Simulasi Monte Carlo adalah jenis algoritma komputasi yang menggunakan pengambilan sampel acak berulang untuk mendapatkan kemungkinan berbagai hasil yang terjadi.
Juga dikenal sebagai Metode Monte Carlo atau simulasi probabilitas berganda, Simulasi Monte Carlo adalah teknik matematika yang digunakan untuk memperkirakan hasil yang mungkin dari suatu peristiwa yang tidak pasti. Metode Monte Carlo ditemukan oleh John von Neumann dan Stanislaw Ulam selama Perang Dunia II untuk meningkatkan pengambilan keputusan dalam kondisi yang tidak pasti. Dinamakan sesuai dengan nama kota kasino terkenal, yaitu Monaco, karena elemen peluang adalah inti dari pendekatan pemodelan, mirip dengan permainan rolet.
Sejak diperkenalkan, Simulasi Monte Carlo telah menilai dampak risiko dalam banyak skenario kehidupan nyata, seperti kecerdasan buatan, harga saham, perkiraan penjualan, manajemen proyek, dan penetapan harga. Model ini juga memberikan sejumlah keunggulan dibandingkan model prediktif dengan input tetap, seperti kemampuan untuk melakukan analisis sensitivitas atau menghitung korelasi input. Analisis sensitivitas memungkinkan para pengambil keputusan untuk melihat dampak dari masing-masing input terhadap hasil yang diberikan dan korelasi memungkinkan mereka untuk memahami hubungan antara variabel input.
Pelajari blok bangunan dan praktik terbaik untuk membantu tim Anda mempercepat AI yang bertanggung jawab.
Daftar untuk mendapatkan buku putih tentang tata kelola AI
Tidak seperti model forecasting biasa, Simulasi Monte Carlo memprediksi serangkaian hasil berdasarkan rentang nilai yang diperkirakan dibandingkan dengan serangkaian nilai input tetap. Dengan kata lain, Simulasi Monte Carlo membangun model hasil yang mungkin terjadi dengan memanfaatkan distribusi probabilitas, seperti distribusi seragam atau normal, untuk variabel apa pun yang memiliki ketidakpastian yang melekat. Kemudian, menghitung kembali hasilnya berulang-ulang, setiap kali menggunakan serangkaian angka acak yang berbeda antara nilai minimum dan maksimum. Dalam eksperimen Monte Carlo, latihan ini dapat diulang ribuan kali untuk menghasilkan banyak kemungkinan hasil.
Simulasi Monte Carlo juga digunakan untuk prediksi jangka panjang karena akurasinya. Seiring dengan bertambahnya jumlah input, jumlah prakiraan juga bertambah, sehingga Anda dapat memproyeksikan hasil yang lebih jauh ke depan dengan lebih akurat. Ketika Simulasi Monte Carlo selesai, simulasi ini menghasilkan berbagai hasil yang mungkin dengan probabilitas setiap hasil yang terjadi.
Salah satu contoh sederhana dari Simulasi Monte Carlo adalah mempertimbangkan untuk menghitung probabilitas melempar dua dadu standar. Ada 36 kombinasi lemparan dadu. Berdasarkan ini, Anda dapat menghitung probabilitas hasil tertentu secara manual. Dengan menggunakan Simulasi Monte Carlo, Anda dapat mensimulasikan melempar dadu 10.000 kali (atau lebih) untuk mencapai prediksi yang lebih akurat.
Terlepas dari alat apa yang Anda gunakan, teknik Monte Carlo melibatkan tiga langkah dasar:
- Siapkan model prediktif, dengan mengidentifikasi variabel dependen yang akan diprediksi dan variabel independen (juga dikenal sebagai variabel input, risiko, atau prediktor) yang akan mendorong prediksi.
- Tentukan distribusi probabilitas variabel independen. Gunakan data historis dan/atau penilaian subjektif analis untuk menentukan rentang nilai yang mungkin dan tetapkan bobot probabilitas untuk masing-masing nilai.
- Jalankan simulasi berulang kali, dengan menghasilkan nilai acak dari variabel independen. Lakukan hal ini sampai hasil yang dikumpulkan cukup untuk membuat sampel yang representatif dari jumlah kombinasi yang hampir tak terbatas.
Anda dapat menjalankan Simulasi Monte Carlo sebanyak yang Anda inginkan dengan memodifikasi parameter dasar yang Anda gunakan untuk mensimulasikan data. Namun, Anda juga perlu menghitung rentang variasi dalam sampel dengan menghitung varians dan deviasi standar, yang merupakan ukuran penyebaran yang umum digunakan. Varians dari variabel yang diberikan adalah nilai yang diharapkan dari selisih kuadrat antara variabel dan nilai yang diharapkan. Standar deviasi adalah akar kuadrat varians. Biasanya, varians yang lebih kecil dianggap lebih baik.
Jalankan kode aplikasi Anda tanpa server, skalakan secara otomatis, dan tidak membayar apa pun saat tidak digunakan.
Mengungkap insight data yang dapat membantu memecahkan masalah bisnis dan penelitian.
Hybrid. Terbuka. Resilient. Platform dan mitra Anda untuk transformasi digital.