Simulasi Monte Carlo digunakan untuk memperkirakan permintaan sepatu di sebuah toko selama 10 hari berikutnya dengan memodelkan distribusi permintaan harian berdasarkan data sebelumnya. Random number diambil untuk memprediksi jumlah permintaan setiap hari dengan membandingkan nilai random dengan batasan yang ditentukan oleh fungsi distribusi kumulatif permintaan harian. Hasil simulasi dapat digunakan untuk merencanakan stok sepatu.

1. Simulasi Monte Carlo

2. Pembahasan
 Pendahuluan
 Batasan Dasar Monte Carlo
 Ilustrasi Penggunaan Simulasi
 Latihan problema

3. Pendahuluan
 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

4. SIMULASI MONTE CARLO

5. 3 Batasan Dasar
Simulasi Monte Carlo
1. Apabila suatu persoalan sudah dapat diselesaikan
atau dihitung jawabannya secara matematis
dengan tuntas, maka hendaknya jangan
menggunakan simulasi ini
2. Apabila sebagaian persoalan tersebut dapat
diselesaikan secara analitis dengan baik, maka
penyelesaiannya lebih baik dilakukan secara
terpisah. Sebagian secara analitis dan sebagian
lagi simulasi
3. Apabila mungkin dapat digunakan simulasi
perbandingan

6. Ilustrasi Penggunaan Simulasi
 Sebuah toko sepatu
memperkirakan permintaan
sepatu per harinya menurut
pola distribusi sebagai
berikut :
No 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

7.  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?

8. Prosedur/langkah penyelesaian
1. Terlebih dahulu dibuat Imperical Data distribusinya,
yaitu : fungsi distribusi densitas, seperti pada tabel
sebelumnya
2. Distribusi permintaan in 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

9. Langkah selanjutnya
3. Setiap permintaan tersebut, diberi angka penunjuk
batasan (Tag/Label number), disusun berdasarkan DFK
distribusi permintaan
No permintaan/hari
Distribusi
densitas DFK Tag number
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

10. Langkah selanjutnya
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

11. Lankah selanjutnya
No Hari Permintaan Jumlah Pasangan Penjelasan
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 …

12. Tugas
 Sebuah perusahaan menengah mempunyai data pegawai yang
sering tidak hadir sbb:

gunakan simulasi untuk ketidakhadiran pegawai selama 20 th
kedepan dengan bilangan acak sbb:
23 ; 92 ; 45 ; 26 ; 36 ; 34 ; 9 ; 93 ; 48 ; 19 ; 42 ; 19 ; 14 ; 52 ; 41 ; 61 ; 9 ; 28 ; 63 ; 46
Analisa hasil simulasi dan berikan usulan kepada perusahaan tersebut
Hari
absen/tahun Jumlah pegawai
5 5
10 20
15 40
20 25
25 10