simulasi 1

Ass. Wr. wb.Ass. Wr. wb.

SISTEM DANPEMODELAN SISTEM

M . Fazri Pasaribu, ST, MTM . Fazri Pasaribu, ST, MTMedan, 2013Medan, 2013

Ass. Wr. wb.Ass. Wr. wb.

SISTEM DANPEMODELAN SISTEM

M . Fazri Pasaribu, ST, MTM . Fazri Pasaribu, ST, MTMedan, 2013Medan, 2013

SISTEMSISTEMsbg suatu pendekatan

1. Filosofis

2. Prosedural

3. Alat bantu analisis

FILOSOFIFILOSOFI

“Sistem”: Gugusan elemen-elemen yg saling berinteraksi dan terorganisir peri-lakunya ke arah tujuan tertentu

“Tiga prasyarat aplikasinya”:

1. Tujuan dirumuskan dengan jelas2. Proses pengambilan keputusan sentralisasi logis3. Sekala waktu -------- jangka panjang

PROSEDURPROSEDUR

“Tahapan Pokok”: 1. Analisis Kelayakan2. Pemodelan Abstrak3. Disain Sistem4. Implementasi Sistem5. Operasi Sistem

Need Assesment

Tahapan Pokok: ---

Evaluasi

Outcomes

ALAT -

BANTUALAT -

BANTU

“Model Abstrak”: Perilaku esensialnya sama dengan dunia nyata

“digunakan dalam”:

1. Perancangan / Disain Sistem 2. Menganalisis SISTEM ……………strukturnya

INPUT …...…….. beragamSTRUKTUR …….. fixedOUTPUT ……….. Diamati perilakunya

3. Simulasi SISTEM

untuk sistem yang kompleks

SIMULASI SISTEM:

OPERASINYA

SIMULASI SISTEM:

OPERASINYA

“Penggunaan Komputer ”:

Simulasi Komputer: Disain Sistem

Strategi Pengelolaan Sistem

MODEL SISTEM

PROGRAM KOMPUTER

programmingprogramming

SIMULASI SISTEM:

METODOLOGIMETODOLOGI

SIMULASI SISTEM:

METODOLOGIMETODOLOGI

“Model dasar”: Model Matematik

Model lain diformulasikan menjadi model matematik

“tahapan”:

1. Identifikasi subsistem / komponen sistem 2. Peubah input ( U(t) ) ……….. Stimulus3. Peubah internal = peubah keadaan = peubah struktural, X(t)4. Peubah Output, Y(t)5. Formulasi hubungan teoritik antara U(t), X(t), dan Y(t)6. Menjelaskan peubah eksogen7. Interaksi antar komponen ………… DIAGRAM LINGKAR8. Verifikasi model …….. Uji ……. Revisi9. Aplikasi Model ……. Problem solving

PEMODELAN SISTEM:

RUANG LINGKUPRUANG LINGKUP

PEMODELAN SISTEM:

RUANG LINGKUPRUANG LINGKUP

“Pemodelan”: Serangkaian kegiatan pembuatan model

MODEL: abstraksi dari suatu obyek atau situasi aktual

1. Hubungan Langsung 2. Hubungan tidak langsung3. Keterkaitan Timbal-balik / Sebab-akibat / Fungsional

4. Peubah - peubah 5. Parameter

MODEL KONSEP

MATEMATIKA

Operasi Matematik:

Formula, Tanda, Aksioma

JENIS-JENIS MODEL

JENIS-JENIS MODEL

“MODEL SIMBOLIK” : Simbol-simbol Matematik

AngkaSimbol “Persamaan”Rumus “Ketidak-samaan”

Fungsi

“MODEL IKONIK” : Model Fisik1. Peta-peta geografis 2. Foto, Gambar, Lukisan 3. Prototipe

“MODEL ANALOG” : Model Diagramatik: 1. Hubungan-hubungan 2. …... 3. …..

SIFAT MODEL

SIFAT MODEL

PROBABILISTIK / STOKASTIK Teknik Peluang Memperhitungkan “uncertainty”

“DETERMINISTIK”:

Tidak memperhitungkan peluang kejadian

FUNGSI MODELFUNGSI MODEL

MODEL DESKRIPTIF

Deskripsi matematik dari kondisi dunia nyata

“MODEL ALOKATIF” :

Komparasi alternatif untuk mendapatkan “optimal solution”

TAHAPAN PEMODELAN

TAHAPAN PEMODELAN

1. Seleksi Konsep

2. Konstruksi Model: a. Black Boxb. Structural Approach

3. Implementasi Komputer

4. Validasi (keabsahan representasi)

5. Sensitivitas

6. Stabilitas

7. Aplikasi Model

1. Asumsi Model2. Konsistensi Internal3. Data Input ----- hitung parameter4. Hubungan fungsional antar

peubah-peubah5. Uji Model vs kondisi aktual

PHASES OF SYSTEMS ANALYSIS

Recognition….

Definition and bounding of the PROBLEM

Identification of goals and objectives

Generation of solutions

MODELLING

Evaluation of potential courses of action

Implementation of results

Mengapa kita gunakan Analisis Sistem?

1. Kompleksitas obyek / fenomena /substansi penelitianMulti-atribute Multi fungsionalMulti dimensional Multi-variabel

Proses Abstraksi & Simplifikasi

2. Interaksi rumit yg melibatkan banyak hal Korelasional PathwaysRegresional Struktural

3. Interaksi dinamik: Time-dependent , andConstantly changing

4. Feed-back loopsNegative effects vs. Positive effects

PROSES PEMODELAN

INTRODUCTION

DEFINITION

HYPOTHESES

MODELLING

VALIDATION

INTEGRATION

SISTEM - MODEL - PROSES

Bounding - Word ModelAlternatives: Separate - Combination

Relevansi : Indikator - variabel - subsistem Proses : Linkages - ImpactsHubungan : Linear - Non-linear - interaksiDecision table:

Data : Plotting - outliers Analisis : Test - EstimationChoice :

Verifikasi: Subyektif - reasonable Uji Kritis: Eksperiment - Analisis/SimulasiSensitivity: Uncertainty - Resources -

- Interaksi

Communication

Conclusions

Proses Pemodelan

SISTEM: ApproachSimulasi SistemAnalisis Sistem

Model vs. Pemodelan

Mathematical models: An exact science,

Its Practical Application:1. A high degree of intuition2. Practical experiences3. Imagination4. “Flair”5. Problem define & bounding

DEFINITION & BOUNDING

IDENTIFIKASI dan PEMBATASAN Masalah penelitian

1. Alokasi sumberdaya penelitian2. Aktivitas penelitian yang relevan3. Kelancaran pencapaian tujuan

The whole systems vs. sets of sub-systems

Proses pembatasan masalah:1. Bersifat iteratif, tidak mungkin “sekali jadi”2. Make a start in the right direction3. Sustain initiative and momentum

System bounding: SPACE - TIME - SUB-SYSTEMS Sample vs. Population

COMPLEXITY AND MODELS

The real system sangat kompleks

Proses Pengujian Model Hipotetik

The hypothesesto be tested

Sub-systemsMODEL

Trade-off: complexity vs. simplicity

WORD MODEL

Masalah penelitian dideskripsikan secara verbal, dengan meng-gunakan kata (istilah) yang relevan dan simple

Pengembangan Model simbolik

Hubungan-hubungan verbal dipresentasikan dengan simbol-simbol yang relevan

Simbolisasi kata-kata atau istilah

Setiap simbol (simbol matematik) harus dapat diberi deskripsi penjelasan maknanya secara jelas

GENERATION OF SOLUTION

Alternatif “solusi” jawaban permasalahan , berapa banyak?

Pada awalnya diidentifikasi sebanyak mungkin alternatif jawaban yang mungkin

P

Penggabungan beberapa alternatif jawaban yang mungkin digabungkan

HYPOTHESES

Tiga macam hipotesis:

1. Hypotheses of relevance: mengidentifikasi & mendefinisikan faktor, variabel, parameter, atau komponen sistem yang relevan dg permasalahan

2. Hypotheses of processes: merangkaikan faktor-faktor atau komponen-komponen sistem yg relevan dengan proses / perilaku sistem dan mengidentifikasi dampaknya thd sistem

3. Hypotheses of relationship: hubungan antar faktor, dan representasi hubungan tersebut dengan formula-formula matematika yg relevan, linear, non linear, interaktif.

Penjelasan / justifikasi Hipotesis

Justifikasi secara teoritisJustifikasi berdasarkan hasil-hasil penelitian yang telah ada

MODEL CONSTRUCTION

Konstruksi Model.

Proses seleksi / uji alternatif yang ada

Manipulasi matematis

Data dikumpulkan dan diperiksa dg seksama untuk menguji penyimpangannya terhadap hipotesis.

Grafik dibuat dan digambarkan untuk menganalisis hubungan yang ada dan bagaimana sifat / bentuk hubungan itu

Uji statistik dilakukan untuk mengetahui tingkat signifikasinya

VERIFICATION & VALIDATION

VERIFIKASI MODEL1. Menguji apakah “general behavior of a MODEL” mampu mencerminkan “the real system”2. Apakah mekanisme atau proses yang di “model” sesuai dengan yang terjadi dalam sistem3. Verifikasi: subjective assessment of the success of the modelling4. Inkonsistensi antara perilaku model dengan real-system harus dapat diberikan penjelasannya

Proses Pemodelan

VALIDASI MODEL1. Sampai seberapa jauh output dari model sesuai dengan perilaku sistem yang sesungguhnya2. Uji prosedur pemodelan3. Uji statistik untuk mengetahui “adequacy of the model”4.

SENSITIVITY ANALYSIS

Perubahan input variabel dan perubahan parameter menghasilkan variasi kinerja model (diukur dari solusi model) ……… analisis sensitivitas

Validasi MODEL

Variabel atau parameter yang sensitif bagi hasil model harus dicermati lebih lanjut untuk menelaah apakah proses-proses yg terjadi dalam sistem telah di “model” dengan benar

PLANNING & INTEGRATION

PLANNINGIntegrasi berbagai macam aktivitas, formulasi masalah, hipotesis, pengumpulan data, penyusunan alternatif rencana dan implementasi rencana. Kegagalan integrasi ini berdampak pada hilangnya komunikasi :1. Antara data eksperimentasi dan model development2. Antara simulasi model dengan implementasi model3. Antara hasil prediksi model dengan implementasi model4. Antara management practices dengan pengembangan hipotesis yang baru5. Implementasi hasil uji coba dengan hipotesis yg baru

DEVELOPMENT of MODEL1. Kualitas data dan pemahaman terhadap fenomena sebab- akibat (proses yang di model) umumnya POOR2. Analisis sistem dan pengumpulan data harus dilengkapi dengan mekanisme umpan-balik3. Pelatihan dalam analisis sistem sangat diperlukan4. Model sistem hanya dapat diperbaiki dengan jalan mengatasi kelemahannya5. Tim analisis sistem seyogyanya interdisiplin

PEMODELAN KUANTITATIF : MATEMATIKA DAN STATISTIKA

MODEL STATISTIKA:FENOMENA STOKASTIK

MODEL MATEMATIKA:FENOMENA DETERMINISTIK

WHAT IS SYSTEM MODELLING ?WHAT IS SYSTEM MODELLING ?

RecognitionRecognition

DefinitionsDefinitions

Problems Problems

EvaluationEvaluation

Identification Identification

Feed-backFeed-back

SolutionSolution

ModellingModelling

AmenableAmenable

WorthwhileWorthwhile

CompromiseCompromise

BoundingBounding

ComplexityComplexity

SimplificationSimplification

Stopping rulesStopping rules

GeneralityGenerality

GenerationGenerationFamilyFamily

SelectionSelection

ObjectivesObjectives HierarchyHierarchy

PrioritiesPriorities

GoalsGoals

Inter-relationshipInter-relationship

Sensitivity & Assumptions Sensitivity & Assumptions ImplementationImplementation

PHASES OF SYSTEM MODELLINGPHASES OF SYSTEM MODELLING

Recognition Recognition

Definition and bounding of the problemsDefinition and bounding of the problems

Generation of solutionGeneration of solution

Identification of goals and objectivesIdentification of goals and objectives

MODELLINGMODELLING

Evaluation of potential courses of actionEvaluation of potential courses of action

Implementation of resultsImplementation of results

MODEL & MATEMATIK: TermMODEL & MATEMATIK: Term

VariabelVariabel ParameterParameterLikelihoodLikelihood

KonstanteKonstanteTipeTipe

DependentDependent

IndependentIndependent

RegressorRegressor

PopulasiPopulasi

SampelSampel

Probability Probability

Maximum Maximum

Analitik Analitik

Simulasi Simulasi

JENIS VARIABEL

Independent

Intervening(Mediating)

Dependent

Confounding

Moderator

Concomitant Control

EXTRANEOUS

INTRANEOUS

Variabel tergantung adalah variabel yang tercakup dalam hipotesis penelitian, keragamannya dipengaruhi oleh variabel lain

Variabel bebas adalah variabel yang yang tercakup dalam hipotesis penelitian dan berpengaruh atau mempengaruhi variabel tergantung

Variabel antara (intervene variables) adalah variabel yang bersifat menjadi perantara dari hubungan variabel bebas ke variabel tergantung.

Variabel Moderator adalah variabel yang bersifat memperkuat atau memperlemah pengaruh variabel bebas terhadap variabel tergantung

Variabel pembaur (confounding variables) adalah suatu variabel yang tercakup dalam hipotesis penelitian, akan tetapi muncul dalam penelitian dan berpengaruh terhadap variabel tergantung dan pengaruh tersebut mencampuri atau berbaur dengan variabel bebas

Variabel kendali (control variables) adalah variabel pembaur yang dapat dikendalikan pada saat riset design. Pengendalian dapat dilakukan dengan cara eksklusi (mengeluarkan obyek yang tidak memenuhi kriteria) dan inklusi (menjadikan obyek yang memenuhi kriteria untuk diikutkan dalam sampel penelitian) atau dengan blocking, yaitu membagi obyek penelitian menjadi kelompok-kelompok yang relatif homogen.

Variabel penyerta (concomitant variables) adalah suatu variabel pembaur (cofounding) yang tidak dapat dikendalikan saat riset design. Variabel ini tidak dapat dikendalikan, sehingga tetap menyertai (terikut) dalam proses penelitian, dengan konsekuensi harus diamati dan pengaruh baurnya harus dieliminir atau dihilanggkan pada saat analisis data.

MODEL & MATEMATIK: DefinitionMODEL & MATEMATIK: Definition

PreliminaryPreliminary GoodallGoodall MathematicalMathematical

Formal Expression

Formal Expression

WordsWords

PhysicalPhysical

MappingMapping

RepresentationalRepresentational

Rules Rules

Predicted values

Predicted values

Maynard-Smith Maynard-Smith

Comparison Comparison

MathematicalMathematical

HomomorphHomomorph

SymbolicSymbolic

SimplifiedSimplified Data values Data values

Model Model

Simulation Simulation

MODEL & MATEMATIK: RelativesMODEL & MATEMATIK: Relatives

AdvantagesAdvantagesDisadvantagesDisadvantages

PrecisePrecise

AbstractAbstract

CommunicationCommunication

Distortion Distortion

Opaqueness Opaqueness

TransferTransfer Complexity Complexity

Replacement Replacement

MODEL & MATEMATIK: FamiliesMODEL & MATEMATIK: Families

TypesTypes BasisBasis

DynamicsDynamics

CompartmentCompartment

NetworkNetwork

Choices Choices

StochasticStochastic

Multivariate Multivariate

BEBERAPA PENGERTIANBEBERAPA PENGERTIAN

MODEL DETERMINISTIK: Nilai-nilai yang diramal (diestimasi, diduga) dapat dihitung secara eksak.

MODEL STOKASTIK: Model-model yang diramal (diestimasi, diduga) tergantung pada distribusi peluang

MODEL DETERMINISTIK: Nilai-nilai yang diramal (diestimasi, diduga) dapat dihitung secara eksak.

MODEL STOKASTIK: Model-model yang diramal (diestimasi, diduga) tergantung pada distribusi peluang

POPULASI: Keseluruhan individu-individu (atau area, unit, lokasi dll.) yang diteliti untuk mendapatkan kesimpulan.

SAMPEL: sejumlah tertentu individu yang diambil dari POPULASI dan dianggap nilai-nilai yang dihitung dari sampel dapat mewakili populasi secara keseluruhan

POPULASI: Keseluruhan individu-individu (atau area, unit, lokasi dll.) yang diteliti untuk mendapatkan kesimpulan.

SAMPEL: sejumlah tertentu individu yang diambil dari POPULASI dan dianggap nilai-nilai yang dihitung dari sampel dapat mewakili populasi secara keseluruhan

VARIABEL DEPENDENT: Variabel yang diharapkan berubah nilainya disebabkan oleh adanya perubahan nilai dari variabel lain

VARIABEL INDEPENDENT: variabel yang dapat menyebabkan terjadinya perubahan VARIABEL DEPENDENT.

VARIABEL DEPENDENT: Variabel yang diharapkan berubah nilainya disebabkan oleh adanya perubahan nilai dari variabel lain

VARIABEL INDEPENDENT: variabel yang dapat menyebabkan terjadinya perubahan VARIABEL DEPENDENT.

PARAMETER: Nilai-nilai karakteristik dari populasi

KONSTANTE, KOEFISIEAN: nilai-nilai karakteristik yang dihitung dari SAMPEL

PARAMETER: Nilai-nilai karakteristik dari populasi

KONSTANTE, KOEFISIEAN: nilai-nilai karakteristik yang dihitung dari SAMPEL

BEBERAPA PENGERTIANBEBERAPA PENGERTIAN

MODEL FITTING: Proses pemilihan parameter (konstante dan/atau koefisien yang dapat menghasilkan nilai-nilai ramalan paling mendekati nilai-nilai sesungguhnya

MODEL FITTING: Proses pemilihan parameter (konstante dan/atau koefisien yang dapat menghasilkan nilai-nilai ramalan paling mendekati nilai-nilai sesungguhnya

ANALYTICAL MODEL: Model yang formula-formulanya secara eksplisit diturunkan untuk mendapatkan nilai-nilai ramalan, contohnya: MODEL REGRESI

MODEL MULTIVARIATEEXPERIMENTAL DESIGNSTANDARD DISTRIBUTION, etc

ANALYTICAL MODEL: Model yang formula-formulanya secara eksplisit diturunkan untuk mendapatkan nilai-nilai ramalan, contohnya: MODEL REGRESI

MODEL MULTIVARIATEEXPERIMENTAL DESIGNSTANDARD DISTRIBUTION, etc

SIMULATION MODEL: Model yang formula-formulanya diturunkan dengan serangkaian operasi arithmatik, misal:

Solusi persamaan diferensialAplikasi matrixPenggunaan bilangan acak, dll.

SIMULATION MODEL: Model yang formula-formulanya diturunkan dengan serangkaian operasi arithmatik, misal:

Solusi persamaan diferensialAplikasi matrixPenggunaan bilangan acak, dll.

DYNAMIC MODEL DYNAMIC MODEL

MODELLINGMODELLING

DynamicsDynamics SIMULATIONSIMULATION

LanguageLanguage

EquationsEquations

Computer Computer

GeneralGeneralSpecialSpecial

DYNAMOCSMPCSSL

DYNAMOCSMPCSSL

BASICBASIC

FORMALFORMAL

ANALYSISANALYSIS

DYNAMIC MODEL DYNAMIC MODEL

DIAGRAMSDIAGRAMS

RELATIONALRELATIONAL SYMBOLSSYMBOLS

RATE EQUATIONS

RATE EQUATIONS

LEVELS LEVELS

PARAMETERPARAMETER

INFORMATION FLOW

INFORMATION FLOWSINKSINK

AUXILIARY VARIABLES

AUXILIARY VARIABLES

MATERIAL FLOW

MATERIAL FLOW

DYNAMIC MODEL: DYNAMIC MODEL:

ORIGINSORIGINS

ComputersComputers EquationsEquations

Other functions

Other functions

StepsSteps

Discriminant Function

Discriminant Function

UndestandingUndestanding

SimulationSimulation

AbstractionAbstraction

HypothesisHypothesis

LogisticLogisticExponentialsExponentials

MATRIX MODEL MATRIX MODEL

MATHEMATICSMATHEMATICS

OperationsOperations MatricesMatrices

TypesTypes

Eigen valueEigen value

Elements Elements

SquareSquareRectangularRectangular

Diagonal Identity

Diagonal Identity VectorsVectors

DominantDominant

Eigen vectorEigen vector

ScalarsScalars

RowColumn

RowColumn

AdditionsSubstraction

MultiplicationInversion

AdditionsSubstraction

MultiplicationInversion

MATRIX MODEL MATRIX MODEL

DEVELOPMENTDEVELOPMENT

InteractionsInteractions GroupsGroups

Development stages

Development stages

StochasticStochastic

Size Size Materials

cycles

Materials cycles Markov

Models

Markov Models

STOCHASTIC MODEL STOCHASTIC MODEL

STOCHASTICSTOCHASTIC

ProbabilitiesProbabilities HistoryHistory

StabilityStability

Other Models

Other Models

Statistical method

Statistical method

DynamicsDynamics


Spatial paternSpatial patern

DistributionDistribution ExampleExample

BinomialBinomial

PissonPisson Poisson Poisson

Negative Binomial

Negative Binomial

OthersOthers

Negative Binomial

Negative Binomial

Fitting Fitting Test Test


ADDITIVE MODELSADDITIVE MODELS

Basic ModelBasic Model ExampleExample

ParameterParameter

ErrorError Estimates Estimates

BlockBlock

TreatmentsTreatments

AnalysisAnalysis

Effects Effects

Orthogonal Orthogonal

ExperimentalExperimentalSignificance Significance

Variance Variance


REGRESSIONREGRESSION

ModelModel ExampleExample

Linear/ Non-linear functions

Linear/ Non-linear functions

ErrorError Decomposition Decomposition

AssumptionsAssumptions

EquationEquation

Reactions Reactions

Oxygen uptake Oxygen uptake

ExperimentalExperimentalEmpirical base

Empirical base

Theoritical base

Theoritical base


MARKOVMARKOV

ExampleExample AssumptionsAssumptions

Transition probabilities

Transition probabilities

AnalysisAnalysis Disadvantage Disadvantage

Raised mireRaised mire

AdvantagesAdvantages

Analysis Analysis

MULTIVARIATE MODELS MULTIVARIATE MODELS

METHODSMETHODS

VariableVariable ClassificationClassification

IndependentIndependent

DependentDependent Descriptive Descriptive PredictivePredictive

VARIATE VARIATE

Principal Component

Analysis

Principal Component

Analysis

Cluster Analysis

Cluster Analysis

Reciprocal averaging

Reciprocal averaging

Canonical Analysis

Canonical Analysis

Discriminant Analysis

Discriminant Analysis

MULTIVARIATE MODEL MULTIVARIATE MODEL

PRINCIPLE COMPONENT ANALYSISPRINCIPLE COMPONENT ANALYSIS

ExampleExample CorrelationCorrelation

OrganismOrganism

EnvironmentEnvironment Eigenvalues Eigenvalues

RegionsRegions

ObjectivesObjectives

Requirement Requirement

Eigenvectors Eigenvectors


CLUSTER ANALYSISCLUSTER ANALYSIS

ExampleExample Spanning treeSpanning tree

Rainfall regimes

Rainfall regimes

DemographyDemography

Minimum Minimum

Settlement patern

Settlement patern

Multivariate space

Multivariate space

Similarity Similarity

Distance Distance

Single linkage Single linkage


CANONICAL CORRELATIONCANONICAL CORRELATION

ExampleExample Correlation Correlation

Urban areaUrban area

WatershedWatershedPartitioned Partitioned

Irrigation regions

Irrigation regions

Eigenvalues Eigenvalues Eigenvectors Eigenvectors


Discriminant functionDiscriminant function

ExampleExample Discriminant Discriminant

VehiclesVehicles

VillagesVillagesCalculation Calculation

StructuresStructures

Test Test

OPTIMIZATION MODEL OPTIMIZATION MODEL

OPTIMIZATIONOPTIMIZATION

MeaningsMeanings Indirect Indirect

MinimizationMinimization

SimulationSimulationObjective function Objective function

MaximizationMaximization

Linear Linear

ExperimentationExperimentation

ConstraintsConstraints

SolutionSolution

ExamplesExamples

Non-Linear

Non-Linear

Dynamic Dynamic

Optimum Transportation RoutesOptimum irrigation schemeOptimum Regional Spacing

Optimum Transportation RoutesOptimum irrigation schemeOptimum Regional Spacing

MODELLING PROCESSMODELLING PROCESS

IntroductionIntroduction

DefinitionDefinition

System analysisSystem analysis

IntegrationIntegration

Hypotheses Hypotheses

ConclusionConclusion

ModellingModelling

ValidationValidation

ModelModelProcessesProcesses

BoundingBounding

Word ModelsWord Models

AlternativesAlternatives

SystemsSystems

ImpactsImpacts

SpaceTimeNiche

Elements

SpaceTimeNiche

Elements

FactorialConfounding

FactorialConfounding

SeparateCombinations

SeparateCombinations

CommunicationCommunication

DataData

AnalysisAnalysis

ChoicesChoices

TestTest

EstimatesEstimates

PlottingOutliers

PlottingOutliers

MODELLING PROCESSES MODELLING PROCESSES

HYPOTHESESHYPOTHESES

RelevanceRelevance ProcessesProcesses

SpeciesSpecies

VariableVariable Linkages Linkages

Sub-systemsSub-systems

RelationshipsRelationships

Decision Table Decision Table

Impacts Impacts

InteractiveInteractive

Linear Linear

Non-Linear Non-Linear

HYPOTHESESHYPOTHESES

Hypotheses of Relevance: Mengidentifikasi dan mendefinisikan variabel dan subsistem yang relevan dengan permasalahan yang diteliti

Hypotheses of Relevance: Mengidentifikasi dan mendefinisikan variabel dan subsistem yang relevan dengan permasalahan yang diteliti

Hypotheses of Processes: Menghubungkan subsistem (atau variabel) di dalam permasalahan yang diteliti dan mendefinisikan dampak (pengaruh) terhadap sistem yang diteliti

Hypotheses of Processes: Menghubungkan subsistem (atau variabel) di dalam permasalahan yang diteliti dan mendefinisikan dampak (pengaruh) terhadap sistem yang diteliti

Hypotheses of relationships: Merumuskan hubungan-hubungan antar variabel dengan menggunakan formula-formula matematik (fungsi linear, non-linear, interaksi, dll)

Hypotheses of relationships: Merumuskan hubungan-hubungan antar variabel dengan menggunakan formula-formula matematik (fungsi linear, non-linear, interaksi, dll)

MODELLING PROCESSES MODELLING PROCESSES

VALIDATIONVALIDATION

VerificationVerification Critical TestCritical Test

ObjectivitiesObjectivities

SubjectivesSubjectives

Experiments Experiments

ReasonablenessReasonableness

Sensitivity Analysis

Sensitivity Analysis

Analysis Analysis

InteractionsInteractions

Uncertainty Uncertainty

ResourcesResources

ROLE OF THE COMPUTERROLE OF THE COMPUTER

IntroductionIntroduction

SpeedSpeed

RolesRoles

ConclusionsConclusions

Data Data

DevelopmentDevelopment

AlgoritmsAlgoritms

ReasonsReasons

SpeedData

Algoritm

SpeedData

Algoritm

ComparisonComparison

ImplicationImplication

WasteWaste

TechniquesErrors

Plotting

TechniquesErrors

Plotting

ManualCalculatorComputer

ManualCalculatorComputer

RepetitionChecking

RepetitionChecking

9/10Modelling

9/10Modelling

ProgrammingProgramming

ProgramProgram

LanguageLanguage

InformationInformation

High levelHigh level

SpecialSpecial

Machine codeMachine code

FORTRANBASIC

ALGOL

FORTRANBASIC

ALGOL

DYNAMO. Etc.

DYNAMO. Etc.

ROLE OF THE COMPUTERROLE OF THE COMPUTER

DATADATA

CautionsCautions AvailabilityAvailability

FormatFormat

SamplingSampling

Reanalysis Reanalysis

Data banksData banks

FormatFormat

Exchange Exchange

MagneticMagnetic

Punched card Punched card

Paper tapePaper tape

Machine readableMachine readable

TapeTape

DiscDisc

D A T A

Data adalah kumpulan angka, fakta, fenomena atau keadaan atau lainnya,

merupakan hasil pengamatan, pengukuran, atau pencacahan dan sebagainya terhadap variabel suatu obyek, yang berfungsi dapat

membedakan obyek yang satu dengan lainnya pada variabel yang sama

NOMINAL

• Komponen Nama (Nomos)

ORDINAL

• Komponen Nama

• Komponen Peringkat (Order)

RATIO

• Komponen Nama


• Komponen Jarak (Interval)

• Komponen Ratio

• Nilai Nol Mutlak

INTERVAL

• Komponen Nama


• Komponen Jarak (Interval)

• Nilai Nol tidak Mutlak

JENIS DATA

simulasi 1

Education