Anda di halaman 1dari 14

Simulasi Monte Carlo

Pertemuan 5 MOSI T.Informatika Ganjil 2008/2009


MOSI - fika

Pembahasan
Pendahuluan Batasan Dasar Monte Carlo Ilustrasi Penggunaan Simulasi Latihan problema

MOSI - fika

Pendahuluan
Simulasi Monte Carlo dikenal dengan intilah sampling simulation atau Monte Carlo Samling Technique Istilah Monte Carlo pertama digunakan selama masa pengembangan bom atom yang merupakan nama kode dari simulasi nuclear fission Simulasi ini sering digunakan untuk evaluasi dampak perubahan input dan resiko dalam pembuatan keputusan Simulasi ini menggunakan data sampling yang telah ada (historical data) dan telah diketahui distribusi datanya
MOSI - fika

3 Batasan Dasar Simulasi Monte Carlo


1. Apabila suatu persoalan sudah dapat diselesaikan atau dihitung jawabannya secara matematis dengan tuntas, maka hendaknya jangan menggunakan simulasi ini Apabila sebagaian persoalan tersebut dapat diselesaikan secara analitis dengan baik, maka penyelesaiannya lebih baik dilakukan secara terpisah. Sebagian secara analitis dan sebagian lagi simulasi Apabila mungkin dapat digunakan simulasi perbandingan

2.

3.

MOSI - fika

Ilustrasi Penggunaan Simulasi


Sebuah toko sepatu memperkirakan permintaan sepatu per harinya menurut pola distribusi sebagai berikut :
No 1 2 3 4 5 6 permintaan/hari 4 pasang 5 pasang 6 pasang 7 pasang 8 pasang 9 pasang Jumlah
MOSI - fika

frekuensi permintaan 5 10 15 30 25 15 100

Dari data masa lalu sudah dapat diperkirakan dengan baik. Kemudian pengusaha toko ini hendak memperkirakan pola permintaan untuk 10 hari bulan berikutnya. Berapa kira-kira permintaan yang muncul?

MOSI - fika

Prosedur/langkah penyelesaian
1. Terlebih dahulu dibuat Imperical Data distribusinya, yaitu : fungsi distribusi densitas, seperti pada tabel sebelumnya Distribusi permintaan in diubah dalam bentuk fungsi distribusi komulatif (DFK)
No permintaan/hari Distribusi densitas DFK

2.

1
2 3 4 5 6

4 pasang
5 pasang 6 pasang 7 pasang 8 pasang 9 pasang Jumlah

0.05
0.1 0.15 0.3 0.25 0.15 1

0.05
0.15 0.3 0.6 0.85 1

MOSI - fika

Langkah selanjutnya
3. Setiap permintaan tersebut, diberi angka penunjuk batasan (Tag/Label number), disusun berdasarkan DFK distribusi permintaan
No 1 2 3 4 5 6 permintaan/hari 4 pasang 5 pasang 6 pasang 7 pasang 8 pasang 9 pasang Distribusi densitas 0.05 0.1 0.15 0.3 0.25 0.15 DFK 0.05 0.15 0.3 0.6 0.85 1 Tag number 0.00 - 0.05 0.06 - 0.15 0.15 - 0.30 0.31 - 0.60 0.60 - 0.85 0.86 - 1.00

MOSI - fika

Langkah selanjutnya
4. Lakukan penarikan random number, dengan salah satu bentuk RNG, misal diperoleh 10 random number sbb : 1. 0.5751 6. 0.2888 2. 0.1270 7. 0.9518 3. 0.7039 8. 0.7348 4. 0.3853 9. 0.1347 5. 0.9166 10. 0.9014 Dari random number ini diambil 2 angka dibelakang koma dan dicocokkan dengan tag number. Hasilnya adalah kesimpulan permintaan yang dibutuhkan
MOSI - fika

Lankah selanjutnya
No 1 2 3 4 5 6 7 8 9 10 Hari Permintaan I II III IV V VI VII VIII IX X Jumlah Pasangan 7 pasang 5 pasang 8 pasang Terdapat : 7 pasang (2) 5 pasang (2) 8 pasang (2) 6 pasang (2) 9 pasang (2) Penjelasan

MOSI - fika

Studi Kasus
Dalam suatu pabrik assembling, barang C merupakan perpaduan barang A dan B yang dibeli dari supplier. Dalam proses produksinya, panjang barang A dan B tidaklah sama panjang. Dinyatakan dalam suatu tabel distribusi probabilitas (panjang dalam cm) Dari data akan dicari dan ditentukan estimasi dari mean (rata-rata panjang) dan varians
MOSI - fika

Tabel Distribusinya :
Panjang A Panjang 10 Probabilitas 0.25 Panjang B Panjang 17 Probabilitas 0.07

11
12 13

0.25
0.25 0.25

18
19 20 21 22

0.14
0.23 0.38 0.12 0.06

MOSI - fika

Penyelesaian menggunakan monte carlo


Cari DFK masing2 dan tag number masing-masing Cari random number menggunakan RNG multiplier Untuk barang A: m=19, a=7, x awal=1 Untuk barang B: m=17, a=7, x awal=3 Sesuaikan dengan tag number, cari kemungkinan munculnya panjang A dan B Cari total panjang barang C untuk masing2 kemungkinan Cari nilai2 yang dibutuhkan u/ mencari mean dan varians

MOSI - fika

Tugas
..

MOSI - fika