METODE MONTE CARLO. Pemodelan & Simulasi TM11
|
|
- Utami Kusnadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 METODE MONTE CARLO Pemodelan & Simulasi TM11
2 Metode Monte Carlo Metoda Monte Carlo telah digunakan sejak abad ke-18 oleh Comte de Buffon yang mengembangkan eskperimen untuk memperoleh rasio antara diameter dan keliling lingkaran. Di awal abad ke-20 metoda ini juga digunakan untuk memecahkan persamaan Boltzmann. Pemakaian metoda ini semakin matang dan mendapatkan nama `Metoda Monte Carlo` sejak digunakan dan dikembangkan dalam Manhattan Project pada perang dunia ke-ii di laboratorium Los Alamos (sekarang bernama Los Alamos National Laboratory, LANL).
3 Ilustrasi Penerapan Metode Monte Carlo Kasus irradiasi neutron terhadap suatu bahan. Bahan ini terdiri dari tiga inti nuklir A, B, dan C. Diketahui probabilitas terjadinya tumbukan neutron dengan salah satu inti nuklir tersebut; untuk inti A probabilitasnya 0.2, inti B probabilitasnya 0.3, dan inti C probabilitasnya 0.5. Bagaimana distribusi terjadinya irradiasi dengan salah satu inti nuklir bila terdapat 500 neutron; berapa neutron yang menumbuk masing-masing inti nuklir? Dari sifat pembangkitan bilangan random, misalnya dibangkitkan N bilangan random yang terdistribusi homogen pada interval (0,1), maka dapat dipahami bahwa
4 0.2 N akan terdapat pada interval 0 r < N akan terdapat pada interval 0.2 r < N akan terdapat pada interval 0.5 r < 1 Kemungkinan terjadinya distribusi di atas akan semakin besar jika nilai N semakin besar. Sifat pembangkitan bilangan random inilah yang digunakan untuk menyelesaikan kasus iradiasi neutron di atas. Dengan membangkitkan bilangan random, distribusi terjadinya tumbukan dengan salah satu inti nuklir yang telah diketahui probabilitasnya dapat disimulasikan. Skema penyelesaian masalah di atas dapat digambarkan pada halaman berikut.
5 Langkah yang dilakukan untuk penyelesaian adalah sebagai berikut : bangkitkan bilangan random r yang terdistribusi homogen pada (0,1) cek apakah r < 0.2 bila r < 0.2 maka kejadian yang terpilih adalah kejadian A, yaitu neutron bertumbukan dengan inti A. bila r > 0.2 maka cek apakah r < 0.5 bila r < 0.5 maka kejadian yang terpilih adalah kejadian B bila tidak maka yang terpilih adalah kejadian C
6 Secara umum, bila E 1, E 2,, E n adalah n kejadian yang saling lepas, dan masing-masing memiliki probabilitas untuk terjadi sebesar p 1, p 2,,p n dimana p 1 +p 2 + +p n =1, maka dapat ditentukan bahwa nilai bilangan random r yang memenuhi p 1 + p p i-1 r < p 1 + p p i menunjukkan terjadinya kejadian E i. Inilah prinsip dasar dari metoda Monte Carlo untuk kasus kejadian yang diskrit. Untuk kasus kontinu, variabel kontinu dibagi ke dalam banyak partisi dan menggunakan konsep yang sama dengan pada kasus diskrit.
7 Misalnya terdapat variabel x dengan interval 0 < x < n bagi kejadian E 1, E 2,,E n dengan nilai x pada interval i-1 < x < i menyatakan kejadian E i. Dibangun probability density function p(x) dengan definisi p(x) menunjukkan nilai probabilitas x terletak pada interval i-1 < x < i Maka p(x) akan berbentuk fungsi tangga seperti gambar berikut.
8 Setiap masalah simulasi dapat didekati dengan metode Monte Carlo? Dengan catatan kunci: Mampu memformulasikan masalah, Membuat overview sistem, Penyederhanaan sistem menuju algoritma, Menyusun algoritma, Pembuatan program; teknik pembuatan program bersifat bebas hampir tidak ada aturan yang terlalu mengikat. Contoh: Probabilitas pelemparan koin tunggal Sebuah pelemparan koin sebanyak N = 100 kali diperoleh hasil 45 kali keluar muka dan 55 kali keluar ekor. Dari data ini didapat nilai probabilitas untuk keluarnya muka sebagai p(m) = N(M)/N ekor sebagai p(e) = N(E)/N Dari model di atas susun algoritma dan program untuk kasus pelemparan sebanyak 1000 kali, 2000 kali, dsb sampai dengan kali. Apa yang terjadi?
9 Algoritma yang dapat digunakan: 1. Bangkitkan nilai 0 dan 1 sebanyak 1000 (N=1000) menggunakan metode pembangkitan bilangan acak LCG, kemudian operasikan modulo 2 pada bilangan acak yang telah dibangkitkan tersebut. 2. Klasifikasi Jika n = 0, maka M = M+1 misalkan 0 adalah Muka (M) Jika n = 1, maka E = E+1 misalkan 1 adalah Ekor (E) 3. Hitung probabilitas M dengan cara M/N dan probabilitas E dengan cara E/N. Buatlah coding-nya menggunakan matlab, tanpa fungsi mod.
10 Contoh: Probabilitas pelemparan koin ganda Untuk pelemparan koin ganda sebanyak 1000 kali, maka ada 3 kombinasi utk hasilnya yaitu: Muncul muka dan muka MM Muncul ekor dan muka EM Muncul ekor dan ekor EE Algoritma: 1. Bangkitkan nilai 0 dan 1 sebanyak 1000 (N=1000) menggunakan metode pembangkitan bilangan acak LCG, kemudian operasikan modulo 2 pada bilangan acak yang telah dibangkitkan tersebut. Lakukan untuk koin pertama (n1) dan koin kedua (n2). 2. Klasifikasi Jika n1 = 0 dan n2 = 0, maka MM = MM+1 Jika (n1 = 1 dan n2 = 0) atau (n1 = 0 dan n2 = 1), maka EM = EM+1 Jika n1 = 1 dan n2 = 1, maka EE = EE+1 3. Hitung probabilitas MM dengan cara MM/N, probabilitas EM dengan cara EM/N dan probabilitas EE dengan cara EE/N. Buatlah coding-nya menggunakan matlab, tanpa fungsi mod.
11 Contoh: Metode Monte Carlo untuk menghitung nilai Jika sebuah lingkaran dengan radius 1 diletakkan ke dalam bujursangkar bersisi 2 seperti gambar di bawah, Dari gambar tersebut didapatkan perbandingan: Luas lingkaran Luas bujursangkar r 4 2 Karena r =1, dapat diambil satu kotak serta seperempat lingkaran sehingga gambarnya menjadi:
12 Maka perbandingan antara luas keduanya menjadi Luas lingkaran Luas bujursangkar 2 ( 1/ 4) r 1 2 r Lemparkan sebuah kelereng secara bebas ke dalam kotak sebanyak 4 kali, maka kemungkinan kelereng akan jatuh di dalam lingaran atau diluar lingkaran. Bayangkan bila hal ini dilakukan sebanyak 1000 kali (N=1000). Jika diketahui bahwa posisi kelereng berada dalam lingkaran terjadi sebanyak M kali, maka banyaknya nilai M dibanding total pelemparan N akan senilai dengan perbandingan luas seperempat lingkaran dibanding 1 kotak atau M 1 4M N 4 N
13 Algoritma: Buat inisialisasi m = 0, N = 1000 Bangkitkan nilai x secara random yang memiliki nilai 0 1 (gunakan multiplicative random number generator) Bangkitkan nilai y secara random yang memiliki nilai 0 1 (gunakan multiplicative random number generator) Hitung r 2 =x 2 + y 2 Jika nilai r 2 < 1, maka m = m + 1, jika tidak, maka m = m Lakukan proses looping ini sampai 1000 kali Setelah proses looping selesai, hitung nilai p = (4m)/N Buatlah coding-nya menggunakan matlab, tanpa fungsi mod.
14 Contoh: Menghitung nilai integral Misalkan akan dihitung nilai integral dari fungsi f(x) = 2x dengan batas bawah = 0 dan batas atas = 2, atau Nilai integral dapat dihitung dengan menemukan luas area di bawah kurva f(x) untuk batas-batas tsb, shg Secara analitis, hasil integral dari fungsi f(x) = 2x dengan batas bawah = 0 dan batas atas = 2 adalah
15 Menghitung nilai integral dengan metode Monte Carlo Untuk soal di atas, luas area yang dicari adalah daerah yang berwarna biru muda. Dengan dasar pemikiran tsb, maka jika digunakan metode Monte Carlo akan diperoleh persamaan: luas area biru muda luas total persegipanjang luas 2x4 luas 8 Bila dilakukan pelemparan koin tunggal sebanyak N kali, dan koin yang jatuh di bawah garis f(x) =2x adalah sebanyak M kali, maka: luas 8 M N
16 Algoritma: Bangkitkan 2 bilangan acak x dan y masing-masing 1000 bilangan acak Nilai x mempunyai rentang 0 2 (yaitu dari batas bawah (x 1 ) hingga batas atas integral (x 2 ) ); gunakan LCG dan kemudian bilangan acak yg diperoleh dikenakan mod 3. Mengapa?? Nilai y mempunyai rentang 0 4 (yaitu dari f(x 1 ) hingga f(x 2 ) ); gunakan LCG dan kemudian bilangan acak yg diperoleh dikenakan mod 5. Mengapa?? Bila y < f(x) maka M = M + 1, jika tidak maka M = M Ulangi hingga N = 1000, dan hitung M Luas atau integral f(x ) ditentukan dengan integralf(x) luas 8M N Buatlah coding-nya menggunakan matlab, tanpa fungsi mod.
Metode Simulasi Monte Carlo
Metode Simulasi Monte Carlo Review Algoritma Probabilitas pelemparan coin Tunggal Probabilitas pelemparan coin Ganda Nilai π Nilai Integral Kasus nilai f(x) = xsin(x) Oleh: Tri Budi Santoso Achmad Basuki
Lebih terperinciMata Kuliah Pemodelan & Simulasi
Mata Kuliah Pemodelan & Simulasi Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia 1 Pendahuluan (1) Sifat probabilitistik pada sistem nyata mempunyai pola distribusi probabilistik
Lebih terperinciPEMBANGKIT RANDOM VARIATE
PEMBANGKIT RANDOM VARIATE Mata Kuliah Pemodelan & Simulasi JurusanTeknik Informatika Universitas Komputer Indonesia 1 Pendahuluan (1) Sifat probalitistik pada sistem nyata mempunyai pola distribusi probabilistik
Lebih terperinciBAB 3 PEMBANGUNAN MODEL SIMULASI MONTE CARLO. Simulasi Monte Carlo merupakan salah satu metode simulasi sederhana yang
BAB 3 PEMBANGUNAN MODEL SIMULASI MONTE CARLO 3. Simulasi Monte Carlo Simulasi Monte Carlo merupakan salah satu metode simulasi sederhana yang dapat dibangun secara cepat menggunakan spreadsheet. Penggunaan
Lebih terperinciProbabilitas dan Statistika Variabel Acak dan Fungsi Distribusi Peluang Diskrit. Adam Hendra Brata
dan Statistika dan Fungsi Peluang Adam Hendra Brata acak adalah sebuah fungsi yang memetakan hasil kejadian yang ada di alam (seperti : buka dan tutup; terang, redup dan gelap; merah, kuning dan hijau;
Lebih terperinciPEMODELAN BILANGAN ACAK DAN PEMBANGKITANNYA. Pemodelan & Simulasi
PEMODELAN BILANGAN ACAK DAN PEMBANGKITANNYA Pemodelan & Simulasi Bilangan Acak Bilangan acak adalah bilangan yang kemunculannya terjadi secara acak. Bilangan acak ini penting untuk keperluan simulasi.
Lebih terperinciMetode Monte Carlo. II. PENGHASIL ANGKA ACAK (RANDOM NUMBER GENERATOR) A. Penjelasan Singkat Mengenai Ketidakteraturan (Randomness) I.
Metode Monte Carlo Nadinastiti NIM 18209026 Program Studi Sistem dan Teknologi Informasi Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia nadinastiti@gmail.com
Lebih terperinciBab II. Prinsip Fundamental Simulasi Monte Carlo
Bab II Prinsip Fundamental Simulasi Monte Carlo Metoda monte carlo adalah suatu metoda pemecahan masalah fisis dengan menirukan proses-proses nyata di alam memanfaatkan bilangan acak/ random. Jadi metoda
Lebih terperinciBab IV Simulasi Metode Monte Carlo Mengatasi Masalah dalam Distribusi Data
24 Bab IV Simulasi Metode Monte Carlo Mengatasi Masalah dalam Distribusi Data IV.1 Mengenal Metode Monte Carlo Distribusi probabilitas digunakan dalam menganalisis sampel data. Sebagaimana kita ketahui,
Lebih terperinciPembangkitVariabelRandom
PembangkitVariabelandom Slide: Tri Harsono 1 1. Pembangkitvariabelrandom diskrit variabel random: adalah nilai suatu variabel random yg mempunyai distribusitertentuutkmengambilvariabelrandom dari beberapa
Lebih terperinciSATUAN ACARA PERKULIAHAN MATA KULIAH SIMULASI (KB) KODE / SKS : KK / 3 SKS
KODE / SKS : KK-01333 / 3 SKS 1 Pengertian dan tujuan 1. Klasifikasi Model 1 Simulasi. Perbedaan penyelesaian problem Dapat menjelaskan klasifikasi model dari matematis secara analitis dan numeris suatu
Lebih terperinciBAB IV SIMULASI MONTE CARLO
BAB IV SIMULASI MONTE CARLO Monte Carlo adalah algoritma komputasi untuk mensimulasikan berbagai perilaku sistem fisika dan matematika. Penggunaan klasik metode ini adalah untuk mengevaluasi integral definit,
Lebih terperincioleh: Tri Budi Santoso Signal Processing Group Electronic Engineering Polytechnic Institute of Surabaya-ITS
Dasar Statistik untuk Pemodelan dan Simulasi oleh: Tri Budi Santoso Signal Processing Group Electronic Engineering Polytechnic Institute of Surabaya-ITS . Probabilitas Probabilitas=Peluang, bisa diartikan
Lebih terperinciBAB 1 PENDAHULUAN. Hampir semua fenomena di dunia ini memiliki beberapa ketidakpastian,
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Hampir semua fenomena di dunia ini memiliki beberapa ketidakpastian, yang tidak dapat diperkirakan sebagai sesuatu yang pasti. Pada umumnya pengukuran berulang
Lebih terperinciSEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER JAKARTA STI&K SATUAN ACARA PERKULIAHAN
SEKOLAH TINGGI MANAJEMEN INFORMAA KOMPUTER JAKARTA STIK SATUAN ACARA PERKULIAHAN Mata : TEKNIK SIMULASI Kode Mata : MI - 15222 Jurusan / Jenjang : D3 TEKNIK KOMPUTER Tujuan Instruksional Umum : Agar mahasiswa
Lebih terperinciSTATISTIK PERTEMUAN V
STATISTIK PERTEMUAN V Variabel Random/ Acak variabel yg nilai-nilainya ditentukan oleh kesempatan/ variabel yang bernilai numerik yg didefinisikan dlm suatu ruang sampel 1. Variabel Random diskrit Variabel
Lebih terperinciDetail Tugas Besar Mata Kuliah Pemodelan dan Simulasi
Detail Tugas Besar Mata Kuliah Pemodelan dan Simulasi Buatlah aplikasi program untuk menyelesaikan kasus permasalahan dibawah ini, dengan menggunakan software aplikasi yang kalian mampu gunakan, interfacing
Lebih terperinciSEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER JAKARTA STI&K SATUAN ACARA PERKULIAHAN
SEKOLAH TINGGI MANAJEMEN INFORMAA & KOMPUTER JAKARTA STI&K SATUAN ACARA PERKULIAHAN Mata : SIMULASI DAN PERMODELAN Kode Mata : MI 1302 Jurusan / Jenjang : S1 SISTEM KOMPUTER Tujuan Instruksional Umum :
Lebih terperinciCara memperoleh data: Zaman dahulu, dgn cara : Melempar dadu Mengocok kartu
Cara memperoleh data: Zaman dahulu, dgn cara : Melempar dadu Mengocok kartu Zaman modern (>1940), dgn cara membentuk bilangan acak secara numerik/aritmatik (menggunakan komputer), disebut Pseudo Random
Lebih terperinciCNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya
CNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya Dosen: Aniq A Rohmawati, M.Si TELKOM UNIVERSITY JALAN TELEKOMUNIKASI 1, BANDUNG, INDONESIA Ruang Sampel dan Kejadian PEUBAH ACAK (P.A) Fungsi yang memetakan
Lebih terperinciPENDAHULUAN TEORI PROBABILITAS ATA /12/2013 MMA frekuensi H frekuensi T. Probabilitas hujan = 18 / 30?
TEORI PROBABILITAS ATA 2012-13 PENDAHULUAN MMA 10211 1 2 I. Diberikan data observasi harian (selama bulan Januari 2013) hujan / tidaknya pada sore hari # (banyaknya) H : # (banyaknya) T : 18 12 frekuensi
Lebih terperinciDasar-dasar Simulasi
Bab 3: Dasar-dasar Simulasi PEMODELAN DAN SIMULASI SISTEM M O N I C A A. K A P P I A N T A R I - 2 0 0 9 Sumber: Harrell, C., B.K. Ghosh and R.O. Bowden, Jr., Simulation Using Promodel, 2 nd ed., McGraw-
Lebih terperinciAPLIKASI PEMBELAJARAN DAN TEST TOEFL BERBASIS MOBILE MENGGUNAKAN METODE MONTECARLO
APLIKASI PEMBELAJARAN DAN TEST TOEFL BERBASIS MOBILE MENGGUNAKAN METODE MONTECARLO D Martha Program Studi Komputerisasi Akuntansi, STMIK CIC Cirebon Email: deny.martha@.cic.ac.id ABSTRAK Bahasa Inggris
Lebih terperinciPEMBANGKIT BILANGAN RANDOM RANDON NUMBER GENERATOR (RNG)
PEMBANGKIT BILANGAN RANDOM RANDON NUMBER GENERATOR (RNG) Pembangkit Bilangan Random Pembangkit bilangan random adalah suatu algoritma yang digunakan untuk menghasilkan urutan-urutan (sequence) dari angka-angka
Lebih terperinciBab V MetodeFunctional Statistics Algorithm (FSA) dalam Sintesis Populasi
31 Bab V MetodeFunctional Statistics Algorithm (FSA) dalam Sintesis Populasi V.1 Mengenal Metode Functional Statistics Algorithm (FSA) Metode Functional Statistics Algorithm (FSA) adalah sebuah metode
Lebih terperinciLEMBAR PENGESAHAN LEMBAR PERNYATAAN ABSTRAK KATA PENGANTAR UCAPAN TERIMA KASIH DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN
DAFTAR ISI LEMBAR PENGESAHAN LEMBAR PERNYATAAN ABSTRAK... i KATA PENGANTAR... iii UCAPAN TERIMA KASIH... iv DAFTAR ISI... vi DAFTAR TABEL... viii DAFTAR GAMBAR... ix DAFTAR LAMPIRAN... x BAB I PENDAHULUAN...
Lebih terperinciSTATISTIKA EKONOMI I Chapter 4 Distribusi Probabilitas Normal dan Binomial Chapter 5 Teori Sampling
STATISTIKA EKONOMI I Chapter 4 Distribusi Probabilitas Normal dan Binomial Chapter 5 Teori Sampling Rengganis Banitya Rachmat rengganis.rachmat@gmail.com 4. Distribusi Probabilitas Normal dan Binomial
Lebih terperinciNilai harapan suatu variabel acak x ditulis E (x) didefinisikan E (x) = Σ x. f (x) Var (x) = σ x 2 = E [ x E (x) ] 2 = E (x 2 ) { E (x) } 2
Pertemuan ke- 4 BAB III POPULASI, SAMPEL & DISTRIBUSI TEORITIS VARIABEL DISKRIT DAN FUNGSI PROBABILITAS 3.1 Variabel Random atau Variabel Acak Variabel yang nilainya merupakan suatu bilangan yang ditentukan
Lebih terperinciDistribusi Peluang. Maka peubah acak X dinyatakan dengan banyaknya kemunculan angka. angka sama sekali. angka.
Distribusi Peluang Definisi peubah acak: Misalkan E adalah sebuah percobaan dengan ruang sampel T. Sebuah fungsi X yang memetakan setiap anggota t T dengan sebuah bilangan real X(t) dinamakan peubah acak.
Lebih terperinciBab VI Perbandingan Model Simulasi menggunakan Metode Monte Carlo dan Metode Functional Statistics Algorithm (FSA)
37 Bab VI Perbandingan Model Simulasi menggunakan Metode Monte Carlo dan Metode Functional Statistics Algorithm (FSA) VI.1 Probabilitas Integral (Integral Kumulatif) Ketika menganalisis distribusi probabilitas,
Lebih terperinciDistribusi Probabilitas Diskrit: Binomial & Multinomial
Distribusi Probabilitas Diskrit: Binomial & Multinomial 6 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Distribusi Variabel Acak Diskrit Distribusi Binomial Distribusi
Lebih terperinciSimulasi Monte Carlo
Simulasi Monte Carlo Simulasi Monte Carlo Simulasi monte carlo melibatkan penggunaan angka acak untuk memodelkan sistem, dimana waktu tidak memegang peranan yang substantif (model statis) Pembangkitan
Lebih terperinciDistribusi Peluang Kontinu. Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB
Distribusi Peluang Kontinu Bahan Kuliah II9 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB 1 Fungsi Padat Peluang Untuk peubah acak kontinu, fungsi peluangnya
Lebih terperinciSIMULASI Kendalan (Reliability Simulation)*
TKS 6112 Keandalan Struktur SIMULASI Kendalan (Reliability Simulation)* * Pranata, Y.A. Teknik Simulasi Untuk Memprediksi Keandalan Lendutan Balok Statis Tertentu. Prosiding Konferensi Teknik Sipila Nasional
Lebih terperinciPEMBANGKIT BILANGAN ACAK (Random Number Generator)
PEMBANGKIT BILANGAN ACAK (Random Number Generator) Mata Kuliah Pemodelan & Simulasi Jurusan Teknik Informatika Universitas Komputer Indonesia 1 2 Random Number Generator (1) Cara memperoleh : ZAMAN DAHULU,
Lebih terperinciPengembangan Model Simulasi, oleh Hotniar Siringoringo 1
Simulasi kejadian diskrit memodelkan sistem yang berubah sesuai waktu melalui suatu representasi dimana variabel status berubah secara langsung pada titik terpisah dalam waktu. Titik terpisah dalam waktu
Lebih terperinciHidup penuh dengan ketidakpastian
BAB 2 Probabilitas Hidup penuh dengan ketidakpastian Tidak mungkin bagi kita untuk dapat mengatakan dengan pasti apa yang akan terjadi dalam 1 menit ke depan tapi Probabilitas akan memprediksikan masa
Lebih terperinciLEMBAR PENGESAHAN LEMBAR PERNYATAAN ABSTRAK KATA PENGANTAR UCAPAN TERIMA KASIH DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN
DAFTAR ISI LEMBAR PENGESAHAN LEMBAR PERNYATAAN ABSTRAK... i KATA PENGANTAR... iii UCAPAN TERIMA KASIH... iv DAFTAR ISI... v DAFTAR TABEL... vii DAFTAR GAMBAR... viii DAFTAR LAMPIRAN... x BAB I PENDAHULUAN...
Lebih terperinciModel dan Simulasi Universitas Indo Global Mandiri
Model dan Simulasi Universitas Indo Global Mandiri Nomor random >> angka muncul secara acak (random/tidak terurut) dengan probabilitas untuk muncul yang sama. Probabilitas/Peluang merupakan ukuran kecenderungan
Lebih terperinciMata Kuliah Pemodelan & Simulasi. Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia
Mata Kuliah Pemodelan & Simulasi Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia Pokok Bahasan Variabel Acak Pola Distribusi Masukan Pendugaan Pola Distribusi Uji Distribusi
Lebih terperinciPEMBANGKIT BILANGAN ACAK
PEMBANGKIT BILANGAN ACAK Mata Kuliah Pemodelan & Simulasi Pertemuan Ke- 7 Riani L. JurusanTeknik Informatika Universitas Komputer Indonesia 1 CARA MEMPEROLEH : Pembangkit Bilangan Acak (Random Number Generator)
Lebih terperinciPEUBAH ACAK & DISTRIBUSI PROBABILITAS. Nur Hayati, S.ST, MT Yogyakarta, Februari 2016
PEUBAH ACAK & DISTRIBUSI PROBABILITAS Nur Hayati, S.ST, MT Yogyakarta, Februari 2016 Pendahuluan Bidang Statistika Penarikan kesimpulan populasi dan sifat populasi. Percobaan hasil berkemungkinan Percobaan
Lebih terperinciBAB IV PEMBAHASAN. 4.1 Proses Pencabangan model DTMC SIR
BAB IV PEMBAHASAN 4.1 Proses Pencabangan model DTMC SIR Proses pencabangan suatu individu terinfeksi berbentuk seperti diagram pohon dan diasumsikan bahwa semua individu terinfeksi adalah saling independent
Lebih terperinciPENGEMBANGAN AWAL KODE KOMPUTER METODA MONTE CARLO: SIMULASI INTERAKSI NEUTRON PERTAMA PADA GEOMETRI SILINDER. Topan Setiadipura, Anik Purwaningsih *
PENGEMBANGAN AWAL KODE KOMPUTER METODA MONTE CARLO: SIMULASI INTERAKSI NEUTRON PERTAMA PADA GEOMETRI SILINDER Topan Setiadipura, Anik Purwaningsih * ABSTRAK PENGEMBANGAN AWAL KODE KOMPUTER METODA MONTE
Lebih terperinciDistribusi Probabilitas Diskrit: Binomial, Multinomial, & Binomial Negatif
Distribusi Probabilitas Diskrit: Binomial, Multinomial, & Binomial Negatif 6 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Distribusi Variabel Acak Diskrit Distribusi
Lebih terperinciBAB II DASAR TEORI 2.1 Pengertian Tata Guna/Tutupan Lahan
BAB II DASAR TEORI Prediksi perubahan lahan merupakan salah satu informasi penting untuk mendukung perencanaan penggunaan lahan. Untuk itu perlu dibuat suatu model yang mampu mewakili prediksi perubahan
Lebih terperinciDISTRIBUSI PROBABILITAS
DISTRIBUSI PROBABILITAS DISTRIBUSI PROBABILITAS Peluang terjadinya nilai variabel random X yang meliputi semua nilai ditentukan melalui distribusi peluang. Distribusi peluang suatu variabel random X adalah
Lebih terperinciStatistika & Probabilitas
Statistika & Probabilitas Peubah Acak Peubah = variabel Dalam suatu eksperimen, seringkali kita lebih tertarik bukan pada titik sampelnya, tetapi gambaran numerik dari hasil. Misalkan pada pelemparan sebuah
Lebih terperinciBAB I PENDAHULUAN. penerbangan, kedokteran, teknik mesin, software komputer, bahkan militer
BAB I PENDAHULUAN A. Latar Belakang Statistika merupakan salah satu ilmu matematika yang terus berkembang dari waktu ke waktu. Di dalamnya mencakup berbagai sub pokok-sub pokok materi yang sangat bermanfaat
Lebih terperinciSTK 572 Manajemen Data Statistik
STK 572 Manajemen Data Statistik Pertemuan 12 Tim Dosen: Dr. Farit Muhammad Affendi Dr. Agus M Soleh Pembangkitan Bilangan Acak Dr. Agus M Soleh agusms@apps.ipb.ac.id 2 Pendahuluan Pembangkitan bil. acak
Lebih terperinci28/09/2012 SAMPLE SPACE, SAMPLE POINTS, EVENTS. ω Ω
SAMPLE SPACE, SAMPLE POINTS, EVENTS Sample space,ω, Ω adalah sekumpulan semua sample points,ω, ω yang mungkin; dimana ω Ω Contoh 1. Melemparkan satu buah koin:ω={gambar,angka} Contoh 2. Menggelindingkan
Lebih terperinciPerhitungan Integral Lipat menggunakan Metode Monte Carlo
Perhitungan Integral Lipat menggunakan Metode Monte Carlo Nugroho Agus Haryono Program Studi Teknik Informatka Universitas Kristen Duta Wacana Yogyakarta Email: nugroho@ukdw.ac.id Abstrak: Perhitungan
Lebih terperinciPertemuan ke Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu
Pertemuan ke 5 4.1 Nilai Harapan (Mean atau Rata rata) dan Varians Distribusi Kontinu Fungsi Probabilitas dengan variabel kontinu terdiri dari : 1. Distribusi Normal 2. Distribusi T 3. Distribusi Chi Kuadrat
Lebih terperinciPeubah acak adalah suatu fungsi dari ruang contoh ke bilangan nyata, f : S R
Bab Peubah Acak. Konsep Dasar Peubah Acak Peubah acak adalah suatu fungsi dari ruang contoh ke bilangan nyata, f : S R Contoh peubah acak: Jika X adalah peubah acak banyaknya sisi muka yang muncul pada
Lebih terperinciPENS. Probability and Random Process. Topik 4. Variabel Acak dan Distribusi Probabilitas. Prima Kristalina April 2015
Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya Probability and Random Process Topik 4. Variabel Acak dan Distribusi Probabilitas Prima Kristalina April 2015 1 Outline 1. Definisi
Lebih terperinciBILANGAN ACAK (RANDOM NUMBER)
BILANGAN ACAK (RANDOM NUMBER) Disajikan oleh: Bernardus Budi Hartono Web : http://pakhartono.wordpress.com/ E-mail: pakhartono at gmail dot com budihartono at acm dot org Teknik Informatika [Gasal 2009
Lebih terperinciLANDASAN TEORI. Generalized Lambda Distribution (GLD) awalnya diusulkan oleh Ramberg dan
4 II. LANDASAN TEORI Generalized Lambda Distribution (GLD) awalnya diusulkan oleh Ramberg dan Schmeiser (1974), yang memiliki empat parameter dari pengembangan distribusi Lambda Tukey. Keluarga distribusi
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Peluang Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu.
Lebih terperinciJournal of Informatics and Technology, Vol 1, No 4, Tahun 2012, p 1-8
PREDIKSI PENDAPATAN PEMERINTAH INDONESIA MENGGUNAKAN SIMULASI MONTE CARLO Afry Rachmat, Sukmawati Nur Endah, Aris Sugiharto Program Studi Teknik Informatika, Universitas Diponegoro afry.rachmat27@gmail.com,
Lebih terperinci#12 SIMULASI MONTE CARLO
#12 SIMULASI MONTE CARLO 12.1. Konsep Simulasi Metode evaluasi secara analitis sangat dimungkinkan untuk sistem dengan konfigurasi yang sederhana. Untuk sistem yang kompleks, Bridges [1974] menyarankan
Lebih terperinci1.1 Konsep Probabilitas
TEORI DASAR PROBABILITAS 1.1 Konsep Probabilitas Probabilitas/peluang secara umum dapat diartikan sebagai ukuran matematis terhadap kecenderungan akan munculnya sebuah kejadian. Secara matematis peluang
Lebih terperinciLab. Statistik - Kasus 1. Lab. Statistik Kasus 2. Lab. Statistik Kasus 3
Haryoso Wicaksono, halaman 1 dari 5 halaman Lab. Statistik - Kasus 1 1. Jelaskan istilah-istilah statistik berikut : a. sampel e. responden b. populasi f. data kuantitatif c. statistik sampel g. data kualitatif
Lebih terperinciSATUAN ACARA PERKULIAHAN MATA KULIAH : SIMULASI & PERMODELAN ( S1 / TEKNIK INFORMATIKA) KODE / SKS : KK / 3 SKS
SATUAN ACARA PERKULIAHAN MATA KULIAH : SIMULASI PERMODELAN ( S1 / TEKNIK INFORMATIKA) KODE / SKS : KK-043241 / 3 SKS Minggu Ke Pokok Bahasan dan TIU Sub-pokok Bahasan dan Sasaran Belajar Cara Pengajaran
Lebih terperinciTeknik Simulasi Untuk Memprediksi Keandalan Lendutan Balok Statis Tertentu
Teknik Simulasi Untuk Memprediksi Keandalan Lendutan Balok Statis Tertentu Yosafat Aji Pranata Abstrak Balok merupakan salah satu elemen struktur utama pada struktur bangunan gedung. Salah satu kriteria
Lebih terperinciMETODE MONTE CARLO DAN PENERAPANNYA. Monte Carlo Method and Its Applications. Noor Cholis Basjaruddin POLBAN
METODE MONTE CARLO DAN PENERAPANNYA Monte Carlo Method and Its Applications Noor Cholis Basjaruddin Politeknik Negeri Bandung 2016 Daftar Isi 1 Abstrak... 3 2 Abstract... 3 3 Pendahuluan... 3 4 Metoda
Lebih terperinciBAB 1 PENDAHULUAN. mengikutkan konsep dasar, seperti kapasitas dan kesesuaian. Syarat-syarat yang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Dalam perencanaan sistem suatu struktur, hampir semua teknik mengikutkan konsep dasar, seperti kapasitas dan kesesuaian. Syarat-syarat yang harus dipenuhi struktur
Lebih terperinciBAB 1 PENDAHULUAN. sangat pesat. Sangat cepatnya perkembangan tersebut tidak lepas karena dukungan dari
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Ilmu pengetahuan dan teknologi saat ini telah mengalami perkembangan yang sangat pesat. Sangat cepatnya perkembangan tersebut tidak lepas karena dukungan dari
Lebih terperinciDISTRIBUSI SATU PEUBAH ACAK
0 DISTRIBUSI SATU PEUBAH ACAK Dalam hal ini akan dibahas macam-macam peubah acak, distribusi peluang, fungsi densitas, dan fungsi distribusi. Pada pembahasan selanjutnya, fungsi peluang untuk peubah acak
Lebih terperinciPENGGUNAAN ESTIMATOR JACKKNIFE PADA METODE MONTE CARLO SEBAGAI DETEKSI KEGAGALAN (FAULT DETECTION)
PENGGUNAAN ESTIMATOR JACKKNIFE PADA METODE MONTE CARLO SEBAGAI DETEKSI KEGAGALAN (FAULT DETECTION) TESIS MAGISTER Oleh ACHMAD ZULKARNAIN NIM : 233 99 601 PROGRAM STUDI INSTRUMENTASI DAN KONTROL PROGRAM
Lebih terperinciBILANGAN ACAK. Metode untuk mendapatkan bilangan acak : 1. Metode Kongruen Campuran Rumus :
BILANGAN ACAK Bilangan acak adalah bilangan sembarang tetapi tidak sembarangan. Kriteria yang harus dipenuhi, yaitu : Bilangan acak harus mempunyai distribusi serba sama (uniform) Beberapa bilangan acak
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI Dalam membuat model simulasi, perlu diketahui mengenai beberapa teori yang berhubungan dengan pembuatan model dan teori yang berguna untuk menverfikasi model. Beberapa teori tersebut
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengertian Dasar Teori Antrian Dalam kehidupan sehari-hari, antrian (queueing) sangat sering ditemukan. Mengantri sering harus dilakukan jika kita menunggu giliran misalnya mengambil
Lebih terperinciKULIAH ANALISIS STATISTIK DATA SIMULASI Tipe-tipe simulasi berdasarkan analisis output:
KULIAH ANALISIS STATISTIK DATA SIMULASI Tipe-tipe simulasi berdasarkan analisis output: 1. Terminating simulation 2. Nonterminating simulation: a. Steady-state parameters b. Steady-state cycle parameters
Lebih terperinciMETODE MONTE CARLO. Presented by Muchammad Chusnan Aprianto Dr.KHEZ Muttaqien Istitute of Technology
METODE MONTE CARLO Presented by Muchammad Chusnan Aprianto Dr.KHEZ Muttaqien Istitute of Technology 1 M O N T E C A R L O Metode pencarian acak adalah suatu metode dimana solusi dicari secara acak dan
Lebih terperinciPENGANTAR MODEL PROBABILITAS
PENGANTAR MODEL PROBABILITAS (PMP, Minggu 1-7) Sri Haryatmi Kartiko Universitas Gadjah Mada Juni 2014 Outline 1 Minggu 1:HIMPUNAN Operasi Himpunan Sifat-Sifat Operasi Himpunan 2 Minggu 2:COUNTING TECHNIQUE
Lebih terperinciHaryoso Wicaksono, S.Si., M.M., M.Kom. 26
Distribusi probabilita kontinu, yaitu apabila random variabel yang digunakan kontinu. Probabilita dihitung untuk nilai dalam suatu interval tertentu. Probabilita di suatu titik = 0. Probabilita untuk random
Lebih terperinciPROBABILITAS &STATISTIK. Oleh: Kholistianingsih, S.T., M.Eng.
PROBABILITAS &STATISTIK ke-1 Oleh: Kholistianingsih, S.T., M.Eng. KONTRAK PEMBELAJARAN UAS : 35% UTS : 35% TUGAS : 20% KEHADIRAN :10% SEMUA KOMPONEN HARUS ADA KEHADIRAN 0 NILAI MAKS D PEUBAH DAN GRAFIK
Lebih terperinciSimulasi adalah proses implementasi model menjadi program komputer (software) atau rangkaian elektronik dan mengeksekusi software tersebut sedemikian
SIMULASI SISTEM Simulasi adalah proses implementasi model menjadi program komputer (software) atau rangkaian elektronik dan mengeksekusi software tersebut sedemikian rupa sehingga perilakunya menirukan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di zaman sekarang, kemajuan sains dan teknologi sangat berkembang pesat. Salah satu ilmu yang berkembang adalah matematika yang merupakan induk dari semua ilmu
Lebih terperinciMinggu 1 Review Peubah Acak dan Fungsi Distribusi. Minggu 4-5 Analisis Model MA, AR, ARMA. Minggu 6-7 Model Diagnostik dan Forecasting
IKG4Q3 Ekonometrik Dosen: Aniq A Rohmawati, M.Si [Kelas Ekonometrik] CS-36-02 [Jadwal] Senin 10.30-12.30 R.A208A; Selasa 10.30-12.30 R.E302 [Materi Ekonometrik] Kuliah Pemodelan dan Simulasi berisi tentang
Lebih terperinciSoal-Soal dan Pembahasan Matematika IPA SNMPTN 2012 Tanggal Ujian: 13 Juni 2012
Soal-Soal dan Pembahasan Matematika IPA SNMPTN 01 Tanggal Ujian: 13 Juni 01 1. Lingkaran (x + 6) + (y + 1) 5 menyinggung garis y 4 di titik... A. ( -6 4 ). ( -1 4 ) E. ( 5 4 ) B. ( 6 4) D. ( 1 4 ) BAB
Lebih terperinciBAB III VALUE AT RISK (VaR ) DAN PENDEKATAN COPULA
BAB III VALUE AT RISK (VaR ) DAN PENDEKATAN COPULA 3.1 Value at Risk (VaR) Salah satu aspek yang sangat penting dalam analisis resiko adalah penghitungan Value at Risk atau yang selanjutnya disingkat dalam
Lebih terperinciMembangkitkan Bilangan Acak Menggunakan Matlab
Membangkitkan Bilangan Acak Menggunakan Matlab Achmad Basuki 2004 Materi Linear Congruent Method Metode Resuffle Fungsi Standard Membangkitkan Bilangan Acak Menampilkan Grafik Bilangan Acak Pseudo Random
Lebih terperinciMata Kuliah Pemodelan & Simulasi. Universitas Komputer Indonesia
MODEL INVENTORY Mata Kuliah Pemodelan & Simulasi Jurusan Teknik Informatika Universitas Komputer Indonesia Pendahuluan Inventory merupakan pengumpulan atau penyimpanan komoditas yang akan digunakan untuk
Lebih terperinciMembangkitkan Bilangan Acak Menggunakan Matlab. Achmad Basuki
Membangkitkan Bilangan Acak Menggunakan Matlab Achmad Basuki 2004 Materi Linear Congruent Method Metode Resuffle Fungsi Standard Membangkitkan Bilangan Acak Grafik dan Statistik Bilangan Acak Pseudo Random
Lebih terperinciSTATISTIK PERTEMUAN VI
STATISTIK PERTEMUAN VI 1. TEORI PENDUKUNG 1.1 Pendahuluan 1. Variabel acak 1.3 Distribusi variabel acak diskrit 1.4 Distribusi variabel acak kontinu 1.5 Distribusi multivariat 1.1 Pendahuluan Definisi
Lebih terperinciProbabilitas dan Statistika Distribusi Peluang Kontinyu 1. Adam Hendra Brata
Probabilitas dan Statistika Distribusi Peluang Kontinyu 1 Adam Hendra Brata Variabel Acak Kontinyu - Variabel Acak Kontinyu Suatu variabel yang memiliki nilai pecahan didalam range tertentu Distribusi
Lebih terperinciESTIMASI PENGUNJUNG MENGGUNAKAN SIMULASI MONTE CARLO PADA WARUNG INTERNET XYZ
ESTIMASI PENGUNJUNG MENGGUNAKAN SIMULASI MONTE CARLO PADA WARUNG INTERNET XYZ M. Haviz Irfani 1), Dafid 2) 1), 2) Program Studi Sistem Informasi STMIK Global Informatika MDP 1), 2) Jalan Rajawali No. 14
Lebih terperinciDasar-dasar Statistika Pemodelan Sistem
Dasar-dasar Statistika Pemodelan Sistem Kuliah Pemodelan Sistem Semester Genap 2015-2016 MZI Fakultas Informatika Telkom University FIF Tel-U Januari 2016 MZI (FIF Tel-U) Statistika Pemodelan Januari 2016
Lebih terperinciSIMULASI EFISIENSI DETEKTOR GERMANIUM DI LABORATORIUM AAN PTNBR DENGAN METODE MONTE CARLO MCNP5
290 Simulasi Efisiensi Detektor Germanium Di Laboratorium AAN PTNBR Dengan Metode Monte Carlo MCNP5 ABSTRAK SIMULASI EFISIENSI DETEKTOR GERMANIUM DI LABORATORIUM AAN PTNBR DENGAN METODE MONTE CARLO MCNP5
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Percobaan adalah kegiatan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Peluang Peluang mempunyai banyak persamaan arti, seperti kemungkinan, kesempatan dan kecenderungan. Peluang menunjukkan kemungkinan terjadinya suatu kejadian yang bersifat acak.
Lebih terperinciSoal-Soal dan Pembahasan Matematika IPA SNMPTN 2012 Tanggal Ujian: 13 Juni 2012
Soal-Soal dan Pembahasan Matematika IPA SNMPTN 01 Tanggal Ujian: 13 Juni 01 1. Lingkaran (x + 6) + (y + 1) 5 menyinggung garis y 4 di titik... A. ( -6, 4 ). ( -1, 4 ) E. ( 5, 4 ) B. ( 6, 4) D. ( 1, 4 )
Lebih terperinciDISTRIBUSI PELUANG KONTINYU DISTRIBUSI PROBABILITAS
DISTRIBUSI PROBABILITAS Berbeda dengan variabel random diskrit, sebuah variabel random kontinyu adalah variabel yang dapat mencakup nilai pecahan maupun mencakup range/ rentang nilai tertentu. Karena terdapat
Lebih terperinciMata Kuliah Pemodelan & Simulasi. Riani Lubis. Program Studi Teknik Informatika Universitas Komputer Indonesia
Mata Kuliah Pemodelan & Simulasi Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia Teori Inventori Inventory merupakan pengumpulan atau penyimpanan komoditas yang akan digunakan
Lebih terperinciSimulasi Monte-Carlo. Tom Huber, Erma Suryani, Pemodelan & Simulasi Wikipedia.
Simulasi Monte-Carlo Tom Huber, http://physics.gac.edu/~huber/envision/instruct/montecar.html Erma Suryani, Pemodelan & Simulasi Wikipedia.org Simulasi Monte Carlo Menggunakan bilangan random Simulasi
Lebih terperinciPeubah Acak. Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB
Peubah Acak Bahan Kuliah II2092 Probabilitas dan Statistik Oleh: Rinaldi Munir Sekolah Teknik Elektro dan Informatika ITB 1 Definisi Peubah Acak Peubah = variabel Dalam suatu eksperimen, seringkali kita
Lebih terperinciADLN- PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB 1 PENDAHULUAN. metode yang bisaanya digunakan dalam estimasi parameter yakni Ordinary Least
BAB 1 PENDAHULUAN 1.1 Latar Belakang Data populasi dalam suatu penelitian berguna untuk mengetahui karakteristik objek yang akan menghasilkan gambaran akurat mengenai karakteristik objek tersebut. Statistik
Lebih terperinciProbabilitas dan Statistika Fungsi Distribusi Peluang Kontinyu Lanjut. Adam Hendra Brata
Probabilitas dan Statistika Fungsi Lanjut Adam Hendra Brata Gabungan Gabungan Fungsi Acak Fungsi Rapat Kumulatif Gabungan Untuk variabel random kontinu, analog dengan kasus diskrit, fungsi rapat probabilitas
Lebih terperinciDISTRIBUSI PROBABILITAS
BAB 7 DISTRIBUSI PROBABILITAS Kompetensi Menjelaskan distribusi probabilitas Indikator 1. Menjelaskan distribusi hipergeometris 2. Menjelaskan distribusi binomial 3. Menjelaskan distribusi multinomial
Lebih terperinci