Pemodelan Dan Simulasi

Monte Carlo

Nur Fadila Putri

201055201116
 1. Jelaskan konsep simulasi Monte Carlo dan signifikansinya dalam pemodelan sistem kompleks.
Berikan contoh aplikasi dunia nyata di mana simulasi Monte Carlo bermanfaat.

Dasar simulasi Monte Carlo adalah percobaan pada unsur peluang (atau bersifat probabilistik) dengan
menggunakan pengambilan sampel secara acak. Jadi Metode Monte Carlo adalah sebuah teknik simulasi yang
menggunakan unsur acak ketika terdapat peluang dalam perilakunya.

Simulasi Monte Carlo menggunakan pengambilan sampel acak dan pemodelan statistik untuk memperkirakan fungsi
matematika dan meniru operasi sistem yang kompleks. Makalah ini memberikan ikhtisar tentang sejarah dan
kegunaannya, diikuti dengan gambaran umum tentang metode Monte Carlo, pembahasan tentang pembangkit
bilangan acak, dan survei singkat tentang metode yang digunakan untuk mengambil sampel dari distribusi acak,
termasuk seragam, eksponensial, normal, dan distribusi Poisson.

Contohnya di Bisnis

Pemimpin bisnis menggunakan metode Monte Carlo untuk memproyeksikan skenario realistis saat membuat
keputusan. Misalnya, pemasar harus memutuskan jika layak untuk meningkatkan anggaran iklan untuk kursus yoga
online. Mereka dapat menggunakan model matematika Monte Carlo pada faktor atau variabel yang tidak pasti
seperti Biaya langganan, Biaya iklan, Tingkat pendaftaran, dan Retensi.
 2. Deskripsikan langkah-langkah yang terlibat dalam melakukan simulasi Monte Carlo untuk
pemodelan sistem.

Teknik simulasi Monte Carlo terbagi atas lima langkah sederhana.

1. Menetapkan suatu distribusi probabilitas bagi variabel yang penting.

Gagasan dasar simulasi Monte Carlo adalah membangkitkan nilai untuk variabel pada model yang sedang diuji. Pada sistem dunia
nyata, sebagian besar variabel memiliki probabilitas alami, misalnya permintaan persediaan, waktu yang diperlukan untuk
menyelesaikan aktivitas proyek. Cara menetapkan distribusi probabilitas bagi variabel tertentu adalah menguji hasil historis, yaitu
dengan membagi frekuensi pengamatan untuk setiap output variabel yang mungkin dengan jumlah pengamatan total.

2. Membuat distribusi probabilitas kumulatif bagi setiap variabel.

Mengubah distribusi probabilitas biasa menjadi sebuah distribusi probabilitas kumulatif (cumulative probability distribution)

3. Menetapkan sebuah interval angka acak bagi setiap variabel.

Setelah distribusi probabilitas kumulatif bagi setiap variabel yang digunakan dalam simulasi ditetapkan, maka diberikan serangkaian
angka yang mewakili setiap nilai atau output yang memungkinkan.

4. Membangkitkan angka acak.

Angka acak dapat dihasilkan dengan dua cara. Jika persoalan yang dihadapi besar dan proses yang sedang diteliti melibatkan banyak
percobaan simulasi, maka digunakan program komputer untuk membangkitkan angka acak. Jika simulasi dilakukan dengan perhitungan
tangan, angka acak dapat diambil dari sebuah tabel angka acak.

5. Menyimulasikan serangkaian percobaan.

Hasil dari eksperimen dapat disimulasikan secara sederhana dengan memilih angka acak dari Tabel F.4. Percobaan dapat dimulai dari
titik mana pun pada tabel, selanjutnya perhatikan dalam interval mana setiap angka berada.
 3. Bahas peran distribusi probabilitas dalam simulasi Monte Carlo. Jelaskan bagaimana
distribusi probabilitas yang berbeda digunakan untuk memodelkan parameter yang tidak pasti
dalam sistem.

Fungsi distribusi yaitu fungsi yang memberikan nilai probabilitas terhadap setiap peristiwa yang dijadikan
sebuah penelitian. Distribusi ini memberikan hubungan dengan probabilitas untuk sebuah nilai yang
diambil dari variabel acak yang kemudian difungsikan untuk menentukan variabel acak diskrit. Fungsi
tersebut digunakan untuk mewakili distribusi probabilitas di ruang sampel.
Distribusi ini memiliki konsep fundamental dalam statistik yang digunakan pada tingkat teoritis maupun
praktis. Berikut beberapa penggunaan fungsi praktis;
1. Digunakan untuk menghitung interval kepercayaan pada suatu parameter dan daerah kritis pada suatu uji
hipotesis.
2. Digunakan untuk data univariat, yakni seringkali berguna untuk menentukan model distribusi yang wajar
untuk data tersebut.
3. Digunakan sebagai interval statistik dan uji hipotesis yang seringkali didasarkan pada asumsi distribusi
tersebut. Karenanya, sebelum menghitung interval atau melakukan pengujian berdasarkan pada suatu
asumsi distribusi, diharuskan untuk melakukan verifikasi bahwa asumsi tersebut dibenarkan untuk kumpulan
data yang diberikan.
Hal ini dikarenakan distribusi tersebut tidak perlu menjadi distribusi data yang paling sesuai. Akan tetapi,
dapat menjadi model yang cukup memadai sehingga teknik statistik akan menghasilkan kesimpulan atau
hasil yang valid.
4. Digunakan sebagai studi simulasi dengan bilangan acak yang dihasilkan dari penggunaan distribusi
tertentu yang sering dibutuhkan.
4. Bandingkan dan kontraskan simulasi Monte Carlo dengan metode simulasi lainnya. Apa
keuntungan dan keterbatasan menggunakan simulasi Monte Carlo dibandingkan pendekatan
deterministik?

Simulasi Monte Carlo dibandingkan dengan machine learning

Machine learning (ML) adalah teknologi komputer yang menggunakan sampel besar data input dan ouput
(I/O) untuk melatih perangkat lunak untuk memahami korelasi antara input dan output. Di sisi lain, simulasi
Monte Carlo menggunakan sampel data input dan model matematika yang dikenal untuk memprediksi
kemungkinan hasil yang terjadi dalam sistem. Anda menggunakan model ML untuk menguji dan
mengonfirmasi hasilnya dalam simulasi Monte Carlo.

Simulasi Monte Carlo adalah model probabilistik yang dapat mencakup elemen ketidakpastian atau
acak dalam prediksinya. Jika Anda menggunakan model probabilistik untuk mensimulasikan hasil,
Anda akan selalu mendapatkan hasil yang berbeda. Misalnya, jarak antara rumah dan kantor Anda
tetap. Namun, simulasi probabilistik dapat memprediksi waktu perjalanan yang berbeda dengan
mempertimbangkan faktor-faktor seperti kemacetan, cuaca buruk, dan kerusakan kendaraan.  
Sebaliknya, metode prakiraan konvensional lebih deterministik. Metode ini memberikan jawaban yang
pasti atas prediksi dan tidak dapat memfaktorkan ketidakpastian. Misalnya, metode ini mungkin
memberi tahu Anda waktu tempuh minimum dan maksimum, tetapi kedua jawaban tersebut kurang
akurat.  
 5. Dalam konteks pemodelan sistem, apa itu reduksi varian dalam simulasi Monte
Carlo? Diskusikan berbagai teknik reduksi varian dan dampaknya pada akurasi dan
efisiensi simulasi.

Reduksi variansi adalah cara yang sederhana dan banyak digunakan untuk meningkatkan akurasi dari
simulasi Monte Carlo. Salah satu teknik untuk mereduksi variansi adalah dengan metode variabel
antithetik.

Langkah-langkah akurasi Langkah-langkah efisiensi

Salah satu cara untuk mengukur keakuratan metode Salah satu cara untuk mengukur efisiensi metode
reduksi skenario adalah dengan membandingkan nilai pengurangan skenario adalah dengan membandingkan
objektif optimal dan variabel keputusan optimal yang waktu komputasi dan kebutuhan memori yang diperlukan
diperoleh dari set skenario yang direduksi dengan untuk menyelesaikan masalah optimisasi dengan set
yang diperoleh dari set skenario asli. Ini dapat skenario yang dikurangi dan dengan set skenario asli. Ini
dilakukan dengan menghitung kesalahan relatif, dapat dilakukan dengan menggunakan tolok ukur, seperti
kesalahan absolut, atau kesenjangan optimalitas. Cara pemecah CPLEX, perangkat lunak GAMS, atau pustaka
lain untuk mengukur akurasi adalah dengan Python. Cara lain untuk mengukur efisiensi adalah
membandingkan distribusi probabilitas dari nilai dengan membandingkan skalabilitas dan ketangguhan
objektif dan variabel keputusan di bawah set skenario metode pengurangan skenario sehubungan dengan
yang dikurangi dengan yang ada di bawah set ukuran dan kompleksitas masalah, jumlah dan jenis
skenario asli. Ini dapat dilakukan dengan menggunakan skenario, serta tingkat ketidakpastian dan variabilitas.
uji statistik, seperti uji Kolmogorov-Smirnov, uji Chi-
kuadrat, atau jarak Wasserstein.
 6. Bagaimana simulasi Monte Carlo menangani ketidakpastian dan keacakan
dalam pemodelan sistem? Ilustrasikan dengan contoh aplikasi praktis.

Prinsip dasar simulasi Monte Carlo terletak pada ergodisitas, yang menggambarkan perilaku statistik titik
bergerak dalam sistem tertutup. Titik bergerak pada akhirnya akan melewati setiap lokasi yang
mungkin dalam sistem ergodik. Ini menjadi dasar dari simulasi Monte Carlo, tempat komputer
menjalankan simulasi yang cukup untuk memberikan hasil akhir dari input yang berbeda.

Misalnya, dadu enam sisi memiliki peluang satu per enam untuk mendarat di nomor tertentu. Ketika Anda melempar dadu
sebanyak enam kali, Anda mungkin tidak mendaratkan dadu pada enam angka yang berbeda. Namun, Anda akan mencapai
probabilitas teoritis satu per enam untuk setiap angka ketika Anda terus melemparkan dadu secara terus menerus. Akurasi
hasil berbanding lurus dengan jumlah simulasi. Dengan kata lain, menjalankan 10.000 simulasi memberikan hasil yang lebih
akurat daripada 100 simulasi.

Simulasi Monte Carlo bekerja dengan cara yang sama. Monte Carlo menggunakan sistem komputer untuk menjalankan
simulasi yang cukup untuk memberikan hasil yang berbeda yang meniru hasil kehidupan nyata. Sistem ini menggunakan
generator nomor acak untuk menciptakan ketidakpastian yang melekat dari parameter input. Generator nomor acak adalah
program komputer yang menghasilkan urutan angka acak yang tidak dapat diprediksi.
7. Jelaskan konsep konvergensi dalam simulasi Monte Carlo. Bagaimana Anda dapat
menentukan kapan simulasi telah mencapai tingkat konvergensi yang dapat diandalkan?

"Konvergensi Monte Carlo" berarti saya

telah mengambil cukup banyak individu
untuk mewakili (dan memahami) populasi
umum. Jika model probabilitas di balik
simulasi Monte Carlo saya akurat, hasil
akan cocok dengan kenyataan saat saya
meningkatkan ukuran pengambilan
sampel.
 8. Deskripsikan aplikasi simulasi Monte Carlo dalam keuangan dan
penilaian risiko. Bagaimana itu digunakan untuk memodelkan sistem
keuangan yang kompleks dan memperkirakan ukuran risiko?

Analis keuangan sering membuat prakiraan jangka panjang harga saham lalu menyarankan klien mereka mengenai
strategi yang sesuai. Saat melakukannya, mereka harus mempertimbangkan faktor pasar yang dapat menyebabkan
perubahan drastis pada nilai investasi. Sehingga, mereka menggunakan simulasi Monte Carlo untuk memprediksi
kemungkinan hasil untuk mendukung strategi mereka.
Model keuangan sangat bergantung pada asumsi. Tidak semua kecuali beberapa dari asumsi tersebut memiliki
ketidakpastian dan risiko yang sangat terkait. Dalam kasus ini, Simulasi Monte Carlo membantu menganalisis efek keacakan
yang diperkenalkan oleh beberapa variabel dalam model. Simulasi bekerja dengan melakukan perhitungan berulang
menggunakan input acak untuk asumsi ini dan kemudian merata-ratakan output model yang paling mungkin.
Kasus penggunaan utama Monte Carlo In Finance adalah-
1. Penilaian Portofolio
2. Analisis Sensitivitas
3. Arus kas
4. Penetapan Harga Opsi atau Penetapan Harga Ekuitas
5. Penilaian Opsi Ekuitas
6. Penilaian instrumen pendapatan tetap dan derivatif suku bunga
7. Proyek keuangan
 9. Bahas konsep analisis sensitivitas dalam konteks simulasi Monte Carlo. Mengapa
analisis sensitivitas penting dalam memahami dampak parameter yang tidak pasti
terhadap perilaku sistem?

Analisis sensitivitas adalah ilmu yang mempelajari tentang bagaimana ketidakpastian dalam model atau sistem
matematika dapat di bagi ke berbagai sumber ketidakpastian dalam inputnya. Atau bisa disebut juga penelitian
tentang kemungkinan perubahan dan kesalahan potensial dan pengaruh terhadap kesimpulan yang di tarik dari
model analisis sensitivitas, analisis sensitivitas bisa dilakukan dengan mudah karena mudah di mengerti. Ini mungkin
teknik yang paling berguna dan paling banyak digunakan untuk peneliti yang ingin mendukung pengambilan
keputusan.

Adapun pengertian analisis sensitivitas merupakan analisa yang berkaitan dengan perubahan diskrit
parameter untuk melihat berapa besar perubahan da-pat ditolerir sebelum solusi optimal mulai kehilangan
optimalitasnya. Jika suatu perubahan kecil dalam parameter menyebabkan perubahan drastis dalam
solusi,dikatakan bahwa solusi adalah sangat sensitif terhadap nilai parameter itu. Se-baliknya, jika perubahan
parameter tidak mempunyai pengaruh besar terhadapsolusi dikatakan solusi relatif insensitif terhadap nilai
parameter tersebut. Analisa yang berkaitan dengan perubahan struktural. Masalah ini muncul bila
persoalanProgram Linier dirumuskan kembali dengan menambahkan atau menghilangkan kendala dan atau
variabel untuk menunjukkan operasi model alternatif. Peruba-han struktural ini dapat dimasukkan dalam
analisa sensitivitas.
10. Apa beberapa tantangan praktis saat mengimplementasikan simulasi Monte Carlo untuk pemodelan sistem
dalam skala besar? Bagaimana tantangan-tantangan ini dapat diatasi untuk memastikan simulasi yang efisien
dan akurat?

Ini adalah dua tantangan umum saat menggunakan simulasi Monte Carlo:

Simulasi Monte Carlo sangat bergantung pada nilai input dan distribusi.
Jika terjadi kesalahan saat memilih input dan distribusi probabilitas,
maka dapat menyebabkan hasil yang tidak akurat.

Mungkin diperlukan daya komputasi lebih untuk melakukan eksperimen

Monte Carlo. Komputasi dengan metode Monte Carlo dapat memakan
waktu berjam-jam atau berhari-hari untuk selesai di satu komputer.