MONTE CARLO
SIMULATION
41 Teknik Penilaian Risiko Berbasis ISO 31010:2019
Simulasi Monte Carlo
Penulis:
Dr. Antonius Alijoyo, CERG, QRGP.
Bobby Wijaya, M.M., ERMCP, QRMP
Intan Jacob, M.M., QRMP
Dipublikasikan Oleh:
Risk Identification 
Risk Evaluation
Risk Analysis:Consequences
Probability
Level of Risk

Seri e-booklet (buku saku daring) Teknik Asesmen Risiko dikembangkan oleh tim 
‘knowledge management’ CRMS Indonesia yang didukung oleh tim digital 
CyberWhale. Tersedia 31 buku saku bagi praktisi dan profesional bidang 
manajemen risiko (daftar selengkapnya ada di bagian belakang buku saku).
PENDAHULUAN

Keseluruhan seri buku saku ditulis berdasarkan dokumen ISO 31010 yang merupakan 
standar internasional ‘risk assesment techniques’ yang terdiri dari 31 teknik asesmen risiko 
mulai dari identifikasi risiko, analisis risiko, dan evaluasi risiko. Setiap teknik memiliki 
karakteristik masing-masing, sehingga setiap teknik ada yang hanya dapat digunakan 
untuk identifikasi risiko, atau analisis risiko saja, atau evaluasi risiko saja. Namun, ada juga 
teknik yang memiliki lebih dari satu karakteristik.
ISO 31010 merupakan dokumen pendukung dari dokumen induk ISO 31000 Standar 
Internasional Manajemen Risiko.
Buku saku ini juga dapat digunakan sebagai PSB (Pendidikan Sertfikasi Berkelanjutan) bagi 
para pemegang sertifikasi kompetensi manajemen risiko yang dikeluarkan oleh Lembaga 
Sertifikasi Profesi (LSP) MKS (www.lspmks.co.id) yaitu pemegang sertifikasi QRGP 
(Qualified Risk Governance Professional), QCRO (Qualified Chief Risk Officer), QRMP 
(Qualified Risk Management Professional), QRMA (Qualified Risk Management Analyst), 
dan QRMO (Qualified Risk Management Officer).
Cara mengklaim PSB sangat mudah yaitu mengunduh tautan ‘e-learning’ PSB di bagian 
akhir buku saku dan kemudian menjawab 5-10 pertanyaan ulasan (review question) yang 
disediakan. Anda dapat melakukan pendaftaran e-learning pada link berikut:
www.cyberwhale.co.id/e-psb
Karena sifat buku saku yang adaptif terhadap perubahan, masukan dan usulan para 
pembaca dan pengguna buku saku sangat diharapkan, dan mohon dikirimkan melalui 
email ke alamat berikut: 
[email protected] 
Dr. Antonius Alijoyo, ERMCP, CERG, CCSA, CFSA, CGAP, CRMA, CFE, QRGP, 
QCRO, QRMP
Bobby Wijaya, M.M., ERMCP, QRMP, CEH, CGP, CSA
Intan Jacob, M.M., QRMP
Al Fattaah M. S. Fisabilillah, MBA, QRMA
TIM PENULIS
Selamat membaca!

A. TINJAUAN SINGKAT
Ketidakpastian atau risiko muncul secara natural ketika kita melakukan suatu aktivitas 
atau menjalankan suatu sistem untuk mencapai tujuan tertentu. Setiap risiko yang 
muncul dapat kita analisis dan evaluasi dampaknya berdasarkan data masa lalu, 
pengalaman ataupun pengetahuan yang kita miliki. Namun, analisis dan evaluasi 
yang kita buat sering kali hanya mencakup sebagian kecil dari dampak risiko yang 
sesungguhnya dapat terjadi. Mengapa demikian? Hal tersebut dikarenakan risiko 
yang sedang kita analisis dan evaluasi tersebut sangat mungkin berasal dari 
rangkaian peristiwa acak di luar pengalaman atau pengetahuan yang kita miliki.
Menangkap fenomena tersebut dan tuntutan dalam pengelolaan risiko bahwa kita 
harus mampu memberikan gambaran yang paling mendekati kondisi nyata, maka 
ketika kita melakukan analisis dan evaluasi risiko perlu menggunakan suatu teknik 
yang dapat membuat pola hasil peristiwa acak yang menjadi sumber risiko. Teknik 
yang dapat kita gunakan adalah Simulasi Monte Carlo - Monte Carlo Simulation
(MCS). Teknik MCS adalah teknik simulasi kuantitatif yang digunakan untuk menilai 
risiko dengan cara menghitung probabilitas hasil akhir akibat ketidakpastian dengan 
melibatkan variabel acak (random variable) berdasarkan karakteristik distribusi 
input/data yang dianalisis. Teknik MCS sangat tepat untuk diterapkan (strong 
applicable) dalam proses evaluasi risiko dan dapat diterapkan dalam proses analisis 
risiko. 

Saat ini teknik MCS telah banyak digunakan di berbagai industri, walaupun pada 
awalnya teknik ini sangat populer di industri keuangan, khususnya digunakan dalam 
menghitung Value at Risk (VaR) dari suatu investasi. Penggunaan teknik MCS yang 
semakin luas ini dikarenakan teknik MCS mampu mengakomodasi berbagai kondisi 
yang rumit melalui simulasi yang sederhana. Tingkat kerumitan suatu kondisi yang
kita analisis, akan memengaruhi kompleksitas simulasi yang dijalankan. Jadi, 
bagaimana cara menggunakan teknik MCS? Berikut ini adalah cara sederhana 
penggunaan teknik MCS.
Untuk dapat menggunakan teknik MCS, akan lebih baik jika Anda menggunakan alat 
bantu spreadsheet/software/aplikasi tertentu yang dapat membantu Anda dalam 
membangun simulasi secara mudah, misalnya dengan menggunakan Microsoft 
Excel. Alat bantu ini sangat diperlukan karena simulasi dalam teknik MCS dilakukan 
dengan cara membangkitkan random variable - selanjutnya disebut sebagai nilai 
acak, serta melakukan sejumlah pengulangan proses simulasi melalui serangkaian 
iterasi.
Berikut ini adalah tahap yang dapat Anda lakukan dalam menerapkan teknik MCS.
B. PENGGUNAAN
Pertama-tama, Anda perlu menentukan variabel yaitu rangkaian proses atau 
aktivitas yang akan ditinjau. Ketika Anda menentukan variabel, pastikan Anda 
memiliki kecukupan data masa lalu dari variabel tersebut.
1. Tentukan variabel yang akan disimulasikan

Contohnya, Anda sebagai konsultan perlu menilai risiko gagalnya suatu proyek 
melalui kinerja waktu proyek. Maka Anda perlu memetakan setiap tahapan 
proyek dan menggunakan data masa lalu terkait durasi waktu proyek sebagai 
masukan (input) untuk simulasi.
Pastikan durasi waktu minimum dan durasi waktu maksimum yang dimasukkan 
berasal dari data masa lalu yang akurat karena akurasi input akan memengaruhi
akurasi hasil simulasi. Selain itu, pastikan juga bahwa variabel/tahapan proyek 
saling independen, dengan kata lain durasi dari setiap tahapan tidak dipengaruhi 
oleh durasi dari tahapan lainnya.
Tabel 1. Contoh aktivitas yang akan disimulasikan Tabel 1. Contoh aktivitas yang akan disimulasikan
Tahapan
Proyek*
Durasi waktu minimum
(dalam hari)
Durasi waktu maksimum
(dalam hari)
(1) Inisiasi
(2) Perencanaan
(3) Perancangan 
(4) Pengadaan
(5) Pelaksanaan
Total durasi
7
10
10
5
30
62
10
15
16
8
50
99
*Tahapan proyek selanjutnya akan disebut variabel
Distribusi digunakan untuk menganalisis probabilitas dalam simulasi. Terdapat 
beberapa jenis distribusi yang sering digunakan dalam teknik MCS, antara lain:
2. Tentukan jenis distribusi probabilitas setiap variabel yang akan
disimulasikan

Distribusi normal, jika probabilitas variabel terjadi berada di antara nol (0) dan 
satu (1)
Distribusi seragam (uniform), jika probabilitas variabel terjadi memiliki 
kesempatan yang sama
Distribusi triangular, jika probabilitas variabel terjadi berdasarkan pada 
kategori minimum/jarang terjadi, menengah/mungkin terjadi, dan 
maksimum/sering terjadi.   
a.
b.
c.
Untuk menentukan distribusi mana yang akan digunakan dalam simulasi, Anda 
harus memiliki pengetahuan yang baik mengenai karakteristik data variabel 
yang disimulasikan. Contoh pada tabel 1, distribusi yang digunakan di setiap 
variabel adalah distribusi normal karena berdasarkan data variabel, probabilitas 
setiap tahap waktu proyek berada di antara nilai durasi minimum dan nilai durasi 
maksimum.
Perlu Anda ketahui bahwa distribusi probabilitas mengikat setiap variabelnya. 
Dalam teknik MCS, distribusi setiap variabel mungkin saja berbeda tergantung 
dari karakteristik data yang diperoleh dari data masa lalu. Jadi, dalam teknik MCS 
penggabungan dua atau tiga jenis distribusi yang berbeda sangat mungkin 
dilakukan. 
Setelah Anda memiliki kelengkapan data input  dan menentukan jenis distribusi 
probabilitas, selanjutnya Anda perlu menghitung nilai acak untuk setiap variabel. 
Untuk menghitung nilai acak, gunakan alat bantu spreadsheet  atau software 
tertentu untuk mempermudah perhitungan. 
3. Hitung nilai acak di setiap aktivitas

Tabel 2. Contoh nilai acak Tabel 2. Contoh nilai acak
Tahapan Proyek
Durasi waktu
maksimum
Durasi waktu
minimum
Nilai acak
10
7
8,42350271
15
10
13,9858793
16
10
10,1316975
8
5
6,18861889
50
30
30,2115454
99
62
68,9412438Iterasi Ke…. 1
Pada contoh di Tabel 2, Nilai acak diperoleh dengan memperhatikan distribusi 
normal yang telah ditetapkan sebelumnya. Berdasarkan distribusi normal, variabel 
terdistribusi di antara durasi waktu maksimum dan durasi waktu minimum. Dengan 
demikian, variabel ke-1 terdistribusi antara nilai 7 dan 10, begitu pun untuk variabel 
lainnya. Untuk kasus tersebut, dengan menggunakan Microsoft Excel, Anda dapat 
menghitungnya dengan formula: RAND()*(durasi waktu maksimum - durasi waktu 
minimum) + durasi waktu minimum. Sedangkan untuk perhitungan nilai acak 
sederhana atau nilai acak antara nol (0) dan satu (1), Anda hanya perlu 
menggunakan formula: RAND().
Nilai acak di atas adalah contoh berdasarkan perhitungan yang dilakukan saat ini. 
Jika Anda mengulangi perhitungan tersebut dengan data yang sama, nilai acak
yang dihasilkan akan berbeda.  
(1) (2) (3) (4) (5) Total
Teknik MCS melakukan simulasi variabel secara berulang. Pengulangan atau 
iterasi dapat dilakukan dalam ratusan bahkan ribuan kali tergantung variabel 
yang sedang ditinjau. Penentuan jumlah iterasi dapat dilakukan dengan cara:
4. Tentukan jumlah iterasi dalam simulasi

Menggunakan asumsi logis dari pakar terkait atau bahasa pemrograman dari 
alat bantu/software yang digunakan, misalnya untuk memperoleh tingkat 
validitas sampai dengan 99% maka diperlukan iterasi sebanyak 1000 kali 
untuk masing-masing variabel.
Menggunakan formula nilai kesalahan (ε). Teknik MCS dapat memprediksi 
nilai kesalahan pada jumlah iterasinya. Formula nilai kesalahan adalah 
sebagai berikut:
Berdasarkan formula tersebut, langkah pertama untuk menghitung iterasi 
adalah hitung nilai deviasi standar (σ) dari variabel yang akan diuji. Deviasi 
standar dihitung untuk mengukur sebaran data dari variabel tersebut. Pada 
contoh variabel di Tabel 1, deviasi standar dihitung berdasarkan total durasi 
waktu minimum (62), total durasi waktu maksimum (99), dan rata-rata dari 
nilai-nilai tersebut. Untuk menghitungnya, Anda dapat menggunakan formula 
sebagai berikut: 
Di mana:
ε  = Nilai error
σ = Deviasi standar  
N = Jumlah iterasi 
Di mana:
x
i,2
= Setiap nilai dari populasi ke i dan ke 2
μ = Rata-rata populasi 
N = Jumlah populasi
a.
b.
3σ
√N
ε =
σ =
Σ(x
i,2
-μ)
2
N

Di mana:
x
i ,
x
2
= 62 (durasi waktu minimum),99 (durasi waktu maksimum) 
μ = (62+ 99)/2 = 80,5
N = 2 (durasi waktu minimum dan durasi waktu maksimum)
Berdasarkan formula tersebut, diperoleh deviasi standar (σ) = 18,5
Kemudian, langkah kedua adalah tentukan total nilai kesalahan absolut yang 
masih dapat Anda terima dari seluruh pengukuran. Misalnya, Anda 
menentukan nilai kesalahan absolut ≤ 1% artinya Anda hanya memberikan 
toleransi kesalahan yang sangat kecil dari setiap nilai acak yang dibangkitkan 
dalam simulasi. Maka, perlu Anda hitung:
Nilai 0,01 adalah nilai kesalahan absolut
Maka berdasarkan formula tersebut, nilai kesalahan (ε) = 0,805
Setelah Anda memperoleh nilai deviasi standar (σ) dan nilai kesalahan (ε), 
selanjutnya Anda dapat menghitung jumlah iterasi yang diperlukan untuk 
menghasilkan nilai kesalahan ≤ 1% dengan formula nilai kesalahan seperti 
yang telah dijelaskan di atas, yaitu:
Hasil dari perhitungan matematis, diperlukan 4753 kali iterasi dalam proses 
simulasi.  
Di mana:
μ = (62+ 99)/2 = 80,5
ε =
μ
1
0,01
( )
3σ
√N
ε = di mana = N =
3 × 18,5
0,805
( )
2
= 4753,3

*Iterasi dilakukan sebanyak 4753, sesuai perhitungan langkah (4)
Di tahap ini, Anda hanya perlu mengulangi seluruh perhitungan nilai acak 
sebanyak 4753 kali untuk setiap variabel yang disimulasikan. 
5. Ulangi perhitungan nilai acak sebanyak iterasi yang telah ditentukan
Tabel 3. Contoh perhitungan nilai acak dalam sejumlah iterasi Tabel 3. Contoh perhitungan nilai acak dalam sejumlah iterasi
Tahapan Proyek
Durasi waktu
maksimum
Durasi waktu
minimum
Nilai acak
10
7
15
10
16
10
8
5
50
30
99
62
(1) (2) (3) (4) (5) Total
8,42350271
8,4478661
8,11705617
7,40239254
9,33279266
8,20081948
9,28728452
7,07336957
8,37061304
8,50414907
8,65203192
8,78669327
7,99166418
8,01838459
9,50542362
…
8,41520908
13,9858793
12,586074
10,1220116
13,7507507
10,36428
14,0590915
10,5320127
13,6839852
14,5999459
10,7410613
12,689632
14,1535108
13,2574754
11,1632482
11,2794075
…
11,4516431
10,1316975
12,65614
10,2362314
12,0653483
11,1519905
11,6754688
12,35621
11,294899
14,2844693
14,198383
12,0379355
12,5376771
10,3458693
14,5786179
12,6957236
…
12,5589413
6,18861889
7,36858576
7,62434907
5,1353253
7,60621873
5,78036095
7,72571596
6,62518761
7,8112729
7,30707168
7,11591411
5,51499718
6,9846582
7,14144918
5,74847997
…
5,59064786
30,2115454
44,0292002
46,2958361
36,1579206
39,3842058
45,4402067
44,3459205
30,6171865
45,3100372
42,9799359
40,0356279
49,5572455
36,1363624
33,298684
45,7856937
…
47,8907988
68,9412438
85,0878661
82,3954844
74,5117373
77,8394877
85,1559474
84,2471436
69,2946278
90,3763383
83,730601
80,5311414
90,5501238
74,7160295
74,2003838
85,0147283
…
85,9072401
Iterasi Ke…. 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
…
4753

Setelah Anda melakukan simulasi dengan membangkitkan nilai acak sebanyak 
iterasi yang telah ditentukan sebelumnya, kemudian buatlah analisis dari hasil 
simulasi tersebut dengan menentukan kembali durasi minimum dan durasi 
maksimum, menghitung mean (), dan menghitung deviasi standar (σ).
Jika melihat data analisis di tabel 4, Anda dapat membuat kesimpulan yang 
sederhana, misalnya, merujuk pada data tersebut durasi minimum proyek adalah 
65 hari dan durasi maksimum adalah 97 hari, sementara durasi proyek yang 
paling ideal adalah 81 hari, dengan deviasi antara kurang 6 hari atau lebih 6 hari 
dari durasi paling ideal tersebut.
Untuk menambah kajian dan kedalaman analisis, Anda perlu membuat distribusi 
frekuensi dan grafik kombinasi Probability Density Function (PDF) dan 
Cummulative Distribution Function (CDF) untuk nilai total durasi yang muncul dari 
pembangkitan nilai acak. Gunakan Microsoft Excel sebagai alat bantu ketika Anda 
membuat distribusi frekuensi dan grafik tersebut.  
6. Buatlah analisis hasil simulasi
Tabel 4. Analisis hasil simulasi Tabel 4. Analisis hasil simulasi
Keterangan
Durasi minimum
Durasi maksimum
Mean ()
Standar deviasi (σ)
Hasil perhitungan*
64,8126932
96,6798878
80,7428085
6,32280707
Pembulatan
65 hari
97 hari
81hari
6 hari
*Hasil perhitungan menggunakan formula excel
*Dasar perhitungan durasi minimum adalah nilai total durasi terendah dalam 4753 iterasi
*Dasar perhitungan durasi maksimum adalah nilai total durasi tertinggi dalam 4753 iterasi

Tabel 5. Analisis hasil simulasi Tabel 5. Analisis hasil simulasi
Durasi*
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
More
Total Frekuensi
Frequency**
3
5
12
37
75
80
110
148
181
212
210
219
233
201
265
253
229
232
241
233
251
257
196
209
193
153
122
84
54
34
11
7
3
4753
PDF (%)**
0,06%
0,11%
0,25%
0,78%
1,58%
1,68%
2,31%
3,11%
3,81%
4,46%
4,42%
4,61%
4,90%
4,23%
5,58%
5,32%
4,82%
4,88%
5,07%
4,90%
5,28%
5,41%
4,12%
4,40%
4,06%
3,22%
2,57%
1,77%
1,14%
0,72%
0,23%
0,15%
0,06%
CDF (%)**
0,06%
0,17%
0,42%
1,20%
2,78%
4,46%
6,77%
9,89%
13,70%
18,16%
22,58%
27,18%
32,08%
36,31%
41,89%
47,21%
52,03%
56,91%
61,98%
66,88%
72,16%
77,57%
81,70%
86,09%
90,15%
93,37%
95,94%
97,71%
98,84%
99,56%
99,79%
99,94%
100,00%
*Durasi diurutkan berdasarkan durasi minimum dan durasi maksimum di tabel 4
**Frekuensi, pdf, dan cdf dihitung menggunakan Excel Toolpak - Analisis Data Statistik, Histogram

Grafik 1. Contoh grafik probabilitas durasi proyek Grafik 1. Contoh grafik probabilitas durasi proyek
Berdasarkan hasil analisis Cummulative Distribution Function (CDF), Anda dapat 
menganalisis risiko kegagalan proyek berdasarkan setiap durasi pelaksanaannya. 
Risiko gagal proyek dinilai dari cummulative  100% dikurangi Angka CDF, 
sedangkan angka CDF mewakili tingkat keberhasilan proyek. Maka, Anda dapat 
menganalisisnya sebagai berikut: jika Anda menjalankan proyek dalam durasi 90 
hari maka risiko gagal proyek berada pada 6,63% atau tingkat keberhasilan 
proyek mencapai 93,37%. Jika Anda menjalankan proyek dalam durasi 75 hari 
maka risiko gagal proyek mencapai 77,42% atau tingkat keberhasilan proyek 
hanya 22,58%.
0
50
100
150
200
250
300
0%
20%
40%
60%
80%
100%
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
More
FREQUENCY
DURASI
Probabilitas Durasi Proyek
Frequency
Cumulative %
Data hasil analisis pada poin ke-enam dapat Anda gunakan sebagai acuan untuk 
menarik satu kesimpulan terkait pengelolaan risiko di proyek berdasarkan durasi 
proyek. Misalnya, dari beberapa durasi proyek yang dihasilkan dalam simulasi, 
7. Buatlah kesimpulan analisis

Anda sebagai Kepala Proyek beserta dengan tim memilih tiga opsi total durasi 
yang mungkin dapat dijalankan di proyek Anda, yaitu 71 hari, 81 hari dan 91 hari. 
Dari ketiga total durasi tersebut, diperoleh persentase risiko kegagalan seperti 
pada tabel 6.
Dari ketiga opsi diatas, Anda melakukan evaluasi terhadap ketiganya dengan 
mempertimbangkan dan mengukur semua sumber daya, termasuk kapasitas dan 
kapabilitas yang dimiliki oleh organisasi. 
Tabel 6. Contoh data simulasi durasi proyek Tabel 6. Contoh data simulasi durasi proyek
Durasi
71
81
91
PDF (%)
2,31%
4,82%
2,57%
CDF (%)
6,77%
52,03%
95,94%
Risiko kegagalan (%)*
93,23%
47,97%
4,06%
* Dihitung dari 100% dikurangi nilai CDF
Berdasarkan kapasitas dan kapabilitas sumber daya yang ada saat ini, dapat Anda 
menilai dan menyimpulkan bahwa total durasi 81 hari adalah total durasi yang 
paling ideal untuk diterapkan dalam pelaksanaan proyek, dengan tingkat 
kemungkinan kegagalan 4,82% dan tingkat dampak kegagalan 47,97%.
Tabel 7. Contoh hasil evaluasi  Tabel 7. Contoh hasil evaluasi 
Durasi
71
81
91
PDF (%)
2,31%
4,82%
2,57%
CDF (%)
6,77%
52,03%
95,94%
Risiko kegagalan (%)*
93,23%
47,97%
4,06%
Evaluasi
Tolak
Mitigasi
Tolak*
* Pada contoh kasus ini diasumsikan, opsi total durasi 91 hari memiliki risiko kegagalan paling
  rendah tetapi membutuhkan kapasitas dan kapabilitas sumber daya yang tinggi atau tidak sesuai
  dengan kapasitas dan kapabilitas yang dimiliki oleh organisasi sehingga risiko ditolak.

Keluaran teknik MCS dapat beragam, tergantung tujuan dari simulasi. Keluaran 
dapat berupa angka tunggal, misalnya pada contoh di tabel 4 adalah angka tunggal 
dari durasi yang ideal (diwakili oleh mean) yaitu 81 hari. Namun, keluaran teknik MCS 
juga dapat berupa tabel distribusi frekuensi dan grafik probabilitas seperti yang 
dicontohkan di tabel 5 dan grafik 1.
C. KELUARAN
• Tingkat keakuratan simulasi sangat bergantung pada keakuratan data input setiap
   variabel yang akan disimulasikan.
• Teknik ini cenderung melihat tingkat dampak dan kemungkinan-kejadian risiko
   secara seragam, tidak menekankan suatu risiko berdampak sangat tinggi atau
   sebaliknya, juga tidak menekankan kemungkinan-kejadian suatu risiko rendah
   atau tinggi.
Keterbatasan meliputi:
D. KEKUATAN DAN KETERBATASAN
• Teknik ini menyajikan pengukuran keakuratan hasil
• Teknik ini menggunakan permodelan yang relatif sederhana dan mudah untuk
   dikembangkan atau diperluas sesuai kebutuhan analisis yang timbul
• Teknik ini mampu mengakomodasi berbagai jenis distribusi dalam variabel input 
• Teknik ini dapat mengevaluasi pengaruh atau hubungan, maupun dampak dari
   peristiwa risiko 
Kekuatan meliputi:

Teknik Simulasi Monte Carlo atau Monte Carlo Simulation (MCS) adalah suatu teknik 
dengan pendekatan kuantitatif yang dapat membantu Anda dalam melakukan 
evaluasi risiko dan analisis risiko. Kunci dari teknik MCS adalah nilai acak dan iterasi. 
Pada penerapannya nilai acak akan dibangkitkan dari sejumlah variabel yang akan 
diuji, kemudian nilai acak tersebut diulang dalam serangkaian iterasi sehingga 
distribusi hasil dapat dibangun secara akurat dalam simulasi tersebut. Teknik MCS 
dapat digunakan untuk variabel yang sederhana maupun variabel yang memiliki 
tingkat kerumitan sangat tinggi. Pada dasarnya teknik ini berfungsi untuk expect the 
unexpected dari berbagai peristiwa acak yang menjadi sumber risiko.   
E. SIMPULAN
•Teknik ini memerlukan banyak variabel atau sampel untuk disimulasikan, tidak
   dapat diterapkan pada variabel atau sampel tunggal.
• Sangat dibutuhkan keahlian atau spesialisasi yang tinggi untuk melakukan simulasi
   pada variabel atau sampel yang memiliki kerumitan yang tinggi. 

Consequence
Tools and Techniques
Risk
Identification
Risk Analysis
Level
of Risk
Risk
Evaluation
Risk Assessment Process
ALARP, ALARA and SFAIRP
Bayesian analysis
Bayesian networks
Bow tie analysis
Brainstorming
Business impact analysis
Causal mapping
Cause-consequence analysis
Checklists, classifications and taxonomies
Cindynic approach
Consequence/likelihood matrix
Cost/benefit analysis
Cross impact analysis
Decision tree analysis
Delphi technique
Event tree analysis
Failure modes and effects analysis
Failure modes and effects and criticality
analysis
Fault tree analysis
F-N diagrams
Game theory
Hazard and operability studies (HAZOP)
Hazard analysis and critical control points
(HACCP)
Human reliability analysis
Ishikawa (fishbone)
NA*
NA
NA
A*
SA
A
A
A
SA
SA
NA
NA
NA
NA
SA
NA
SA
SA
A
A
A
SA
SA
SA
SA
NA
NA
NA
SA
A
SA
A
SA
NA
NA
A
SA
NA
SA
NA
SA
SA
SA
NA
SA
SA
A
SA
SA
A
Likelihood
NA
SA
SA
A
NA
NA
NA
SA
NA
NA
A
NA
SA
SA
NA
A
NA
SA
SA
SA
NA
NA
NA
SA
NA
NA
NA
NA
A
NA
NA
NA
A
NA
NA
SA
NA
NA
A
NA
A
NA
SA
A
A
NA
NA
NA
SA
NA
SA*
NA
SA
A
NA
NA
NA
A
NA
NA
A
SA
NA
A
NA
A
NA
SA
A
SA
SA
NA
SA
A
NA
SA
A
NA
: Strongly Aplicable
: Aplicable
: Not Aplicable
Applicability of Techniques to The ISO 31000 Process

Consequence
Tools and Techniques
Risk
Identification
Risk Analysis
Level
of Risk
Risk
Evaluation
Risk Assessment Process
Layer protection analysis (LOPA)
Markov analysis
Monte Carlo simulation
Multi-criteria analysis (MCA)
Nominal group technique
Pareto charts
Privacy impact analysis/ data privacy
impact assessment (PIA/DPIA)
Reliability centred maintenance
Risk indices
S-curves
Scenario analysis
Structured or semi-structured interviews
Structured "What if?" (SWIFT)
Surveys
Toxicological risk assessment
Value at risk (VaR)
A
A
NA
A
SA
NA
A
A
NA
NA
SA
SA
SA
SA
SA
NA
SA
A
A
NA
A
A
SA
A
SA
A
SA
NA
SA
NA
SA
A
Likelihood
A
SA
A
NA
A
A
A
A
SA
A
A
NA
A
NA
SA
A
A
NA
A
NA
NA
A
A
A
A
SA
A
NA
A
NA
SA
SA
NA
NA
SA
SA
NA
SA
SA
SA
SA
SA
A
NA
A
NA
SA
SA
: Strongly Aplicable
: Aplicable
: Not Aplicable
Applicability of Techniques to The ISO 31000 Process

Dibuat untuk PSB:
LSP MKS
Jl. Batununggal Jelita V No. 15
Bandung, Indonesia
P: (+62-22) 8730 4033
M: (+62) 812 2054 0542
E: [email protected]
Disusun oleh:
CRMS Indonesia
Jl. Batununggal Indah IV No. 97
Bandung, Indonesia
P: (+62-22) 8730 1035
M: (+62) 81 2222 00 775
F: (+62-22) 7513 219
E: [email protected]
Didukung oleh:
CyberWhale
Jl. Batununggal Jelita V No. 15
Bandung, Indonesia
P: (+62-22) 8730 4033
M: (+62) 812 2451 5052
E: [email protected]