R Notebook

Prediksi Permintaan menggunakan Monte Carlo

# Nilai variabel
permintaan_teh <- c(50, 60, 70, 80, 90)  
# Frekuensi observasi
frekuensi_teh <- c(10, 20, 40, 20, 10)  

# Hitung probabilitas
prob_teh <- frekuensi_teh / sum(frekuensi_teh)

Simulasi Monte Carlo

# Prediksi 5 hari ke depan
sim_5_hari <- sample(permintaan_teh, size = 5, replace = TRUE, prob = prob_teh)

# Prediksi 20 hari ke depan
sim_20_hari <- sample(permintaan_teh, size = 20, replace = TRUE, prob = prob_teh)

cat("Prediksi permintaan 5 hari ke depan:", sim_5_hari, "\n")

Prediksi permintaan 5 hari ke depan: 70 90 80 50 70 

cat("Rata-rata (5 hari):", mean(sim_5_hari), "gelas\n\n")

Rata-rata (5 hari): 72 gelas

cat("Rata-rata permintaan 20 hari ke depan:", mean(sim_20_hari), "gelas")

Rata-rata permintaan 20 hari ke depan: 71 gelas

Bangkitkanlah data dengan distribusi eksponensial untuk variabel permintaan

set.seed(123)

# Membangkitkan 10 data permintaan (Distribusi Eksponensial) 
# Rate = 1/70 ditentukan dari 1/rata-rata. 
data_permintaan <- rexp(n = 10, rate = 1/70)

# Membangkitkan data frekuensi (Distribusi Normal) 
# Misal Mean = 20, SD = 5
data_frekuensi <- rnorm(n = 10, mean = 20, sd = 5)

Prediksi permintaan

simulasi <- function(n_hari) {
  hasil <- rexp(n = n_hari, rate = 1/mean(data_permintaan))
  return(mean(hasil))
}

cat("Rata-rata prediksi 5 hari    :", simulasi(5), "\n")

Rata-rata prediksi 5 hari    : 58.60744 

cat("Rata-rata prediksi 20 hari   :", simulasi(20), "\n")

Rata-rata prediksi 20 hari   : 59.95929 

cat("Rata-rata prediksi 100 hari  :", simulasi(100), "\n")

Rata-rata prediksi 100 hari  : 42.99804 

cat("Rata-rata prediksi 1000 hari :", simulasi(1000), "\n")

Rata-rata prediksi 1000 hari : 45.17073