Tools Manajemen Risiko

Kelompok 6 :

Achmad Farizal I

21070111130090

Numan Hadi

21070111130029

Muthiah Hanifah

21070111140104

Meila Zulhiana

21070111110095

Billy Ibrahim T

21070110141058

Program Studi Teknik Industri

Fakultas Teknik Universitas Diponegoro
Semarang
2014

BAB I
PENDAHULUAN

Dewasa ini manajemen risiko sangat penting kaitannya di dalam setiap aspek
kehidupan. Orang mulai menyadari bahwa setiap hal yang dilakukan akan menimbulkan
risiko. Orang juga mulai menyadari bahwa risiko seperti energi yang tidak dapat
dihilangkan atau diciptakan namun risiko hanya dapat ditranfer dari satu pihak ke pihak
lainnya. akan pentingnya manajemen risiko. Mereka juga mulai menyadari akan pentingnya
manajemen risiko baik itu dalam kehidupan pribadinya terlebih dalam organisasiya.
Manajemen risiko adalah seperangkat kebijakan, prosedur yang lengkap, yang dipunyai
organisasi, untuk mengelola, memonitor, dan mengendalikan eksposur organisasi terhadap
risiko (Warburg, 2004).
Menurut Williams di dalam buku Risk Manajemen and Insurance manajemen risiko
di dalam organisasi mempunyai elemen-elemen antara lain :

Identifikasi Misi: menetapkan ujuan manajemen risiko

Penilaian Risiko dan Ketidakpastian: mengidentifikasi dan mengukur risiko

Pengendalian Risiko: mengendalikan risiko melalui diversifikasi, asuransi,

hedging, penghindaran, dll

Pendanaan Risiko: bagaimana membiayai manajemen risiko

Administrasi program: administrasi organisasi, seperti manual, dsb

Di dalam melakukan penilaian risiko di dalam manajemen risiko dibutuhkan suatu

tools yang dapat mempermudah dalam pelaksanaannya. Tools yang dapat digunakan di
dalam manajemen risiko banyak jenisnya dan dapat disesuaikan dengan kasus
danpenerapan yang akan dilakukan. Di dalam makalah ini nantinya akan dibahas tools yang
dapat digunakan dalam manajemen risiko serta kegunaannya dalam berbagai kasus yang
ada di kehidupan nyata.

BAB II
TINJAUAN PUSTAKA

2.1 Value at Risk

Salah satu teknik pengukuran risiko adalah Value at Risk (VaR). Value at
Risk (VaR) merupakan metoda perhitungan market risk untuk menentukan risiko
kerugian maksimum yang dapat terjadi pada suatu portfolio, baik single-instrument
ataupun multi-instruments, pada confidence level tertentu, selama holding period
tertentu, dan dalam kondisi market yang normal.
Munculnya VaR tidak lepas dari metode pengukuran risiko yang diterapkan
oleh Dennis Weatherstone. Mantan bos J.P. Morgan ini menginginkan laporan satu
halaman berisi rangkuman eksposur global yang dihadapi perusahaan dan estimasi
potensi kerugian dalam 24 jam kedepan, diserahkan kepadanya setelah hari kerja
tepatnya pukul 16:15. 4.15 Report inilah yang menjadi cikal bakal perangkat
menajemen risiko yang kemudian dikenal dengan Value at Risk.
Menurut

Philip Best

(1998) Value at Risk atau VaR adalah suatu

metoda pengukuran risiko secara statistik

yang

memperkirakan kerugian

maksimum yang mungkin terjadi atas suatu portfolio pada tingkat kepercayaan
(level of confidence) tertentu. Nilai VaR selalu disertai dengan probabilitas yang
menunjukkan seberapa mungkin kerugian yang terjadi akan lebih kecil dari nilai
VaR tersebut. VaR adalah suatu nilai kerugian moneter yang mungkin dialami
dalam jangka waktu yang telah ditentukan. Pernyataan berikut ini merupakan
definisi formal dar i VaR yang dikutip dari Philip Best (1998): Value at Risk is the
maximum amount of money that may be lost on a portfolio over a given period of
time, with a given level of confidence. Pernyataan berikut ini merupakan definisi
formal dari VaR yang diungkapkan oleh Philippe Jorion (2002): VaR summarizes
the worst loss over a target horizon with a given level of confidence. Cormac
Butler (1999) memberikan definisi VaR sebagai berikut: Value at Risk measures

the worst expected loss that an institution can suffer over a given time interval
under normal market conditions at a given confidence level. It assesses risk by
using statistical and simulation models designed to capture the volatility of assets in
a banks portfolio.
Pendek kata, Value at Risk (VaR) dapat diartikan sebagai suatu besaran
angka yang merangkum total risiko dari portfolio yang berisikan beragam asset
keuangan. What loss level is such that we are X% confident it will not be
exceeded in N business days? Pertanyaan singkat yang mengantar kita pada
definisi ringkas dari Value at Risk. VaR merupakan estimasi potensi kerugian
maksimal pada periode tertentu dengan tingkat keyakinan (confidence level) tertentu
dan dalam kondisi pasar yang normal. Jadi VaR mengukur kerugian maksimal yang
mungkin terjadi esok hari, lusa, minggu depan, dan seterusnya sesuai dengan periode
waktu yang diinginkan.
Kelebihan dari VaR adalah bahwa metoda ini fokus pada downside
risk, tidak tergantung pada asumsi distribusi dari return, dan pengukuran ini dapat
diaplikasikan

ke

seluruh produk-produk

finansial

yang

diperdagangkan.

Angka yang diperoleh dari pengukuran dengan metoda ini merupakan hasil
perhitungan
secara agregat atau menyeluruh terhadap risiko produk-produk sebagai
suatu kesatuan.
VaR juga memberikan estimasi kemungkinan atau probabilitas mengenai
timbulnya kerugian yang jumlahnya lebih besar daripada angka kerugian
yang telah ditentukan. Hal ini merupakan sesuatu yang t idak didapat dari
metoda- metoda pengukuran risiko lainnya. VaR juga memperhatikan perubahan
harga aset- aset
lain.

Hal

yang

ada

dan

pengaruhnya

terhadap

aset -aset

yang

ini memungkinkan dilakukannya pengukuran terhadap berkurangnya

risiko yang diakibatkan oleh diversifikasi kelompok produk atau portfolio.

VaR mulai dikenal secara luas sejak tahun 1994 saat J.P. Morgan membuat
Risk

Metrics

system

(berbasis

metoda

VaR)

yang

tersedia

di

internet

(www.jpmorgan.com) dan program tersebut dapat di download oleh pengguna

secara gratis. Metoda yang digunakan J.P. Morgan tersebut selanjutnya dikenal
sebagai RiskMetrics atau perhitungan VaR dengan Variance-Covariance Method.
VaR

memiliki tiga

metoda untuk

perhitungan,

yaitu

Historical

Simulation Method, Variance-Covariance Method, dan Monte Carlo Simulation

Method. Ketiga metoda tersebut memiliki keunggulan dan kelemahan masingmasing, antara lain:
1.

Variance-covariance
method memiliki

approach

keunggulan

atau

dari

sisi

disebut

juga

kemudahan

delta

normal

komputasi

dan

implementasi. Model ini diperkenalkan oleh JP.Morgan pada awal 1990an.

Asumsi yang digunakan dalam Variance-covariance approach model adalah:
Portfolio disusun atas asset-aset yang linear. Lebih tepatnya,
perubahan nilai dari suatu portfolio bersifat linear dependen pada
semua perubahan yang terjadi pada nilai asset. Jadi, return portfolio
juga bersifat linear dependen pada return asset.
Return asset berdistribusi normal
Selain memiliki keunggulan dalam hal kemudahan komputasi dan
implementasi metode ini memiliki kelemahan dalam hal akurasi (lebih
lemah) dibandingkan dua metoda lainnya.
2.

Historical Simulation Method merupakan metode yang paling simple

dan paling transparan dalam perhitungan. Termasuk dalam perhitungan nilai
portfolionya.

Kelemahan metode ini tidak

menggunakan

distribusi

normal pada return assetnya.

3.

Monte Carlo Simulation Method juga merupakan metode pengukuran

VaR yang relatif simpel dibandingkan Variance-covariance model. Monte
Carlo Simulation Method memiliki keunggulan dalam akurasi, namun

memiliki kelemahan dalam hal komputasi yang lebih rumit dibandingkan

historical simulation method.
Jadi Variance-covariance approach memiliki keunggulan dari sisi
kemudahan komputasi dan implementasi, sedangkan Historical Simulation
Method, dan Monte Carlo Simulation Method memiliki keunggulan akurasi
namun memiliki kelemahan dari sisi komputasi karena memerlukan simulasi
risk factors yang cukup banyak khususnya monte carlo simulation. Metoda
historical simulation method memiliki keunggulan dibanding monte carlo
simulation karena komputasi yang relatif lebih mudah (intermediate) dan tidak
menghadapi problem model risk.
Komputasi VaR berdasarkan sekelompok input kuantitatif yang seragam.
Model VaR merepresentasikan estimasi jumlah maksimum kerugian yang dapat
ditanggung portfolio dari risiko pasar dalam suatu periode waktu tertentu dan
dengan suatu confidence level tertentu.
Pada umumnya, VaR dihitung untuk jangka waktu 24 jam. Sebagai
contoh, bila dikatakan bahwa VaR suatu portfolio adalah US$5,000 dengan
confidence level sebesar 95 persen, ini berarti bahwa ada 95 persen kemungkinan
portfolio tersebut akan mengalami kerugian dengan nilai di bawah US$5,000 dalam
waktu 24 jam ke depan. Dapat pula dikatakan bahwa ada 5 persen kemungkinan
portfolio tersebut akan mengalami kerugian minimal US$5,000 dalam waktu 24 jam
ke depan.
Contoh lain, jika kita memiliki VaR harian sebesar Rp.100 milyar pada
confidence level 99%, hal ini berarti bahwa hanya terdapat satu kemungkinan
dari
100 dimana kerugian harian akan melebihi Rp.100 milyar. Atau dengan kata lain,
kerugian harian akan melebihi Rp.100 milyar hanya akan terjadi pada satu hari
dari

100 trading day atau dua samapai tiga hari dalam satu tahun. Lebih singkat lagi
dapat dikatakan dengan kita memiliki keyakinan sebesar 99% kerugian tidak akan
melebihi Rp.100 milyar dalam beberapa hari kedepan. Jadi kesimpulannya, VaR
berusaha menjawab pertanyaan, How bad can things get?
Hasil perhitungan VaR biasanya disajikan dalam bentuk jumlah uang
dan bukan dalam persentase. Hal ini membuat VaR menjadi sangat mudah
dipahami. Contoh dalam paragraf di atas telah mengilustrasikan hal tersebut. Dalam
kaitannya dengan kemudahan pemahaman atas nilai VaR, Stambaugh (1996) dalam
Prihantoro (2005) menyatakan bahwa VaR memiliki fungsi sebagai berikut: 1)
providing a common language for risk, 2) allowing for more effective and consistent
internal risk management, risk limit setting and evaluation, 3) providing an
enterprise-wide mechanism

for

external

regulation,

and

4)

providing

investors with an understandable tool for risk assessment.

Walaupun berdasarkan rekomendasi Basel II bank dapat menggunakan
internal model dalam mengukur besarnya risiko pasar yang dihadapi, tetapi
bank harus terlebih dahulu memenuhi kriteria secara kualitatif maupun kuantitatif
sebelum dianggap mampu untuk menerapkannya dalam perhitungan capital charge
untuk mengiringi risiko pasar.

2.2 Influence Diagram

Influence diagram adalah salah satu cara yang untuk menggambarkan sistem secara
garis besar guna menggali informasi mengenai transformasi proses dalam system dalam
konteks hubungan struktural (structural relationship) dan hubungan sebab-akibat (causal
relationship) antar komponen-komponen sistem.
Diagram pengaruh (influence diagram) terutama berkaitan dengan pembuatan
proses transformasi dari sistem dalam bentuk hubungan struktural dan sebab akibat antara
komponen dari sistem.
Adapun ciri-ciri dari influence diagram adalah sebagai berikut :

Representasi model dalam bentuk gambar

Menyediakan framework hubungan

Menjelaskan ketergantungan antar variabel

Terdapat beberapa level detail

Memperlihatkan dampak perubahan

Memperlihatkan analisis what If

Di dalam sebuah diagram pengaruh (influence diagram) itu sendiri menggambarkan

hubungan pengaruh:
a) Antara input sistem dan komponennya.
b) Antara komponen dengan sistem.
c) Antara komponen dengan output.
Dalam pembuatan atau penggambaran sebuah influence diagram digunakan simbolsimbol antara lain :
a) Awan menggambarkan input data dari lingkungan sitem yang lebih.
b) Kotak merupakan kontrol input.
c) Lingkaran merupakan variabel setiap komponen.
d) Oval merupakan output sistem dan pengukuran kinerja sistem.
e) Anak panah merupakan pengaruh hubungan antar simbol
Tabel 2.1 simbol-simbol dalam influence diagram

No

Gambar

Nama

Keterangan
Input data dari

Awan

lingkungan sistem
yang lebih

Kotak

Kontrol input

Lingkaran

Variabel setiap
komponen

Output sistem dan

4

Oval

pengukuran kinerja
sistem

Anak panah

Pengaruh hubungan
antar simbol

Sejumlah informasi yang terkandung dalam diagram dapat ditinggikan dengan

mengindikasikan apakah hubungan pengaruh positif, peningkatan (penurunan) dalam
variabel yang berpengaruh mengakibatkan peningkatan (penurunan) pada variabel
terpengaruh, atau nilainya negatif, peningkatan jumlah variabel yang berpengaruh
menurunkan variabel terpengaruh dan sebaliknya.
Contoh dari influence digram :

Gambar 2.1 Influence Diagram

2.3 Tornado Diagram

Tornado diagram adalah salah satu bentuk diagram batang yang menggambarkan
kontribusi

suatu

risiko

terhadap

keseluruhan

model

risiko,

dibentuk

dengan

menggambarkan korelasi antara variasi input terhadap distribusi hasil. Tornado diagram
digunakan untuk analisis sensitivitas sebagai salah satu metode untuk analisis risiko
quantitative. Tornado diagram mempresentasikan risiko yang memiliki dampak yang paling
besar pada suatu proyek.

Contoh Kasus:
Analisis Risiko terhadap Pendapatan pada PT Taman Wisata Candi (TWC)
Borobudur, Prambanan dan Ratu Boko Yogyakarta
Oleh: Leonardus Adityo Nugroho
Pada jurnal ini, penggunan tornado diagram terletak pada analisis sensitivitas yaitu
dengan mengganti beberapa peubah bebas satu per satu, dimana peubah bebas lainnya tetap
konstan dan kemudian hasil dari perubahan peubah tak bebas yang akan diamati, seperti
NPV dan pendapatan (Brigham and Houston, 2007).
Peubah tak bebas yang mengalami perubahan paling signifikan dengan melakukan
perubahan pada peubah bebas, maka peubah bebas ini perlu mendapat perhatian yang lebih
serius dibandingkan dengan peubah bebas lainnya yang berdampak sedang atau rendah
terhadap perubahan peubah tak bebas.
Seperti sudah disebutkan sebelumnya, bahwa objek wisata yang dikelola PT TWC
Borobudur, Prambanan, dan Ratu Boko memiliki ciri tersendiri dan hamper tidak ada yang
menyamai dengan objek wisata lainnya, meskipun itu sesama candi. Jadi sebenarnya ada
semacam monopoli dalam pengelolaannya. Dengan berbagai upaya dalam pelayanan
dimaksudkan untuk memperoleh laba secara maksimal.
Faktor di atas cenderung tidak terduga dan memberikan dampak yang cukup
signifikan terhadap pendapatan yang dapat dihasilkan. Oleh karena itu, untuk mengetahui
seberapa besar perubahan suatu kondisi yang berpengaruh terhadap laba rugi PT TWC
Borobudur, Prambanan, dan Ratu Boko., maka layak untuk dilakukan suatu analisis
sensitivitas. Berikut hasil pengolahan analisis sensitivitas:

Gambar 1. Sensivitas Beberapa Asumsi; Sumber diolah dari Laporan Keuangan PT TWC Borobudur,
Prambanan dan Ratu Boko (2008-2012) dan Data Inflasi BPS (2008-2012).

Pada Gambar 1. menunjukkan bahwa variabel asumsi yang paling sensitive

terhadap laba-rugi PT TWC Borobudur, Prambanan dan Ratu Boko adalah Biaya Tidak
Langsung sebesar -79,2%. Dengan demikian manajemen PT TWC Borobudur, Prambanan
dan Ratu Boko perlu memberikan perhatian yang lebih serius terhadap Biaya Tidak
Langsung yang dikeluarkan perusahaan agar laba yang diharapkan dapat tercapai.
Beberapa variabel asumsi berikutnya yang dapat menjadi perhatian yaitu Biaya
Langsung sebesar -10,2%, Jasa Produksi-Bonus sebesar -6,1%, sedangkan Biaya
Penyusutan-Amortisasi sebesar -4,5%. Dengan mengetahui beberapa variable yang paling
sensitif dan yang kurang sensitif dapat membantu manajemen PT TWC Borobudur,

Prambanan dan Ratu Boko dalam menetapkan beberapa kebijakan dalam rangka
meningkatkan laba pendapatan.

Gambar 2. Tornado Chart Beberapa Asumsi; Sumber diolah dari Laporan Keuangan PT TWC
Borobudur, Prambanan dan Ratu Boko (2008-2012) dan Data Inflasi BPS (2008-2012).

Pada Gambar 1 dan 2, memperlihatkan variabel asumsi input yang paling sensitif
terhadap laba-rugi PT TWC Borobudur, Prambanan dan Ratu Boko adalah Biaya Tidak
Langsung. Laba maksimum yang dapat dihasilkan sebesar Rp (419.487.929,27) dan
minimum sebesar Rp 3.658.064.937,42. Variabel Biaya Tidak Langsung sebaiknya menjadi
perhatian utama oleh manajemen PT TWC Borobudur, Prambanan dan Ratu Boko terkait
laba yang dapat dihasilkan.

2.4 Monte Carlo Simulation

Arthur Williams dan Richard Heins (1989:21) mengatakan manajemen resiko
adalah proses pengidentifikasian, pengukuran, dan perlakuan terhadap potensi kerugian
akibat kecelakaan yang dapat muncul hampir dalam segala situasi. Menurut Roy Sembel
(Jakarta, 2002), sedikitnya terdapat tiga kunci bagi penciptaan nilai melalui manajemen
resiko, yaitu mendorong optimasi resiko dalam pengambilan keputusan di tiap level
organisasi, mengkomunikasikan informasi resiko, serta menerapkan manajemen mutu
dalam rangka manajemen resiko. Menurut Alfredo HS. Ang (1987:1), kebanyakan masalah
dalam bidang rekayasa mencakup proses dan fenomena alamiah yang pada hakikatnya
bersifat acak, keadaan dari fenomena seperti ini secara alamiah bersifat tidak tentu sehingga
tidak dapat dijabarkan secara pasti. Talavera (2004:90) menambahkan bahwa untuk
menganalisis resiko, maka sangat direkomendasikan untuk menggunakan alat bantu (tool)
dari ilmu probabilitas dan statistik untuk penerapan manajemen resiko. Harold Kerzner
(1998:885) menyatakan bahwa untuk mengukur jenis dan besar suatu resiko tertentu
memerlukan beberapa metode, dan salah satu dari metode tersebut adalah simulasi Monte
Carlo.
Proses Monte Carlo merupakan suatu teknik untuk memilih angka-angka secara
acak dari suatu distribusi probabilitas untuk digunakan dalam suatu percobaan dari suatu
simulasi. Menurut James R. Evans dan David L. Olson (1998:2), sebuah survey pernah
dilakukan kepada para praktisi di bidang sains manajemen dan memberikan hasil bahwa
simulasi dan statistik menduduki peringkat tertinggi dibandingkan teknik lainnya dengan
margin dua banding satu.
Analisis Monte Carlo merupakan suatu teknik kuantitatif yang banyak dipakai
dalam berbagai macam model pengambilan keputusan. Di tahun belakangan ini, istilah
Monte Carlo telah menjadi sinonim dengan simulasi probabilitas. Namun secara sempit
teknik Monte Carlo dapat didefinisikan sebagai suatu teknik untuk memilih angka-angka
secara acak dari suatu distribusi probabilitas untuk digunakan dalam suatu percobaan dari
suatu simulasi. Simulasi ini adalah proses repetitif sederhana yang membangkitkan
(generate) solusi deterministik untuk kasus yang diberikan. Setiap solusi mewakili suatu set

nilai deterministik dari variabel acak yang digunakan. Elemen utama dari proses Monte
Carlo adalah membangkitkan angka acak dari distribusi probabilitas yang telah ditentukan.
Sebelum memulai proses simulasi, terlebih dahulu ditentukan berapa jumlah
minimum simulasi yang harus dilakukan. Rumus yang digunakan untuk menghitungnya
menurut Amir D. Aczel (1999:256) adalah:

dimana:
n = jumlah simulasi yang diperlukan
Z = nilai invers dari distribusi normal
= standar deviasi
B = interval kesalahan (margin of error)
Beberapa rumus dan asumsi yang harus dihitung terlebih dahulu adalah:
a. Standar deviasi
b. Tingkat kepercayaan = diambil sebesar 95%
c. Tingkat signifikansi = 100% - tingkat kepercayaan
d. Interval kesalahan B = /N
e. Perhitungan nilai Z

Dalam simulasi Monte Carlo sebuah model dibangun berdasarkan sistem yang
sebenarnya. Setiap variabel dalam model tersebut memiliki nilai yang memiliki probabilitas
yang berbeda, yang ditunjukkan oleh distribusi probabilitas atau biasa disebut dengan
probability

distribution

function

dari

setiap

variabel.

Metode

Monte

Carlo

mengsimulasikan sistem tersebut berulang-ulang kali, ratusan bahkan sampai ribuan kali
tergantung sistem yang ditinjau, dengan cara memilih sebuah nilai random untuk setiap
variabel dari distribusi probabilitasnya. Hasil yang didapatkan dari simulasi tersebut adalah
sebuah distribusi probabilitas dari nilai sebuah sistem secara keseluruhan.

Sejak pertama kali digunakan untuk keperluan militer pada Manhattan Project
(Eckhardt, 1987), simulasi Monte Carlo telah diaplikasikan pada berbagai bidang antara
lain; manajemen proyek, transportasi, desain komputer, finansial, meteorologi, biologi dan
biokimia (Kwak & Ingall, 2007). Dalam bidang manajemen proyek simulasi Monte Carlo
digunakan untuk menghitung atau mengiterasi biaya dan waktu sebuah proyek dengan
menggunakan nilai-nilai yang dipilih secara random dari distribusi probabilitas biaya dan
waktu yang mungkin terjadi, dengan tujuan untuk menghitung distribusi kemungkinan
biaya dan waktu total dari sebuah proyek (Project Management Institute, 2004).
Pada umumnya literatur-literatur manajemen proyek menempatkan simulasi Monte
Carlo dibawah topikmanajemen resiko, atau kadang berada pada topik manajemen waktu
dan manajemen biaya. Project Management Institute (2004) menerapkan sebuah
pendekatan standar manajemen resiko yang meliputi enam proses; Perencanaan Manajemen
Resiko, Identifikasi Resiko, Kualifikasi Resiko, Kuantifikasi Resiko, Perencanaan Respon
Resiko, dan Pemantauan & Evaluasi Resiko, simulasi Monte Carlo ditempatkan sebagai
bagian dari proses Kuantifikasi Resiko
Meskipun simulasi Monte Carlo adalah sebuah metode yang sangat bermanfaat
untuk diaplikasikan dalam bidang manajemen proyek, simulasi jadwal proyek (McCabe,
2003) dan simulasi perataan sumberdaya (Hanna & Ruwanpura, 2007) contohnya, dalam
praktiknya metode ini belum banyak digunakan oleh para manajer proyek kecuali
disyaratkan oleh organisasi atau perusahaannya. Kwak & Ingall (2007) berpendapat bahwa
alasan utama simulasi Monte Carlo jarang digunakan oleh kebanyakan manajer proyek
adalah kurangnya pemahaman terhadap metode Monte Carlo dan statistik; alih-alih sebagai
manfaat manajer proyek umumnya menganggap penggunaan metode ini lebih sebagai
beban terhadap organisasi atau perusahaannya. Alasan lainnya adalah software khusus
simulasi Monte Carlo pada proyek baru ada belakangan ini, @RISK for Project
(www.palisade.com) adalah salah satunya, software ini tersedia dalam bentuk add-in pada
program Microsoft Project. Meskipun demikian, Microsoft Excel sebenarnya dapat
digunakan untuk simulasi Monte Carlo dengan menggunakan fungsi RAND.

Metode
1. Desain Simulasi
Yang akan disimulasikan adalah sebuah proyek yang terdiri dari enam aktifitas.
Setiap aktifitas memiliki total biaya dalam batasan yang telah ditentukan seperti
yang ditunjukkan pada Tabel 1. Setiap variabel tersebut dapat saja mempunyai
distribusi tertentu yang unik, tetapi untuk proyek ini dapat diasumsikan bahwa
setiap variabel memiliki distribusi seragam (uniform distribution) tanpa
mengurangi validitas hasil simulasi. Estimasi terhadap total biaya proyek tersebut
adalah sebuah variabel random dengan nilai yang terletak
antara nilai total biaya minimum dan maksimum. Karena nilai variabel ini adalah
jumlah dari beberapa variabel random lainnya yaitu biaya dari setiap
aktifitas, variabel ini akan memiliki distribusi normal. Ini menjelaskan mengapa
penggunaan distribusi tertentu yang unik untuk setiap variabel dapat diabaikan.
2. Bilangan Random
Karena alasan praktis, metode yang sering digunakan untuk menghasilkan angka
random antara 0 dan 1 dalam simulasi adalah multiplicative congrueantal method
(Taha, 1997). Angka yang dihasilkan oleh metode tersebut sebenarnya tidak dapat
dikatakan sebagai angka random yang sebenarnya karena menggunakan operasi
aritmetika yang hasilnya dapat diketahui sehingga lebih
tepat jika dikatakan sebagai angka random semu (pseudorandom numbers). Jika
parameter u0, b, c dan m diberikan maka sebuah angka random semu Rn.
3. Penentuan Nilai Iterasi
Metode Monte Carlo dapat meprediksi kesalahan (error) dari simulasi, yang mana
proporsional terhadap jumlah iterasinya. Total error dihitung dengan formula:
=

 adalah deviasi standar dari variabel random dan N adalah jumlah iterasi. Deviasi
standar dihitung berdasarkan seluruh populasi, yang dalam simulasi ini
anggotanya hanya dua yaitu nilai minimum (79.700) dan maksimum (104.800),
dengan menggunakan formula:
( )2
=

Jika diinginkan nilai absolute error yang kurang dari 2%, maka nilai tersebut
didapatkan dengan menggunakan formula:
=

1
)
0,02

2.5 Excel Add. Ins

Add ins yang terdapat dalam excel yang merupakan software atau program ini
bertujuan untuk meningkatkan kemampuan excel dalam mengolah angka untuk keperluan
yang spesifik dan salah satunya adalah statistic. Pada Excel sebenarnya bisa tanpa
mengaktifkan add ins, kita masih dapat melakukan perhitungan statistik, namun
dikarenakan keterbatasan kendalannya kita mengaktifkan add ins. Menu excel standar
memang mampu untuk mendapatkan nilai-nilai dalam statistik deskriptif, seperti Modus
dan Standar Deviasi, sedangkan untuk statistik induktif seperti anova, korelasi dan regresi.
Berikut langkah-langkah untuk mengaktifkan add ins,
a. klik Office button pada excel 2007, lalu klik tombol Excel Options.

Maka akan muncul window Excel Options.

b. Klik Add-ins, lalu bagian Manage : Excel Add-ins, klik tombol Go, maka akan muncul:

c. Beri tanda cek pada Analysis ToolPak dan Analysis ToolPak-VBA , klik OK.
d. Selesai untuk pengaktifan Data Analysis melalui menu Add-ins. Klik menu Data, cari
pada Data Analysis untuk melihat apakah Data Analysis sudah masuk atau belum pada
menu excel.

e. Lakukan perhitungan statistik dengan memilih submenu Data Analysis.