Monte Carlo

Prihantoosa
pht854@yahoo.com
toosa@teknosoftmedia.com

Toosa

Pendahuluan

Toosa

Simulasi Monte Carlo dikenal dengan intilah 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

Batasan Dasar
Simulasi Monte Carlo

Toosa

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

Ilustrasi Penggunaan : Toko Sepatu

Sebuah toko sepatu
memperkirakan permintaan
sepatu per harinya menurut
pola distribusi pada tabel
berikut.

No

permintaan/hari

frekuensi permintaan

4 pasang

5 pasang

10

6 pasang

15

7 pasang

30

8 pasang

25

9 pasang

15

Jumlah

100

Tabel : Distribusi Permintaan

Toosa

Permasalahan :

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 ?

Langkah Pemecahan Step 1

Terlebih dahulu dibuat Imperical Data distribusinya, yaitu : fungsi

distribusi densitas (Cummulative Distribution Function - CDF), seperti
pada tabel sebelumnya
Distribusi permintaan in diubah dalam bentuk fungsi distribusi komulatif
No

Toosa

permintaan/hari

Distribusi densitas

CDF

4 pasang

0.05

0.05

5 pasang

0.10

0.15

6 pasang

0.15

0.30

7 pasang

0.30

0.60

8 pasang

0.25

0.85

9 pasang

0.15

1.00

Jumlah

1.00

Tabel : Fungsi Kumulatif Distribusi Permintaan

Langkah Pemecahan Step 2

Setiap permintaan tersebut, diberi angka penunjuk batasan

(Tag/Label number), disusun berdasarkan CDF distribusi permintaan
No

permintaan/hari

Distribusi
densitas

CDF

Tag number

4 pasang

0.05

0.05

0.00 - 0.05

5 pasang

0.10

0.15

0.06 - 0.15

6 pasang

0.15

0.30

0.16 - 0.30

7 pasang

0.30

0.60

0.31 - 0.60

8 pasang

0.25

0.85

0.61 - 0.85

9 pasang

0.15

1.00

0.86 - 1.00

Tabel : Angka Penunjuk Batasan / Tag number

Toosa

Langkah Pemecahan Step 3

Lakukan penarikan random number, dengan salah satu bentuk RNG,

misal diperoleh 10 random number sbb :
1. 0.5751
2. 0.1270
3. 0.7039
4. 0.3853
5. 0.9166

Toosa

6. 0.2888
7. 0.9518
8. 0.7348
9. 0.1347
10. 0.9014

Dari random number ini diambil 2 angka dibelakang koma dan

dicocokkan dengan tag number. Hasilnya adalah kesimpulan
permintaan yang dibutuhkan

Langkah Pemecahan Step 4

No

Hari Permintaan

Jumlah Pasangan

Penjelasan

7 pasang

II

5 pasang

Terdapat :

III

8 pasang

7 pasang (2)

IV

7 pasang

5 pasang (2)

9 pasang

8 pasang (2)

VI

6 pasang

6 pasang (1)

VII

9 pasang

9 pasang (3)

VIII

8 pasang

- yg tertinggi 9 pasang

IX

5 pasang

10

9 pasang

Tabel : Hasil Permintaan Per-hari

Toosa

Studi Kasus

Toosa

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

Tabel Distribusinya :
Barang A

Toosa

Barang 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

Penyelesaian menggunakan monte carlo

Toosa

Cari CDF 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

Random Sampling panjang Part A

No

Toosa

Random Number
1

0.0589

0.6733

0.4799

0.9486

0.6139

0.5933

0.9341

0.1782

0.3473

10

0.5644

Hasil Panjang
Random Sampling

Perhitungan

Rata-rata (Mean) C : C = C i
n

Toosa

Variance C
Std Deviasi C

2
C
n
C

i
C=
n1

: std C=

C i nC
2

n1

Latihan Soal

Toosa

Sebuah perusahaan mempunyai data pegawai

yang sering tidak hadir sebagai berikut :
Hari Absen/Tahun

Jumlah Pegawai

10

20

15

40

20

25

25

10

Gunakanlah simulasi Monte Carlo untuk ketidak

hadiran pegawai selama 20 tahun ke depan di
perusahaan ini !

Reference

Toosa

Pengantar Sistem Simulasi, Thomas J. Kakiay,

Andi Offset Yogyakarta, 2004