M.

Reza Pratama Hrp

Dinda Farahdilla Dharma

Anisa Masnauli Siregar

 Simulasi Monte Carlo dikenal dengan intilah sampling
simulation atau Monte Carlo Samling 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
 Apabila suatu persoalan sudah dapat diselesaikan atau
dihitung jawabannya secara matematis dengan tuntas, maka
hendaknya jangan 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
  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
Dari data masa lalu sudah dapat diperkirakan
3 6 pasang 15 dengan baik. Kemudian pengusaha toko ini
hendak memperkirakan pola permintaan untuk
4 7 pasang 30
10 hari bulan berikutnya. Berapa kira-kira
5 8 pasang 25 permintaan yang muncul?
6 9 pasang 15
  Jumlah 100
1. Terlebih dahulu dibuat Imperical Data distribusinya, yaitu :
fungsi distribusi densitas, seperti pada tabel sebelumnya.
2. Distribusi permintaan ini diubah dalam bentuk fungsi
distribusi komulatif (DFK).

No permintaan/hari Distribusi densitas DFK

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  
3. Setiap permintaan tersebut, diberi angka penunjuk batasan
(Tag/Label number), disusun berdasarkan DFK distribusi
permintaan.
Tag
permintaan/ha Distribusi
No DFK numb
ri densitas
er
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

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

Dari random number ini diambil 2 angka dibelakang koma dan

dicocokkan dengan tag number. Hasilnya adalah kesimpulan
permintaan yang dibutuhkan
 Hari
No Permintaa Jumlah Pasangan Penjelasan
n
1 I 7 pasang  
2 II 5 pasang Terdapat :
3 III 8 pasang 7 pasang (2)
4 IV … 5 pasang (2)
5 V … 8 pasang (2)
6 VI … 6 pasang (2)
7 VII … 9 pasang (2)
8 VIII …  
9 IX …  
10 X …  
 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.
 Panjang A Panjang B
Probabili
Panjang Probabilitas Panjang
tas
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
 Cari DFK masing2 dan tag number masing-masing
 Cari random number menggunakan RNG multiplier
Untuk barang A: m=19, a=7, x awal=1
Untuk barang B: m=17, a=7, x awal=3
 Sesuaikan dengan tag number, cari kemungkinan munculnya
panjang A dan B
 Cari total panjang barang C untuk masing2 kemungkinan
 Cari nilai2 yang dibutuhkan u/ mencari mean dan varians