Simulasi Monte Carlo adalah metode matematis yang digunakan untuk memperkirakan kemungkinan hasil dari peristiwa yang tidak pasti. Dalam konteks analisis data, metode ini sangat berguna untuk melakukan prediksi ketika kita memiliki data historis tetapi ingin melihat berbagai kemungkinan skenario di masa depan.
Prinsip utama dalam simulasi ini adalah penggunaan bilangan acak. Prosesnya meliputi:
Menentukan distribusi probabilitas dari data pengamatan (real/historis).
Membangun probabilitas kumulatif untuk menentukan interval angka.
Menghasilkan bilangan acak untuk mensimulasikan kejadian berulang kali.
Sebuah warung es teh di pinggir jalan melakukan pengamatan dan mencatat frekuensi harian permintaan es teh selama 100 hari terakhir. Data pengamatan adalah sebagai berikut:
# Data Es Teh
Data_Es <- data.frame(Pengamatan_gelas = c(50, 60, 70, 80, 10),
Frekuensi_Observasi = c(10, 20, 40, 20, 10))
Data_Es## Pengamatan_gelas Frekuensi_Observasi
## 1 50 10
## 2 60 20
## 3 70 40
## 4 80 20
## 5 10 10A. Prediksikan permintaan es teh selama 5 hari ke depan.
B. Prediksikan permintaan es teh selama 20 hari ke depan.
# Probabilitas Distribusi
Data_Es$Prob_Dist <- Data_Es$Frekuensi_Observasi/sum(Data_Es$Frekuensi_Observasi)
# Probabilitas Kumulatif
Data_Es$Prob_Kumulatif <- cumsum(Data_Es$Prob_Dist)
# Hasil
Data_Es## Pengamatan_gelas Frekuensi_Observasi Prob_Dist Prob_Kumulatif
## 1 50 10 0.1 0.1
## 2 60 20 0.2 0.3
## 3 70 40 0.4 0.7
## 4 80 20 0.2 0.9
## 5 10 10 0.1 1.0# Pembuatan Batas Bawah
Data_Es$Batas_Bawah <- Data_Es$Prob_Kumulatif * sum(Data_Es$Frekuensi_Observasi) - Data_Es$Frekuensi_Observasi + 1
# Pembuatan Batas Atas
Data_Es$Batas_Atas <- Data_Es$Prob_Kumulatif * sum(Data_Es$Frekuensi_Observasi)
# Interval
Data_Es$Interval <- paste(Data_Es$Batas_Bawah, "-", Data_Es$Batas_Atas, sep = "")
# Hasil
Data_Es## Pengamatan_gelas Frekuensi_Observasi Prob_Dist Prob_Kumulatif Batas_Bawah
## 1 50 10 0.1 0.1 1
## 2 60 20 0.2 0.3 11
## 3 70 40 0.4 0.7 31
## 4 80 20 0.2 0.9 71
## 5 10 10 0.1 1.0 91
## Batas_Atas Interval
## 1 10 1-10
## 2 30 11-30
## 3 70 31-70
## 4 90 71-90
## 5 100 91-100Di sini, kita mengacak bilangan di rentang interval. Kemudian kita masukan dalam kategori pengamatan mana.
A. Prediksikan permintaan es teh selama 5 hari ke depan
set.seed(3) # Agar hasil pengacakan tidak berubah
# Pengacakan 5 hari ke depan
Nilai_Acak <- sample(1:100, size = 5, replace = TRUE)
# Masukan ke dalam kategori permintaan
Permintaan <- c()
for (a in Nilai_Acak) {
index <- which(a >= Data_Es$Batas_Bawah & a <= Data_Es$Batas_Atas)
Permintaan <- c(Permintaan, Data_Es$Pengamatan_gelas[index])
}
# Membuat tabel hasil prediksi
Prediksi1 <- data.frame(Hari = 1:length(Nilai_Acak),
Nilai_Acak = Nilai_Acak,
Permintaan = Permintaan)
# Tampilkan hasil
Prediksi1## Hari Nilai_Acak Permintaan
## 1 1 5 50
## 2 2 58 70
## 3 3 12 60
## 4 4 36 70
## 5 5 58 70B. Prediksikan permintaan es teh selama 20 hari ke depan.
set.seed(3) # Agar hasil pengacakan tidak berubah
# Pengacakan 5 hari ke depan
Nilai_Acak <- sample(1:100, size = 20, replace = TRUE)
# Masukan ke dalam kategori permintaan
Permintaan <- c()
for (a in Nilai_Acak) {
index <- which(a >= Data_Es$Batas_Bawah & a <= Data_Es$Batas_Atas)
Permintaan <- c(Permintaan, Data_Es$Pengamatan_gelas[index])
}
# Membuat tabel hasil prediksi
Prediksi2 <- data.frame(Hari = 1:length(Nilai_Acak),
Nilai_Acak = Nilai_Acak,
Permintaan = Permintaan)
# Tampilkan hasil
Prediksi2## Hari Nilai_Acak Permintaan
## 1 1 5 50
## 2 2 58 70
## 3 3 12 60
## 4 4 36 70
## 5 5 58 70
## 6 6 95 10
## 7 7 8 50
## 8 8 20 60
## 9 9 74 80
## 10 10 55 70
## 11 11 40 70
## 12 12 48 70
## 13 13 8 50
## 14 14 37 70
## 15 15 66 70
## 16 16 29 60
## 17 17 5 50
## 18 18 37 70
## 19 19 9 50
## 20 20 9 50Di bagian ini, kita membandingkan rata-rata prediksi dengan ekspetasi.
# Ekspetasi
Ekspetasi <- sum(Data_Es$Pengamatan_gelas * Data_Es$Prob_Dist)
# Rata-rata Prediksi 5 hari ke depan
Rata_Rata1 <- mean(Prediksi1$Permintaan)
# Rata-rata Prediksi 20 hari ke depan
Rata_Rata2 <- mean(Prediksi2$Permintaan)
# Penyajian Tabel
Analisis <- data.frame(Data = c("Prediksi 5 Hari", "Prediksi 20 Hari"),
Mean = c(Rata_Rata1, Rata_Rata2),
Ekspetasi = Ekspetasi)
Analisis## Data Mean Ekspetasi
## 1 Prediksi 5 Hari 64 62
## 2 Prediksi 20 Hari 60 62Bangkitkanlah data dengan distribusi eksponensial untuk variabel permintaan sebanyak 10 data permintaan, dan data dengan distribusi normal untuk variabel frekuensi:
A. prediksikan permintaan selama 5 hari ke depan
B. prediksikan permintaan selama 20 hari ke depan
C. prediksikan permintaan selama 100 hari ke depan
D. prediksikan permintaan selama 1000 hari ke depan
set.seed(2)
# Buat Data
Data <- data.frame(Hari = 1:10,
Permintaan = ceiling(rexp(10, rate = 0.05)),
Frekuensi = ceiling(rnorm(10, 60, 20)))
Data## Hari Permintaan Frekuensi
## 1 1 38 58
## 2 2 9 69
## 3 3 3 80
## 4 4 35 53
## 5 5 2 40
## 6 6 14 96
## 7 7 22 14
## 8 8 31 78
## 9 9 27 61
## 10 10 4 81# Pembuatan kolom probabilias
Data$Probabilitas <- Data$Frekuensi/sum(Data$Frekuensi)
# Pembuatan kolom cumulatif distribusi probabilitas
Data$Prob_Kumulatif <- cumsum(Data$Probabilitas)
Data## Hari Permintaan Frekuensi Probabilitas Prob_Kumulatif
## 1 1 38 58 0.09206349 0.09206349
## 2 2 9 69 0.10952381 0.20158730
## 3 3 3 80 0.12698413 0.32857143
## 4 4 35 53 0.08412698 0.41269841
## 5 5 2 40 0.06349206 0.47619048
## 6 6 14 96 0.15238095 0.62857143
## 7 7 22 14 0.02222222 0.65079365
## 8 8 31 78 0.12380952 0.77460317
## 9 9 27 61 0.09682540 0.87142857
## 10 10 4 81 0.12857143 1.00000000# Pembuatan Batas Bawah
Data$Batas_Bawah <- round(Data$Prob_Kumulatif * sum(Data$Frekuensi) - Data$Frekuensi + 1)
# Pembuatan Batas Atas
Data$Batas_Atas <- round(Data$Prob_Kumulatif * sum(Data$Frekuensi))
# Interval
Data$Interval <- paste(Data$Batas_Bawah, "-", Data$Batas_Atas, sep = "")
# Hasil
Data## Hari Permintaan Frekuensi Probabilitas Prob_Kumulatif Batas_Bawah Batas_Atas
## 1 1 38 58 0.09206349 0.09206349 1 58
## 2 2 9 69 0.10952381 0.20158730 59 127
## 3 3 3 80 0.12698413 0.32857143 128 207
## 4 4 35 53 0.08412698 0.41269841 208 260
## 5 5 2 40 0.06349206 0.47619048 261 300
## 6 6 14 96 0.15238095 0.62857143 301 396
## 7 7 22 14 0.02222222 0.65079365 397 410
## 8 8 31 78 0.12380952 0.77460317 411 488
## 9 9 27 61 0.09682540 0.87142857 489 549
## 10 10 4 81 0.12857143 1.00000000 550 630
## Interval
## 1 1-58
## 2 59-127
## 3 128-207
## 4 208-260
## 5 261-300
## 6 301-396
## 7 397-410
## 8 411-488
## 9 489-549
## 10 550-630A. prediksikan permintaan selama 5 hari ke depan
set.seed(4) # Agar hasil pengacakan tidak berubah
# Pengacakan 5 hari ke depan
Nilai_Acak <- sample(1:630, size = 5, replace = TRUE)
# Masukan ke dalam kategori permintaan
Permintaan <- c()
for (a in Nilai_Acak) {
index <- which(a >= Data$Batas_Bawah & a <= Data$Batas_Atas)
Permintaan <- c(Permintaan, Data$Permintaan[index])
}
# Membuat tabel hasil prediksi
Pred1 <- data.frame(Hari = 1:length(Nilai_Acak),
Nilai_Acak = Nilai_Acak,
Permintaan = Permintaan)
# Tampilkan hasil
Pred1## Hari Nilai_Acak Permintaan
## 1 1 504 27
## 2 2 587 4
## 3 3 71 9
## 4 4 371 14
## 5 5 307 14B. prediksikan permintaan selama 20 hari ke depan
set.seed(4) # Agar hasil pengacakan tidak berubah
# Pengacakan 20 hari ke depan
Nilai_Acak <- sample(1:630, size = 20, replace = TRUE)
# Masukan ke dalam kategori permintaan
Permintaan <- c()
for (a in Nilai_Acak) {
index <- which(a >= Data$Batas_Bawah & a <= Data$Batas_Atas)
Permintaan <- c(Permintaan, Data$Permintaan[index])
}
# Membuat tabel hasil prediksi
Pred2 <- data.frame(Hari = 1:length(Nilai_Acak),
Nilai_Acak = Nilai_Acak,
Permintaan = Permintaan)
# Tampilkan hasil
Pred2## Hari Nilai_Acak Permintaan
## 1 1 504 27
## 2 2 587 4
## 3 3 71 9
## 4 4 371 14
## 5 5 307 14
## 6 6 312 14
## 7 7 414 31
## 8 8 62 9
## 9 9 614 4
## 10 10 130 3
## 11 11 152 3
## 12 12 385 14
## 13 13 596 4
## 14 14 411 31
## 15 15 365 14
## 16 16 560 4
## 17 17 176 3
## 18 18 303 14
## 19 19 300 2
## 20 20 197 3C. prediksikan permintaan selama 100 hari ke depan
set.seed(4) # Agar hasil pengacakan tidak berubah
# Pengacakan 100 hari ke depan
Nilai_Acak <- sample(1:630, size = 100, replace = TRUE)
# Masukan ke dalam kategori permintaan
Permintaan <- c()
for (a in Nilai_Acak) {
index <- which(a >= Data$Batas_Bawah & a <= Data$Batas_Atas)
Permintaan <- c(Permintaan, Data$Permintaan[index])
}
# Membuat tabel hasil prediksi
Pred3 <- data.frame(Hari = 1:length(Nilai_Acak),
Nilai_Acak = Nilai_Acak,
Permintaan = Permintaan)
# Tampilkan hasil
Pred3## Hari Nilai_Acak Permintaan
## 1 1 504 27
## 2 2 587 4
## 3 3 71 9
## 4 4 371 14
## 5 5 307 14
## 6 6 312 14
## 7 7 414 31
## 8 8 62 9
## 9 9 614 4
## 10 10 130 3
## 11 11 152 3
## 12 12 385 14
## 13 13 596 4
## 14 14 411 31
## 15 15 365 14
## 16 16 560 4
## 17 17 176 3
## 18 18 303 14
## 19 19 300 2
## 20 20 197 3
## 21 21 150 3
## 22 22 453 31
## 23 23 433 31
## 24 24 54 38
## 25 25 511 27
## 26 26 203 3
## 27 27 592 4
## 28 28 405 22
## 29 29 65 9
## 30 30 304 14
## 31 31 152 3
## 32 32 315 14
## 33 33 397 22
## 34 34 316 14
## 35 35 126 9
## 36 36 126 9
## 37 37 588 4
## 38 38 573 4
## 39 39 489 27
## 40 40 434 31
## 41 41 234 35
## 42 42 436 31
## 43 43 560 4
## 44 44 200 3
## 45 45 418 31
## 46 46 250 35
## 47 47 128 3
## 48 48 158 3
## 49 49 534 27
## 50 50 251 35
## 51 51 538 27
## 52 52 278 2
## 53 53 397 22
## 54 54 625 4
## 55 55 291 2
## 56 56 177 3
## 57 57 471 31
## 58 58 446 31
## 59 59 119 9
## 60 60 533 27
## 61 61 440 31
## 62 62 392 14
## 63 63 458 31
## 64 64 321 14
## 65 65 225 35
## 66 66 304 14
## 67 67 52 38
## 68 68 79 9
## 69 69 590 4
## 70 70 452 31
## 71 71 557 4
## 72 72 594 4
## 73 73 565 4
## 74 74 445 31
## 75 75 43 38
## 76 76 332 14
## 77 77 562 4
## 78 78 133 3
## 79 79 161 3
## 80 80 59 9
## 81 81 366 14
## 82 82 354 14
## 83 83 113 9
## 84 84 141 3
## 85 85 35 38
## 86 86 119 9
## 87 87 41 38
## 88 88 435 31
## 89 89 36 38
## 90 90 73 9
## 91 91 191 3
## 92 92 599 4
## 93 93 387 14
## 94 94 365 14
## 95 95 342 14
## 96 96 9 38
## 97 97 553 4
## 98 98 179 3
## 99 99 227 35
## 100 100 391 14D. prediksikan permintaan selama 1000 hari ke depan
set.seed(4) # Agar hasil pengacakan tidak berubah
# Pengacakan 1000 hari ke depan
Nilai_Acak <- sample(1:630, size = 1000, replace = TRUE)
# Masukan ke dalam kategori permintaan
Permintaan <- c()
for (a in Nilai_Acak) {
index <- which(a >= Data$Batas_Bawah & a <= Data$Batas_Atas)
Permintaan <- c(Permintaan, Data$Permintaan[index])
}
# Membuat tabel hasil prediksi
Pred4 <- data.frame(Hari = 1:length(Nilai_Acak),
Nilai_Acak = Nilai_Acak,
Permintaan = Permintaan)
# Tampilkan hasil
Pred4## Hari Nilai_Acak Permintaan
## 1 1 504 27
## 2 2 587 4
## 3 3 71 9
## 4 4 371 14
## 5 5 307 14
## 6 6 312 14
## 7 7 414 31
## 8 8 62 9
## 9 9 614 4
## 10 10 130 3
## 11 11 152 3
## 12 12 385 14
## 13 13 596 4
## 14 14 411 31
## 15 15 365 14
## 16 16 560 4
## 17 17 176 3
## 18 18 303 14
## 19 19 300 2
## 20 20 197 3
## 21 21 150 3
## 22 22 453 31
## 23 23 433 31
## 24 24 54 38
## 25 25 511 27
## 26 26 203 3
## 27 27 592 4
## 28 28 405 22
## 29 29 65 9
## 30 30 304 14
## 31 31 152 3
## 32 32 315 14
## 33 33 397 22
## 34 34 316 14
## 35 35 126 9
## 36 36 126 9
## 37 37 588 4
## 38 38 573 4
## 39 39 489 27
## 40 40 434 31
## 41 41 234 35
## 42 42 436 31
## 43 43 560 4
## 44 44 200 3
## 45 45 418 31
## 46 46 250 35
## 47 47 128 3
## 48 48 158 3
## 49 49 534 27
## 50 50 251 35
## 51 51 538 27
## 52 52 278 2
## 53 53 397 22
## 54 54 625 4
## 55 55 291 2
## 56 56 177 3
## 57 57 471 31
## 58 58 446 31
## 59 59 119 9
## 60 60 533 27
## 61 61 440 31
## 62 62 392 14
## 63 63 458 31
## 64 64 321 14
## 65 65 225 35
## 66 66 304 14
## 67 67 52 38
## 68 68 79 9
## 69 69 590 4
## 70 70 452 31
## 71 71 557 4
## 72 72 594 4
## 73 73 565 4
## 74 74 445 31
## 75 75 43 38
## 76 76 332 14
## 77 77 562 4
## 78 78 133 3
## 79 79 161 3
## 80 80 59 9
## 81 81 366 14
## 82 82 354 14
## 83 83 113 9
## 84 84 141 3
## 85 85 35 38
## 86 86 119 9
## 87 87 41 38
## 88 88 435 31
## 89 89 36 38
## 90 90 73 9
## 91 91 191 3
## 92 92 599 4
## 93 93 387 14
## 94 94 365 14
## 95 95 342 14
## 96 96 9 38
## 97 97 553 4
## 98 98 179 3
## 99 99 227 35
## 100 100 391 14
## 101 101 588 4
## 102 102 393 14
## 103 103 98 9
## 104 104 537 27
## 105 105 177 3
## 106 106 138 3
## 107 107 127 9
## 108 108 139 3
## 109 109 218 35
## 110 110 269 2
## 111 111 192 3
## 112 112 211 35
## 113 113 437 31
## 114 114 455 31
## 115 115 610 4
## 116 116 270 2
## 117 117 46 38
## 118 118 47 38
## 119 119 280 2
## 120 120 316 14
## 121 121 213 35
## 122 122 376 14
## 123 123 35 38
## 124 124 53 38
## 125 125 359 14
## 126 126 4 38
## 127 127 10 38
## 128 128 215 35
## 129 129 69 9
## 130 130 95 9
## 131 131 90 9
## 132 132 312 14
## 133 133 180 3
## 134 134 150 3
## 135 135 372 14
## 136 136 172 3
## 137 137 222 35
## 138 138 286 2
## 139 139 534 27
## 140 140 610 4
## 141 141 395 14
## 142 142 401 22
## 143 143 566 4
## 144 144 46 38
## 145 145 240 35
## 146 146 98 9
## 147 147 48 38
## 148 148 514 27
## 149 149 616 4
## 150 150 474 31
## 151 151 175 3
## 152 152 243 35
## 153 153 113 9
## 154 154 173 3
## 155 155 446 31
## 156 156 623 4
## 157 157 211 35
## 158 158 162 3
## 159 159 51 38
## 160 160 415 31
## 161 161 560 4
## 162 162 437 31
## 163 163 306 14
## 164 164 162 3
## 165 165 93 9
## 166 166 216 35
## 167 167 564 4
## 168 168 350 14
## 169 169 8 38
## 170 170 80 9
## 171 171 625 4
## 172 172 319 14
## 173 173 557 4
## 174 174 526 27
## 175 175 372 14
## 176 176 395 14
## 177 177 427 31
## 178 178 2 38
## 179 179 561 4
## 180 180 622 4
## 181 181 556 4
## 182 182 39 38
## 183 183 52 38
## 184 184 431 31
## 185 185 82 9
## 186 186 255 35
## 187 187 389 14
## 188 188 397 22
## 189 189 308 14
## 190 190 428 31
## 191 191 267 2
## 192 192 42 38
## 193 193 322 14
## 194 194 598 4
## 195 195 224 35
## 196 196 129 3
## 197 197 383 14
## 198 198 533 27
## 199 199 318 14
## 200 200 356 14
## 201 201 156 3
## 202 202 317 14
## 203 203 530 27
## 204 204 580 4
## 205 205 380 14
## 206 206 48 38
## 207 207 370 14
## 208 208 249 35
## 209 209 624 4
## 210 210 366 14
## 211 211 478 31
## 212 212 439 31
## 213 213 155 3
## 214 214 463 31
## 215 215 309 14
## 216 216 33 38
## 217 217 200 3
## 218 218 615 4
## 219 219 84 9
## 220 220 617 4
## 221 221 80 9
## 222 222 249 35
## 223 223 505 27
## 224 224 621 4
## 225 225 43 38
## 226 226 211 35
## 227 227 551 4
## 228 228 121 9
## 229 229 11 38
## 230 230 91 9
## 231 231 577 4
## 232 232 317 14
## 233 233 306 14
## 234 234 422 31
## 235 235 612 4
## 236 236 527 27
## 237 237 33 38
## 238 238 359 14
## 239 239 430 31
## 240 240 169 3
## 241 241 169 3
## 242 242 462 31
## 243 243 497 27
## 244 244 408 22
## 245 245 248 35
## 246 246 511 27
## 247 247 454 31
## 248 248 596 4
## 249 249 312 14
## 250 250 483 31
## 251 251 263 2
## 252 252 183 3
## 253 253 343 14
## 254 254 511 27
## 255 255 26 38
## 256 256 162 3
## 257 257 544 27
## 258 258 223 35
## 259 259 431 31
## 260 260 208 35
## 261 261 450 31
## 262 262 250 35
## 263 263 252 35
## 264 264 409 22
## 265 265 498 27
## 266 266 452 31
## 267 267 627 4
## 268 268 167 3
## 269 269 506 27
## 270 270 15 38
## 271 271 517 27
## 272 272 404 22
## 273 273 298 2
## 274 274 236 35
## 275 275 299 2
## 276 276 211 35
## 277 277 224 35
## 278 278 320 14
## 279 279 619 4
## 280 280 565 4
## 281 281 177 3
## 282 282 381 14
## 283 283 521 27
## 284 284 481 31
## 285 285 512 27
## 286 286 453 31
## 287 287 578 4
## 288 288 233 35
## 289 289 93 9
## 290 290 535 27
## 291 291 21 38
## 292 292 569 4
## 293 293 51 38
## 294 294 189 3
## 295 295 178 3
## 296 296 330 14
## 297 297 254 35
## 298 298 458 31
## 299 299 466 31
## 300 300 560 4
## 301 301 620 4
## 302 302 50 38
## 303 303 9 38
## 304 304 167 3
## 305 305 534 27
## 306 306 68 9
## 307 307 506 27
## 308 308 297 2
## 309 309 29 38
## 310 310 49 38
## 311 311 415 31
## 312 312 431 31
## 313 313 46 38
## 314 314 59 9
## 315 315 15 38
## 316 316 34 38
## 317 317 304 14
## 318 318 501 27
## 319 319 571 4
## 320 320 502 27
## 321 321 39 38
## 322 322 561 4
## 323 323 331 14
## 324 324 266 2
## 325 325 623 4
## 326 326 46 38
## 327 327 430 31
## 328 328 90 9
## 329 329 58 38
## 330 330 487 31
## 331 331 435 31
## 332 332 184 3
## 333 333 414 31
## 334 334 365 14
## 335 335 59 9
## 336 336 468 31
## 337 337 470 31
## 338 338 44 38
## 339 339 52 38
## 340 340 346 14
## 341 341 40 38
## 342 342 443 31
## 343 343 543 27
## 344 344 488 31
## 345 345 49 38
## 346 346 3 38
## 347 347 185 3
## 348 348 568 4
## 349 349 552 4
## 350 350 184 3
## 351 351 114 9
## 352 352 436 31
## 353 353 541 27
## 354 354 514 27
## 355 355 248 35
## 356 356 307 14
## 357 357 468 31
## 358 358 469 31
## 359 359 328 14
## 360 360 71 9
## 361 361 313 14
## 362 362 497 27
## 363 363 271 2
## 364 364 129 3
## 365 365 28 38
## 366 366 27 38
## 367 367 502 27
## 368 368 100 9
## 369 369 149 3
## 370 370 550 4
## 371 371 623 4
## 372 372 464 31
## 373 373 224 35
## 374 374 621 4
## 375 375 483 31
## 376 376 532 27
## 377 377 586 4
## 378 378 218 35
## 379 379 564 4
## 380 380 502 27
## 381 381 358 14
## 382 382 49 38
## 383 383 149 3
## 384 384 448 31
## 385 385 191 3
## 386 386 231 35
## 387 387 384 14
## 388 388 293 2
## 389 389 373 14
## 390 390 306 14
## 391 391 180 3
## 392 392 45 38
## 393 393 232 35
## 394 394 206 3
## 395 395 569 4
## 396 396 290 2
## 397 397 24 38
## 398 398 48 38
## 399 399 575 4
## 400 400 167 3
## 401 401 90 9
## 402 402 292 2
## 403 403 606 4
## 404 404 105 9
## 405 405 116 9
## 406 406 193 3
## 407 407 24 38
## 408 408 380 14
## 409 409 563 4
## 410 410 27 38
## 411 411 454 31
## 412 412 463 31
## 413 413 396 14
## 414 414 189 3
## 415 415 388 14
## 416 416 164 3
## 417 417 586 4
## 418 418 477 31
## 419 419 22 38
## 420 420 141 3
## 421 421 100 9
## 422 422 219 35
## 423 423 433 31
## 424 424 349 14
## 425 425 317 14
## 426 426 109 9
## 427 427 576 4
## 428 428 618 4
## 429 429 14 38
## 430 430 382 14
## 431 431 525 27
## 432 432 431 31
## 433 433 402 22
## 434 434 309 14
## 435 435 422 31
## 436 436 200 3
## 437 437 346 14
## 438 438 602 4
## 439 439 549 27
## 440 440 608 4
## 441 441 310 14
## 442 442 267 2
## 443 443 145 3
## 444 444 613 4
## 445 445 245 35
## 446 446 426 31
## 447 447 330 14
## 448 448 403 22
## 449 449 198 3
## 450 450 176 3
## 451 451 489 27
## 452 452 482 31
## 453 453 390 14
## 454 454 160 3
## 455 455 14 38
## 456 456 422 31
## 457 457 40 38
## 458 458 115 9
## 459 459 208 35
## 460 460 200 3
## 461 461 199 3
## 462 462 613 4
## 463 463 194 3
## 464 464 301 14
## 465 465 528 27
## 466 466 173 3
## 467 467 157 3
## 468 468 237 35
## 469 469 323 14
## 470 470 299 2
## 471 471 357 14
## 472 472 464 31
## 473 473 341 14
## 474 474 127 9
## 475 475 146 3
## 476 476 36 38
## 477 477 249 35
## 478 478 2 38
## 479 479 115 9
## 480 480 403 22
## 481 481 406 22
## 482 482 154 3
## 483 483 44 38
## 484 484 506 27
## 485 485 381 14
## 486 486 347 14
## 487 487 444 31
## 488 488 430 31
## 489 489 554 4
## 490 490 549 27
## 491 491 25 38
## 492 492 247 35
## 493 493 171 3
## 494 494 31 38
## 495 495 565 4
## 496 496 537 27
## 497 497 501 27
## 498 498 237 35
## 499 499 252 35
## 500 500 59 9
## 501 501 32 38
## 502 502 378 14
## 503 503 623 4
## 504 504 362 14
## 505 505 574 4
## 506 506 422 31
## 507 507 589 4
## 508 508 73 9
## 509 509 354 14
## 510 510 306 14
## 511 511 124 9
## 512 512 527 27
## 513 513 336 14
## 514 514 488 31
## 515 515 89 9
## 516 516 107 9
## 517 517 604 4
## 518 518 86 9
## 519 519 264 2
## 520 520 336 14
## 521 521 524 27
## 522 522 596 4
## 523 523 370 14
## 524 524 228 35
## 525 525 358 14
## 526 526 417 31
## 527 527 520 27
## 528 528 180 3
## 529 529 434 31
## 530 530 192 3
## 531 531 11 38
## 532 532 325 14
## 533 533 518 27
## 534 534 201 3
## 535 535 476 31
## 536 536 159 3
## 537 537 334 14
## 538 538 95 9
## 539 539 346 14
## 540 540 579 4
## 541 541 448 31
## 542 542 281 2
## 543 543 246 35
## 544 544 617 4
## 545 545 369 14
## 546 546 253 35
## 547 547 204 3
## 548 548 54 38
## 549 549 308 14
## 550 550 328 14
## 551 551 495 27
## 552 552 464 31
## 553 553 56 38
## 554 554 405 22
## 555 555 66 9
## 556 556 572 4
## 557 557 457 31
## 558 558 538 27
## 559 559 580 4
## 560 560 459 31
## 561 561 121 9
## 562 562 447 31
## 563 563 198 3
## 564 564 582 4
## 565 565 408 22
## 566 566 408 22
## 567 567 516 27
## 568 568 460 31
## 569 569 555 4
## 570 570 218 35
## 571 571 393 14
## 572 572 445 31
## 573 573 450 31
## 574 574 560 4
## 575 575 371 14
## 576 576 204 3
## 577 577 201 3
## 578 578 423 31
## 579 579 6 38
## 580 580 240 35
## 581 581 391 14
## 582 582 567 4
## 583 583 76 9
## 584 584 211 35
## 585 585 13 38
## 586 586 430 31
## 587 587 546 27
## 588 588 142 3
## 589 589 311 14
## 590 590 418 31
## 591 591 489 27
## 592 592 168 3
## 593 593 222 35
## 594 594 580 4
## 595 595 462 31
## 596 596 598 4
## 597 597 185 3
## 598 598 349 14
## 599 599 497 27
## 600 600 570 4
## 601 601 468 31
## 602 602 165 3
## 603 603 59 9
## 604 604 474 31
## 605 605 440 31
## 606 606 39 38
## 607 607 80 9
## 608 608 155 3
## 609 609 531 27
## 610 610 443 31
## 611 611 453 31
## 612 612 145 3
## 613 613 106 9
## 614 614 199 3
## 615 615 17 38
## 616 616 499 27
## 617 617 452 31
## 618 618 224 35
## 619 619 322 14
## 620 620 70 9
## 621 621 19 38
## 622 622 166 3
## 623 623 150 3
## 624 624 270 2
## 625 625 276 2
## 626 626 529 27
## 627 627 157 3
## 628 628 621 4
## 629 629 260 35
## 630 630 601 4
## 631 631 90 9
## 632 632 624 4
## 633 633 325 14
## 634 634 311 14
## 635 635 25 38
## 636 636 206 3
## 637 637 581 4
## 638 638 196 3
## 639 639 527 27
## 640 640 503 27
## 641 641 279 2
## 642 642 564 4
## 643 643 77 9
## 644 644 399 22
## 645 645 612 4
## 646 646 424 31
## 647 647 139 3
## 648 648 471 31
## 649 649 146 3
## 650 650 343 14
## 651 651 530 27
## 652 652 414 31
## 653 653 69 9
## 654 654 236 35
## 655 655 346 14
## 656 656 549 27
## 657 657 343 14
## 658 658 146 3
## 659 659 615 4
## 660 660 77 9
## 661 661 335 14
## 662 662 458 31
## 663 663 171 3
## 664 664 407 22
## 665 665 331 14
## 666 666 191 3
## 667 667 563 4
## 668 668 88 9
## 669 669 152 3
## 670 670 54 38
## 671 671 233 35
## 672 672 378 14
## 673 673 501 27
## 674 674 187 3
## 675 675 133 3
## 676 676 68 9
## 677 677 182 3
## 678 678 531 27
## 679 679 260 35
## 680 680 84 9
## 681 681 465 31
## 682 682 422 31
## 683 683 614 4
## 684 684 113 9
## 685 685 481 31
## 686 686 517 27
## 687 687 266 2
## 688 688 70 9
## 689 689 7 38
## 690 690 246 35
## 691 691 236 35
## 692 692 273 2
## 693 693 408 22
## 694 694 152 3
## 695 695 140 3
## 696 696 291 2
## 697 697 69 9
## 698 698 263 2
## 699 699 231 35
## 700 700 434 31
## 701 701 245 35
## 702 702 520 27
## 703 703 218 35
## 704 704 255 35
## 705 705 458 31
## 706 706 424 31
## 707 707 263 2
## 708 708 534 27
## 709 709 115 9
## 710 710 389 14
## 711 711 325 14
## 712 712 144 3
## 713 713 71 9
## 714 714 470 31
## 715 715 487 31
## 716 716 480 31
## 717 717 272 2
## 718 718 478 31
## 719 719 103 9
## 720 720 99 9
## 721 721 104 9
## 722 722 453 31
## 723 723 19 38
## 724 724 235 35
## 725 725 158 3
## 726 726 115 9
## 727 727 608 4
## 728 728 459 31
## 729 729 117 9
## 730 730 618 4
## 731 731 590 4
## 732 732 531 27
## 733 733 388 14
## 734 734 628 4
## 735 735 67 9
## 736 736 563 4
## 737 737 589 4
## 738 738 239 35
## 739 739 398 22
## 740 740 2 38
## 741 741 560 4
## 742 742 142 3
## 743 743 191 3
## 744 744 331 14
## 745 745 112 9
## 746 746 518 27
## 747 747 629 4
## 748 748 537 27
## 749 749 628 4
## 750 750 540 27
## 751 751 309 14
## 752 752 95 9
## 753 753 232 35
## 754 754 187 3
## 755 755 416 31
## 756 756 126 9
## 757 757 178 3
## 758 758 252 35
## 759 759 78 9
## 760 760 391 14
## 761 761 389 14
## 762 762 512 27
## 763 763 274 2
## 764 764 72 9
## 765 765 209 35
## 766 766 412 31
## 767 767 595 4
## 768 768 575 4
## 769 769 501 27
## 770 770 106 9
## 771 771 569 4
## 772 772 150 3
## 773 773 214 35
## 774 774 484 31
## 775 775 482 31
## 776 776 447 31
## 777 777 322 14
## 778 778 163 3
## 779 779 618 4
## 780 780 263 2
## 781 781 347 14
## 782 782 550 4
## 783 783 16 38
## 784 784 568 4
## 785 785 571 4
## 786 786 250 35
## 787 787 274 2
## 788 788 112 9
## 789 789 462 31
## 790 790 556 4
## 791 791 3 38
## 792 792 15 38
## 793 793 531 27
## 794 794 543 27
## 795 795 441 31
## 796 796 513 27
## 797 797 365 14
## 798 798 408 22
## 799 799 599 4
## 800 800 32 38
## 801 801 540 27
## 802 802 474 31
## 803 803 114 9
## 804 804 316 14
## 805 805 434 31
## 806 806 49 38
## 807 807 436 31
## 808 808 273 2
## 809 809 320 14
## 810 810 507 27
## 811 811 139 3
## 812 812 559 4
## 813 813 389 14
## 814 814 572 4
## 815 815 449 31
## 816 816 428 31
## 817 817 23 38
## 818 818 107 9
## 819 819 96 9
## 820 820 27 38
## 821 821 613 4
## 822 822 225 35
## 823 823 482 31
## 824 824 559 4
## 825 825 583 4
## 826 826 27 38
## 827 827 141 3
## 828 828 14 38
## 829 829 279 2
## 830 830 505 27
## 831 831 242 35
## 832 832 413 31
## 833 833 449 31
## 834 834 566 4
## 835 835 498 27
## 836 836 122 9
## 837 837 128 3
## 838 838 307 14
## 839 839 270 2
## 840 840 462 31
## 841 841 177 3
## 842 842 107 9
## 843 843 321 14
## 844 844 474 31
## 845 845 433 31
## 846 846 277 2
## 847 847 181 3
## 848 848 79 9
## 849 849 49 38
## 850 850 279 2
## 851 851 420 31
## 852 852 625 4
## 853 853 258 35
## 854 854 180 3
## 855 855 85 9
## 856 856 272 2
## 857 857 292 2
## 858 858 559 4
## 859 859 311 14
## 860 860 146 3
## 861 861 9 38
## 862 862 218 35
## 863 863 572 4
## 864 864 162 3
## 865 865 313 14
## 866 866 417 31
## 867 867 243 35
## 868 868 17 38
## 869 869 530 27
## 870 870 59 9
## 871 871 154 3
## 872 872 542 27
## 873 873 621 4
## 874 874 539 27
## 875 875 258 35
## 876 876 83 9
## 877 877 331 14
## 878 878 374 14
## 879 879 235 35
## 880 880 149 3
## 881 881 522 27
## 882 882 191 3
## 883 883 604 4
## 884 884 627 4
## 885 885 27 38
## 886 886 380 14
## 887 887 364 14
## 888 888 561 4
## 889 889 555 4
## 890 890 312 14
## 891 891 571 4
## 892 892 228 35
## 893 893 172 3
## 894 894 369 14
## 895 895 127 9
## 896 896 345 14
## 897 897 338 14
## 898 898 614 4
## 899 899 302 14
## 900 900 263 2
## 901 901 496 27
## 902 902 561 4
## 903 903 51 38
## 904 904 10 38
## 905 905 166 3
## 906 906 502 27
## 907 907 76 9
## 908 908 183 3
## 909 909 150 3
## 910 910 68 9
## 911 911 367 14
## 912 912 37 38
## 913 913 321 14
## 914 914 256 35
## 915 915 84 9
## 916 916 469 31
## 917 917 378 14
## 918 918 433 31
## 919 919 446 31
## 920 920 198 3
## 921 921 628 4
## 922 922 482 31
## 923 923 461 31
## 924 924 244 35
## 925 925 420 31
## 926 926 306 14
## 927 927 223 35
## 928 928 197 3
## 929 929 97 9
## 930 930 467 31
## 931 931 89 9
## 932 932 429 31
## 933 933 189 3
## 934 934 566 4
## 935 935 305 14
## 936 936 343 14
## 937 937 88 9
## 938 938 230 35
## 939 939 535 27
## 940 940 561 4
## 941 941 284 2
## 942 942 352 14
## 943 943 405 22
## 944 944 424 31
## 945 945 143 3
## 946 946 504 27
## 947 947 13 38
## 948 948 374 14
## 949 949 13 38
## 950 950 187 3
## 951 951 424 31
## 952 952 296 2
## 953 953 486 31
## 954 954 218 35
## 955 955 452 31
## 956 956 338 14
## 957 957 51 38
## 958 958 111 9
## 959 959 461 31
## 960 960 371 14
## 961 961 115 9
## 962 962 109 9
## 963 963 338 14
## 964 964 382 14
## 965 965 496 27
## 966 966 254 35
## 967 967 482 31
## 968 968 263 2
## 969 969 331 14
## 970 970 436 31
## 971 971 290 2
## 972 972 484 31
## 973 973 59 9
## 974 974 533 27
## 975 975 299 2
## 976 976 424 31
## 977 977 288 2
## 978 978 419 31
## 979 979 509 27
## 980 980 425 31
## 981 981 243 35
## 982 982 33 38
## 983 983 30 38
## 984 984 236 35
## 985 985 141 3
## 986 986 185 3
## 987 987 611 4
## 988 988 417 31
## 989 989 378 14
## 990 990 400 22
## 991 991 47 38
## 992 992 292 2
## 993 993 4 38
## 994 994 77 9
## 995 995 36 38
## 996 996 63 9
## 997 997 426 31
## 998 998 331 14
## 999 999 28 38
## 1000 1000 371 14# Ekspetasi
Ekspetasi <- sum(Data$Permintaan * Data$Probabilitas)
# Rata-rata Prediksi 5 hari ke depan
Rata_Rata1 <- mean(Pred1$Permintaan)
# Rata-rata Prediksi 20 hari ke depan
Rata_Rata2 <- mean(Pred2$Permintaan)
# Rata-rata Prediksi 100 hari ke depan
Rata_Rata3 <- mean(Pred3$Permintaan)
# Rata-rata Prediksi 1000 hari ke depan
Rata_Rata4 <- mean(Pred4$Permintaan)
# Penyajian Tabel
Analisis <- data.frame(Data = c("Prediksi 5 Hari", "Prediksi 20 Hari", "Prediksi 100 Hari", "Prediksi 1000 Hari"),
Mean = c(Rata_Rata1, Rata_Rata2, Rata_Rata3, Rata_Rata4),
Ekspetasi = Ekspetasi)
Analisis## Data Mean Ekspetasi
## 1 Prediksi 5 Hari 13.600 17.5254
## 2 Prediksi 20 Hari 11.050 17.5254
## 3 Prediksi 100 Hari 15.860 17.5254
## 4 Prediksi 1000 Hari 18.158 17.5254Dari Output di atas terlihat bahwa semakin banyak hari yang diprediksi maka rata-rata prediksi akan semakin medekati ekspetasi.