Simulasi Monte Carlo

Simulasi komputer harus menggunakan model komputer untuk menirukan dengan yang nyata (aslinya).
Simulasi Monte Carlo adalah suatu metode untuk mengevaluasi secara berulang suatu model
deterministik menggunakan himpunan bilangan acak sebagai masukan. Simulasi ini melibatkan
penggunaan angka acak untuk memodelkan sistem, dimana waktu tidak memegang peranan yang
substantif (model statis).

Pembangkit Angka Acak

– Membangkitkan peubah acak (random variable) yang menyebar uniform pada interval 0 sampai 1 U(0,1), contohnya
adalah fungsi rand (pada excel).
– Adalah tidak mungkin membangkitkan angka acak yang sebenarnya (truly random numbers) dengan suatu algoritma
komputer.

Angka acak U(0,1) ini, kemudian ditransformasikan sehingga akan mengikuti suatu sebaran peluang yang
diinginkan:
– Uniform (a,b)
– Normal (, )
– Simetrik Triangular (a,b)

Contoh Simulasi Monte Carlo - Menghitung Nilai Investasi

• Anda merencanakan untuk menginvestasikan Rp.150 juta dana yang anda miliki, dan tersedia tiga
instrumen investasi yang dapat dipilih
• Tingkat pengembalian masing-masing instrumen investasi ini merupakan peubah acak (berturut-turut RL,
RM dan RH) dan sebaran masing-masing peubah acak tersebut diberikan oleh tabel 1
• Gunakan simulasi monte carlo untuk menentukan distribusi nilai investasi setelah akhir satu tahun,
berdasarkan alokasi dana awal yang telah ditentukan

Tabel 1

Pilihan Investasi Sebaran tingkat pengembalian (%)

Risiko rendah RL ~ Normal (3,1)

Risiko sedang RM ~ Normal (5,5)

Risiko tinggi RH ~ Normal (10,15)

• Setelah satu tahun nilai investasinya diberikan oleh rumus berikut:

V = SL(1+RL) + SM(1+RM) + SH(1+RH)
Pengertian Metode Monte-Carlo

Apa sih Monte Carlo ? Metode Monte Carlo merupakan dasar untuk semua algoritma dari metode
simulasi yang didasari pada pemikiran penyelesaian suatu masalah untuk mendapatkan hasil yang lebih
baik dengan cara memberi nilai sebanyak-banyaknya (nilai bangkitan) untuk mendapatkan ketelitian
yang lebih tinggi.

Misal, untuk memperoleh tingkat ketelitian sampai 0,01 maka diperlukan pembangkitan nilai sebanyak
10000,dsb.

Metode ini menganut system pemrograman yang bebas tanpa terlalu banyak diikat oleh rule atau
aturan tertentu.

Atau menurut Wikipedia, Metode Monte Carlo adalah algoritma komputasi untuk mensimulasikan
berbagai perilaku sistem fisika dan matematika. Penggunaan klasik metode ini adalah untuk
mengevaluasi integral definit, terutama integral multidimensi dengan syarat dan batasan yang rumit.

Metode Monte Carlo sangat penting dalam fisika komputasi dan bidang terapan lainnya, dan memiliki
aplikasi yang beragam mulai dari perhitungan kromodinamika kuantum esoterik hingga perancangan
aerodinamika. Metode ini terbukti efisien dalam memecahkan persamaan diferensial integral medan
radians, sehingga metode ini digunakan dalam perhitungan iluminasi global yang menghasilkan gambar-
gambar fotorealistik model tiga dimensi, dimana diterapkan dalam video games, arsitektur,
perancangan, film yang dihasilkan oleh komputer, efek-efek khusus dalam film, bisnis, ekonomi, dan
bidang lainnya.

Metode Simulasi Monte-Carlo

Metode Simulasi Monte Carlo adalah suatu metode untuk mengevaluasi suatu model deterministik yang
melibatkan bilangan acak sebagai salah satu input. Metode ini sering digunakan jika model yang
digunakan cukup kompleks, non linear atau melibatkan lebih dari sepasang parameter tidak pasti.
Sebuah simulasi Monte Carlo dapat melibatkan 10.000 evaluasi atas sebuah model, suatu pekerjaan di
masa lalu

hanya bisa dikerjakan oleh sebuah software komputer.

Simulasi Monte Carlo adalah metode untuk menganalisa perambatan ketidakpastian, dimana tujuannya
adalah untuk menentukan bagaimana variasi random atau error mempengaruhi sensitivitas, performa
atau reliabilitas dari sistem yang sedang dimodelkan. Simulasi Monte Carlo digolongkan sebagai metode
sampling karena input dibangkitkan secara random dari suatu distribusi probabilitas untuk proses
sampling dari suatu populasi nyata. Oleh karena itu, suatu model harus memilih suatu distribusi input
yang paling mendekati data yang dimiliki (Rubinstein, 1981).
Penerapan Metode

Metode Monte Carlo memiliki banyak penerapan di berbagai bidang. Penerapan metode Monte Carlo
antara lain dalam bidang :

Grafis = Digunakan untuk penjejakan sinar.

Biologi = Mempelajari jaringan biologi.

Keuangan = Dalam bidang ini, Monte Carlo digunakan untuk menilai dan menganalisis model-model
finansial.

Fisika. = Cabang-cabang fisika yang menggunakan antara lain fisika statistik dan partikel. Dalam fisika
partikel, digunakan untuk eksperimen. Dalam ilmu nuklir metode ini juga banyak diterapkan

Ilmu probabilitas dan statistik = Digunakan untuk mensimulasikan dan memahami efek keberagaman.

Ilmu komputer = Misalnya Algoritma Las Vegas dan berbagai permainan komputer.

Kimia = Digunakan untuk simulasi yang melibatkan kluster-kluster atomik.

Ilmu lingkungan = Metode ini digunakan untuk memahami perilaku kontaminan.

Metode Monte Carlo diterapkan untuk mendekati nilai π.

Setelah menempatkan 30000 poin acak, perkiraan untuk π adalah dalam 0,07% dari nilai yang
sebenarnya. Hal ini terjadi dengan probabilitas perkiraan 20%.

Sinar algoritma tracing membangun gambar dengan memperpanjang sinar ke dalam adegan.

APLIKASI SIMULASI MONTE CARLO DALAM

ESTIMASI BIAYA PROYEK
Aplikasi pada proyek ini mengumpamakan bahwa setiap variable di asumsikan memiliki kelas
seragam yang berbeda tanpa mengurangi validitas dari simulasi. Dimisalkan proyek ini
mempunyai tabel harga seperti di bawah ini:
Tabel diatas adalah contoh nilai yang kita berikan dalam bentuk ribuan rupiah. Dimana nilainya
terdapat pada tabel tersebut. Estimasi terhadap total biaya proyek tersebut kita dapatkan pada
variabel random antara nilai minimun dan maksimum.
Adapun untuk menghasilkan angka random, kita dapat menjalankan simulasi dalam
bentuk congrueantal method. Tetapi hasil dari methode tersebut belum bisa dikatakan sebagai
angka random yang sebenarnya, atau dapat dikatakan dengan angka random semu.

Jika kita terapkan pada tabel simulasi 5 literasi adalah seperti gambar diatas. Tabel tersebut kita
coba pada Ms. Excel. Kita ambil contoh pada literasi hitungan pertama, dimana terdapat rumusan
seperti diatas. Dimana dari hasil rumusan diatas akan mendapatkan nilai random yang terletak
antara 15.000 sampai 20.000.

Lalu bagaimana cara menentukan nilai dari literasi tersebut??

Metode monte carlo dapat memprediksi nilai kesalahan atau nilai error yang mana proposional
pada nilai literasinya.
Formula untuk mengetahui nilai error tersebut adalah :

σ adalah deviasi standar dari variabel random dan N adalah jumlah iterasi. Deviasi standar σ
dihitung berdasarkan seluruh populasi, yang dalam simulasi ini anggotanya hanya dua yaitu nilai
minimum (79.700) dan maksimum (104.800), dengan menggunakan formula:

Jika diinginkan nilai absolute error yang kurang dari 2%, maka nilai tersebut didapatkan dengan
menggunakan formula:
Jadi jumlah iterasi yang dibutuhkan untuk mendapatkan hasil dengan error yang kurang dari 2%
adalah:

Setelah kita melakukan literasi sebanyak 416 kali, kita dapatkan hasil seperti gambar yang ada di
bawah ini :

Lalu kita mendapatkan parameter dari hasil simulasi monte carlo seperti yang ada pad agambar
di bawah ini :

Setelah deviasi standar populasi dari hasil simulasi diketahui, error yang sebenarnya (true error)
dihitung dengan menggunakan formula berikut :
Karena random variabel dari biaya total terdistribusi secara normal, maka median seharusnya
tidak jauh berbeda dengan rata-rata, hal ini terlihat pada tabel parameter diatas dimana selisih
antara median dan rata-rata hanya 0,22%. Akurasi simulasi Monte Carlo ini cukup tinggi
sebagaimana terlihat pada tabel parameter tersebut dimana % errornya hanya 0,56%.

Gambar di bawah ini menunjukan probability distribution function (pdf) dan cumulative
distribution function (cdf) dari hasil simulasi Monte Carlo setelah dilakukan iterasi sebanyak 416
kali.

Informasi penting lainnya yang didapatkan dari distribusi hasil simulasi adalah Kurtosis dan
Skewness. Kurtosis adalah ukuran relatif dari kurva dibandingkan dengan bentuk kurva distribusi
normal. Nilai Kurtosis distribusi normal adalah 0, sementara nilai Kurtosis hasil simulasi Monte
Carlo adalah -0,437. Nilai Kurtosis negatif mengindikasikan bahwa bentuk kurva distribusi hasil
simulasi Monte Carlo seperti yang terlihat pada gambar diatas memiliki puncak yang lebih rata
(platykurtic) dibanding distribusi normal.
Skewness adalah ukuran simetri bentuk kurva, dimana pada distribusi normal nilainya adalah 0.
Nilai Skewness negatif (-0,199) (Lihat tabel parameter literasi), mengindikasikan bahwa ekor
dari kurva distribusi hasil simulasi Monte Carlo ini lebih condong ke arah kiri sebagaimana yang
terlihat pada gambar diatas.

Sebagaimana metode-metode simulasi lainnya, akurasi dari hasil simulasi Monte Carlo ini sangat
dipengaruhi oleh akurasi variabel-variabel inputnya yang dalam contoh kasus pada tulisan ini
adalah estimasi awal dari biaya minimum dan biaya maksimum setiap aktifitas. Simulasi Monte
Carlo dapat menjadi alat yang handal bagi manajer proyek dalam menganalisa resiko dan
ketidak-pastian yang umum terjadi dalam pembiayaan proyek. Hasil simulasi Monte Carlo dapat
membantu manajer proyek dalam menentukan ekspektasi pembiayaan proyek yang lebih
realistis.
Sumber review

ANALISIS RISIKO INVESTASI PABRIK BARU DENGAN

SIMULASI MONTE CARLO
Di bagian kedua ini , saya akan menjelaskan penerapan metode simulasi monte carlo yang
berbeda tetapi mempunyai inti yang sama dengan analisis masalah yang sebelumnnya.

Disini saya tidak menjelaskan tentang penggunaan dari simulasi monte carlo, tetapi saya hanya
menjelaskan hasil dari simulasi monte carlo yang dianalisa pada proyek ini.

Dari kasus yang saya baca, proyek ini juga menggunakan penerapan bilangan random, proyek ini
jug amenggunakan sistem teknik literasi seperti pada analisa kasus sebelumnya. Literasi disini
dilakukan sebanyak 1000 kali sehingga didapatkan hasil yang berupa distribusi frekuensi untuk
nilai bersih. Dari sisi profitabilitas, berdasarkan hasil konsolidasi proyeksi keuangan yang
diperoleh dapat dilihat bahwa dengan adanya pabrik yang baru terjadi peningkatan profitabilitas
walaupun pada tahun pertama pabrik beroperasi secara komersial mengalami penurunan akibat
mulainya pembayaran pokok pinjaman, bunga dan depresiasi. Pada tahun selanjutnya,
profitabilitas perusahaan dengan adanya pabrik yang baru mengalami peningkatan terus
menerus.

Setelah diperhatikan, ternyata kasus ini tidak jauh berbeda dengan kasus seblumnya, karena
memiliki kesimpulan yang sama yaitu:

1) Atas dasar asumsi yang telah ditentukan dapat dinyatakan bahwa dari hasil perhitungan
kelayakan,
proyek pembangunan pabrik semen baru layak untuk dilaksanakan dengan nilai laju
pengembalian internal sebesar 30.40% dibandingkan WACC sebesar 11.79% dan NPV yang
positif sebesar Rp. 6.673 triliun.

2) Dari sisi profitabilitas perusahaan, ide untuk membangun pabrik yang baru adalah layak untuk
dilakukan karena dengan adanya pabrik yang baru, proyeksi profitabilitas perusahaan semakin
naik dan tentunya akan meningkatkan nilai korporasi.

3) Kapasita pembayaran ulang dengan adanya pabrik yang baru juga tidak ada masalah karena
rasio DSCR selalu bernilai di atas 2. Berarti bahwa perusahaan memiliki kemampuan yang
sangat kuat untuk membayar pokok pinjaman dan bunga pinjaman.
4) Risiko fluktuasi nilai tukar rupiah terhadap US$ tidak terlalu berpengaruh terhadap kelayakan
proyek. Berdasarkan hasil simulasi dengan 1000 kali iterasi, kemungkinan nilai bersih saat ini
masih tetap positif pada kisaran 7 triliun sekitar 98%. Nilai laju pengembalian internal pada
kisaran 33% sampai dengan 37% adalah 96.90%. Sehingga dapat disimpulkan bahwa dengan
pertimbangan risiko ini, proyek pembangunan pabrik baru layak untuk dilakukan.