada suhu AC, maka Microcontroller akan meresponnya dan AC otomatis akan menurunkan suhu. Dan juga sebaliknya.

    TRAFFIC LIGHT
    Bagaimana mengatasi adanya kepadatan kendaraan-kendaraan bermotor di traffic light?
    Aristoteles : Dengan adanya countdown

    Fuzzy Logic : Sensor
    model

    d= jumlah kendaraan bermotor

    Dengan melakukan survey pada suatu traffic light di perempatan jalan, mengambil data berapa jumlah kendaraan bermotor yang berhenti saat lampu merah (d).
    Setelah didapatkan data, dibuat asumsi mengenai criteria antrian kendaraan yang berhenti tinggi/ rendah dan juga asumsi countdown trafficlight yang dianggap cepat/ lambat.
    Misal asumsi untuk d adalah sebagai berikut :
    Antrian sedikit (ada 0-4 kendaraan)
    d = Antrian sedang (ada 5-10 kendaraan)
    Antrian panjang (ada 11-25 kendaraan)
    Asumsi untuk countdown :
    0 detik cepat
    15 detik
    30 detik lambat
    45 detik
    60 detik

    Maka, 0 det
    Antrian sedikit (0-4 kendaraan) → countdown lambat 15
    d = Antrian sedang (5-10 kendaraan) 30
    Antrian panjang (11-25 kendaraan) → countdown cepat 45
    60

    Dari gambar di atas dapat terpasang kombinasi (pemetaan input)
    Dengan menggunakan sensor dapat dihitung jumlah input kendaraan bermotor.
    Jika antrian kendaraan bermotor sudah panjang, sensor akan meresponnya dan secara otomatis lampu merah akan dihentikan dan diganti lampu hijau.

    MENGUKUR KETINGGIAN BADAN
    Aristoteles : Merentangkan tali pendek → dapat melewati tali yang direntangkan
    Tinggi → tidak dapat melewati tali yang direntangkan

    Fuzzy Logic :
    Tinggi t(x) = pendek
    sedang
    tinggi

    Bila ukuran standarnya adalah orang Indonesia, maka dapat ditarik asumsi :
    Tinggi t(x) = 0 (pendek) → t ≤ 150 cm
    ? (Sedang) → 150 cm ≤ t ≤ 170 cm
    1 (Tinggi) → t ≥ 170 cm
    Berapakah nilai untuk tinggi badan sedang?
    Didapatkan persamaan : (t-t_minimum)/interval
    Diketahui : t_minimum=150 (t-150)/20
    Interval = 20
    Jika diambil t =160 maka:
    (160-150)/20=0.5 → samar, tidak pendek/ tidak tinggi

  • Agatha_elza_yunita_indriya_umi
    7 years ago

    maaf ya pak, comentnya tdk beraturan, sebenarnya ada gambarnya, tapi tdk dapat di tampilkan.

  • Intan(M0108020),Deta(M0108036),Karyanti(M0108051),Khamsatul(M018052)
    7 years ago

    A. FUZZY LOGIC
    Orang yang belum pernah mengenal logika fuzzy pasti akan mengira bahwa logika fuzzy adalah sesuatu yang amat rumit dan tidak menyenangkan. Namun, sekali seseorang mulai mengenalnya, ia pasti akan sangat tertarik dan akan menjadi pendatang baru untuk ikut serta mempelajari logika fuzzy. Logika fuzzy dikatakan sebagai logika baru yang lama, sebab ilmu tentang logika fuzzy modern dan metodis baru ditemukan beberapa tahun yang lalu, padahal sebenarnya konsep tentang logika fuzzy itu sendiri sudah ada pada diri kita sejak lama.
    Logika fuzzy dikatakan sebagai logika baru yang lama, sebab ilmu tentang logika fuzzy modern dan metodis baru ditemukan beberapa tahun yang lalu, padahal sebenarnya konsep tentang logika fuzzy itu sendiri sudah ada pada diri kita sejak lama.
    Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output.
    Contoh pemetaan suatu input-output :
    1. Manajer pergudangan mengatakan pada manajer produksi seberapa banyak persediaan barang pada akhir minggu ini, kemudian manajer produksi akan menetapkan jumlah barang yang harus diproduksi esok hari.
    2. Pelayan restoran memberikan pelayanan terhadap tamu, kemudian tamu akan memberikan tip yang sesuai atas baik tidaknya pelayan yang diberikan;
    3. Anda mengatakan pada saya seberapa sejuk ruangan yang anda inginkan, saya akan mengatur putaran kipas yang ada pada ruangan ini.
    4. Penumpang taksi berkata pada sopir taksi seberapa cepat laju kendaraan yang diinginkan, sopir taksi akan mengatur pijakan gas taksinya.
    Contoh pemetaan suatu input-output dalam bentuk grafis seperti terlihat pada Gambar 6.1 :
    Gambar 6.1 Contoh Pemetaan Input-Output.
    6.2 ALASAN DIGUNAKANNYA LOGIKA FUZZY
    Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain:
    1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
    2. Logika fuzzy sangat fleksibel.
    3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
    4. Logika fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.
    5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
    6. Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
    7. Logika fuzzy didasarkan pada bahasa alami.
    6.3 APLIKASI LOGIKA FUZZY
    Beberapa aplikasi logika fuzzy, antara lain:
    1. Pada tahun 1990 pertama kali dibuat mesin cuci dengan logika fuzzy di Jepang (Matsushita Electric Industrial Company). Sistem fuzzy digunakan untuk menentukan putaran yang tepat secara otomatis berdasarkan jenis dan banyaknya kotoran serta jumlah yang akan dicuci. Input yang digunakan adalah: seberapa kotor, jenis kotoran, dan banyaknya yang dicuci. Mesin ini menggunakan sensor optik , mengeluarkan cahaya ke air dan mengukur bagaimana cahaya tersebut sampai ke ujung lainnya. Makin kotor, maka sinar yang sampai makin redup. Disamping itu, sistem juga dapat menentukan jenis kotoran (daki atau minyak).
    2. Transmisi otomatis pada mobil. Mobil Nissan telah menggunakan sistem fuzzy pada transmisi otomatis, dan mampu menghemat bensin 12 – 17%.
    3. Kereta bawah tanah Sendai mengontrol pemberhentian otomatis pada area tertentu.
    4. Ilmu kedokteran dan biologi, seperti sistem diagnosis yang didasarkan pada logika fuzzy, penelitian kanker, manipulasi peralatan prostetik yang didasarkan pada logika fuzzy, dll.
    5. Manajemen dan pengambilan keputusan, seperti manajemen basisdata yang didasarkan pada logika fuzzy, tata letak pabrik yang didasarkan pada logika fuzzy, sistem pembuat keputusan di militer yang didasarkan pada logika fuzzy, pembuatan games yang didasarkan pada logika fuzzy, dll.
    6. Ekonomi, seperti pemodelan fuzzy pada sistem pemasaran yang kompleks, dll.
    7. Klasifikasi dan pencocokan pola.
    8. Psikologi, seperti logika fuzzy untuk menganalisis kelakuan masyarakat, pencegahan dan investigasi kriminal, dll.
    9. Ilmu-ilmu sosial, terutam untuk pemodelan informasi yang tidak pasti.
    10. Ilmu lingkungan, seperti kendali kualitas air, prediksi cuaca, dll.
    11. Teknik, seperti perancangan jaringan komputer, prediksi adanya gempa bumi, dll.
    12. Riset operasi, seperti penjadwalan dan pemodelan, pengalokasian, dll.
    13. Peningkatan kepercayaan, seperti kegagalan diagnosis, inspeksi dan monitoring produksi.
    B. SIMULASI MONTE CARLO
    Simulasi Monte Carlo dikenal dengan intilah sampling simulation atau Monte Carlo Samling Technique
    Istilah Monte Carlo pertama digunakan selama masa pengembangan bom atom yang merupakan nama kode dari simulasi nuclear fission
    Simulasi ini sering digunakan untuk evaluasi dampak perubahan input dan resiko dalam pembuatan keputusan
    Simulasi ini menggunakan data sampling yang telah ada (historical data) dan telah diketahui distribusi datanya
    Simulasi monte carlo melibatkan penggunaan angka acak untuk memodelkan sistem, dimana waktu tidak memegang peranan yang substantif (model statis)
    Pembangkitan data buatan (artificial data) dengan menggunakan pembangkit angka acak (pseudo random numbers generator) dan sebaran komulatif yang menjadi interes
    3 Batasan Dasar
    Simulasi Monte Carlo
    – Apabila suatu persoalan sudah dapat diselesaikan atau dihitung jawabannya secara matematis dengan tuntas, maka hendaknya jangan menggunakan simulasi ini
    – Apabila sebagaian persoalan tersebut dapat diselesaikan secara analitis dengan baik, maka penyelesaiannya lebih baik dilakukan secara terpisah. Sebagian secara analitis dan sebagian lagi simulasi
    – Apabila mungkin dapat digunakan simulasi perbandingan

  • Intan(M0108020),Deta(M0108036),Karyanti(M0108051),Khamsatul(M018052)
    7 years ago

    maaf pak, tadi salah upload ke :
    simulasi dengan powerswim 2005

  • Ummi Naimul(M0106018), Nurnaini H(M0105050), Muafah(M0107038), Nining Dwi(M0108099)
    7 years ago

    Pengantar Awal Simulasi

    Simulasi adalah memvisualisasikan suatu proses sehingga diperoleh proses baru dengan strategi yang baik ditinjau dari system-sistem pembangunnya.
    Setelah pengantar awal simulasi dipahami, aplikasi simulasi perlu dikembangkan.
    Aplikasi simulasi tersebut dapat ditemui sekaligus dipelajari dengan mudah salah satunya apabila terdapat networking yang kuat antara seseorang yang mempunyai keahlian dalam bidang simulasi dengan suatu perusahaan tertentu yang bergerak dalam bidang jasa. Suatu perusahaan (bergerak dalam bidang jasa) yang mendapat hasil dari aplikasi simulasi tersebut memiliki kemungkinan besar untuk memperbaiki system yang belum optimal. Dalam hal ini, optimal ditinjau dari segi efektif dan efisien. Dengan demikian, muncullah suatu nilai (value) baru yang bersifat positif bagi simulator, perusahaan yang terkait, dan pastinya pelanggan dari perusahaan tersebut.

    Matematika dan Simulasi

    Simulasi adalah salah satu aplikasi dari bidang matematika. Meskipun demikian, terdapat hubungan antara simulasi dengan bidang statistika. Seperti yang telah diketahui bahwa bidang matematika berkaitan erat dengan bidang statistika. Jadi, dapat dikatakan simulasi bersifat logis dan matematis.

    DATA DAN MODEL

    Dalam teknik simulasi, terdapat dua (2) sudut pandang yang berbeda tetapi berkaitan, yaitu :
    1. Menentukan model dari data-data yang telah diperoleh
    2. Melakukan pengujian apakah model yang sudah dipublikasikan benar adanya

    Kedua sudut pandang tersebut dapat digambarkan dalam bagan berikut ini.
    1. Menentukan model dari data-data yang telah diperoleh

    Urutan langkah-langkah yang dilakukan saat menentukan model dari data-data yang telah diperoleh adalah :
    1. Memilih dan menentukan event/sistem/subsistem
    2. Mengumpulkan data-data pendukung (collecting data)
    3. Dibuat model
    4. Dilakukan animasi sebagai simulasi dari proses terkait event/sistem/subsistem yang telah dipilih dengan menggunakan software
    Sebagai contoh :
    1. Sistem antrian pada loket pembelian tiket-tiket transportasi seperti :
    a. tiket pesawat terbang di bandara
    b. tiket kereta api di stasiun

    2. Sistem antrian :
    a. Pada pelayanan nasabah di suatu bank
    b. ketika menjalani prosedur-prosedur sebelum masuk ke pesawat terbang
    c. pada kasir di swalayan
    3. Sistem count down di perempatan-perempatan jalan

  • Ummi Naimul(M0106018), Nurnaini H(M0105050), Muafah(M0107038), Nining Dwi(M0108099)
    7 years ago

    Assalammu’alaikuum
    Maaf pak… belum Semuanya. Selanjutnya kami akan segera melengkapinya. Terima kasih. Wass

  • Ida Yuswara (M0108046),Mika Asrini (M0108094),Infussiana Arlin P(M0108092),Apriliana Yuliawati (M0108032),Vivi Panca K D(M0108070)
    7 years ago

    >> SIMULASI LOGIKA SAMAR
    Pada suatu hari ada seekor kancil sedang meminum air di pinggir sebuah muara sungai. Tiba-tiba seekor buaya datang menyergap dan siap menyantap sang kancil. Namun sang kancil yang terkenal cerdik, mengatakan kepada sang buaya yang kira-kira terjemahannya adalah. Hai raja buaya yang pintar, aku rela menjadi santapanmu asal kamu bisa menjawab pertanyaanku. Sang buaya setuju dan si kancilpun mengajukan pertanyaannya. “Semua kancil dihutan ini adalah pembohong, apakah saya berkata jujur ?” ujar sang kancil kepada sang buaya. Mendengar pertanyaan ini sang buaya berfikir keras, kalau si kancil ini jujur artinya penyataan pertama menjadi salah, karena ada satu kancil yang jujur. Kalau begitu si kancil ini tentu berbohong, tetapi kalau kancil berbohong artinya pernyataan pertama adalah bohong dan semua kancil dihutan ini jujur termasuk sang kancil. Akhirnya sang kancil melenggang meninggalkan sang buaya yang bingung sendiri.

    Logika biner 0 atau 1 dasarnya berfikirnya adalah dari filsuf Aristoteles yang mengajarkan hukum berfikir bahwa sesuatunya mesti tergolong benar atau salah. Logika biner hanya mengenal on atau off, hidup atau mati, gelap atau terang, benar atau salah. Tidak ada yang samar-samar, tidak ada abu-abu yang ada hanya hitam atau putih. Jika tidak 1 maka 0, jika tidak gelap berarti terang dan ini adalah sesuatu yang logis. Dan ini juga yang menjadi dasar perkembangan teknologi digital saat ini. Jika menggunakan logika biner, pertanyaan sang kancil di atas tentu tidak ada ujungnya.

    Sebagai contoh bagaimana logika fuzzy diformulasikan, misalnya pernyataan tentang tinggi badan seseorang. Misalnya ditentukan batasan-batasan mutlak, bahwa jika tinggi badan dibawah 150 cm maka sebut pendek (mutlak) dan jika di atas 170 cm dikategorikan tinggi (mutlak). Tentu mesti ada satu cara untuk menyatakan agak pendek, sedang dan agak tinggi dan lainnya diantara tinggi dan pendek. Secara matematis penyataan ini dapat diformulasikan dengan
    tingkat ketinggian (x) ={ 0 , jika tinggi (x) < 150 cm
    (tinggi(x) – 150) / 20 , jika 150 <= tinggi (x) 170 cm }

    Lotka-Volterra 10,2 Model
    Volterra Lotka-model adalah model sederhana pemangsa-mangsa interaksi. Model ini dikembangkan secara mandiri oleh Lotka (1925) dan Volterra (1926):
    Ini memiliki dua variabel (P, H) dan beberapa parameter:
    H = kepadatan mangsa
    P = kepadatan predator
    r = laju intrinsik penduduk mangsa
    predasi a = koefisien tingkat
    b = tingkat reproduksi per 1 mangsa predator dimakan
    m = tingkat kematian pemangsa

    Mengukur parameter dari model Lotka-Volterra
    Set berikut eksperimen harus dilakukan:

    1. Menjaga populasi mangsa tanpa predator dan memperkirakan tingkat kenaikan intrinsik (r).
    2. Letakkan satu predator di kandang dengan berbagai kepadatan mangsa dan mangsa memperkirakan angka kematian dan sesuai k-nilai dalam setiap kandang. Seperti kita ketahui, k-nilai setara dengan tingkat kematian sesaat dikalikan dengan waktu. Dengan demikian, tingkat predasi (a) setara dengan nilai k dibagi dengan durasi percobaan.
    Contoh: wanita-kumbang membunuh kutu daun 60 dari 100 dalam 2 hari. Kemudian, yang k-nilai =-ln (1-60/100) = 0,92, dan a = 0,92 / 2 = 0,46.
    Catatan: jika sebuah nilai-diperkirakan mencapai kepadatan mangsa yang berbeda tidak cukup dekat satu sama lain, maka model Lotka-Volterra tidak akan bekerja! Namun, model ini dapat dimodifikasi untuk memasukkan hubungan antara seorang dengan kepadatan mangsa.
    3. Estimasi parameter b dan m:
    Tetap konstan kepadatan mangsa (misalnya, H = 0, 5, 10, 20, 100 mangsa / kandang), dan memperkirakan tingkat intrinsik peningkatan populasi pemangsa (RP) pada mangsa kepadatan ini. Plot laju intrinsik peningkatan populasi pemangsa mangsa vs kerapatan: regresi linear garis ini adalah:
    Catatan: Jika poin tidak sesuai untuk sebuah garis lurus (misalnya, tingkat intrinsik pemangsa tingkat pertumbuhan penduduk dapat mati), maka Lotka-model Volterra tidak memadai dan harus diubah. Sekarang, parameter b dan m dapat diambil dari persamaan regresi ini.

    * Bagaimana cara menyelesaikan persamaan diferensial
    Ada dua pendekatan utama: analitis dan numerik. Metode analisis yang rumit dan membutuhkan keterampilan matematika yang baik. Selain itu, banyak persamaan diferensial tidak memiliki solusi analitis sama sekali. Metode numerik mudah dan lebih universal (Namun, ada masalah dengan konvergensi).
    Paling sederhana dan paling akurat adalah metode Euler. Pertimbangkan stasioner persamaan diferensial:
    dx/dt = f(x)

    Pertama kita perlu kondisi awal. Kami akan menganggap bahwa pada waktu ke nilai fungsi x (untuk).
    Sekarang kita dapat memperkirakan x-nilai di kemudian (atau sebelumnya) waktu menggunakan persamaan:

    x(t_0+∆t)=x(t_0 )+∆t.f(x(t_0 ))

    ini memperkirakan kemiringan f (x) dari fungsi pada titik t = ke dan ekstrapolasi kemiringan melalui seluruh interval waktu.
    Sumber utama dari kesalahan dalam metode Euler estimasi derivatif pada awal interval waktu. Arah dari solusi yang sebenarnya dapat berubah secara drastis selama selang waktu tersebut dan numerik titik diperkirakan bisa jauh dari solusi yang sebenarnya.

    Metode Euler dapat ditingkatkan, jika derivatif (kemiringan) diperkirakan di tengah-tengah interval waktu. Namun, turunan di pusat tergantung pada nilai fungsi di pusat yang tidak diketahui. Jadi, pertama-tama kita perlu memperkirakan nilai fungsi pada titik tengah dengan menggunakan metode Euler sederhana, dan kemudian kita dapat memperkirakan derivatif pada titik tengah.
    k adalah nilai fungsi di tengah interval waktu l. Akhirnya, kami dapat memperkirakan nilai fungsi pada ujung selang waktu:

    k=x(t_0 )+0.5 ∆t.f(x(t_0 ))

    Ini disebut metode Runge-Kutta urutan kedua. Yang paling populer adalah metode Runge-Kutta urutan keempat. Namun, untuk tujuan kita itu sudah cukup untuk menggunakan metode urutan kedua.
    Metode ini diterapkan pada persamaan Lotka-Volterra dalam spreadsheet Excel berikut:

    . Excel spreadsheet “lotka.xls”
    1. kami memperkirakan kepadatan mangsa dan pemangsa (H ‘dan P’, masing-masing) di tengah-tengah interval waktu:

    P^’=P+0.5 ∆t.(rH-aHP)
    H^’=H+0.5 ∆t.(bHP-mP)

    2. adalah untuk memperkirakan kepadatan mangsa dan pemangsa (H “dan P” pada waktu akhir langkah l:

    **Model Volterra Lotka dan sangat tidak realistis. Tidak mempertimbangkan setiap kompetisi di antara mangsa atau predator. Sebagai hasilnya, populasi mangsa dapat tumbuh tak terbatas sumber daya tanpa batas. Predator tidak memiliki saturasi: tingkat konsumsi mereka terbatas. Tingkat konsumsi mangsa sebanding dengan kepadatan mangsa. Jadi, tidak mengherankan bahwa perilaku model tidak wajar tidak menunjukkan stabilitas asimtot. Namun banyak modifikasi dari model ini ada yang membuatnya lebih realistis.

    >> MONTE CARLO
    Dasar-dasar Simulasi Monte Carlo

    Sebuah metode Monte Carlo adalah suatu teknik yang melibatkan penggunaan angka acak dan probabilitas untuk memecahkan masalah. Istilah Metode Monte Carlo diciptakan oleh S. Ulam dan Nicholas Metropolis mengacu pada permainan kesempatan, daya tarik yang populer di Monte Carlo, Monako (Hoffman, 1998; Metropolis dan Ulam, 1949).

    Simulasi komputer harus dilakukan dengan menggunakan model komputer untuk meniru kehidupan nyata atau membuat prediksi. Bila Anda membuat model dengan spreadsheet seperti Excel, Anda memiliki sejumlah parameter input dan beberapa persamaan yang menggunakan input tersebut untuk memberikan Anda satu set output (atau tanggapan variabel). Model jenis ini biasanya deterministik, yang berarti bahwa Anda mendapatkan hasil yang sama tidak peduli berapa kali Anda menghitung ulang.

    Simulasi Monte Carlo adalah metode untuk mengevaluasi iteratively model deterministik dengan menggunakan kumpulan angka acak sebagai masukan. Metode ini sering digunakan ketika model kompleks, nonlinier, atau melibatkan lebih dari hanya beberapa parameter yang tidak pasti. Sebuah simulasi biasanya dapat melibatkan lebih dari 10.000 evaluasi model, tugas yang di masa lalu hanya praktis menggunakan komputer super.
    l
    Dengan menggunakan input acak, Anda pada dasarnya mengubah model deterministik menjadi model stokastik.
    kami menggunakan angka acak seragam sederhana sebagai input untuk model. Namun, distribusi seragam bukanlah satu-satunya cara untuk merepresentasikan ketidakpastian. Sebelum menjelaskan langkah-langkah dari simulasi MC umum secara rinci, sedikit kata tentang propagasi ketidakpastian:

    Metode Monte Carlo hanyalah salah satu dari banyak metode untuk menganalisis propagasi ketidakpastian, di mana tujuannya adalah untuk menentukan bagaimana variasi acak, kurangnya pengetahuan, atau kesalahan mempengaruhi sensitivitas, kinerja, atau keandalan sistem yang sedang dimodelkan. Simulasi Monte Carlo dikategorikan sebagai metode sampling karena input yang dihasilkan secara acak dari distribusi probabilitas untuk mensimulasikan proses pengambilan sampel dari populasi yang sebenarnya. Jadi, kami mencoba untuk memilih distribusi atas masukan yang paling sesuai dengan data yang sudah kita miliki, atau paling mewakili keadaan kita saat ini pengetahuan. Data yang dihasilkan dari simulasi dapat digambarkan sebagai distribusi probabilitas (atau histogram) atau diubah ke kesalahan bar, keandalan prediksi, toleransi zona, dan keyakinan interval.

  • Eka Hely Jayanti (M0108040), Ekasari Putri Wardoyo (M0108086), Nanda Hidayati (M0108098), Sri Maria Puji L (M0108108), Yuvita Dian Pratiwi (M0108112)
    7 years ago

    Eka Hely Jayanti (M0108040),
    Ekasari Putri Wardoyo (M0108086),
    Nanda Hidayati (M0108098),
    Sri Maria Puji L (M0108108),
    Yuvita Dian Pratiwi (M0108112)

    1) Pengantar Teknik Simulasi
    Simulasi
    Simulasi bisa disebut dengan system, subsistem, events yang dapat diambil adalah system dari sebuah bandara yang ada di Indonesia. Dimana system ini di pisahkan dengan :
    Di sebuah Bandara penerbangan orang yang dating ke tempat itu bukan hanya penumpang melain kan juga pengantar maka disini kita pisahkan antara penumpang yang naik pesawat dan yang hanya sebagai pengantar.
    Pada system kedua dimana kita sudah memisahkan antara penumpang dengan pengantar, selanjutnya memisahkan penumpang menuju boardingnya masin-masing. Karena dalam sebuah Bandar udara penumpang memiliki tujuan kota yang berbeda-beda.
    System yang ketiga yaitu melakukan pengecekan terutama tiket, akan tetapi untuk yang bertujuan keluar negri pengecekan bukan hanya tiket melainkan juga paspord dan visa.
    System terakhir penumpang bisa naik pesawatnya masing-masing setelah melakukan tahap-tahap sebelumnya.

    2) Metode Monte carlo

    Metode Monte Carlo adalah algoritma dalam mensimulasikan berbagai perilaku sistem matematika. Penggunaan metode ini adalah untuk mengevaluasi integral definit terutama integral multidimensi dengan syarat dan batasan yang rumit.

    Metode Monte Carlo sangat penting dalam matematika dan bidang terapan lainnya, dan memiliki aplikasi yang beragam. Metode ini terbukti efisien dalam memecahkan persamaan diferensial integral medan radians, sehingga metode ini digunakan dalam perhitungan iluminasi global yang menghasilkan gambar-gambar fotorealistik model tiga dimensi.
    Karena algoritma ini memerlukan pengulangan (repetisi) dan perhitungan yang amat kompleks, metode Monte Carlo pada umumnya dilakukan menggunakan alat computer dan memakai berbagai teknik simulasi computer.
    Algoritma Monte Carlo adalah metode Monte Carlo numerik yang digunakan untuk menemukan solusi problem matematis (yang dapat terdiri dari banyak variabel) yang susah dipecahkan.
    Metode Monte Carlo digunakan dengan istilah sampling statistic, dan penggunaan metode ini yang cukup terkenal digunakan oleh Enrico Fermi. Ia menggunakan metode acak sebagai penerapan metode monte carlo untuk menghitung sifat-sifat nutron yang baru saja ditemukan.
    Selain itu metode Monte Carlo yang merupakan simulasi inti yang digunakkan dalam Manhattan project, walaupun pada saat itu peralatan yang digunakan masih sangat sederhana.

    3) Simulasi dan Logika Samar (Fuzzy Logic)

    Teori himpunan fuzzy adalah merupakan perluasan dari teori logika Boolean yang menyatakan tingkat angka 1 atau 0 atau pernyataan benar atau salah, sedang pada teori logika fuzzy terdapat tingkat nilai, yaitu :
    satu (1), yang berarti bahwa suatu item menjadi anggota dalam suatu himpunan, atau
    nol (0), yang berarti bahwa suatu item tidak menjadi anggota dalam suatu himpunan.
    Logika fuzzy sebagai komponen utama pembangun softcomputing, terbukti telah memiliki kinerja yang sangat baik untuk menyelesaikan masalah-masalah yang mengandung ketidakpastian. Implementasinya luas, baik di bidang engineering, psikologi, social, dan juga bidang ekonomi
    ALASAN MENGGUNAKAN LOGIKA FUZZY
    Ada beberapa alasan mengapa orang menggunakan logika fuzzy, antara lain:
    Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
    Logika fuzzy sangat fleksibel.
    Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
    Logika fuzzy mampu memodelkan fungsi-fungsi non linier yang sangat kompleks.
    Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
    Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
    Logika fuzzy didasarkan pada bahasa alami.
    Contoh 1 dari kuliah Pengantar Teknologi simulasi tanggal 22 Maret 2010
    Misalkan kita mengukur tinggi badan menjadi tiga kategori dimana kita telah mengetahui standarisasinya.
    Nilai 0 merupakan kategori Pendek t170 cm
    Apabila terdapat tinggi badan 160 cm, maka dapat dikatakan tingginya adalah termasuk kategori medium.
    Apabila terdapat tinggi badan 180 cm, maka dapat dikatakan tingginya adalah termasuk kategori Tinggi.
    Apabila terdapat tinggi badan 140 cm, maka dapat dikatakan tingginya adalah termasuk kategori Pendek.
    Dari keterangan diatas dapat diambil kesimpulan bahwa pemakaian himpunan crisp (tegas) untuk menyatakan Tinggi sangat riskan, karena dengan adanya perubahan yang kecil saja terhadap nilai mengakibatkan perbedaan kategori yang cukup signifikan.
    Contoh 2
    Misalkan variabel suhu dibagi menjadi 3 kategori, yaitu:
    Nilai 0 utuk suhu DINGIN t<15 derajat celcius
    Nilai (t-15)/13 untuk suhu SEDANG 15<= t 28 derajat celcius
    Apabila terdapat suhu 14 derajat celcius, maka dikatakan suhu adalah DINGIN
    Apabila terdapat suhu 15 derajat celcius, maka dikatakan suhu adalah TIDAK DINGIN
    Apabila terdapat suhu 15 derajat celcius kurang 0.5 derajat celcius, maka dikatakan suhu adalah TIDAK DINGIN

  • Anita KA(M0108030),Rahmawati O.(M0108061),Lisa Apriana (M0108055),Yuniar Dwi Nur R.(M0108111)
    7 years ago

    Simulasi Monte carlo
    Simulasi Monte Carlo adalah proses menurunkan secara acak nilai variabel tidak pasti secara berulang-ulang untuk mensimulasikan model. Secara umum percobaan Monte Carlo membangkitkan bilangan acak untuk memeriksa permasalahan. Simulasi ini menggambarkan kemungkinan penggunaan data sample dalam metode Monte Carlo yang juga sudah dapat diketahui atau diperkirakan distribusinya. Simulasi ini menggunakan data yang sudah ada yang sebenarnya dipakai untuk tujuan lain. Dengan kata lain apabila menghendaki model simulasi yang mengikut sertakan random dan sampling dengan distribusi probabilitas yang dapat diketahui dan ditentukan, maka cara simulasi ini dapat dipergunakan.Contoh simulasi monte carlo adalah menentukan kemungkinan anak laki-laki dan perempuan,secara umum hal tersebut tidak dapat diselidiki karena akan membutuhkan waktu yang sangat lama. Oleh karena itu masalah ini dibawa ke bentuk model pelemparan koin (karena koin memiliki peluang yang sama dengan lahirnya anak laki-laki atau perempuan) untuk menyelesaikan masalah tersebut.
    Fuzzy Logic
    Matematika klasik dibangun berdasarkan logika sederhana yang hanya mengarah pada dua nilai benar (1) dan salah (0). Tetapi kenyataannya dalam kehidupan ini, banyak sekali masalah yang berdasarkan multinilai dalam interval [0,1]. Misalnya masalah pandai, kaya, sukses, temperatur, kepadatan penduduk, kelayakan pemukiman dan lain sebagainya mempunyai nilai yang tidak hanya benar (1) atau salah (0).Fuzzy logic memberikan kita pandangan lain bahwa nilai kebenaran itu bisa saja relatif, tergantung dari definisi yang kita berikan sendiri (derajat/ukuran suatu kebenaran). Dan kebenaran pun bisa bernilai antara 0 dan 1. Tidak seperti logika boolean, logika samar mempunyai nilai yang kontinu. Samar dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama.
    Contohnya bagaimana konsep “umur” yang digolongkan “tua” dalam pengertian samar/fuzzy dan crisp (tegas). Misalnya diberikan suatu definisi bahwa setiap orang yang berumur 60 tahun atau lebih adalah “tua”. Batas-batas antara “tua” dan tidak adalah 60 lebih dari atau sama dengan 60 tergolong ‘tua’ dan kurang dari 60 tergolong tidak “tua”.
    Aplikasi Logika Fuzzy:
    • Traffic light yang modern bisa juga dibuat dengan metode fuzzy logic sehingga dapat bekerja sepintar pak polisi lantas.
    • Jika beban kendaraan di satu ruas persimpangan lebih padat, maka lampu hijaunya akan menyala lebih lama
    Contoh aplikasi lain:
    • Mesin cuci satu tabung
    – Masukkan baju, tekan tombol
    – Mengisi air dengan jumlah yang cukup
    – Mengisi deterjen dan mencuci dengan waktu yang sesuai.
    – Mesin ini bekerja meniru cara ibu rumahtangga mencuci dengan mesin cuci konvensional.
    – Jika pakaian lebih kotor maka timer dibuat lebih lama.
    • Di sinilah contohnya metode logika fuzzy dipakai, dengan menjawab pernyataan jika

  • siti mushonifah(m0108012) evy tri kusumawati(m0109018) fauzia widyandari (m0108019) evy dwi astuti (m0108087) Nariswari (m0109022)
    7 years ago

    Metode Monte Carlo
    Metode Monte Carlo adalah algoritma komputasi untuk mensimulasikan berbagai perilaku sistem fisika dan matematika. Penggunaan klasik metode ini adalah untuk mengevaluasi integral definit, terutama integral multidimensi dengan syarat dan batasan yang rumit.
    Metode Monte Carlo sangat penting dalam fisika komputasi dan bidang terapan lainnya, dan memiliki aplikasi yang beragam mulai dari perhitungan kromodinamika kuantum esoterik hingga perancangan aerodinamika. Metode ini terbukti efisien dalam memecahkan persamaan diferensial integral medan radians, sehingga metode ini digunakan dalam perhitungan iluminasi global yang menghasilkan gambar-gambar fotorealistik model tiga dimensi, dimana diterapkan dalam video games, arsitektur, perancangan, film yang dihasilkan oleh komputer, efek-efek khusus dalam film, bisnis, ekonomi, dan bidang lainnya.
    Karena algoritma ini memerlukan pengulangan (repetisi) dan perhitungan yang amat kompleks, metode Monte Carlo pada umumnya dilakukan menggunakan komputer, dan memakai berbagai teknik simulasi komputer.
    Algoritma Monte Carlo adalah metode Monte Carlo numerik yang digunakan untuk menemukan solusi problem matematis (yang dapat terdiri dari banyak variabel) yang susah dipecahkan, misalnya dengan kalkulus integral, atau metode numerik lainnya.
    Aplikasi metode Monte Carlo :
    • Grafis, terutama untuk ray tracing
    • Permodelan transportasi ringan dalam jaringan multi lapis / multi-layered tissues (MCML)
    • Metode Monte Carlo dalam bidang finansial
    • Simulasi prediksi struktur protein
    • Dalam riset peralatan semikonduktor, untuk memodelkan transportasi pembawa arus
    • Pemetaan genetik yang melibatkan ratusan penanda genetik dan analisis QTL

    Fuzzy Logic
    Fuzzy Logic adalah metodologi pemecahan masalah dengan beribu – ribu aplikasi dalam pengendali yang tersimpan dan pemrosesan informasi. Fuzzy logic menyediakan cara sederhana untuk menggambarkan kesimpulan pasti dari informasi yang ambigu, samar – samar, atau tidak tepat. Sedikit banyak, fuzzy logic menyerupai pembuatan keputusan pada manusia dengan kemampuannya untuk bekerja dari data yang ditafsirkan dan mencari solusi yang tepat.

    sebagai contohnya penentuan “umur” yang digolongkan “tua” dalam pengertian samar/fuzzy dan crisp (tegas). Misalnya diberikan suatu definisi bahwa setiap orang yang berumur 60 tahun atau lebih adalah “tua”.
    Contoh lain dalam system lalu lintas.
    Beberapa istilah yang digunakan dalam pengendalian lampu Lalulintas (LL), antara lain, untuk sebaran kendaraan adalah : Tidak Padat (TP), Kurang Padat (KP), Cukup Padat (CP), Padat (P) dan Sangat Padat (SP). Sedangkan untuk lama nyala lampu LL adalah : Cepat (C), Agak Cepat (AC), Sedang (S), Agak Lama (AL) dan Lama (L). Jelas istilah-istilah tersebut dapt menimbulakan kemenduaan (ambiguity) dalam pengertiannya. Logika Fuzzy dapat mengubah kemenduaan tersebut ke dalam model matematis sehingga dapat diproses lebih lanjut untuk dapat diterapkan dalam sistem kendali.

  • EKA HELY JAYANTI M0108040 ; EKA SARI PUTRI W. M0108086; NANDA HIDAYATI M0108098; SRI MARIA PUJI L. M0108108; YUVITA DIAN PRATIWI M0108112
    7 years ago

    Konsep Dasar
    Apakah itu Simulasi ???
    Simulasi adalah suatu peniruan, dimana peniruan ini menggambarkan suatu sistem pada kehidupan nyata dengan menggunakan suatu model dari system tersebut dan melakukan penguji cobaan.
    Mengapa perlu diadakan Simulasi ???
    Simulasi digunakan untuk menguji suatu sistem dengan meniru keadaan aslinya, sehingga terbentuk perilaku sistem yang teruji dan handal. Dan dapat memperkecil error dari sistem tersebut.
    Apa Kelebihan Simulasi ???
    Dapat mengatasi masalah sebagai berikut : Sistem sulit diamati, Sistem sangat kompleks, Pengamatan langsung tidak memungkinkan karena faktor misal biaya, waktu, dan resiko kerusakan sistem yang dibuat.
    Lalu apa kelemahan Dari Simulasi ini ???
    Kadang alat simulasi (simulator) memiliki kelemahan misalnya alat tidak akurat, untuk simulator yg baik biasanya butuh dana yg mahal dan waktu yg lama untuk permodelannya, tidak semua peristiwa nyata dapat disimulasikan, dan simulator adalah alat untuk mengevaluasi solusi, bukan mencari solusi.
    Klasifikasi Simulasi ???
    Model Simulasi Statik vs. Dinamik
    Simulasi Statik : Perubahannya tidak berpengaruh oleh waktu
    Simulasi Dinamik : Perubahanya bergantung oleh waktu
    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
    Model diskrit: status berubah secara instan pada titik-titik waktu yang terpisah
    Kemudian Apa Contoh Pengaplikasian Simulasi ???
    Desain untuk Manufaktur
    Desain untuk sarana transportasi
    Desain untuk traffic
    Pengevaluasian layanan perbankan dan ekonomi
    Bagan Alur Simulasi

    Mengukur Risiko dengan Simulasi Monte Carlo
    Simulasi Monte Carlo hingga kini dipandang sebagai simulasi yang terbaik dalam memprediksikan risiko karena akurasinya. Bagaimana asal muasal dari simulasi ini, mekanisme serta penggunaannya dalam dunia keuangan?
    Asal Penemuan
    Kredit penemuan metode Monte Carlo seringkali diberikan kepada Stanislaw Ulam, seorang ahli matematika asal Polandia. Ulam dikenal sebagai orang yang mendesain bom hidrogen dengan Edward Teller pada tahun 1951. Sementara, ia sendiri menemukan metode Monte Carlo pada tahun 1946 ketika sedang memperhitungkan probabilitas memenangkan permainan kartu solitaire.
    Di sisi lain, dalam dunia keuangan dan matematika keuangan, metode Monte Carlo ini sangat bermanfaat untuk melakukan valuasi dan analisa terhadap berbagai instrument dan portfolio investasi. Metode ini memungkinkan simulasi berbagai faktor ketidakpastian yang mempengaruhi nilai, sehingga kemudian dapat menentukan nilai rata-rata
    Metode Monte Carlo pertama kali diperkenalkan ke dunia keuangan oleh David B. Hertz pada tahun 1964, dalam artikel “Risk Analysis in Capital Investment” pada Harvard Business Review. Selanjutnya, pada tahun 1977, Phelim Boyle adalah yang pertama kali menggunakan simulasi ini dalam makalahnya mengenai Options.
    Mekanisme Simulasi
    Simulasi Monte Carlo seringkali digunakan untuk memprediksi value tertentu, berdasarkan sekumpulan data historis. Metode ini adalah salah satu dari banyak metode yang berusaha untuk menganalisa ketidakpastian, dimana tujuannya adalah bagaimana menentukan variasi random, kurangnya knowledge, dan error, dapat mempengaruhi sensitivitas, kinerja, atau reliability dari sistem yang dimodelkan.
    Simulasi ini dikelompokkan sebagai metode sampling, karena inputnya dihasilkan secara random dari distribusi probabilitas, untuk mensimulasikan proses sampling dari populasi sebenarnya. Sehingga, disini kita berusaha untuk memilih distribusi input yang paling sesuai dengan data yang dimiliki. Data yang dihasilkan dari simulasi ini kemudian dimunculkan sebagai distribusi probabilitas (histogram) atau dikonversi menjadi error bars, reliability prediction, tolerance zones, hingga confidence interval.
    Penggunaan dalam Dunia Finance
    Simulasi Monte Carlo penggunannya sangat luas dalam dunia keuangan, terutama pada instrument investasi maupun investasi yang kompleks dan melibatkan banyak faktor. Berikut ini adalah beberapa investasi yang menggunakan simulasi Monte Carlo:
    • Evaluasi Proyek, bisa digunakan untuk memperkirakan biaya proyek dan Net Present Value dari proyek. Dalam memperhitungkan NPV, misalnya, arus kas merupakan yang memegang peranan sangat besar, dan punya ketidakpastian tinggi, sehingga simulasi ini sangat bermanfaat.
    • Valuasi option saham, dimana simulasi ini menghasilkan ribuan kemungkinan harga dari saham underlying, yang masing-masing disertai dengan exercise value option. Payoff ini kemudian direrata dan didiskontokan ke sekarang, menjadi value option saat ini.
    • Valuasi obligasi, dimana ketidakpastian yang disimulasikan adalah tingkat suku bunga. Pada setiap kemungkinan pergerakan suku bunga, maka terdapat perkiraan yield curve dan harga obligasi yang berbeda. Valuasi dilakukan dengan melakukan rata-rata terhadap harga-harga tersebut, kemudian di-present value.
    • Mengukur risiko, misalnya seperti pada Value At Risk, dimana datanya adalah data portfolio dan data histories pasar, demi mengukur risiko suatu portfolio.

    Logika Samar-samar – Fuzzy Logic
    Pada suatu hari ada seekor kancil sedang meminum air di pinggir sebuah muara sungai. Tiba-tiba seekor buaya datang menyergap dan siap menyantap sang kancil. Namun sang kancil yang terkenal cerdik, mengatakan kepada sang buaya yang kira-kira terjemahannya adalah. Hai raja buaya yang pintar, aku rela menjadi santapanmu asal kamu bisa menjawab pertanyaanku. Sang buaya setuju dan si kancilpun mengajukan pertanyaannya. “Semua kancil dihutan ini adalah pembohong, apakah saya berkata jujur ?” ujar sang kancil kepada sang buaya. Mendengar pertanyaan ini sang buaya berfikir keras, kalau si kancil ini jujur artinya penyataan pertama menjadi salah, karena ada satu kancil yang jujur. Kalau begitu si kancil ini tentu berbohong, tetapi kalau kancil berbohong artinya pernyataan pertama adalah bohong dan semua kancil dihutan ini jujur termasuk sang kancil. Akhirnya sang kancil melenggang meninggalkan sang buaya yang bingung sendiri.
    Logika biner 0 atau 1 dasarnya berfikirnya adalah dari filsuf Aristoteles yang mengajarkan hukum berfikir bahwa sesuatunya mesti tergolong benar atau salah. Logika biner hanya mengenal on atau off, hidup atau mati, gelap atau terang, benar atau salah. Tidak ada yang samar-samar, tidak ada abu-abu yang ada hanya hitam atau putih. Jika tidak 1 maka 0, jika tidak gelap berarti terang dan ini adalah sesuatu yang logis. Dan ini juga yang menjadi dasar perkembangan teknologi digital saat ini. Jika menggunakan logika biner, pertanyaan sang kancil di atas tentu tidak ada ujungnya.
    Logika fuzzy pertama kali diformulasikan dalam sebuah seminar oleh Lotfi A Zadeh dari University of Califonia, Berkeley tahun 1965. Metode ini diformulasikan dalam rangka mencari nilai tengah antara bilangan Aristoteles 0 dan 1. Hal itu seiring dengan usaha untuk membuat komputer yang bekerja seperti cara manusia berfikir. Sebab komputer pada dasarnya adalah sebuah mesin hitung yang tidak berfikir. Sebelumnya Plato sudah mencetuskan ide adanya daerah ketiga diantara benar dan salah. Ini yang menjadi dasar logika fuzzy yang memformulasikan bilangan antara 0 dan 1 atau lebih tepat antara 0.0 dan 1.0.
    Sebagai contoh bagaimana logika fuzzy diformulasikan, misalnya pernyataan tentang tinggi badan seseorang. Misalnya ditentukan batasan-batasan mutlak, bahwa jika tinggi badan dibawah 150 cm maka sebut pendek (mutlak) dan jika di atas 170 cm dikategorikan tinggi (mutlak). Tentu mesti ada satu cara untuk menyatakan agak pendek, sedang dan agak tinggi dan lainnya diantara tinggi dan pendek. Secara matematis penyataan ini dapat diformulasikan dengan
    tingkat ketinggian (x) = { 0 , jika tinggi (x) < 150 cm
    (tinggi(x) – 150) / 20 , jika 150 <= tinggi (x) 170 cm }

    Kalau dibuatkan tabel, akan didapat tingkat ketinggian badan teman-teman seperti tabel berikut :
    Nama tinggi (cm) tingkat ketinggian
    Tuti 145 0
    Eko 156 0.3
    Andi 164 0.7
    Budi 168 0.9
    Karjo 175 1
    Tuti dengan tinggi 145 cm tergolong pendek mutlak (0), Karjo memiliki tinggi 175 cm tergolong tinggi mutlak (1). Tinggi Budi 168 cm, maka Budi tergolong agak tinggi dengan tingkat ketinggian 0.9 dan Eko dengan tinggi 156 cm memiliki tingkat ketinggian 0.3. Beginilah nilai tengah antara 0.0 dan 1.0 diformulasikan dan ini adalah cara manusia berfikir. Angka-angka ini yang dikenal oleh sebuah mesin (komputer) untuk “berfikir”. Pada awal logika fuzzy di cetuskan sebagai metode, komputer belum se-kompleks dan secanggih yang dikenal saat ini. Sehingga pada saat itu belum banyak aplikasi dari logika fuzzy ada di dalam kehidupan sehari-hari. Namun sekarang ini sudah banyak terdapat peralatan disekitar kita yang mengadopsi sistem fuzzy logic. Diantaranya yang kita kenal adalah mesin cuci. Mesin cuci otomatis satu tabung yang muktahir saat ini sering mencantumkan kata fuzzy logic sebagai bagian dari promosinya.
    Cara kerjanya gampang, tinggal memasukkan baju kotor kedalam tabungnnya, tekan satu atau beberapa tombol dan mesin ini akan melakukan sisanya untuk anda. Mengisi air dengan jumlah yang cukup, mengisi deterjen dan mencuci dengan waktu yang sesuai. Mesin ini bekerja meniru cara ibu rumahtangga mencuci dengan mesin cuci konvensional. Ibu rumahtangga akan mengisi air dan deterjen yang secukupnya sesuai dengan banyaknya baju yang hendak dicuci agar lebih hemat, lalu memutar timer yang sesuai dengan tingkat kekotoran pakaian. Jika pakaian lebih kotor maka timer dibuat lebih lama. Di sinilah contohnya metode logika fuzzy dipakai, dengan menjawab pernyataan jika dan maka (IF THEN). Jika pakaian yang dicuci tidak terlalu kotor maka mencuci mestinya harus lebih cepat. Dengan menimbang tingkat kekotoran kain yang direalisasikan dengan mengukur tingkat kekeruhan air cucian dengan sensor cahaya, mesin dapat memutuskan berapa lama harus mencuci pakaian supaya lebih hemat dan efisien.
    Saat ini teknologi digital sudah semakin kompleks, mikrokontroler dan mikroprosesor sudah mampu mengerjakan perintah-perintah yang kompleks. Selain mesin cuci ada sederetan peralatan yang menerapkan fuzzy logic, mulai dari ABS pada sistem pengereman mobil, patern recognition untuk mengenal tulisan tangan pada banyak palm top, image processing, aplikasi robotik dan sebagainya. Traffic light yang modern bisa juga dibuat dengan metode fuzzy logic sehingga dapat bekerja sepintar pak polisi lantas. Jika beban kendaraan di satu ruas persimpangan lebih padat, maka lampu hijaunya akan menyala lebih lama. Dengan metode logika fuzzy, sistem pengaturan dapat direalisasikan lebih mudah, lebih manusiawi dan user friendly.
    Mestinya sang buaya pada cerita di atas dapat menjawab pertanyaan sang kancil dengan fuzzy logic bahwa sang kancil itu setengah jujur atau sepertiga jujur. Dunia memang selalu ada pasangannya, ada besar ada kecil, ada tinggi ada pendek, ada kaya ada miskin, ada yang baik ada yang jahat. Dan kita adalah manusia kompleks yang ada diantaranya

  • EKA HELY JAYANTI M0108040 ; EKA SARI PUTRI W. M0108086; NANDA HIDAYATI M0108098; SRI MARIA PUJI L. M0108108; YUVITA DIAN PRATIWI M0108112
    7 years ago

    pakkk mav yaaa berantakan…
    🙂

  • Abdul Hanif Indra P (M0108075); Putra Rifandi (M0108106); Pius Risha (M0108060)
    7 years ago

    Nama Anggota
    Abdul Hanif Indra Prasetya (M0108075)
    Putra Rifandi (M0108106)
    Pius Risha (M0108060)
    PENGANTAR TEKNIK SIMULASI

    PENGERTIAN
    Simulasi merupakan suatu prosedur kuantitatif, yang menggambarkan sebuah sistem, dengan mengembangkan sebuah model dari sistem tersebut dan melakukan sederetan uji coba untuk memperkirakan perilaku sistem pada kurun waktu tertentu. Simulasi umumnya dipelajari dengan harapan mampu mempelajari suatu sistem dengan memanfaatkan komputer untuk meniru perilaku sistem tersebut.
    KLASIFIKASI SIMULASI DALAM TIGA DIMENSI
    • Model Simulasi Statik vs. Dinamik
    o Model statik: representasi sistem pada waktu tertentu. Waktu (time) tidak berperan di sini.
    Contoh: model Monte Carlo.
    o Model dinamik: merepresentasikan sistem dalam perubahannya terhadap waktu.
    Contoh: sistem conveyor di pabrik.
    • Model Simulasi Deterministik vs. Stokastik
    o Model deterministik: tidak memiliki komponen probabilistik (random).
    o Model stokastik: memiliki komponen input random, dan menghasilkan output yang random pula.
    • Model Simulasi Kontinu vs. Diskrit
    o Model kontinu: status berubah secara kontinu terhadap waktu, mis. gerakan pesawat terbang.
    o Model diskrit: status berubah secara instan pada titik-titik waktu yang terpisah, misalnya. jumlah customer di bank.
    A. SIMULASI DALAM TEKNIK PERENCANAAN JALAN RAYA ( LAMPU LALU LINTAS)
    Pada umumnya arah perpindahan lampu lalu lintas dapat diatur sesuai dengan arah jarum jam (clockwise) atau berlawanan arah jarum jam (counter clockwise). Proses pengaturan perpindahan lampu lalu lintas pada penelitian ini mengikuti suatu arah tertentuLampu lalu lintas bekerja secara bergantian pada tiap jalur sesuai dengan waktu ang sudah ditentukan dengan urutan menyala lampu hijau, lampu kuning dan lampu merah.

    B. SIMULASI METODE MONTE CARLO
    Metode Monte Carlo adalah algoritma komputasi untuk mensimulasikan berbagai perilaku sistem fisika dan matematika. Penggunaan klasik metode ini adalah untuk mengevaluasi integral definit, terutama integral multidimensi dengan syarat dan batasan tertentu yang memiliki tingkat kerumitan yang sangat tinggin dan kompleks.
    Metode Monte Carlo sangat penting dalam fisika komputasi dan bidang terapan lainnya, dan memiliki aplikasi yang beragam mulai dari perhitungan kromodinamika kuantum esoterik hingga perancangan aerodinamika. Metode ini terbukti sangat efisien dalam memecahkan persamaan diferensial integral medan radians, sehingga metode ini digunakan dalam perhitungan iluminasi global yang menghasilkan gambar-gambar fotorealistik model tiga dimensi, dimana diterapkan dalam video games, arsitektur, perancangan, film yang dihasilkan oleh komputer, efek-efek khusus dalam film, bisnis, ekonomi, dan bidang lainnya.Karena algoritma ini memerlukan pengulangan (repetisi) dan perhitungan yang amat kompleks, metode Monte Carlo pada umumnya dilakukan menggunakan komputer, dan memakai berbagai teknik simulasi komputer.
    Algoritma Monte Carlo adalah metode Monte Carlo numerik yang digunakan untuk menemukan solusi problem matematis (yang dapat terdiri dari banyak variabel) yang susah dipecahkan, misalnya dengan kalkulus integral, atau metode numerik lainnya.
    Sejarah
    Metode Monte Carlo digunakan dengan istilah sampling statistik. Penggunaan nama Monte Carlo, yang dipopulerkan oleh para pioner bidang tersebut (termasuk Stanislaw Marcin Ulam, Enrico Fermi, John von Neumann dan Nicholas Metropolis), merupakan nama kasino terkemuka di Monako. Penggunaan keacakan dan sifat pengulangan proses mirip dengan aktivitas yang dilakukan pada sebuah kasino. Dalam autobiografinya Adventures of a Mathematician, Stanislaw Marcin Ulam menyatakan bahwa metode tersebut dinamakan untuk menghormati pamannya yang seorang penjudi, atas saran Metropolis.
    Penggunaannya yang cukup dikenal adalah oleh Enrico Fermi pada tahun 1930, ketika ia menggunakan metode acak untuk menghitung sifat-sifat neutron yang waktu itu baru saja ditemukan. Metode Monte Carlo merupakan simulasi inti yang digunakan dalam Manhattan Project, meski waktu itu masih menggunakan oleh peralatan komputasi yang sangat sederhana. Sejak digunakannya komputer elektronik pada tahun 1945, Monte Carlo mulai dipelajari secara mendalam. Pada tahun 1950-an, metode ini digunakan di Laboratorium Nasional Los Alamos untuk penelitian awal pengembangan bom hidrogen, dan kemudian sangat populer dalam bidang fisika dan riset operasi. Rand Corporation]]an Angkatan Udara AS merupakan dua institusi utama yang bertanggung jawab dalam pendanaan dan penyebaran informasi mengenai Monte Carlo waktu itu, dan mereka mulai menemukan aplikasinya dalam berbagai bidang.
    Penggunaan metode Monte Carlo memerlukan sejumlah besar bilangan acak, dan hal tersebut semakin mudah dengan perkembangan pembangkit bilangan pseudoacak, yang jauh lebih cepat dan praktis dibandingkan dengan metode sebelumnya yang menggunakan tabel bilangan acak untuk sampling statistik.
    C. SIMULASI VERSUS FUZZY LOGIC, SUATU TEROBOSAN UNIK
    Logika Fuzzy, yang dalam bahasa Indonesia dapat diartikan sebagai Logika Kabur atau Logika Samar, dapat dikatakan sebagai “logika baru yang sudah lama”. Hal ini karena ilmu tentang logika fuzzy secara modern dan metodis ditemukan pada tahun 1965, namun konsep logika fuzzy sudah melekat pada diri manusia, sejak manusia ada. Konsep logika fuzzy dapat dengan mudah kita temukan pada perilaku manusia dalam kesehariannya, misalnya:
    • Pedal gas kendaraan akan kita tekan dengan tekanan tertentu sesuai kecepatan yang kita inginkan. (Berapa besar tekanan yang kita berikan?)
    • Kita cenderung memberi hadiah kepada seseorang dengan nilai tertentu sesuai dengan manfaat orang tersebut kepada kita. (Berapa besar nilai hadiah yang akan kita berikan?)
    • Kita akan marah kepada orang yang merugikan kita. (Berapa besar kemarahan kita?)
    Kita tidak bisa menjawab dengan pasti pertanyaan-pertanyaan yang muncul di atas. Inilah beberapa contoh kasus yang bisa dijelaskan menggunakan konsep logika fuzzy.
    Perbedaan
    Terdapat perbedaan mendasar antara logika klasik dengan logika fuzzy. Sebagai contoh, perhatikan dua buah kalimat perintah berikut ini:
    a. Pisahkan kelompok mahasiswa yang memiliki PC dan kelompok mahasiswa yang tidak memiliki PC.
    b. Buat kelompok mahasiswa yang pandai dan kelompok mahasiswa yang bodoh.
    Pada kalimat-a, kita dapat membedakan secara tegas antara kelompok mahasiswa yang memiliki PC dengan kelompok mahasiswa yang tidak memiliki PC karena ada batasan yang nyata antara kedua kondisi tersebut. Namun pada kalimat-b, tidak terdapat batasan yang nyata antara pandai dengan bodoh sehingga kita sulit membedakan mahasiswa yang pandai dengan mahasiswa yang bodoh.
    Ketidakjelasan
    Dalam kehidupan sehari-hari, kita sering menemui kondisi ketidakjelasan seperti kalimat-b. Ketidakjelasan yang kita alami, dapat kita kelompokkan menjadi:
    1. Keambiguan (ambiguity), terjadi karena suatu kata/istilah memiliki makna lebih dari satu. Contoh: bulan, maknanya adalah suatu benda langit, namun makna lainnya adalah bagian dari tahun.
    2. Keacakan (randomness), karena hal yang kita inginkan belum terjadi. Contoh: besok akan hujan.
    3. Ketidaktepatan (imprecision), disebabkan karena alat atau metode pengukuran yang tidak tepat. Contoh: volume bumi.
    4. Ketidakjelasan akibat informasi yang tidak lengkap (incompleteness). Contoh: ada kehidupan di luar angkasa.
    5. Kekaburan semantik, akibat suatu kata/istilah memiliki makna yang tidak dapat didefinisikan secara tegas. Contoh: cantik, pandai, dsb.
    Dari kelima kelompok ketidakjelasan tersebut, dapat dikatakan bahwa pembahasan logika fuzzy berada pada kekaburan semantik. Kekaburan semantik pasti ada dalam kehidupan manusia. Bahkan kita sering mengambil keputusan dari kondisi kekaburan semantik.
    Hal lain yang juga perlu diperhatikan adalah kita (manusia) saat ini sering menggunakan alat bantu, terutama elektronik, untuk membuat suatu keputusan. Penelitian atau pengukuran umumnya memerlukan ketepatan & kepastian. Sedangkan kondisi lingkungan, mengharuskan kita mengambil keputusan dari kekaburan semantik. Oleh karena itu, perlu bahasa keilmuan baru untuk mengakomodasi kekaburan semantik secara memadai.
    Berikut ini adalah perkembangan singkat logika fuzzy dalam sejarah:
    • Profesor Zadeh, Guru Besar di University of California – Amerika Serikat, sudah mengungkapkan secara terbuka bahwa sistem analisis matematik tradisional terlalu eksak dan sulit untuk berperan banyak dalam masalah dunia nyata yang seringkali lebih kompleks.
    • Tahun 1965, Prof. Zadeh mempublikasikan tulisan ilmiah berjudul “Fuzzy Sets”.
    • Tahun 1968, Prof. Zadeh mengembangkan konsep Algoritma Fuzzy, yang merupakan landasan bagi Logika Fuzzy.
    Teori-teori tersebut, mendapat tentangan oleh masyarakat ilmiah di Amerika Serikat namun diterima dan dipelajari secara mendalam di Eropa dan Jepang.
    • Tahun 1974, E.H. Mamdani dan S. Assilian dari University of London – Inggris, berhasil pertama kali menciptakan prototipe sistem kendali berbasis logika fuzzy untuk suatu mesin uap.
    • Tahun 1978, teori fuzzy diterapkan pertama kali dalam dunia industri, berupa sistem kendali fuzzy untuk proses pembuatan semen di sebuah pabrik semen di Denmark.
    • Tahun 1986, M. Togai & H. Watanabe berhasil menciptakan chip VLSI untuk memproses inferensi logika fuzzy.
    • Tahun 1984, didirikan International Fuzzy System Association (IFSA), yang merupakan organisasi ilmiah pertama untuk para pakar logika fuzzy.
    • Tahun 1992, diselenggarakan IEEE International Conference on Fuzzy Systems yang pertama, di San Diego, Amerika Serikat.
    Peristiwa ini merupakan titik balik yang menandaikan teori fuzzy sudah diterima oleh masyarakat ilmiah di Amerika Serikat.

    MODEL LOCAL VOLTERA.
    Volterra Lotka-model adalah model sederhana pemangsa-mangsa interaksi. Model ini dikembangkan secara mandiri oleh Lotka (1925) dan Volterra (1926):
    Ini memiliki dua variabel (P, H) dan beberapa parameter:
    H = kepadatan mangsa
    P = kepadatan predator
    r = laju intrinsik penduduk mangsa
    predasi a = koefisien tingkat
    b = tingkat reproduksi per 1 mangsa predator dimakan
    m = tingkat kematian pemangsa
    Mengukur parameter dari model Lotka-Volterra
    Set berikut eksperimen harus dilakukan:
    1. Menjaga populasi mangsa tanpa predator dan memperkirakan tingkat kenaikan intrinsik (r).
    2. Letakkan satu predator di kandang dengan berbagai kepadatan mangsa dan mangsa memperkirakan angka kematian dan sesuai k-nilai dalam setiap kandang. Seperti kita ketahui, k-nilai setara dengan tingkat kematian sesaat dikalikan dengan waktu. Dengan demikian, tingkat predasi (a) setara dengan nilai k dibagi dengan durasi percobaan.
    Contoh: wanita-kumbang membunuh kutu daun 60 dari 100 dalam 2 hari. Kemudian, yang k-nilai =-ln (1-60/100) = 0,92, dan a = 0,92 / 2 = 0,46.
    Catatan: jika sebuah nilai-diperkirakan mencapai kepadatan mangsa yang berbeda tidak cukup dekat satu sama lain, maka model Lotka-Volterra tidak akan bekerja! Namun, model ini dapat dimodifikasi untuk memasukkan hubungan antara seorang dengan kepadatan mangsa.
    3. Estimasi parameter b dan m:
    Tetap konstan kepadatan mangsa (misalnya, H = 0, 5, 10, 20, 100 mangsa / kandang), dan memperkirakan tingkat intrinsik peningkatan populasi pemangsa (RP) pada mangsa kepadatan ini. Plot laju intrinsik peningkatan populasi pemangsa mangsa vs kerapatan: regresi linear garis ini adalah:
    Catatan: Jika poin tidak sesuai untuk sebuah garis lurus (misalnya, tingkat intrinsik pemangsa tingkat pertumbuhan penduduk dapat mati), maka Lotka-model Volterra tidak memadai dan harus diubah. Sekarang, parameter b dan m dapat diambil dari persamaan regresi ini.
    Sumber:
    Google.com
    Catatan mata kuliah Pengantar Teknik Simulasi
    Fuzzy Logic, perpustakaan MIPA UNS

  • Fuzzy Logic
    Aristoteles menyatakan bahwa logika adalah sebuah pilihan antara ya atau tidak. Namun, seiring berkembangnya ilmu pengetahuan muncul suatu kejadian yang tidak dapat dipecah menjadi pilihan ya atau tidak (0 atau 1 atau yang lainnya). Berdasarkan hal tersebut muncullah logika samar sekitar tahun 1965.

    Motivasi
    1) Sebuah pendingin udara tidak bergantung pada ON atau OFF saja. Jika demikian, sistem pendinginan udara tidak dapat dikontrol untuk suhu udara yang diinginkan.

    2) Pada kisah kancil dan buaya, buaya dapat memakan kancil jika buaya apat menjawab pertanyaan kancil yaitu ”Semua kancil pembohong. Apakah saya berkata jujur?” Pada kejadian tersebut terjadi kesamaran dalam logika bahwa statement pertama bertentangan dengan statement kedua.

    Jelas kedua model tersebut bertentangan dengan logika Aristoteles. Dari kejadian tersebut, Fuzzy Logic didefinisikan sebagai 0<p(x)<1.

    Korelasi dengan Simulasi
    Pada sebuah lampu lalu lintas di suatu perempatan jalan jika lama interval lampu menyala sama untuk setiap sisi jalan kapan pun waktunya, maka logika yang dipakai dalam hal tersebut adalah logika Aristoteles. Namun hal tersebut membawa suatu konsekuensi sebab misal nyala lampu merah 45 detik pada setiap arah dan 15 detik untuk nyala lampu hijau, maka akan terjadi antrian mobil di suatu sisi jalan yang mengakibatkan kemacetan.

    Dalam menyelesaikan masalah tersebut, logika samar dapat diterapkan dengan menyesuaikan lama lampu merah dengan toleransi input kendaraan yang ada. Bentuk suatu definisi (tidak harus selalu sama untuk kejadian yang berbeda) pada panjang antrian (banyak mobil) yang tertahan oleh lampu merah, misal low, medium, dan long. Kemudian sesuaikan panjang antrian mobil dengan lama interval lampu merah menyala, cepat untuk long dan lambat untuk low. Kemudian penyelesaian dilanjutkan dengan membuat model.

  • Ummi Naimul Faizah (M0106018), Muafah (M0107038), Nining Dwi Lestari (M0108099), Nurnaini Hidayah (M0105014)
    7 years ago

    ANGGOTA KELOMPOK:
    1. Ummi Naimul Faizah (M0106018)
    2. Muafah (M0107038)
    3. Nining Dwi Lestari (M0108099)
    4. Nurnaini Hidayah (M0105014)

    SIMULASI DARI DATA KE MODEL
    Simulasi yang dibahas untuk kasus-kasus di bawah ini adalah simulasi darri data diubah ke model. (DATA→MODEL). Sebagai contohnya ada beberapa kasus dibawah ini :
    Kasus antrean pasien di loket pendaftaran di suatu RUMAH SAKIT.
    Akan disurvey bagaimana system pembukaan loket agar tidak terjadi antrean. Adapun Langkah langkahnya yaitu :
    1. Melakukan survey di Rumah Sakit tersebut. Survey dilakukan dengan cara mengambil data banyaknya pasien yang datang pada jam tertentu pada beberapa hari. Misalkan dibuka n loket pendaftaran, akan disurvey banyak pasien yang mengantre di n loket tersebut. Dan dicatat interval waktu kedatangan pasien. Menghitung waktu yang dibutuhkan pada setiap loket untuk melayani setiap pasien.
    Setelah melewati gap yang pertama,
    2. selanjutnya pasien akan menuju ke bagian spesialis penyakit sesuai dengan keluhan pasien. Menghitung waktu yang dibutuhkan dokter untuk memeriksa setiap pasien.

    Dari langkah-langkah di atas kita dapat mengetahui berapa banyak antrean yang terjadi. Kemudian kita dapat membandingkan interval waktu kedatangan pasien dengan seluruh pelayanan (dari awal sampai selesai pemeriksaan). Sehingga kita dapat menentukan berapa loket yang harus dibuka. Dan kita bisa menentukan berapa standar waktu untuk melayani setiap pasiennya (dari awal sampai akhir) agar tidak terjadi antrean yang panjang.
    Kasus loket antrean di suatu BANK.
    Pertanyaan yang dapat muncul terkait dengan pengantar simulasi adalah “Apakah tiap hari membuka loket yang jumlahnya sama?” atau “Apakah tiap jam membuka loket yang jumlahnya sama?”. Untuk mengatasinya juga akan dilakukan survey tentang bagaimana keadaan (tingkat keramaian) pengunjung bank yang datang pada hari dan jam tertentu. Misalnya saat dibuka registrasi mahasiswa UNS, melalui survey dapat diketahui bagaimana tingkat antreannya. Tingkat antrean tersebut dapat ditentukan oleh peneliti (tinggi, sedang, atau rendah). Apabila tingkat antreannya tinggi, dapat diatasi dengan cara membuka lebih banyak loket atau dengan menggunakan system registrasi online. Langkah-langkah survey juga sama dengan kasus di Rumah Sakit di atas.

    bagaimana meminimumkan jumlah suatu kertas yang digunakan agar kertas tidak terbuang percuma.
    Oleh karena itu system produksi harus disimulasi dan diatur melalui suatu tatanan. Bagainama system produksi yang baik, bagainama menulis yang baik agar kertasnya tidak terbuang banyak.
    Kasus di Bandara
    Bagaimana caranya agar tidak terjadi ledakan para pengunjung di bandara tersebut, para pengunjung di sini yang dimaksudkan adalah para penumpang pesawat terbang dan para pengantar penumpang tersebut. Adapun tahap-tahap yang perlu kita perhatikan adalah pertama pemisahan yang naik dan yang tidak, pemisahan pesawat satu dengan pesawat yang lain, ketiga check in barang, keempat naik pesawat yang disitu ada pembagian atau pemisahan tempat duduk, contohnya untuk ibu hamil, kelas VIP.
    Dari beberapa hal di atas dapat diketahui berapa panjang dan lamanya ketika kita berada di Bandara untuk menaiki pesawat. Dan tentunya waktu yang menjadi masalah di bandara tersebut sehingga terjadi antrean. sebarapa lama kita masuk di area kusus buat penumpang saja, checking barang yang tentunya juga memerlukan banyak waktu, karna semua barang yang kita bawa akan diperiksa. Selain itu Kita akan naik pesawatpun harus memilih pesawat mana yang sesuai dengan pesawat pesanan kita, kemudian tempat duduk kitapun ditentukan, mungkin dari kelas VIP, kelas untuk ibu hamil, nenek-nenek, kelas biasa, dan lain-lain. Tentunya hal ini akan menimbulkan antrian yang sangat panjang dari awal masuk bandara hingga akhir kita akan meninggalkan tempat tersebut. Bisa dikatakan waktu antar kedatangan lebih besar atau lebih lama daripada waktu pelayanan. Solusinya adalah menambah Loket , tempat cheking barang, serta ruang-ruang pelayanan lainnya sehingga bisa trehindar dari antrean.

    Bagaimana menarik Turis ke Karanganyar
    Di karanganyar banyak sekali tempat pariwisata, oleh karena itu ada keinginan dari pemkot setempat untuk bagaimana caranya agar turis asing bisa singgah ke Karanganyar terlebih dahulu dari perjalanan mereka Bali menuju Jakarta. Ada satu ide, bagaimana kalau di buka saja travel pesawal antara Bali-Solo maupun Solo-Bali. Agar turis juga dapat dengan mudah singgah ke Karanganyar. Namun ada banyak hal yang perlu diperhatikan oleh pihak penerbangan tersebut, diantaranya apakah ada yang akan kembali pada jam penerbangan tersebut, jam nya berapa sesuai dengan agenda turis asing, nanti untungnya berapa apabila penumpangnya sedikit? Dan pertanyaan lainya.
    Beberapa pertanyaan diatas dapat di relasikan dengan cara kita mengambil data dari PT TELKOM , CNI, ataupun Ticki(Trafic tinggi) apakah ada turis yang ada di Bali menelepon orang-orang yang ada di sekirar karanganyar, di kawasan solo. Dan berapa banyaknya, dari sinilah dapat kitalihat apabila terjadi komunikasi yang sering, maka ada kemungkinan mereka ingin bertemu di daerah karanganya taupun solo, mungkin untuk masalah bisnis dan kepentingan lainnya. Namun kalau sedikit bahkan tidak ada yang komunikasi antaraorang Karanganyar, Solo dengan turis-turis asing di bali. Maka tidak perlu di buka trevel penerbangan tersebut.

    FUZZY LOGIC

    Pengertian
    Fuzzy Logic (Logika Fuzzy) atau biasa juga disebut dengan Logika Samar merupakan suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output didasari oleh konsep himpunan fuzzy. (Sumber : http://ndoware.com/tag/logika-fuzzy)

    Logika Fuzzy pertama kali dikemukakan secara metodologis oleh Lothfi Asker Zadeh seorang professor computer science di University of California, Berkeley pada tahun 1965. Zadeh mengatakan dalam Logika Fuzzy segala sesuatu dapat dinyatakan secara parsial (derajat), pendekatan(approximate), granular(linguistic), atau berdasarkan persepsi. Logika ini banyak mendapatkan kritik tajam, antara lain oleh; R.E. Kalman seorang profesor teknik elektro Massachusetts Institute of Technology, Susan Haack seorang profesor filosofi dan hukum University of Miami, dan William Kahan seorang profesor computer science University of California yang juga kolega Zadeh. Mereka yang berseberangan dengan Logika Fuzzy pada dasarnya tidak sependapat bahwa kebenaran sesuatu dapat dinyatakan derajat (multivalent) seperti yang diterapkan pada logika ini, kebenaran dalam logika seharusnya dinyatakan oleh dua nilai(bivalent). (Sumber : http://www.borneotribune.com/pendidikan/menguak-relevansi-pada-logika-fuzzy.html)
    Sistem Pengaturan Lampu Lalu Lintas Memakai Logika Fuzzy
    Ilustrasi:
    a. Perempatan dengan traffic ligh
    Pada masalah ini merupakan Logika yang mengikuti Aritoteles, logika 0 1
    Dimisalkan lampu merah (15 sekon), Lampu Hijau (17 sekon)
    Ada 4 ruas jalan, sebut saja jalan I (a), jalan 2 (b), Jalan 3 (c), jalan 4 (d).
    Kalau satu ruas jalan (d) nyala hijau dan kendaraan berjalan dari jalan tersebut, maka ketiga ruas jalan yang lainnya akan menyala merah, dan kendaraanpun berhenti. Ketika di putuskan pada pada tiap truas jalan lampu nerah waktunya 15 sekon, maka ruas jalan a akan berhenti selama 15 sekon, ruas jalan b akan berhenti selama 30 sekon, dan ruas jalan c akan lebih lama lagi berhenti selama 45 sekon. Dan ini akan menebabkan antrian yang sangat panjang. Jadi logika Aritoteles ini tidaj cocok di gunakan dalam Traffic ligh.
    Solusi yang tepat digunakan dalam Traffic ligh adalah dengan memasang alat fuzzy logic pada keempat ruas jalan tersebut, masing-masing diberi dua alat tersebut yang diletakan diletakan dekat persis di bawah Lampu lalu lintas dan alat kedua di letakkan pada jarak sekian meter dari lampu lalu lintas untuk mendeteksi input terakhir dibelakang. Setelah tidak ada kendaraan yang masuk pada ruas jalan yang menyala lampu hijau maka alat tersebut akan member kode pada alat elektonik lainnya, sehingga otomatis lampu dijalan ini akan menyala merah dan ruas jalan salah satu nyapun akan menyala lampu hijau.
    Dari peristiwa ini jalan d pada merupakan merupakan logika samar, tidak dapat di pastikan berapa lama lampunya akan menyala hijau, karna tergantung dengan banyaknya input yang masuk. Ada 3 kriteria pada jalan b :
    a. Low [0,4] : lambat
    b. Medium [5, 10] : sedang
    c. Long [11,25], cepat.

    Dalam hal ini kita mengamati nilai merah, nilai hijau dan nilai kuning tidak konstan tapi berdasarkan input antrian kendaraan yang lewat.

    b. Mengukur Ketinggian Badan
    Masalah yang menggunakan logika Aristoteles
    Merentangkan tali pada ketinggian tertentu. Diasumsikan bagi yang dapat melewati tali yang direntangkan dikatagorikan orang yang pendek. Sedang yang tidak dapat melewati tali yang direntangkantersebut dikatagorikan orang berbadan tinggi.
    Fuzzy Logic :
    Dimisalkan tinggi t(x) ada tiga kriteria pendek, sedang dan tinggi. beberapa katagori tinggi badan di asumsikan : Tinggi t(x) = 0, pendek → t ≤ 145 cm, sedang → 145 cm ≤ t ≤ 170 cm. Misal, Berapakah nilai untuk tinggi badan sedang? Didapatkan persamaan : (t-t_minimum)/interval Diketahui : t_minimum=145 (t-145)/25 Interval = 20 Jika diambil t =160 maka: (160-145)/25=0.6 → dikatakan ini adalah samar, karena tidak pendek/ tidak tinggi
    Sistem Pengaturan Lampu Lalu Lintas Memakai Logika Fuzzy
    Lampu lalu lintas (LL) pada persimpangan jalan memegang peranan penting dalam menentukan kelancaran sebaran kendaraan di jalan-jalan yang mempunyai persimpangan tersebut. Sistem pengendalian lampu LL yang baik adalah jika sistem itu dapat berjalan secara otomatis dan dapat menyesuaikan diri dengan kepadatan LL pada tiap-tiap jalur (bagian dari lengan jalan). Sistem ini dikenal sebagai actuated controller. Telah dirancang sebuah miniatur simpang empat sederhana dengan sistem pengendalian lampu LL jenis actuated controller (lihat Gambar-1). Sistem ini menggunakan logika Fuzzy. Perangkat keras sistem terdiri atas 8 sensor kepadatan LL untuk mengambil data kendaraan, papan antar muka untuk menghubungkan perangkat keras dengan komputer (PC), dan bagian keluaran yang dihubungkan dengan lampu LL.
    Perangkat lunak berfungsi untuk menjalankan dan mengendalikan perangkat keras serta melakukan pengolahan data, ditulis dalam Bahasa C. Perancangan Logika Fuzzy untuk Sistem Pengaturan Lampu LL Beberapa istilah yang digunakan dalam pengendalian lampu LL, antara lain, untuk sebaran kendaraan adalah Tidak Padat (TP), Kurang Padat (KP), Cukup Padat (CP), Padat (P) dan Sangat Padat (SP), sedangkan untuk lama nyala lampu LL adalah Cepat (C), Agak Cepat (AC), Sedang (S), Agak Lama (AL) dan Lama (L). Jelas istilah- istilah tersebut dapat menimbulkan kemenduaan (ambiquity) dalam pengertiannya. Logika Fuzzy dapat mengubah kemenduaan tersebut ke dalam model matematis sehingga dapat diproses lebih lanjut untuk dapat diterapkan dalam sebuah sistem kendali [Cox, 1992 dan Marsh, 1992]. Menggunakan teori himpunan Fuzzy logika bahasa dapat diwakili oleh sebuah daerah yang mempunyai jangkauan tertentu yang menunjukkan derajat keanggotaannya. Untuk kasus di sini sebut saja derajat keanggotaan itu adalah u(x) untuk x adalah jumlah kendaraan. Derajat keanggotaan tersebut mempunyai nilai bergradasi sehingga mengurangi lonjakan pada sistem. Sistem pengendalian fuzzy yang dirancang mempunyai dua masukan dan satu keluaran. Masukan adalah jumlah kendaraan pada suatu jalur yang sedang diatur dan jumlah kendaraan pada jalur lain, dan keluaran berupa lama nyala lampu hijau pada jalur yang sedang diatur. Penggunaan dua masukan dimaksudkan supaya sistem tidak hanya memperhatikan sebaran kendaraan pada jalur yang sedang diatur saja, tetapi juga memperhitungkan kondisi jalur yang sedang menunggu. Pencuplikan dilakukan pada setiap putaran (lewat 8 sensor yang dipasang pada semua jalur). Satu putaran dianggap selesai apabila semua jalur telah mendapat pelayanan lampu. Masukan berupa himpunan kepadatan kendaraan oleh logika fuzzy diubah menjadi fungsi keanggotaan masukan dan fungsi keanggotaan keluaran (lama nyala lampu hijau). Bentuk fungsi keanggotaan dapat diatur sesuai dengan distribusi data kendaraan. Menerapkan logika fuzzy dalam sistem pengendalian membutuhkan tiga langkah, yaitu fusifikasi (fuzzyfication), evaluasi kaidah, dan defusifikasi (defuzzyfication). Fusifikasi adalah proses mengubah masukan eksak berupa jumlah kendaraan menjadi masukan fuzzy berupa derajat keanggotaan, u(x), berdasarkan grafik fungsi keanggotaannya (Gambar-2a). Setelah fusifikasi adalah evaluasi kaidah. Kaidah-kaidah yang akan digunakan untuk mengatur LL ditulis secara subjektif dalam fuzzy associative memory (FAM), yang memuat hubungan antara kedua masukan yang menghasilkan keluaran tertentu. Kaidah-kaidah ini sebaiknya dikonsultasikan terlebih dahulu kepada mereka yang berpengalaman dalam bidang yang akan dikendalikan tersebut, misalnya Polisi Lalu Lintas. Di sini dipakai kaidah hubungan sebab- akibat dengan dua sebab atau masukan digabung menggunakan operator DAN, yaitu : Jika (masukan 1) DAN (masukan 2), maka (keluaran). Sebagai contoh, jika TP(0,25) dan KP(0,75), maka AC(0,25). Di sini, keluaran fuzzy adalah AC(0,25) untuk AC adalah akibat atau keluaran dan 0,25 adalah derajat keanggotaan (lihat Gambar-2). Bila terdapat dua buah derajat keanggotaan berbeda pada akibat yang sama, diambil harga yang terbesar [Marsh, 1992]. Fuzzy Associative Memory untuk kepadatan LL Perangkat Lunak Perangkat lunak yang dibuat dibagi menjadi beberapa bagian besar antara lain meliputi algoritma pengambilan data masukan, pengiriman data keluaran, pengolahan data secara fuzzy, dan proses kendalinya. Perangkat lunak ini direalisasikan memakai Bahasa C. Algoritma program utama mengikuti proses sebagai berikut. Mula- mula PPI diinisialisasi dengan mengirimkan control word ke rigister kendali PPI. Dengan mengirimkan nilai 90h ke register kendali PPI, maka port A akan berfungsi sebagai masukan dan port B serta port C akan berfungsi sebagai keluaran. Selanjutnya akan dikirimkan pulsa reset ke semua pencacah, kemudian pada saat awal seluruh jalur akan diberi lampu merah dan accumulator yang berfungsi untuk menyimpam jumlah kendaraan dikosongkan. Setelah proses-proses ini, program melakukan proses yang berulang-ulang, yaitu proses pengambilan data pada tiap sensor, pengolahan data dan proses pengaturan fuzzy menggunakan prinsip-prinsip yang telah dibahas di bagian Perancangan, dan menjalankan pengaturan sesuai dengan tabel kendali yang telah dibuat. Perhitungan perancangan perangkat keras, penjelasan rinci algoritma perangkat lunak dan listingprogram, dan pengujian sistem telah dibuat [Lea, 1994]. Kesimpulan Dari hasil perancangan dan uji coba sistem yang dibuat, logika fuzzy terbukti dapat digunakan untuk memenuhi tujuan pengaturan LL secara optimal. Sistem yang dihasilkan relatif sederhana dan mempunyai fleksibilitas tinggi. Sistem ini dapat diterapkan di kondisi jalan yang berbeda, yaitu lewat penyesuaian ranah (domain) himpunan fungsi keanggotaan masukan dan keluaran dan kaidah-kaidah kendali pada FAM. Miniatur Sistem Pengaturan Lampu LL ini dapat diperluas, misalnya :
    1. Komputer dibuat terpusat dengan tugas mengkoordinasi beberapa persimpangan (yang tidak harus 4 jumlahnya), terutama yang berdekatan, dengan tujuan supaya sistem-sistem saling membantu dan memperlancar sebaran kendaraan pada suatu daerah.
    2. Dikembangkan ke arah sistem yang adaptif, yaitu bila kondisi kepadatan berubah, maka sistem akan melakukan perubahan bentuk grafik fungsi keanggotaan masukan dan keluaran, serta tabel FAM secara otomatis.

  • Ummi Naimul Faizah (M0106018), Muafah (M0107038), Nining Dwi Lestari (M0108099), Nurnaini Hidayah (M0105014)
    7 years ago

    ANGGOTA KELOMPOK:
    1. Ummi Naimul Faizah (M0106018)
    2. Muafah (M0107038)
    3. Nining Dwi Lestari (M0108099)
    4. Nurnaini Hidayah (M0105014)

    SIMULASI DARI DATA KE MODEL
    Simulasi yang dibahas untuk kasus-kasus di bawah ini adalah simulasi darri data diubah ke model. (DATA→MODEL). Sebagai contohnya ada beberapa kasus dibawah ini :

    Kasus antrean pasien di loket pendaftaran di suatu di rumah sakit.

    Akan disurvey bagaimana system pembukaan loket agar tidak terjadi antrean. Adapun Langkah langkahnya yaitu :
    1. Melakukan survey di Rumah Sakit tersebut. Survey dilakukan dengan cara mengambil data banyaknya pasien yang datang pada jam tertentu pada beberapa hari. Misalkan dibuka n loket pendaftaran, akan disurvey banyak pasien yang mengantre di n loket tersebut. Dan dicatat interval waktu kedatangan pasien. Menghitung waktu yang dibutuhkan pada setiap loket untuk melayani setiap pasien.
    Setelah melewati gap yang pertama,
    2. selanjutnya pasien akan menuju ke bagian spesialis penyakit sesuai dengan keluhan pasien. Menghitung waktu yang dibutuhkan dokter untuk memeriksa setiap pasien.

    Dari langkah-langkah di atas kita dapat mengetahui berapa banyak antrean yang terjadi. Kemudian kita dapat membandingkan interval waktu kedatangan pasien dengan seluruh pelayanan (dari awal sampai selesai pemeriksaan). Sehingga kita dapat menentukan berapa loket yang harus dibuka. Dan kita bisa menentukan berapa standar waktu untuk melayani setiap pasiennya (dari awal sampai akhir) agar tidak terjadi antrean yang panjang.
    Kasus loket antrean di suatu BANK.
    Pertanyaan yang dapat muncul terkait dengan pengantar simulasi adalah “Apakah tiap hari membuka loket yang jumlahnya sama?” atau “Apakah tiap jam membuka loket yang jumlahnya sama?”. Untuk mengatasinya juga akan dilakukan survey tentang bagaimana keadaan (tingkat keramaian) pengunjung bank yang datang pada hari dan jam tertentu. Misalnya saat dibuka registrasi mahasiswa UNS, melalui survey dapat diketahui bagaimana tingkat antreannya. Tingkat antrean tersebut dapat ditentukan oleh peneliti (tinggi, sedang, atau rendah). Apabila tingkat antreannya tinggi, dapat diatasi dengan cara membuka lebih banyak loket atau dengan menggunakan system registrasi online. Langkah-langkah survey juga sama dengan kasus di Rumah Sakit di atas.

    bagaimana meminimumkan jumlah suatu kertas yang digunakan agar kertas tidak terbuang percuma.

    Oleh karena itu system produksi harus disimulasi dan diatur melalui suatu tatanan. Bagainama system produksi yang baik, bagainama menulis yang baik agar kertasnya tidak terbuang banyak.

    KASUS DI BANDARA

    Bagaimana caranya agar tidak terjadi ledakan para pengunjung di bandara tersebut, para pengunjung di sini yang dimaksudkan adalah para penumpang pesawat terbang dan para pengantar penumpang tersebut. Adapun tahap-tahap yang perlu kita perhatikan adalah pertama pemisahan yang naik dan yang tidak, pemisahan pesawat satu dengan pesawat yang lain, ketiga check in barang, keempat naik pesawat yang disitu ada pembagian atau pemisahan tempat duduk, contohnya untuk ibu hamil, kelas VIP.
    Dari beberapa hal di atas dapat diketahui berapa panjang dan lamanya ketika kita berada di Bandara untuk menaiki pesawat. Dan tentunya waktu yang menjadi masalah di bandara tersebut sehingga terjadi antrean. sebarapa lama kita masuk di area kusus buat penumpang saja, checking barang yang tentunya juga memerlukan banyak waktu, karna semua barang yang kita bawa akan diperiksa. Selain itu Kita akan naik pesawatpun harus memilih pesawat mana yang sesuai dengan pesawat pesanan kita, kemudian tempat duduk kitapun ditentukan, mungkin dari kelas VIP, kelas untuk ibu hamil, nenek-nenek, kelas biasa, dan lain-lain. Tentunya hal ini akan menimbulkan antrian yang sangat panjang dari awal masuk bandara hingga akhir kita akan meninggalkan tempat tersebut. Bisa dikatakan waktu antar kedatangan lebih besar atau lebih lama daripada waktu pelayanan. Solusinya adalah menambah Loket , tempat cheking barang, serta ruang-ruang pelayanan lainnya sehingga bisa trehindar dari antrean.

    Bagaimana menarik Turis ke Karanganyar

    Di karanganyar banyak sekali tempat pariwisata, oleh karena itu ada keinginan dari pemkot setempat untuk bagaimana caranya agar turis asing bisa singgah ke Karanganyar terlebih dahulu dari perjalanan mereka Bali menuju Jakarta. Ada satu ide, bagaimana kalau di buka saja travel pesawal antara Bali-Solo maupun Solo-Bali. Agar turis juga dapat dengan mudah singgah ke Karanganyar. Namun ada banyak hal yang perlu diperhatikan oleh pihak penerbangan tersebut, diantaranya apakah ada yang akan kembali pada jam penerbangan tersebut, jam nya berapa sesuai dengan agenda turis asing, nanti untungnya berapa apabila penumpangnya sedikit? Dan pertanyaan lainya.
    Beberapa pertanyaan diatas dapat di relasikan dengan cara kita mengambil data dari PT TELKOM , CNI, ataupun Ticki(Trafic tinggi) apakah ada turis yang ada di Bali menelepon orang-orang yang ada di sekirar karanganyar, di kawasan solo. Dan berapa banyaknya, dari sinilah dapat kitalihat apabila terjadi komunikasi yang sering, maka ada kemungkinan mereka ingin bertemu di daerah karanganya taupun solo, mungkin untuk masalah bisnis dan kepentingan lainnya. Namun kalau sedikit bahkan tidak ada yang komunikasi antaraorang Karanganyar, Solo dengan turis-turis asing di bali. Maka tidak perlu di buka trevel penerbangan tersebut.

    FUZZY LOGIC

    Pengertian
    Fuzzy Logic (Logika Fuzzy) atau biasa juga disebut dengan Logika Samar merupakan suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output didasari oleh konsep himpunan fuzzy. (Sumber : http://ndoware.com/tag/logika-fuzzy)

    Logika Fuzzy pertama kali dikemukakan secara metodologis oleh Lothfi Asker Zadeh seorang professor computer science di University of California, Berkeley pada tahun 1965. Zadeh mengatakan dalam Logika Fuzzy segala sesuatu dapat dinyatakan secara parsial (derajat), pendekatan(approximate), granular(linguistic), atau berdasarkan persepsi. Logika ini banyak mendapatkan kritik tajam, antara lain oleh; R.E. Kalman seorang profesor teknik elektro Massachusetts Institute of Technology, Susan Haack seorang profesor filosofi dan hukum University of Miami, dan William Kahan seorang profesor computer science University of California yang juga kolega Zadeh. Mereka yang berseberangan dengan Logika Fuzzy pada dasarnya tidak sependapat bahwa kebenaran sesuatu dapat dinyatakan derajat (multivalent) seperti yang diterapkan pada logika ini, kebenaran dalam logika seharusnya dinyatakan oleh dua nilai(bivalent). (Sumber : http://www.borneotribune.com/pendidikan/menguak-relevansi-pada-logika-fuzzy.html)

    Sistem Pengaturan Lampu Lalu Lintas Memakai Logika Fuzzy

    Ilustrasi:
    a. Perempatan dengan traffic ligh
    Pada masalah ini merupakan Logika yang mengikuti Aritoteles, logika 0 1
    Dimisalkan lampu merah (15 sekon), Lampu Hijau (17 sekon)
    Ada 4 ruas jalan, sebut saja jalan I (a), jalan 2 (b), Jalan 3 (c), jalan 4 (d).
    Kalau satu ruas jalan (d) nyala hijau dan kendaraan berjalan dari jalan tersebut, maka ketiga ruas jalan yang lainnya akan menyala merah, dan kendaraanpun berhenti. Ketika di putuskan pada pada tiap truas jalan lampu nerah waktunya 15 sekon, maka ruas jalan a akan berhenti selama 15 sekon, ruas jalan b akan berhenti selama 30 sekon, dan ruas jalan c akan lebih lama lagi berhenti selama 45 sekon. Dan ini akan menebabkan antrian yang sangat panjang. Jadi logika Aritoteles ini tidaj cocok di gunakan dalam Traffic ligh.
    Solusi yang tepat digunakan dalam Traffic ligh adalah dengan memasang alat fuzzy logic pada keempat ruas jalan tersebut, masing-masing diberi dua alat tersebut yang diletakan diletakan dekat persis di bawah Lampu lalu lintas dan alat kedua di letakkan pada jarak sekian meter dari lampu lalu lintas untuk mendeteksi input terakhir dibelakang. Setelah tidak ada kendaraan yang masuk pada ruas jalan yang menyala lampu hijau maka alat tersebut akan member kode pada alat elektonik lainnya, sehingga otomatis lampu dijalan ini akan menyala merah dan ruas jalan salah satu nyapun akan menyala lampu hijau.
    Dari peristiwa ini jalan d pada merupakan merupakan logika samar, tidak dapat di pastikan berapa lama lampunya akan menyala hijau, karna tergantung dengan banyaknya input yang masuk. Ada 3 kriteria pada jalan b :
    a. Low [0,4] : lambat
    b. Medium [5, 10] : sedang
    c. Long [11,25], cepat.

    Dalam hal ini kita mengamati nilai merah, nilai hijau dan nilai kuning tidak konstan tapi berdasarkan input antrian kendaraan yang lewat.

    b. Mengukur Ketinggian Badan
    Masalah yang menggunakan logika Aristoteles
    Merentangkan tali pada ketinggian tertentu. Diasumsikan bagi yang dapat melewati tali yang direntangkan dikatagorikan orang yang pendek. Sedang yang tidak dapat melewati tali yang direntangkantersebut dikatagorikan orang berbadan tinggi.
    Fuzzy Logic :
    Dimisalkan tinggi t(x) ada tiga kriteria pendek, sedang dan tinggi. beberapa katagori tinggi badan di asumsikan : Tinggi t(x) = 0, pendek → t ≤ 145 cm, sedang → 145 cm ≤ t ≤ 170 cm. Misal, Berapakah nilai untuk tinggi badan sedang? Didapatkan persamaan : (t-t_minimum)/interval Diketahui : t_minimum=145 (t-145)/25 Interval = 20 Jika diambil t =160 maka: (160-145)/25=0.6 → dikatakan ini adalah samar, karena tidak pendek/ tidak tinggi

    Sistem Pengaturan Lampu Lalu Lintas Memakai Logika Fuzzy

    Lampu lalu lintas (LL) pada persimpangan jalan memegang peranan penting dalam menentukan kelancaran sebaran kendaraan di jalan-jalan yang mempunyai persimpangan tersebut. Sistem pengendalian lampu LL yang baik adalah jika sistem itu dapat berjalan secara otomatis dan dapat menyesuaikan diri dengan kepadatan LL pada tiap-tiap jalur (bagian dari lengan jalan). Sistem ini dikenal sebagai actuated controller. Telah dirancang sebuah miniatur simpang empat sederhana dengan sistem pengendalian lampu LL jenis actuated controller (lihat Gambar-1). Sistem ini menggunakan logika Fuzzy. Perangkat keras sistem terdiri atas 8 sensor kepadatan LL untuk mengambil data kendaraan, papan antar muka untuk menghubungkan perangkat keras dengan komputer (PC), dan bagian keluaran yang dihubungkan dengan lampu LL.
    Perangkat lunak berfungsi untuk menjalankan dan mengendalikan perangkat keras serta melakukan pengolahan data, ditulis dalam Bahasa C. Perancangan Logika Fuzzy untuk Sistem Pengaturan Lampu LL Beberapa istilah yang digunakan dalam pengendalian lampu LL, antara lain, untuk sebaran kendaraan adalah Tidak Padat (TP), Kurang Padat (KP), Cukup Padat (CP), Padat (P) dan Sangat Padat (SP), sedangkan untuk lama nyala lampu LL adalah Cepat (C), Agak Cepat (AC), Sedang (S), Agak Lama (AL) dan Lama (L). Jelas istilah- istilah tersebut dapat menimbulkan kemenduaan (ambiquity) dalam pengertiannya. Logika Fuzzy dapat mengubah kemenduaan tersebut ke dalam model matematis sehingga dapat diproses lebih lanjut untuk dapat diterapkan dalam sebuah sistem kendali [Cox, 1992 dan Marsh, 1992]. Menggunakan teori himpunan Fuzzy logika bahasa dapat diwakili oleh sebuah daerah yang mempunyai jangkauan tertentu yang menunjukkan derajat keanggotaannya. Untuk kasus di sini sebut saja derajat keanggotaan itu adalah u(x) untuk x adalah jumlah kendaraan. Derajat keanggotaan tersebut mempunyai nilai bergradasi sehingga mengurangi lonjakan pada sistem. Sistem pengendalian fuzzy yang dirancang mempunyai dua masukan dan satu keluaran. Masukan adalah jumlah kendaraan pada suatu jalur yang sedang diatur dan jumlah kendaraan pada jalur lain, dan keluaran berupa lama nyala lampu hijau pada jalur yang sedang diatur. Penggunaan dua masukan dimaksudkan supaya sistem tidak hanya memperhatikan sebaran kendaraan pada jalur yang sedang diatur saja, tetapi juga memperhitungkan kondisi jalur yang sedang menunggu. Pencuplikan dilakukan pada setiap putaran (lewat 8 sensor yang dipasang pada semua jalur). Satu putaran dianggap selesai apabila semua jalur telah mendapat pelayanan lampu. Masukan berupa himpunan kepadatan kendaraan oleh logika fuzzy diubah menjadi fungsi keanggotaan masukan dan fungsi keanggotaan keluaran (lama nyala lampu hijau). Bentuk fungsi keanggotaan dapat diatur sesuai dengan distribusi data kendaraan. Menerapkan logika fuzzy dalam sistem pengendalian membutuhkan tiga langkah, yaitu fusifikasi (fuzzyfication), evaluasi kaidah, dan defusifikasi (defuzzyfication). Fusifikasi adalah proses mengubah masukan eksak berupa jumlah kendaraan menjadi masukan fuzzy berupa derajat keanggotaan, u(x), berdasarkan grafik fungsi keanggotaannya (Gambar-2a). Setelah fusifikasi adalah evaluasi kaidah. Kaidah-kaidah yang akan digunakan untuk mengatur LL ditulis secara subjektif dalam fuzzy associative memory (FAM), yang memuat hubungan antara kedua masukan yang menghasilkan keluaran tertentu. Kaidah-kaidah ini sebaiknya dikonsultasikan terlebih dahulu kepada mereka yang berpengalaman dalam bidang yang akan dikendalikan tersebut, misalnya Polisi Lalu Lintas. Di sini dipakai kaidah hubungan sebab- akibat dengan dua sebab atau masukan digabung menggunakan operator DAN, yaitu : Jika (masukan 1) DAN (masukan 2), maka (keluaran). Sebagai contoh, jika TP(0,25) dan KP(0,75), maka AC(0,25). Di sini, keluaran fuzzy adalah AC(0,25) untuk AC adalah akibat atau keluaran dan 0,25 adalah derajat keanggotaan (lihat Gambar-2). Bila terdapat dua buah derajat keanggotaan berbeda pada akibat yang sama, diambil harga yang terbesar [Marsh, 1992]. Fuzzy Associative Memory untuk kepadatan LL Perangkat Lunak Perangkat lunak yang dibuat dibagi menjadi beberapa bagian besar antara lain meliputi algoritma pengambilan data masukan, pengiriman data keluaran, pengolahan data secara fuzzy, dan proses kendalinya. Perangkat lunak ini direalisasikan memakai Bahasa C. Algoritma program utama mengikuti proses sebagai berikut. Mula- mula PPI diinisialisasi dengan mengirimkan control word ke rigister kendali PPI. Dengan mengirimkan nilai 90h ke register kendali PPI, maka port A akan berfungsi sebagai masukan dan port B serta port C akan berfungsi sebagai keluaran. Selanjutnya akan dikirimkan pulsa reset ke semua pencacah, kemudian pada saat awal seluruh jalur akan diberi lampu merah dan accumulator yang berfungsi untuk menyimpam jumlah kendaraan dikosongkan. Setelah proses-proses ini, program melakukan proses yang berulang-ulang, yaitu proses pengambilan data pada tiap sensor, pengolahan data dan proses pengaturan fuzzy menggunakan prinsip-prinsip yang telah dibahas di bagian Perancangan, dan menjalankan pengaturan sesuai dengan tabel kendali yang telah dibuat. Perhitungan perancangan perangkat keras, penjelasan rinci algoritma perangkat lunak dan listingprogram, dan pengujian sistem telah dibuat [Lea, 1994]. Kesimpulan Dari hasil perancangan dan uji coba sistem yang dibuat, logika fuzzy terbukti dapat digunakan untuk memenuhi tujuan pengaturan LL secara optimal. Sistem yang dihasilkan relatif sederhana dan mempunyai fleksibilitas tinggi. Sistem ini dapat diterapkan di kondisi jalan yang berbeda, yaitu lewat penyesuaian ranah (domain) himpunan fungsi keanggotaan masukan dan keluaran dan kaidah-kaidah kendali pada FAM. Miniatur Sistem Pengaturan Lampu LL ini dapat diperluas, misalnya :
    1. Komputer dibuat terpusat dengan tugas mengkoordinasi beberapa persimpangan (yang tidak harus 4 jumlahnya), terutama yang berdekatan, dengan tujuan supaya sistem-sistem saling membantu dan memperlancar sebaran kendaraan pada suatu daerah.
    2. Dikembangkan ke arah sistem yang adaptif, yaitu bila kondisi kepadatan berubah, maka sistem akan melakukan perubahan bentuk grafik fungsi keanggotaan masukan dan keluaran, serta tabel FAM secara otomatis.

  • kartini(M0108050), Arief W W(M0108081), Nanang P(M0108097)
    7 years ago

    Kuliah PTS untuk :
    – tanggal 05 maret 2010 tentang korelasi dan def.simulasi dengan matematika, statistik, dan model.
    – tanggal 09 maret 2010 tentang uji model dengan simulasi : Lotka Volterra dengan traffic light.
    – tanggal 12 maret 2010 tentang event dan simulasi ( montecarlo ).
    – tanggal 23 maret 2010 tentang simulasi dan FuzzyLogic.

    SIMULASI DATA KE MODEL
    Untuk simulasi data ke model adalah kasus antrian di loket pendaftaran di Rumah Sakit. Akan disurvey bagaimana sistem pendaftaran di loket agar tertib.
    Langkah-langkahnya yaitu :
    1.Melakukan survey di Rumah Sakit tersebut.
    Dilakukan dengan mengambil data banyaknya pasien yang datang pada jam tertentu pada beberapa hari. Misal terdapat n loket pendaftaran, dihitung banyak pasien yang mengantri di n loket tersebut, kemudian dicatat interval waktu kedatangan pasien.
    2.Menghitung waktu yang dibutuhkan di setiap loket untuk melayani setiap pendaftaran pasien.
    3.Setelah melewati loket pertama, selanjutnya pasien akan menuju ke bagian spesialis penyakit sesuai dengan yang dituju.
    4.Menghitung waktu yang dibutuhkan dokter untuk memeriksa setiap pasien.
    Dari langkah-langkah di atas dapat diketahui berapa banyak antrian yang terjadi setiap harinya pada jam-jam tertentu. Dari hal itu kita dapat menentukan jumlah loket yang seharusnya ada agar tidak terjadi antrian.tapi kita juga harus memperhitungkan waktu di setiap bagiannya, sehingga semuanya lancer tanpa harus terjadi antrian.
    Dan masih banyak contoh lainnya…

    SIMULASI MODEL KE DATA
    LOTKA-VOLTERRA merupakan model prinsip dasar dalam kasus simulasi berikut ini.
    Dalam ekosistem laut, terdapat rantai makanan antara ikan hiu dan ikan teri,diasumsikan ikan teri adalah makanan ikan hiu. Rantai makanan tersebut dapat dijelaskan oleh Model Lotka-Volterra. “Bagaimana populasi ikan hiu bila populasi ikan teri dapat naik ataupun sebaliknya?” dapat dijawab oleh model berikut ini.

    Misal n1 adalah populasi ikan hiu dan n2 adalah ikan teri.
    Titik (a, b) merupakan titik stationer, titik di mana tidak terjadi perubahan populasi ikan teri dan ikan hiu.
    Dari titik (a, b) menuju titik (c, d) dapat diketahui bahwa n1 berkurang dan n2 bertambah.
    Artinya saat populasi ikan hiu berkurang maka populasi ikan teri bertambah.
    Dari titik (c, d) ke titik (e, f) terlihat n1 bertambah dan n2 bertambah.
    Dari titik (a, f) ke titik (g, d) terlihat n1 bertambah dan n2 berkurang.
    Dari titik (g, d) ke titik (a, b) terlihat n1 berkurang dan n2 juga berkurang.

    Titik n1 n2 Artinya
    (a, b) Stationer Populasi hiu dan teri tetap
    (a, b)→(c, d) – + Hiu berkurang, teri bertambah
    (c, d) Stationer Populasi hiu dan teri tetap
    (c, d)→(e, f) + + Hiu dan teri bertambah
    (a, f) Stationer Populasi hiu dan teri tetap
    (a, f)→(g, d) + – Hiu bertambah, teri berkurang
    (g, d) Stationer Populasi hiu dan teri tetap
    (g, d)→(a, b) – – Hiu dan teri berkurang

    SUATU KASUS PADA TRAFFIC LIGHT
    Untuk mengetahui pertumbuhan penduduk di suatu kota dapat disimulasikan pada traffic light, survey dapat dilakukan dengan bantuan countdown yang sekarang ini banyak dipasang di traffic light di kota Solo.

    Kota B

    Kota A Desa

    Kota C
    N1 berjalan dari desa ke kota.
    Bila lampu hijau menyala maka N1 akan masuk ke kota. Ini berarti ada laju pertumbuhan di kota A.
    Bila lampu berwarna merah maka tidak ada laju pertumbuhan di kota A.
    Dua kasus di atas dapat dilakukan survey dengan mengambil data tiap interval waktu.
    Sehingga didapatkan persamaan sebagai berikut :

    Ket :
    t = waktu,
    a, b, c, k = konstanta
    N1, N2 = jumlah data 1 dan 2

    SIMULASI DAN LOGIKA SAMAR
    Logika yang biasanya digunakan adalah Aristoteles, yaitu bernilai mutlak, YA/ TIDAK..
    Logikanya sebagai berikut :
    0 < x < 1
    Tidak < x < Ya Standar
    Salah < x < Benar
    Logika yang digunakan di jaman modern ini adalah FUZZY LOGIC.

    Perbedaan kedua logika tersebut akan diaplikasikan ke dalam persoalan yang sering muncul dalam kehidupan sehari-hari, sebagai contoh :
    Pada kasus Traffic Light
    Bagaimana mengatasi kepadatan kendaraan-kendaraan bermotor di traffic light?
    Dalam logika Aristoteles yaitu dengan adanya countdown, sedangkan pada logika Fuzzy Logic yaitu dengan menggunakan Sensor Otomatis.
    Dengan melakukan survey pada suatu traffic light di perempatan jalan, kita mengambil data jumlah kendaraan yang berhenti saat lampu merah, diasumsikan becak dan sepeda tidak dihitung.
    Setelah didapatkan data, dibuat asumsi mengenai kriteria antrian kendaraan yang berhenti tinggi/ rendah dan juga asumsi countdown traffic light yang dianggap cepat/ lambat.
    Misal asumsinya adalah sebagai berikut :
    1. Antrian sedikit (ada 0-4 kendaraan)
    2. Antrian sedang (ada 5-10 kendaraan)
    3. Antrian panjang (ada 11-25 kendaraan)
    Asumsi untuk countdown :
    0 detik cepat
    15 detik
    30 detik lambat
    45 detik
    60 detik
    Sehinga jika menggunakan countdown akan di dapat sering terjadi kemacetan dikarenakan lampu merah yang sudah teratur lama waktunya.
    Dengan menggunakan sensor dapat dihitung jumlah input kendaraan. Jika antrian kendaraan bermotor sudah panjang, sensor akan meresponnya dan secara otomatis lampu merah akan dihentikan dan diganti lampu hijau.
    LOGIKA FUZZY UNTUK SISTEM PENGATURAN LALU LINTAS
    Lampu lalu lintas mempunyai peranan penting dalam kelancaran berlalu lintas. Sistem pengendalian lampu lalu lintas yang baik akan otomatis menyesuaikan diri dengan kepadatan arus lalu lintas pada jalur tersebut. Penerapan logika fuzzy hal ini sangat memungkinkan untuk dilakukan.
    Beberapa istilah yang digunakan dalam pengendalian lampu Lalulintas (LL), antara lain, untuk sebaran kendaraan adalah : Tidak Padat (TP), Kurang Padat (KP), Cukup Padat (CP), Padat (P) dan Sangat Padat (SP). Sedangkan untuk lama nyala lampu LL adalah : Cepat (C), Agak Cepat (AC), Sedang (S), Agak Lama (AL) dan Lama (L). Istilah-istilah tersebut dapat menimbulkan keambiguan (ambiguity) dalam pengertiannya. Logika Fuzzy mengubah keambiguan tersebut ke dalam model matematis sehingga dapat diproses lebih lanjut untuk dapat diterapkan dalam sistem kendali. Menggunakan teori himpunan Fuzzy, logika bahasa dapat diwakili oleh sebuah daerah yang mempunyai jangkauan tertentu yang menunjukkan derajat keanggotaannya. Untuk kasus disini, sebut saja derajat keanggotaan itu adalah u(x) untuk x adalah jumlah kendaraan. Derajad keanggotaan tersebut mempunyai nilai yang bergradasi sehingga mengurangi lonjakan pada sistem.
    Sistem pengendalian fuzzy yang dirancang mempunyai dua masukan dan satu keluaran. Masukan adalah jumlah kendaraan pada suatu jalur yang sedang diatur dan jumlah kendaraan pada jalur lain, dan keluaran berupa lama nyala lampu hijau pada jalur yang diatur. Penggunaan dua masukan dimaksudkan supaya sistem tidak hanya memperhatikan sebaran kendaraan pada jalur yang sedang diatur saja, tetapi juga memperhitungkan kondisi jalur yang sedang menunggu. Pengambilan dilakukan pada setiap putaran (lewat 8 sensor yang dipasang pada semua jalur). Satu putaran dianggap selesai apabila semua jalur telah mendapat pelayanan lampu.
    Masukan berupa himpunan kepadatan kendaraan oleh logika fuzzy diubah menjadi fungsi keanggotaan masukan dan fungsi keanggotaan keluaran (lama lampu hijau). Bentuk fungsi keanggotaan dapat diatur sesuai dengan distribusi data kendaraan. Menerapkan logika fuzzy dalam sistem pengendalian, membutuhkan tiga langkah, yaitu
    • Fusifikasi (Fuzzyfication)
    • Evaluasi kaidah
    • Defusifikasi (Defuzzyfication)
    Fusifikasi adalah proses mengubah masukan eksak berupa jumlah kendaraan menjadi masukan fuzzy berupa derajat keanggotaan u(x). Setelah fusifikasi adalah evaluasi kaidah. Kaidah-kaidah yang akan digunakan untuk mengatur LL ditulis secara subyektif dalam fuzzy associate memory (FAM), yang memuat hubungan antara kedua masukan yang menghasilkan keluaran tertentu. Kaidah-kaidah ini terlebih dahulu dikonsultasikan kepada mereka yang berpengalaman dalam bidang yang akan dikendalikan, misalnya Polisi Lalulintas dan DLLAJR. Di sini dipakai kaidah hubungan sebab akibat dengan dua masukan yang digabung menggunakan operator DAN, yaitu : Jika (masukan 1) DAN (masukan 2), maka (keluaran), dan ditabelkan dalam Tabel FAM. Sebagai contoh, jika TP(0,25) dan KP(0,75), maka AC(0,25). Di sini keluaran fuzzy adalah Agak Cepat yaitu AC(0,25).
    Tabel FAM
    Fuzzy Associate Memory untuk kepadatan Lalulintas
    Masukan-1 TP KP CP P SP
    Masukan-2
    TP C AC S AL L
    KP C AC S AL L
    CP C AC S AL AL
    P C AC S S AL
    SP C AC AC S S
    Keterangan : Masukan-1 adalah jumlah kendaraan pada jalur yang diatur
    Masukan-2 adalah jumlah kendaraan pada jalur lain
    Setelah diperoleh keluaran fuzzy, proses diteruskan pada defusifikasi. Proses ini bertujuan untuk mengubah keluaran fuzzy menjadi keluaran eksak (lama nyala lampu hijau). Karena keluaran fuzzy biasanya tidak satu untuk selang waktu tertentu, maka untuk dihasilkan keluaran eksaknya dipilih keluaran dengan harga yang terbesar. Bila terdapat dua buah derajat keanggotaan berbeda pada akibat yang sama, diambil harga yang terbesar.
    Sistem pengatur LL yang dirancang ini, juga mempertimbangkan masukan interupsi sebagai prioritas utama, sehingga pengaturan LL yang sedang berjalan akan dihentikan sementara untuk melayani jalur yang menyela. Fasilitas ini digunakan untuk keadaan darurat atau mendesak, misalnya seperti pelayanan mobil pemadam kebakaran atau mobil ambulance. Pendeteksian interupsi dilakukan secara terus menerus (residen). Jika lebih dari satu jalur memberi interupsi, maka yang dilayani dulu adalah yang pertama menekan tombol interupsi itu.
    Perancangan dan Pembuatan Sistem Peralatan
    1. Desain Hardware
    Perangkat keras (hardware) yang akan dibuat dirancang sesuai blok diagram.
    2. Desain Software
    Perangkat lunak (software) yang dibuat dibagi menjadi beberapa bagian besar antara lain meliputi algoritma pengambilan dan masukan, pengiriman data keluaran, pengolahan data secara fuzzy, dan proses kendalinya. Perangkat lunak ini direalisasikan menggunakan Turbo Pascal.
    Algoritma program utama mengikuti proses sebagai berikut : mula-mula PPI diinisialisasi dengan mengirimkan control word ke register kendali PPI. Dengan mengirimkan nilai 90h ke register kendali PPI, maka port A akan berfungsi sebagai masukan dan port B serta port C akan berfungsi sebagai keluaran.
    Selanjutnya akan dikirimkan pulsa reset ke semua input ADC, pada saat awal seluruh jalur akan diberi lampu merah. Setelah proses ini, program melakukan proses yang berulang-ulang, yaitu proses pengambilan data pada tiap sensor, pengolahan data dan proses pengaturan fuzzy menggunakan prinsip-prinsip yang telah dibahas di atas dan menjalankan pengaturan sesuai dengan tabel kendali yang telah dibuat.
    Dari hasil perancangan dan uji coba sistem yang dibuat, logika fuzzy terbukti dapat digunakan untuk memenuhi tujuan pengaturan lalulintas secara optimal. Sistem yang dihasilkan relatif sederhana dan mempunyai fleksibilitas tinggi.
    Miniatur Sistem Pengaturan Lampu Lalulintas ini dapat diperluas, misalnya :
    1. Komputer dibuat terpusat dengan tugas mengkoordinasi beberapa persimpangan (yang tidak harus 4 jumlahnya), terutama yang berdekatan, dengan tujuan supaya sistem-sistem saling membantu dan memperlancar sebaran kendaraan pada suatu daerah.
    2. Dikembangkan ke arah sistem yang adaptif, yaitu bila kondisi kepadatan berubah, maka sistem akan melakukan perubahan bentuk fungsi keanggotaan masukan dan keluaran, serta tabel FAM secara otomatis.
    3. Digunakan sistem minimum yang salah satunya bisa berupa aplikasi Microcontroler 8031 sehingga sistem tidak lagi tergantung pada penyediaan komputer sebagai otak sistem pengendali.

  • eko utoro,ananta ade k, oktaviana Ayu N P, marvina puspito, muhamad sidiq
    7 years ago

    Anggota Kelompok :
    Eko Utoro
    Ananta Ade K
    Marvina Puspito
    M. sydiq
    Oktviana Ayu N.P.
    Tugas PTS
    Matematika dan Simulasi
    Matematika dalam simulasi terbagi menjadi 2 :
    a. Statistik (kumpulan data yang terjadi)
    b. Permodelan( applied of mathematic
    Contoh Statistik
    Pada suatu kelas diambil suatu sampel misal tinggi badan mahasiswa didapat 170,152,169,…dst kemudian diberi batas atas dan bawah misal 170,168,……….,152 dapat dihitung µ (rata-rata), standart deviasinya dll.
    Sesungguhnya statistik sangat berhubungan dengan permodelan matematika.
    Simulasi
    Event(Sistem /subsistem) kejadian ini meliputi ambil data, collecting data,animasi dll.
    Memindahkan event menjadi animasi
    Misalnya :
    Diambil sampel suatu bandara. Dibandara tersebut mememiliki pengamanan ketat dan pelayanan yang lengkap. Dalam bandara tersebut memiliki sebuah saringan masuk yang disebut Gate(filter/subsistem). Pada bandara tersebut memiliki 4 gate dari awal masuk bandara sampai naik pesawat dengan penjabaran. Gate I adalah pintu pemisah antara orang yang mau naik pesawat atau tidak. Kemudian orang yang akan naik pesawat masuk pada Gate II memisahkan masing-masing orang untuk menuju pesawat yang akan mereka naiki. Selanjutnya mereka akan menuju Gate III untuk melakukan cek in (pemeriksaan barang, dst). Lalu pada Gate IV mereka dipisah menurut tempat tujuan mereka dan pengecekan tiket.
    Nah pada contoh diatas merupakan kejadian yang merupakan s imulasi. Disini bisa dinyatakan kedatangan pengunjung menjadi collecting data dan perhitungan waktu dari Gate I – IV merupakan audit system.
    Kita sebagai mahasiswa matematika harusnya tahu menganalisis simulasi diatas yaitu menghitung waktu antar gate. Apabila waktu antar Gate lebih besar dibanding waktu kadatangan maka akan menjadi problem yang dinamakan Antrean.
    Model lotka voltera → dalam hubungan antar makhluk hidup.
    Volterra Lotka-model adalah model sederhana pemangsa-mangsa interaksi. Model ini dikembangkan secara mandiri oleh Lotka (1925) dan Volterra (1926):

    memiliki dua variabel (P, H) dan beberapa parameter:
    H = kepadatan mangsa
    P = kepadatan predator
    r = laju intrinsik penduduk mangsa
    a = koefisien tingkat
    b = tingkat reproduksi per 1 mangsa predator dimakan
    rate m = tingkat kematian pemangsa
    model Mengukur parameter dari model Lotka-Volterra
    berikut eksperimen harus dilakukan:
    1. Menjaga populasi mangsa tanpa predator dan memperkirakan tingkat kenaikan intrinsik (r).
    2. Letakkan satu predator di kandang dengan berbagai kepadatan mangsa dan mangsa memperkirakan angka kematian dan sesuai k-nilai dalam setiap kandang.. Seperti kita ketahui, k-nilai setara dengan tingkat kematian sesaat dikalikan dengan waktu.. Dengan demikian, tingkat predasi (a) setara dengan nilai k dibagi dengan durasi percobaan.
    . Contoh: wanita-kumbang membunuh kutu daun 60 dari 100 dalam 2 hari. Kemudian, yang k-nilai =-ln (1-60/100) = 0,92, dan a = 0,92 / 2 = 0,46.
    Catatan: jika sebuah nilai-diperkirakan mencapai kepadatan mangsa yang berbeda tidak cukup dekat satu sama lain, maka model Lotka-Volterra tidak akan bekerja Namun, model ini dapat dimodifikasi untuk memasukkan hubungan antara seorang dengan kepadatan mangsa.
    3. Estimasi parameter b dan m:
    Tetap konstan kepadatan mangsa (misalnya, H = 0, 5, 10, 20, 100 mangsa / kandang), dan memperkirakan tingkat intrinsik peningkatan populasi pemangsa (r P) pada mangsa kepadatan ini. Plot laju intrinsik populasi pemangsa meningkatkan kerapatan mangsa versus: regresi linear garis ini adalah:

    Catatan: Jika poin tidak sesuai untuk sebuah garis lurus (misalnya, tingkat intrinsik pemangsa tingkat pertumbuhan penduduk dapat mati), maka Lotka-model Volterra tidak memadai dan harus diubah. Sekarang, parameter b dan m dapat diambil dari persamaan regresi ini.
    Bagaimana cara menyelesaikan persamaan diferensial
    Ada dua pendekatan utama: analitis dan numerik. Metode analisis yang rumit dan membutuhkan keterampilan matematika yang baik. Selain itu, banyak persamaan diferensial tidak memiliki solusi analitis sama sekali. Numerik metode yang mudah dan lebih universal (Namun, ada masalah dengan konvergensi).
    Paling sederhana dan paling akurat adalah metode EulerPertimbangkan stasioner persamaan diferensial:

    Pertama kita perlu kondisi awal. Kita akan mengasumsikan bahwa pada waktu t o nilai fungsi x (t o).
    Sekarang kita dapat memperkirakan x-nilai di kemudian (atau sebelumnya) waktu menggunakan persamaan:

    Pada grafik ini kami memperkirakan kemiringan f (x) dari fungsi pada titik t = t o dan ekstrapolasi kemiringan ini melalui seluruh interval waktu.
    Sumber utama dari kesalahan dalam metode Euler estimasi derivatif pada awal interval waktu. Arah dari solusi yang sebenarnya dapat berubah secara drastis selama selang waktu tersebut dan numerik titik diperkirakan bisa jauh dari solusi yang sebenarnya (lihat gambar).
    interval Metode Euler dapat ditingkatkan, jika derivatif (kemiringan) diperkirakan di tengah interval waktu . Namun, turunan di pusat tergantung pada nilai fungsi di pusat yang tidak diketahui. Jadi, pertama-tama kita perlu memperkirakan nilai fungsi pada titik tengah dengan menggunakan metode Euler sederhana, dan kemudian kita dapat memperkirakan derivatif pada titik tengah.

    k adalah nilai fungsi di tengah interval waktu l . . Akhirnya, kami dapat memperkirakan nilai fungsi pada ujung selang waktu:

    Ini disebut metode Runge-Kutta urutan kedua. Yang paling populer adalah metode Runge-Kutta urutan keempat. Namun, untuk tujuan kita itu sudah cukup untuk menggunakan metode urutan kedua.
    Metode ini diterapkan pada persamaan Lotka-Volterra dalam spreadsheet Excel berikut:
    Pertama, kami memperkirakan kepadatan mangsa dan pemangsa (H ‘dan P’, masing-masing) di tengah-tengah interval waktu:

    Langkah kedua adalah untuk memperkirakan kepadatan mangsa dan pemangsa (H “dan P” pada waktu akhir langkah l : :

    Kedua grafik itu diplot menggunakan parameter model yang sama. Satu-satunya perbedaan adalah dalam kepadatan awal mangsa. Model ini tidak memiliki stabilitas asimtot, tidak bergabung untuk sebuah Penarik (tidak “lupa” kondisi awal).

    Gambar ini menunjukkan perubahan relatif dalam kepadatan mangsa pemangsa untuk kedua kondisi awal. Trajectories are closed lines. Lintasan garis ditutup.
    Tidak mempertimbangkan setiap kompetisi di antara mangsa atau predator. Sebagai hasilnya, populasi mangsa dapat tumbuh tak terbatas sumber daya tanpa batas. Predator tidak memiliki saturasi: tingkat konsumsi mereka terbatas. Tingkat konsumsi mangsa sebanding dengan kepadatan mangsa. Jadi, tidak mengherankan bahwa perilaku model tidak wajar tidak menunjukkan stabilitas asimtot.Namun banyak modifikasi dari model ini ada yang membuatnya lebih realistis.

    EVEN
    Transformasi dari even lama menjadi even baru dengan mempertahankan sifat-sifat even lama contohnya : montecarlo simulation,sirkuit balok dst.
    Misal suatu eksperimen orang yang ingin memiliki 4 anak, karena eksperimen tidak bisa dilakukan secara langsung maka dapat dimisalkan dengan menggunakan pelemparan 4 koin. Apabila didefinisikan muncul Gambar (G) maka anaknya Perempuan, bila muncul Angka (A) maka anaknya Laki-laki. Misal pada percobaan pertama(GAAA) ,kedua(GAAA), tiga (GGAA),……….dst. Pada kejadian 1 dan 2 memperoleh hasil yang sama yaitu 3 laki-laki dan 1 perempuan maka ini tidak bisa menjadi tolok ukur karena percobaan yang dilakukan hanya sedikit maka hasil yang didapat kurang valid. Jika percobaan ini dilakukan lebih dari 1000 kali kejadian ini bisa mendekati kebenaran.
    Variabel random : pemilihan variabel acak dengan sifat yang independent dari tiap variabel. Contoh : mobil yang berhenti saat lampu lalu lintas berwarna merah.
    Monte Carlo Simulation
    Studi simulasi Monte Carlo sering digunakan untuk metodologi penyelidikan kinerja penduga statistik dalam berbagai kondisi. Mereka juga dapat digunakan untuk menentukan ukuran sampel yang diperlukan untuk studi dan untuk menentukan kekuasaan (Muthén & Muthén, 2002). Carlo studi kadang-kadang disebut sebagai studi simulasi. data Mplus memiliki luas fasilitas simulasi Monte Carlo untuk kedua data generasi dan analisis data Beberapa jenis data dapat dihasilkan: sampel acak sederhana, berkumpul (bertingkat) data, data hilang, dan
    data dari populasi yang diamati (beberapa kelompok) atau tidak diperhatikan (laten kelas). Generasi data model dapat mencakup efek acak, interaksi antara variabel-variabel laten kontinu, interaksi antara kontinu variabel laten dan variabel yang diamati, dan antara
    kategoris variabel laten. Variabel dependen dapat terus-menerus, memerintahkan kategoris (ordinal), unordered kategoris (nominal), menghitung, atau kombinasi dari jenis variable tersebut. Selain, dua-bagian (semicontinuous) variabel dan waktu-untuk-event variabel dapat
    dihasilkan. Variabel independen dapat biner atau kontinu. Semua atau beberapa Monte Carlo kumpulan data yang dihasilkan dapat disimpan. Model analisis dapat berbeda dari model generasi data. Untuk Misalnya, variabel dapat dihasilkan sebagai kategoris dan dianalisis sebagai kontinu atau data dapat dihasilkan sebagai kelas tiga model dan dianalisis sebagai model kelas dua. Dalam beberapa situasi, eksternal khusus Monte Carlo Fitur ini diperlukan untuk menghasilkan data dengan satu model dan menganalisis dengan sebuah model yang berbeda Misalnya, variabel dapat dihasilkan dengan menggunakan berkerumun desain dan dianalisis mengabaikan clustering Data yang dihasilkan luar Mplus juga dapat dianalisis dengan menggunakan khusus ini Monte Carlo fitur. Fitur khusus lainnya yang dapat digunakan dengan simulasi Monte Carlo studi termasuk tabungan perkiraan parameter dari analisis data nyata untuk digunakan sebagai parameter populasi dan / atau nilai cakupan data
    generasi dalam studi simulasi Monte Carlo.

    SIMULASI DAN LOGIKA SAMAR
    Logika Samar (Fuzzy Logic) yaitu nilai baru dalam suatu perubahan. Contoh : Kancil berkata, “ Semua hewan kancil dihutan ini adalah pembohong. Apakah saya jujur?” pertanyaan diatas bisa dijawab dengan “ya” juga “tidak”. Karena keduanya akan mengalami kerancuan jawaban . bila ditentukan dengan nilai fuzzy logic itu terletak pada 0 < π < 1.
    Contoh : pada suatu perempatan jalan dimana terdapat 4 buah lampu lalu lintas yang menyala bergantian. Kemudian kita amati dari salah satu jalan disini pada saat menyala lampu merah maka mobil akan berhenti kita amati countdown dari lampu lalu lintas tersebut dalam jam-jam tertentu disitu akan terdapat antrean mobil . misal kita ambil waktu lampu berubah dari merah ke hijau 15 detik, mungkin pada waktu pagi hari terdapat antrean 20 mobil, pada siang hari 10 mobil, pada malam hari 11 mobil. Namun pada kondisi tertentu antrean bisa mencapai 40 mobil maka ini yang disebut croudite. Yaitu kelebihan input suatu system. Maka dapat di analisa ternyata didalam situasi ini fuzzy logic sangat diperlukan karena dalam system tersebut diterapkan pada semua waktu. Sedangkan yang dibutuhkan system yang dapat diterapkan pada kondisi tertentu.

  • eko utoro,ananta ade k, oktaviana Ayu N P, marvina puspito, muhamad sidiq
    7 years ago

    maaf pak seharusnya ada gambar tapi tidak bisa di copy makasih….

  • Riski wahyu p, Joko Parsetyo
    7 years ago

    Nama kelompok :
    Rizki Wahyu P.
    Joko Prasetyo
    Tugas PTS
    Matematika dan Simulasi

    Matematika dalam simulasi terbagi menjadi 2 :
    a. Statistik (kumpulan data yang terjadi)
    b. Permodelan (applied of mathematic)
    Contoh Statistik
    Pada suatu kelas diambil suatu sampel misal tinggi badan mahasiswa didapat 170,152,169,…dst kemudian diberi batas atas dan bawah misal 170,168,……….,152 dapat dihitung µ (rata-rata), standar deviasinya dll.
    Sesungguhnya statistik sangat berhubungan dengan permodelan matematika.

    SIMULASI
    Event(Sistem /subsistem) kejadian ini meliputi ambil data, collecting data,animasi dll.
    • Memindahkan event menjadi animasi
    Misalnya :
    Diambil sampel suatu bandara. Di bandara tersebut memiliki pengamanan ketat dan pelayanan yang lengkap. Dalam bandara tersebut memiliki sebuah saringan masuk yang disebut Gate(filter/subsistem). Pada bandara tersebut memiliki 4 gate dari awal masuk bandara sampai naik pesawat dengan penjabaran. Gate I adalah pintu pemisah antara orang yang mau naik pesawat atau tidak. Kemudian orang yang akan naik pesawat masuk pada Gate II memisahkan masing-masing orang untuk menuju pesawat yang akan mereka naiki. Selanjutnya mereka akan menuju Gate III untuk melakukan cek in (pemeriksaan barang, dst). Lalu pada Gate IV mereka dipisah menurut tempat tujuan mereka dan pengecekan tiket.
    Nah pada contoh diatas merupakan kejadian yang merupakan simulasi. Disini bisa dinyatakan kedatangan pengunjung menjadi collecting data dan perhitungan waktu dari Gate I – IV merupakan audit sistem.
    Kita sebagai mahasiswa matematika harusnya tahu menganalisis simulasi diatas yaitu menghitung waktu antar gate. Apabila waktu antar Gate lebih besar dibanding waktu kedatangan maka akan menjadi problem yang dinamakan antrean.
    • Model Lotka Voltera
    Model lotka voltera → dalam hubungan antar makhluk hidup.
    Model Lotka Voltra adalah model sederhana pemangsa-mangsa interaksi. Model ini dikembangkan secara mandiri oleh Lotka (1925) dan Volterra (1926):

    memiliki dua variabel (P, H) dan beberapa parameter:
    H = kepadatan mangsa
    P = kepadatan predator
    r = laju intrinsik penduduk mangsa
    a = koefisien tingkat
    b = tingkat reproduksi per 1 mangsa predator dimakan
    rate m = tingkat kematian pemangsa
    • Mengukur Parameter dari Model Lotka-Volterra
    Berikut eksperimen harus dilakukan :
    1. Menjaga populasi mangsa tanpa predator dan memperkirakan tingkat kenaikan intrinsik (r).
    2. Letakkan satu predator di kandang dengan berbagai kepadatan mangsa dan mangsa memperkirakan angka kematian dan sesuai k-nilai dalam setiap kandang.. Seperti kita ketahui, k-nilai setara dengan tingkat kematian sesaat dikalikan dengan waktu. Dengan demikian, tingkat predasi (a) setara dengan nilai k dibagi dengan durasi percobaan. Contoh: wanita-kumbang membunuh kutu daun 60 dari 100 dalam 2 hari. Kemudian, yang k-nilai =-ln (1-60/100) = 0,92, dan a = 0,92 / 2 = 0,46.
    Catatan: jika sebuah nilai-diperkirakan mencapai kepadatan mangsa yang berbeda tidak cukup dekat satu sama lain, maka model Lotka-Volterra tidak akan bekerja Namun, model ini dapat dimodifikasi untuk memasukkan hubungan antara seorang dengan kepadatan mangsa.
    3. Estimasi parameter b dan m:
    Tetap konstan kepadatan mangsa (misalnya, H = 0, 5, 10, 20, 100 mangsa / kandang), dan memperkirakan tingkat intrinsik peningkatan populasi pemangsa (r P) pada mangsa kepadatan ini. Plot laju intrinsik populasi pemangsa meningkatkan kerapatan mangsa versus: regresi linear garis ini adalah:

    Catatan: Jika poin tidak sesuai untuk sebuah garis lurus (misalnya, tingkat intrinsik pemangsa tingkat pertumbuhan penduduk dapat mati), maka Model Lotka Voltera tidak memadai dan harus diubah. Sekarang, parameter b dan m dapat diambil dari persamaan regresi ini.

    EVEN
    Transformasi dari even lama menjadi even baru dengan mempertahankan sifat-sifat even lama contohnya : montecarlo simulation,sirkuit balok dst.
    Misal suatu eksperimen orang yang ingin memiliki 4 anak, karena eksperimen tidak bisa dilakukan secara langsung maka dapat dimisalkan dengan menggunakan pelemparan 4 koin. Apabila didefinisikan muncul Gambar (G) maka anaknya Perempuan, bila muncul Angka (A) maka anaknya Laki-laki. Misal pada percobaan pertama (GAAA) ,kedua (GAAA), tiga (GGAA),……….dst. Pada kejadian 1 dan 2 memperoleh hasil yang sama yaitu 3 laki-laki dan 1 perempuan maka ini tidak bisa menjadi tolok ukur karena percobaan yang dilakukan hanya sedikit maka hasil yang didapat kurang valid. Jika percobaan ini dilakukan lebih dari 1000 kali kejadian ini bisa mendekati kebenaran.
    Variabel random : pemilihan variabel acak dengan sifat yang independent dari tiap variabel. Contoh : mobil yang berhenti saat lampu lalu lintas berwarna merah.
    • Monte Carlo Simulation
    Studi simulasi Monte Carlo sering digunakan untuk metodologi penyelidikan kinerja penduga statistik dalam berbagai kondisi. Mereka juga dapat digunakan untuk menentukan ukuran sampel yang diperlukan untuk studi dan untuk menentukan kekuasaan (Muthén & Muthén, 2002). Carlo studi kadang-kadang disebut sebagai studi simulasi. data Mplus memiliki luas fasilitas simulasi Monte Carlo untuk kedua data generasi dan analisis data Beberapa jenis data dapat dihasilkan: sampel acak sederhana, berkumpul (bertingkat) data, data hilang, dan data dari populasi yang diamati (beberapa kelompok) atau tidak diperhatikan (laten kelas). Generasi data model dapat mencakup efek acak, interaksi antara variabel-variabel laten kontinu, interaksi antara kontinu variabel laten dan variabel yang diamati, dan antara kategoris variabel laten. Variabel dependen dapat terus-menerus, memerintahkan kategoris (ordinal), unordered kategoris (nominal), menghitung, atau kombinasi dari jenis variable tersebut. Selain, dua-bagian (semicontinuous) variabel dan waktu-untuk-event variabel dapat dihasilkan. Variabel independen dapat biner atau kontinu. Semua atau beberapa Monte Carlo kumpulan data yang dihasilkan dapat disimpan. Model analisis dapat berbeda dari model generasi data. Untuk Misalnya, variabel dapat dihasilkan sebagai kategoris dan dianalisis sebagai kontinu atau data dapat dihasilkan sebagai kelas tiga model dan dianalisis sebagai model kelas dua. Dalam beberapa situasi, eksternal khusus Monte Carlo Fitur ini diperlukan untuk menghasilkan data dengan satu model dan menganalisis dengan sebuah model yang berbeda Misalnya, variabel dapat dihasilkan dengan menggunakan berkerumun desain dan dianalisis mengabaikan clustering Data yang dihasilkan luar Mplus juga dapat dianalisis dengan menggunakan khusus ini Monte Carlo fitur. Fitur khusus lainnya yang dapat digunakan dengan simulasi Monte Carlo studi termasuk tabungan perkiraan parameter dari analisis data nyata untuk digunakan sebagai parameter populasi dan / atau nilai cakupan data generasi dalam studi simulasi Monte Carlo.

    SIMULASI DAN LOGIKA SAMAR
    Logika Samar (Fuzzy Logic) yaitu nilai baru dalam suatu perubahan. Contoh : Kancil berkata, “ Semua hewan kancil dihutan ini adalah pembohong. Apakah saya jujur?” pertanyaan diatas bisa dijawab dengan “ya” juga “tidak”. Karena keduanya akan mengalami kerancuan jawaban . bila ditentukan dengan nilai fuzzy logic itu terletak pada 0 < π < 1.
    Contoh : pada suatu perempatan jalan dimana terdapat 4 buah lampu lalu lintas yang menyala bergantian. Kemudian kita amati dari salah satu jalan disini pada saat menyala lampu merah maka mobil akan berhenti kita amati countdown dari lampu lalu lintas tersebut dalam jam-jam tertentu disitu akan terdapat antrean mobil . misal kita ambil waktu lampu berubah dari merah ke hijau 15 detik, mungkin pada waktu pagi hari terdapat antrean 20 mobil, pada siang hari 10 mobil, pada malam hari 11 mobil. Namun pada kondisi tertentu antrean bisa mencapai 40 mobil maka ini yang disebut croudite. Yaitu kelebihan input suatu system. Maka dapat di analisa ternyata didalam situasiini fuzzy logic sangat diperlukan karena dalam system tersebut diterapkan pada semua waktu. Sedangkan yang dibutuhkan system yang dapat diterapkan pada kondisi tertentu.

  • tugan PTS
    Sunardi
    Achmad baihaqi

    kancil, buaya, dan logika Fuzzy
    Masih ingat saya dengan cerita pembuka kuliahnya pak tanto tentang kancil dan buaya, saya piker apa hubunganya dengan kuliah PTS… Ternyata ada kaitanya kancil dan buaya itu dg Logika Fuzzykira kira begini ceritanya ada seekor kancil sedang meminum air di pinggir sebuah muara sungai dan hendak menyebranginya. Tiba-tiba seekor buaya datang menyergap dan siap menyantap sang kancil. Namun sang kancil yang terkenal cerdik, (koq kancil selalu diceritakan cerdik yaa???), mengatakan kepada sang buaya .kira-kira begini. Hai raja buaya yang pintar, aku rela menjadi santapanmu asal kamu bisa menjawab pertanyaanku. Sang buaya setuju dan si kancilpun mengajukan pertanyaannya. “Semua kancil dihutan ini adalah pembohong, apakah saya berkata jujur ?” ujar sang kancil kepada sang buaya. Mendengar pertanyaan ini sang buaya berfikir keras, kalau si kancil ini jujur artinya penyataan pertama (“Semua kancil dihutan ini adalah pembohong”) menjadi SALAH, karena ada satu kancil yang juju,pada pernyataan kedua(“apakah saya berkata jujur”). Kalau begitu si kancil ini tentu berbohong, tetapi kalau kancil berbohong artinya pernyataan pertama adalah bohong dan semua kancil dihutan ini jujur termasuk sang kancil. Akhirnya sang kancil melenggang meninggalkan sang buaya yang bingung sendiri. Saya juga bingung pak waktu pertama kali mendenagr itu.
    Logika fuzzy pertama kali diformulasikan dalam sebuah seminar oleh Lotfi A Zadeh dari University of Califonia, Berkeley tahun 1965. Metode ini diformulasikan dalam rangka mencari nilai tengah antara bilangan Aristoteles 0 dan 1. Hal itu seiring dengan usaha untuk membuat komputer yang bekerja seperti cara manusia berfikir. Sebab komputer pada dasarnya adalah sebuah mesin hitung yang tidak berfikir. Sebelumnya Plato sudah mencetuskan ide adanya daerah ketiga diantara benar dan salah. Ini yang menjadi dasar logika fuzzy yang memformulasikan bilangan antara 0 dan 1 atau lebih tepat antara 0.0 dan 1.0.
    Sebagai contoh bagaimana logika fuzzy diformulasikan, misalnya pernyataan tentang tinggi badan seseorang. Misalnya ditentukan batasan-batasan mutlak, bahwa jika tinggi badan dibawah 150 cm maka sebut pendek (mutlak) dan jika di atas 170 cm dikategorikan tinggi (mutlak). Klo menurut Aristoteles untung mengukur seseorang masuk dalam golongan tinggi atau pendek maka digunakan tali yang dibentangkan dengan tinggi tertentu. Artinya jika seseorang bias melewatinya maka digolongkan pendek, sebaliknya jika tak dapat melewatinya(nyangkut) maka digolonhkan tinggi. Namun Tentu mesti ada satu cara untuk menyatakan agak pendek, sedang dan agak tinggi dan lainnya diantara tinggi dan pendek. Secara matematis penyataan ini dapat diformulasikan dengan
    tingkat ketinggian (x) = { 0 , jika tinggi (x) < 150 cm
    (tinggi(x) – 150) / 20 , jika 150 <= tinggi (x) 170 cm }
    Beginilah nilai tengah antara 0.0 dan 1.0 diformulasikan dan ini adalah cara manusia berfikir. Angka-angka ini yang dikenal oleh sebuah mesin (komputer) untuk “berfikir”. Pada awal logika fuzzy di cetuskan sebagai metode, komputer belum se-kompleks dan secanggih yang dikenal saat ini. Sehingga pada saat itu belum banyak aplikasi dari logika fuzzy ada di dalam kehidupan sehari-hari.
    Traffic light yang modern bisa juga dibuat dengan metode fuzzy logic sehingga dapat bekerja sepintar pak polisi lantas. Jika beban kendaraan di satu ruas persimpangan lebih padat, maka lampu hijaunya akan menyala lebih lama. Dengan metode logika fuzzy, sistem pengaturan dapat direalisasikan lebih mudah, lebih manusiawi dan user friendly.
    Mestinya sang buaya pada cerita di atas dapat menjawab pertanyaan sang kancil dengan fuzzy logic bahwa sang kancil itu setengah jujur atau sepertiga jujur, yang benar man pak??.
    Dunia memang selalu ada pasangannya, ada besar ada kecil, ada tinggi ada pendek, ada kaya ada miskin, ada yang baik ada yang jahat. Tapi tidak selalu mutlak seperti itu. DUA KEMUNGKINAN?TIDAK, SELALU ADA KEMUNGINAN KETIGA.
    Missal jika Diberikan persamaan (x-3)(x-4)=0, lalu jika ditanya solusi yang bersesuaian, kita pasti akan menjawab (x-3)=0 atau (x-4)=0, betul? Ya, langkah-langkah biasa yang sering kita lakukan di SMA dulu Langkah sangat standar untuk mencari pembuat nol dari suatu persamaan. Tapi kita melupakan sesuatu, sesuatu yang dasar yang entah kita lupa menyampaikan ini ato diantaranya. Ya, kemungkinannya bukan dua, selalu ada kemungkinan ketiga. x-3=0; x-4=0; atau x-3=0 dan x-4=0. Yah, keduanya adalah pembuat nol! Sehingga menghasilkan bentuk nol kali nol yang juga menghasilkan nol. SELALU ADA KEMUNGKINAN KETIGA KAN

    DAN TUHAN TELAH MENCIPTAKAN MANUSIA UNTUK MERASAKAN KEDUANYA

  • eka hely j. M0108040 ; eka sari p. M0108086; nanda hidayati M0108098; maria puji l. M0108108; yuvita dian p. M0108112
    7 years ago

    materi kuliah tanggal 26 maret 2010

    PENGARUH POLUSI UDARA TERHADAP KESEHATAN

    Pengaruh polusi udara terhadap kesehatan jangka pendek dan jangka panjang
    Pajanan jangka pendek
    1. Perawatan di rumah sakit, kunjungan ke Unit Gawat Darurat atau kunjungan rutin dokter, akibat penyakit yang terkait dengan respirasi (pernapasan) dan kardiovaskular.
    2. Berkurangnya aktivitas harian akibat sakit
    3. Jumlah absensi (pekerjaan ataupun sekolah)
    4. Gejala akut (batuk, sesak, infeksi saluran pernapasan)
    5. Perubahan fisiologis (seperti fungsi paru dan tekanan darah)
    Pajanan jangka panjang
    1. Kematian akibat penyakit respirasi/pernapasan dan kardiovaskular
    2. Meningkatnya Insiden dan prevalensi penyakit paru kronik (asma, penyakit paru osbtruktif kronis)
    3. Gangguan pertumbuhan dan perkembangan janin
    4. Kanker

    Polutan udara spesifik yang banyak berpengaruh terhadap kesehatan
    1. Particulate Matter (PM)
    Penelitian epidemiologis pada manusia dan model pada hewan menunjukan PM10 (termasuk di dalamnya partikulat yang berasal dari diesel/DEP) memiliki potensi besar merusak jaringan tubuh. Data epidemiologis menunjukan peningkatan kematian serta eksaserbasi/serangan yang membutuhkan perawatan rumah sakit tidak hanya pada penderita penyakit paru (asma, penyakit paru obstruktif kronis, pneumonia), namun juga pada pasien dengan penyakit kardiovaskular/jantung dan diabetes. Anak-anak dan orang tua sangat rentan terhadap pengaruh partikulat/polutan ini, sehingga pada daerah dengan kepadatan lalu lintas/polusi udara yang tinggi biasanya morbiditas penyakit pernapasan (pada anak dan lanjut usia) dan penyakit jantung/kardiovaskular (pada lansia) meningkat signifikan. Penelitian lanjutan pada hewan menunjukan bahwa PM dapat memicu inflamasi paru dan sistemik serta menimbulkan kerusakan pada endotel pembuluh darah (vascular endothelial dysfunction) yang memicu proses atheroskelosis dan infark miokard/serangan jantung koroner. Pajanan lebih besar dalam jangka panjang juga dapat memicu terbentuknya kanker (paru ataupun leukemia) dan kematian pada janin. Penelitian terbaru dengan follow up hampir 11 tahun menunjukan bahwa pajanan polutan (termasuk PM10) juga dapat mengurangi fungsi paru bahkan pada populasi normal di mana belum terjadi gejala pernapasan yang mengganggu aktivitas.
    2. Ozon
    Ozon merupakan oksidan fotokimia penting dalam trofosfer. Terbentuk akibat reaksi fotokimia dengan bantuan polutan lain seperti NOx, dan Volatile organic compounds. Pajanan jangka pendek/akut dapat menginduksi inflamasi/peradangan pada paru dan menggangu fungsi pertahanan paru dan kardiovaskular. Pajanan jangka panjang dapat menginduksi terjadinya asma, bahkan fibrosis paru. Penelitian epidemiologis pada manusia menunjukan pajanan ozon yang tinggi dapat meningkatkan jumlah eksaserbasi/serangan asma.
    3. NOx dan Sox
    NOx dan SOx merupakan co-pollutants yang juga cukup penting. Terbentuk salah satunya dari pembakaran yang kurang sempurna bahan bakar fosil. Penelitian epidemologi menunjukan pajanan NO2,SO2 dan CO meningkatkan kematian/mortalitas akibat penyakit kardio-pulmoner (jantung dan paru) serta meningkatkan angka perawatan rumah sakit akibat penyakit-penyakit tersebut.

    HARI ini tepat peringatan Hari Bumi (Earth Day). Sayangnya, kondisi bumi semakin memprihatinkan karena banyaknya lingkungan yang rusak. Selain itu, menimbulkan dampak seperti banjir longsor, kekeringan, polusi udara. Peringatan Hari Bumi memang tidak pernah dirayakan secara istimewa. Malah, kebanyakan orang tidak mengerti. Kendati begitu, meski tidak antusias, alangkah baiknya tetap menjaga bumi agar nyaman dihuni. Salah satunya dengan menjaga udara agar layak dihirup. Meski kampanye go green semakin akrab di telinga, kesadaran untuk menjaga kelestarian bumi masih minim. Isu pemanasan global juga makin hangat kala bumi semakin menanggung beban berat atas perubahan lingkungan dan iklim. Pemanasan global terjadi akibat radiasi gelombang panjang matahari (biasa disebut inframerah) yang dipancarkan bumi oleh gas-gas rumah kaca (efek rumah kaca).
    Gas-gas ini secara alami terdapat di udara (atmosfer) dan menyebabkan penipisan lapisan ozon juga memperpanas suhu bumi. Semakin tipis lapisan teratas atmosfer, makin bebas radiasi gelombang pendek matahari (termasuk ultraviolet) memasuki bumi. Akibatnya, radiasi gelombang pendek ini berubah menjadi gelombang panas sehingga kian meningkatkan konsentrasi gas rumah kaca tadi. Karbondioksida (CO2) adalah gas terbanyak (75 persen) penyumbang emisi gas-gas rumah kaca. Setiap kali Anda menggunakan, seperti minyak, bensin, gas alam, batu bara untuk keperluan rumah tangga, mobil, pabrik, ataupun membakar hutan, praktis melepaskan CO2 ke udara. Kini polusi udara yang semakin meningkat dan berpengaruh negatif terhadap kesehatan tidak bisa lagi diabaikan. Sebuah penelitian terbaru menyebutkan anak-anak yang tinggal di dalam kota berisiko mengalami asma. Hal tersebut disebabkan kualitas udara yang jauh dari standar. Dalam analisis peneliti selama 12 tahun, ditarik kesimpulan bahwa pengaruh jangka pendek dari meningkatnya polusi, yaitu meningkatkan gejala asma dan kemampuan fungsi paru-paru.
    Analisis didasarkan dari perolehan data yang dihimpun National Institute of Allergy and Infectious Diseases (NIAID) Inner-City Asthma Study (ICAS) menguji 861 anak-anak berusia 5-12 tahun dan mengalami asma. Daerah perkotaan yang mempunyai tingkat polusi tinggi adalah Boston, The Bronx, Chicago, Dallas, New York City, Seattle, dan Tucson. Setelah dua tahun peneliti terus memonitor dengan teratur dan melihat gejala asma yang timbul, seperti kemampuan bernapas, ketidakhadiran di sekolah, pengukuran kondisi udara.
    Kualitas udara diukur menggunakan EPA Aerometric Information Retrieval System. Selanjutnya, setiap enam bulan mereka melakukan pengujian fungsi paru-paru dua kali sehari. Mereka terus konsisten meneliti sampai dua kali periode. Untuk melengkapi data, peneliti juga melibatkan orangtua untuk mengenali gejala asma anak.
    Berpijak dari hasil penelitian tersebut, fungsi paruparu bisa menurun akibat polusi udara. Polusi udara mengandung sulfur dioxide, nitrogen dioxide, serta partikelpartikel di udara.Polusi udara ini hasil emisi kendaraan bermotor dan sektor industri. Disebutkan, meningginya kadar nitrogen dioxide serta partikel lain dihubungkan dengan ketidakhadiran anak di sekolah. Nah, absennya anak di sekolah dikaitkan timbulnya keluhan gejala asma. Pengaruh emisi asap semakin kuat terhadap kesehatan paru-paru pada anak yang tinggal di daerah urban. Masih dari hasil penarikan kesimpulan tersebut semakin memperkuat hubungan kesehatan pernapasan terhadap pemilihan tempat tinggal. Hasil penelitian ini melengkapi penelitian sebelumnya yang dilakukan peneliti dari Harvard School of Public Health, Boston Heike Luttmann- Gibson PhD. “Timbulnya gejala asma pada anak bukan hanya disebabkan obesitas, juga kualitas udara yang dihirup,” papar Luttmann- Gibson.
    Penemuan ini menjawab pertanyaan kualitas udara sekarang dan disarankan sebagai salah satu cara manajemen pengendalian asma kepada anak. Agar gejala asma pada anak semakin minimal, hasil penelitian ini pula bertujuan untuk memperingatkan adanya bahaya meningkatnya polusi udara. Karena itu, upaya untuk menjaga bumi sebaiknya melakukan hal-hal kecil di sekitar Anda, misalnya menjaga kebersihan.
    Ada yang bilang pemanasan global itu hanya khayalan para pecinta lingkungan. Ada yang bilang itu sudah takdir. Ilmuwan juga masih pro dan kontra soal itu. Yang pasti, fenomena alam itu bisa dirasakan dalam 10 kejadian berikut ini. Dan yang pasti ini bukan imajinasi belaka, sebab kita sudah mengalaminya.
    • Kebakaran hutan besar-besaran
    Bukan hanya di Indonesia, sejumlah hutan di Amerika Serikat juga ikut terbakar ludes. Dalam beberapa dekade ini, kebakaran hutan meluluhlantakan lebih banyak area dalam tempo yang lebih lama juga. Ilmuwan mengaitkan kebakaran yang merajalela ini dengan temperatur yang kian panas dan salju yang meleleh lebih cepat. Musim semi datang lebih awal sehingga salju meleleh lebih awal juga. Area hutan lebih kering dari biasanya dan lebih mudah terbakar.
    • Situs purbakala cepat rusak
    Akibat alam yang tak bersahabat, sejumlah kuil, situs bersejarah, candi dan artefak lain lebih cepat rusak dibandingkan beberapa waktu silam. banjir, suhu yang ekstrim dan pasang laut menyebabkan itu semua. Situs bersejarah berusia 600 tahun di Thailand, Sukhotai, sudah rusak akibat banjir besar belum lama ini.
    • Ketinggian gunung berkurang
    Tanpa disadari banyak orang, pegunungan Alpen mengalami penyusutan ketinggian. Ini diakibatkan melelehnya es di puncaknya. Selama ratusan tahun, bobot lapisan es telah mendorong permukaan bumi akibat tekanannya. Saat lapisan es meleleh, bobot ini terangkat dan permukaan perlahan terangkat kembali.
    • Satelit bergerak lebih cepat
    Emisi karbon dioksida membuat planet lebih cepat panas, bahkan berimbas ke ruang angkasa. Udara di bagian terluat atmosfer sangat tipis, tapi dengan jumah karbondioksida yang bertambah, maka molekul di atmosfer bagian atas menyatu lebih lambat dan cenderung memancarkan energi, dan mendinginkan udara sekitarnya. Makin banyak karbondioksida di atas sana, maka atmosfer menciptakan lebih banyak dorongan, dan satelit bergerak lebih cepat.
    • Hanya yang Terkuat yang Bertahan
    Akibat musim yang kian tak menentu, maka hanya mahluk hidup yang kuatlah yang bisa bertahan hidup. Misalnya, tanaman berbunga lebih cepat tahun ini, maka migrasi sejumlah hewan lebih cepat terjadi. Mereka yang bergerak lambat akan kehilangan makanan, sementar mereka yang lebih tangkas, bisa bertahan hidup. Hal serupa berlaku bagi semua mahluk hidup termasuk manusia.
    • Pelelehan Besar-besaran
    Bukan hanya temperatur planet yang memicu pelelehan gununges, tapi juga semua lapisan tanah yang selama ini membeku. Pelelehan ini memicu dasar tanah mengkerut tak menentu sehingga menimbulkan lubang-lubang dan merusak struktur seperti jalur kereta api, jalan raya, dan rumah-rumah. Imbas dari ketidakstabilan ini pada dataran tinggi seperti pegunungan bahkan bisa menyebabkan keruntuhan batuan.
    • Keganjilan di Daerah Kutub
    Hilangnya 125 danau di Kutub Utara beberapa dekade silam memunculkan ide bahwa pemanasan global terjadi lebih “heboh” di daerah kutub. Riset di sekitar sumber airyang hilang tersebut memperlihatkan kemungkinan mencairnya bagian beku dasar bumi.
    • Mekarnya Tumbuhan di Kutub Utara
    Saat pelelehan Kutub Utara memicu problem pada tanaman danhewan di dataran yang lebih rendah, tercipta pula situasi yang sama dengan saatmatahari terbenam pada biota Kutub Utara. Tanaman di situ yang dulu terperangkap dalam es kini tidak lagi dan mulai tumbuh. Ilmuwan menemukan terjadinya peningkatan pembentukan fotosintesis di sejumlah tanah sekitar dibanding dengan tanah di era purba.
    • Habitat Makhluk Hidup Pindah ke Dataran Lebih Tinggi
    Sejak awal dekade 1900-an, manusia harus mendaki lebihtinggi demi menemukan tupai, berang-berang atau tikus hutan. Ilmuwan menemukan bahwa hewan-hewan ini telah pindah ke dataran lebih tinggi akibat pemanasan global. Perpindahan habitat ini mengancam habitat beruang kutub juga, sebab es tempat dimana mereka tinggal juga mencair.
    • Peningkatan Kasus Alergi
    Sering mengalami serangan bersin-bersin dan gatal di matasaat musim semi, maka salahkanlah pemanasan global. Beberapa dekade terakhir kasus alergi dan asma di kalangan orang Amerika alami peningkatan. Pola hidupdan polusi dianggap pemicunya. Studi para ilmuwan memperlihatkan bahwa tingginya level karbondioksida dan temperatur belakangan inilah pemicunya. Kondisi tersebut juga membuat tanaman mekar lebih awal dan memproduksi lebih banyak serbuk sari.

    http://one-geo.blogspot.com/2010/01/pengaruh-polusi-udara-terhadap.html

    STRESS DAN POLUSI UDARA PICU ASMA
    KOMPAS.com – Banyak sekali faktor risiko yang diduga ikut berperan terhadap timbulnya penyakit asma pada anak. Para ahli mengatakan pencemaran udara yang melewati ambang batas menjadi salah satu penyebab. Namun bila ditambahkan dengan faktor stres orangtua, risikonya menjadi semakin besar.

    Dari suatu penelitian yang baru-baru ini dilakukan di Kanada diketahui anak yang saat masih di kandungan sering terpapar faktor pencetus asma (polusi, asap rokok) ditambah orangtua yang stres, lebih beresiko menderita asma.

    “Ada kaitan antara polusi udara dan asma, dan risikonya makin meningkat bila sang ibu mengalami stres,” kata Ketan Shankardass, peneliti dari Centre for Research on Inner City Health, Toronto, Kanada.

    Memang penyebab pasti penyakit asma belum diketahui, namun Shankardass berpendapat hasil penelitiannya berkontribusi terhadap pemahaman terhadap penyakit ini.

    Dalam risetnya, Shankardass dan timnya mengumpulkan data 2.497 anak di California Selatan. Responden berusia 5-9 tahun dan tidak punya riwayat asma atau mengi saat studi dimulai. Setelah tiga tahun, tim peneliti menelusuri apakah anak-anak itu menderita asma atau tidak.

    Selain itu, para orangtua responden juga diminta mengisi kuisioner untuk mengukur kadar stres mereka. Data juga dilengkapi dengan paparan polusi udara terhadap anak-anak atau asap rokok saat si ibu sedang hamil.

    Secara umum, stres atau status ekonomi tidak berpengaruh terhadap timbulnya asma. Tapi bila faktor itu dikombinasi dengan kondisi emosi orangtua saat mengandung, risiko munculnya asma menjadi tinggi, bila dibandingkan dengan anak yang terpapar polusi atau asap rokok tapi orangtuanya tidak stres.

    Dr.Clifford Bassett, direktur medis Allergy and Asthma Care di New York, AS, mengatakan tidak terkejut bahwa stres meningkatkan risiko asma. “Stres berpengaruh terhadap kekebalan tubuh. Sudah jelas ada hubungan antara stres, asap rokok dan pencemaran udara,” katanya.

    Prevalensi asma di dunia terus bertambah setiap tahun, demikian juga di Indonesia. Asma menimbulkan gangguan kualitas hidup karena gejala yang ditimbulkan berupa sesak napas, batuk, maupun mengi. Penderita jadi kurang tidur atau terganggu aktivitasnya. Belum lagi biaya yang harus dikeluarkan untuk pengobatan.
    http://kesehatan.kompas.com/read/2009/07/22/13551655/Stres.dan.Polusi.Udara.Picu.Asma

  • wilmenceSmole
    5 years ago

    Man .. Indah .. Indah .. Saya akan bookmark website Anda dan mengambil feed alsoI senang untuk mencari banyak informasi berguna di sini di pos, kita perlu bekerja keluar teknik ekstra dalam hal ini , terima kasih untuk berbagi . . . . . .

  • bookyjhonny
    5 years ago

    EBooks di sini!
    http://goo.gl/3FzLT

    Gratis buku

  • jhonnybook
    5 years ago

    Download buku gratis di sini :
    http://goo.gl/cgDrT

    Teknologi buku di sini

  • jhonnybook
    5 years ago

    Android buku:
    http://goo.gl/7kMdt

    Free PDF buku

Leave a Reply

Your email address will not be published. Required fields are marked *


*

Skip to toolbar