Anda di halaman 1dari 8

MODUL PRAKTIKUM

SISTEM PRODUKSI

MODUL 5
SIMULASI MONTE CARLO

DISUSUN OLEH
Tim Dosen

POLITEKNIK APP JAKARTA


TAHUN 2020
A. Pengantar
Simulasi monter carlo adalah sebuah model simulasi dengan menggunakan bilangan
bilangan acak dari sampel yang diambil dari suatu populasi dengan melakukan pendekatan
distribusi tertentu. Pada modul ini akan dijelaskan mengenai model simulasi monte carlo
dan bagaimana melakukan simulasi dengan model monte carlo.
B. Kompetensi Dasar
Pada praktikum ini, akan diberikan cara penyelesaian model simulasi Monte Carlo dengan
menggunakan software yang umum digunakan yaitu Microsoft excel. Kompetensi yang
diharapkan pada praktikum ini adalah mahasiswa mampu mengolah data sampel populasi
dengan model simulasi Monte Carlo.
C. Hasil akhir yang diharapkan
Mahasiswa diharapkan pada praktikum ini adalah mahasiswa mampu memprediksi sistem
nyata dengan menggunakan model simulasi Monte Carlo
D. Kegiatan Belajar
a. Konsep Model Simulasi
Simulasi adalah sekumpulan metode dan aplikasi yang digunakan untuk meniru
perilaku suatu sistem nyata, umumnya menggunakan bantuan perangkat komputer
(Kelton dkk, 2015). Simulasi merupakan tiruan atau duplikasi system nyata sehingga
simulasi dirancang secapat mungkin merepresentasikan system nyata.
Saat ini banyak penyelesaain permasalahan system nyata dilakukan dengan bantuan
system simulasi. Beberapa system nyata yang dibuat simulasi antara lain:
- Suatu lantai produksi yang berisikan mesin-mesin, tenaga kerja, peralatan material
handling, dan gudang penyimpanan
- Suatu bank dengan beragam jenis pelanggan, layanan, dan fasilitas ATM
- Sebuah restoran cepat saji dengan beragam staf, pelanggan dan peralatan
- Suatu bandara dengan penumpang datang dan berangkat yang mengalami beragam
proses sebelum keberangkatan dan setelah kedatangan
Beberapa hal yang perlu dipertimbangkan jika penyelesaian permasalahan
menggunakan bantuan simulasi antara lain:
- Apakah proses pada sistem amatan dapat tergambar dengan jelas?
- Apakah proses dilakukan secara repetitif dan teratur?
- Apakah tiap proses saling tergantung satu sama lain?
- Apakah terdapat variabilitas pada elemen sistem yang diamati?
- Apakah potensi penghematan biaya lebih besar dari biaya yang dikeluarkan untuk
melakukan studi simulasi?
- Apabila sistem riil telah ada, apakah eksperimen langsung pada sistem tersebut akan
mengeluarkan biaya lebih sedikit?
- Apakah pihak manajemen bersedia mendukung proyek tersebut?

1
b. Model Simulasi Monte Carlo

Simulasi monter carlo adalah sebuah model simulasi dengan menggunakan bilangan
bilangan acak dari sampel yang diambil dari suatu populasi dengan melakukan
pendekatan distribusi tertentu. Prediksi dilakukan berulang-ulang dengan menggunakan
bilangan acak yang berlainan tapi memiliki keseragaman sehingga informasi dapat
dihasilkan lebih efisien (Gentle, 2005).

Simulasi monte carlo dibangun dari model yang sebenarnya dimana data sampel
diambil dari suatu populasi system nyata. Data sampel ini kemudian dilakukan
pendekatan probabitas peluang munculnya nilai parameter berdasarkan frekuensi yang
didapat pada sampel system nyata. Dengan demikian, prediksi pada model monte carlo
akan dilakukan dengan membangkitkan beberapa bilangan acak untuk kemudian
dipasangkan dengan probabilitas kemungkinan munculnya nilai parameter sampel
tersebut.

Simulasi Monte Carlo secara luas digunakan untuk memprediksi system kompleks yang
secara analitis sulit untuk dilakukan. Beberapa prediksi model antara lain: antrian dalam
sebuah kegiatan, Evolusi sebuah epidemi penyakit berdasarkan ruang dan waktu, Uji
statistik, Prediksi harga dan kebutuhan pada peridode mendatang dapat diprediksi
dengan pendekatan model simulasi monte carlo. Permasalan nyata sebagaimana
disebutkan di atas melibatkan sulit dianalisis dengan model matematis karena sifat
kompleksitasnya (Ardiansah, 2019).

Langkah-langkah dalam penyusunan model simulasi Monte Carlo sebagai berikut:


1. Lakukan observasi terhadap parameter yang akan dimodelkan, catat hasilnya dan
rekap dalam suatu daftar/tabel
2. Buatlah suatu kelompok nilai parameter dan hitung frekuensi kemunculan tiap-tiap
nilai parameter
3. Hitung distribusi frekuensi kumulatif, probabilitas frekuensi parameter dan
distribusi probabilitas kumulatif dari parameter
4. Pasangkan nilai kelas dari tiap parameter dengan bilangan acak dengan range
antara 00 sampai 99
5. Tarik suatu bilangan acak dengan menggunakan tabel acak
6. Dapatkan nilai parameter yang sesuai dengan memasangkan bilangan acak yang
dihasilkan

E. Latihan Simulasi Monte Carlo


Contoh Simulasi untuk memproyeksi permintaan ban untuk 5 hari ke depan
1. Melakukan Observasi terhadap parameter yang akan dimodelkan, mencatat hasilnya
dan rekap dalam suatu tabel.

2
Tabel. 1 Data permintaan ban bulan Januari-Juni
BLN
JAN FEB MAR APR MEI JUN Observasi delakukan selama 6
TGL
1 8 5 3 10 10 5 bulan dengan mengambil
2 10 2 9 10 7 7 parameter data berupa
3 2 10 2 7 10 7
4 8 7 1 2 1 8 permintaan harian ban dari
5 8 4 8 4 5 9
kostumer. Data tersebut
6 5 4 8 3 5 1
7 8 10 6 10 5 8 kemudian direkap dalam tabel
8 8 7 1 2 10 4
9 1 2 4 8 1 4
permintaan harian sebagaimana
10 3 7 4 10 0 8 ditampilkan pada tabel 1 di
11 7 5 10 6 2 9
12 10 10 2 4 7 8 samping.
13 8 6 0 8 10 5
14 0 7 2 5 10 9
15 10 2 9 7 0 5
16 10 7 3 3 8 3
17 10 4 9 10 7 9
18 4 10 8 4 9 9
19 9 2 9 3 3 9
20 8 3 8 4 7 8
21 6 5 2 0 4 8
22 8 2 8 7 10 7
23 8 7 2 1 7 8
24 9 6 2 7 4 2
25 0 1 0 3 6 8
26 1 1 1 1 8 5
27 2 9 1 9 1 8
28 9 0 2 8 3 4
29 7 6 0 6 0
30 5 8 8 10 3
31 7 2 6

2. Buatlah suatu kelompok nilai parameter dan hitung frekuensi kemunculan tiap-tiap nilai
parameter
Untuk menyusun kelompok parameter dari data tersebut, kita harus mencari nilai
minimal dan maksimal kemudian menyusun kelompok dengan rentang antara nilai
minimal dan maksimal tersebut. Dengan bantuan excel kita dapat menggunakan formula
: “=MIN(…) dan =MAX(…)”. Dari data tersebut diketahui bahwa nilai minimal adalah “0”
dan nilai maksimal adalah “10”.

3
Berdasarkan hasil tersebut, kita akan menyusun kelompok nilai parameter : 0,1,2,……10
dan menghitung frekuensi masing-masing parameter tersebut. Untuk mempermudah
menghitung nilai frekuensi masing-masing parameter, anda dapat menggunakan fungsi
“=COUNTIF(…)”

Total data demand yang diambil sejumlah 181 data.


3. Hitung distribusi frekuensi kumulatif, probabilitas kemunculan parameter dan distribusi
probabilitas kumulatif dari parameter
Frekuensi kumulatif adalah total kemunculan demand mulai dari yang terkecil sampai
dengan frekuensi kumulatif demand yang dihitung tersebut. Misalnya demand kita
notasikan dengan di dimana i bernilai 0-10 (sesuai rentang tersebut) maka frekuensi
kumulatif (Fdk) dengan (k < N ) dengan persamaan

Misalnya kita akan menghitung Frekuensi kumulatif untuk parameter demand 3 adalah

Probabilitas kemunculan parameter adalah peluang suatu parameter dalam hal ini nilai
demand tersebut muncul selama kurun waktu obervasi tersebut. Misalnya kita beri
notasi P(di) untuk menyatakan probabilitas kemundulan parameter dengan nilai demand
i, maka untuk menghitung Probabilitas kemunculan parameter demand dengan nilai i
dapat kita gunakan persamaan

4

∑ merupakan total data demand yang diambil pada periode observasi.

Distribusi probabilitas kumulatif dari parameter i misalnya kita notasikan PF(di) adalah
total peluang kemunculan demand sampai dengan nilai parameter tersebut. Untuk
menghitung nilai PF(dk) dapat dilakukan dengan persamaan:


Misal kita mau menghitung distribusi probabilitas kumulatif parameter demand 3
adalah:

Dari langkah 2-4, didapatkan tabel di bawah ini


Nilai Frekuensi Frekuensi Distribusi Probabilitas
Paramate Kumulatif frekuensi Distribusi
r 0 10 10 0.06 kumulatif
0.06
1 14 24 0.08 0.13
2 19 43 0.10 0.24
3 12 55 0.07 0.30
4 15 70 0.08 0.39
5 13 83 0.07 0.46
6 9 92 0.05 0.51
7 21 113 0.12 0.62
8 30 143 0.17 0.79
9 16 159 0.09 0.88
10 22 181 0.12 1.00
Jumlah 181
4. Pasangkan nilai kelas dari tiap parameter dengan bilangan acak dengan range antara 00
sampai 99
Beberapa referensi juga menggunakan range 1-100 dan nilai batas parameter demand k
adalah . Misalnya nilai maka kita bisa gunakan range bilangan
acak 0-10 untuk nilai kelas parameter .
Pada praktikum ini kita akan menyusun nilai range bilangan acak untuk parameter kelas
dengan nilai sampai dengan . Nilai ini akan kita
konversikan ke dalam satuan persen sehingga nilai 0,30 pada probabilitas kumulatif

5
parameter demand 3 akan menjadi 30. Dengan demikian bilangan acak untuk demand 3
berada pada range 24-29.
Nilai Paramater Probabilitas Distribusi Range bilangan
(Permintaan) kumulatif acak

0 0.06 0-5
1 0.13 6-12
2 0.24 13-23
3 0.30 24-29
4 0.39 30-38
Range bilangan acak
5 0.46 39-45
munculnya demand
6 0.51 46-50
sebanyak 2
7 0.62 51-61
8 0.79 62-78
9 0.88 79-87
10 1.00 88-99
5. Tarik suatu bilangan acak dengan range 0-99
Bilangan acak dapat dibangkitkan secara manual atau menggunakan software. Bilangan
random pada saat ini umumnya dibangkitkan dengan bantuan software salah satunya
excel. Cara membangkitkan bilangan random dengan range 0-99 dengan menggunakan
formula “=RANDBETWEEN(0,99)” dan dicopy/scroll sebanyak bilangan yang akan
dibangkitkan. Pada contoh ini akan diproyeksikan untuk 5 hari mendatang, sehingga
bilangan acak yang akan dibangkitkan adalah 5 buah. Dengan formula tersebut pada
excel didapat bilangan seperti di bawah ini:

6. Dapatkan nilai parameter yang sesuai dengan memasangkan bilangan acak yang
dihasilkan

Dari bilangan random yang dibangkitkan dapat dilakukan untuk memproyeksi


permintaan dalam 5 hari ke depan. Bilangan random tersebut untuk menentukan

6
permintaan dengan cara memasangkan pada range bilangan random yang dihitung pada
langkah 5 di atas.
Peroyeksi permintaan untuk 5 hari ke depan didapat:
Hari Random Range Random Permintaan
Number Number
1 4 0-5 0
2 23 13-23 2
3 3 0-5 0
4 66 62-78 8
5 90 88-99 10
F. Test Formatif
Soal Formatif dapat diakses di akun e-learning masing-masing 30 menit setelah praktikum
dimulai.
1. Kerjakan soal tersebut dengan bantuan excel.
2. Tabel hasil perhitungan icopy ke file word dan berikan pendapat/analisis anda
terhadap hasil yang didapatkan tersebut.
3. File excel dan word diupload pada e-learning.
4. Waktu mengerjakan sampai dengan sesi praktikum berakhir
5. Selamat mengerjakan

Anda mungkin juga menyukai