MCDMRankingcrisp
Simulasi Monte Carlo — Propagasi ketidakpastian stokastik melalui model MCDM
SIMULASI-MONTE-CARLO (Simulasi Monte Carlo — Propagasi ketidakpastian stokastik melalui model MCDM) adalah metode pengambilan keputusan multi-kriteria (MCDM) pemeringkatan yang diperkenalkan oleh Metropolis, N., Ulam, S. pada tahun 1949. Metode ini mengubah matriks keputusan alternatif yang dinilai berdasarkan berbagai kriteria menjadi hasil yang terstruktur dan dapat direproduksi.
Baca metode selengkapnya
Khusus anggota
MasukMasuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
+80 more
Sumber
- Metropolis, N., Ulam, S. (1949). The Monte Carlo method. Journal of the American Statistical Association DOI: 10.1080/01621459.1949.10483310 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 2). Monte Carlo Simulation — Stochastic uncertainty propagation through MCDM model. ScholarGate. https://scholargate.app/id/decision-making/monte-carlo-simulation
Dirujuk oleh
Simulasi Kejadian Diskrit Berbasis AgenPemodelan Berbasis Agen (ABM)Simulasi Antrean Berbasis AgenAnalisis Skenario Berbasis AgenAnalisis Sensitivitas Berbasis AgenPerhitungan Bayesian AproksimatifPemodelan Berbasis Agen BayesianAutomata Seluler BayesianSimulasi Kejadian Diskrit BayesianModel Markov BayesianSimulasi Mikro BayesianSimulasi Monte Carlo BayesianSimulasi Antrean BayesianAnalisis Skenario BayesianAnalisis Sensitivitas BayesianDinamika Sistem BayesianSimulasi BootstrapAutomata SelulerAutomata Seluler DeterministikModel Markov DeterministikSimulasi Mikro DeterministikAnalisis Skenario DeterministikAnalisis Sensitivitas DeterministikSimulasi Digital TwinSimulasi Pilihan DiskritSimulasi Kejadian Diskrit (DES)Simulasi Sistem Kejadian DiskritAnalisis Sensitivitas GlobalAnalisis Keandalan HibridaImportance SamplingEstimasi Resampling JackknifeDesain Simulasi BerlapisMetropolis-Hastings (MCMC)Model MarkovMikrosimulasiSimulasi Kejadian Diskrit Multi-ObjektifSimulasi Mikro Multi-ObjektifAnalisis Sensitivitas Multi-ObjektifSimulasi Monte Carlo MultitingkatPolicy Scenario Agent-Based ModelingAnalisis Skenario KebijakanSimulasi Kejadian Diskrit Skenario KebijakanSimulasi Mikro Skenario KebijakanSimulasi Monte Carlo Skenario KebijakanAnalisis Sensitivitas Skenario KebijakanAnalisis Bahaya Seismik Probabilistik (PSHA)Simulasi AntreanMetode Taguchi Berbasis RisikoPemodelan Berbasis Agen yang KokohSimulasi Kejadian Diskrit yang KuatModel Markov RobustRobust MicrosimulationSimulasi Monte Carlo RobustSimulasi Antrean RobustAnalisis Skenario RobustAnalisis Sensitivitas RobustAnalisis Skenario dan Simulasi What-IfAnalisis Sensitivitas dengan Analisis Pohon KegagalanAnalisis Sensitivitas dengan Analisis Kapabilitas ProsesAnalisis Sensitivitas dengan Analisis Akar PenyebabRiset Kausal-Komparatif Berbantuan SimulasiPenelitian Konfirmatori Berbantuan SimulasiBagan Kendali Berbantuan SimulasiPenelitian Potongan Lintang Berbantuan SimulasiDesain Ex Post Facto Berbantuan SimulasiAnalisis Mode Kegagalan dan Efek Berbantuan SimulasiAnalisis Pohon Kegagalan Berbantuan SimulasiUji Hipotesis Berbantuan SimulasiAnalisis Kapabilitas Proses Berbantuan SimulasiAnalisis Kuantitatif Konten Berbantuan SimulasiAnalisis Keandalan Berbantuan SimulasiPengendalian Proses Statistik Berbantuan SimulasiPenelitian Tren Berbantuan SimulasiStochastic Cellular AutomataPersamaan Diferensial Stokastik (PDS)Simulasi Kejadian Diskrit StokastikPemrograman Dinamis StokastikPemrograman Linear StokastikModel Markov StokastikStochastic MicrosimulationPemrograman Campuran-Integer StokastikOptimisasi Stokastik Multi-ObjektifSimulasi Antrean StokastikAnalisis Skenario StokastikAnalisis Sensitivitas StokastikStochastic System DynamicsSystem DynamicsKuantifikasi KetidakpastianValue at Risk (VaR)Teknik Pengurangan Varians untuk Simulasi Monte Carlo
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →