Materi-6:

SIMULASI PEMODELAN
(Metode Simulasi Monte Carlo)

Kita ingin menganalisis suatu model mendekati keadaan realistiknya. Tujuan simulasi
dengan metode Monte Carlo adalah untuk mempelajari kasus-kasus probabilistik
(berkemungkinan) dengan model tertentu yang kemudian dicobakan dalam keadaan
nyatanya. Oleh karenanya situasi nyata sedapat mungkin harus dapat ditirukan
dalam situasi simulasi. Dengan mempelajari model yang disimulasikan diharapkan
dapat menghasilkan kesimpulan atau tindakan yang diperlukan.

Kasus-kasus yang biasanya disimulasikan adalah masalah kedatangan pelanggan,

persediaan barang, waktu tunggu dalam antrian, jangka waktu pelaksanaan proyek,
dan sebagainya. Dalam inisiasi ini akan dibahas simulasi kasus persediaan barang.

Tahap-tahap Metode Simulasi Monte Carlo:

1. Tetapkan distribusi probabilitas prior sistem
2. Tentukan distribusi probabilitas kumulatif sistem
3. Tentukan interval bilangan acak
4. Buatlah kemungkinan yang akan terjadi dengan membangkitkan bilangan acak
5. Simulasi dan analisis dengan melakukan eksperimen untuk sampel (waktu) tertentu.

Contoh 1: Persediaan Ban Mobil di Toko Retail (lihat BMP hal 9.42)

Sebuah toko retail menjual berbagai merk ban mobil. Terdapat suatu merk tertentu
yang mendominasi penjualan dari waktu ke waktu (misalkan merk A). Oleh karena
persediaan ban A ini memerlukan biaya yang cukup besar, maka pemilik toko
berkeiinginan untuk mengontrol inventori ban A. Dengan kata lain berapa rata-rata
jumlah ban A perlu disediakan per harinya agar sesuai (dapat memenuhi) permintaan.
Tercatat data historis penjualan ban A selama 200 hari sebagai berikut:

Tabel 1. Frekuensi permintaan harian ban A

Permintaan Frekuensi (hari)
(unit) Ban A
0 10
1 20
2 40
3 60
4 40
5 30
Jumlah 200

Proses Simulasi Monte Carlo unruk kasus ini sebagai berikut:

1. Tetapkan distribusi probabilitas prior sistem

Berdasarkan data historis kita dapat menentukan distribusi frekuensi relatif
permintaan harian ban A sebagai distribusi probabilitas prior permintaan ban A,
sebagai berikut:
 Tabel 2. Distribusi frekuensi relatif permintaan harian ban A
Permintaan Frekuensi (hari) Probabilitas Probabilitas
(unit) Ban A Kumulatif
0 10 10/200=0.05 0.05
1 20 0.10 0.15
2 40 0.20 0.35
3 60 0.30 0.65
4 40 0.20 0.85
5 30 0.15 1.00
Jumlah 200 1.00

2. Tentukan distribusi probabilitas kumulatif sistem

Selanjutnya adalah menentukan distribusi probabilitas kumulatif sistem, yaitu
menjumlahkan probabilitas sampai dengan setiap unit permintaan yang mungkin.
Dalam kasus ini lihat kolom terakhir Tabel 2 di atas. Berdasarkan model pada tabel ini
kita dapat menghitung rata-rata permintaan yang diharapkan (expected mean) untuk
ban A, yaitu

permintaan x probabilitas
0 x0.05 1x0.10 2 x0.20 3 x0.30 4 x0.20 5 x0.15 2.95

Jadi, secara teoritis permintaan ban A rata-rata adalah 2.95 ban per hari.

3. Tentukan interval bilangan acak

Dengan mengetahui distribusi probabilitas kumulatif kita dapat menentukan interval
bilangan random (acak) sebagai patokan terhadap situasi yang mungkin terjadi.

Tabel 3. Distribusi prior dan interval bilangan acak

Permintaan Probabilitas Probabilitas Interval
(unit) Kumulatif bilangan acak
0 0.05 0.05 01 05
1 0.10 0.15 06 15
2 0.20 0.35 16 35
3 0.30 0.65 36 65
4 0.20 0.85 66 85
5 0.15 1.00 86 00
Jumlah 1.00

4. Buatlah kemungkinan yang akan terjadi dengan membangkitkan bilangan acak

Pada tahap 2 kita telah dapat menghitung secara teoritis rata-rata permintaan ban A
setiap harinya. Bagaimana kira-kira kondisi permintaan ban A untuk 10 hari
permintaan? Oleh karena itu kita bangkitkan 10 bilangan acak yang masing-masing
mewakili kejadian permintaan setiap harinya. Bilangan acak dapat dibangkitkan baik
dengan program komputer atau secara manual menggunankan Tabel Bilangan Acak
(lihat BMP Tabel 9.8 hal. 9.47). Misalkan bilangan acak yang diperoleh adalah 52, 37,
82, 69, 98, 96, 33, 50, 88, dan 90.

5. Simulasi dan analisis dengan melakukan eksperimen untuk sampel (waktu)

tertentu.
Selanjutnya dengan menggunakan bilangan acak dan patokan pada Tabel 3, kita susun
hasil simulasi pada Tabel 4. Misalkan hari pertama, bilangan acaknya adalah 52 maka
sesuai dengan Tabel 3, angka 52 berada pada interval 36 65 sehingga permintaan
yang sesuai dengan angka ini adalah 3 unit. Dan seterusnya sampai pada hari ke-10.

Tabel 4. Simulasi 10 Hari Permintaan Ban A

Bilangan
Hari Acak Permintaan ban A
1 52 3
2 37 3
3 82 4
4 69 4
5 98 5
6 96 5
7 33 2
8 50 3
9 88 5
10 90 5
TOTAL 39
RATA-RATA 3.9

Analisis terhadap 10 hari simulasi menunjukkan bahwa permintaan ban rata-rata

adalah 3.9 ban per hari. Jadi menurut hasil simulasi pemilik toko harus menyediakan
ban mendekati angka 3.9 ban per hari, cukup berbeda dengan hitungan rata-rata yang
diharapkan 2.9 ban per hari. Hal ini disebabkan sedikit/pendeknya waktu simulasi.
Jika simulasi dilakukan ratusan hari atau simulasi tersebut diulang ratusan bahkan
ribuan kali, representasi hasil simulasi mungkin akan lebih baik karena hasil
analisisnya akan mendekati nilai expectednya.

Jadi, simulasi cukup berisiko (bias dari kenyataan) jika hanya dilakukan dalam jangka
waktu yang pendek. Akurasi simulasi dapat ditingkatkan dengan menambah durasi
yang cukup, dan selain masalah waktu, juga bisa dilakukan dengan menambah
variabel lainnya yang relevan.

Contoh 2: Persediaan Produk dan Biaya Persediaannya

Misalkan sebuah toko retail ban mobil merk A, mempunyai data historis permintaan
selama 300 hari yang kemudian dikonversi ke bentuk distribusi probabilitas dan
interval bilangan acak sebagai berikut:
Tabel 5. Distribusi probabilitas dan interval bilangan acak permintaan ban A
Permintaan Frekuensi (hari) Probabilitas Probabilitas Interval
(unit) Kumulatif bilangan acak
0 15 0.05 0.05 01 05
1 30 0.10 0.15 06 15
2 60 0.20 0.35 16 35
3 120 0.40 0.75 36 75
4 45 0.15 0.90 76 90
5 30 0.10 1.00 91 00
Jumlah 300 1.00
 Dalam kurun waktu tersebut, pemilik toko telah melakukan 50 kali pemesanan dan
ternyata ada jeda waktu barang tiba bervariasi antara 1 sampai 3 hari. Tercatat
frekuensi data waktu tiba pesanan pada Tabel 6 dan berikut konversinya ke bentuk
distribusi probabilitas dan interval bilangan acaknya.

Tabel 6. Distribusi probabilitas dan interval bilangan acak waktu tiba pesanan
Waktu tiba Frekuensi Probabilitas Probabilitas Interval
(hari) (pemesanan) Kumulatif bilangan acak
1 10 0.20 0.20 01 20
2 25 0.50 0.70 21 70
3 15 0.30 1.00 71 00
Jumlah 50 1.00

Pemilik toko ingin mengetahui gambaran persediaan dan biayanya dengan melakukan
simulasi bila disetting banyaknya barang dalam setiap pemesanan (order quantity, Q)
adalah 10 unit, dan pesanan dilakukan jika batas persediaan (reorder point, ROP)
tidak lebih dari 5 unit. Artinya jika stok ban tinggal 5 unit atau kurang, maka
dilakukan pemesanan. Pertanyaannya adalah:
Berapa unit rata-rata persediaan akhir setiap hari?
Berapa kali rata-rata melakukan pemesanan?
Berapa unit rata-rata kehilangan penjualan akibat tidak adanya persediaan?

Misalkan simulasi dilakukan dalam waktu 10 hari (Tabel 7), dengan proses sbb:
1. Mulai dengan kondisi tidak ada pemesanan (barang diterima = 0) karena
persediaan masih lengkap (10 unit) pada awal hari ke-1.
2. Bangkitkan bilangan acak untuk menentukan permintaan harian. Misalkan
untuk hari ke-1, bilangan acak 06, maka demand simulasi = 1 (lihat Tabel 5).
3. Jika demand lebih besar dari inventori awal, kelebihannya dihitung sebagai
lost sales dan keadaan inventori akhir = 0. Sebaliknya, iika demand sama atau
lebih kecil dari inventori awal, maka selisihnya dihitung sebagai inventori
akhir. Bandingkan inventori akhir dengan ROP, apakah perlu melakukan
pemesanan atau tidak.
4. Jika perlu pemesanan, bangkitkan bilangan acak untuk menentukan waktu tiba
barang, kemudian tambahkan ke inventori awal sesuai waktu tibanya. Dst.

Tabel 7. Simulasi 10 Hari Permintaan Ban A (Q=10; ROP=5)

Unit Inv. Deman Lost Inv. Pesan?
Diteri Awal Bil. d Sales Akhir Tidak=0, Bil. Waktu
Hari ke- ma Acak Ya=1 Acak tiba
[2] [3] [5] [7]=[3]- [8] [10]
[1] [4] [6] [5] [9]
1 .. 10 06 1 0 9 0
2 0 9 63 3 0 6 0
3 0 6 57 3 0 3 1 02 1
4 0 3 94 5 2 0 0
5 10 10 52 3 0 7 0
6 0 7 69 3 0 4 1 33 2
7 0 4 32 2 0 2 0
8 0 2 30 2 0 0 0
 9 10 10 48 3 0 7 0
10 0 7 88 4 0 3 1 14 1
TOTAL 2 41 3
RATA-RATA 0.2 4.1 0.3
Hasil simulasi menunjukkan:
rata-rata persediaan akhir setiap hari = 4.1 unit per hari
rata-rata melakukan pemesanan = 0.3 order per hari
rata-rata kehilangan penjualan akibat tidak adanya persediaan = 0.2 unit per hari.

Misalkan biaya pemesanan $ 10 per order; biaya menyimpan barang $ 0.03 per unit
per hari; dan biaya ketiadaan stok $ 8 per lost sales. Maka biaya inventori seluruhnya
per hari adalah
= total biaya pemesanan + total biaya penyimpanan + total biaya ketiadaan stok
= $ 10 per order x 0.3 order/hari +
$ 0.03 per unit/hari x 4.1 unit/hari +
$ 8 per unit/hari x 0.2 unit/hari
= $ 4.72.
Semakin panjang durasi simulasi, hasilnya akan semakin representatif. Tertapi analisis
ini hanyalah skenario simulasi dengan setting Q=10 unit dan ROP=5 unit. Simulasi
yang lebih lengkap dapat dilakukan untuk berbagai kombinasi nilai Q dan ROP
lainnya, sehingga dapat dipilih setting Q dan ROP dengan total biaya yang lebih
rendah.

LATIHAN
Seorang manajer toko retail dihadapkan pada pilihan untuk menentukan kebijakan
persediaan barang yaitu manakah dari barang A dan barang B yang persediaannya
harus lebih banyak. Hal ini ia lakukan agar alokasi investasi terhadap kedua barang
tersebut lebih efisien. Data historis permintaan kedua produk tersebut selama 300 hari
adalah sebagai berikut

Tabel : Frekuensi permintaan harian barang A dan B

Permintaan Frekuensi (hari) Frekuensi (hari)
(unit) Barang A Barang B
0 30 30
1 40 60
2 60 90
3 80 60
4 60 30
5 50 30
Jumlah 300 300

Pertanyaan dan JAWABAN!!!!!!!!!

a. Buatlah distribusi probabilitas prior untuk masing-masing barang A dan B sebagai
berikut
Tabel 1. Distribusi frekuensi relatif permintaan harian ban A
Permintaan Frekuensi A Probabilitas Probabilitas
Kumulatif
0 30 0,10 0,10
1 40 0,13 0,23
 2 60 0,20 0,43
3 80 0,27 0,70
4 60 0,20 0,90
5 50 0,17 1.07

Tabel 2. Distribusi frekuensi relatif permintaan harian ban B

Permintaan Frekuensi A Probabilitas Probabilitas
Kumulatif
0 30 0,10 0,10
1 60 0,20 0,30
2 90 0,30 0,60
3 60 0,20 0,80
4 30 0,10 0,90
5 30 0,10 1

b. Hitung rata-rata permintaan yang diharapkan masing-masing barang! Sampai

disini, barang manakah yang harus disediakan lebih banyak? Berapa persen lebih
banyaknya?
permintaan x probabilitas

=0x0,10 + 1x0,13 + 2x0,20 + 3x0,27 + 4x0,20 + 5x0,17 = 2,99

Jadi, secara teoritis permintaan ban A rata-rata adalah 2,99 ban per hari.
-------------------------------------------------------------------------------------------------------
permintaan x probabilitas

=0x0,10 + 1x0,20 + 2x0,30 + 3x0,20 + 4x0,10 + 5x0,10 = 1

Jadi, secara teoritis permintaan ban B rata-rata adalah 1 ban per hari.
BARANG BAN B HARUS DISEDIAKAN LEBIH BANYAK, SEBANYAK
1,99%

c. Berdasarkan (a), buatlah interval bilangan acak untuk masing-masing barang

sebagai berikut!
Tabel 3. Distribusi prior dan interval bilangan acak ban A
Permintaan Probabilitas Probabilitas Interval
(unit) Kumulatif bilangan acak
0 0,10 0,10 01 10
1 0,13 0,23 11 23
 2 0,20 0,43 24 43
3 0,27 0,70 44 70
4 0,20 0,90 71 90
5 0,17 1.07 91 007

Tabel 4. Distribusi prior dan interval bilangan acak ban B

Permintaan Probabilitas Probabilitas Interval
(unit) Kumulatif bilangan acak
0 0,10 0,10 01 10
1 0,20 0,30 11 30
2 0,30 0,60 31 60
3 0,20 0,80 61 80
4 0,10 0,90 81 90
5 0,10 1 91 00

Permintaan Interval A Interval B

0 01 10 01 10
1 11 23 11 30
2 24 43 31 60
3 44 70 61 80
4 71 90 81 90
5 91 007 91 00

d. Simulasikan permintaan masing-masing barang jika diketahui bilangan acak

terpilih mewakili 10 hari sebagai berikut!
Bilangan
Hari Acak Permintaan A Perminatan B
1 06
2 63
3 57
4 94
5 52
6 69
7 32
8 30
9 48
10 88
TOTAL
RATA-RATA

Yang D saya kurang paham, mohon bimbingannya..

PUSTAKA
Render, B., Stair, Jr. R. M. (2000). Quantitative Analysis for Management. 7th ed.
Prentice-Hall, Inc.: New Jersey.
DISKUSI
1. Kemukakan manfaat simulasi!
2. Sebutkan minimal dua hal keterbatan simulasi!

A. Pembahasan

Tujuan dan manfaat simulasi :

1. Relative apa adanya dan fleksibel
2. Dapat digunakan untuk mengangalisa situasi dunia nyata yang besar dan
kompleks yang tidak dapat dipecahkan oleh model analisa kuantitatif
konvensional.
3. Kadangkala simulasi adalah satusatunya metode yang memungkinkan. Peneliti
kadangkala karena berbagai sebab tidak bisa mengobservasi langsung objek
penelitiannya, maka perlu dilakukan simulasi.
4. Model simulasi dibuat untuk problem manajemen dan membutuhkan input dari
manajemen. Analis yang mengerjakan model harus berhubungan secara
ekstensif dengan manajer, ini berarti pengguna biasanya turut serta dalam
proses pemodelan, dan mempunyai peran dalam pembuatannya, sehingga
tidak takut / ragu untuk menggunakannya
5. Simulasi memungkinkan adanya pertanyaan bagaimana jika / kalau? (what if
question)
6. Simulasi tidak mengganggu sistem dunia nyata
7. Dengan simulasi dapat dipelajari efek interaktif dari suatu komponen atau
variabel individual untuk menentukan mana yang penting.
8. Simulasi memungkinkan penghematan waktu
9. Simulasi dapat mengikutsertakan komplikasi dunia nyata yang model
kuantitatif pada umumnya tidak bisa. Pemakaian ceteris paribus bisa
dikurangi.

Monte Carlo Simulation atau disingkat MCS adalah salah satu teknik asesmen
risiko kuantitatif yang dapat digunakan oleh berbagai organisasi dalam proses
manajemen risiko mereka, terutama dalam tahapan analisis risiko dan/atau evalusi
risiko yang memiliki fenomena variabel acak (random variable). Analisis dan evaluasi
risiko dengan fenomena variabel acak tidak hanya hanya terjadi untuk peristiwa-
peristiwa risiko pasar (market risk), risiko kredit (credit risk), dan risiko operasional
(operational risk) dalam dunia perbankan, tetapi juga untuk risiko operasional di
berbagai industri lain misalnya industri minyak dan gas (oil and gas) dan
pertambangan (mining),
Monte Carlo Simulation adalah salah satu teknik asesmen risiko berciri kuantitatif
yang diakui dalam penerapan ISO 31000 Risk Management Standard. Teknik ini
secara eksplisit tercantum dalam dokumen pendukung ISO 31000 yaitu ISO31010
Risk Assessment Techniques.
Manajemen resiko belakangan ini telah mualai mendapatkan perhatian di bidang
manajemen proyek (Kwak & Stoddard, 2004). Metode yang kerap digunakan oleh
manajer proyek dalam proses analisa resiko adalah simulasi Monte Carlo. Metode ini
sudah lama digunakan dalam berbagai macam aplikasi matematika dan sains, dan juga
disebutkan dalam A Guide to the Project Management Body of Knowledge (Project
Management Institute, 2004). Meskipun demikian, dalam praktiknya simulasi Monte
Carlo ini belum umum digunakan oleh praktisi
 Manajemen proyek dibandingkan metode-metode yang lain, seperti CPM dan
PERT misalnya. Kondisi yang ada pada saat ini, simulasi Monte Carlo hanya sering
digunakan dalam batas dunia akademik yang membahas aspek resiko dalam
manajemen proyek.

Kelemahan :
a. Simulasi umumnya tidak dapat digunakan untuk mengoptimalkan. Simulasi
hanya dapat menentukan alternatif desain suatu system yang lebih baik
b. Sangat diperlukan kemampuan untuk mengembangkan Model simulasi yang
sesuai dengan permasalahan nyata.
c. Ketepatan permodelan dalam smulasi sangat mempengaruhi performa sistem
d. Pada sistem yang kompleks akan membutuhkan banyak biaya untuk melakukan
observasi. Pada sistem yang kompleks akan membutuhkan banyak waktu
untuk melakukan permodelan
e. Tidak ada jaminan untuk mendapatkan solusi terbaik (optimal)
f. Hasil simulasi terkadang sulit untuk diinterpretasikan
g. Pengembangan model simulasi membutuhkan pelatihan khusus
h. Representasi sistem nyata tergantung dari validitas model.

Sumber
http://ain-menulis.blogspot.com/2012/02/keunggulan-dan-kelemahan-simulasi.html
http://sciencatcat.blogspot.com/2016/01/pengertian-dan-tujuan-simulasi.html
http://aimgreatblog.blogspot.com/2010/11/tujuan-manfaat-model-simulasi.html
http://cilduk619.blogspot.com/2013/04/simulasi-monte-carlo.html