SIMULASI MONTE CARLO

Simulasi monte carlo adalah sebuah simulasi untuk menentukan suatu angka random dari data sampel dengan berdistribusi tertentu. Tujuan simulasi Monte carlo adalah menemukan nilai yang mendekati nilai sesungguhnya, atau nilai yang akan terjadi berdasarkan distribusi dari data sampling. Oleh sebab kemampuannya mampu memprediksi suatu nilai, maka Monte Carlo dahulu sering digunakan untuk kepentingan judi di kasino.

Dalam dunia keuangan dan perbankan, simulasi Monte carlo tentu sangat dibutuhkan untuk menghitung resiko finansial. Bagi perbankan yang salah satu kegiatan utamanya adalah memberikan kredit kepada nasabah, tentu Monte carlo dibutuhkan untuk memprediksi resiko finansial perbankan akibat kredit macet. Dalam duni investasi, investor dapat memanfaatkan simulasi Monte Carlo untuk mengetahui resiko gagal bayar dari suatu instrumen investasi. Pada dasarnya, dalam dunia keuangan dan perbankan Metode simulasi Monte carlo dapat membantu kita dalam melakukan mitigasi atas resiko.

Monte Carlo simulation sering digunakan dan diterima secara praktek karena kekuatan analisisnya tidak memerlukan perhitungan matematis yang komplek.

Teknik ini kadang disebut method of statistical trials. Pemilihan outcome secara random tiap variabel (elemen) yang diperhatikan, kombinasikan outcome ini dengan nilai yang fix, dan jika diperlukan perhitungan satu trial outcome untuk mendapatkan jawaban yang diinginkan (measure of merit). Pengulangan hal tersebut akan menghasilkan trial outcome yang cukup untuk mendapatkan perkiraan yang mendekati mean, variance, distribution shape, atau karakteristik lain dari jawaban yang diinginkan.

Kunci dari teknik Monte Carlo adalah outcome dari semua variabel yang diperhatikan akan dipilih secara random. Random number adalah bilangan yang telah dihasilkan sedemikian rupa dimana ada kemungkinan yang sama bagi setiap bilangan muncul setiap waktu, tanpa urutan apapun seperti yang dialami setiap waktu sebelumnya.

Penggunaan metode Monte Carlo memerlukan sejumlah besar random number, dan hal tersebut semakin mudah dengan perkembangan pseudo random numbers generator yang jauh lebih cepat dan praktis dibandingkan dengan metode sebelumnya yang menggunakan tabel random number untuk sampling statistik.

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.

KELEBIHAN SIMULASI MONTE CARLO

1. Merupakan metode yang mudah digunakan untuk mencapai hasil yang mungkin pada kejadian yang tidak pasti dan batas keyakinan yang terkait. Satu-satunya prasyarat yang dibutuhkan adalah kita harus mengidentifikasi batas jangkauan dan korelasi dengan variabel lain.
2. Merupakan teknik yang berguna untuk mempermudah pengambilan keputusan berdasarkan data numerik untuk mendukung keputusan.
3. Simulasi Monte Carlo biasanya berguna saat menganalisis biaya dan jadwal. Dengan bantuan analisis Monte Carlo, kita dapat menambahkan biaya dan jadwal risiko ke model peramalan dengan tingkat kepercayaan yang lebih besar.
4. Digunakan untuk menemukan kemungkinan untuk memenuhi milestone pencapaian proyek dan sasaran.

KEKURANGAN SIMULASI MONTE CARLO

1. Simulasi tidak akurat. Teknik ini bukan proses optimisasi dan tidak menghasilkansebuah jawaban tetapi hanya menghasilkan sekumpulan output dari sistem padaberbagai kondisi yang berbeda. Dalam banyak kasus, ketelitiannya sulit diukur.
2. Model simulasi yang baik bisa jadi sangat mahal, bahkan sering dibutuhkan waktubertahun-tahun untuk mengembangkan model yang sesuai.
3. Tidak semua situasi dapat dievaluasi dengan simulasi. Hanya situasi yangmengandung ketidak-pastian yang dapat dievaluasi dengan simulasi. Karena tanpakomponen acak semua eksperimen simulasi akan menghasilkan jawaban yang sama.
4. Simulasi menghasilkan cara untuk mengevaluasi solusi, bukan menghasilkan carauntuk memecahkan masalah. Jadi sebelumnya perlu diketahui dulu solusi ataupendekatan solusi yang akan diuji.
5. Pengalaman yang diperoleh melalui simulasi tidak selalu tepat dan sesuai dengankenyataan di lapangan.
6. Pengelolaan yang kurang baik. sering simulasi dijadikan sebagai alat hiburan,sehingga tujuan pembelajaran menjadi terabaikan.