SlideShare a Scribd company logo
Bilangan Acak
Pertemuan-04 Simulasi dan
Pemodelan Sistem
Pengertian Bilangan Acak
• Bilangan acak adalah bilangan sembarang tetapi
tidak sembarangan.
• Bilangan acak: bilangan yang tidak dapat diprediksi
• Bilangan acak (random) banyak digunakan di dalam
kriptografi
• Tidak ada komputasi yang benar-benar menghasilkan
deret bilangan acak secara sempurna.
• Bilangan acak yang dihasilkan dengan rumus-rumus
matematika adalah bilangan acak semu (pseudo),
karena pembangkitan bilangannya dapat diulang
kembali.
Kriteria Bilangan Acak
• Bilangan acak harus mempunyai distribusi
serba sama (uniform)
Beberapa bilangan acak yang diambil harus
mempunyai peluang terambil sama besar.
• Masing-masing bilangan acak tidak saling
tergantung atau independence
• Bilangan acak ini disimbolkan dengan U, dan
nilainya dari 0 sampai dengan 1, maka
dinyatakan dalam U(0,1).
BILANGAN ACAK (1)
Caranya membangkitkan bilangan acak :
• Melempar dadu, memutar roda roulette, atau
mengocok kartu undian (zaman dahulu)
• Menggunakan seed komputer secara numerik untuk
memperoleh Pseudo Random Number (zaman
modern)
BILANGAN ACAK (2)
Syarat Random Number Generator (RNG) :
• Berdistribusi Uniform (0,1)  goodness of fit
• Randomness, tidak ada korelasi
• Long cycle, deretan bilangan yang dibangkitkan tidak
segera berulang
• Repeatability, dapat digunakan berulang-ulang dan
diperoleh bilangan yang berbeda tiap membangkitkan
• Algoritma yang cepat dan storage tidak besar
• Konektivitas yang mudah antar software yang berbeda
Teknik Random Number Generator
• Middle Square (MS)
• Linear Congruential Generator (LCG)
MIDDLE SQUARE (MS)
• Metode ini digunakan untuk membangkitkan
bilangan random sepanjang n digit.
• Untuk membangkitkan bilangan berikutnya,
bilangan yang sekarang dikuadratkan,
kemudian dari hasil kuadrat tersebut diambil n
digit yang terletak di tengah.
• Kelemahan cara ini adalah jika mencapai
bilangan 0, bilangan-bilangan berikutnya akan
terus 0.
MIDDLE SQUARE (MS)
ALGORITMA :
1. Diberikan 6 digit integer yang positif (Z0)
2. Kuadratkan Z0 untuk memperoleh 12 digit
integer (Ui), i=0,1,2,…
3. Ambillah 6 digit Ui dari tengah sebagai 6 digits
integer positif selanjutnya (Zj), j=1,2,3,…
4. Bagi Zj sehingga diperoleh bilangan kurang
dari 1 dan berdistribusi Uniform (0,1).
5. Ulangi langkah 2 dengan input dari Zj
Contoh perhitungan dengan
menggunakan teknik Middle Square
LINEAR CONGRUENTIAL
GENERATOR (LCG)
FORMULA :
• Panjang kerandoman m, yaitu dari 0 s/d m-1
• xn akan bernilai antara 0 s/d m-1, sehingga untuk
membangkitkan bilangan random antara 0 dan 1,
maka digunakan formulasi un = xn/m
• Jika c = 0 maka dinamakan sebagai Multiplicative
LCG (atau MLCG)
1( ) modn nx ax c m
a : konstanta pengali ( a < m )
c : konstanta pergeseran ( c < m )
m: konstanta modulus ( > 0 )
X0: bilangan awal ( bilangan bulat ≥ 0 , X0 < m )
Ui: bilangan acak ke i dan Ui(0,1) = Xi / m
Contoh perhitungan LCG
i Zi m a c Zi+1 Ui
0 7 16 5 3 6 0.3750
1 6 16 5 3 1 0.0625
2 1 16 5 3 8 0.5000
3 8 16 5 3 11 0.6875
4 11 16 5 3 10 0.6250
5 10 16 5 3 5 0.3125
6 5 16 5 3 12 0.7500
7 12 16 5 3 15 0.9375
8 15 16 5 3 14 0.8750
9 14 16 5 3 9 0.5625
10 9 16 5 3 0 0.0000
11 0 16 5 3 3 0.1875
12 3 16 5 3 2 0.1250
13 2 16 5 3 13 0.8125
14 13 16 5 3 4 0.2500
15 4 16 5 3 7 0.4375
16 7 16 5 3 6 0.3750
• Kita lihat pada tabel , U17 mempunyai nilai
yang sama dengan U1. Jika kita menginginkan
bilangan acak dalam jumlah yang banyak,
maka nilai m hendaknya sebesar 2b dengan b
adalah jumlah bit pada komputer yang akan
digunakan.
• LCG mempunyai periode tidak lebih besar dari m,
dan pada kebanyakan kasus periodenya kurang
dari itu.
• LCG mempunyai periode penuh (m–1) jika
memenuhi syarat berikut:
1. c relatif prima terhadap m.
2. a – 1 dapat dibagi dengan semua faktor prima dari m
3. a – 1 adalah kelipatan 4 jika m adalah kelipatan 4
4. m > maks(a, c, x0)
5. a > 0, c > 0
Latihan Soal
1. Jika x0=5 dan xn=3xn-1 mod 150, tentukan nilai
dari x1, x2, …, x10
2. Jika x0=3 dan xn=(5xn-1+7)mod 200, tentukan
nilai dari x1, x2, …, x10
3. Jika diketahui suatu komputer berkapasitas
12 bit, dengan x0=129 dan a=67, tentukan
nilai dari x1, x2, …, x5. Jika diketahui Ui=xn/m,
tentukan pula nilai dari U1, U2, …, U5
VARIABEL ACAK DAN FUNGSI
DISTRIBUSI PROBABILITAS
• Variabel acak (random variable):
variabel yang nilainya ditentukan oleh hasil sebuah eksperimen.
Yaitu, variabel acak merepresentasikan hasil yang tidak pasti.
• Variabel acak diskrit:
variabel acak yang nilainya dapat dicacah (dihitung).
Contoh:
- Banyak pembeli yang memasuki sebuah toko.
- Banyak televisi yang terjual pada periode tertentu.
• Variabel acak kontinu:
Variabel acak yang nilainya tidak dapat dicacah.
Contoh:
- Perpanjangan pegas jika ditarik.
- Berat segenggam strawberry.
• Bilangan Acak yang akan dipergunakan dalam
simulasi, harus mempunyai pola yang sama
dengan pola data pengamatan
• Oleh karena itu, maka dari bilangan acak yang
didapat harus dibangkitkan bilangan acak yang
sesuai pola distribusi

More Related Content

What's hot

Contoh soal dan penyelesaian metode biseksi
Contoh soal dan penyelesaian metode biseksiContoh soal dan penyelesaian metode biseksi
Contoh soal dan penyelesaian metode biseksi
muhamadaulia3
 
Matematika diskrit tree
Matematika diskrit  treeMatematika diskrit  tree
Matematika diskrit tree
Siti Khotijah
 
Makalah teori antrian (SISTEM ANTRIAN MM TAK HINGGA)
Makalah teori antrian (SISTEM ANTRIAN MM TAK HINGGA)Makalah teori antrian (SISTEM ANTRIAN MM TAK HINGGA)
Makalah teori antrian (SISTEM ANTRIAN MM TAK HINGGA)
STRosidah
 
Analisis Sensitivitas
Analisis SensitivitasAnalisis Sensitivitas
Analisis Sensitivitas
Ade Nurlaila
 
Distribusi normal dan aplikasinya
Distribusi normal dan aplikasinyaDistribusi normal dan aplikasinya
Distribusi normal dan aplikasinya
Sriwijaya University
 
Makalah probabilitas
Makalah probabilitasMakalah probabilitas
Makalah probabilitas
UNISBA
 
Metode Dualitas (Primal-Dual)
Metode Dualitas (Primal-Dual)Metode Dualitas (Primal-Dual)
Metode Dualitas (Primal-Dual)
hazhiyah
 
Soal matstat ngagel+jawabannya
Soal matstat ngagel+jawabannyaSoal matstat ngagel+jawabannya
Soal matstat ngagel+jawabannyaKana Outlier
 
Penelitian Operasional 1 - Pendahuluan
Penelitian Operasional 1 - PendahuluanPenelitian Operasional 1 - Pendahuluan
Penelitian Operasional 1 - Pendahuluan
Universitas Qomaruddin, Gresik, Indonesia
 
STATISTIKA-Pengujian hipotesis
STATISTIKA-Pengujian hipotesisSTATISTIKA-Pengujian hipotesis
STATISTIKA-Pengujian hipotesisYousuf Kurniawan
 
Pemodelan dan simulasi sistem komputer
Pemodelan dan simulasi sistem komputerPemodelan dan simulasi sistem komputer
Pemodelan dan simulasi sistem komputer
Ardhiansyah Purwanto
 
Distribusi Seragam, Bernoulli, dan Binomial
Distribusi Seragam, Bernoulli, dan BinomialDistribusi Seragam, Bernoulli, dan Binomial
Distribusi Seragam, Bernoulli, dan Binomial
Silvia_Al
 
Penyederhanaan Karnaugh Map
Penyederhanaan Karnaugh MapPenyederhanaan Karnaugh Map
Penyederhanaan Karnaugh Map
Cheria Asyifa
 
Operational Research
Operational ResearchOperational Research
Operational ResearchDavid Loekito
 
Fuzzy fungsi keanggotaan
Fuzzy fungsi keanggotaanFuzzy fungsi keanggotaan
Fuzzy fungsi keanggotaanRoziq Bahtiar
 
Distribusi sampling
Distribusi samplingDistribusi sampling
Distribusi sampling
nurhayati atik
 
Model simulasi(2)
Model simulasi(2)Model simulasi(2)
Model simulasi(2)cofry
 

What's hot (20)

Contoh soal dan penyelesaian metode biseksi
Contoh soal dan penyelesaian metode biseksiContoh soal dan penyelesaian metode biseksi
Contoh soal dan penyelesaian metode biseksi
 
Matematika diskrit tree
Matematika diskrit  treeMatematika diskrit  tree
Matematika diskrit tree
 
Desain Top Down
Desain Top DownDesain Top Down
Desain Top Down
 
Makalah teori antrian (SISTEM ANTRIAN MM TAK HINGGA)
Makalah teori antrian (SISTEM ANTRIAN MM TAK HINGGA)Makalah teori antrian (SISTEM ANTRIAN MM TAK HINGGA)
Makalah teori antrian (SISTEM ANTRIAN MM TAK HINGGA)
 
Analisis Sensitivitas
Analisis SensitivitasAnalisis Sensitivitas
Analisis Sensitivitas
 
Distribusi normal dan aplikasinya
Distribusi normal dan aplikasinyaDistribusi normal dan aplikasinya
Distribusi normal dan aplikasinya
 
Algoritma greedy
Algoritma greedyAlgoritma greedy
Algoritma greedy
 
Makalah probabilitas
Makalah probabilitasMakalah probabilitas
Makalah probabilitas
 
Metode Dualitas (Primal-Dual)
Metode Dualitas (Primal-Dual)Metode Dualitas (Primal-Dual)
Metode Dualitas (Primal-Dual)
 
Soal matstat ngagel+jawabannya
Soal matstat ngagel+jawabannyaSoal matstat ngagel+jawabannya
Soal matstat ngagel+jawabannya
 
Penelitian Operasional 1 - Pendahuluan
Penelitian Operasional 1 - PendahuluanPenelitian Operasional 1 - Pendahuluan
Penelitian Operasional 1 - Pendahuluan
 
STATISTIKA-Pengujian hipotesis
STATISTIKA-Pengujian hipotesisSTATISTIKA-Pengujian hipotesis
STATISTIKA-Pengujian hipotesis
 
Pemodelan dan simulasi sistem komputer
Pemodelan dan simulasi sistem komputerPemodelan dan simulasi sistem komputer
Pemodelan dan simulasi sistem komputer
 
Distribusi Seragam, Bernoulli, dan Binomial
Distribusi Seragam, Bernoulli, dan BinomialDistribusi Seragam, Bernoulli, dan Binomial
Distribusi Seragam, Bernoulli, dan Binomial
 
Penyederhanaan Karnaugh Map
Penyederhanaan Karnaugh MapPenyederhanaan Karnaugh Map
Penyederhanaan Karnaugh Map
 
Operational Research
Operational ResearchOperational Research
Operational Research
 
Fuzzy fungsi keanggotaan
Fuzzy fungsi keanggotaanFuzzy fungsi keanggotaan
Fuzzy fungsi keanggotaan
 
Distribusi sampling
Distribusi samplingDistribusi sampling
Distribusi sampling
 
Model simulasi(2)
Model simulasi(2)Model simulasi(2)
Model simulasi(2)
 
T simulasi slide
T simulasi slideT simulasi slide
T simulasi slide
 

Viewers also liked

simulasi6
simulasi6simulasi6
simulasi6
Amri Sandy
 
Tugas simulasi 5211100111
Tugas simulasi 5211100111Tugas simulasi 5211100111
Tugas simulasi 5211100111Aula Ayubi
 
Berpikir Sistem=Paparan Dinamika Sistem V0
Berpikir Sistem=Paparan Dinamika Sistem V0Berpikir Sistem=Paparan Dinamika Sistem V0
Berpikir Sistem=Paparan Dinamika Sistem V0
Randy Wrihatnolo
 

Viewers also liked (11)

Simulasi 2
Simulasi 2Simulasi 2
Simulasi 2
 
simulasi6
simulasi6simulasi6
simulasi6
 
Simulasi 4
Simulasi 4Simulasi 4
Simulasi 4
 
Simulasi 1
Simulasi 1Simulasi 1
Simulasi 1
 
Simulasi 5
Simulasi 5Simulasi 5
Simulasi 5
 
Simulasi 7
Simulasi 7Simulasi 7
Simulasi 7
 
Simulasi 4
Simulasi 4Simulasi 4
Simulasi 4
 
Simulasi 12
Simulasi 12Simulasi 12
Simulasi 12
 
Simulasi2
Simulasi2Simulasi2
Simulasi2
 
Tugas simulasi 5211100111
Tugas simulasi 5211100111Tugas simulasi 5211100111
Tugas simulasi 5211100111
 
Berpikir Sistem=Paparan Dinamika Sistem V0
Berpikir Sistem=Paparan Dinamika Sistem V0Berpikir Sistem=Paparan Dinamika Sistem V0
Berpikir Sistem=Paparan Dinamika Sistem V0
 

Similar to Simulasi 9

METODE_NUMERIK_part_2.pptx
METODE_NUMERIK_part_2.pptxMETODE_NUMERIK_part_2.pptx
METODE_NUMERIK_part_2.pptx
Wahid Pasipa
 
Pembangkit random number gtr
Pembangkit random number gtrPembangkit random number gtr
Pembangkit random number gtr
Gusti Rusmayadi
 
31.pembangkit bilangan acak semu (bagian 1)
31.pembangkit bilangan acak semu (bagian 1)31.pembangkit bilangan acak semu (bagian 1)
31.pembangkit bilangan acak semu (bagian 1)
Universitas Bina Darma Palembang
 
Kriptografi - Skema Pembagian Data Rahasia
Kriptografi - Skema Pembagian Data RahasiaKriptografi - Skema Pembagian Data Rahasia
Kriptografi - Skema Pembagian Data Rahasia
KuliahKita
 
VARIABEL RANDOM & DISTRIBUSI PELUANG
VARIABEL RANDOM & DISTRIBUSI PELUANGVARIABEL RANDOM & DISTRIBUSI PELUANG
VARIABEL RANDOM & DISTRIBUSI PELUANG
Universitas Qomaruddin, Gresik, Indonesia
 
Nota ulangkaji mte3114 topik 3
Nota ulangkaji mte3114   topik 3Nota ulangkaji mte3114   topik 3
Nota ulangkaji mte3114 topik 3LeeChing Tan
 
6. spltv
6. spltv6. spltv
APG Pertemuan 4 : Multivariate Normal Distribution (2)
APG Pertemuan 4 : Multivariate Normal Distribution (2)APG Pertemuan 4 : Multivariate Normal Distribution (2)
APG Pertemuan 4 : Multivariate Normal Distribution (2)
Rani Nooraeni
 
Beberapa distribusi peluang kontinu
Beberapa distribusi peluang kontinuBeberapa distribusi peluang kontinu
Beberapa distribusi peluang kontinu
Raden Maulana
 
Algoritma Symboolon
Algoritma SymboolonAlgoritma Symboolon
Algoritma Symboolon
S N M P Simamora
 
Beberapa distribusi peluang diskrit (1)
Beberapa distribusi peluang diskrit (1)Beberapa distribusi peluang diskrit (1)
Beberapa distribusi peluang diskrit (1)
Raden Maulana
 
Matematika Peminatan Kelas X
Matematika Peminatan Kelas XMatematika Peminatan Kelas X
Matematika Peminatan Kelas X
Muhamad Dzaki Albiruni
 
Kulum md-13 juni2013
Kulum md-13 juni2013Kulum md-13 juni2013
Kulum md-13 juni2013rolly purnomo
 
2. galat
2. galat2. galat
Pertemuan 6 - Struktur Perulangan
Pertemuan 6 - Struktur PerulanganPertemuan 6 - Struktur Perulangan
Pertemuan 6 - Struktur Perulangan
Achmad Solichin
 
Distribusi binomial, distribusi poisson, dan distribusi
Distribusi binomial, distribusi poisson, dan distribusiDistribusi binomial, distribusi poisson, dan distribusi
Distribusi binomial, distribusi poisson, dan distribusi
profkhafifa
 
Buat persentasi
Buat persentasiBuat persentasi
Buat persentasi
ryan_wicaksonop
 

Similar to Simulasi 9 (20)

METODE_NUMERIK_part_2.pptx
METODE_NUMERIK_part_2.pptxMETODE_NUMERIK_part_2.pptx
METODE_NUMERIK_part_2.pptx
 
Pembangkit random number gtr
Pembangkit random number gtrPembangkit random number gtr
Pembangkit random number gtr
 
Normalitas
NormalitasNormalitas
Normalitas
 
31.pembangkit bilangan acak semu (bagian 1)
31.pembangkit bilangan acak semu (bagian 1)31.pembangkit bilangan acak semu (bagian 1)
31.pembangkit bilangan acak semu (bagian 1)
 
Kriptografi - Skema Pembagian Data Rahasia
Kriptografi - Skema Pembagian Data RahasiaKriptografi - Skema Pembagian Data Rahasia
Kriptografi - Skema Pembagian Data Rahasia
 
VARIABEL RANDOM & DISTRIBUSI PELUANG
VARIABEL RANDOM & DISTRIBUSI PELUANGVARIABEL RANDOM & DISTRIBUSI PELUANG
VARIABEL RANDOM & DISTRIBUSI PELUANG
 
Nota ulangkaji mte3114 topik 3
Nota ulangkaji mte3114   topik 3Nota ulangkaji mte3114   topik 3
Nota ulangkaji mte3114 topik 3
 
6. spltv
6. spltv6. spltv
6. spltv
 
APG Pertemuan 4 : Multivariate Normal Distribution (2)
APG Pertemuan 4 : Multivariate Normal Distribution (2)APG Pertemuan 4 : Multivariate Normal Distribution (2)
APG Pertemuan 4 : Multivariate Normal Distribution (2)
 
Makalah Random Generator
Makalah Random GeneratorMakalah Random Generator
Makalah Random Generator
 
Beberapa distribusi peluang kontinu
Beberapa distribusi peluang kontinuBeberapa distribusi peluang kontinu
Beberapa distribusi peluang kontinu
 
Algoritma Symboolon
Algoritma SymboolonAlgoritma Symboolon
Algoritma Symboolon
 
Beberapa distribusi peluang diskrit (1)
Beberapa distribusi peluang diskrit (1)Beberapa distribusi peluang diskrit (1)
Beberapa distribusi peluang diskrit (1)
 
Matematika Peminatan Kelas X
Matematika Peminatan Kelas XMatematika Peminatan Kelas X
Matematika Peminatan Kelas X
 
Smart solution
Smart solutionSmart solution
Smart solution
 
Kulum md-13 juni2013
Kulum md-13 juni2013Kulum md-13 juni2013
Kulum md-13 juni2013
 
2. galat
2. galat2. galat
2. galat
 
Pertemuan 6 - Struktur Perulangan
Pertemuan 6 - Struktur PerulanganPertemuan 6 - Struktur Perulangan
Pertemuan 6 - Struktur Perulangan
 
Distribusi binomial, distribusi poisson, dan distribusi
Distribusi binomial, distribusi poisson, dan distribusiDistribusi binomial, distribusi poisson, dan distribusi
Distribusi binomial, distribusi poisson, dan distribusi
 
Buat persentasi
Buat persentasiBuat persentasi
Buat persentasi
 

Simulasi 9

  • 1. Bilangan Acak Pertemuan-04 Simulasi dan Pemodelan Sistem
  • 2. Pengertian Bilangan Acak • Bilangan acak adalah bilangan sembarang tetapi tidak sembarangan. • Bilangan acak: bilangan yang tidak dapat diprediksi • Bilangan acak (random) banyak digunakan di dalam kriptografi • Tidak ada komputasi yang benar-benar menghasilkan deret bilangan acak secara sempurna. • Bilangan acak yang dihasilkan dengan rumus-rumus matematika adalah bilangan acak semu (pseudo), karena pembangkitan bilangannya dapat diulang kembali.
  • 3. Kriteria Bilangan Acak • Bilangan acak harus mempunyai distribusi serba sama (uniform) Beberapa bilangan acak yang diambil harus mempunyai peluang terambil sama besar. • Masing-masing bilangan acak tidak saling tergantung atau independence • Bilangan acak ini disimbolkan dengan U, dan nilainya dari 0 sampai dengan 1, maka dinyatakan dalam U(0,1).
  • 4. BILANGAN ACAK (1) Caranya membangkitkan bilangan acak : • Melempar dadu, memutar roda roulette, atau mengocok kartu undian (zaman dahulu) • Menggunakan seed komputer secara numerik untuk memperoleh Pseudo Random Number (zaman modern)
  • 5. BILANGAN ACAK (2) Syarat Random Number Generator (RNG) : • Berdistribusi Uniform (0,1)  goodness of fit • Randomness, tidak ada korelasi • Long cycle, deretan bilangan yang dibangkitkan tidak segera berulang • Repeatability, dapat digunakan berulang-ulang dan diperoleh bilangan yang berbeda tiap membangkitkan • Algoritma yang cepat dan storage tidak besar • Konektivitas yang mudah antar software yang berbeda
  • 6. Teknik Random Number Generator • Middle Square (MS) • Linear Congruential Generator (LCG)
  • 7. MIDDLE SQUARE (MS) • Metode ini digunakan untuk membangkitkan bilangan random sepanjang n digit. • Untuk membangkitkan bilangan berikutnya, bilangan yang sekarang dikuadratkan, kemudian dari hasil kuadrat tersebut diambil n digit yang terletak di tengah. • Kelemahan cara ini adalah jika mencapai bilangan 0, bilangan-bilangan berikutnya akan terus 0.
  • 8. MIDDLE SQUARE (MS) ALGORITMA : 1. Diberikan 6 digit integer yang positif (Z0) 2. Kuadratkan Z0 untuk memperoleh 12 digit integer (Ui), i=0,1,2,… 3. Ambillah 6 digit Ui dari tengah sebagai 6 digits integer positif selanjutnya (Zj), j=1,2,3,… 4. Bagi Zj sehingga diperoleh bilangan kurang dari 1 dan berdistribusi Uniform (0,1). 5. Ulangi langkah 2 dengan input dari Zj
  • 10. LINEAR CONGRUENTIAL GENERATOR (LCG) FORMULA : • Panjang kerandoman m, yaitu dari 0 s/d m-1 • xn akan bernilai antara 0 s/d m-1, sehingga untuk membangkitkan bilangan random antara 0 dan 1, maka digunakan formulasi un = xn/m • Jika c = 0 maka dinamakan sebagai Multiplicative LCG (atau MLCG) 1( ) modn nx ax c m
  • 11. a : konstanta pengali ( a < m ) c : konstanta pergeseran ( c < m ) m: konstanta modulus ( > 0 ) X0: bilangan awal ( bilangan bulat ≥ 0 , X0 < m ) Ui: bilangan acak ke i dan Ui(0,1) = Xi / m
  • 12. Contoh perhitungan LCG i Zi m a c Zi+1 Ui 0 7 16 5 3 6 0.3750 1 6 16 5 3 1 0.0625 2 1 16 5 3 8 0.5000 3 8 16 5 3 11 0.6875 4 11 16 5 3 10 0.6250 5 10 16 5 3 5 0.3125 6 5 16 5 3 12 0.7500 7 12 16 5 3 15 0.9375 8 15 16 5 3 14 0.8750 9 14 16 5 3 9 0.5625 10 9 16 5 3 0 0.0000 11 0 16 5 3 3 0.1875 12 3 16 5 3 2 0.1250 13 2 16 5 3 13 0.8125 14 13 16 5 3 4 0.2500 15 4 16 5 3 7 0.4375 16 7 16 5 3 6 0.3750
  • 13. • Kita lihat pada tabel , U17 mempunyai nilai yang sama dengan U1. Jika kita menginginkan bilangan acak dalam jumlah yang banyak, maka nilai m hendaknya sebesar 2b dengan b adalah jumlah bit pada komputer yang akan digunakan.
  • 14. • LCG mempunyai periode tidak lebih besar dari m, dan pada kebanyakan kasus periodenya kurang dari itu. • LCG mempunyai periode penuh (m–1) jika memenuhi syarat berikut: 1. c relatif prima terhadap m. 2. a – 1 dapat dibagi dengan semua faktor prima dari m 3. a – 1 adalah kelipatan 4 jika m adalah kelipatan 4 4. m > maks(a, c, x0) 5. a > 0, c > 0
  • 15. Latihan Soal 1. Jika x0=5 dan xn=3xn-1 mod 150, tentukan nilai dari x1, x2, …, x10 2. Jika x0=3 dan xn=(5xn-1+7)mod 200, tentukan nilai dari x1, x2, …, x10 3. Jika diketahui suatu komputer berkapasitas 12 bit, dengan x0=129 dan a=67, tentukan nilai dari x1, x2, …, x5. Jika diketahui Ui=xn/m, tentukan pula nilai dari U1, U2, …, U5
  • 16. VARIABEL ACAK DAN FUNGSI DISTRIBUSI PROBABILITAS • Variabel acak (random variable): variabel yang nilainya ditentukan oleh hasil sebuah eksperimen. Yaitu, variabel acak merepresentasikan hasil yang tidak pasti. • Variabel acak diskrit: variabel acak yang nilainya dapat dicacah (dihitung). Contoh: - Banyak pembeli yang memasuki sebuah toko. - Banyak televisi yang terjual pada periode tertentu. • Variabel acak kontinu: Variabel acak yang nilainya tidak dapat dicacah. Contoh: - Perpanjangan pegas jika ditarik. - Berat segenggam strawberry.
  • 17. • Bilangan Acak yang akan dipergunakan dalam simulasi, harus mempunyai pola yang sama dengan pola data pengamatan • Oleh karena itu, maka dari bilangan acak yang didapat harus dibangkitkan bilangan acak yang sesuai pola distribusi