Simulasi Monte Carlo Waktu Penyelesaian Proyek Pemasangan Lini Produksi Baru dengan Durasi Tidak Pasti

Info proyek

• Bidang studiTeknik Industri dan Produksi
• JenjangTesis (S2)
• Jenis metodeOptimasi
• Perkiraan pengerjaan± 5 hari kerja
• Perangkatnumpy.random.default_rng, scipy.stats; matplotlib
• HargaRp 400.000 - Rp 2.450.000

Tujuan analisis

Mengoptimalkan durasi proyek melalui pengaturan durasi tahap pemasangan dan durasi tahap uji coba dengan Simulasi Monte Carlo.

Variabel

Contoh hasil

• 14.335Mean
• 5.776Std. deviation
• 5.963P5
• 24.44P95
• 0.3P(output > threshold)
• 0.041Standard error

Simulasi Monte Carlo 20000 iterasi: Durasi proyek rata-rata 14.34 (SD 5.78), rentang P5-P95 5.96-24.44, dan peluang melampaui ambang 30.0%.

Dihitung dari data sintetis sebagai ilustrasi, bukan dari penelitian nyata.

Tentang Simulasi Monte Carlo

Simulasi Monte Carlo memakai pengambilan sampel acak berulang untuk menaksir distribusi hasil suatu model yang mengandung ketidakpastian. Cocok untuk analisis risiko, ketidakpastian parameter, dan evaluasi probabilitas kejadian sulit dihitung secara analitik.

Langkah pengerjaan

1. 1Tentukan model dan variabel masukan yang tidak pasti
2. 2Pilih distribusi tiap masukan berdasarkan data atau literatur
3. 3Bangkitkan N sampel acak dengan seed tetap
4. 4Hitung keluaran model untuk tiap sampel
5. 5Ringkas hasil: rata-rata, persentil, probabilitas kejadian
6. 6Periksa kekonvergenan dan plot histogram

Asumsi yang perlu diperiksa

• Distribusi masukan mencerminkan ketidakpastian yang nyata
• Jumlah simulasi cukup besar agar estimasi stabil
• Korelasi antar masukan dimodelkan bila ada

Membaca dan melaporkan hasil

Laporkan rata-rata, interval persentil (misalnya 5 sampai 95), probabilitas kejadian, dan jumlah simulasi. Sertakan grafik konvergensi untuk menunjukkan hasil sudah stabil.

Contoh kode Python

Skrip awal singkat dengan nama variabel proyek ini. Versi yang diserahkan disesuaikan dengan data Anda dan diberi komentar lengkap.

import numpy as np
import matplotlib.pyplot as plt

rng = np.random.default_rng(30)
N = 20000

# Uncertain inputs: demand, unit price and unit cost
installation_duration = rng.normal(1000, 150, N)         # demand
trial_run_duration = rng.triangular(8, 10, 13, N)     # price
cost = rng.uniform(5, 8, N)
project_duration = installation_duration * (trial_run_duration - cost) - 2000   # profit

print("Mean profit:", round(project_duration.mean(), 1))
print("Std:", round(project_duration.std(ddof=1), 1))
print("5th / 95th percentile:", np.percentile(project_duration, [5, 95]).round(1))
print("P(profit < 0):", round((project_duration < 0).mean(), 4))

running = np.cumsum(project_duration) / np.arange(1, N + 1)
fig, ax = plt.subplots(1, 2, figsize=(10, 4))
ax[0].hist(project_duration, bins=60)
ax[0].axvline(0, color="r"); ax[0].set_xlabel("Profit")
ax[1].plot(running); ax[1].set_xlabel("Runs"); ax[1].set_ylabel("Running mean")
plt.tight_layout()
plt.show()

Paket dan harga

Pilih seberapa banyak bantuan yang Anda perlukan. Setiap paket yang lebih tinggi sudah mencakup semua item paket di bawahnya. Harga belum termasuk PPN 11%.

• Pembayaran: DP 50% sebelum pekerjaan dimulai, pelunasan setelah hasil diserahkan
• Pajak: Harga belum termasuk PPN 11%
• Data dan integritas akademik: Hasil dihitung dari data penelitian Anda sendiri; Anda yang menulis dan mempertanggungjawabkan naskah, kami membantu analisis dan pemahaman
• Revisi: Maksimal 2 kali revisi termasuk dalam harga (Paket 3: 3 kali)

Pertanyaan umum