Dr. Andy Noorsaman Sommeng

Presentasi berjudul: "Dr. Andy Noorsaman Sommeng"— Transcript presentasi:

1 Dr. Andy Noorsaman Sommeng
RISK & SIMULATION Dr. Andy Noorsaman Sommeng Copyrights © Andy N Sommeng, 2011 Chemical Engineering, Faculty of Engineering - University of Indonesia

2 Objectives: To explain the concept of risk & to develop its role using software To introduce the use risk management as a means of identify & controlling risk. Copyrights © Andy N Sommeng, 2011 Chemical Engineering University of Indonesia

3 Something bad happening Probability/Uncertainty
Definitions of Risk The possibility of suffering harm or loss; danger The possibility of loss or injury, chance of danger, injury, loss A measure of the possibility & severity of adverse effects. Something bad happening Probability/Uncertainty Copyrights © Andy N Sommeng Chemical Engineering University of Indonesia

4 Risk in the everyday world
Financial Risks Health Risks Environmental & Ecological Risks Security Risks Risk Management is a project management tool to access & mitigate events that might adversely impact a project, thereby increasing the likelihood of success Copyrights © Andy N Sommeng Chemical Engineering University of Indonesia

5 The need to manage risk Risk System Complexity
Methods, Tools & Process Expert Knowledge; Judgment Experience Individual Knowledge, Judgement & Experience Risk System Complexity Copyrights © Andy N Sommeng Chemical Engineering University of Indonesia

6 The questions What can go wrong?
What is the likelihood it will go wrong? What are the consequences? What can be done? What options are available? Copyrights © Andy N Sommeng Chemical Engineering University of Indonesia

7 Risk Mgmt steps & techniques
Risk Identification Risk Assessment Risk Analysis Risk Prioritisation Risk Mgmt Risk Mgmt Planning Risk Control Risk Resolution Risk Monitoring Copyrights © Andy N Sommeng Chemical Engineering University of Indonesia

8 Simulation Manager, Scientist or Engineer use a wide variety of tools & techniques to: Model Analyse Solve Complex Problems Copyrights © Andy N Sommeng Chemical Engineering University of Indonesia

9 Tools Statistics Linear Programming Decision Analysis
Queuing (waiting line) Theory Forecasting & Simulation Copyrights © Andy N Sommeng Chemical Engineering University of Indonesia

10 Linear Programming Applies to well-structured situations
That can be modeled w/ linear objective function linear constraints DO NOT include any probabilistic elements ! “all data be assumed are known with certainty” Copyrights © Andy N Sommeng Chemical Engineering University of Indonesia

11 Queuing theory Follows POISSON probability distribution
The number of arrivals within a period of time Service times are exponentially distributed and do not change overtime These assumptions lead to simple and elegant mathematical solutions for the long-term expected waiting time or expected number in the queue. Copyrights © Andy N Sommeng Chemical Engineering University of Indonesia

12 Queuing theory (cont’d)
HOWEVER They provide little information about the actual short-term DYNAMIC BEHAVIOUR of system they model, that is, the changes that we would observe in the system overtime… THUS Analytical models generally can not answer such questions… Copyrights © Andy N Sommeng Chemical Engineering University of Indonesia

13 Queuing theory (cont’d)
IF For situation in which a problem does not meet the assumptions required by standard ANALYTICAL modeling approaches, SIMULATION can be valuable approach to modeling & solving the problem Copyrights © Andy N Sommeng Chemical Engineering University of Indonesia

14 Simulation (cont’d) Simulation:
The process of building a mathematical or logical model of a system or decision problem, and experimenting with the model (usually with computer) to obtain insight into the system’s behavior or to assist in solving decision problem. Copyrights © Andy N Sommeng Chemical Engineering University of Indonesia

15 Simulation (cont’d) History
Simulation has been used for analyzing systems and decisions problems --- The PRUSSIAN ARMY They used to simulate wars by holding fixed exercise making soldiers march through the woods of centre Europe in all forms of wind and weather, etc. Copyrights © Andy N Sommeng Chemical Engineering University of Indonesia

16 Model Model is an abstraction or representation of real system, idea, or object Model: Prescriptive versus Descriptive Continuous versus Discrete Deterministic versus Probabilistic Copyrights © Andy N Sommeng Chemical Engineering University of Indonesia

17 Model (cont’d) Model Prescriptive: Model Descriptive: Model Discrete:
Optimal policy, example: Linear Programming Model Descriptive: Relationship & Information Evaluation, example: queuing models Model Discrete: Batch Process, example: Integer Programming Model Continuous: Dynamic System (change overtime), example: Linear programming Copyrights © Andy N Sommeng Chemical Engineering University of Indonesia

18 Model (cont’d) Model Deterministic: Model Probabilistic:
All data known or assume known, example: Linear Programming Model Probabilistic: All data probable, example: Queuing model Copyrights © Andy N Sommeng Chemical Engineering University of Indonesia

19 Structure of Descriptive Models
INPUT PROCESS OUTPUT Measures of Performance or Behavior Decisisons & Uncontrollable Variables SIMULATION MODEL Copyrights © Andy N Sommeng Chemical Engineering University of Indonesia

20 Types of Simulation Models
MONTE-CARLO Simulation Models System Simulation models Monte-Carlo Simulation is basically a sampling experiment whose purpose is to estimate the distribution of an outcome variable that depends on several probabilistic input variables Copyrights © Andy N Sommeng Chemical Engineering University of Indonesia

21 Simulasi Crystal Ball

22 Dasar Pemodelan Deterministik dan Probabilistik Continous dan Discrete
Pemodelan : imitasi atau representasi dari sistem yang nyata, objek atau ide Jenis pemodelan yang umum : Deterministik dan Probabilistik Continous dan Discrete Prescriptive dan Descriptive

23 Deterministik dan Probabilistik
Deterministik : semua data dianggap diketahui pada sebuah nilai tetap *Contoh : menghitung besar deposito dengan asumsi suku bunga tetap sepanjang tahun Probabilistik : terdapat beberapa data yang digambarkan melalui distribusi probabilita *Contoh : ketidakpastian suku bunga diperhitungkan untuk menghitung deposito di akhir tahun

24 Continous dan Discrete
Continous : terdapat variabel yang berubah seiring dengan perubahan waktu *Contoh : perubahan temperature dan tekanan sebuah proses kimia Discrete : variabel tidak berubah atau berubah pada titik waktu tertentu saja *Contoh : waktu kedatangan, hasil penjualan tiap minggu, jam pembukaan toko

25 Prescriptive dan Descriptive
Prescriptive : hasil pemodelan terdapat hubungan kondisi atau persyaratan *Contoh : bila nilai x > 10 maka dihitung dengan rumus A selainnya dihitung dengan rumus B Descriptive : hasil pemodelan bergantung pada variabel dan unsur ketidakpastian

26 Simulasi Monte Carlo Berdasarkan jenisnya : Probabilistik, Discrete dan Descriptive Model dikembangkan dalam bentuk spreadsheet (lajur dan kolom) Sebuah alat bantu untuk menganalisa resiko ( risk analysis)

27 Simulasi Monte-Carlo Monte-Carlo : kemiripan dengan pengambilan sampel yang bersifat random dari permainan probabilita (cth. roullete) pada kasino Monte-Carlo di Monaco

28 Simulasi Monte Carlo Seringkali digunakan pada kasus yang membutuhkan suatu prediksi dampak dari perubahan kebijakan dan resiko bila keputusan telah diambil Fungsi : memprediksikan distribusi terhadap variabel tujuan (output), berdasarkan kemungkinan beberapa variabel masukan (input)

29 Simulasi Monte-Carlo Bersifat statik atau independen terhadap waktu berbeda dengan simulasi sistem dimana perubahan variabel seiring dengan perubahan waktu Probabilistik : terdapat variabel kemungkinan yang mencerminkan ketidakpastian

30 Tahapan Pembentukan Simulasi
Langkah Pembentukan Model : Mengembangkan model konseptual Membangun model simulasi Verifikasi dan Validasi Model Ujicoba, analisa dan adaptasi hasil

31 Model Konseptual Identifikasi Masalah Identifikasi Tujuan
Menentukan variabel input Menentukan batasan hasil keluaran Logika dasar simulasi

32 Model Simulasi Menentukan formula atau rumus yang digunakan
Menentukan variable ketidakpastian dan bentuk distribusi statistiknya Mendesain bentuk model dalam spreadsheet

33 Proses Simulasi Mengembangkan model konseptual dari sistem yang sedang diamati Membangun model simulasi Verifikasi dan validasi model Percobaan desain model yang telah dibuat Menjalankan simulasi dan menganalisa hasil yang didapatkan

34 Keuntungan Simulasi Evaluasi sistem atau keputusan yang akan atau sedang berjalan Eksperimen dengan sistem yang telah mapan tanpa khawatir dengan dampaknya Mudah dimengerti daripada pendekatan analitis Kemampuan untuk memodelkan asumsi apapun

35 Batasan Simulasi Memerlukan waktu untuk mengumpulkan data historis
Pengembangan model matematik dan program dan menerjemahkan hasilnya untuk para pengambil keputusan Sulit untuk menentukan keputusan atau hasil yang tepat dan eksak (kecenderungan)

36 Verifikasi dan Validasi Model
Verifikasi : memastikan model bebas dari kesalahan logika Validasi : memastikan bahwa model telah mewakili permasalahan yang sebenarnya

37 Ujicoba dan Menganalisa Hasil
Cobalah bereksperimen dengan variable model untuk mencapai hasil yang terbaik Hasil analisa dijabarkan dalam bahasa yang baik dan mudah dimengerti oleh pengambil keputusan

38 Perangkat Lunak Crystal Ball
Modul tambahan (add-in) dalam Microsoft Excel untuk melakukan simulasi Monte Carlo dengan mudah dan cepat

39 Crystal Ball Alat bantu (tools) untuk memberikan jawaban terhadap permasalahan yang berkaitan dengan peluang dan resiko dengan mudah Merupakan add-in atau sebuah modul tambahan yang berjalan diatas program induk Microsoft Excell Populer, dan mudah digunakan (user friendly) Mudah direkayasa untuk model sederhana sekaligus berdaya (powerful) untuk model yang kompleks

40 Aplikasi Penggunaan Crystal Ball
Manufaktur (PPIC,QC, Cost Control, dll) Keuangan (Loan Analysis, Profitability, Product Launching dll) Engineering ( Material Selection, Technical Feasibility, Project Schedule dll).

41 Bidang Penggunaan Crystal Ball
Mereka yang telah memakai Crystal Ball : Hewlett Packard, DOE ( Department of Energy) USA, Cinergy Corp, The Red Cross, dll

42 Langkah Menggunakan Crystal Ball
Mengembangkan model dalam bentuk lajur dan kolom (spreadsheet) Mendefinisikan asumsi bagi variabel yang mengandung ketidakpastian yaitu distribusi probabilita yang paling mungkin Mendefinisikan sel tujuan (forecast cell) atau variabel keluaran Menjalankan simulasi dan menerjemahkan hasilnya menjadi laporan yang mudah dimengerti

43 Menjalankan Crystal Ball
Input : variabel tetap dan variabel yang mengandung unsur ketidakpastian (distribusi probabilita) Proses : formula atau rumus untuk mengolah variabel yang telah ditentukan Output : diagram perkiraan (forecast), ringkasan statistik

44 Tata Muka (Interface) CB
Toolbar Crystal Ball 1 Definisi Asumsi 6. Simulasi Diskrit 2 Definisi Tujuan 7. Jendela Tujuan 3 Pilihan Simulasi 8. Analisa Sensitivitas 4. Menjalankan Simulasi 9 Laporan 5. Memberhentikan 10 Bantuan

45 Antarmuka Crystal Ball
No. Keterangan 1 Mendefinisikan cell asumsi 6 Menjalankan secara bertahap 2 Mendefinisikan cell perkiraan 7 Jendela hasil perkiraan 3 Pilihan simulasi 8 Analisa sensitivitas 4 Menjalankan simulasi 9 Membuat laporan statistik 5 Memberhentikan simulasi 10 Bantuan

46 Data Historis Fakta dalam bentuk bilangan (kuantitatif)
Data tersebut dicocokan dengan distribusi probabilita tertentu (dilakukan dengan Crystal Ball) Metode yang umum : Chi-Square : data >50, nilai p > 0,5 Kolgomorov – Smirnov : data >5, nilai K-S < 0.03 Anderson – Darling : nilai p < 1.5

47 Distribusi Probabilita
Karakterisasi nilai – nilai yang mungkin dari suatu variabel acak yang diasumsikan seiring dengan kemungkinan pemunculannya Jenis Distribusi Uniform Triangular Lognormal Weibull Binomial Normal Eksponensial Truncating Poisson Beta

48 Contoh Jenis Distribusi
Uniform Triangular Truncating Normal

49 Distribusi Probabilita
Bentuk yang umum digunakan :

50 Crystal Ball Input Variabel Tetap : satu atau lebih nilai tetap yang menjadi acuan untuk menentukan hasil simulasi Variabel Tak Pasti (uncertainty) : satu atau lebih nilai dimana terdapat faktor ketidakpastian dan didefinisikan dengan bentuk distribusi probabilita statistik termasuk data historis

51 Proses Crystal Ball Formula digunakan untuk menghitung suatu nilai output berdasarkan variabel masukan yang diberikan Dapat digunakan lebih dari satu formula untuk tiap pemodelan Bentuknya adalah persamaan atau rumus baku dari Excel

52 Hasil Crystal Ball

53 Output Crystal Ball Diagram Perkiraan / forecast : besarnya peluang terjadinya suatu nilai hasil perhitungan Ringkasan Statistik : digunakan untuk menganalisis hasil perhitungan Statistics: Trials Mean Median Mode Standard Deviation Variance Skewness Kurtosis Coeff. of Variability Range Minimum Range Maximum Range Width Mean Std. Error Value 940 24% 26% --- 11% 1% -0.28 2.41 0.45 -3% 49% 52% 0.36%