Simulasi Monte Carlo

Top PDF Simulasi Monte Carlo:

PERHITUNGAN VALUE-AT-RISK UNTUK PORTOFOLIO SAHAM DENGAN METODE VARIAN - KOVARIAN DAN SIMULASI MONTE CARLO Firdaus Maringga

PERHITUNGAN VALUE-AT-RISK UNTUK PORTOFOLIO SAHAM DENGAN METODE VARIAN - KOVARIAN DAN SIMULASI MONTE CARLO Firdaus Maringga

Penelitian yang dilakukan pada tugas akhir ini adalah menghitung VaR pada portofolio indeks saham LQ45 pada bulan Agustus 2013 sampai Januari 2014. Metode yang digunakan adalah Varian - Kovarian dan simulasi Monte Carlo dengan selang kepercayaan 80%, 90%, 95% dan 99%. Perhitungan Varian - Kovarian lebih cepat dibandingkan dengan simulasi Monte Carlo. Waktu perhitungan VaR dengan metode Varian - Kovarian 3.219 s sedangkan waktu simulasi Monte Carlo tergantung pada jumlah perulangan, semakin besar nilai n akan menghasilkan waktu perhitungan yang lama. Nilai eror yang didapat pada simulasi Monte Carlo lebih baik dibandingan Varian - Kovarian. Pada perhitungan MAD untuk metode Varian - Kovarian dengan selang kepercayaan 80% adalah 0,0200959 sedangkan MAD pada simulasi Monte Carlo adalah 0,0208848. Uji coba pada ANOVA one way menunjukkan adanya perbedaan signifikan pada nilai VaR.
Baca lebih lanjut

10 Baca lebih lajut

Penentuan Harga Opsi Put Amerika dengan Simulasi Monte Carlo

Penentuan Harga Opsi Put Amerika dengan Simulasi Monte Carlo

Simulasi Monte Carlo merupakan alat rekayasa yang ampuh untuk menyelesaikan berbagai persoalan rumit di dalam bidang probabilitas dan statistik. Meskipun demikian, simulasi Monte Carlo tidak memberikan hasil yang eksak, karena pada hakekatnya simulasi Monte Carlo adalah suatu metode pendekatan numerik. Seperti pada umumnya metode numerik, simulasi Monte Carlo membutuhkan banyak sekali iterasi dan usaha penghitungan, khususnya untuk masalah-masalah yang melibatkan peristiwa-peristiwa langka (very rare events). Oleh karena kelemahan-kelemahan tersebut, sebaiknya simulasi Monte Carlo baru digunakan bila metode analisis tidak tersedia atau metode pendekatan (misalnya pendekatan orde pertama dari fungsi variabel acak yang taklinear) tidak memadai. Simulasi Monte Carlo dari suatu proses stokastik adalah suatu prosedur untuk mendapatkan contoh acak terhadap hasil proses tersebut (Wong 2001).
Baca lebih lanjut

149 Baca lebih lajut

Simulasi Monte Carlo dan Animasi Operasinya dalam Mengelola Persediaan Bahan Baku Bangunan

Simulasi Monte Carlo dan Animasi Operasinya dalam Mengelola Persediaan Bahan Baku Bangunan

3. Mengevaluasi model dan menyimpan hasilnya Setelah nilai acak (Ri) didapatkan, langkah selanjutnya yaitu mengevaluasi dan menentukan hasilnya, yaitu dengan cara menempatkan nilai acak kedalam range dan dimasukan ke batas bilangan random yang dimiliki masing-masing bahan baku. Jika bilangan random tersebut masuk dalam kriteria batas bilangan random masing-masing bahan baku maka akan di dapatkan nilai sampling masing-masing bahan baku yang diujikan, proses pengecekan dilakukan pada semua random number yang dimasukkan. Hasil permintaan inilah yang akan disimpan sebagai Yi pada langkah-langkah simulasi monte carlo yang ketiga.
Baca lebih lanjut

6 Baca lebih lajut

APLIKASI SIMULASI MONTE CARLO TIDAK TERSTRUKTUR PADA SCHEDULING KARYAWAN MAINTENANCE ENGINEERING

APLIKASI SIMULASI MONTE CARLO TIDAK TERSTRUKTUR PADA SCHEDULING KARYAWAN MAINTENANCE ENGINEERING

Penelitian menggunakan simulasi Monte Carlo membantu menyediakan bilangan random yang dibutuhkan. Metode simulasi Monte Carlo telah digunakan sebelumnya untuk memecahkan berbagai persoalan dan pengujian paradigma, seperti simulasi Monte Carlo berbasiskan analisis performa supply chain [1], security pricing [2], radiative transfer modelling [3]. Sejak tahun 1949 Monte Carlo juga sudah digunakan untuk memecahkan masalah persamaan matematika [4]. Pada penelitian ini metode simulasi monte carlo digunakan untuk membantu peneliti dalam memberikan bilangan acak dan melakukan sketsa rancangan dari simulasi yang diharapkan terjadi pada periode-periode ke depan. Akar dari permasalahan adalah usaha terus-menerus untuk memberikan yang terbaik bagi konsumen, dalam kaitannya dengan prinsip Kaizen dan Continous Improvement. Hasil dari penelitian diharapkan dapat membantu departemen Building Management dalam merancang penjadwalan karyawan, mengaplikasikan simulasi khususnya Monte Carlo ke dalam masalah riil, yang pada objek penelitian ini adalah penjadwalan jumlah karyawan.
Baca lebih lanjut

7 Baca lebih lajut

Aplikasi Simulasi Monte Carlo Pada Perhitungan Momen Maksimum Struktur Portal.

Aplikasi Simulasi Monte Carlo Pada Perhitungan Momen Maksimum Struktur Portal.

3. Pada kasus beban terpusat sebagai variabel tidak tetap dan beban merata sebagai variabel tetap, momen maksimum yang dihasilkan dengan cara analitis dan cara simulasi Monte Carlo untuk 1000 data didapat perbedaan sebesar 0,1410%.

21 Baca lebih lajut

Perencanaan Perawatan Pencegahan Komponen Kritis Mesin Sheeter Menggunakan Simulasi Monte Carlo di PT. Perkebunan Nusantara III Kebun Rantau Prapat

Perencanaan Perawatan Pencegahan Komponen Kritis Mesin Sheeter Menggunakan Simulasi Monte Carlo di PT. Perkebunan Nusantara III Kebun Rantau Prapat

Tingginya intensitas kegagalan mesin dapat dicegah dengan melakukan perawatan pencegahan yang efektif. Penentuan interval waktu perawatan pencegahan dengan laju biaya yang minimum dapat ditentukan dengan beberapa metode. Salah satu metode yang sering digunakan adalah simulasi Monte Carlo. Penelitian mengenai perencanaan perawatan pencegahan dengan simulasi Monte Carlo telah dilakukan diantaranya penelitian yang dilakukan oleh 1 Prakoso (2012) yang menerapkan simulasi Monte Carlo dalam rangkaian perbaikan kebijakan perawatan pencegahan di perusahaan produksi continuous soap making. Hasilnya menunjukkan simulasi Monte Carlo dapat digunakan untuk memperoleh interval waktu perawatan sub sub sistem centrifuge yang memiliki laju biaya perawatan pencegahan maksimum, keandalan serta ketersediaan minimum yang disyaratkan oleh perusahaan. 2
Baca lebih lanjut

141 Baca lebih lajut

Perencanaan Perawatan Pencegahan Komponen Kritis Mesin Sheeter Menggunakan Simulasi Monte Carlo di PT. Perkebunan Nusantara III Kebun Rantau Prapat

Perencanaan Perawatan Pencegahan Komponen Kritis Mesin Sheeter Menggunakan Simulasi Monte Carlo di PT. Perkebunan Nusantara III Kebun Rantau Prapat

Hasil dari penelitian-penelitian yang telah dijelaskan akan digunakan sebagai acuan pada penelitian tentang analisis penentuan interval waktu perawatan pencegahan di PT. Perkebunan Nusantara III Kebun Rantau Prapat. Oleh karena itu pada penelitian ini digunakan simulasi Monte Carlo sehingga diharapkan dapat diperoleh interval waktu perawatan pencegahan dengan laju biaya pemeliharaan yang minimum serta meningkatkan nilai keandalan komponen mesin.

8 Baca lebih lajut

METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO DALAM MENENTUKAN MODEL OPTIMUM UNTUK TINGKAT KEJERNIHAN AIR.

METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO DALAM MENENTUKAN MODEL OPTIMUM UNTUK TINGKAT KEJERNIHAN AIR.

Berisi tentang pendahuluan Metode Response Surface dan Simulasi Monte Carlo, struktur dasar Metode Response Surface dan Simulasi Monte Carlo, karakteristik Metode Response Surface dan Simulasi Monte carlo, tahapan- tahapan Metode Response Surface dan Simulasi Monte Carlo.

15 Baca lebih lajut

ANALISIS PERBANDINGAN METODE ROMBERG, METODE GAUSS-LEGENDRE, METODE SIMULASI MONTE CARLO DAN QUASI-MONTE CARLO DALAM PERHITUNGAN INTEGRAL TERTENTU

ANALISIS PERBANDINGAN METODE ROMBERG, METODE GAUSS-LEGENDRE, METODE SIMULASI MONTE CARLO DAN QUASI-MONTE CARLO DALAM PERHITUNGAN INTEGRAL TERTENTU

Skripsi dengan judul “Analisis Perbandingan Metode Romberg, Metode Gauss-Legendre, Metode Simulasi Monte Carlo dan Quasi-Monte Carlo dalam Perhitungan Integral Tertentu” ini, disusun sebagai salah satu syarat dalam menyelesaikan Program Ganda Teknik Informatika dan Statistika, jenjang pendidikan Strata 1 di Universitas Bina Nusantara, Jakarta.

9 Baca lebih lajut

BAB 1 PENDAHULUAN - Penjadwalan Probabilistik Dengan Simulasi Monte Carlo

BAB 1 PENDAHULUAN - Penjadwalan Probabilistik Dengan Simulasi Monte Carlo

Alternatif selain PERT untuk mendapatkan gambaran distribusi waktu penyelesaian proyek adalah dengan metode simulasi Monte Carlo. Metode ini dapat memperbaiki masalah identifikasi jalur kritis. Masing-masing kegiatan dianggap memiliki suatu kurva distribusi dengan kurun waktu kegiatan yang dipilih secara acak/random. Kemudian jalur yang terbentuk dari rangkaian kegiatan tersebut di atas yang memiliki kurun waktu terpanjang diidentifikasi dan dicatat kurun waktu maupun komponen kegiatannya. Prosedur ini dilakukan ribuan kali sehingga dapat diamati kemungkinan berapa kali suatu aktivitas terletak pada jalur kritis. Berdasarkan komputasi ini dapat disusun distribusi waktu penyelesaian proyek. Angka rata-rata kurun waktu penyelesaian proyek dan deviasi standar yang diperoleh dari simulasi ini lebih rasional apabila dibandingkan dengan pendekatan formulasi.
Baca lebih lanjut

42 Baca lebih lajut

Optimasi Persediaan Sparepart Menggunakan Model Simulasi Monte Carlo

Optimasi Persediaan Sparepart Menggunakan Model Simulasi Monte Carlo

Berdasarkan teori diatas, , faktor ketidakpastian yang ada dalam situasi bisnis tidaklah mudah untuk diselesaikan. Begitu juga yang dialami oleh pelaku bisnis AHASS CSC Arengka Pekanbaru dalam menentukan persediaan suku cadang sparepart yang dijual setiap harinya. Sebagai perusahaan yang bergerak di penjualan sparepart harus menentukan persediaan yang sesuai dengan permintaan harian yang tidak pasti agar mendapatkan profit yang lebih banyak. Simulasi dengan Metode Monte Carlo lah yang cocok untuk mengamati sistem yang tidak pasti tersebut karena Metode Monte Carlo menggunakan pemilihan angka secara random dari distribusi probabilitas untuk menjalankan simulasi.Hal ini yang melatarbelakangi penulis mengangkat permasalahan ini sebagai judul, yaitu “Optimasi Persediaan Sparepart Menggunakan Model Simulasi Monte Carlo”.
Baca lebih lanjut

9 Baca lebih lajut

SIMULASI PERENCANAAN TRAYEK BUS KOTA SURABAYA MENGGUNAKAN MODEL SIMULASI MONTE CARLO SURABAYA CITY BUS ROUTE PLANNING SIMULATION USING MONTE CARLO SIMULATION

SIMULASI PERENCANAAN TRAYEK BUS KOTA SURABAYA MENGGUNAKAN MODEL SIMULASI MONTE CARLO SURABAYA CITY BUS ROUTE PLANNING SIMULATION USING MONTE CARLO SIMULATION

diklasifikasikan menjadi tiga dimensi berbeda yaitu Statis/Dinamis, Deterministik/Stokastik, dan Diskrit/Kontinyu. Pada aplikasi simulasi dalam permasalahan transportasi bis kota, terdapat berbagai variabel yang dapat berubah ubah antara lain antrian penumpang, waktu kedatangan dan keberangkatan untuk setiap bis pada halte, dan waktu pelayanan naik dan turun penumpang pada halte. Dikarenakan banyaknya variabel yang dapat berubah ubah dan juga rute yang digunakan merupakan rute perencanaan maka penggunaan simulasi Monte Carlo dianggap tepat karena terdapat variabel yang menggunakan angka random agar proses simulasi dapat berjalan [6]. Contoh alur simulasi monte carlo dapat dilihat pada gambar 2.1.
Baca lebih lanjut

122 Baca lebih lajut

ESTIMASI PENGUNJUNG MENGGUNAKAN SIMULASI MONTE CARLO PADA WARUNG INTERNET XYZ

ESTIMASI PENGUNJUNG MENGGUNAKAN SIMULASI MONTE CARLO PADA WARUNG INTERNET XYZ

Monte Carlo is a simulation method that using random numbers obtained from Linear Congruential Generator (multiplicative generator) as an approximation in estimating the number of visitors using previous time visitor data. The number of visitors who come to use internet services on internet cafes is often difficult to predict. Apart from some indicators that affect or may be experienced by the cafe owner with the activities of the internet service, it will predicted the number of visitors using visitor data from 60 days ago with linear method congruential generator as scrambler and monte carlo method as estimator. The results obtained is the estimated number of visitor in uniform distribution [0,1] for the next 60 days that can be used as information for cafe owner.
Baca lebih lanjut

Baca lebih lajut

Aplikasi Metode Simulasi Monte Carlo untuk Menduga Debit Aliran Sungai

Aplikasi Metode Simulasi Monte Carlo untuk Menduga Debit Aliran Sungai

A data series can be simulated with based on stochastic concept. One of the methods that can be used is Monte Simulation Method. in this paper will be exposed the of accurateness of Monte Simulation Method to simulate data series of discharge. weekly data series of discharge of

20 Baca lebih lajut

OPTIMASI MANAJEMEN PERSEDIAAN DARAH MENGGUNAKAN SIMULASI MONTE CARLO

OPTIMASI MANAJEMEN PERSEDIAAN DARAH MENGGUNAKAN SIMULASI MONTE CARLO

Terdapat beberapa metode dan pendekatan yang dapat diaplikasikan untuk menghitung trade-off antara kekurangan persediaan darah dan kerusakan darah akibat kadaluarsa. Perhitungan ini bertujuan untuk meminimalkan kesenjangan antara permintaan dan persediaan darah, dengan biaya sebagai salah aspek pertimbangan dalam perhitungan. Mengingat kompleksitas jaringan dan kegiatan operasional dalam rantai pasok darah, pendekatan analitis cenderung menjadi kurang memadai dan akurat untuk memodelkan kompleksitas sesuai realitas. Dalam rangka menyelesaikan permasalahan yang sukar diselesaikan menggunakan metode pemrograman matematika, maka metode optimasi berbasis simulasi dapat dijadikan sebagai alternatif penyelesaian masalah yang cukup menjanjikan. Penggunaan simulasi seringkali mengarah kepada hasil yang optimal maupun mendekati optimal (Haijema, dkk., 2007; Beliën dan Forcé, 2012; Duan dan Liao, 2013; Chu, dkk., 2015).
Baca lebih lanjut

10 Baca lebih lajut

Simulasi Produksi dan Distribusi Pelayanan Permintaan Sarung Tenun Dengan Metode Monte Carlo.

Simulasi Produksi dan Distribusi Pelayanan Permintaan Sarung Tenun Dengan Metode Monte Carlo.

Metode Monte Carlo merupakan metode analisa numerik yang melibatkan pengambilan sampel eksperimen bilangan acak. Salah satu model simulasi yang paling populer digunakan pada pengendalian persediaan adalah Simulasi Monte Carlo. Model simulasi Monte Carlo merupakan bentuk simulasi yang probabilistik dimana solusi dari suatu masalah diberikan berdasarkan proses randomisasi (acak). Dalam proses acak ini melibatkan suatu distribusi probabilitas dari variabel-variabel data yang dikumpulkan berdasarkan data masa lalu maupun distribusi probabilitas teoritis. Bilangan acak digunakan untuk menjelaskan kejadian acak setiap waktu dari variabel acak dan secara berurutan mengikuti perubahan-perubahan yang terjadi dalam proses simulasi.
Baca lebih lanjut

Baca lebih lajut

PERBANDINGAN PENDUGA ORDINARY LEAST SQUARES (OLS) DAN GENERALIZED LEAST SQUARES (GLS) PADA MODEL REGRESI LINIER DENGAN REGRESOR BERSIFAT STOKASTIK DAN GALAT MODEL BERAUTOKORELASI

PERBANDINGAN PENDUGA ORDINARY LEAST SQUARES (OLS) DAN GENERALIZED LEAST SQUARES (GLS) PADA MODEL REGRESI LINIER DENGAN REGRESOR BERSIFAT STOKASTIK DAN GALAT MODEL BERAUTOKORELASI

Hasil percobaan simulasi Monte Carlo menunjukkan bahwa pada masing-masing penduga, nilai Absolut Bias, Varian dan MSE akan semakin kecil seiring dengan bertambahnya ukuran sampel (n). Sementara itu, ulangan (R) yang dilakukan se- banyak 100, 500, dan 1000 kali menunjukkan bahwa ulangan yang cukup besar tidak terlalu mempengaruhi penduga parameter model. Adanya autokorelasi pada model mempengaruhi kriteria penduga parameter. Simulasi yang dilakukan den- gan regresor terdistribusi eksponensial menunjukkan bahwa nilai koefisien autoko- relasi juga mempengaruhi kriteria penduga parameter model. Namun, hal ini tidak jauh berbeda dengan hasil simulasi dengan regresor terdistribusi normal. Dengan demikian, pada pendugaan parameter model untuk semua penduga β b 0 , β b 1 , dan β b 2 ,
Baca lebih lanjut

Baca lebih lajut

Simulasi Antrian Dengan Menggunakan Metode Monte Carlo

Simulasi Antrian Dengan Menggunakan Metode Monte Carlo

Gagasan dasar dari simulasi monte carlo adalah membuat nilai dari tiap variabel yang merupakan bagian dari model yang dipelajari. Banyak variabel di dunia nyata yang secara alami mempunyai berbagai kemungkinan yang mungkin ingin kita simulasikan. Salah satu cara umum untuk membuat distribusi kemungkinan untuk suatu variabel adalah memperhitungkan hasil di masa lalu. Kemungkinan atau frekuensi relative untuk tiap kemungkinan hasil dari tiap variabel ditentukan dengan membagi frekuensi observasi dengan jumlah total observasi

Baca lebih lajut

SIMULASI PENGENDALIAN PERSEDIAN GAS MENGGUNAKAN METODE MONTE CARLO DAN POLA LCM

SIMULASI PENGENDALIAN PERSEDIAN GAS MENGGUNAKAN METODE MONTE CARLO DAN POLA LCM

Semakin ketatnya persaingan di bidang industri menuntut perusahaan agar lebih responsible dan tetap mampu memberikan dan menjawab kebutuhan konsumen ditingkat yang optimal tanpa mengurangi mutu ataupun layanan. Dalam rangka meningkatkan efisiensi, setiap perusahaan dituntut untuk bisa memaksimalkan semua aspek – aspek atau proses – proses yang bisa menimbulkan rendahnya tingkat responbility perusahaan dalam hal kesiapan persedian gas untuk mengantisipasi jumlah permintaan yang melonjak dan menumpuknya jumlah persedian gas di gudang. Penelitian ini dilakukan untuk mempelajari metode Monte Carlo yang diimplementasikan dalam suatu proses pengelolaan persediaan Gas di PT. PKM. Data dikumpulkan melalui observasi dan interview yang dilakukan pada bagian gudang, kasir, pemasaran dan pendistribusian gas. Selanjutnya data dianalisa dan diterapkan pada metode Monte Carlo. Dari eksperimen didapat skenario yang lebih baik jika diterapkan pada proses pendistribusian Gas sehingga didapat alternatif dalam mempersiapkan jumlah kebutuahn persedian gas untuk masa yang akan datang.
Baca lebih lanjut

Baca lebih lajut

metode persegipanjangwarsono fisika uny 2004 b

metode persegipanjangwarsono fisika uny 2004 b

I dengan I nilai integrasi, h lebar segmen, n jumlah segmen, a batas bawah integrasi dan i bilangan ganjil 1, 3, 5, .. dan seterusnya. Nilai rata-rata persentase perbedaan antara perhitungan analitis dengan perhitungan metode Persegipanjang, Trapesium dan Monte Carlo untuk fungsi f(x) = 3x 2 pada batas integrasi 0 sampai 2 masing-masing adalah 0,03874%, 0,07749% dan 11,2224%, untuk fungsi f(x) = 4x 3 pada batas integrasi 1 sampai 2 masing-masing adalah 0,01550%, 0,03100% dan 6,68450%, dan untuk fungsi f(x) = e -x pada batas integrasi 0 sampai 3 masing-masing adalah 0,05801%, 0,11611% dan 9,48258%. Nilai ini menunjukkan bahwa metode Persegipanjang mempunyai ketelitian yang lebih baik dari metode Trapesium dan metode Monte Carlo. Pada kasus terjun bebas, nilai rata-rata persentasi perbedaan antara metode analitis dengan metode Persegipanjang untuk segmen h = 0,010, h = 0,005 dan h = 0,003 adalah 0,0000408%, 0,0000102% dan 0,0000045%. Nilai ini menunjukkan bahwa penggunaan metode Persegipanjang dalam penyelesaian kasus fisis sangat signifikan.
Baca lebih lanjut

Baca lebih lajut

Show all 6630 documents...