SIMULASI MONTE CARLO

• Simulasi Monte Carlo dikenal juga dengam Sampling

Simulation atau Monte Carlo Sampling Technique.
Sampling Simulation ini menggambarkan kemungkinan
penggunaan data sampel dalam metode Monte Carlo
dan juga sudah dapat diketahui atau diperkirakan
distribusinya.
Metode Simulasi Monte Carlo ini cukup sederhana di
dalam menguraikan ataupun menyelesaikan persoalan,
termasuk dalam penggunaan program-programnya di
komputer.
• Dalam kesederhanaan cara, simulasi ini memebrikan tiga batasan
dasar yang perlu diperhatikan :
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 diuraikan secara
analitis dengan baik, maka penyelesaiannya lebih baik dilakukan
secara terpisah, yaitu sebagian dengan cara analitis dan yang
lainnya dengan simulasi Monte Carlo untuk kemudian disusun
kembali keseseluruhan sebagai penyelesaian akhir.
3. Apabila mungkin maka dapat digunakan simulasi perbandingan .
Kadangkala simulasi ini dibutuhkan apabila dua sistem dengan
perbedaan-perbedaan pada parameter, distribusi, cara-cara
pelaksanaannya.
 Contoh Distribusi Diskret Uniform

Sebuah perusahaan bakery membuat suatu kelompok jenis

donat yang dijual ke toko-toko dengan distribusi
permintaan diskret uniform dengan kebutuhan harian
maksimum=100 unit dan minimal =40 unit
a. Tentukan random variate dari distribusi diskret
uniform tersebut untuk dapat disimulasikan dengan
a=77, Zo=12357, m=127.
b. Apabila digunakan random number dengan data
a=77, Zo=12357, m=127, perhitungkan sebanyak
lima kali pengambilan random number.
 Ilustrasi Penggunaan Simulasi
• Contoh sebuah toko sepatu memperkirakan permintaan sepatu per
harinya menurut suatu pola distribusi sbb:
• Tabel 1. Distribusi Permintaan

No. Urut Permintaan/hari Frekunsi 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
• Dari data masa lalu sudah dapat dihitung dengan baik. Kemudian
pengusaha toko hendak memperkirakan pola permintaan/demand
untuk 20 hari dalam bulan berikutnya.
Penyelesaian:
a. Buat Imperical data distribusinya yaitu Fungsi distribusi
densitas atau frekuensi distribusi dari historical data yang ada.
(Tabel 1)
b. Distribusi permintaan ini diubah dalam bentuk fungsi distribusi
kumulatif (Cummulative Distributed Frequency-CDF) (Tabel 2)
• Tabel 2. Fungsi Kumulatif Distribusi Permintaan

No. Urut Permintaan/hari Distribusi Fungsi Kumulatif

Densitas Distribusi
1 4 pasang 0.05 0.05
2 5 pasang 0.10 0.15
3 6 pasang 0.15 0.30
4 7 pasang 0.30 0.60
5 8 pasang 0.25 0.85
6 9 pasang 0.15 1.00
Jumlah 1.00

c. Setiap permintaan (demand) terserbut diberi angka penunjuk batasn

(tag number/label number) yang dapat dinyatakan pada tabel 3.
• Tabel 3. Angka Penunjuk Batasan
No. Urut Permintaan/hari Distribusi Densitas Tag Number
1 4 pasang 0.05 00-05
2 5 pasang 0.10 06-15
3 6 pasang 0.15 16-30
4 7 pasang 0.30 31-60
5 8 pasang 0.25 61-85
6 9 pasang 0.15 86-99
d. Lakukan penarikan random number dengan salah satu rumus yang
diuraikan di atas sehingga didapatkan berapa banyak permintaan
setiap harinya. Untuk 10 nilai random number:
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 hanya diambil dua angka di depannya, yang
kemudian dicocokan pada angka Tabel 3. Hasilnya adalah kesimpulan
pasangan sepatu yang dibutuhkan setiap harinya.
 e. Dari hasil pengambilan random number tersebut kemudian dapat disusun
suatu tabel daru urutan hari-hari permintaan dan jumlah pasangan sepatu
yang dibutuhkan.
No. Hari permintaan Jumlah pasangan sepatu Penjelasan
1 1 7 pasang Terdapat
2 2 5 pasang 1.7 pasang (2)
3 3 8 pasang 2.5 pasang (2)
4 4 7 pasang 3.8 pasang (2)
5 5 9 pasang 4.6 pasang (2)
6 6 6 pasang 5.9 pasang (2)
7 7 9 pasang Yang tertinggi 9
8 8 8 pasang pasang
9 9 5 pasang
10 10 9 pasang
 Produksi Suku Cadang
• Dalam usaha pendekatan simulasi untuk ilustrasi suatu pabrik asembling
suatu barang yang disebut Part C. Barang ini dibuat dari gabungan dua
bagian yang lain yaitu Part A dan Part B yang dibeli dari suplier. Ini berarti
panajng Part A dengan Part B yang terpakai.
• Tabel 5. Distribusi Probabilitas Panjang Part A dan Part B

Panjang Part A Panjang Part 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
• Dari data dan persoalan ini akan dicari dan ditentukan estimasi
dari rerata (mean) dan variance atau standar deviasi dari panjang
Part C yang merupakan penjumlahan Part A dan Part B. sebagai
proses penyelesaian data tersebut akan diuraikan dengan 3 cara
yang berbeda yaitu:
1. Dengan menggunakan pendekatan simulasi dengan teknik-teknik
sampling.
2. Dengan menggunakan cara-cara ekspektasi dari Part A dan part B
dari Tabel 5.
3. Dengan menggunakan fisik sebagai hasil dari Part a dan Part B
 Menggunakan Cara Pendekatan Simulasi dengan
Teknik-Teknik Sampling.

Tabel 6. CDF dan Tag Part A

Panjang (cm) Probabilitas CDF Tag number

10 0.25 0.25 0 ≤ Ri ≤ 0.25
11 0.25 0.50 0.25 ≤ Ri ≤ 0.50
12 0.25 0.75 0.50 ≤ Ri ≤ 0.75
13 0.25 1.00 0.75 ≤ Ri ≤ 1.00
• Tabel 7. Random sampling panjang Part A
No. Random number Hasil Panjang Random Sampling
1 0.0589 10 cm
2 0.6733 12 cm
3 0.4799 11 cm
4 0.9486 13 cm
5 0.6139 12 cm
6 0.5933 12 cm
7 0.9341 13 cm
8 0.1782 10 cm
9 0.3473 11 cm
10 0.5644 12 cm
• Tabel 8. CDF dan Tag number Part B

Panjang Probabilita CDF Tag number

(cm) s
17 0.07 0.07 0 ≤ Ri ≤ 0.07
18 0.14 0.21 0.07 ≤ Ri ≤
19 0.23 0.44 0.21
20 0.38 0.82 0.21 ≤ Ri ≤
21 0.12 0.94 0.44
22 0.06 1.00 0.44≤ Ri ≤ 0.82
0.82≤ Ri ≤ 0.94
0.94≤ Ri ≤ 1.00
Setelah tabel tag number selesai dibuat maka kemudian akan
dilakukan penarikan random number dari komputer untuk meneliti
10 random number dengan hasil panjang Part B sbb:
• Tabel 9. Tag number untuk Part B
No. Random number Hasil panjang Random Sampling
(cm)
1 0.8173 20
2 0.8941 21
3 0.1997 18
4 0.3945 19
5 0.7065 20
6 0.0113 17
7 0.8075 20
8 0.7918 20
9 0.0194 17
10 0.3298 19
• Tabel 10. Simulasi Panjang Part C
No. Panjang Part A Panjang Part Panjang Kuadrat Part
Sampel B Part C=A+B (C)
1 10 20 30 900
2 12 21 33 1089
3 11 18 29 841
4 13 19 32 1024
5 12 20 32 1024
6 12 17 29 841
7 13 20 33 1089
8 10 20 30 900
9 11 17 28 784
10 12 19 31 961

Jumlah 307 9453

• Perhitungan
a. Rata-rata/mean
n

C i
C i 1
 307 / 10  30.7
n
b. Variance C n

 Ci  n(C ) 2
9453  9424.9
C i 1
  3.122cm
c. Standar Deviasi Part C n 1 9

 (Ci  n(C ) 2
9453  9424.9
S .D(C )  i 1
  3.122  1.77
n 1 9

Ini hasil akhir dari Part C melalui simulasi komputer

 Pendekatan dengan cara Ekspektasi

1. Untuk rerata/mean dari x: E ( X )   Xi * f ( X )

i 1
n
2. Untuk Variance (x): Var ( x)   ( x  x) 2 * f ( x)
i 1

Dari rumus ini dapat dicari masing-masing Part A dan Part B

a. Untuk Part A diperoleh :
Rerata/Mean dari Part A E(A)=(10*0.25)+(11*0.25)+(12*0.25)+(13*0.25)=11.5
Variance(A) =(10-11.5)2*0.25+(11-11.5)2*0.25+(12-11.5)2*0.25 +(13-11.5) 2*
0.25=1.25
Standar Deviasi (A) = Var ( A)  1.12
b. Untuk Part B caranya sama dengan Part A dengan tabel 5
c. Untuk Part C= Part A + Part B
Rerata/Mean (C) =E(A) + E(B)
 Pendekatan Sampling Secara Langsung
• Pendekatan sampling secara langsung diambil dari sejumlah Part A dan
sejumlah Part B melalui cara random maka didapat panjang Part C.
• Tabel 11. Hasil Part C dari sampel Part A dan B
No Sampel Panjang Part A Panjang Part B Panjang Part Kuadrat Part (C)
C=A+B
1 12 21 33 1089
2 10 17 27 729
3 11 20 31 961
4 10 19 29 841
5 13 22 35 1225
6 11 18 29 841
7 12 17 29 841
8 10 20 30 900
9 12 19 31 961
10 11 18 28 841

Jumlah 303 9229

•Perhitungan n

Rerata/mean(C)=  Ci
i 1
 30.3cm
n
n
Sedangkan untuk Variance (C)  Ci  n(C ) 2

 i 1
 9229  9181 / 9  5.34cm
n 1
Standar Deviasi (C)=
Var (C )  2.31

Dengan demikian bila dibandingkan ketiga cara diatas maka Simulasi

memberikan hasil yang cukup baik dan dapat dipakai dengan ketelitian
yang tinggi.