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]