SIMULASI MONTE CARLO

1
Simulasi Monte Carlo dikenal juga dengan
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.

2
Metode Simulasi Monte Carlo ini cukup
sederhana di dalam menguraikan ataupun
menyelesaikan persoalan, termasuk dalam
penggunaan program-programnya di
komputer.

3
Dalam kesederhanaan cara, simulasi ini memberikan 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.
4
Contoh sebuah toko sepatu memperkirakan
permintaan sepatu per harinya menurut suatu
pola distribusi sbb:
No. Urut Permintaan/hari Frekuensi 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 5
 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)
6
b. Distribusi permintaan ini diubah dalam bentuk
fungsi distribusi kumulatif (Cummulative
Distributed Frequency-CDF)
No. Permintaan/hari Distribusi Fungsi Kumulatif
Urut 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 7
c. Setiap permintaan (demand) tersebut diberi angka
penunjuk batasan (tag number/label number) yang dapat
dinyatakan pada tabel berikut.
No. Tag
Permintaan/hari Distribusi Densitas
Urut 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

8
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
9
e. 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.
Dari hasil pengambilan random number
tersebut kemudian dapat disusun suatu tabel
daru urutan hari-hari permintaan dan jumlah
pasangan sepatu yang dibutuhkan.

10
No. Hari permintaan Jml pasang sepatu Penjelasan
1 1 7 pasang Terdapat
2 2 5 pasang 1.7 pasang
3 3 8 pasang 2.5 pasang
4 4 7 pasang 3.8 pasang
5 5 9 pasang 4.6 pasang
6 6 6 pasang 5.9 pasang
7 7 9 pasang Yang tertinggi 9 pasang
8 8 8 pasang
9 9 5 pasang
10 10 9 pasang

11
Dalam usaha pendekatan simulasi untuk
ilustrasi suatu pabrik assembly 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 akan
digunakan dalam perhitungan part C.

12
 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
13
• 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.
14
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

15
 Tabel 6. CDF dan Tag Part A

Panjang Probabilitas CDF Tag number

(cm)
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

16
No. Random Hasil Panjang Random
number 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 17
Panjang Probabilitas CDF Tag number
(cm)
17 0.07 0.07 0 ≤ Ri ≤ 0.07
18 0.14 0.21 0.07 ≤ Ri ≤ 0.21
19 0.23 0.44 0.21 ≤ Ri ≤ 0.44
20 0.38 0.82 0.44≤ Ri ≤ 0.82
21 0.12 0.94 0.82≤ Ri ≤ 0.94
22 0.06 1.00 0.94≤ Ri ≤ 1.00

18
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:

19
No. Random Hasil panjang Random
number 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
20
No. Sampel Panjang Part A Panjang Part B Panjang Kuadrat
Part C=A+B Part (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
21
 n

a. Rata-rata/mean C i
C i 1
 307 / 10  30.7
n
n

 Ci  n(C ) 2

b. Variance C C i 1

9453  9424.9
 3.122cm
n 1 9

c. Standar Deviasi Part C

n

 (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 22
1. Untuk rerata/mean dari x:
E ( X )   Xi * f ( X )
i 1

2. Untuk Variance (x):

n
Var ( x)   ( x  x) 2 * f ( x)
i 1

23
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
24
Standar Deviasi (A) = Var ( A)  1.12

b. Untuk Part B caranya sama dengan Part A

c. Untuk Part C= Part A + Part B
Rerata/Mean (C) =E(A) + E(B)

25
Pendekatan sampling secara langsung diambil dari
sejumlah Part A dan sejumlah Part B melalui cara
random maka didapat panjang Part C.

26
Tabel 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
27
 n
Rerata/mean(C)=  Ci
i 1
 30.3cm
n
Sedangkan untuk Variance (C)
n

 Ci  n (C ) 2

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

28
Dengan demikian bila dibandingkan ketiga cara diatas
maka Simulasi memberikan hasil yang cukup baik dan
dapat dipakai dengan ketelitian yang tinggi.

29
Studi Keuntungan

Simulasi disini digunakan untuk mengetahui

profit dlm kehidupan perdagangan, atau
lainnya
Misal seorang pedagang menerima
suplai barang dari grosir setiap hari.
Jumlah suplai tsb bervariasi (Random
variable), sama seperti kebutuhan
pedagang eceran atas barang tsb setiap
harinya. Jadi kita bisa buat dist prob untuk
sejumlah barang suplai pd pedagang eceran
dari pedagang grosir.
30
Penerapannya ad/ sbb:

Tabel 12. Distribusi suplai pedagang eceran

dari pedagang grosir.
Suplai Pedagang Grosir Distribusi Probabilitas

1 0,08

2 0,17

3 0,20

4 0,25

5 0,17

6 0,13

31
 Kebutuhan Distribusi
Pelanggan dari Probabilitas
Pedagang
Eceran
1 0,07
2 0,14
3 0,22
4 0,30
5 0,18
6 0,09
32
Pedagang eceran ini membeli dari grosir
dengan harga $10/unit dan menjualnya pada
pelanggan $20/unit.
Apabila unit-unit barang belum laku terjual
maka dapat dikembalikan, namun apabila
pedagang eceran ini tidak dapat memenuhi
keinginan pelanggan sesuai kebutuhannya
maka ada perkiraan biaya yang harus
dikeluarkan (cost) sebesar $5/unit.
Hari kerja dalam 1 tahun adalah 289 hari.
33
Pertanyaan :
1. Simulasikan 10 hari berikutnya
perdagangan tersebut dan estimasikan
rata-rata keuntungan setiap harinya.
Tunjukkan juga point estimasi dari
ekspektasi keuntungan tahunan.
2. Dari hasil simulasi ini, estimasikan
standar deviasi dari keuntungan setiap
hari.

34
3. Perhitungkan juga suatu Confidence
Interval dari 95% untuk keuntungan
tahunan.
Diketahui : Random number yang ditarik
selama 10 hari untuk pedagang eceran
(sebagai supplier) dan juga 10 hari (kali)
random number untuk kebutuhan dari
pelanggan (demand), yaitu:
Supplier 07 71 92 84 28 91 18 21 20 26
Demand 83 88 92 37 28 34 48 63 75 18

35
Investasi Melalui NPV

Simulasi yg dilakukan ad/ simulasi investasi

kapital dgn meninjau NPV (Net Present
Value) dgn fokus pada mean and variance.
Keuntungan simulasi disini kita dapat
tahu gambaran kerugian atau keuntungan
investasi tersebut dgn cepat, dan kita bisa
mengambil keputusan yang baik akan
investasi tsb.

36
Penerapannya ad/ sbb:

Soal Latihan :
Suatu proyek dengan investasi $50.000
dengan discount rate 10% berlaku selama 4
tahun. Risiko yang berlaku hanya dalam
pengembalian (return) setiap tahun.
Ternyata penelitian menunjukkan adanya
distribusi probabilitas dan pengembalian
dalam bentuk dollar sebagaimana yang
tercantum dalam tabel berikut.

37
Tabel 14. Distr. Probabilitas dan Pengembalian

Probabilitas (P) Return (R)

0.10 9000
0.25 12000
0.35 18000
0.25 24000
0.05 36000

38
Dari tabel distribusi pengembalian dollar
ini dapat dicari ekspektasi pengembalian
yaitu:

= $18.000 (Mean = Rata-rata)

39
Simulasi untuk mendapatkan mean dan
variance dari Present Value tersebut:
Pro (P) CDF(P) Tag Number Return (R) $
0,10 0,10 00 – 10 9.000
0,25 0,35 11 – 35 12.000
0,35 0,70 36 – 70 18.000
0,25 0,95 71 – 95 24.000
0,05 1,00 96 - 100 36.000

40
 Soal :
 Sebuah perusahaan menengah mempunyai data pegawai yang sering
tidak hadir sebagai berikut :


 Gunakan simulasi Monte Carlo untuk ketidakhadiran pegawai selama 20

tahun ke depan di perusahaan ini.
 Diberikan bilangan acak
 06, 56, 12, 51, 13, 24, 11, 96, 51, 59, 66, 85, 39, 35, 87, 56, 51, 47, 88, 33
 Analisa hasil simulasinya dan berikan usulan apa yang harus dilakukan
perusahaan tersebut.

41
 Waktu antar Frekuensi
kedatangan (menit)
4 60
5 90
6 120
7 30
300
Waktu pelayanan Frekuensi
(menit)
3 90
4 150
5 60
300

Waktu antar Frekuensi Probabilitas

kedatangan Waktu pelayanan Frekuensi Probabilitas
(menit) (menit)
4 60 60/300=0,20 3 90 90/300=0,30
5 90 90/300=0,30 4 150 150/300=0,50
6 120 120/300=0,40 5 60 60/300=0,20
7 30 30/300=0,10 300 1,00
300 1,00

Waktu antar Frekuensi Probabilitas Prpbabilitas Waktu pelayanan Frekuensi Waktu pelayanan Prpbabilitas
kedatangan (menit) kumulatif (menit) (menit) kumulatif
4 60 60/300=0,20 0,20 3 90 90/300=0,30 0,30
5 90 90/300=0,30 0,50 4 150 150/300=0,50 0,80
6 120 120/300=0,40 0,90 5 60 60/300=0,20 1,00
7 30 30/300=0,10 1,00 300 1,00
300 1,00

42
Waktu antar Frekuensi Probabilitas Propbabilit Interval angka
kedatangan as acak
(menit) kumulatif
4 60 60/300=0,20 0,20 00-19
5 90 90/300=0,30 0,50 20-49
6 120 120/300=0,40 0,90 50-89
7 30 30/300=0,10 1,00 90-99
300 1,00

Waktu Frekuensi Waktu Prpbabilitas Interval

pelayanan pelayanan kumulatif angka acak
(menit) (menit)
3 90 90/300=0,30 0,30 00-29
4 150 150/300=0,50 0,80 30-79
5 60 60/300=0,20 1,00 80-99
300 1,00
43
Kedatan Angka Interval Jam Jam Waktu Panjang Angka Waktu Jam Waktu
gan ke acak kedatan datang masuk tunggu antrian acak layanan pergi dalam
(R1) gan fasilitas (R2) sistem

1 - - 0 0 0 0 45 4 4 4
2 90 7 7 7 0 0 84 5 12 5
3 17 4 11 12 1 1 74 4 16 5
4 94 7 18 18 0 0 07 3 21 3
5 15 4 22 22 0 0 04 3 25 3
6 31 5 27 27 0 0 07 3 30 3
7 99 7 34 34 0 0 97 5 39 5
8 73 6 40 40 0 0 13 3 43 3
9 03 4 44 44 0 0 62 4 48 4
10 47 5 49 49 0 0 99 5 54 5
Jumlah 1 1

44
45