Salah satu bentuk simulasi yang paling sederhana adalah proses “Monte Carlo” untuk

mensimulasikan variabel acak. Belakangan ini, istilah Monte Carlo telah menjadi sinonim
dengan simulasi probabilitas. Namun dalam Monte Carlo, sampling secara lebih tegas berarti
teknik memilih angka secara acak dari distribusi probabilitas untuk menjalankan simulasi.
Monte Carlo adalah nama yang cocok karena prinsip dasar dibalik proses tersebut adalah
sama dengan yang ada pada kasino perjudian di Monaco. Di Monaco, untuk perjudian
digunakan roda roulette, dadu dan kartu. Peralatan tersebut menghasilkan angka secara acak
dari suatu populasi yang jelas. Sebagai contoh, angka 6 yang berasal dari dadu yang
dilemparkan merupakan nilai acak suatu populasi yang terdiri dari 11 nilai yang mungkin
(dimulai dari angka 2 sampai 12). Pada prinsipnya, proses yang sama itu dipakai juga dalam
proses Monte Carlo yang digunakan dalam model simulasi.
Sebelum adanya tabel angka acak atau penggunaan komputer untuk menentukan angka
acak yang dipilih, dapat digunakan dengan memutar roda Roulette yang sudah dibagi menjadi
beberapa bagian dimana setiap bagiannya terdapat nilai peluang P(x) untuk masing-masing
nilai variabel x. Kemudian, dalam masing-masing nilai variabel x diberikan angka dari 0-99
sesuai besar probabilitasnya, sebagai contoh, jika untuk x = 0, probabilitasnya adalah 20% atau
0,2 maka diberi angka acak dari 0-19, demikian seterusnya sampai nilai x yang terakhir.
Selanjutnya, roda roulette yang telah dimodifikasi tersebut diputar untuk mendapatkan angka
acaknya sesuai jumlah percobaan yang akan dilakukan untuk simulasi.
Metode atau proses Monte Carlo tebagi menjadi 5 tahapan yaitu :
1. Membuat distribusi peluang untuk variabel penting
Gagasan dasar dari simulasi Monte Carlo adalah membuat nilai dari tiap variabel yang
merupakan bagian dari model yang dipelajari. Banyak variabel di dunia nyata yang
secara alami mempunyai berbagai kemungkinan yang mungkin ingin kita simulasikan.
Salah satu cara umum untuk membuat distribusi kemungkinan untuk suatu variabel
adalah memperhitungkan hasil di masa lalu. Kemungkinan atau frekuensi relative
untuk tiap kemungkinan hasil dari tiap variabel ditentukan dengan membagi frekuensi
observasi dengan jumlah total observasi.
Contoh : Permintaan akan ban di toko ban “Kuanino” selama 200 hari kebelakang
terlihat di tabel berikut.
Tabel 2

Permintaan Frekuensi

0 10
 1 20

2 40

3 60

4 40

5 30

Total 200 hari

Hasil pada tabel 2 dapat diubah menjadi distribusi peluang (bila diasumsikan tingkat
penjualan di masa lalu akan tetap bertahan sampai masa depan) dengan membagi
frekuensi tiap permintaan dengan total frekuensi permintaan , seperti dalam tabel
berikut ;
Tabel 3

Variabel Permintaan Kemungkinan Terjadi

0 10/200 = 0,05

1 20/200 = 0,10

2 40/200 = 0,20

3 60/200 = 0,30

4 40/200 = 0,20

5 30/200 = 0,15

Total 200/200 =1,00

2. Membangun distribusi peluang kumulatif untuk tiap-tiap variabel di tahap pertama
Konversi dari distribusi peluang biasa, seperti pada kolom kedua pada tabel 3 menjadi
distribusi peluang kumulatif dengan menjumlahkan tiap angka peluang dengan jumlah
sebelumnya seperti dalam tabel 4, berikut :
Tabel 4

Variabel Permintaan Peluang Peluang Kumulatif

0 0,05 0,05

1 0,10 0,15

2 0,20 0,35

3 0,30 0,65
 4 0,20 0,85

5 0,15 1,00
Probabilitas kumulatif terlihat pada gambar dibawah, digunakan pada tahap ke 3 untuk
membantu menempatkan nilai random.

Gambar 2
3. Menetukan interval angka random untuk tiap variabel
Setelah ditentukan probabilitas kumulatif untuk tiap variabel yang termasuk dalam
simulasi, harus ditentukan batas angka yang mewakili tiap kemungkinan hasil. Hal
tersebut ditunjukkan pada interval angka random. Penentuan interval didasari oleh
peluang kumulatif.
Tabel 5

Permintaan Peluang Peluang Kumulatif Interval Angka

Random

0 0,05 0,05 01 s/d 05

1 0,10 0,15 06 s/d 15

2 0,20 0,35 16 s/d 35

3 0,30 0,65 36 s/d 65

4 0,20 0,85 66 s/d 85

 5 0,15 1,00 86 s/d 100
4. Membuat angka random
Untuk membuat angka acak (random), dapat digunakan bantuan software Microsoft
Excel dengan menggunakan perintah Randbetween, misal untuk angka acak (random)
dari 1 – 100, menggunakan perintah =randbetween(1,100) dan diulangi sejumlah baris
yang diperlukan.

Gambar 3
5. Membuat simulasi dari rangkaian percobaan
Kita bisa membuat simulasi dari sebuah eksperimen dengan mengambil angka random
dari gambar diatas, misal akan dibuat simulasi untuk 10 hari, diambil kolom A1-A10.
Cara penentuan permintaan adalah dengan ditentukan oleh angka random. Contohnya
bila angka random adalah 56, angka itu terletak pada interval 36 s/d 65 yang berarti
permintaan 3 buah ban. Diulangi langkah diatas sampai diperoleh permintaan untuk
10 hari, seperti yang ditunjukkan oleh tabel berikut :
Tabel 6

Hari Angka Random Permintaan (Simulasi)

1 28 2

2 50 3

3 78 4

4 8 1
 5 16 2

6 61 3

7 98 5

8 51 3

9 45 3

10 21 2

Total 28
Dari tabel diatas dapat dilihat bahwa,
Total permintaan untuk 10 hari adalah 28 ban.
Rata-rata permintaan per hari adalah 28/10 = 2,8 ban/hari.
Contoh:
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 7

Permintaan Laptop Per Minggu Frekuensi Permintaan

0 20

1 40

2 20

3 10

4 10

Total 100
Berdasarkan tabel 7, dapat dibuat distribusi probabilitas untuk masing-masing nilai pada
variabel permintaan, seperti yang ditunjukkan dalam tabel berikut :
 Tabel 8

Permintaan Laptop Per Frekuensi Permintaan Distribusi Probabilitas

Minggu Permintaan (P(x))

0 20 20/100 = 0,20

1 40 40/100 = 0,40

2 20 20/100 = 0,20

3 10 10/100 = 0,10

4 10 10/100 = 0,10

Jumlah 100 1,00

Berdasarkan tabel 8, akan diubah distribusi probabilitasnya menjadi distribusi probabilitas
kumulatif, seperti ditunjukkan oleh tabel berikut ini :
Tabel 9

Permintaan Laptop Per Distrbusi Probabilitas Distribusi Probabilitas

Minggu Permintaan (P(x)) Kumulatif

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
Berdasarkan nilai peluang kumulatif untuk masing-masing jumlah permintaan Laptop,
dapat dibuat kisaran interval angka acak yang terdiri dari 2 digit(sebanyak 100 angka) untuk
masing-masing nilai, seperti ditunjukkan oleh tabel berikut ini.
Tabel 10

Permintaan Laptop Probabilitas Probabilitas Interval Angka Acak

Per Minggu (x) Permintaan (P(x)) Kumulatif

0 0,20 0,20 00-19

1 0,40 0,60 20-59

2 0,20 0,80 60-79

 3 0,10 0,90 80-89

4 0,10 1,00 90-99

Jumlah 1,00
Dengan menggunakan tabel angka acak pada lampiran 1 dengan mengambil angka acak
sebanyak 15 kali percobaan dengan memperhatikan interval angka acak yang telah diperoleh
sebelumnya maka diperoleh besar permintaan komputer untuk 15 minggu berturut-turut
sebagai berikut.
Catatan : Karena sangat kompleksnya 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 occur).
Tabel 11

Minggu ke Angka Acak (R) Permintaan (x) Pendapatan (Rp)

1 27 1 12.500.000,00

2 76 2 25.000.000,00

3 74 2 25.000.000,00

4 35 1 12.500.000,00

5 84 3 37.500.000,00

6 85 3 37.500.000,00

7 30 1 12.500.000,00

8 18 0 0

9 89 3 37.500.000,00

10 77 2 25.000.000,00

11 29 1 12.500.000,00

12 49 1 12.500.000,00

13 06 0 0

14 97 4 50.000.000,00

15 14 0 0
 Jumlah 24 300.000.000,00
Dari hasil simulasi ini dapat disimpulkan,
Perkiraan permintaan rata-rata laptop adalah 24/15 = 1,6 laptop/minggu.
Perkiraan pendapatan rata-rata PT. IBM Indonesia adalah Rp.300.000.000/15 = Rp.
20.000.000,00 per Minggu.
Walaupun contoh ini cukup baik untuk mengilustrasikan cara kerja simulasi, permintaan
rata-rata dapat dihitung lebih tepat secara analitis (analytically) dengan menggunakan formula
untuk nilai yang diperkirakan. Nilai yang diperkirakan (expected value) atau permintaan
mingguan rata-rata dapat dihitung secara analitis dari distribusi probabilitas P(x).
n
E x( ) P x x( i ) i

i 1
dimana,
xi nilai permintaan i P x( i )
probabilitas permintaan n Jumlah
nilai permintaan berbeda
Oleh karena itu, berdasarkan contoh diatas diperoleh ;
E(x) = (0,20)(0)+(0,40)(1)+(0,20)(2)+(0,10)(3)+(0,10)(4) = 1,5 laptop per minggu
Hasil analitis laptop sebesar 1,5 dekat dengan hasil simulasi sebesar 1,6 laptop, tetapi tetap
terdapat perbedaan yang jelas. Margin perbedaan (0,1 laptop) antara nilai simulasi dengan nilai
analitis merupakan hasil dari beberapa periode dimana simulasi dilakukan. Hasil dari studi
simulasi dipengaruhi oleh berapa kali simulasi dilakukan (jumlah percobaan). Oleh karena itu,
semakin banyak periode dimana simulasi dilakukan, semakin akurat hasil yang diberikan.
 DAFTAR PUSTAKA

Bronson,Richard.Theory and Problem of Operation Research.Singapore:McGraw-Hill.

Hamdy A. Taha.1992. Operation Research.: An Introduction, McMillan.
Hilier, Frederich S. and Lieberman.1990. Introduction to Operation Research,
McGrawHill.
Hotniar, Siringoringo.2005. Riset Operasional Seri Pemograman
Linear.Yogyakarta:Graha Ilmu.
Pangestu,Subagyo dkk.1986.Dasar-Dasar Operations Research.Yogyakarta:BPFE.
Sinaga,Marlina Setia.2010.Riset Operasi.Kupang:UNDANA-Press.
Taylor III, Bernard W.2005.Introduction to Management Science(Sains
Manajemen).Ed.1,buku 2.Jakarta:Penerbit Salemba Empat.
https://ayunin.wordpress.com/simulasi/jenis-jenis-simulasi/ (diakses pada tanggal 2 Juni
2015)
http://dhitaaprillia21.blogspot.com/2014/03/tugas-kuliah-model-dan-simulasi.html
(diakses pada tanggal 2 Juni 2015)
http://elearning.gunadarma.ac.id/docmodul/peng_manajemen_operasi/apendiks-
btabel_bilangan_acak.pdf (diakses pada tanggal 2 Juni 2015)
http://informatika-site.blogspot.com/2013_02_01_archive.html (diakses pada tanggal 2
Juni 2015)
http://sutanto.staff.uns.ac.id/files/2009/03/model-simulasi-monte-carlo.pdf (diakses pada
tanggal 2 Juni 2015)
http://tatadanulan.blogspot.com/2013/01/definisi-simulasi.html (diakses pada tanggal 2
Juni 2015)
https://zulfikarmsi.wordpress.com/materi-kuliah-simulasi-dan-pemodelan-bab-i/
(diakses pada tanggal 2 Juni 2015)