Anda di halaman 1dari 32

ANALISIS RESIKO DENGAN MENGGUNAKAN SIMULASI MONTE CARLO

8
ANALISIS RESIKO DENGAN MENGGUNAKAN SIMULASI MONTE CARLO
ANALISIS PROBABILITAS - MEMPERLUAS TEKNIK SENSITIVITAS Kita sekarang beralih ke pendekatan terhadap resiko dan ketidakpastian yang memperhitungkan eksplisit dari fakta bahwa semua parameter beresiko dan tidak pasti dapat diharapkan untuk bervariasi secara bersamaan. Analisis probabilitas adalah alat yang ampuh dalam menyelidiki masalah yang tidak memiliki solusi nilai tunggal. Simulasi stokastik dalam bentuk simulasi Monte Carlo mungkin adalah bentuk yang paling mudah digunakan dalam analisis probabilitas. Dengan asumsi bahwa parameter memiliki resiko dan ketidakpastian yang dapat digambarkan oleh distribusi probabilitas. Teknik Monte Carlo menggunakan distribusi probabilitas untuk menghasilkan sejumlah simulasi perkiraan biaya keseluruhan yang diinginkan.

CARA KERJA Simulasi proyek menggunakan ketidakpastian dalam proses estimasi. Pertama, suatu proyek dipecah ke dalam kegiatan atau paket dengan penilaian terhadap nilai-nilai yang diduga dapat terjadi, berupa 'optimis' (atau terendah) dan 'pesimis' (atau tertinggi) atau 'yang paling mungkin'. Nilai yang paling mungkin

menjadi nilai puncak distribusi. Jarang sekali menggunakan data historis atau penilaian ahli untuk mendefinisikan lebih dari tiga poin karena bukan hal yang layak untuk dicoba. Mengestimasi adalah kasus di mana cara pendekatan dan sensitivitas hasil bertentangan dengan besaran analitis. Pada prakteknya, sebagian besar dari kita mengatasi ketidakpastian dengan menjelaskan dengan kata-kata seperti 'antara x dan y'. Kita harus lebih definitif dengan menyertakan sejumlah asumsi untuk menutupi hal yang tidak diketahui. Contoh sederhana dapat digunakan untuk menunjukkan perbedaan antara analisis nilai tunggal konvensional dan ketika simulasi digunakan. Dalam analisis deterministik, estimasi nilai tunggal menghasilkan nilai tunggal secara keseluruhan. Padahal, dalam simulasi, hasil diperoleh dengan sampling independen dari distribusi yang ditetapkan untuk kegiatan yang ada. Sebagian menunjukkan nilai optimis, sementara yang lain mungkin mengalami nilai pesimis. Setelah memperoleh hasil pertama, komputer mengulangi seluruh operasi lagi. Komputer menggunakan generator nilai acak untuk memilih nilai dalam rentang nilai yang ada. Kemudian menggunakan distribusi frekuensi untuk menentukan nilai yang dipilih. Seperti dalam kehidupan nyata, hampir tidak ada kasus di mana semua kegiatan mengalami nilai terbaik atau terburuk selama proyek. Hasil keseluruhan adalah distribusi biaya proyek yang dipandang wajar yang memberikan indikasi kisaran harga yang mungkin ditemui. Simulasi ini menggunakan tiga nilai titik dan menjelaskan semua yang terjadi di antara nilai-nilai tersebut. Sehingga, distribusi probabilitas terdiri dari tiga nilai yang telah disediakan.

MENGGUNAKAN SIMULASI MONTE CARLO DALAM PERENCANAAN BIAYA SUATU BANGUNAN Biaya pekerjaan konstruksi adalah kombinasi dari kesiapan klien untuk membayar dan harga yang diinginkan kontraktor untuk melakukan pekerjaan untuk menunjukkan tingkat yang dapat diterima keuntungan bagi kedua belah pihak. Harga dapat dianggap sebagai kurva harga di mana akan ada kedua ekstrem dan harga yang paling mungkin.

Klien umumnya memahami bahwa harga perkiraan nilai tunggal dibuat pada tahap desain sebuah bangunan yang diusulkan. Dan dalam kondisi normal merupakan harga tender yang paling mungkin. Namun, mereka tidak memiliki sarana untuk mengukur kemungkinan bahwa harga tender akan melebihi atau kurang dari perkiraan harga. Jelas sekali bahwa harga yang ada hanyalah estimasi harga tender. Namun demikian, klien harus memiliki keyakinan bahwa perkiraan harga yang tidak terlalu optimis atau terlalu pesimis adalah indikasi dari harga yang paling mungkin. Perkiraan yang terlalu optimis, klien akan membuang waktu dan sumber daya pada rencana pembangunan. Di sisi lain, terlalu pesimis akan memiliki efek investasi yang buruk, baik dalam konstruksi maupun investasi dalam kegiatan ekonomi lain. Tujuan bab ini adalah untuk menjelaskan suatu teknik yang mengidentifikasi distribusi probabilitas dari prediksi harga yang telah diambil. Ini dapat digunakan oleh klien dan konsultan sebagai awalan dalam menilai prediksi harga tertentu untuk memutuskan kelayakan proyek pembangunan. Metodologi umum berlaku pada setiap tahap penilaian investasi, penilaian pengembangan, atau proses desain sebuah proyek. Penerapan untuk rencana biaya disiapkan pada tahap desain skema. Faktor tunggal yang menjadi ciri khas semua peramalan harga adalah ketidakpastian. Prediksi harga bukan latihan ilmiah yang tepat, tetapi sebuah seni yang melibatkan intuisi dan penilaian ahli. Karena prediksi harga adalah jumlah dari banyak bagian, keakuratan evaluasi obyektif hanya mungkin didapat dengan menggunakan teknik statistik. Teori probabilitas memungkinkan ketidakpastian masa depan untuk diekspresikan dengan angka, sehingga ketidakpastian berbagai aktivitas dapat langsung dibandingkan. Informasi tentang probabilitas dari peristiwa di masa depan terjadi, atau kondisi yang ada, umumnya disajikan dalam bentuk fungsi kepadatan probabilitas. Dengan demikian, maka kita dapat memperoleh beberapa indikasi dari fungsi kepadatan probabilitas terhadap prediksi harga tertentu, dengan ada tes probabilitas bahwa perkiraan objektif.

ESTIMASI DAN PREDIKSI HARGA: SEBUAH TINJAUAN PRAKTEK SAAT INI Ketika kita memperkirakan harga konstruksi untuk proyek yang diusulkan, kita sering melihat proyek-proyek masa lalu sebagai dasar data yang disesuaikan untuk proyek-proyek masa depan. Konstruksi harga yang digunakan dalam peramalan seringkali didasarkan pada analisis sampel kecil dari proyek sejarah yang menghasilkan analisis biaya atau beberapa bentuk rincian biaya, dan yang memiliki kemiripan dengan proyek pembangunan yang diusulkan. Hal ini diasumsikan bahwa harga tender dari item yang akan dibangun di masa depan dapat ditentukan dengan analisis dan penyesuaian harga tender item yang dibangun di masa lalu. Dalam beberapa situasi, tidak ada data biaya masa lalu yang tersedia, sehingga pengalaman dan keterampilan akan berperan dalam mengumpulkan informasi untuk memperkirakan harga. Beberapa faktor yang berinteraksi dan mempengaruhi keandalan perkiraan harga: Luasnya informasi desain yang tersedia (ada ambiguitas, baik pada desain dan prediksi). Ketersediaan data harga historis yang terkait dengan jenis proyek yang sedang dipertimbangkan. Keakraban dengan jenis proyek yang ditangani dan proyek-proyek yang sifatnya serupa. Poin-poin ini tidak akan didiskusikan secara detail, tetapi penting untuk dicatat bahwa harga yang digunakan dalam proyeksi tersebut hanya dapat dijadikan sebagai sampel. Selanjutnya, 'manfaat' dari sampel setidaknya dalam konsep dua dimensi. Sampel diharapkan mencakup rentang seluas mungkin. Di sisi lain, penting bahwa sampel mengandung proyek konstruksi hanya yang menyerupai proyek yang diusulkan. Dengan kata lain, sampel harus cukup homogen sehubungan dengan fitur biaya utama yang signifikan dari proyek. Telah dikemukakan bahwa peningkatan realiabilitas dapat diperoleh jika data harga historis diambil dari beberapa bangunan bukan hanya dari satu bangunan,

bahkan jika ini berarti mengorbankan beberapa persamaan. Hal ini tidak berlaku jika ada sebuah bangunan identik yang sudah selesai. Karena database yang tersedia terbatas, trade-off dikenakan antara ukuran sampel dan homogenitas. Sayangnya, sifat yang tepat dari trade-off tidak diketahui, tetapi akibat adanya ketidakpastian yang tinggi, jumlah sampel minimum perlu diberikan. Misalnya, sampel yang kurang dari lima dianggap tidak memadai. Seringkali, data biaya berhubungan dengan analisis dari harga tender, sedangkan informasi yang dibutuhkan adalah harga akhir dari proyek yang sudah selesai. Selanjutnya, data biaya menutupi dampak dari perbedaan regional dalam harga konstruksi dan perbedaan dalam ukuran, kualitas, kompleksitas, dan kemudahan untuk dibangun dari suatu proyek. Profesionalitas dan kejelian penilaian diperlukan dalam memilih proyek yang bisa dijadikan komparasi untuk proyek yang diusulkan.

BIAYA PERENCANAAN DAN ANALISIS RESIKO Keadaan saling ketergantungan dari barang Hal yang juga perlu untuk dipertimbangkan adalah adanya saling ketergantungan antar elemen yang digunakan dalam perencanaan biaya. Penelitian telah menunjukkan bahwa elemen-elemen ini tidak saling eksklusif. Beberapa elemen akan saling tergantung, misalnya biaya instalasi listrik mungkin akan lebih tinggi di gedung ber-AC dan biaya jasa mekanik juga lebih tinggi. Setiap program analisis resiko tidak memperhitungkan hubungan saling ketergantungan ini, selain dengan memeriksa koefisien korelasi. Satu-satunya cara adalah dengan pemeriksaan yang teliti terhadap data. Ini adalah kekurangan pada teknik yang menggunakan data historis untuk perencanaan biaya. Ada banyak teknik estimasi yang berbeda yang digunakan pada tahap desain. Kita akan berkonsentrasi pada salah satu teknik ini, perencanaan biaya tiap elemen yang digunakan Building Cost Information Service (BCIS) seperti ditunjukkan pada Gambar 8.1 dalam bentuk diagram dari garis besar proses perencanaan biaya. Kuantitas satuan elemen tiap kategori dihitung dan sampel historis digunakan untuk menghasilkan tingkat harga satuan, yang didasarkan pada

rata-rata aritmatika atau ukuran pemusatan data. Tingkat harga satuan yang diperoleh untuk setiap elemen dikalikan dengan kuantitas elemen yang tepat untuk membangun harga prediksi akhir dari harga tender yang paling memungkinkan.

Gambar 8.1 Garis besar proses perencanaan biaya


Samlpe Proyek Masa Lalu Modifikasi Untuk Memperhitungkan Waktu dan Kualitas Asumsi Tentang Proyek yang Diusulkan

Informasi yang Diperoleh Saat Ini Dari Spesialis dan Pemasok

Proyek yang Diusulkan (Informasi Kuantitatif dan Kualitatif)

Rencana Biaya

Perkiraan Inflasi ke Depan dan Beban Kerja Industri

Dalam prosedur prediksi ini, masing-masing rata-rata satuan tingkat harga merupakan rata-rata sampel dari distribusi probabilitas. Analisis biaya historis atau data harga yang berbeda kemungkinan akan menghasilkan rata-rata tingkat harga satuan yang berbeda. Hal yang diharapkan, tentu saja, bahwa akan ada beberapa perubahan offsetting dalam tingkat harga satuan rata-rata - beberapa mungkin naik dan yang lain turun - tetapi perkiraan hasil harga total merupakan jumlah yang hanya mewakili satu nilai yang mungkin dari himpunan nilai. Tidak ada bukti langsung yang dapat diperoleh dari prediksi yang didasarkan pada sampel yang berbeda, tetapi cukup homogen, jika sampel tersebut yang tersedia, tidak akan ada yang bisa diperoleh dengan tidak memasukkan sampel tersebut dari proses peramalan awal. Bukti tidak langsung dari variabilitas kemungkinan prediksi dapat diperoleh dengan menggunakan variabilitas dari tingkat harga rata-rata satuan yang telah dihitung. Tidak peduli seberapa homogen sampel dari rata-rata harga

satuan unsur dihitung, tingkat unit harga individu akan menunjukkan beberapa penyimpangan dari harga satuan rata-rata yang 'sebenarnya' selama sampel mengandung lebih dari satu bangunan. Dimungkinkan untuk menggunakan variasi yang tersisa untuk menghasilkan gambar dari distribusi probabilitas prediksi akhir. Dengan kata lain, karena masing-masing tingkat satuan taksiran harga diambil dari distribusi probabilitas, berarti perkiraan keseluruhan juga merupakan bagian dari suatu distribusi probabilitas yang karakteristik distribusinya ditentukan oleh karakteristik distribusi individu untuk setiap kategori elemen. Dengan menggunakan analisis seperti yang diuraikan di bawah ini, memungkinkan pendekatan distribusi probabilitas dari prediksi secara keseluruhan untuk mengidentifikasi karakter asal yang diambil. Hal ini memungkinkan kita untuk mengidentifikasi: Kemungkinan bahwa harga tender kontraktor tidak akan melebihi prediksi. Rentang paling mungkin dari harga tender kontraktor.

ANALISIS RESIKO MENGGUNAKAN PROBABILITAS Beberapa resiko tidak dapat dihitung langsung biayanya pada tahap desain, seperti efek biaya akibat cuaca buruk akan terjadi pada sebuah proyek yang pekerjaan pondasinya dimulai pada bulan Desember. Sedangkan sebagian besar resiko timbul akibat kurangnya informasi. Misalnya, desain dan spesifikasi yang tidak jelas pada tahap awal desain. Dengan semakin banyaknya informasi yang tersedia selama fase desain, semakin banyak resiko yang dapat diselesaikan. Sebelum tender, estimasi biaya konstruksi hanya berisi resiko sisa. Pendekatan langsung untuk untuk mengidentifikasi resiko dan menetapkan setiap item dengan probabilitas dari peristiwa yang terjadi dengan memberikan tiga perkiraan: Harga yang paling mungkin. Harga terendah. Harga tertinggi. Misalnya, resiko yang biasanya muncul saat pemasangan pipa gas induk yang baru. Pada tahap desain pipa gas induk existing tidak diketahui kondisinya karena

tidak terlihat. Harga yang paling mungkin dapat mencakup biaya modifikasi pipa induk existing. Sedangkan harga terendah bisa mengasumsikan bahwa tidak ada pekerjaan untuk pipa gas induk existing. Dan kasus terburuk, bahwa diperlukan pekerjaan besar untuk memodifikasi pipa gas induk existing. Probabilitas untuk setiap peristiwa diberikan. Sehingga ada 0,50 peluang diperlukan beberapa modifikasi, 0,30 peluang tidak diperlukan pekerjaan dan 0,20 peluang dibutuhkan pekerjaan besar. Penaksiran probabilitas jarang bisa menjadi ilmu pasti. Oleh karena itu, diperlukan penilaian dan intuisi seorang ahli. Dalam situasi ini, haruskah klien menyadari kemungkinan terburuk atau biaya resiko rata-rata yang dimasukkan dalam perkiraan anggaran? Sebagai contoh:
Item A Tidak ada modifikasi yang diperlukan selain inspeksi B Modifikasi besar pada pipa gas induk C TOTAL Beberapa modifikasi pada pipa gas induk Harga 5.000 2.000 15.000 Probabilitas 0,50 0,30 0,20 Biaya 2.500 600 3.000 6.100

Biaya tambahan pada harga anggaran harus dipertimbangkan untuk memastikan bahwa klien mengetahui bahwa semua peristiwa telah diperhitungkan. Akan tampak tidak logis jika memasukkan 6.100 yang hanya mencakup pilihan A dan B, karena harus diingat bahwa ada 0,20 peluang pilihan C akan diperlukan. Pendekatan yang lebih canggih menggunakan proses yang disebut Simulasi Monte Carlo.

ANALISIS RESIKO DENGAN MENGGUNAKAN SIMULASI MONTE CARLO Kami telah menggunakan perencanaan biaya tiap elemen sebagai dasar untuk menggambarkan analisis resiko. Hal yang sama berlaku untuk bentuk lain dari prediksi dan penaksiran pekerjaan bangunan yang menggunakan sampel harga historis. Misalnya, menggunakan simulasi untuk menaksir durasi dan waktu kegiatan konstruksi. Analisis resiko menghasilkan tingkat harga satuan rata-rata hipotesis untuk setiap kategori elemen dalam rencana biaya bangunan yang diusulkan. Tingkat

hipotesis ini diambil dari distribusi probabilitas dengan sifat statistik yang sama, yaitu fungsi kerapatan probabilitas yang mencirikan data sampel asli dari tingkat harga satuan rata-rata yang diperkirakan. Tingkat hipotetis kemudian digunakan untuk membuat penaksiran harga total untuk bangunan yang diajukan. Perhitungan yang berulang-ulang akan memungkinkan diperolehnya gambaran dari fungsi kepadatan probabilitas yang mencirikan total harga, dan yang lainnya untuk mengidentifikasi total harga yang paling mungkin.

MEMILIH DISTRIBUSI PROBABILITAS Proses memilih distribusi probabilitas terkadang menyulitkan bagi praktisi. Untuk memilih distribusi probabilitas yang benar mengikuti tiga aturan berikut: 1. Catat semua yang anda ketahui tentang variabel dan kondisi terkait variabel. 2. Memahami tipe dasar distribusi probabilitas. 3. Pilih distribusi yang mencirikan variabel yang dipertimbangkan. Ingat aturan dasar untuk ukuran pemusatan data: Rata-rata yang terbesar, kelemahannya adalah nilai-nilai ekstrim yang terkadang tidak representatif terhadap sisa data. Yang artinya, perhitungan memberikan 'berat' yang sama untuk setiap item data. Median, yang merupakan titik tengah dalam distribusi - setengah ada di atas median dan setengah di bawahnya. Modus, yang merupakan nilai yang paling sering terjadi. Apapun bentuk dari distribusi, modus selalu berada pada titik tertinggi, seperti yang ditunjukkan Gambar 8.2. Standar deviasi adalah akar kuadrat dari kuadrat deviasi dari rata-rata.

Gambar 8.2 Distribusi probabilitas

Distribusi dapat berupa menerus atau diskrit. Kebanyakan kegiatan industri konstruksi adalah menerus yang nilai-nilainya dapat muncul dalam kisaran tertentu. Distribusi diskrit melibatkan nilai-nilai yang hanya nilai tertentu saja yang dapat muncul dalam suatu rentang nilai. Tipe distribusi yang umum digunakan: Seragam Segitiga Normal Poisson Binomial Lognormal Eksponensial Geometris Hypergeometric Weibull

Beta Hal ini di luar cakupan buku ini untuk memberikan keterangan tentang semua

distribusi di atas. Dalam banyak kasus, memilih distribusi terbaik untuk analisis ini, adalah sangat mudah. Empat dari distribusi yang paling umum dibahas di bawah ini.

Distribusi seragam Dalam distribusi seragam, semua nilai antara minimum dan maksimum samasama mungkin terjadi. Misalnya, jika belum ada informasi tentang utilitas yang ada di lokasi proyek, maka nilai untuk setiap hubungan yang mungkin terjadi adalah sama. Tiga kondisi yang mendasari distribusi seragam: Nilai minimum adalah tetap. Nilai maksimum adalah tetap. Semua nilai antara minimum dan maksimum sama-sama mungkin terjadi.

Gambar 8.3 Distribusi seragam

Distribusi segitiga Distribusi segitiga menggambarkan situasi di mana Anda dapat

memperkirakan nilai minimum maksimum dan yang paling mungkin. Peluang terjadinya nilai di dekat nilai minimum dan maksimum lebih kecil daripada nilai-nilai

di dekat nilai yang paling mungkin. Distribusi segitiga banyak digunakan karena kemudahan penggunaannya. Namun, kelemahannya adalah bahwa hasil yang diperoleh masih sekedar pendekatan.

Gambar 8.4 Distribusi segitiga

Distribusi normal Distribusi normal adalah distribusi yang paling penting dalam teori probabilitas. Distribusi normal adalah himpunan distribusi, masing-masing berbentuk seperti lonceng. Bentuk lonceng menyebar ke luar dan ke bawah tetapi tidak pernah benar-benar menyentuh skala horisontal. Distribusi ini menggunakan dua parameter, rata-rata dan deviasi standar. Nilai didistribusikan secara simetris terhadap rata-rata sehingga variabilitas data terlihat jelas. Distribusi normal dapat digunakan ketika ada tingkat kepercayaan yang baik terhadap harga yang paling mungkin. Misalnya, harga yang paling mungkin untuk lempengan beton adalah 67/m3. Dan ada kemungkinan harga berada di atas atau di bawah 67. Distribusi menggunakan standar deviasi yang memiliki 68% dari semua nilai dalam 1 standar deviasi dari kedua sisi rata-rata. Berdasarkan pengalaman ada probabilitas 68% bahwa harga akan berada di kisaran 10 dari rata-rata, dengan kata lain antara 57 dan 77 m3. Dalam situasi ini, deviasi standar adalah 10. Gambar

8.5 menunjukkan distribusi normal dengan rata-rata yang sama tetapi dengan standar deviasi yang berbeda. Distribusi dengan puncak yang lebih tinggi akan memiliki standar deviasi yang lebih kecil.

Gambar 8.5 Distribusi normal

Distribusi normal juga bisa menjadi asimetris (miring ke kanan atau kiri). Situasi ini berkaitan dengan kemiringan distribusi. Ukuran statistik standar dapat digunakan untuk mengatasi kesalahan.

Distribusi beta Nilai dari distribusi beta terletak pada berbagai bentuk dapat mengasumsikan ketika ada variasi dua parameter, alfa dan beta. Distribusi beta dibahas secara lebih rinci nanti.

LANGKAH DEMI LANGKAH PENDEKATAN SIMULASI MONTE CARLO Sebuah studi kasus membutuhkan prosedur yang lebih rinci, yaitu dengan menggunakan data historis untuk analisis resiko dari rencana biaya. Dalam hal ini, pengambil keputusan menggunakan komputer untuk menghasilkan rencana biaya, setelah menentukan distribusi. Pendekatan yang berbeda menuntut pembuat keputusan untuk menggunakan pengalaman, keterampilan dan penilaiannya dalam menghasilkan perkiraan. Analisis Monte Carlo kemudian menghasilkan serangkaian simulasi dari proyek yang diusulkan, masing-masing simulasi memberikan prediksi harga untuk proyek. Prediksi kemudian diplot, pertama sebagai kurva frekuensi kumulatif dan kedua sebagai histogram. Ada beberapa langkah untuk analisis.

Langkah l Untuk setiap kategori elemen tertentu, seperti struktur bawah, identifikasikan distribusi probabilitas dari harga yang diambil per m2 dari luas lantai kotor yang digunakan dalam prediksi tersebut. Kita akan menyebutnya tingkat harga satuan ratarata karena tarif akan ditentukan dari beberapa proyek. Ini adalah bagian penting dan paling sulit dari analisis, terutama karena kita harus membuat beberapa pilihan perkiraan distribusi probabilitas. Kemudian memilih distribusi probabilitas yang sesuai untuk satu himpunan data sampel tertentu. Sampel historis dari tingkat harga satuan memberi kita ukuran sentralitas (rata-rata) dan dispersi (varians) yang harus ada dalam distribusi probabilitas. Selain itu, diharapkan bahwa distribusi statistik yang kita gunakan mampu mencakup karakteristik lainnya. Pertama, distribusi harus mudah diidentifikasi dari satu himpunan data yang terbatas, sebagai distribusi normal yang diidentifikasi dengan rata-rata dan varians. Hal ini yang mempengaruhi karakteristik kedua, yaitu bahwa distribusi dapat dengan mudah diperbarui sebagai data historis tambahan dalam analisis. Ketiga, distribusi probabilitas harus fleksibel, yaitu, mampu mengambil berbagai bentuk. Kita mungkin berharap bahwa distribusi tingkat harga unit akan

miring ke kanan seperti pada Gambar 8.6 (a). Dengan kata lain, kita mungkin mengharapkan nilai-nilai ekstrim harga satuan berada di atas, karena batas bawah pada biaya sumber daya yang mendasari perhitungan tingkat harga satuan lebih mudah dipastikan daripada batas atas. Contoh sederhananya, jika biaya pengerjaan lantai ubin vinil sekitar 15/m2, maka lebih mungkin untuk menganggarkan biaya 30/m2 daripada tidak mengganggarkan sama sekali! Namun demikian, ada kemungkinan bahwa tidak ada kemiringan yang terlihat, atau kemiringan berada dalam arah yang berlawanan, atau kemiringan yang ekstrim seperti yang diilustrasikan pada Gambar 8.6 (b).

Gambar 8.6(a) Distribusi probabilitas miring

Pada saat yang sama, tidak ada alasan untuk percaya bahwa distribusi probabilitas yang sesuai untuk satu kategori elemen, misalnya, struktur bawah, perlu menjadi sama dengan elemen kategori lain, seperti dinding eksternal. Oleh karena itu, diperlukan distribusi probabilitas yang menunjukkan berbagai variasi bentuk yang dapat digunakan.

Gambar 8.6(b) Distribusi probabilitas miring

Akhirnya, kita cenderung memilih distribusi probabilitas yang memiliki titik akhir terbatas yang dapat dipilih secara individual. Sekedar untuk menunjukkan bahwa unit tingkat harga tidak dapat negatif. Lebih mendasar lagi, kita berharap bahwa satuan harga dari keputusan ekonomi yang meliputi sumber daya, keputusan desain, margin keuntungan mengesankan bahwa batas bawah dan atas berada pada tingkat harga satuan yang layak atau dapat diterima untuk setiap kategori elemen. Distribusi probabilitas yang dipilih harus mampu didefinisikan dalam batas-batas tersebut. Untuk tujuan diskusi ini, distribusi probabilitas yang dapat menampilkan semua karakteristik ini adalah distribusi beta. Perhatikan, misalnya, sebuah alternatif seperti distribusi normal. Dalam bab sebelumnya dijelaskan bahwa distribusi normal digunakan dalam simulasi biaya siklus hidup, distribusi ini diidentifikasi dengan ratarata dan varians dari sampel yang sangat berkaitan. Oleh karena itu, cukup fleksibel dan mudah diperbarui. Distribusi beta memiliki persamaan: ( ) ( ( ) ( ) ( ) ) (1)

(a x b); p, q > 0 dengan: P(x) a b p, q = fungsi kepadatan frekuensi = harga minimum = harga maksimum = parameter distribusi; p, q > 0

B(p,q)

= fungsi beta

Poin pertama yang perlu diperhatikan adalah bahwa distribusi beta ditentukan oleh parameter a, b, p dan q, parameter yang dihasilkan dengan mudah dari data aktual sebagai acuan distribusi. Dengan asumsi a sebagai nilai terendah dan b sebagai nilai tertinggi dalam sampel. Nilai-nilai untuk p dan q kemudian dihitung dari persamaan: ( ( dengan: ) ( ) ( ) = rata-rata = fungsi varians ( ( ( ) ) ) ) ( ( ( ) ) ) (2)

) ( 1 2

(3)

Ini menunjukkan bahwa distribusi beta untuk kategori elemen tertentu dapat dengan cepat dan mudah diperbarui jika ada data historis tambahan yang ditambahkan ke sampel. Bentuk distribusi beta ditentukan oleh parameter p dan q, seperti digambarkan pada Gambar 8.7 (a) - (d). Hal ini menunjukkan bahwa ini adalah distribusi yang sangat variatif. Distribusi ini dapat menampung data yang miring, data yang tidak miring sama sekali, atau data yang sangat miring. Sehingga, distribusi beta terletak dalam batas-batas terbatas yang ditentukan oleh data acuan. Pemilihan distribusi beta dapat digambarkan melalui suatu contoh hipotetis. Dengan asumsi tingkat harga rata-rata unit untuk elemen struktur bawah dan struktur atas telah dihasilkan dari analisis sepuluh bangunan selesai dengan tingkat harga satuan seperti yang diberikan dalam Tabel 8A.

Gambar 8.7(a) Distribusi beta untuk nilai p and q yang berbeda

Gambar 8.7(b) Distribusi beta untuk nilai p and q yang berbeda

Gambar 8.7(c) Distribusi beta untuk nilai p and q yang berbeda

Gambar 8.7(d) Distribusi beta untuk nilai p and q yang berbeda

Tabel 8A Tingkat harga satuan hipotesis 1 2 3 4 5 6 7 8 9 10

Struktur_bawah 12,00 10,00 12,50 13,50 14,50 11,00 13,00 14,50 15,00 16,00 Struktur_atas 19,00 20,00 22,50 34,00 25,00 21,00 23,10 23,70 24,00 20,50 Rata-rata struktur atas 13,20 3,51 Tingkat harga satuan = 23,28 Varians = 17,19

Rata-rata struktur bawah Tingkat harga satuan = Varians =

Data ini dapat digunakan untuk mengidentifikasi rentang tingkat satuan harga rata-rata. Dengan asumsi perkiraan rentang dari terendah ke tertinggi, yaitu menjadi 10/m2 - 16/m2 untuk struktur bawah dan 19/m2 - 34/m2 untuk struktur atas. Dengan memasukkan nilai-nilai tersebut untuk rata-rata, maksimum varians, dan minimum ke dalam persamaan (2) dan (3), kita dapat memperkirakan distribusi beta untuk struktur bawah dan struktur atas seperti yang ditunjukkan pada Tabel 8B.

Tabel 8B Perkiraan distribusi beta Parameter a b p q Struktur Bawah 10 16 0.83 0.72 Struktur Atas 19 34 0.45 1.11

Nilai-nilai untuk p dan q dalam Tabel 8B telah diperoleh berdasarkan persamaan tersebut. Gambar 8.8 menunjukkan pendekatan untuk langkah 1 dalam bentuk diagram dan Gambar 8.9 menunjukkan langkah 2 sampai 5 dalam bentuk diagram.

Penjelasan pengambilan sampel nilai acak Nilai acak untuk pemodelan komputer adalah nilai yang dihasilkan antara 0 dan 1, yang bertindak sebagai nilai probabilitas, dan pada gilirannya menemukan nilai dalam distribusi probabilitas kumulatif yang sesuai dengan nilai probabilitas. Nilai dipilih secara acak dan tidak ada hubungannya dengan nilai yang muncul baik sebelum atau setelahnya, tetapi harus menghasilkan nilai yang sebanding dengan peluang kejadiannya. Mekanisme ini diatur oleh bentuk distribusi probabilitas dan himpunan nilai yang dihasilkan akan menyerupai distribusinya. Pendekatan yang umum adalah dengan menggunakan pengambilan sampel Monte Carlo, tetapi pengambilan sampel Latin Hypercube adalah sebuah pendekatan alternatif di mana distribusi probabilitas dibagi menjadi interval probabilitas yang sama. Akurasi pendekatan ini tidak meningkat meski memperbanyak komputer lebih dan persyaratan memori.

Gambar 8.8 Pendekatan untuk langkah 1

Langkah 2 Setelah mengidentifikasi bentuk untuk distribusi beta untuk setiap kategori elemen, nilai acak dari masing-masing distribusi perlu dihasilkan. Hal ini paling mudah dicapai dengan menggunakan pembangkit nilai acak pada komputer. Setiap nilai acak tersebut adalah perkiraan tingkat harga satuan untuk kategori elemen yang sesuai. Dalam contoh hipotetis di atas, nilai yang dihasilkan untuk struktur bawah mungkin sekitar 12,75. Perhatikan bahwa nilai ini tidak perlu sama dengan salah satu pengamatan yang sebenarnya. Nilai tersebut harus terletak dalam jangkauan (a, b), yaitu, 10/m2 -

16/m2, dan memiliki nilai yang diharapkan sama dengan tingkat harga satuan ratarata, yaitu 13,20/m2.

Langkah 3 Kalikan tingkat harga satuan acak dengan jumlah yang diukur dalam kategori elemen yang sesuai untuk bangunan yang diusulkan, misalnya, jika kuantitas yang diukur dari struktur bawah adalah 1000 m2, maka diperoleh 12,75 1000 = 12.750.

Langkah 4 Jumlahkan hasil langkah 3 untuk setiap kategori elemen yang digunakan dalam analisis, untuk memberikan perkiraan dari harga total proyek. Simpan perkiraan ini dan kembali ke langkah 2. Ulangi sebanyak N kali, dengan N = biasanya 50, 100, 200, ..., untuk menghasilkan simulasi N proyek.

Langkah 5 Plot perkiraan-perkiraan sejumlah N tersebut sebagai kurva frekuensi kumulatif dan sebagai histogram. Pemilihan N adalah masalah mendesak. Lebih baik jika N berjumlah 'besar', karena ini akan menyebabkan kurva frekuensi kumulatif dan histogram lebih halus. Di sisi lain, simulasi tambahan memerlukan biaya tambahan, baik untuk penggunaan komputer ataupun proses manual. Tidak ada jawaban sederhana yang dapat diberikan untuk pilihan N yang 'benar' atau yang 'diinginkan'. Jika terlalu sedikit iterasi, distribusi yang dihasilkan akan terlihat merata. Semakin besar jumlah iterasi, semakin distribusi mencerminkan berbagai hasil yang mungkin. Distribusi chi-kuadrat dapat digunakan sebagai pertimbangan untuk menguji apakah sampel data yang diambil dari populasi memiliki karakteristik tertentu. Nilai kritis chi-kuadrat pada tingkat signifikansi 5% diplot pada Gambar 8.10. Derajat kebebasan dalam gambar ini diambil tiga kurang dari jumlah interval pada histogram yang dihasilkan pada langkah 5, sedangkan untuk membuat histogram kita akan lebih memilih untuk memiliki minimal lima kali pengamatan sebanyak interval. Karena distribusi chi-kuadrat meningkat cukup cepat pada 20

sampai 30 derajat kebebasan, maka harus ada minimal 100, dan sebaiknya 200 simulasi pada langkah 4, sementara 500 simulasi dianggap jumlah maksimum.

Gambar 8.9 Ilustrasi langkah 2 sampai 5

Gambar 8.10 Plot dari nilai kritis chi-kuadrat pada tingkat signifikansi 5%

Langkah 6 Hasil diinterpretasikan hati-hati. Kemudian dicari saling ketergantungan antar kategori elemen. Diperlukan pengalaman dan intuisi. Kekuatan hubungan antara dua variabel akan menunjukkan ketergantungan yang ada. Kemudian memeriksa bentuk distribusi yang dihasilkan dan diagram frekuensi kumulatif. Distribusi frekuensi kumulatif memungkinkan adamnya pemeriksaan peluang untuk mendapatkan nilai di bawah nilai yang dipilih. Pada dasarnya, distribusi memungkinkan pertimbangan kemungkinan dari harga yang paling mungkin tercapai. Perhatikan statistik yang dihasilkan dari data.

Langkah 7 Pengujian kepekaan data dengan melakukan analisis sensitivitas pada elemen kunci dalam analisis.

Menggunakan simulasi Monte Carlo pada sebuah proyek langsung Proses ini dilakukan pada proyek langsung dan hasilnya disajikan dalam Gambar 8.11 dan 8.12. Proyek yang diusulkan adalah bangunan gudang yang terletak di daerah perkotaan. Enam bangunan homogen yang sudah selesai (jumlah bangunan yang cocok untuk data biaya yang tersedia) dipilih dari catatan biaya surveyor kuantitas berkaitan dengan bangunan.

Gambar 8.11 Plot frekuensi kumulatif dari perkiraan yang dihasilkan dari rencana biaya

Gambar 8.12 Histogram dari perkiraan yang dihasilkan

Kurva frekuensi kumulatif pada Gambar 8.11 menunjukkan bahwa dilakukan 500 simulasi. Kurva ini digunakan untuk menentukan kemungkinan dari harga bangunan yang diusulkan dalam kisaran tertentu. Misalnya, membaca dari titik 250 pada sumbu vertikal ada probabilitas 50% (250/500) bahwa harga bangunan akan kurang dari sekitar 481.000, saat membaca dari titik 400 pada sumbu vertikal, ada probabilitas 80% (400/500) bahwa harga bangunan akan kurang dari 531.000. Histogram pada Gambar 8.12 digunakan untuk melengkapi kurva frekuensi kumulatif, karena menunjukkan kisaran harga 'yang paling mungkin' untuk bangunan yang diusulkan. Dalam hal ini, harga bangunan yang paling mungkin adalah antara 470.000 dan 496.000. Ketika proses simulasi telah selesai dan kurva frekuensi kumulatif dan histogram dapat dihasilkan, maka dapat digunakan untuk menilai proyeksi harga tunggal yang dihasilkan oleh surveyor kuantitas dengan menggunakan tingkat harga satuan untuk sampel historis bangunan. Prediksi harga tunggal untuk proyek yang sudah diperhitungkan adalah 461.000. Kurva frekuensi kumulatif menunjukkan bahwa ada probabilitas 30% bahwa harga tender tidak akan melebihi perkiraan harga, sementara histogram menunjukkan bahwa ada sekitar probabilitas 60% bahwa tender akan berada dalam rentang 10% dari prediksi ini. Tidak ada cara obyektif untuk menyatakan apakah persentase ini baik atau buruk, meskipun akan muncul bahwa perkiraan surveyor kuantitas sebesar 461.000 termasuk sedikit rendah. Dalam pengertian ini, analisis resiko ini tidak berarti menggantikan penilaian pribadi dari surveyor kuantitas. Tetapi merupakan metode yang mengidentifikasi situasi dengan perkiraan harga tunggal yang harus dikenakan untuk menutup keakuratan. Varians yang tinggi dalam kurva frekuensi kumulatif dan hasil histogram dari varians yang tinggi dalam data asli. Untuk mengetahui alasannya, perlu dicatat bahwa sejak perkiraan total harga seperti yang ditunjukkan dalam Gambar 8.11 dan 8.12 dihasilkan dari penjumlahan serangkaian distribusi beta, yaitu satu distribusi untuk setiap kategori elemen, perkiraan total harga sendiri didistribusikan sebagai distribusi beta. Oleh karena itu, prediksi akan menunjukkan kemiringan yang sama, seperti kategori elemen tunggal, dan varians yang berhubungan dengan varians dari tarif

harga satuan rata-rata untuk kategori ini. Ini berarti bahwa semakin banyak variabel data historis, hasil perkiraan akan semakin tersebar. Oleh karena itu, kemiringan kurva frekuensi kumulatif akan lebih datar dan kisaran harga paling mungkin akan lebih luas. Jelas tidak ada masalah jika histogram sangat tajam di puncak dan kurva frekuensi kumulatif sangat curam. Kesulitan muncul ketika perkiraan harga total tersebar luas. Dalam keadaan ini surveyor kuantitas memiliki tiga pendekatan, yang biasa disebut pendekatan makro, mikro, dan kebenaran. 1. Pada tingkat makro, ada kemungkinan bangunan yang membentuk kumpulan data historis tidak cukup homogen, dalam hal konsistensi dapat dicapai dengan mengurangi ukuran sampel untuk menghasilkan sampel yang lebih homogen. Pemilihan data harus dilakukan dengan hati-hati, untuk memastikan bahwa homogenitas yang ingin dicapai tidak rancu. 2. Pada tingkat mikro, sudah jelas bahwa harga untuk kategori unsur tertentu menunjukkan variabilitas harga yang lebih luas daripada yang lain. Elemen struktur bawah, misalnya, memiliki variasi yang lebih tinggi dari elemen pintu eksternal dan jendela. Sehingga surveyor kuantitas memilih untuk memeriksa kategori elemen tertentu secara rinci untuk mengurangi variabilitas dengan analisis yang lebih lengkap. 3. Ketidakpastian merupakan elemen penting dari proses perkiraan dan estimasi ketidakpastian harus diperhitungkan.

Hasil Penawaran proyek oleh lima kontraktor. Tawaran yang diterima adalah sebagai berikut: 472.500, 496.000, 502.000, 507.000, 551.000. Tender terendah sudah termasuk 102.000 dari biaya utama dan jumlah tagihan kuantitas sementara.

PERTANYAAN DAN JAWABAN T Apa yang terjadi jika hanya ada satu atau dua proyek yang dapat digunakan sebagai himpunan data historis? J Terlepas dari latihan simulasi, akan tidak memuaskan untuk menggunakan satu proyek sebagai satu-satunya dasar dari model untuk sebuah proyek yang diusulkan. Kisaran harga yang dapat terjadi harus selalu diketahui. Penetapan harga bukan perhitungan ilmiah yang tepat. Hal ini melibatkan intuisi, keterampilan interpretasi dan penilaian seorang ahli. Oleh karena itu, berbagai rentang minimum dan maksimum dengan ratarata dan varians harus dihasilkan dari pengalaman.

T J

Pada tahap apa dari proses desain dapat digunakan simulasi? Teknik ini dapat digunakan pada berbagai tahap. Pada tahap desain awal, diterapkan 6 atau 7 kategori elemen, dan seterusnya sampai ke tahap detail desain yang menggunakan 32 kategori elemen. Semakin besar tingkat detail, keakuratan perkiraan diharapkan semakin baik.

Apa yang lebih baik, menggunakan distribusi yang berbeda untuk kategori elemen yang berbeda atau menggunakan distribusi yang sama untuk semua kategori?

Keputusan bertumpu pada penilaian profesional dari pembuat keputusan. Kebanyakan kategori elemen memiliki profil resiko yang berbeda. Sebagai contoh, struktur bawah akan lebih beresiko daripada pengerjaan dinding internal atau lantai. Keputusan terletak pada tingkatan resiko untuk setiap kategori.

Jika kita menunjukkan nilai minimum dan maksimum kepada klien, bukankah dia akan melihat nilai ekstrim dan menjadi sadar?

Interpretasi hasil melibatkan keterampilan profesional. Lebih baik untuk menghadapi situasi yang memiliki kesadaran apa yang bisa terjadi, daripada menerapkan pendekatan burung unta.

Pertanyaan dan Jawaban: 1. T : Jelaskan maksud dari gambar 8.9! J : Setelah mengidentifikasi bentuk untuk distribusi beta untuk setiap kategori elemen, nilai acak dari masing-masing distribusi perlu dihasilkan. Setiap nilai acak tersebut adalah perkiraan tingkat harga satuan untuk kategori elemen yang sesuai. Kalikan tingkat harga satuan acak dengan jumlah yang diukur dalam kategori elemen yang sesuai untuk bangunan yang diusulkan. Jumlahkan hasil langkah 3 untuk setiap kategori elemen yang digunakan dalam analisis, untuk memberikan perkiraan dari harga total proyek. Simpan perkiraan ini dan kembali ke langkah 2. Ulangi sebanyak N kali, dengan N = biasanya 50, 100, 200, ..., untuk menghasilkan simulasi N proyek. Plot perkiraan-perkiraan sejumlah N tersebut sebagai kurva frekuensi kumulatif dan sebagai histogram.

2. T : Berapa jumlah sampel minimun yang digunakan dalam analisis? J : Jumlah sampel minimum adalah 5 sampel.

3. T : Berapa batas umur data historis yang digunakan dalam analisis? J : Batas umur data historis tak terbatas.

4. T : Jelaskan maksud dari gambar 8.11! J : Gambar 8.11 merupakan plot frekuensi kumulatif dari perkiraan yang dihasilkan dari rencana biaya. Sumbu Y menunjukkan jumlah data dan sumbu X menunjukkan nilai frekuensi kumulatif. Contoh: nilai frekuensi kumulatif dari data ke-1 sampai 250 adalah 481, sedangkan nilai frekuensi kumulatif dari data ke-1 sampai 400 adalah 531.

5. T : Jelaskan perbedaan antara analisis deterministik dan analisis probabilistik! J : Analisis probabilistik menghasilkan beberapa kemungkinan hasil. Analisis deterministik hanya menghasilkan satu kemungkina hasil.

6. T : Dari manakah hasil akhir dalam analisis di atas diperoleh? J : Dari materi yang disampaikan di atas tidak dijelaskan bagaimana cara memperoleh hasil analisis.