PERAN PEMODELAN SISTEM DALAM PENGAMBILAN KEPUTUSAN UNTUK APLIKASI MANUFAKTUR DAN ENERGI


ABSTRAK
Peran pemodelan sistem dalam pengambilan keputusan untuk aplikasi engineering, energi dan bisnis.
Makalah ini merupakan kajian untuk memberikan gambaran mengenai peran pemodelan sistem sebagai bagian dari sistem pengambilan keputusan yang semakin banyak diapliksikan untuk mendukung kegiatan engineering dan bisnis.
Dalam makalah ini ditunjukkan bahwapengambilan keputusan langsung secara intuitif tidak lagi dapat diandalkan untuk mendapatkan good decision karena banyaknya data dan parameter yang saling dependent.
Kompleksitas permasalahan ini membutuhkan dukungan data processing yang kemudian disistematisasi menjadi model baik konseptual (soft model) maupun matematik (hard model) dengan beragam pendekatan antara lain pendekatan preskirptif versus deskriptif, aggragate versus structural, statis sampai dinamis.
Beberapa contoh aplikasi menunjukan bahwa pemodelan ini memberikan kontrbusi yang signifikan dengan membantu beberapa perusahaan menaikkan kinerja sampai 48 %, menghemat modal sama 20 juta dollar, menekkan produktivitas 2 kali dan meningkatkan pendapatan sampai 180 juta dollar.
Kecenderungan ke depan adalah bergesernya peran pemodelan pada level strategis untuk analisis disain kebijakan melalui pendekatan system dynamics . Kata kunci : system modeling, managerial decision making, engineering, energy and buisness.
PENDAHULUAN
Pengambilan keputusan merupakan aktivitas yang terletak di dalam jantung manajemen[1] untuk menghasilkan good decision. Good decision akan memberikan pilihan dengan kemungkinan terbaik untuk diikuti oleh sebuah organisasi. Good decision ini diharapkan akan membawa organisasi ke tingkat performansi yang lebih tinggi. Persoalan yang dihadapi adalah bahwa pengambilan keputusan selain harus memperhitungkan sejumlah data yang banyak dan interrelated juga harus berpacu dengan waktu.
Keterbatasan waktu dalam pengambilan keputusan ini akan mengurangi pertimbangan-pertimbangan dan hal ini akan meningkatkan risiko pengambilan keputusan yang tidak tepat. Dengan kata lain, pengambilan keputusan ini membutuhkan pemahaman system yang komprehensif berdasrkan data yang tersedia sehingga diperoleh gambaran karakteristik organisasi atau sistem tersebut. Mengingat problem situation yang dihadapi organisasi bersifat kompleks, maka data dan informasi yang diperlukan untuk mendukung pengambilan keputusan sering sangat banyak sebanding dengan kompleksitas permasalahan yang dihadapi.
Dalam hal ini, pengambilan keputusan langung dengan menggunakan intuisi tidak bisa lagi diandalkan mengingat banyaknya data yang bersifat interrelated. Agar banyaknya data dan informasi tidak membuat bingung decision maker dengan risiko pengambilan keputusan yang tidak tepat, maka diperlukan pemprosesan data. Data dan informasi tersebut kemudian direpresentasikan ke dalam model-model yang sesuai dengan kebutuhan dan dipilah-pilah ke dalam critical parameters sebagai faktor masukan dan performance measures sebagai keluarannya.
Dari sini kemudian peran sains manamejen semakin signifikan dalam representasi model-model matematik berbasis data yang tersedia serta menyajikan alternatif alternatif solusinya untuk memberikan dukungan kepada manajemen mengambil keputusan-keputusan penting. Dalam makalah ini dikaji berbagai level decision making serta modeling meliputi level operational, tactical dan strategic. Dalam makalah ini dijelaskan mengenai definisi model dari berbagai perspektif baik everyday sense maupun technical sense.
Kemudian model pengambilan keputusan langsung secara intuitif dibandingkan dengan model yang lebih terstruktur melalui proses pemodelan untuk mendapatkan good decision. Kajian mengenai pendekatan-pendekatan yang lain juga dijelaskan meliputi preskriptif versus deksriptif, hard maupaun soft model, aggregate maupun structural. Contoh aplikasi model untuk bidang manufaktur dan energi baik dari aspek engineering maupun bisnis dicoba pula disampaikan.
PEMODELAN MATEMATIS DAN SISTEM
Definisi Model Menurut Everyday Sense dan Technical Sense
Istilah “model” sendiri mempunyai pengertian yang beragam sesuai dengandunianya mulai dari pengertian sehari-hari (everyday sense) sampai technical sense[3].Contoh dari everyday sense, adalah artis seperti Luna Maya yang merupakan (foto) model yang mendapat peran untuk memamerkan modelmodel pakaian karya disainer terkenal[4]. Model matematik hanya salah satu jenis dari modeldalam lingkup technical sense. Dalam banyak aplikasi engineering, model didefinisikan sebagai representasi dari sistem[3]. Representasi ini pun juga bermacam-macam mulai dari yang bersifat physical, pictorial, verbal, schematic dan symbolic dimana:
1. Physical, yaitu dengan membuat scaleddown version dari sistem yang dipelajari
(model pesawat, model kereta api),
2. Pictorial, yaitu representasi dengan gambar untuk menggambarkan kontur permukaan bumi seperti peta topografi dan bola dunia.
3. Verbal, yaitu representasi suatu sistem ke dalam kalimat verbal yang mengambarkan ukuran, bentuk dan karakteristik.
4. Schematic, yaitu representasi dalam bentuk skema figurative misalnya model rangkaian listrik, model Atom Bohr dan lain-lain.
5. Symbolic, yaitu representasi ke dalam symbol-simbol matematik dimana variable hasil karakterisasi proses atau sistem ke dalam variable formulasi menggunakan simbol-simbol matematik.
More[2] menambahkan satu kategori lagi yaitu Model Analog yang merepresentasikan satu himpunan persamaan dalam bentuk medium yang berbeda-beda tetapi analog seperti road map, speedometer dan pie chart. Kelton[5]juga menambahkan istilah Model Simulasi untuk model dari sistem (umunnya simbolik dan deksriptif) yang diselesaikan menggunakan teknik simulasi[5]. Sejak tahun 1950 dikembangkan pula model system dynamics oleh Professor Jay W. Forrester dari Massachusetts Institute of Technology untuk membantu manager korporasi memperbaiki pemahamannya tentang proses-proses industri terutama untuk analisis dan disain kebijakan.. System dynamics ini merupakan pendekatan yang powerful sekaligus juga sebagai teknik pemodelan simulasi komputer untuk pemetaan, pemahaman, dan learning issu-issu dan problem yang complex[6].
Decision Modeling : Pendekatan Intuitif Versus Sistematis
Pengembangan model dilakukan untuk mendukung pengambilan keputusan. Pengambilan keputusan ditingkat manajemen melalui beberapa langkah mulai dari analisis situasi oleh manajemen. Dengan memperhitungkan faktor-faktor yang sering ”conflicting” keputusan dibuat untuk menyelesaikan situasi yang ”conflicting” tadi. Keputusan kemudian juga diimplementasikan dan lebih lanjut organisasi ini akan menuai konsekuensi dari implementasi keputusan tersebut (payoff) yang tidak semuanya berbentuk uang[2]. Gambar 1. Proses Pengambilan Keputusan Pengambilan keputusan langsung (intuitif) ini yang hanya dengan mengamatisituasi manajemen ini tidak dapat menghasilkangood decision jika permasalahannya kompleks. Dalam kasus ini, dikembangkan tahapanpengambilan keputusan melalui pemodelan (Gambar 2). Tahapan menjadi lebih panjang yaitumelalui proses representasi situasi ke dalammodel, analisis model untuk menemukan solusi, dan interpretasi berbagai alternatif hasil untukmenentukan keputusan yang optimal. Gambar 2. Pengambilan Keputusan Melalui Model, Analisis Dan Interpretasi HasilDecision model adalah model simbolisdimana beberapa variabel merepresentasikankeputusan yang harus dibuat. Keputusan inidibuat untuk mencapai tujuan tertentu. Decisionmodel ini menggunakan suatu ukuranperformansi yang eksplisit untuk mengukurpencapaian objektif tertentu. Decision model iniumumnya digunakan untuk membuat keputusanberkaitan dengan alokasi sumberdaya (waktu, bahan, tenaga kerja) misalnya alokasi tenagasales di berbagai kota, penjadwalan produksi, cash-management model dan lain-lain[2]. Modellinear programming merupakan contoh modelpreskriptif yang sudah sangat dikenal. Applikasi model tersebut pada umumnyadiawali dengan terlebih dahulu melakukan timeseriesforcasting untuk memprediksikanparameter parameter tertentu misalnya orderdan demand. Jika ada unsur ketidakpastian, maka risiko akibat ketidakpastian ini jugadimodelkan dengan bantuan pendekatanprobabilistik dalam bentuk risk analysis. Jikamodel cukup kompleks, dapat digunakansimulasi Monte-Carlo untuk mendapatkanoverall expectation berdasarkan nilaiprobabilistik masing-masing decision variables.
Pendekatan Pemodelan : Linear Thinking Versus System Thinking
Model di atas secara prinsip masihdikatakan berbasis linear thinking dimanacausalitas diasumsikan terjadi secara serialsehingga penyebab pertama dari rangkaiansebab-akibat ini sering bukanlah sumbermasalahnya. Model-model ini lebih banyakdiaplikasikan untuk level operational dantactical. Beberapa problem engineering danbisnis dapat diklassifikasikan ke dalam levellevelpengambilan keputusan di bawah ini: Decision model adalah model simbolis dimana beberapa variabel merepresentasikankeputusan yang harus dibuat untuk mencapai tujuan tertentu. Decisionmodel ini menggunakan suatu ukuranperformansi yang eksplisit untuk mengukurpencapaian objektif tertentu. Decision model iniumumnya digunakan untuk membuat keputusanberkaitan dengan alokasi sumberdaya (waktu, bahan, tenaga kerja) misalnya alokasi tenagasales di berbagai kota, penjadwalan produksi, cash-management model dan lain-lain[2] Modellinear programming merupakan contoh modelpreskriptif yang sudah sangat dikenal. Applikasi model tersebut pada umumnyadiawali dengan terlebih dahulu melakukan timeseriesforcasting untuk memprediksikanparameter parameter tertentu misalnya orderdan demand. Jika ada unsur ketidakpastian, maka risiko akibat ketidakpastian ini jugadimodelkan dengan bantuan pendekatanprobabilistik dalam bentuk risk analysis. Jikamodel cukup kompleks, dapat digunakansimulasi Monte-Carlo untuk mendapatkanoverall expectation berdasarkan nilaiprobabilistik masing-masing decision variables.
Pendekatan Pemodelan : Linear Thinking Versus System Thinking
Model di atas secara prinsip masih dikatakan berbasis linear thinking dimana causalitas diasumsikan terjadi secara serial sehingga penyebab pertama dari rangkaian sebab-akibat ini sering bukanlah sumber masalahnya. Model-model ini lebih banyak diaplikasikan untuk level operational dan tactical. Beberapa problem engineering dan bisnis dapat diklassifikasikan ke dalam levellevel pengambilan keputusan seperti pada Kelemahan dari pendekatan ini adalah munculnya policy resistance sebagaiperlawanan dari penerapan kebijakan.Policyresistance ini sering tidak disadari kebijakan dan dapat menjadi sumberadanya pembatasan pertumbuhanJohn Sterman dalam Business dynamic[7] membuat aliran keputusan dengan pendekatansystem dinamycs. Dengan mengintegrasikan”stock-flow” model, causal-loop diagram sertadecision model berbentuk fungsi matematik, diperoleh sebuah tahapan pengambilankeputusan yang dinamis denganmemperhitungkan reaksi dari lingkungansebagai feedback. Pendekatan system dynamicsmodeling ini merepresentasikan dinamikaperubahan state dari sistem dan menghasilkanisyarat-isyarat sebagai keluarannya. Isyaratisyaratini diformulasikan ke dalam modelkeputusan dan kemudian bersama denganisyarat dari lingkungannya menjadi feedbackbagi dinamika sistem itu sendiri. Gambar 3. Aturan Keputusan Dan Dinamika StateDari Sistem Bersifat Umpan BalikDengan pendekatan system dynamicsatau buisness dynamics ini, keputusankeputusandan kebijakan yang dibuat sertareaksi dari lingkungannya akandirepresentasikan ke dalam causal-loopdiagram, menggunakan stock-flow modelsehingga akhirnya dapat disimulasikan dengankomputer.Pendekatan yang sering disebut ”ilmusedih baru” ini lebih cocok diaplikasikan untuklevel strategik. Selain dengan model simulasi,decision making juga dapat menggunakansystem archetype atau pola-pola dasar yangmerepresentasikan dinamik sistem bisnis.Berdasarkan pengamatan atau penelitianterhadap dinamika keadaan di masa lalu dapatdigambarkan pola-pola dasar berikut yaitu [8]putaran pertumbuhan atau kemerosotan, putarankesetimbangan (tanpa atau dengan delay),batas-batas pertumbuhan, penyelesaian yangmemperburuk masalah, menggeser beban dantragedy of common. Penetapan kebijakankebijakandan reaksi dari lingkungan dapatmembentuk pola-pola pertumbuhan terusmenerus(4.a) atau kemerosotan terus menerus(4.b), pertumbuhan menuju kesetimbangan baiktanpa delay (4.c) atau dengan delay (4.d) yangdiwarnai oleh osilasi disekitar titikkesetimbagan, pertumbuhan yang stabil (4.e)atau memburuk setelah melawati titik puncak(4.f). ola yang ketujuh (4.g) menggambarkanadanya peningkatan masalah dan usaha solusiyang memberikan efek membaik tetapikemudian memburuk lagi secara bergantian.Pola kedelapan merupakan pola kombinasidimana masalah selalu meningkat kemudiandiusahakan solusi insidental yang memperbaikitetapi juga segera memperburuk seperti pola ketujuh. Dalam hal ini, ketagihan akan solusiinsidental menyebabkan sistem semakinmeninggalkan solusi fundamental. Polakesembilan (4.h) menunjukkan adanyapertumbuhan terus menerus tetapi hal-hal yangdiperoleh dari pertumbuhan tersebut malahanmenurun.
Model Preskriptif Versus Deskriptif
Model matematik dapat berbentukpreskriptif dimana (1) formulasi model sudahbaku untuk jenis permasalahan tertentu, (2)teknik-teknik menyelesaikan, (3) selalu ada one-to-onecorrespondence antara variable karakterisasidengan variable formulasi. Contoh dari jenismodel matematik ini adalah linearprogramming. Model ini umumnya terdiri darifungsi objektif umumnya cost function denganbeberapa fungsi constraint. Nilai optimaldiperoleh dengan menemukan decisionvariables yang mengoptimalkan fungsi tujuan.Asumsi bahwa sistem merupakan “singleobjek” atau aggregate serta diabaikannya unsurwaktu menghasilkan model matematik yangstatis. Model matematik bertambah kompleksjika digunakan pendekatan dinamis dimanasistem dimodelkan dengan persamaandiferensial dan integral. Transformasipersamaan diferensial menjadi persamaanaljabar yang dikenal dengan Transfer Functionakan memudahkan pemahaman karakteristiknyaserta penentuan solusinya[3].Model deskriptif merepresentasikansistem dengan lebih realistis dan rinci sehinggamenghasilkan model yang kompleks dan nonlinearsedemikian sulit untuk diselesaikandengan teknik solusi analitis. Teknik komputasinumeris lebih powerfull untuk digunakan.Model simulasi termasuk jenis model yangdeksriptif[9]. One-to-one correspondencemenjadi tidak berlaku untuk model simulasi ini.Kemajuan teknik komputasi, visualisasi dananimasi menyebabkan model ini dapat disajikanlebih user friendly serta hasil-hasilnya dapatdifamahi lebih mudah oleh user.Dengan pendekatan deskriptif ini,diperlukan suatu pemetaan variabel akan diamati dan juga faktor-faktor eksternal(exogeneous) yang akan berpengaruh padadinamika sistem.Gambar 5. Pemetaan Variabel : Model BlackBoxPemetaan variabel ini sangat bergantungpada objektif dari pemodelan. Pada modelinteraksi energi-ekonomi[7], GNP bersamaenergy prices dipetakan sebagai faktorendogeneous sedangkan pada studi lainmenempatkan GNP sebagai faktorexogeneous[10].
Model Peramalan : Pendekatan AggregateVersus Disaggregate
Peramalan permintaan, revenue, profitdan variable performansi yang lain merupakanbasis dalam mengelola bisnis[11] baikmanufaktur, jasa, maupun energi. Peramalananadalah prediksi, asumsi, atau viewpoint tentangbeberapa event atau kondisi kedepan, sebagai basis untuk melakukan tindakan.Penggunaan peramalan dalam bisinis sangatluas dan tak terhindarkan.
Keputusan bisnispada umumnya merupakan jawaban daripertanyaan-pertanyaan:
1. Berapa tingkat produksi tahun depan?
2. Berapa kapasistas resources yangdibutuhkan untuk mendukung tingkatproduksi tersebut?
3. Produk baru apa yang harusdikembangkan?
4. Berapa pendanaan yang dibutuhkan untukbisnis produk tersebut?
Pertanyaan pertama harus dijawabdengan melakukan forecasing. Modelperamalan yang sering digunakan adalah modeltime-series baik single atau multi-variat[7].Kedepan, time-series model tidak dianjurkanuntuk digunakan karena:
1. Peramalan time-series cenderung salah(tidak akurat)
2. Peramalan merupakan bagian dari systemdecision structures, sehingga kesalahanperamalan dapat menjadi kontributor dalamperilaku yang problematik dimana
peramalan dengan ekstrapolasi menaikkanketidakstabilan sistem.
3. Ada keinginan untuk menggeser penekananmanajemen untuk pemahaman dan disainpolicy.
4. Peramalan bukan untuk reaksi terhadapproblem tetapi untuk antisipasi munculnyaproblemPeramalan dengan sistem dinamismenggunakan pendekatan structural dimanakekuatan hubungan antar elemen dan pribadisebagai bagian dari sistem ikut diperhitungkan.Peramalan ini dibuat dengan membangunmarket model yang merepresentasikan supplychainsehingga diharapkan akan :
1. Memberikan hasil peramalan yang lebihandal untuk jangka pendek dan menengah.
2. Memberikan tool untuk pemahamanpenyebab perilaku industri sehinggamemungkinkan deteksi dini perubahanstruktur internal industri dan menentukanfaktor-faktor peramalan mana yang sensitif.3. Memungkinkan penentuan skenario yangmasuk akal sebagai input terhadapkeputusan dan policy.Energy projection merupakan bagianpenting dari perencanaan pembanguan suatubangsa. Energi projection ini membutuhkanmodel ekonometrik yang sophisticated, akantetapi model ini pun belum mampumemproyeksikan impak dari perang, pemutusansuplai akibat bencana dan resesi ekonomi.Peramalan konsumsi energi di banyak negarabelum berhasil merepresentasikan realitasrealitasbaru (seperti usaha implementasikonservasi energi, adanya krisis minyak) yangmuncul dalam sistem energi sehinggamenghasilkan overestimate sampai 75 %[7].Model dan teknik peramalan energi yangdigunakan bervairasi dari yang sederhanadengan menggunakan fungsi TREND sampaimodel yang kompleks yang harus melibatkanvariabel exogeneous meliputi GDP, populasi,harga energi, dan progres teknologi. Faktorfaktorinput yang digunakan untuk simulasiperamalan juga tergantung pada hargaparameter input seperti nilai elastisitas energydemand dan kurva suplai. Perbedaanpendekatan dalam berbagai aspek terutamaantara industri dan pemerintah di satu pihakdengan pakar lingkungan menyebabkanperbedaan hasil peramalan antara kedua pihaktersebut dengan faktor dua [7].
APLIKASI PEMODELAN DALAMDECISION MAKING
Model Aggregate
Pendekatan aggregate merupakanpendekatan yang umum dilakukan dimanasistem yang ditinjau diwakili oleh sebuahentitas tunggal atau single object. Decisionmodeling untuk aplikasi bisnis banyakmenggunakan pendekatan aggregate. Modelmodelyang digunakan dalam pendekatan iniumumnya meliputi model optimasi baik untuksumberdaya, minimasi cost dan maksimasiprofit, demikian juga model-model peramalanbaik time-series maupun causal. Selain modeloptimasi dan peramalan, decision making jugamemerlukan model-model probabilistik untukanalisis risiko dan multi-criteria decisiónmaking untuk strategi investasi dan planning Risiko.
Model Deskriptif : Event-Oriented Model
Di dalam pendekatan event-oriented,dinamika output dari model simulasi didasarkanpada kejadian-kejadian (events) dan waktubergerak mengikuti kejadian-kejadian tersebut.Menurut pendekatan ini, sistem dimodelkansedemikian sehingga variable keadaan berubahhanya pada himpunan diskrit dari titik-titikwaktu. Variabel keadaan berubah ketika adakejadian/event walaupun tidak setiap kejadianmengubah nilai variabl keadaan. Modeldianalisis dengan menggunakan metodanumerik dan bukan analitik. Metoda numerismenggunakan prosedur komputasi untuk“solve” model matematik dan bukan dengansolusi analitik. Dengan prosedur komputasi,model lebih cenderung dijalankan (to be run)bukan diselesaikan (to be solved). Data outputhasil “run” model kemudian dikoleksi dandianalisis untuk dapat mengestimasi ukuranperformansi sistem.Pendekatan discrete-event ini cukuppowerfull diaplikasikan pada sistem produksiyang kompleks., tentu saja dengan bantuansoftware simulasi. Beberapa perusahaan besardari luar negeri telah banyak memanfaatkanpendekatan ini untuk perbaikan kinerja sistemseperti ditunjuukan dalam Tabel 4.Tabel 4. Perusahaan Besar Dari Luar Negeri YangTelah Memanfaatkan Pendekatan Discrete-EventPerusahaan Topik OutcomeFIAT Scheduling & NewProceduresWork-In-Process turun48 %, danpenghematan > US$ 1jutaEXXONMOBILOptimasi alat danprosesProduksi naik 40 %CYMER Layout, process,schedule, WIPPendapatan naik US $180 jutaVW Lokasi Warehouse danjalur distribusienghematan sampaiUS$ US 20 jutaWRIGHT Equipment, process,shceduleProduksi naik 2 kali,dan penghematansebesar $ 10 jutaUntuk antisipasi peningkatan permintaanproduk baja sampai 30%, engineer diperusahaan tersebut memperkirakanpenambahan satu crane baru. Dengan modelsimulasi dapat ditunjukkan bahwa kesibukancrane diperkirakan hanya meningkat menjadi65% dari semula 45% sehingga keputusanuntuk tidak menambah crane baru merupakanpenghematan biaya ratusan ribu dollar.Model untuk menguji usulanpenambahan crane di perusahaan baja nasional.hasilnya adalah perusahaan direkomendasikanuntuk tidak membeli crane baru[16].
KESIMPULAN DAN SARAN
Berdasarkan pengkajian dari berbagaiaspek dapat disimpulkan bahwa :1. Peran pemodelan sistem semakinberkembang dan dalam beberapa contohaplikasi oleh perusahaan besarmenunjukkan bahwa pemodelan sistemmenawarkan kontribusi yang signifikandengan mennyelamatkan modal sampai 20juta dollar, meningkatkan produktivitassampai 2 kali, meningkatkan kinerja sampai48% serta meningkatkan pendapatansampai 180 juta dollar. Penggunaandiscrete-event model juga telahmenyelematkan modal sampai ratusan ribudollar di perusahaan baja nasional karena
usulan pembelian crane baru dinilai tidakdiperlukan setelah material handling systemyang ada dievaluasi ulang dengan bantuanmodel sistem tersebut.2. Kedepan, peran pemodelan mulai bergeserdari level operasional dan tactical ke levelstrategis dengan berkembangnya systemdynamics model. Disain strategi dankebijakan dapat dievaluasi dampaknyakedepan dengan system dynamics inisehingga dapat diantisipasi kemungkinanterjadinya instabilitas, menurunnya profit,solusi yang memperburuk masalah,ketagihan akan solusi insidental sehinggasemakin menjauh dari solusi fundamentaltermasuk munculnya tragedy of common.3. Masuknya model dalam prosespengambilan keputusan merupakan buktipenjelasan prinsip manajemen bahwa “masalah dan solusi” pada dasarnya tidakdekat baik dalam jarak maupun waktu.Kajian ini tentu saja masih sangat mendasaryang tentu saja terus dikembangkan dengantujuan diperolehnya sebuah road map risetdan pengembangan di bidang pemodelansistem yang bermanfaat untuk kepentinganmasyarakat.
DAFTAR PUSTAKA.
1. JENNING D, WATTAM S, 1998, DecisionMaking : An Integrated Approach, FinancialTimes, Petman Publishing, Londom.
2. MOORE, WEATHERFORD, 2001, DecisionModeling With Microsoft Excel, Prencice-Hall.
3. D.N.P. MURTHY.ET.AL, 1990, MathematicalModelling, Pergamon Press.
4. JAWA POS, Minggu, 27 Oktober 2007
5. KELTON, 1996, Simulation, Modeling andAnalysis, McGraw-Hill.
6. WWW.DOE.COM
7. JOHN D STERMAN, 2000, Buisness Dynamics:System Thinking and Modeling for AComplex World, Irwin-McGraw-Hill.
8. SENGE, PETER, 2002, Disiplin Kelima :Strategi dan Alat Untuk MembangunOrganisasi Pembelajaran, PenerbitInteraksara.
9. RONALD ASKIN ET.AL., 1993, Modeling andAnalysis of Manufacturing System, JohnWiley and Sons.
10. HARREL, GHOSH & BOWDEN, 2003,Simulation Using Promodel, McGraw-Hill.
11. JAMES F LINEIS, 2000, System dynamics formarket forecasting and structural analysis,system dynamics Review, Spring.
12. TURAN, BASOGLU, OMER, 2002, “A SystemDynamics Simulation for Energy Sector ofTurkey”, Journal of Simualtion Conference.
13. SIMO MAKKONEN, 2005, “Decision ModelingTools For Energy Utilities In TheDeregulated Market”:, Thesis dissertation,Helsinki University of Technology.
14. SMITH, GRAIG, 1986, Energy ManagementPrinciples, Pergamon Press.

Subscribe to receive free email updates: