Ada 3 jenis simulasi: 1. Monte Carlo dikembangkan oleh John von Neumann pada waktu Perang Dunia II.

digunakan oleh sistem yang menunjukkan kemungkinan pada perilakunya, misalnya antrian. berdasarkan atas penggunaan bilangan acak (random number). digunakan untuk mengestimasi distribusi hasil yang bergantung pada input probabilistik (misalnya keuntungan bisnis; durasi proyek; rencana pensiun, dll.). Operational Gaming digunakan untuk mensimulasi dua atau lebih pemain yang berkompetisi (misalnya wargame); dikembangkan oleh Booz, Allen & Hamilton; diimplementasikan dengan manusia sebagai pemain dan komputer menyediakan lingkungannya. Systems simulation: digunakan untuk mensimulasi sistem-sistem besar, seperti ekonomi nasional, perusahaan, dll. diimplementasikan dengan mengintegrasikan beberapa/banyak simulasi yang lebih kecil dari subsistem-subsistem. Misalnya, sub-simulasi untuk kondisi cuaca, kondisi ekonomi, perkembangan teknologi, dll.

2.

3.

SIMULASI MONTE CARLO

Simulasi Monte Carlo didefinisikan sebagai skema yang menggunakan bilangan acak, yaitu, random variates U(0,1), yang dipakai untuk memecahkan permasalahan stokastik atau deterministik tertentu di mana berjalannya waktu tidak memegang peranan penting. Dengan demikian, simulasi Monte Carlo biasanya statis dan bukan dinamis. Walaupun beberapa orang mendefinisikan simulasi Monte Carlo sebagai simulasi apapun yang melibatkan pemakaian bilangan acak, definisi di atas lebih terbatas. Nama simulasi atau metode Monte Carlo berasal dari saat Perang Dunia II, di mana pendekatan ini dipakai pada masalah yang berhubungan dengan pengembangan bom atom. Contoh Misalkan kita ingin mengevaluasi integral
b

I = a g(x) dx di mana g(x) adalah fungsi bernilai riil yang tidak dapat diintegralkan secara analitik. (Dalam prakteknya, simulasi Monte Carlo mungkin tidak akan dipakai untuk mengevaluasi satu integral, karena ada teknik analisis numerik yang lebih efisien untuk tujuan ini. Simulasi ini lebih mungkin dipakai pada masalah multiple-integral dengan integrand yang agak aneh.) Untuk melihat bagaimana masalah deterministik ini dapat didekati dengan simulasi Monte Carlo, ditentukan Y sebagai variabel acak (b-a)g(X), di mana X adalah variabel acak kontinyu yang terdistribusi uniform pada [ a,b] [dinyatakan sebagai U(a,b)]. Maka nilai ekspektasi Y adalah E(Y) = E[(b-a)g(X)]
1/3

= =

(b-a)E[g(X)]
b

(b-a)a g(x) fX(x) dx

b

a g(x) dx
= = (b-a) (b-a) I di mana fX(x) = 1/(b-a) adalah fungsi densitas probabilitas dari variabel acak U( a,b). Dengan demikian, masalah evaluasi integral telah direduksi menjadi masalah estimasi nilai ekspektasi E(Y). Pada khususnya, kita akan mengestimasi E(Y) = I dengan mean sampel
n n

Yi
i=1

g(Xi)
i=1

Y(n) = n

= (b-a) n

di mana X1, X2, , Xn adalah variabel acak U(a,b) yang independen dan terdistribusi identik. {Anggap Y(n) sebagai estimasi luas persegi panjang yang memiliki alas dengan panjang (b-a) dan tinggi I/(b-a), yang merupakan rata-rata kontinyu dari g(x) pada [a,b].} Lebih jauh lagi, dapat ditunjukkan bahwa E[Y(n)]=I, yaitu, Y(n) merupakan unbiased estimator dari I dan Var[Y(n)] = Var(Y)/n. Dengan menganggap Var(Y) ini berhingga, Y(n) akan dekat dengan I untuk n yang cukup besar (dengan probabilitas 1). Untuk mengilustrasikan skema di atas secara numerik, misalkan kita ingin mengevaluasi integral I = 0 sin x dx yang dapat ditunjukkan dengan kalkulus elementer akan memiliki nilai 2. Tabel di bawah ini menunjukkan hasil penerapan simulasi Monte Carlo pada estimasi integral ini untuk berbagai nilai n. Y(n) untuk berbagai nilai n yang merupakan hasil dari penerapan simulasi Monte Carlo pada estimasi integral I = 0 sin x dx = 2. n 10 20 40 80 Y(n) 2,213 1,951 1,948 1,989

160 1,993

Simulasi Monte Carlo saat ini digunakan secara luas untuk memecahkan masalah-masalah tertentu pada statistik yang tidak dapat ditelusuri secara analitik. Sebagai contoh, metode ini telah diterapkan untuk estimasi nilai kritis derajat tes hipotesis. Misalnya, menentukan nilai kritis untuk tes normalitas KolmogorovSmirnov. Lima langkah Simulasi Monte Carlo: 1. Tentukan distribusi probabilitas untuk variabel-variabel yang penting (misalnya, waktu kedatangan dan waktu pelayanan pada sistem antrian).
2/3

2. 3. 4. 5.

Buat distribusi probabilitas kumulatif untuk setiap variabel pada langkah pertama. Tentukan interval bilangan acak untuk setiap variabel. Bangkitkan bilangan acak. Simulasikan serangkaian percobaan.

3/3