Simulasi Monte Carlo

tabel_permintaan <- data.frame(
  permintaan = c(50, 60, 70, 80, 90),
  batas_bawah = c(1, 21, 51, 86, 96),
  batas_atas = c(20, 50, 85, 95, 100)
)

permintaan_simulasi <- function(n, tabel_permintaan) {
  bilangan_acak <- sample(1:100, n, replace = TRUE)
  
  get_demand <- function(x) {
    index <- which(x >= tabel_permintaan$batas_bawah & x <= tabel_permintaan$batas_atas)
    if (length(index) == 0) {
      return(NA)
    } else {
      return(tabel_permintaan$permintaan[index])
    }
  }
  
  prediksi_permintaan <- sapply(bilangan_acak, get_demand)
  
  result <- data.frame(
    bilangan_acak = bilangan_acak,
    prediksi_permintaan = prediksi_permintaan
  )
  result <- na.omit(result)
  
  return(result)
}

set.seed(123)

sim_1000 <- permintaan_simulasi(1000, tabel_permintaan)
sim_5000 <- permintaan_simulasi(5000, tabel_permintaan)
sim_20000 <- permintaan_simulasi(20000, tabel_permintaan)

rata_1000 <- mean(sim_1000$prediksi_permintaan)
rata_5000 <- mean(sim_5000$prediksi_permintaan)
rata_20000 <- mean(sim_20000$prediksi_permintaan)

cat("Rata-rata 1.000 simulasi :", rata_1000, "\n")

## Rata-rata 1.000 simulasi : 65.22

cat("Rata-rata 5.000 simulasi :", rata_5000, "\n")

## Rata-rata 5.000 simulasi : 64.812

cat("Rata-rata 20.000 simulasi:", rata_20000, "\n")

## Rata-rata 20.000 simulasi: 64.9585

Interpretasi Kode R:

• tabel_permintaan: Bagian ini mendefinisikan aturan main simulasi dengan menetapkan besaran permintaan beserta interval probabilitasnya (batas bawah dan batas atas dari skala 1-100).
• permintaan_simulasi: Ini adalah fungsi utama yang menerima argumen jumlah iterasi atau hari (n). Di dalamnya, sample(1:100, n, replace = TRUE) membangkitkan n bilangan acak dari 1 hingga 100 dengan pengembalian.
• get_demand & sapply: Setiap bilangan acak yang dihasilkan akan dicocokkan dengan interval pada tabel menggunakan fungsi get_demand. Fungsi sapply memastikan proses pencocokan ini diterapkan ke seluruh bilangan acak secara efisien untuk mendapatkan nilai permintaan yang sesuai.
• set.seed(123): Perintah ini mengunci proses pengacakan agar hasil simulasi tetap sama (bisa direproduksi) setiap kali kode dieksekusi.
• sim_… & mean(…): Kode memanggil fungsi simulasi dengan input \(n\) sebesar 1.000, 5.000, dan 20.000. Setelah kumpulan prediksi didapatkan, fungsi mean() menghitung rata-rata permintaan dari masing-masing jumlah simulasi untuk dianalisis kestabilannya.

Sebagai kesimpulan, kode Simulasi Monte Carlo tersebut dirancang untuk menguji kestabilan prediksi permintaan melalui pembangkitan bilangan acak secara berulang, di mana peningkatan jumlah iterasi (dari 1.000 hingga 20.000) akan membuat hasil rata-rata simulasi semakin konvergen dan akurat. Sesuai dengan Hukum Bilangan Besar (Law of Large Numbers), semakin banyak pengulangan yang dilakukan di dalam model, simpangan atau fluktuasi acak akan semakin mengecil, sehingga nilai rata-rata yang dicetak pada iterasi 20.000 akan menjadi estimasi yang paling stabil dan paling mendekati probabilitas kejadian aslinya.