simulasi monte carlo
DESCRIPTION
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. - PowerPoint PPT PresentationTRANSCRIPT
![Page 1: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/1.jpg)
1
SIMULASI MONTE CARLO
![Page 2: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/2.jpg)
2
• 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.
![Page 3: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/3.jpg)
3
Metode Simulasi Monte Carlo ini cukup sederhana di dalam menguraikan ataupun menyelesaikan persoalan, termasuk dalam penggunaan program-programnya di komputer.
![Page 4: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/4.jpg)
4
• 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.
![Page 5: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/5.jpg)
5
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.
![Page 6: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/6.jpg)
6
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
![Page 7: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/7.jpg)
7
• 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)
![Page 8: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/8.jpg)
8
• Tabel 2. Fungsi Kumulatif Distribusi Permintaan
c. Setiap permintaan (demand) terserbut diberi angka penunjuk batasn (tag number/label number) yang dapat dinyatakan pada tabel 3.
No. Urut Permintaan/hari Distribusi Densitas
Fungsi Kumulatif Distribusi
1
2
3
4
5
6
4 pasang
5 pasang
6 pasang
7 pasang
8 pasang
9 pasang
0.05
0.10
0.15
0.30
0.25
0.15
0.05
0.15
0.30
0.60
0.85
1.00
Jumlah 1.00
![Page 9: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/9.jpg)
9
• Tabel 3. Angka Penunjuk Batasan
No. Urut Permintaan/hari Distribusi Densitas Tag Number
1
2
3
4
5
6
4 pasang
5 pasang
6 pasang
7 pasang
8 pasang
9 pasang
0.05
0.10
0.15
0.30
0.25
0.15
00-05
06-15
16-30
31-60
61-85
86-99
![Page 10: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/10.jpg)
10
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. 0.28882. 0.1270 7. 0.95183. 0.7039 8. 0.73484. 0.3853 9. 0.13475. 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.
![Page 11: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/11.jpg)
11
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
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
7 pasang
5 pasang
8 pasang
7 pasang
9 pasang
6 pasang
9 pasang
8 pasang
5 pasang
9 pasang
Terdapat
1.7 pasang (2)
2.5 pasang (2)
3.8 pasang (2)
4.6 pasang (2)
5.9 pasang (2)
Yang tertinggi 9 pasang
![Page 12: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/12.jpg)
12
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
11
12
13
0.25
0.25
0.25
0.25
17
18
19
20
21
22
0.07
0.14
0.23
0.38
0.12
0.06
![Page 13: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/13.jpg)
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.
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
![Page 14: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/14.jpg)
14
Menggunakan Cara Pendekatan Simulasi dengan Teknik-Teknik Sampling.
Tabel 6. CDF dan Tag Part A
Panjang (cm) Probabilitas CDF Tag number
10
11
12
13
0.25
0.25
0.25
0.25
0.25
0.50
0.75
1.00
0 ≤ Ri ≤ 0.25
0.25 ≤ Ri ≤ 0.50
0.50 ≤ Ri ≤ 0.75
0.75 ≤ Ri ≤ 1.00
![Page 15: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/15.jpg)
15
• Tabel 7. Random sampling panjang Part A
No. Random number Hasil Panjang Random Sampling
1
2
3
4
5
6
7
8
9
10
0.0589
0.6733
0.4799
0.9486
0.6139
0.5933
0.9341
0.1782
0.3473
0.5644
10 cm
12 cm
11 cm
13 cm
12 cm
12 cm
13 cm
10 cm
11 cm
12 cm
![Page 16: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/16.jpg)
16
• Tabel 8. CDF dan Tag number Part B
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:
Panjang (cm)
Probabilitas CDF Tag number
17
18
19
20
21
22
0.07
0.14
0.23
0.38
0.12
0.06
0.07
0.21
0.44
0.82
0.94
1.00
0 ≤ Ri ≤ 0.07
0.07 ≤ Ri ≤ 0.21
0.21 ≤ Ri ≤ 0.44
0.44≤ Ri ≤ 0.82
0.82≤ Ri ≤ 0.94
0.94≤ Ri ≤ 1.00
![Page 17: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/17.jpg)
17
• Tabel 9. Tag number untuk Part B
No. Random number Hasil panjang Random Sampling (cm)
1
2
3
4
5
6
7
8
9
10
0.8173
0.8941
0.1997
0.3945
0.7065
0.0113
0.8075
0.7918
0.0194
0.3298
20
21
18
19
20
17
20
20
17
19
![Page 18: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/18.jpg)
18
• Tabel 10. Simulasi Panjang Part C
No. Sampel Panjang Part A Panjang Part B Panjang Part C=A+B
Kuadrat Part (C)
1
2
3
4
5
6
7
8
9
10
10
12
11
13
12
12
13
10
11
12
20
21
18
19
20
17
20
20
17
19
30
33
29
32
32
29
33
30
28
31
900
1089
841
1024
1024
841
1089
900
784
961
Jumlah 307 9453
![Page 19: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/19.jpg)
19
• Perhitungana. Rata-rata/mean
b. Variance C
c. Standar Deviasi Part C
Ini hasil akhir dari Part C melalui simulasi komputer
7.3010/3071
n
CC
n
ii
cmn
CnCiC
n
i 122.39
9.94249453
1
)(1
2
77.1122.39
9.94249453
1
)(()(. 1
2
n
CnCiCDS
n
i
![Page 20: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/20.jpg)
20
Pendekatan dengan cara Ekspektasi
1. Untuk rerata/mean dari x:
2. Untuk Variance (x):
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) =
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)
1
)(*)(i
XfXiXE
n
i
xfxxxVar1
2 )(*)()(
12.1)( AVar
![Page 21: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/21.jpg)
21
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 C=A+B
Kuadrat Part (C)
1
2
3
4
5
6
7
8
9
10
12
10
11
10
13
11
12
10
12
11
21
17
20
19
22
18
17
20
19
18
33
27
31
29
35
29
29
30
31
28
1089
729
961
841
1225
841
841
900
961
841
Jumlah 303 9229
![Page 22: SIMULASI MONTE CARLO](https://reader033.vdocumenti.com/reader033/viewer/2022061612/56812b24550346895d8f2382/html5/thumbnails/22.jpg)
22
•PerhitunganRerata/mean(C)=
Sedangkan untuk Variance (C)
Standar Deviasi (C)=
Dengan demikian bila dibandingkan ketiga cara diatas maka Simulasi memberikan hasil yang cukup baik dan dapat dipakai dengan ketelitian yang tinggi.
cmn
Cin
i 3.301
cmn
CnCin
i 34.59/918192291
)(1
2
31.2)( CVar