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.

2.

3.

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
MOSI - fika

Ilustrasi Penggunaan Simulasi

Sebuah toko sepatu

memperkirakan permintaan
sepatu per harinya menurut
pola distribusi sebagai
berikut :
No

MOSI - fika

permintaan/hari

frekuensi permintaan

4 pasang

5 pasang

10

6 pasang

15

7 pasang

30

8 pasang

25

9 pasang

15

Jumlah

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.

2.

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

4 pasang

0.05

0.05

5 pasang

0.1

0.15

6 pasang

0.15

0.3

7 pasang

0.3

0.6

8 pasang

0.25

0.85

9 pasang

0.15

Jumlah

MOSI - fika

Langkah selanjutnya
3. Setiap permintaan tersebut, diberi angka penunjuk
batasan (Tag/Label number), disusun berdasarkan DFK
distribusi permintaan
No

MOSI - fika

permintaan/hari

Distribusi
densitas

DFK

Tag number

4 pasang

0.05

0.05

0.00 - 0.05

5 pasang

0.1

0.15

0.06 - 0.15

6 pasang

0.15

0.3

0.15 - 0.30

7 pasang

0.3

0.6

0.31 - 0.60

8 pasang

0.25

0.85

0.60 - 0.85

9 pasang

0.15

0.86 - 1.00

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

Hari Permintaan

Jumlah Pasangan

7 pasang

II

5 pasang

Terdapat :

III

8 pasang

7 pasang (2)

IV

5 pasang (2)

8 pasang (2)

VI

6 pasang (2)

VII

9 pasang (2)

VIII

IX

10

MOSI - fika

Penjelasan

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 B

Panjang

Probabilitas

Panjang

Probabilitas

10

0.25

17

0.07

11

0.25

18

0.14

12

0.25

19

0.23

13

0.25

20

0.38

21

0.12

22

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