Anda di halaman 1dari 31

Simulasi Monte Carlo

Pertemuan 07
Simulasi Sistem

1/16/2018 12:15 AM Simulasi Sistem 1


Pembahasan

 Pendahuluan
 Batasan Dasar Monte Carlo
 Ilustrasi Penggunaan Simulasi
 Latihan problema

1/16/2018 12:15 AM Simulasi Sistem 2


Pendahuluan
 Simulasi Monte Carlo dikenal dengan istilah
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

1/16/2018 12:15 AM Simulasi Sistem 3


3 Batasan Dasar
Simulasi Monte Carlo
1. Apabila suatu persoalan sudah dapat diselesaikan
atau dihitung jawabannya secara matematis
dengan tuntas, maka hendaknya jangan
menggunakan simulasi ini
2. Apabila sebagian persoalan tersebut dapat
diselesaikan secara analitis dengan baik, maka
penyelesaiannya lebih baik dilakukan secara
terpisah. Sebagian secara analitis dan sebagian
lagi simulasi
3. Apabila mungkin dapat digunakan simulasi
perbandingan

1/16/2018 12:15 AM Simulasi Sistem 4


Langkah-langkah
1) Lakukan observasi terhadap parameter yang
akan dimodelkan
2) Hitung frekuensi tiap nilai parameter
3) Hitung distribusi frekuensi kumulatif dan
distribusi probablitas kumulatif
4) Pasangkan nilai kelas tiap parameter dgn
bilangan random dgn range 0-0.99
5) Tarik suatu bilangan random dengan
menggunakan tabel random
6) Dapatkan nilai paremeter yg sesuai dengan
memasang bilang random yg dihasilkan
1/16/2018 12:15 AM Simulasi Sistem 5
Contoh 1
 Memodelkan waktu proses dari suatu
stasion kerja tertentu
 Langkah 1 hasil pengamatan
menunjukkan waktu proses (jam)
yang berbeda yaitu :
0.4 0.1 0.2 0.4 0.7 0.3 0.2 0.5 0.2 0.6
0.1 0.3 0.5 0.1 0.3 0.2 0.3 0.2 0.2 0.4

1/16/2018 12:15 AM Simulasi Sistem 6


Hitung frekuensi dan frekuensi
kumulatif

Nilai Frekuensi Frek. kum Prob. kum


0.1 3 3 3/20=0.15
0.2 6 9 9/20=0.45
0.3 4 13 0.65
0.4 3 16 0.80
0.5 2 18 0.90
06 1 19 0.95
0.7 1 20 1

1/16/2018 12:15 AM Simulasi Sistem 7


Frekuensi histogram
Distribusi frekuensi
7
6
5
4
3
2
1
0
1 2 3 4 5 6 7

1/16/2018 12:15 AM Simulasi Sistem 8


Simulasi waktu proses dengan
metode Monte Carlo
Nilai Prob. kum Range Bilangan
Random
0.1 0.15 0.0- 0.14
0.2 0.45 0.15 – 0.44
0.3 0.65 0.45 – 0.64
0.4 0.80 0.65 – 0.79
0.5 0.90 0.80 – 0.89
0.6 0.95 0.90 – 0.94
0.7 1 0.95 – 0.99

Misal tabel bilangan random 0.27 maka nilai dari


waktu proses adalah 0.2
1/16/2018 12:15 AM Simulasi Sistem 9
Ilustrasi simulasi Monte Carlo waktu
proses
No. Bil. Random Waktu proses

1. 0.45 0.3
2. 0.34 0.2
3. 0.18 0.2
4. 0.63 0.3
5. 0.15 0.2
6. 0.85 0.5
7. 0.73 0.4
8. 0.96 0.7
9. 0.55 0.3
1/16/2018 12:15 AM Simulasi Sistem 10
Contoh 2
Suatu bank mempunyai seorang teller. Distribusi
waktu antar kedatangan (TBA) pelanggan dan
waktu pelayanan adalah sbb:

Kedatangan Pelayanan
TBA Prob. Prob. time Prob. Prob.
kum Kum
0 0.02 0.02 20 0.08 0.08
30 0.40 0.42 40 0.50 0.58
60 0.30 0.73 60 0.25 0.83
90 0.2 0.92 80 0.12 0.95
120 0.08 1 100 0.05 1

1/16/2018 12:15 AM Simulasi Sistem 11


Kedatangan Pelayanan
TBA Prob. Prob. Range Time Prob. Prob. Range
Kum Bil. Kum Bil.
Random Random
0 0.02 0.02 0.0 – 0.01 20 0.08 0.08 0.00-0.07
30 0.40 0.42 0.02-0.41 40 0.50 0.58 0.08-0.57
60 0.30 0.73 0.42-0.72 60 0.25 0.83 0.58-0.82
90 0.2 0.92 0.73-0.91 80 0.12 0.95 0.83-0.94
120 0.08 1 0.92-1.00 100 0.05 1 0.95-0.99

1/16/2018 12:15 AM Simulasi Sistem 12


Ilustrasi Simulasi Monte Carlo waktu
pelayan di bank
Pelang Bil. TBA Kum. TBA Waktu Waktu selesai
-gan Random pelayanan pelayanan

1 0.38 30 30 40 70
2 0.25 30 60 40 110
3 0.97 120 180 100 280
4 0.08 30 210 40 320
5 0.08 30 240 40 360
6 0.48 60 300 40 400
7 0.63 60 360 60 460
8 0.98 120 480 100 580
9 0.55 60 540 30 610
10 0.29 30 570 40 650

1/16/2018 12:15 AM Simulasi Sistem 13


Contoh 3
Sebuah toko sepatu memperkirakan permintaan
sepatu per harinya menurut pola distribusi
sebagai berikut:
Frekuensi
No Permintaan/hari permintaan
1 4 pasang 5
2 5 pasang 10
3 6 pasang 15
4 7 pasang 30
5 8 pasang 25
6 9 pasang 15
Jumlah 100
1/16/2018 12:15 AM Simulasi Sistem 14
 Dari data masa lalu sudah dapat diperkirakan
dengan baik. Kemudian pengusaha toko ini hendak
memperkirakan pola permintaan untuk 10 hari
bulan berikutnya. Berapa kira-kira permintaan yang
muncul?

1/16/2018 12:15 AM Simulasi Sistem 15


Prosedur/langkah penyelesaian
1. Buat Imperical Data distribusinya, yaitu : fungsi distribusi
densitas, seperti pada tabel sebelumnya
2. Distribusi permintaan in diubah dalam bentuk fungsi distribusi
komulatif (DFK)
Distribusi
No Permintaan/hari DFK
densitas
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
1/16/2018 12:15 AM Simulasi Sistem 16
Langkah selanjutnya
3. Setiap permintaan tersebut, diberi angka penunjuk
batasan (Tag/Label number), disusun berdasarkan DFK
distribusi permintaan

Permintaan/ Distribusi
No. DFK Tag number
hari densitas
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

1/16/2018 12:15 AM Simulasi Sistem 17


Langkah selanjutnya
4. Lakukan penarikan random number, dengan salah
satu bentuk Rundom Number Generated (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
Dari random number ini diambil 2 angka dibelakang
koma dan dicocokkan dengan tag number. Hasilnya
adalah kesimpulan permintaan yang dibutuhkan

1/16/2018 12:15 AM Simulasi Sistem 18


Langkah selanjutnya
Hari Jumlah
No Permintaan Pasangan Penjelasan
1 I 7 pasang
2 II 5 pasang Terdapat :
3 III 8 pasang 7 pasang (2)
4 IV 7 pasang 5 pasang (2)
5 V … 8 pasang (2)
6 VI … 6 pasang (2)
7 VII … 9 pasang (2)
8 VIII …
9 IX …
10 X
1/16/2018 12:15 AM …
Simulasi Sistem 19
Contoh 4- simulasi monte carlo
dengan sebaran empiris

 Toko roti Betty memesan sejumlah roti setiap


hari; disimpan dalam persediaan
 Toko itu bermaksud menentukan berapa
banyak roti yang harus dipesan setiap hari,
agar keuntungannya maksimal
 Diasumsikan bahwa semua roti yang tidak
terjual pada hari itu tidak dapat dijual
kembali pada hari berikutnya, dan dihitung
sebagai kerugian
Contoh 3 …
 Toko Betty mengumpulkan data harian
permintaan rotinya selama 100 hari, dan
frekuensi permitaannya sebagai berikut
Permintaan Midpoint Probabilitas
(roti)
20 –24 22 0,05
25 – 29 27 0,10
30 – 34 32 0,20
35 – 39 37 0,30
40 – 44 42 0,20
45 – 49 47 0,10
50 – 54 52 0,05
Contoh 3 …

 Ada dua skenario yang ingin dievaluasi, yang


mana yang akan memberikan keuntungan
maksimal
1. Memesan sejumlah roti sama dengan permintaan pada
hari sebelumnya
2. Memesan 37 roti setiap hari tanpa memandang
permintaan yang lalu
 Misalkan roti dijual Rp. 500,- per buah dan
harga pembelian dari pabrik adalah Rp.250,- per
buah
 Manakah skenario yang memberikan keuntungan
maksimal berdasarkan 15 hari simulasi
Contoh 3 …

 Penyelesaian
 Berdasarkan tabel sebaran probablitas yang
diperoleh sebelumnya, dibuat tabel rentang
angka acak. Lebar rentang angka acak
didasarkan pada probablitas tiap permintaan
 Titik tengah (midpoint) permintaan mewakili
nilai permintaan yang akan dibangkitkan.
Contoh 3 …

Midpoint Probalitas Rentang


permintaan
kumulatif angka acak
22 0,05 0,000 - 0,049
27 0,15 0,050 - 0,149
32 0,35 0,150 - 0,349
37 0,65 0,350 – 0,649
42 0,85 0,650 – 0,849
47 0,95 0,850 – 0,949
52 1 0,950 – 1,000

Angka acak 0,173 akan bersesuaian dengan


permintaan 32 roti, dan seterusnya.
Contoh 3 …
 Bangkitkan 15 buah angka acak,
bersesuaian dengan 15 hari simulasi
(dapat menggunakan calculator,
sehingga diperoleh angka acak dengan
tiga digit dibelakang koma)
 Misalkan angka acak yang diperoleh
(anda mungkin akan mendapatkan
angka-angka acak yang berbeda)
adalah:
0,272 0,433 0,851 0,882 0,298
0,697 0,940 0,639 0,323 0,488 0,136
0,139 0,544 0,152 0,475
Ilustrasi Simulasi Monte Carlo
Hari Angka Permintaan Skenario 1 Skenario 2
Acak Jlh. pesanan Penjualan Jlh. pesanan Penjualan
0 37
1 0,272 32 37 32 37 32
2 0,433 37 32 32 37 37
3 0,851 47 37 37 37 37
4 0,882 47 47 47 37 37
5 0,298 32 47 32 37 32
6 0,697 42 32 32 37 37
7 0,940 47 42 42 37 37
8 0,639 37 47 37 37 37
9 0,323 32 37 32 37 32
10 0,488 37 32 32 37 37
11 0,136 27 37 27 37 27
12 0,139 27 27 27 37 27
13 0,544 37 27 27 37 37
14 0152 32 37 32 37 32
15 0,475 37 32 32 37 37
Jumlah 587 550 500 555 515
Contoh 3 …

 Pada simulasi ini permintaan merupakan


peubah acak yang nilai-nilainya
dibangkitkan (data artifisial)
 Penjualan = minimum nilai permintaan dan
pemesanan.
 Skenario 1:
 Keuntungan = 500 (500) – 250 (550) = Rp.112.500
 Skenario 2:
 Keuntungan = 500 (515) – 250 (555) = Rp.118.750
Tugas
 Dalam suatu pabrik assembling, barang C
merupakan perpaduan barang A dan B yang
dibeli dari supplier. Dalam proses
produksinya, panjang barang A dan B
tidaklah sama panjang. Dinyatakan dalam
suatu tabel distribusi probabilitas (panjang
dalam cm)
 Dari data akan dicari dan ditentukan
estimasi dari mean (rata-rata panjang) dan
varians

(kumpul minggu depan)


1/16/2018 12:15 AM Simulasi Sistem 28
Tabel Distribusinya :
Panjang A Panjang B
Panjang Probabilitas Panjang Probabilitas
10 0.25 17 0.07
11 0.25 18 0.14
12 0.25 19 0.23
13 0.25 20 0.38
21 0.12
22 0.06

1/16/2018 12:15 AM Simulasi Sistem 29


Penyelesaian menggunakan Monte Carlo

 Cari Densitas Frekuensi Kumulatif masing-masing dan


tag number masing-masing
 Cari random number menggunakan RNG multiplier
Untuk barang A: m=19, a=7, X awal= (digit terakhir NIM)
Untuk barang B: m=17, a=7, X awal= (digit terakhir NIM)
 Sesuaikan dengan tag number, cari kemungkinan
munculnya panjang A dan B
 Cari total panjang barang C untuk masing-masing
kemungkinan
 Cari nilai-nilai yang dibutuhkan untuk mencari mean dan
varians

1/16/2018 12:15 AM Simulasi Sistem 30


Sekian
Terima Kasih

1/16/2018 12:15 AM Simulasi Sistem 31