Ass. Wr. wb. Ass. Wr. wb. SISTEM DAN PEMODELAN SISTEM M . Fazri Pasaribu, ST, MT M . Fazri Pasaribu, ST, MT Medan, 2013 Medan, 2013
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
STOCHASTIC MODEL STOCHASTIC MODEL
Spatial paternSpatial patern
DistributionDistribution ExampleExample
BinomialBinomial
PissonPisson Poisson Poisson
Negative Binomial
Negative Binomial
OthersOthers
Negative Binomial
Negative Binomial
Fitting Fitting Test Test
STOCHASTIC MODEL STOCHASTIC MODEL
ADDITIVE MODELSADDITIVE MODELS
Basic ModelBasic Model ExampleExample
ParameterParameter
ErrorError Estimates Estimates
BlockBlock
TreatmentsTreatments
AnalysisAnalysis
Effects Effects
Orthogonal Orthogonal
ExperimentalExperimentalSignificance Significance
Variance Variance
STOCHASTIC MODEL STOCHASTIC MODEL
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
STOCHASTIC MODEL STOCHASTIC MODEL
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
MULTIVARIATE MODEL MULTIVARIATE MODEL
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
MULTIVARIATE MODEL MULTIVARIATE MODEL
CANONICAL CORRELATIONCANONICAL CORRELATION
ExampleExample Correlation Correlation
Urban areaUrban area
WatershedWatershedPartitioned Partitioned
Irrigation regions
Irrigation regions
Eigenvalues Eigenvalues Eigenvectors Eigenvectors
MULTIVARIATE MODEL MULTIVARIATE MODEL
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 Peringkat (Order)
• Komponen Jarak (Interval)
• Komponen Ratio
• Nilai Nol Mutlak
INTERVAL
• Komponen Nama
• Komponen Peringkat (Order)
• Komponen Jarak (Interval)
• Nilai Nol tidak Mutlak
JENIS DATA