Monte Carlo Simulation

Semester Genap 2011/2012

Metode Simulasi

11/23/2018 Dr. Rahma Fitriani, S.Si., M.Sc

• Simulation:
– Model sebagai imitasi dari real life
– Digunakan untuk prediksi
• Komponen:
– Input
– Persamaan (sistem)
– Output
• Model deterministik: hasil yang sama untuk
input yang sama dari satu perhitungan ke
perhitungan yang lain.
11/23/2018 Dr. Rahma Fitriani, S.Si., M.Sc
 Contoh 1: Model Deterministik
Compound Interest Model
• Perhitungan pendapatan dari investasi $1000
yang telah dilakukan 5 tahun yang lalu
• Bunga yang diperoleh 7% per tahun, yang
dihitung per bulan.
• Model:
Ym
 r
F  P 1  
 m
F: future income, P: present income/investasi,
r: bunga tahunan, m: periode/tahun = 12 bulan,
Y: tahun
11/23/2018 Dr. Rahma Fitriani, S.Si., M.Sc
• Pada suku bunga yang berubah-rubah, future
income dari suatu investasi dapat dihitung –
disimulasikan

• Mis: r = 0.07 , maka investasi sebesar $1000 akan

menjadi $ 1417.63 dalam 5 tahun

• What if??
– Jika suku bunga turun menjadi 5 persen per tahun??

• Jika r = 0.05, maka nilai investasi dalam 5 tahun

mendatang menjadi $ 1283.36

11/23/2018 Dr. Rahma Fitriani, S.Si., M.Sc

• Model deterministik untuk mengevaluasi what if
scenarios

• Memprediksi hasil jika input mengalami perubahan

• Dengan menggunakan input yang sifatnya

random/acak
Model deterministik → model stokastik

11/23/2018 Dr. Rahma Fitriani, S.Si., M.Sc

 Simulasi Monte Carlo
• Metode yang secara iteratif mengevaluasi model
deterministik menggunakan himpunan bilangan
acak sebagai input.

• Model: kompleks, non linier, melibatkan banyak

parameter.

• Simulasi umumnya melibatkan lebih dari 10 000

evaluasi → super computers job.

11/23/2018 Dr. Rahma Fitriani, S.Si., M.Sc

Contoh 2: Stochastic Model for a Hinge
Assembly
• Hinge terdiri dari 3 komponen A, B
dan C yang berasal dari proses
produksi

• Melibatkan unsur random, variasi

pada panjang setiap komponen.

• A, B dan C dirakit
• Jika panjang komponen
A+B+C>D
Tidak dapat dirakit

11/23/2018 Dr. Rahma Fitriani, S.Si., M.Sc

• Diproduksi jutaan unit untuk setiap komponen (dengan
toleransi tertentu untuk ukuran)

• Diambil sampel secara acak,

• Tidak akan ada dua komponen sejenis yang berukuran

tepat sama

• Rentang panjang minimum atau maximum dapat

digunakan untuk mensimulasikan panjang setiap
komponen

• Evaluasi kualitas/keakuratan ukuran komponen supaya

dapat dirakit

11/23/2018 Dr. Rahma Fitriani, S.Si., M.Sc

35
34
30.5
29.5
2.05
1.95

• Rentang nilai Min dan

Max: parameter Tolerance Stack-Up Model

pembangkitan bilangan Part Min Max Random

acak untuk panjang setiap A 1.95 2.05

komponen B 1.95 2.05

C 29.5 30.5

D 34 35

• Clearance: Hinge.xlsx

– Jika >0, A, B dan C dapat Clearance, D-(A+B+C):

dirakit ke dalam D
– Jika<0, panjang A+B+C>D,
tidak dapat dirakit

11/23/2018 Dr. Rahma Fitriani, S.Si., M.Sc

 Uncertainty propagation
Memunculkan ketidak pastian
Tujuan:
Menentukan efek dari keragaman acak, lack of knowledge, error
terhadap sensitifitas, performance dan reliabilitas dari sistem
yang dimodelkan.
Simulasi Monte Carlo:
• Metode penarikan sampel → membangkitkan bilangan acak dari
sebaran tertentu
• Mensimulasikan proses seolah-olah sampel tersebut berasal dari
populasi yang sebenarnya
• Sebaran dari input harus mendekati dari distribusi data yang
ada: current state of knowledge

11/23/2018 Dr. Rahma Fitriani, S.Si., M.Sc

• Data sebagai output
dari simulasi
disajikan dalam:
– Sebaran peluang
– Histogram
– Selang kepercayaan
– Reliability prediction

11/23/2018 Dr. Rahma Fitriani, S.Si., M.Sc

 Langkah-langkah Simulasi Monte Carlo
• Langkah 1: Bentuk model parametrik,
y = f(x1, x2, ..., xq).

• Langkah 2: Bangkitkan himpunan input acak,

xi1, xi2, ..., xiq.

• Langkah 3: Evaluasi model dan simpan hasil sebagai yi.

• Langkah 4: Ulang langkah 2 dan 3 untuk i = 1 s/d n.

• Langkah 5: Analisis hasil yi menggunakan histogram statistik

deskriptif, selang kepercayaan dll.
11/23/2018 Dr. Rahma Fitriani, S.Si., M.Sc
 Simulasi Monte Carlo untuk Hinge
Assembly
• Langkah yang dilakukan pada contoh
sebelumnya diulang berkali-kali

• Misalkan: 1000 kali → n = 1000

• Lihat file excel

• Hinge.xlsx

11/23/2018 Dr. Rahma Fitriani, S.Si., M.Sc

 Simulasi Monte Carlo Untuk Jumlah
dua Sebaran Uniform
• X ~ U(2,4)
• Y ~ U(0,1)
• Seperti apa sebaran Z = X + Y ?
• Secara analitik menggunakan:
– Metode fungsi sebaran
– Metode konvolusi
• Atau simulasi.

11/23/2018 Dr. Rahma Fitriani, S.Si., M.Sc

Langkah-langkah:
• Langkah 1: Bangkitkan X ~ U(2,4)

• Langkah 2: Bangkitkan Y ~ U(0,1)

• Langkah 3: Hitung Z = X + Y

• Langkah 4: Ulangi langkah 1 s/d 3 sebanyak n kali

(simpan setiap Zi, i = 1, …, n)

• Langkah 5: Analisis hasil Zi menggunakan histogram

statistik deskriptif, selang kepercayaan dll.
UNIFORM
11/23/2018 Dr. Rahma Fitriani, S.Si., M.Sc ADD.xlsx