SEJARAH DAN METODE MONTE CARLO

A.SEJARAH MONTE CARLO

Ide awal dimulainya pencarian suatu metode pendekatan untuk mencari suatu
solusi dalam pemecahan masalah perlindungan radiasi dan jarak tempuh neutron,
yang dicetuskan Enrico Fermi di tahun 1930-an. Pada saat itu para fisikawan di
Laboratorium Sains Los Alamos sedang memeriksa perlindungan radiasi dan jarak
yang akan neutron tempuh melalui beberapa macam material. Namun data yang
didapatkan tidak dapat membantu untuk memecahkan masalah yang ingin mereka
selesaikan karena ternyata masalah tersebut tidak bisa diselesaikan dengan
penghitungan analitis. Lalu John von Neumann dan Stanislaw Ulam memberikan
ide untuk memecahkan masalah dengan memodelkan eksperimen di computer,
dimana metode tersebut dilakukan secara probabilitas. Karena takut hasil karyanya
ditiru oleh orang lain, metode tersebut diberi kode nama dengan sebutan metode
Monte Carlo.

Nama Monte Carlo kemudian akhirnya menjadi populer oleh Enrico Fermi,
Stanislaw Ulam, dan rekan-rekan mereka sesama peneliti fisika. Nama Monte Carlo
merujuk kepada sebuah kasino terkenal di Monako. Di sanalah paman dari
Stanislaw Ulam sering meminjam uang untuk berjudi. Kegunaan dari
ketidakteraturan dan proses yang berulang memiliki kesamaan dengan aktivitas di
kasino.

Hal yang berbeda dari simulasi Monte Carlo adalah ia membalikkan bentuk
simulasi yang umum. Metode ini akan mencari kemungkinan terlebih dahulu
sebelum memahami permasalahan yang ada. Sementara umumnya menggunakan
simulasi untuk menguji masalah yang sebelumnya telah dipahami. Walaupun
pendekatan terbalik ini sudah ada sejak lama, namun pendekatan ini baru diakui
setelah metode Monte Carlo populer. Dalam metode Monte Carlo menerapkan
teknik yang disebut “Simulasi Monte Carlo” dan memiliki peranan yang sangat
penting dalam pemecahan masalah melalui teknik computer karena simulasi Monte
Carlo menggunakan angka acak untuk model semacam proses. Teknik ini bekerja
sangat baik ketika proses adalah salah satu tempat probabilitas mendasar tetapi
lebih sulit untuk menentukan hasilnya. Sebagian besar dari waktu CPU pada
beberapa komputer tercepat di dunia dihabiskan untuk melakukan simulasi Monte
Carlo karena kita bisa menuliskan beberapa hukum dasar fisika tetapi tidak dapat
menyelesaikannya secara analitis sehingga diperlukan metode numeric seperti
metode Monte Carlo untuk masalah kepentingan.
Metode ini telah digunakan di bidang fisika, kimia fisika, dan lain-lain. Rand
Corporation dan U.S. Air Force merupakan sponsor utama dalam pengembangan
metode Monte Carlo pada waktu itu dan metode ini semakin berkembang di
berbagai bidang. Pada tahun 1950-an, metode ini digunakan di Laboratorium
Nasional Los Alamos untuk penelitian awal pengembangan bom hydrogen, dan
kemudian sangat popular dalam bidang fisika dan riset operasi sampai saat ini.

Teknik dalam metode simulasi Monte Carlo merupakan suatu teknik khusus dimana
kita dapat membangkitkan beberapa hasil numerik tanpa secara aktual melakukan
suatu tes eksperimen. Kita dapat menggunakan hasil dari tes sebelumnya yang
pernah dilakukan untuk menentukan distribusi probabilitas dari parameter-
parameter yang ditinjau dalam kasus tersebut. Kemudian kita menggunakan
informasi ini untuk membangkitkan parameter-paramater data numerik. Dasar dari
prosedur teknik simulasi Monte Carlo adalah membangkitkan bilangan acak semu.

Menurut Kakiay (2004), metode Monte Carlo dikenal juga dengan istilah Sampling
Simulasi atau Monte Carlo Sampling Technique. Metode monte carlo
menggunakan data yang sudah ada (historical data). Metode monte carlo
merupakan salah satu algoritma komputasi untuk mensimulasikan berbagai prilaku
sistem fisika dan matematika, yang secara klasik penggunaan metode ini adalah
untuk mengevaluasi integral tertentu (definit), terutama integral multidimensi
dengan syarat dan batasan yang rumit.

Menurut Subagyo, Asri dan Handoko (2000) Model Stochastic juga disebut model
simulasi Monte Carlo dimana sifat – sifat keluaran (output) dari proses ditentukan
berdasarkan, iterasi dan merupakan hasil dari konsep random (acak).Karena
agoritma ini memerlukan perulangan (repetisi) dan perhitungan yang amat
kompleks, metode Monte Carlo pada umumnya dilakukan menggunakan komputer,
dan memakai berbagai teknik simulasi komputer. Algoritma Monte Carlo adalah
metode monte carlo numeric yang digunakan untuk menemukan solusi problem
matematis (yang dapat terdiri dari banyak variable) yang susah dipecahkan,
misalnya dengan kalkulus intergral, atau metode numeric lainnya. Penggunaan
metode Monte Carlo membutuhkan sejumlah besar angka acak sehingga metode
ini, menggunakan pembangkitan bilangan acak semu (pseudorandom number
generator) dengan menggunakan algoritma tertentu sesuai kebutuhan.

Penggunaan metode Monte Carlo untuk mendapatkan solusi numeric dengan nilai
estimasi yang paling mendekati dari yang diharapkan dengan cara bereksperimen
melalui angka-angka acak yang dihasilkan RNG (Random Generator) dan teori
probabilitas. Penggunaan pembangkitan bilangan acak akan lebih efektif digunakan
dari pada tabel angka acak yang telah ada sebelumnya dan sering digunakan untuk
pengambilan sampel statistik.
B.METODE MONTE CARLO

Metode Monte Carlo merupakan istilah sampling statistik. Monte carlo

dipopulerkan oleh para pioner yaitu Stanislaw Marcin Ulam, Enrico Fermi, John
von Neumann dan Nicholas Metropolis. Monte Carlo merupakan nama Kasino
termukan di Monako. Pada tahun 1930 Metode Monte Carlo digunakan oleh Enrico
Fermi untuk menghitung sifat-sifat Neutron. Dan pada tahun 1950 an, metode ini
digunakan untuk penelitian pengembangan bom hidrogen di Laboratorium Los
Alamos. Sehingga tersebarlah metode Monte Carlo yang dapat digunakan dalam
aplikasi berbagai bidang.

Menurut Benninga (2008), metode Monte Carlo adalah berbagai simulasi acak yang
digunakan untuk menentukan nilai parameter. Simulasi Monte Carlo seperti
melemparkan dadu ribuan kali untuk memberikan gambaran lengkap berbagai
kemungkinan hasil dari input yang berbeda. Berbagai hasil simulasi memberikan
gambaran tentang kemungkinan hasil keuntungan yang berbeda pula. Sehingga
memberikan wacana dan memudahkan perusahaan dalam penyusunan perkiraan
kegiatan usaha.

Sedangkan menurut jurnal yang ditulis oleh Proctor, Simon (2012), Simulasi Monte
Carlo memberikan kemampuan perencanaan bisnis untuk mengambil proses yang
satu tahap lebih jauh dengan mendefinisikan daftar nilai suatu kemungkinan relatif
setiap kejadian dan kemudian secara efektif seperti melemparkan dadu ribuan kali
untuk memberikan gambaran lengkap berbagai hasil memungkinkan dari input
yang mendasari dan berbeda. Dengan cara memasukkan risiko-risiko sebagai input
yang mendasari serta berbeda-beda dan menghasilkan keuntungan yang berbeda
pula. Oleh karena itu, hasil tersebut merupakan hasil kemungkinan yang
memberikan gambaran kepada perusahaan. Sehingga mempermudah perusahaan
untuk menyusun perkiraan kegiatan usaha. Hal ini merupakan kelebihan dari
simulasi Monte Carlo. Tetapi terdapat kelemahan dari simulasi Monte Carlo yaitu
sulitnya menetapkan distribusi probabilitas tertentu ke variabel model. Dan
kesulitan dalam penentuan variabel input yang dapat berdampak pada nilai yang
lain. Tetapi dari kesulitan ini dapat memberikan wawasan nyata untuk proses
perencanaan usaha.

REFRENSI
Simulasi Monte Carlo merupakan suatu pendekatan untuk membentuk
kembali distribusi peluang yang didasarkan pada pilihan atau pengadaan
bilangan acak (random).
Istilah Monte Carlo sering dianggap sama dengan simulasi
probabilistik. Namun Monte Carlo Sampling secara lebih tegas berarti
teknik memilih angka secara acak dari distribusi probabilitas untuk
menjalankan simulasi.
5 langkah dalam melakukan simulasi Monte Carlo yaitu:

1. Menetapkan/menentukan distribusi probabilitas untuk variabel-

variabel penting
2. Menghitung distribusi kumulatif untuk tiap-tiap variabel pada langkah
1.
3. Menetapkan suatu interval dari angka acak (random numbers) untuk
masing-masing variabel
4. Bebtuk atau pilih bilangan acak (generating random numbers)
5. Nyatakan barisan simulasi dari beberapa percobaan-percobaan.

Ilustrasi simulasi Monte Carlo dari 5 langkah diatas di deskripsikan pada

contoh berikut ini.
Manajer IBM Indonesia sedang memutuskan berapa jumlah Laptop
yang harus dipesan setiap minggu. Salah satu pertimbangan utama dalam
keputusan utama manajer tersebut adalah jumlah permintaan setiap
minggunya. Laptop dijual dengan harga Rp 12.500.000,00. jumlah
permintaan Laptop merupakan variabel acak (yang dianggap sebagai X)
yang berkisar mulai dari 0 sampai 4 setiap minggu.
Dari catatan yang tersedia, manajer telah menetapkan frekuensi
permintaan Laptop untuk 100 minggu terakhir dan data itu adalah sebagai
berikut:
Tabel 1
Permintaan laptop Per Minggu Frekuen
0
1
2
3
4
Jumlah
Lima langkah simulasi Monte Carlo untuk mengetahui permintaan rata-rata
Laptop per minggu dan pendapatan rata-rata PT IBM Indonesia, adalah
sebagai berikut :
Langkah 1: Menetapkan distribusi probabilitas
Tabel 2
Permintaan laptop Frekuensi Permintaan Distribu
Per Minggu
0 20
1 40
2 20
3 10
4 10
Jumlah 100

Langkah 2: Menghitung distribusi kumulatif

Tabel 3
Permintaan laptop Distribusi Probabilitas permintaan, p(x) D
Per Minggu
0 0,20
1 0,40
2 0,20
3 0,10
4 0,10
Jumlah 1,00

Langkah 3: Menetapkan suatu interval dari angka acak (random numbers)

untuk masing-masing variabel. Pada langkah 2 kita menyusun probabilitas
kumulatif, kemudian kita tandai jumlah yang menunjukan kemungkinan
nilai-nilai atau hasil. Hal ini yang sering di sebut interval angka acak
(random number intervasl). Pada dasarnya angka acak adalah urutan
angka atau digit (katakan digit dari 00,01,02,...,97,98,99) digit 100, dimulai
dari 00 sampai 99. Karena sangat kompleknya membentuk angka acak
maka pembentukan angka acak sebaiknya dengan menggunakan
perhitungan komputer. Angka acak yang dihasilkan komputer memiliki
kesempatan yang sama antara satu dengan yang lainnya sehingga
kemungkinan terjadinya suatu angka acak adalah sama (equal likely to
accur). Angka acak dari perhitungan komputer bisa juga disebut dengan
tabel angka acak (random numbers table). Daftar angka acak (random
numbers) dapat dilihat pada tabel 17.1 pada lapiran modul ini.
Karena tabel angka acak yang memiliki dua digit (100 angka) terdiri 00, 01,
02, 03,.,97, 98, 99, maka untuk probalitas 20% pertama adalah interval 00-
19 (memuat 20 angka terdiri dari 0,1,2,..17,18,19), 60% kedua memuat
interval 20-59 (memuat 40 angka terdiri dari 20, 21, 22,…,59, berdasarkan
distribusi kumulatif probabilitas P(x) pada langkah 2) begitu seterusnya
hingga kumulatif probabilitas 100%.
Ringkasan tabel untuk mendapatkan interval angka acak dari distribusi
kumulatif pada langkah 2 adalah sebagai berikut:
Tabel 4
Permintaan Laptop per minggu (x) Probabilitas permintaan, P(X) Probabilitas kumula
0 0,20 0,20
1 0,40 0,60
2 0,20 0,80
3 0,10 0,90
4 0,10 1,00
Jumlah 1,00
Langkah 4: Bentuk/pilih bilangan acak (generating random numbers). Kita
telah memiliki tabel angka acak pada lampiran (Tabel 17.1) pilihlah salah
satu bilangan acak (pemilihan ini bebas), misal kita memilih angka acak
pada tabel 17.1 adalah adalah angka 39 maka
Tabel 5
Permintaan Laptop per minggu (x) Interval angka acak

0 0-19
1 20-59
2 60-79
3 80-89
4 90-99
Bila kita memilih angka pada tabel 17.1 adalah 95 maka
Tabel 6
Permintaan Laptop per minggu (x) Interval angka acak

0 0-19
1 20-59
2 60-79
3 80-89
4 90-99

Jadi pemilihan angka acak bebas, bila telah ditetapkan angka acak maka
angka-angka selanjutnya adalah angka-angka yang berada pada satu
kolom yang sama.
Kita tetapkan kembali bahwa pemilihan angka acak adalah 39 maka dengan
mengulang pemilihan angka acak pada tabel 17.1 yang berada pada satu
kolom yang sama kita dapat mensimulasikan permintaan untuk suatu
periode waktu (langkah ke lima), sehingga langkah ke lima bila ditunjukan
pada tabel berikut yaitu sebagai permintaan untuk 15 minggu berturut-turut
adalah
Tabel 7
Minggu ke Angka acak (R) Permintaan, X
1 39 1
2 73 2
3 72 2
4 75 2
5 37 1
6 02 0
7 87 3
8 98 4
9 10 0
10 47 1
11 93 4
12 21 1
 13 95 4
14 97 4
15 69 2
Jumlah 31

Hasil simulasi ini dapat disimpulkan:

Perkiraan permintaan rata-rata laptop = 31/15 = 2,07 per minggu
Perkiraan rata-rata pendapatan rata-rata PT IBM Indonesia = Rp
387.500.000/15
yaitu Rp 25.833.333,00 per minggu.
Simulasi Monte Carlo
1. Pengertian Simulasi
Menurut Wan Usman (2016), simulasi merupakan langkah meniru situasi
yang sebenarnya secara matematika dengan mempelajari sifat-sifatnya
untuk menarik kesimpulan dan akhirnya mengambil tindakan berdasarkan
hasil simulasi.
Menurut Webster’s Collegiate Dictionary, Simulasi diartikan sebagai to
feign, to obtain the essence of without the reality yang berarti untuk
memperoleh intisari dari sesuatu tanpa melibatkan kenyataan. Sedangkan
menurut Oxford American Dictionary (1980) simulasi adalah “ to reproduce
the condition of a situasion, as by means of a model, for studi or testing or
training, etc” untuk menghasilkan suatu kondisi dari sebuah situasi, dalam
maksud sebuah model, untuk dipelajari atau untuk percobaan atau
pelatihan, dan sebagainya.
Menurut Pusat Bahasa Depdiknas (2005) simulasi adalah satu metode
pelatihan yang memperagakan sesuatu dalam bentuk tiruan (imakan) yang
mirip dengan keadaan yang sesungguhnya; simulasi: penggambaran suatu
sistem atau proses dengan peragaan memakai model statistic atau
pemeran.
Lebih lanjut dikatakan oleh Wan Usman (2016) bahwa dalam menggunakan
simulasi, kita harus melakukan langkah-langkah persiapan untuk
mengonstruksi model, membuat simulasi, dan akhirnya memilih cara-cara
untuk bertindak.
2. Simulasi Pemodelan Monte Carlo
Simulasi monte carlo, menurut Peter Dizikes (2010), adalah Teknik statistik
yang digunakan untuk memodelkan sistem kemungkinan (probabilistic /
stokastik) dan menetapkan peluang untuk berbagai hasil.
Sistem simulasi 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.
Simulasi Monte Carlo sangat penting dalam fisika komputasi dan bidang
terapan lainnya, dan memiliki aplikasi yang beragam mulai dari
penghitungan termodinamika kuantum esoterik hingga perancangan
aerodinamika. Metode ini terbukti efisien dalam memecahkan persamaan
diferensial integral medan radian, sehingga metode ini digunakan dalam
penghitungan 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.
Karena algoritma ini memerlukan pengulangan (repetisi) dan penghitungan
yang amat kompleks, metode Monte Carlo pada umumnya dilakukan
menggunakan komputer, dan memakai berbagai teknik simulasi komputer.
Algoritma Monte Carlo adalah metode Monte Carlo numerik yang
digunakan untuk menemukan solusi matematis (yang dapat terdiri dari
banyak variabel) yang sulit dipecahkan, misalnya dengan kalkulus integral,
atau metode numerik lainnya.
Simulasi Monte Carlo adalah pengambilan sampel dengan menggunakan
bilangan-bilangan acak (random numbers) dilakukan dengan bantuan
komputer. Prinsip kerja dari simulasi Monte Carlo adalah membangkitkan
bilangan-bilangan acak atau sampel dari suatu variabel 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 secara numerik. Simulasi
Monte Carlo merupakan alat rekayasa yang ampuh untuk menyelesaikan
berbagai persoalan rumit di dalam bidang probabilitas dan statistik.
Meskipun demikian, simulasi Monte Carlo tidak memberikan hasil yang
eksak, karena pada hakekatnya simulasi Monte Carlo adalah suatu metode
pendekatan numerik. Seperti pada umumnya metode numerik, simulasi
Monte Carlo membutuhkan banyak sekali iterasi dan usaha penghitungan,
khususnya untuk masalah- masalah yang melibatkan peristiwa-peristiwa
langka (very rare events). Oleh karena kelemahan- kelemahan tersebut,
sebaiknya simulasi Monte Carlo baru digunakan bila metode analisis tidak
tersedia atau metode pendekatan (misalnya pendekatan orde pertama dari
fungsi variabel acak yang taklinear) tidak memadai. Simulasi Monte Carlo
dari suatu proses stokastik adalah suatu prosedur untuk mendapatkan
contoh acak terhadap hasil proses tersebut (Wong 2001).
Jika suatu sistem mengandung elemen yang mengikutsertakan faktor
kemungkinan, model yang digunakan adalah model stokastik. Dasar dari
simulasi Monte Carlo adalah percobaan elemen kemungkinan dengan
menggunakan sampel random (acak). Metode ini memiliki lima tahapan
dalam menyelesaikan permasalahan yang ada dan terdapat tiga batasan
dasar dalam penggunaan metode ini.
Metode Monte Carlo dipopulerkan oleh beberapa peneliti yakni: Stanislaw
Ulam, Enrico Fermi, John von Neumann dan, Nicholas Metropolis. Tahun
1946, Stanislaw Ulam menemukan metode Monte Carlo ketika mengamati
peluang memenangkan permainan kartu solitaire. Nama Monte Carlo
sendiri berasal dari sebuah kasino di Monaco (Matthew N.O.Sadiku, 2009,
hal 3).
Simulasi Monte Carlo adalah proses menurunkan secara acak nilai variabel
tidak pasti secara berulang-ulang untuk mensimulasikan suatu model.
Metode Monte Carlo merupakan teknik stokastik dan probabilistik yang
dapat diaplikasikan dalam berbagai bidang, mulai dari ekonomi sampai
fisika, tentu saja cara aplikasinya berbeda dari satu bidang ke bidang
lainnya. Hal yang menyamakan semua itu adalah bahwa percobaan Monte
Carlo membangkitkan bilangan acak untuk memeriksa dan menyelesaikan
permasalahan (Jonathan Pengelly, 2003, hal 1).
Metode Monte Carlo dianggap sebagai penemuan dari Stanislaw Ulam,
seorang matematikawan cemerlang yang bekerja untuk John Von
Neumann di proyek United State’s Manhattan selama perang dunia II. Ulam
adalah orang pertama yang diketahui merancang bom hidrogen dengan
Edward Teller tahun 1951. Dia menemukan metode Monte Carlo tahun
1946 sewaktu memikirkan peluang memenangkan permainan kartu soliter
(Matthew N.O.Sadiku, 2009, hal 2).
Konsep dasar metode Monte Carlo adalah untuk menyelesaikan
permasalahan secara acak (random walk), berdasarkan pendekatan dalam
proses langkah acak metode Monte Carlo dikenal dua tipe pendekatan yang
cukup populer, yaitu tipe fixed random walk dan floating random walk
(Matthew N Sadiku, 2009, hal 105).
Tipe floating random walk adalah model Monte Carlo yang mengizinkan
jumlah pengulangan (iterasi) selalu berubah dalam simulasi, sedangkan
tipe fixed random walk adalah model Monte Carlo yang menggunakan
jumlah pengulangan (iterasi) yang konstan sehingga untuk beberapa
aplikasi metode ini lebih baik dari tipe floating random walk (Matthew N
Sadiku, 2009, hal 105).
2.1 Tujuan Simulasi Pemodelan Monte Carlo
Tujuan simulasi dengan metode Monte Carlo adalah untuk mempelajari
kasus-kasus probabilistic (berkemungkinan) dengan model tertentu yang
kemudian dicobakan dalam keadaan nyatanya. Oleh karenanya situasi
nyata sedapat mungkin harus dapat ditirukan dalam situasi simulasi.
Dengan mempelajari model yang disimulasikan diharapkan dapat
menghasilkan kesimpulan atau tindakan yang diperlukan. Kasus-kasus
yang biasanya disimulasikan adalah masalah kedatangan pelanggan,
persediaan barang, waktu tunggu dalam antrian, jangka waktu pelaksanaan
proyek, dan sebagainya.
2.2 Tahapan dan Batasan dalam Simulasi Pemodelan Monte Carlo
Ada 5 tahapan dalam metode simulasi pemodelan Monte Carlo, antara lain:
(1) Menetapkan distribusi probabilitas prior sistem
(2) Menentukan distribusi probabilitas kumulatif sistem
(3) Menentukan interval bilangan acak
(4) Membuat kemungkinan yang kaan terjadi dengan membangkitkan
bilangan acak
(5) Melakukan simulasi dan analisis dengan melakukan eksperimen untuk
sampel (waktu) tertentu
Sedangkan batasan dalam melakukan simulasi model monte carlo adalah
(1) Hindari melakukan simulasi dengan model monte carlo, jika suatu
persoalan sudah dapat diselesaikan secara matematis
(2) Untuk kasus dimana sebagian persoalan dapat diselesaikan dengan
analitis, maka penyelesaiannya adalah sebagian dnegan analitis dan
sebagian dengan simulasi.
(3) Sedapat mungkin persoalan diselesaikan dengan simulasi
perbandingan
2.3 Kelebihan dan kelemahan dari Simulasi Pemodelan Monte Carlo
Secara umum, kelebihan atau keuntungan dari metode Monte Carlo ini
adalah kemudahan dari membuat program simulasinya sedangkan
kelemahannya adalah waktu yang diperlukan dalam simulasi, semakin
banyak pengulangan membutuhkan waktu lama untuk running program.
Kelebihan-kelebihan lain dari simulasi Monte Carlo antara lain sebagai
berikut:

1. Simulasi model monte carlo dapat menyelesaikan persoalan yang

tidak terselesaikan oleh simulasi model analitik.
2. Dengan menggunakan sedikit asumsi, maka model ini dapat
dianggap lebih realistis.
3. Simulasi membolehkan kita untuk mempelajari pengaruh alternatif
dari kumpulan individu atau variabel mana yang lebih penting.
4. Simulasi model monte carlo tentunya lebih murah dibandingkan
dengan percobaan secara langsung.
5. Untuk sejumlah proses dimensi, simulasi memberikan penyelidikan
yang langsung dan terperinci dalam periode waktu khusus.
 6. Simulasi dapat digunakan untuk analisis yang besar dan komplek,
yang biasanya tidak terselesaikan oleh model oleh model kuantitatif
konvensional.

Sedangkan kelemahan lain dari simulasi model Monte Carlo adalah

1. Simulasi monte carlo tidak presisi dan bukan merupakan suatu

proses optimasi. Hal ini berarti simulasi monte carlo tidak
menghasilkan penyelesaian, tetapi menghasilkan cara untuk menilai
jawaban termasuk jawaban yang optimal.
2. Untuk menghasilkan simulasi yang baik dan efektif, model simulasi
monte carlo termasuk sangat mahal karena membutuhkan waktu
yang lama untuk proses simulasinya dibandingkan dengan model
analitik.

DAFTAR PUSTAKA
Dizikes, Peter. (2010). Explained: Monte Carlo Simulations. MIT News.
Diakses pada 25 Oktober 2019 di URL: http://news.mit.edu/2010/exp-
monte-carlo-0517
Hario, P Fakhriy. (2012). Metode Probabilistik Monte Karlo. Diakses pada
tanggal Diakses pada 25 Oktober 2019 pada URL:
http://fakhriyhario.lecture.ub.ac.id/2012/03/metode-probabilistik-monte-
carlo/
Render, B., Stair, Jr. R. M. (2000). Quantitative Analysis for Management.
7th ed. Prentice-Hall, Inc.: New Jersey.
Usman, Wan. (2016). Metode Kuantitatif. Jakarta: Penerbit Universitas
Terbuka.
http://ariastuti93.blogspot.com/2013/02/simulasi-monte-carlo.html