METODE NUMERIK

Pemodelan Stokastik
Semester Genap 2020/2021
Definisi Proses Stokastik

• Model Stokastik adalah model matematika dimana gejala-gejala dapat

diukur dengan derajat kepastian yang tidak stabil.

• Pada model stokastik disebut juga model probabilistik peluang dari

masing-masing kejadian benar-benar di hitung, menyusun sebuah model
stokastik cenderung lebih sulit dari model deterministik.
Definisi Proses Stokastik

Berkaitan dengan karakteristik persoalan yang hendak diselesaikan dengan

pendekatan OR, maka dibedakan dua jenis permasalahan:
(1) Deterministik, dicirikan oleh nilai-nilai parameternya yang pasti dan
time-invariant,
(2) Stokastik, dicirikan oleh ketidakpastian nilai parameter-parameternya
dan time-variant.
Definisi Proses Stokastik

Peluang adalah harapan terjadinya suatu kejadian yang dikuantitatifkan. Peluang

berhubungan dengan gagasan atau konsep kesempatan atau kemungkinan.

Definisi Klasik = Jika suatu percobaan mempunyai k hasil percobaan yang

berbeda dan masing-masing mempunyai kemungkinan yang sama untuk terjadi
maka :
• peluang masing-masing kejadian tersebut adalah 1/k
• peluang kejadian E = P(E) = m/k dimana m adalah hasil
percobaan yang menyusun kejadian tersebut menurut definisi klasik, peluang
dapat ditentukan sebelum percobaan dilakukan.
Definisi Proses Stokastik

Definisi Modern = Frekuensi Relatif Peluang Kejadian E = P(E) = lim n–> tak
hingga ne/n, dimana ne = jumlah kejadian E dalam percobaan. Menurut
definisi modern, peluang dapat ditentukan setelah percobaan dilakukan.
Definisi Proses Stokastik

Probabilitas terjadinya suatu peristiwa jarang sekali dapat diketahui atau

diramalkan, yang lebih sering diketahui atau diprediksi adalah nilai yang
paling mungkin (most likely value), nilai batas bawah (lower limit value)
serta nilai batas atas (upper limit value). Jika ketiganya dapat dketahui,
maka jalan yang paling sederhana untuk menyatakan ketiga nilai ini adalah
dengan cara menggunakan kurva distribusi segitiga,
Definisi Proses Stokastik

Luas segitiga adalah:

𝑤(𝑏)(𝑐 − 𝑎)
𝐿= = 100%
2

Sehingga kepadatan
probabilitas (probability
density) dinyatakan
sebagai berikut:
2 200
𝑤 𝑏 = = %
𝑐−𝑎 𝑐−𝑎
Definisi Proses Stokastik

Sketsa kurva distribusi segitiga pada sebelumnya menunjukkan kemiringan

distribusi x yang negatif (negative skewed distribution). Pada distribusi
tersebut, nilai rata-rata ( x ) atau taksiran terbaik (E{x}), nilai median (xm)
serta nilai mode atau nilai paling mungkin (b) tidak saling berhimpitan.
Untuk nilai a, b serta c tertentu, maka:
𝑎+𝑏+𝑐
𝑥=𝐸 𝑥 =
3

(𝑐 − 𝑎)(𝑐 − 𝑏)
𝑥𝑚 = 𝑐 − 𝑢𝑛𝑡𝑢𝑘 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒 𝑠𝑘𝑒𝑤
2

(𝑐 − 𝑎)(𝑏 − 𝑎)
𝑥𝑚 = 𝑎 + 𝑢𝑛𝑡𝑢𝑘 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑒 𝑠𝑘𝑒𝑤
2
Konsep Dasar Probabilitas

• Teori Probabilitas – didasarkan pada konsep dari suatu eksperimen

random

• Random – fenomena/eksperimen dimana keluaran individual tidak pasti

tetapi ada distribusi yg regular dari keluaran utk jumlah pengulangan
yang banyak

• Probabilitas – proporsi berapa kali suatu keluaran spesifik akan muncul

dlm suatu serie pengulangan yang panjang dari suatu eksperimen
Konsep Dasar Probabilitas

Definisi:
Probabilitas adalah peluang suatu kejadian
Manfaat:
Manfaat mengetahui probabilitas adalah membantu pengambilan
keputusan yang tepat, karena kehidupan di dunia tidak ada kepastian, dan
informasi yang tidak sempurna.

Contoh:
• pembelian harga saham berdasarkan analisis harga saham
• peluang produk yang diluncurkan perusahaan (sukses atau tidak), dll.
Konsep Dasar Probabilitas

Probabilitas:
Suatu ukuran tentang kemungkinan suatu peristiwa (event) akan terjadi di masa
mendatang. Probabilitas dinyatakan antara 0 sampai 1 atau dalam persentase.
Percobaan:
Pengamatan terhadap beberapa aktivitas atau proses yang memungkinkan
timbulnya paling sedikit dua peristiwa tanpa memperhatikan peristiwa mana yang
akan terjadi.
Hasil (outcome):
Suatu hasil dari sebuah percobaan.
Peristiwa (event):
Kumpulan dari satu atau lebih hasil yang terjadi pada sebuah percobaan atau
kegiatan.
Pendekatan Probabilitas

1. Pendekatan Klasik

2. Pendekatan Relatif

3. Pendekatan Subjektif
Pendekatan Klasik

Definisi:
Setiap peristiwa mempunyai kesempatan yang sama untuk terjadi.

Rumus:
Probabilitas = jumlah kemungkinan hasil suatu peristiwa
jumlah total kemungkinan hasil

13
Pendekatan Klasik

Percobaan Hasil Probabilitas

Kegiatan melempar 1. Muncul gambar 2 ½

uang 2. Muncul angka

Kegiatan 1. Menjual saham 2 ½

perdagangan saham 2. Membeli saham

Perubahan harga 1. Inflasi (harga naik) 2 ½

2. Deflasi (harga turun)

Mahasiswa belajar 1. Lulus memuaskan 3 1/3

2. Lulus sangat memuaskan
3. Lulus terpuji
Pendekatan Klasik

Definisi:
Probabilitas suatu kejadian tidak dianggap sama, tergantung dari berapa
banyak suatu kejadian terjadi.
Rumus:

Probabilitas = jumlah peristiwa yang terjadi suatu peristiwa

jumlah total percobaan

Pendekatan Subjektif

Definisi:
Probabilitas suatu kejadian didasarkan pada penilaian pribadi yang
dinyatakan dalam suatu derajat kepercayaan.
Metode Monte Carlo

• Simulasi Monte Carlo dikenal dengan intilah sampling simulation atau

Monte Carlo Sampling Technique.

• Istilah Monte Carlo pertama digunakan selama masa pengembangan bom

atom yang merupakan nama kode dari simulasi nuclear fission.

• Simulasi ini sering digunakan untuk evaluasi dampak perubahan input

dan resiko dalam pembuatan keputusan.

• Simulasi ini menggunakan data sampling yang telah ada (historical data)
dan telah diketahui distribusi datanya.
Metode Monte Carlo

3 Batasan Dasar Simulasi Monte Carlo

• Apabila suatu persoalan sudah dapat diselesaikan atau dihitung

jawabannya secara matematis dengan tuntas, maka hendaknya tidak
menggunakan simulasi ini.

• Apabila sebagaian persoalan tersebut dapat diselesaikan secara

analitis dengan baik, maka penyelesaiannya lebih baik dilakukan
secara terpisah. Sebagian secara analitis dan sebagian lagi simulasi.

• Apabila mungkin dapat digunakan simulasi perbandingan.

Metode Monte Carlo

Metode Monte Carlo didasarkan pada kurva distribusi segitiga. Kurva

distribusi kumulatif dibuat berdasar kurva distribusi segitiga.
Metode Monte Carlo

𝑼𝒏𝒕𝒖𝒌 𝒙 ≤ 𝒃:

𝑥−𝑎 2(𝑥 − 𝑎)
𝑤 𝑥 = 𝑤 𝑏 =
𝑏−𝑎 (𝑏 − 𝑎)(𝑐 − 𝑎)
𝑥𝑖 𝑥𝑖
2
𝑊 𝑥 ≤ 𝑥𝑖 = 𝑤 𝑥 𝑑𝑥 = 𝑥 − 𝑎 𝑑𝑥
(𝑏 − 𝑐)(𝑐 − 𝑎)
𝑎 𝑎

(𝑥𝑖 − 𝑎)2
𝑊 𝑥 ≤ 𝑥𝑖 =
(𝑏 − 𝑎)(𝑐 − 𝑎)

𝑥𝑖 = 𝑎 + 𝑊(𝑥 ≤ 𝑥𝑖 )(𝑏 − 𝑎)(𝑐 − 𝑎)

Metode Monte Carlo

𝑼𝒏𝒕𝒖𝒌 𝒙 ≥ 𝒃:

𝑐−𝑥 2(𝑐 − 𝑥)
𝑤 𝑥 = 𝑤 𝑏 =
𝑐−𝑏 (𝑐 − 𝑏)(𝑐 − 𝑎)
𝑐 𝑐
2
𝑊 𝑥 ≥ 𝑥𝑖 = 𝑤 𝑥 𝑑𝑥 = 𝑐 − 𝑥 𝑑𝑥
(𝑐 − 𝑏)(𝑐 − 𝑎)
𝑥𝑖 𝑥𝑖

(𝑐 − 𝑥𝑖 )2
𝑊 𝑥 ≥ 𝑥𝑖 =
(𝑐 − 𝑏)(𝑐 − 𝑎)

𝑥𝑖 = 𝑐 − 𝑊(𝑥 ≥ 𝑥𝑖 )(𝑐 − 𝑏)(𝑐 − 𝑎)

Metode Monte Carlo

Selanjutnya luas total segitiga adalah 1 dan distribusi segitiga kumulatif dinyatakan:

𝑢𝑛𝑡𝑢𝑘 𝑥 ≤ 𝑏

(𝑥𝑖 − 𝑎)2
𝑊 𝑥 ≤ 𝑥𝑖 =
(𝑏 − 𝑎)(𝑐 − 𝑎)

𝑢𝑛𝑡𝑢𝑘 𝑥 ≥ 𝑏

(𝑐 − 𝑥𝑖 )2
𝑊 𝑥 ≥ 𝑥𝑖 = 1 − 𝑊 𝑥 ≤ 𝑥𝑖 =
(𝑐 − 𝑏)(𝑐 − 𝑎)
Metode Monte Carlo

Langkah penyelesaian dengan metode Monte Carlo

1. Menentukan distribusi probabilitas untuk beberapa variabel penting.

2. Membuat distribusi probabilitas kumulatif untuk setiap variabel pada
langkah pertama.
3. Menentukan interval bilangan acak untuk setiap variabel pada langkah
kedua.
4. Menghitung bilangan acak.
5. Melakukan serangkaian simulasi percobaan.
Metode Monte Carlo
Contoh Soal:
Sebuah toko sepatu memperkirakan permintaan sepatu per harinya menurut
pola distribusi sebagai berikut :

No Permintaan/hari Frekuensi permintaan Dari data masa lalu sudah dapat

1 4 pasang 5 diperkirakan dengan baik. Kemudian
2 5 pasang 10 pengusaha toko ini hendak
3 6 pasang 15
memperkirakan pola permintaan
4 7 pasang 30
5 8 pasang 25 untuk 10 hari bulan berikutnya.
6 9 pasang 15 Berapa kira-kira permintaan yang
Jumlah 100
muncul?
Metode Monte Carlo
Contoh Soal:

1. Terlebih dahulu dibuat imperical data distribusinya, yaitu : distribusi

probabilitas, seperti pada tabel sebelumnya

2. Distribusi permintaan in diubah dalam bentuk fungsi distribusi

probabilitas kumulatif.

No Permintaan/hari Distribusi probabilitas DPK

1 4 pasang 0.05 0.05

2 5 pasang 0.1 0.15
3 6 pasang 0.15 0.3
4 7 pasang 0.3 0.6
5 8 pasang 0.25 0.85
6 9 pasang 0.15 1
Jumlah 1
Metode Monte Carlo

3. Setiap permintaan tersebut, diberi angka penunjuk batasan (interval),

disusun berdasarkan DPK distribusi permintaan.

No Permintaan/hari Distribusi probabilitas DPK Interval

1 4 pasang 0.05 0.05 0.00 - 0.05

2 5 pasang 0.1 0.15 0.06 - 0.15

3 6 pasang 0.15 0.3 0.15 - 0.30

4 7 pasang 0.3 0.6 0.31 - 0.60

5 8 pasang 0.25 0.85 0.60 - 0.85

6 9 pasang 0.15 1 0.86 - 1.00

Metode Monte Carlo

4. Lakukan penarikan random number, dengan salah satu bentuk RNG, misal
diperoleh 10 random number sbb :

1. 0.5751 6. 0.2888

2. 0.1270 7. 0.9518

3. 0.7039 8. 0.7348

4. 0.3853 9. 0.1347

5. 0.9166 10. 0.9014

5. Dari random number ini diambil 2 angka dibelakang koma dan

dicocokkan dengan interval. Hasilnya adalah kesimpulan permintaan
yang dibutuhkan
Metode Monte Carlo

No Hari Permintaan Jumlah Pasangan

1 I 7 pasang
2 II 5 pasang
3 III 8 pasang
4 IV 7 pasang
5 V 9 pasang
6 VI 6 pasang
7 VII 9 pasang
8 VIII 8 pasang
9 IX 5 pasang
10 X 9 pasang
TUGAS
 Tugas Metode Monte Carlo

PT. ABC adalah perusahaan tambang batubara. Selama 200 hari kebelakang, tercatat
laporan penggantian ban yang sudah dikelompokkan berdasarkan jumlah ban yang
diganti perhari.

Penggantian Frekuensi
0 ban 10 hari
10 ban 20 hari
20 ban 40 hari
30 ban 60 hari
40 ban 40 hari
50 ban 30 hari
 Tugas Metode Monte Carlo

Dump Truck Grader

Loader Compactor
 Tugas Metode Monte Carlo

Informasi :
Dalam kegiatan evaluasi kinerja ban dump truck, indikator kerja utama atau yang lebih dikenal
dengan key performance indicator (KPI), yang digunakan untuk mengukur performa ban adalah
Ton Kilometer Per Hour (TKPH), Tread Utilization Rate (TUR), lifetime dan kondisi jalan angkut.

Pertanyaannya adalah berapakah prediksi penggantian ban yang terjadi setiap hari
sampai 5 hari kedepan menggunakan simulasi Monte Carlo?
Tugas 8
Pengumpulan Tugas
1. Kumpulkan tugas dalam format .xls dengan nama file (Nama-
NPM-Tugas8).
2. Batas waktu pengumpulan tugas 8 (9 Juni 2021 (pukul 00.00
WIB)).
3. Kirimkan tugas ke email : 106624601@cc.ncu.edu.tw
dengan subjek (Nama-NPM-Tugas8).