Anda di halaman 1dari 5

STUDI KASUS :

SIMULASI MODEL PERMINTAAN SUPERMARKET


DENGAN TEKNIK MONTECARLO
Suatu supermarket telah melakukan pengamatan mengenai permintaan bayam
sebagai salah satu item sayur – sayuran yang dijualnya. Selama ini bayam dipasok
harian karena hanya bertahan tidak lebih dari sehari, dan hari berikutnya dikirim
bayam segar yang baru.

Dari hasil pengamatan selama 100 hari terakhir di peroleh data harian permintaan
bayam (dalam kg) seperti table di bawah ini :

Tabel. 1

Permintaan Bayam Frekuensi


20 10
22 10
24 20
26 25
28 30
30 5
Total Permintaan = 150 100

Dengan informasi yang diperoleh simulasikan permintaan bayam selama 15 hari


dan tentukan rata – rata permintaan harian.

Langkah – langkah penyelesaian :

1. Menentukan distibusi probabilitas dan distribusi probabilitas kumulatif


untuk variabel penting terkait dengan masalahnya. Karena permintaan dan
frekuensi sudah diketahui, maka distribusi probabilitas dapat ditentukan
dengan cara membagi jumlah pengamatan dengan jumlah pengamatan
total.
Dalam kasus ini permintaan harian bayam pada mini market selama 100
hari diperlihatkan pada kolom 1 dan 2 dalam table dengan asumsi tingkat
kedatangan masa lampau akan tetap sama di masa mendatang, maka
permintaan dapat diubah menjadi distribusi probabilitas dengan cara
membagi setiap frekuensi permintaan dengan totalnya yaitu 100. Hasilnya
ditunjukkan dalam tabel :

Tabel. 2

Probabilitas
Permintaan Frekuensi Probabilitas Kumulatif
(1) (2) (3) (4)
20 10 0.10 0.10
22 10 0.10 0.20
24 20 0.20 0.40
26 25 0.25 0.65
28 30 0.30 0.95
30 5 0.05 1.00
150 100 1

2. Menentukan interval acak (Random Number intervals). Interval acak


ditentukan dengan memperhatikan probabilitas. Dengan probabilitas
sebesar 0,10, berarti terdapat probabilitas sebesar 10% bahwa permintaan
bayam pada mini market tersebut adalah 20 kg per hari. Apabila pada
simulasi ini digunakan angka acak 2 digit berjumlah 100 angka acak mulai
dari 01,02,03,…,99,00 (00 dianggap 100), maka untuk permintaan bayam
sebesar 20kg dapat diberikan pada 10 angka acak pertama (01 – 10). Jadi
dalam memberikan angka acak pada permintaan harian sebesar 20 kg
bayam, rentang interval angka acak adalah 01 sampai 10 berkaitan dengan
probabilitas output‐nya.
Selanjutnya untuk permintaan harian sebesar 24 kg bayam memiliki
probabilitas sebanyak 20%, yang berarti memiliki angka acak sebanyak 20
angka, dengan interval angka acak dari 21 hingga 40. Demikian seterusnya
untuk probabilitas lainnya, sehingga dengan cara yang sama dapat
diperoleh interval angka acak yang ditunjukkan dalam tabel 3 dibawah.

Tabel 3

Interval Angka
Permintaan Probabilitas Acak
20 0.10 01‐10
22 0.10 11‐20
24 0.20 21‐40
26 0.25 41‐65
28 0.30 66‐95
30 0.05 96‐00
150 1.00

3. Melakukan percobaan model diatas dengan teknik simulasi montecarlo


dengan terlebih dahulu mencari angka acak. Untuk permasalahan diatas ,
angka acak atau bilangan random dapat diperoleh dari sebuah tabel angka
acak. Dengan mensimulasikan permintaan bayam pada mini market dalam
kasus ini selama 15 hari dan digunakan angka acak berikut:
66,74,90,95,29,72,17,55,15,36,80,02,86,94,59, maka simulasi dapat
dilakukan dengan hasil yang ditunjukkan pada tabel dibawah.
Tabel 4

Hari Angka Acak Permintaan Harian yang


Disimulasikan
1 66 28
2 74 28
3 90 28
4 95 28
5 29 24
6 72 28
7 17 22
8 55 26
9 15 22
10 36 24
11 80 28
12 2 20
13 86 28
14 94 28
15 59 26
Total permintaan bayam 388
Rata – rata permintaan harian
=
388/15 = 25,867 =25,9 kg

4. Tabel permintaan bayam selama 15 hari adalah 388 kg, sehingga diperoleh
rata‐rata permintaan harian yaitu 388 dibagi dengan 15 hari adalah 25,9 kg
per hari. Jadi dengan simulasi selama 15 hari diperoleh rata‐rata
permintaan bayam per hari 25,9 kg. Sedangkan permintaan harian yang
diharapkan dapat diketahui menggunakan data dalam tabel diatas.

Dari tabel tersebut apabila kolom 3 (probabilita permintaan) diberi notasi


P(Xi) dan kolom 1 (jumlah permintaan ke‐i) dengan notasi (Xi), maka
permintaan yang diharapkan :

∑ = (0,10)(20)+(0,10)(22)+… = 25,4 Kg
5. Permintaan yang diharapkan (nilai ekspektasi) sebesar 25,4 kg bayam per
hari, berbeda tidak terlalu jauh dengan rata – rata permintaan sebesar 25,9
kg bayam dengan menggunakan simulasi selama 15 hari. Walaupun
demikian, tetap terdapat perbedaan sebesar 0,5 kg bayam antara nilai
simulasi dan nilai expektasi yang disebabkan oleh hasil dari beberapa
periode dimana simulasi dilakukan. Hasil dari simulasi tersebut dipengaruhi
oleh berapa kali jumlah percobaan (simulasi) dilakukan.
Semakin banyak periode simulasi dilakukan maka semakin akurat hasil yang
diberikan hingga sampai pada hasil rata‐rata yang tetap konstan. Dalam
contoh kasus ini 25,4 kg bayam merupakan rata‐rata jangka panjang atau
hasil pada keadaan tetap (steady state). Untuk memperoleh hasil yang
sama persis perlu dilakukan simulasi lebih dari 15 hari.

6. Dengan demikian dapat dinyatakan bahwa 15 percobaan dalam simulasi ini


tidaklah cukup untuk menentukan rata‐rata keadaan tetap, dengan kata
lain untuk mengambil kesimpulan secara cepat dengan hanya melakukan
sebuah simulasi singkat adalah riskan.

Contoh : Random Number Table