MAKALAH

SIMULASI MONTE CARLO

Tugas ini disusun untuk memenuhi tugas dari mata kuliah Desain Riset

Dosen Pengampu :
Achmad Bachrudin, Drs., MS.

Disusun Oleh
Anis Khoirunnisa 140610160001
Altriani Efendi 140610160039
Eva Noer Cholis R 140610160041
Putri Elizabet 140610160089
Ganjar Wijaya 140610160092

Kelompok 6
Desain Riset
Kelas A dan Kelas B

PROGRAM STUDI STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN
JATINANGOR
2019
 KATA PENGANTAR

Dengan menyebut nama Allah SWT yang Maha Pengasih lagi Maha
Panyayang, penulis panjatkan puji syukur atas kehadirat-Nya, yang telah
melimpahkan rahmat, hidayah, dan inayah-Nya sehingga penulis dapat
menyelesaikan makalah tugas mata kuliah Desain Riset mengenai Simulasi
Monte Carlo.
Adapun makalah ini telah penulis usahakan semaksimal mungkin dan
tentunya dengan bantuan dari berbagai pihak sehingga dapat memperlancar
pembuatan makalah ini. Untuk itu penulis tidak lupa menyampaikan banyak
terima kasih kepada semua pihak yang telah membantu dalam pembuatan
makalah ini.
Meski demikian, penulis meyakini masih banyak yang perlu diperbaiki dalam
penyusunan makalah ini. Sehingga sangat diharapkan kritik dan saran dari
pembaca sekalian sebagai bahan evaluasi penulis.
Demikian penulis sampaikan, semoga makalah ini dapat memberikan manfaat
bagi para pembacanya.

Jatinangor, 07 Juni 2019

Penulis

i
 DAFTAR ISI

KATA PENGANTAR .................................................................................... i

DAFTAR ISI ................................................................................................... ii
BAB I : PENDAHULUAN ........................................................................ 1
1.1 Latar Belakang ....................................................................................... 1
1.2 Rumusan Masalah................................................................................... 1
1.3 Tujuan ..................................................................................................... 2
BAB II : LANDASAN TEORI ................................................................... 3
2.1 Definisi Simulasi Monte Carlo ............................................................... 3
2.2 Tujuan Simulasi Monte Carlo................................................................. 4
2.3 Langkah-Langkah Simulasi Monte Carlo............................................... 4
BAB III : ANALISIS DAN PEMBAHASAN ............................................. 6
3.1 Soal ......................................................................................................... 6
3.2 Analisis dengan Simulasi Monte Carlo .................................................. 6
BAB IV : KESIMPULAN ............................................................................ 13
DAFTAR PUSTAKA ..................................................................................... 14
LAMPIRAN .................................................................................................... 15

ii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Sebelumnya telah diberikan soal dengan permasalahan mengenai
penentuan critical empirical value dengan taraf signifikansi 5%, simpangan
baku dan ukuran sampel yang diketahui, dan variabel acak yang berdistribusi
normal [ ]. Penyelesaian soal tersebut tidak dapat dilakukan secara
langsung (manual) dikarenakan beberapa nilai yang dibutuhkan dalam
perhitungan manual tidak diketahui. Dikarenakan hal tersebut, penyelesaian
soal ini harus dilakukan dengan metode yang berkaitan dengan penyelesaian
soal variabel random.
Simulasi dapat digunakan sebagai cara untuk menyelesaikan persoalan
dengan variabel random. Simulasi adalah duplikasi atau abstraksi dari
kehidupan nyata ke dalam model matematika. Banyak metode yang digunakan
dalam simulasi. Metode Monte Carlo adalah teknik pemilihan angka random
dari distribusi probabilitas untuk mensimulasikan berbagai perilaku sistem
fisika dan matematika. Siagian (1987) menyatakan bahwa simulasi Monte
Carlo merupakan suatu pendekatan untuk membentuk kembali distribusi
peluang yang didasarkan pada pilihan atau pengadaan bilangan acak (random).
Pada tahun 1950-an, metode ini digunakan di Laboratorium Nasional Los
Alamos untuk penelitian awal pengembangan bom hidrogen, dan kemudian
sangat populer dalam bidang fisika dan riset operasi. Penggunaan metode
Monte Carlo memerlukan sejumlah besar bilangan acak, dan hal tersebut
semakin mudah dengan perkembangan pembangkit bilangan acak, yang jauh
lebih cepat dan praktis dibandingkan dengan metode sebelumnya yang
menggunakan tabel bilangan acak untuk sampling statistik.

1.2 Rumusan Masalah

Berdasarkan latar belakang tersebut, maka dalam makalah ini masalah
yang dirumuskan adalah : Bagaimana penyelesaian penentuan empirical

1
 critical value dari jumlah sampel dan simpangan baku yang telah ditentukan
dengan menggunakan metode simulasi Monte Carlo?

1.3 Tujuan
Tujuan dalam penelitian ini adalah untuk mendapatkan penyelesaian
penentuan empirical critical value dari jumlah sampel dan simpangan baku
yang telah ditentukan dengan menggunakan metode simulasi Monte Carlo.

2
 BAB II
LANDASAN TEORI

2.1 Definisi Simulasi Monte Carlo

Simulasi monte carlo adalah sebuah simulasi untuk menentukan suatu
angka random dari data sampel dengan berdistribusi tertentu. Dasar simulasi
Monte Carlo adalah mengadakan percobaan (eksperimen) pada elemen-
elemen probabilistik melalui sampling acak. Beberapa definisi mengenai
simulasi dan simulasi Monte Carlo adalah sebagai berikut :
 Simulasi didefinisikan sebagai salah satu cara untuk menghasilkan
kondisi dari situasi dengan model untuk studi, menguji, atau training, dan
lain-lain (Oxford Amercan Dictionary,1980).
 Khosnevis (1994) mendefinisikan simulasi sebagai pendekatan
eksperimental. Keterbatasan metode analistis dalam mengatasi sistem
dinamis yang kompleks membuat simulasi sebagai alternatif yang baik.
 Arman Hakim (2007) dalam bukunya “Simulasi Bisnis” menyatakan
bahwa Pendekatan Monte Carlo digunakan untuk menghasilkan variable
input dalam simulasi seperti waktu antar kedatangan, waktu proses, dan
variable input Universitas Sumatera Utara lain sesuai dengan disribusi
yang diinginkan.
 Sri Mulyono (2002) dalam bukunya yang berjudul “Riset Operasi”
menyatakan bahwa Dalam simulasi, variable random dinyatakan dalam
distribusi probabilitas, sehingga sebagian besar model simulasi adalah
model probabilistik. Arti istilah Monte Carlo sering dianggap sama
dengan simulasi probabilistik, namun Monte Carlo sampling secara lebih
tegas berarti teknik memilih angka secara random dari distribusi
probabilitas untuk menjalankan simulasi.
 P. Siagian (1987) dalam bukunya “Penelitian Operational” menyatakan
bahwa Simulasi Monte Carlo merupakan suatu pendekatan untuk
membentuk kembali distribusi peluang yang didasarkan pada pilihan atau
pengadaan bilangan acak (random). Ada beberapa cara untuk

3
 menghasilkan bilangan acak dari Monte Carlo merupakan cara yang
paling baik terutama untuk suatu distribusi diskrit empiris.

2.2 Tujuan Simulasi Monte Carlo

Tujuan simulasi Monte carlo adalah menemukan nilai yang mendekati
nilai sesungguhnya, atau nilai yang akan terjadi berdasarkan distribusi dari
data sampling. Oleh sebab kemampuannya mampu memprediksi suatu nilai,
maka Monte Carlo dahulu sering digunakan untuk kepentingan judi di kasino.
Atau menurut pendapat ahli, simulasi Monte Carlo 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).

2.3 Langkah-Langkah Simulasi Monte Carlo

Lima tahapan yang terdapat dalam simulasi Monte Carlo diantaranya:
1. membuat distribusi kemungkinan untuk variabel penting,
2. membangun distribusi kumulatif untuk tiap – tiap variabel di tahap
pertama
3. menentukan interval angka random
4. membuat angka random
5. membuat simulasi dari rangkaian percobaan.
Untuk flowchart langkah-langkah simulasi Monte Carlo dapat
digambarkan sebagai berikut :

4
5
 BAB III
ANALISIS DAN PEMBAHASAN

3.1 Soal
Dengan hipotesis :
H0 : μ = 50
H1 : μ ≠ 50
̅

dan dengan taraf signifikansi 5%, tentukan empirical critical

value untuk pengujian tersebut untuk n = 30, 50, 75 dan 100 dan = 3.

3.2 Analisis dengan Simulasi Monte Carlo

Prinsip kerja dari simulasi monte carlo adalah membangkitkan bilangan-
bilangan acak yang telah diketahui distribusinya. Oleh karena itu, dengan
simulasi monte carlo seolah-olah dapat diperoleh data dari lapangan, atau
dengan perkataan lain simulasi monte carlo meniru kondisi lapangan seara
numerik.
Dengan menggunakan bantuan software R didapat hasil perhitungan
sebagai berikut :
 Untuk n = 30
> #UNTUK n=30 dan sigma=3
> reject <- numeric(1)
> for(i in 1:5000){
+ yN <- rnorm(30, 50, 3)
+ Sy <- sqrt(var(yN) / 30)
+ muY <- sum(yN) / length(yN)
+ tobs <- (muY – 50) / Sy
+ ttbl <- qt(0.975, df = 29)
+ if(abs(tobs) > qt(0.975, df = 29))
+ reject <- 1 + reject
+ }
> reject / 5000
[1] 0.0522

6
Dari hasil perhitungan diatas didapat empirical critical value untuk n =
30 dan = 3 adalah sebesar 0.0522 > α = 0.05 maka H0 diterima
artinya μ = 50. Dari perhitungan tersbut juga dilakukan replikasi
sebanyak 5000 kali agar diperoleh kesimpulan yang konstan.
Karena simulasi ini bersifat random maka hasilnya akan berubah-ubah
setiap kali dilakukan perhitungan (di run) tetapi nilai tersbut tidak
akan merubah hasil untuk kesimpulan hipotesisnya. Untuk itu
pembuktiannya adalah sebagai berikut :

> #UNTUK n=30 dan sigma=3

> reject <- numeric(1)
> for(i in 1:5000){
+ yN <- rnorm(30, 50, 3)
+ Sy <- sqrt(var(yN) / 30)
+ muY <- sum(yN) / length(yN)
+ tobs <- (muY – 50) / Sy
+ ttbl <- qt(0.975, df = 29)
+ if(abs(tobs) > qt(0.975, df = 29))
+ reject <- 1 + reject
+ }
> reject / 5000
[1] 0.0504

> #UNTUK n=30 dan sigma=3

> reject <- numeric(1)
> for(i in 1:5000){
+ yN <- rnorm(30, 50, 3)
+ Sy <- sqrt(var(yN) / 30)
+ muY <- sum(yN) / length(yN)
+ tobs <- (muY – 50) / Sy
+ ttbl <- qt(0.975, df = 29)
+ if(abs(tobs) > qt(0.975, df = 29))
+ reject <- 1 + reject
+ }
> reject / 5000
[1] 0.0524

Terbukti bahwa empirical critical valuenya tetap > α = 0.05 sehingga

tidak merubah kesimpulan awal (H0 diterima, μ = 50).

7
 Untuk n = 50
> #UNTUK n=50 dan sigma=3
> reject <- numeric(1)
> for(i in 1:5000){
+ yN <- rnorm(50, 50, 3)
+ Sy <- sqrt(var(yN) / 50)
+ muY <- sum(yN) / length(yN)
+ tobs <- (muY – 50) / Sy
+ ttbl <- qt(0.975, df = 49)
+ if(abs(tobs) > qt(0.975, df = 49))
+ reject <- 1 + reject
+ }
> reject / 5000
[1] 0.0482

Dari hasil perhitungan diatas didapat empirical critical value untuk n =

50 dan = 3 adalah sebesar 0.0482 < α = 0.05 maka H0 ditolak
artinya μ ≠ 50. Dari perhitungan tersbut juga dilakukan replikasi
sebanyak 5000 kali agar diperoleh kesimpulan yang konstan.
Karena simulasi ini bersifat random maka hasilnya akan berubah-ubah
setiap kali dilakukan perhitungan (di run) tetapi nilai tersbut tidak
akan merubah hasil untuk kesimpulan hipotesisnya. Untuk itu
pembuktiannya adalah sebagai berikut :

> #UNTUK n=50 dan sigma=3

> reject <- numeric(1)
> for(i in 1:5000){
+ yN <- rnorm(50, 50, 3)
+ Sy <- sqrt(var(yN) / 50)
+ muY <- sum(yN) / length(yN)
+ tobs <- (muY – 50) / Sy
+ ttbl <- qt(0.975, df = 49)
+ if(abs(tobs) > qt(0.975, df = 49))
+ reject <- 1 + reject
+ }
> reject / 5000
[1] 0.0476

8
 > #UNTUK n=50 dan sigma=3
> reject <- numeric(1)
> for(i in 1:5000){
+ yN <- rnorm(50, 50, 3)
+ Sy <- sqrt(var(yN) / 50)
+ muY <- sum(yN) / length(yN)
+ tobs <- (muY – 50) / Sy
+ ttbl <- qt(0.975, df = 49)
+ if(abs(tobs) > qt(0.975, df = 49))
+ reject <- 1 + reject
+ }
> reject / 5000
[1] 0.0488

Terbukti bahwa empirical critical valuenya tetap < α = 0.05 sehingga

tidak merubah kesimpulan awal (H0 ditolak, μ ≠ 50).

 Untuk n = 75
> #UNTUK n=75 dan sigma=3
> reject <- numeric(1)
> for(i in 1:5000){
+ yN <- rnorm(75, 50, 3)
+ Sy <- sqrt(var(yN) / 75)
+ muY <- sum(yN) / length(yN)
+ tobs <- (muY – 50) / Sy
+ ttbl <- qt(0.975, df = 74)
+ if(abs(tobs) > qt(0.975, df = 74))
+ reject <- 1 + reject
+ }
> reject / 5000
[1] 0.0472

Dari hasil perhitungan diatas didapat empirical critical value untuk n =

75 dan = 3 adalah sebesar 0.0472 < α = 0.05 maka H0 ditolak
artinya μ ≠ 50. Dari perhitungan tersbut juga dilakukan replikasi
sebanyak 5000 kali agar diperoleh kesimpulan yang konstan.
Karena simulasi ini bersifat random maka hasilnya akan berubah-ubah
setiap kali dilakukan perhitungan (di run) tetapi nilai tersbut tidak

9
 akan merubah hasil untuk kesimpulan hipotesisnya. Untuk itu
pembuktiannya adalah sebagai berikut :

> #UNTUK n=75 dan sigma=3

> reject <- numeric(1)
> for(i in 1:5000){
+ yN <- rnorm(75, 50, 3)
+ Sy <- sqrt(var(yN) / 75)
+ muY <- sum(yN) / length(yN)
+ tobs <- (muY – 50) / Sy
+ ttbl <- qt(0.975, df = 74)
+ if(abs(tobs) > qt(0.975, df = 74))
+ reject <- 1 + reject
+ }
> reject / 5000
[1] 0.0472

> #UNTUK n=75 dan sigma=3

> reject <- numeric(1)
> for(i in 1:5000){
+ yN <- rnorm(75, 50, 3)
+ Sy <- sqrt(var(yN) / 75)
+ muY <- sum(yN) / length(yN)
+ tobs <- (muY – 50) / Sy
+ ttbl <- qt(0.975, df = 74)
+ if(abs(tobs) > qt(0.975, df = 74))
+ reject <- 1 + reject
+ }
> reject / 5000
[1] 0.0484

Terbukti bahwa empirical critical valuenya tetap < α = 0.05 sehingga

tidak merubah kesimpulan awal (H0 ditolak, μ ≠ 50).

 Untuk n = 100
>#UNTUK n=100 dan sigma=3
> reject <- numeric(1)
> for(i in 1:5000){
+ yN <- rnorm(100, 50, 3)
+ Sy <- sqrt(var(yN) / 100)

10
+ muY <- sum(yN) / length(yN)
+ tobs <- (muY – 50) / Sy
+ ttbl <-qt(0.975, df = 99)
+ if(abs(tobs) > qt(0.975, df = 99))
+ reject <- 1 + reject
+ }
> reject / 5000
[1] 0.046

Dari hasil perhitungan diatas didapat empirical critical value untuk n =

100 dan = 3 adalah sebesar 0.046 < α = 0.05 maka H0 ditolak
artinya μ ≠ 50. Dari perhitungan tersbut juga dilakukan replikasi
sebanyak 5000 kali agar diperoleh kesimpulan yang konstan.
Karena simulasi ini bersifat random maka hasilnya akan berubah-ubah
setiap kali dilakukan perhitungan (di run) tetapi nilai tersbut tidak
akan merubah hasil untuk kesimpulan hipotesisnya. Untuk itu
pembuktiannya adalah sebagai berikut :

> #UNTUK n=100 dan sigma=3

> reject <- numeric(1)
> for(i in 1:5000){
+ yN <- rnorm(100, 50, 3)
+ Sy <- sqrt(var(yN) / 100)
+ muY <- sum(yN) / length(yN)
+ tobs <- (muY – 50) / Sy
+ ttbl <-qt(0.975, df = 99)
+ if(abs(tobs) > qt(0.975, df = 99))
+ reject <- 1 + reject
+ }
> reject / 5000
[1] 0.0496

> #UNTUK n=100 dan sigma=3

> reject <- numeric(1)
> for(i in 1:5000){
+ yN <- rnorm(100, 50, 3)
+ Sy <- sqrt(var(yN) / 100)
+ muY <- sum(yN) / length(yN)
+ tobs <- (muY – 50) / Sy

11
+ ttbl <-qt(0.975, df = 99)
+ if(abs(tobs) > qt(0.975, df = 99))
+ reject <- 1 + reject
+ }
> reject / 5000
[1] 0.0486

Terbukti bahwa empirical critical valuenya tetap < α = 0.05 sehingga

tidak merubah kesimpulan awal (H0 ditolak, μ ≠ 50).

12
 BAB IV
KESIMPULAN

Berdasarkan pembahasan soal sebelumnya untuk menentukan empirical critical

value dari jumlah sampel dan simpangan baku yang telah ditentukan dengan
menggunakan metode simulasi Monte Carlo. Prinsip metode Monte Carlo adalah
membangkitkan bilangan acak untuk menguji sebuah fungsi maka didapatkan
hasil bahwa empirical critical value yang berdistribusi normal tersebut ketika diuji
untuk jumlah sampel n = 30 mendapatkan hasil bahwa H0 diterima artinya μ = 50,
sedangkan untuk n = 50, 75, dan 100 mendapatkan hasil bahwa H0 ditolak artinya
μ ≠ 50. Sehingga semakin besar jumlah sampel maka keputusan hasil pengujian
akan menolak hipotesis. Semakin banyak pengujian maka akan diperoleh hasil
yang lebih teliti. Selain itu, semakin banyak pengujian dengan jumlah sampel dan
simpangan baku yang sama maka akan dihasilkan empirical critical value yang
hampir mendekati nilai sesungguhnya.

13
 DAFTAR PUSTAKA

[1] Andersson, Bjorn. 2014. Monte Carlo Methods. Uppsala University :

Department of Statistics.
[2] Hamali, Sambudi. 2009. Simulasi Monte Carlo. Binus University :
Department of Management.
[3] Cholis, Noor, Basjaruddin. 2016. Metode Monte Carlo dan Penerapannya.
Bandung : Politeknik Negeri Bandung.

14
 LAMPIRAN

Syntax Software R :
#UNTUK n=30 dan sigma=3
reject <- numeric(1)
for(i in 1:5000){
yN <- rnorm(30, 50, 3)
Sy <- sqrt(var(yN) / 30)
muY <- sum(yN) / length(yN)
tobs <- (muY - 50) / Sy
ttbl <- qt(0.975, df = 29)
if(abs(tobs) > qt(0.975, df = 29))
reject <- 1 + reject
}
reject / 5000

#UNTUK n=50 dan sigma=3

reject <- numeric(1)
for(i in 1:5000){
yN <- rnorm(50, 50, 3)
Sy <- sqrt(var(yN) / 50)
muY <- sum(yN) / length(yN)
tobs <- (muY - 50) / Sy
ttbl <- qt(0.975, df = 49)
if(abs(tobs) > qt(0.975, df = 49))
reject <- 1 + reject
}
reject / 5000

#UNTUK n=75 dan sigma=3

reject <- numeric(1)
for(i in 1:5000){
yN <- rnorm(75, 50, 3)
Sy <- sqrt(var(yN) / 75)
muY <- sum(yN) / length(yN)
tobs <- (muY - 50) / Sy
ttbl <- qt(0.975, df = 74)
if(abs(tobs) > qt(0.975, df = 74))
reject <- 1 + reject
}
reject / 5000

15
#UNTUK n=100 dan sigma=3
reject <- numeric(1)
for(i in 1:5000){
yN <- rnorm(100, 50, 3)
Sy <- sqrt(var(yN) / 100)
muY <- sum(yN) / length(yN)
tobs <- (muY - 50) / Sy
ttbl <-qt(0.975, df = 99)
if(abs(tobs) > qt(0.975, df = 99))
reject <- 1 + reject
}
reject / 5000

16