Jawab:

Sering kali manajer dihadapkan pada pilihan tentang dua kelompok yang dapat berupa input,
output atau konsumen. Dengan uji chi-squares dapat diketahui perbedaan antar dua kelompok.
Manajer juga dihadapkan pada persoalan optimasi biaya pelayanan dengan tingkat biaya antrian.
Sedangkan untuk menyelesaikan masalah yang rumit dengan sistem yang tidak teratur, kita dapat
menggunakan model simulasi.

2
1. CHI KUADRAT ( χ )
Uji statistik Chi Kuadrat dipakai untuk menyelidiki ada atau tidaknya hubungan antara dua
kelompok dimana masing-masing kelompok mempunyai kategori. Berikut contoh sederhana
dimana dua kelompok dengan dua kategori yang diselidiki dapat dinyatakan dalam bentuk
2
matrik χ yakni dua baris dua kolom.

Kelompok I
1 3 Jumlah
Kelompok II I a b a+b=e
II c d c+d=f
Uji Jumlah g h g+h=e+f=n
statistiknya
2
2 n(|ad−b|−1 /2 n )
χ=
efgh

Hipotesis yang diuji adalah bahwa kelompok I bebas (tak ada hubungan) dengan kelompok
II.
Ho : Tak ada hubungan antara kategori adal kelompok I dengan kategori dalam kelompok II
H1 : Ada hubungan

2 2 2 2
Tolak Ho apabila χ > χ tabel dengan derajat kebebasan 1. Jika χ < χ tabel ,
maka hipotesis H1 diterima.

Contoh 1:
Data berikut ini adalah preferensi konsumen terhadap warna tas: hitam dan cokelat.

HITAM COKELAT Jumlah

SENANG 78 17 95
PREFERENSI TIDAK 62 33 95
SENANG
Yang akan Jumlah 140 50 190
diuji ialah
apakah preferensi konsumen membeli tas tergantung warna tas atau tidak.
2 190(|78× 33−17×62|−95 )2
χ= =6 ,11
95×95×140×50
 2
Apabila α=0,05 , d.k = 1, χ tabel=3 ,84
2 2
Karena χ > χ tabel maka hipotesis bahwa pilihan konsumen tidak tergantung pada
warna tas, ditolak. Artinya preferensi konsumen membeli tas tergantung pada warna hitam
atau cokelat.

Apabila terbukti ada hubungan atau ketergantungan antara kategori satu dengan kategori
lainnya, kita ingin mengetahui seberapa kuat hubungan tersebut. Untuk itu kita hitung
dengan rumus koefisien kontingensi (C) yang rumusnya adalah:

x2 6 , 11
C= 2
√ x +n
m−1
→C=
√
6 ,11+ 190
=0 ,176

C maks=
√m
m = banyaknya klasifikasi terkecil dari kategori tersebut.
Untuk matriks 2 x 2, m = 2
2−1 1
C maks=
√ √ 2
= =0 , 707
2
Seberapa kuat preferensi konsumen dipengaruhi oleh warna tas, dapat dilihat melalui
perbandingan C = 0,176 dengan C = 0,176 dengan
C maks = 0,707.

TABEL KONTINGENSI
2
Aplikasi yang amat berguna dari uji χ terdapat pada hubungan antara data observasi dengan
data yang diharapkan dalam tabel dua arah (dua kategori) dinamakan tabel kontingensi.

Contoh 2:
Misalkan kita ingin mengetahui apakah daya penyesuaian perkawinan (marriage adjustment)
tergantung pada (dipengaruhi) oleh tingkat pendidikan. Untuk keperluan ini kita mensurvei 400
orang dengan tingkat pendidikan sekolah tinggi, sekolah menengah, dan sekolah dasar. Hasil
tabulasi tabel kontingensi tampak sebagai berikut.

Tabel Pendidikan dan Daya Penyesuaian Perkawinan

Daya Penyesuaian dalam Perkawinan
Pendidikan
Sangat Rendah Rendah Tinggi Sangat Tinggi Total
ST 18(27) 29(39) 70(64) 115(102) 232
SM 17(13) 28(19) 30(32) 41(51) 116
SD 11(6) 10(9) 11(14) 20(14) 52
Total 46 67 111 176 400

Ho : Tak ada pengaruh tingkat pendidikan terhadap daya penyesuaian perkawinan

H1 : Ada pengaruh
2 2
Tolak Ho apabila χ > χ tabel
 2
Untuk menghitung χ gunakan rumus:
k 2
2 ( f 0−f e )
χ =∑
i=1 fe
fo = frekuensi observasi
fe = frekuensi yang diharapkan
k = banyak sel dalam matriks

Cara menghitung fe tiap sel matriks adalah sebagai berikut:

Dengan menggunakan notasi matriks tiap sel, matriks kita tulis nij dimana i adalah baris, j adalah
kolom, i = 1, 2, 3; j = 1, 2, 3, 4

( jumlah kolom ke j )( jumlah baris ke i)

nij =
n
( 46)(232 )
n11 = =26 , 68=27
400
(46 )(116)
n21= =13 , 34=13
400
(67)(232 )
n12= =38 , 86=39
400
(67)(116)
n22= =19 , 43=19
400
(111)(232)
n13= =64 , 36=64
400
(111)(116)
n23= =32 , 19=32
400
(176 )(232)
n14 = =102 , 08=102
400
(176 )(116)
n24 = =51 , 04=51
400
(46 )(52)
n31= =5 , 95=6
400
(67)(52 )
n32= =8,7=9
400
(111)(52)
n33= =14 , 43=14
400
(176 )(52 )
n34 = =22 , 8=23
400
derajat kebebasan
dk = (r - 1) (c - 1)
= (3 - 1)(4 - 1)
=(2)(3) = 6
r = baris
c = kolom
2 2 2 2 2 2
(18−27 ) (29−39 ) (70−64 ) (115−102) (17−13) (28−19)
χ= + + + + + +
27 39 64 102 13 19
2 2 2 2 2 2
(30−32 ) ( 41−51 ) (11−6 ) (10−9) (11−14 ) (20−23 )
+ + + + +
32 51 6 9 14 23
2 2
χ =20 , 7> χ tabel=12,6 untuk α=0 ,05; d.k=6

Jadi H0 ditolak, berarti menerima H1, artinya ada hubungan antara tingkat pendidikan dengan
tingkat penyesuaian dalam perkawinan.

Kelebihan Uji dengan Menggunakan Chi-Square

a. Uji ini sensitif terhadap banyaknya sampel yang digunakan.
b. Uji Chi-Square hanya memberikan informasi tentang ada atau tidaknya hubungan kedua
variable. Uji ini tidak membarikan informasi mengenai seberapa besar hubungan yang ada
antara kedua variable tersebut serta bagaimana arah hubungan yang ada. Oleh karena itu,
dibutuhkan alat analisis sebagai informasi tambahan yang akan mendukung analisis
menggunakan Uji Chi Square.
c. Uji Chi-Square hanya bagus digunakan untuk skala data nominal untuk kedua variable yang
diuji. Uji ini lemah digunakan jika kedua variable tersebut berskala ordinal.

2. ANALISIS ANTRIAN
Analisis antrian diperkenalkan oleh A.K. Erlang (1913) yang mempelajari fluktuasi
permintaan fasilitas telepon, dan keterlambatan pelayanan. Analisis antrian sekarang
berkembang ke berbagai aktivitas antara lain bank, supermarket, jasa pos, dan sebagainya.
Pada prinsipnya analisis antrian memberikan informasi probabilitas yang dinamakan
operating charecteristics yang dapat membuat para pengambil keputusan untuk
merencanakan fasilitas pelayanan antrian guna mengatasi permintaan pelayanan yang
fluktuatif secara random, sehingga terjadi keseimbangan antara biaya peayanan dengan
biaya menunggu. Dalam setiap sturktur antrian terdapat banyak model.
 A. BIAYA ANTRIAN
Kebanyakan masalah antrian terpusat pada pertanyaan untuk mendapatkan tingkat
pelayanan yang ideal, yang dapat dilakukan oleh perusahaan. Contoh bank memutuskan
berapa orang petugas konter harus dibuka untuk melayani pelanggan dalam sehari.
Sehingga nanti dicari biaya terkecil antara pengeluaran biaya pelayanan yang baik
dengan biaya pelanggan menunggu. Hubungan biaya dengan tingkat pelayanan
digambarkan dengan grafik berikut:

Biaya A Total biaya yang diharapkan

Biaya menyediakan pelayanan

Biaya menunggu

B. KARAKTERISTIK SISTEM ANTRIAN

1) Karakteristik kedatangan
Sumber input yang menghasilkan kedatangan atau pelanggan untuk sistem
pelayanan mempunyai tiga pola kedatangan, yaitu:
a. Ukuran populasi yang dipanggil
b. Pola kedatangan dalam sistem
c. Perilaku kedatangan
2) Karakteristik menunggu dalam antrian
Panjang antrian dapat terbatas atau tidak terbatas. Antri akan terbatas jika ia
tidak dapat antri disebabkan oleh adanya aturan atau hambatan fisik untuk
menjadi tak terbatas panjangnya. Karakteristik ini berkaitan dengan disiplin
antrian yang berkenaan denga ukuran bagi pelanggan di dalam antri mendapat
pelayanan. Biasanya digunakan sering ialah First In First Out (FIFO).
3) Karakteristik fasilitas pelanggan
Karakteristik ini terdapat dua syarat dasar, yaitu:
a. Konfigurasi sistem pelayanan
Sistem ini diklasifikasikan atas banyaknya saluran atau banyaknya
pelayanan dan banyaknya tahap atau perhentian pelayanan yang harus
dibuat.
b. Pola waktu pelayanan
4) Notasi Kendall
Kendall mengembangkan notasi yang telah diterima secara luas untuk
menspesifikasi pola kedatangan, distribusi waktu pelayanan dan banyak saluran
dalam model antrian.
Notasi ditulis:
(a/b/c/d/e/f), notasi kendall yang asli adalah (a/b/c)
Keterangan:
 a : distribusi kedatangan
b : distribusi keberangkatan atau waktu pelayanan
c : banyaknya pelayanan parallel
d : disiplin antri
e : jumlah maksimum yang antri
f : jumlah sumber kedatangan
5) Model satu aliran antrian dengan distribusi kedatangan poisson dan waktu
pelayanan eksponential (M/M/I)
Asumsi model
1. Kedatangan dilayani atas dasar FIFO
2. Setiap kedatangan menunggu untuk dilayani tanpa melihat panjang antrian,
artinya tidak ada penolakan dan tidak ada yang meninggalkan antrian.
3. Kedatangan bebas dari pendatang sebelumnya, tetapi rata-rata jumlah
kedatangan (laju kedatangan) tidak mengubah kelebihan waktu.
4. Kedatangan dideskripsikan sebagai distribusi kemungkinan poisson dan
dating dari tak terhingga (banyak sekali) orang yang datang.
5. Waktu pelayanan juga bervariasi dari satu pelanggan ke pelanggan
barikutnya, bebas satu sama lain, tetapi rata-rata laju kedatangan diketahui.
6. Waktu pelayanan terjadi menurut distribusi probabilitas eksponential
negative
7. Rata-rata laju pelayanan lebih besar dari pada rata-rata laju kedatangan

Contoh soal 1:
Kasus sebuah perusahaan yang melayani pelanggan untuk memasang muffler
rata-rata 3 buah per jam atau sekitar 1 buah per 20 menit. Pelanggan yang
memerlukan pelayanan ini, tiba di took rata-rata 2 mobil per jam. Pemilik took
adalah lulusan S2 Manajemen, Merasakan bahwa ketujuh asumsi untuk model
antrian satu saluran dipenuhi. Dia lalu menghitung
λ = 2 kedatangan mobil per jam
μ = 3 mobil dilayani perjam
λ 2
L= = =2
μ−λ 3−2 mobil rata-rata di dalam sistem
λ 2
W= = =2
μ−λ 3−2 1jam rata-rata mobil menghasilkan waktu antri dan
dilayani di dalam sistem
2 2
λ 2 4
Lq = = = ; 1, 33
μ (μ−λ ) 3(3−2 ) 3 mobil menunggu secara rata-rata
λ 2 2
W q= = =
μ( μ− λ) 3(3−2) 3 jam = 40 menit = rata-rata waktu menunggu
per mobil
Untuk diingat bahwa W dan Wq adalah didalam jam, sebab λ ditentukan
sabagai jumlah kedatangan per jam.
 λ 2
ρ= = =0 , 67
μ 3 persentase waktu kesibukan mekanik, atau probabilitas
kesibukan pelayanan
λ 2
ρ0 =1− =1− =0 , 33
μ 3 probabilitas ada 0 mobil didalam sistem

C. MEMPERKENALKAN BIAYA DI DALAM MOBIL

Apabila pemilik perusahaan ingin menganalisis secara ekonomis model antrian tersebut
maka kriteria ialah pertimbangan mengenai factor biaya. Hal ini menuntut manajemen
membuat pilihan antara tambahan biaya untuk perbaikan pelayanan dan penurunan biaya
menunggu yang didapat dari pelayanan itu. Kedua biaya ini dinamakan biaya menunggu dan
biaya pelayanan.

Contoh soal 2:
Pertimbangan situasi untuk toko soal 1 tadi. Pemilik mengestimasi biaya pelanggan
menunggu dalam pengertian ketidakpuasan pelangan dan kehilangan jasa baik adalah
sebesar $ 10 per jam atau waktu yang digunakan menunggu dalam antrian. Oleh karena rata-
rata satu mobil mempunyai 2/3 jam menunggu dan ada kira-kira 16 mobil dilayani per hari
(2 per jam kali 8 jam per hari); total jumlah jam yang digunakan pelanggan menunggu untuk
2 32 2
×16= atau 10
memasang saringan tiap hari adalah 3 3 3 jam.
Oleh karena itu dalam hal ini,
2
λW q C w=(8 )(2)( )($ 10 )=$ 106 , 67
Biaya total menunggu = (8 jam per hari) 3
Satu-satunya biaya lain yang pemilik perusahaan dapat mengidentifikasi dalam antrian ini
adalah tingkat pembayaran mekanik (tukang) yang dibayar $ 7 per jam.
Biaya harian total pelanggan = (8 jam per hari) mC s=8 (1)($ 7)=$ 56
Biaya harian total sistem dengan konfigurasi ini adalah biaya total menunggu dan biaya
pelayanan yang memberikan:
Biaya total harian sistem antrian = $ 106 ,67+$ 56=162 ,67
Pemilik perusahaan mendapatkan bahwa pesaingnya mempunyai mekanik yang dapat
merakit lebih efisien dengan kecepatan 4 jam dengan pembayaran $ 9 per jam. Teknisi
tersebut ‘dibajaknya” untuk bekerja padanya.
Analisis menjadi:
λ=2 mobil datang per jam
μ=4 mobil diservis per jam
λ 2
L= = =1
μ−λ 4−2 mobil rata-rata di dalam sistem
λ 2
L= = =1/2
μ−λ 4−2 jam rata-rata dalam sistem rata-rata
 λ2 22 4 1
Lq = = = =
μ (μ−λ ) 4 (4−2) 8 2 jam mobol rata-rata menunggu dalam antrian
λ 2 2 1
W q= = = =
μ( μ− λ) 4 (4−2 ) 8 4 jam = 15 menit rata-rata waktu menunggu per mobil
dalam antrian
λ 2
ρ= = =0,5
μ 4 persentase waktu mekanik sibuk
λ 1
ρ0 =1− =1− =0,5
μ 2 probabilitas ada 0 mobil didalam sistem
Terbukti kecepatan mekanik baru akan menghasilkan antrian yang lebih pendek dan waktu
tunggu yang lebih singkat.

MODEL SIMULASI (SIMULASI MONTE CARLO)

Tahap-tahap Metode Simulasi Monte Carlo:

1. Tetapkan distribusi probabilitas priorI 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 denga melakukan eksperimen untuk sampel (waktu) tertentu

Contoh 1: Persediaan Ban Mobil di Toko Retail

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 berkeinginan 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 untuk kasus ini sebagai berikut:

1. Tetapkan distribusi probabilitas prior sistem
Berdasarkan data historis kita dapat menentukan distribusi frekuensi relative 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 10/20=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, yeitu
menjumlahkan probabilitas sampai dengan setiap unit permintaan yang mungkin. Dalam
kasus ini lihat kolom terakhir Tabel 2. diatas. Berdasarkan model pada table ini kita
dapat menghitung rata-rata permintaan yang diharapkan (expected mean) untuk ban A,
yaitu:
=∑ permintaan x probabilitas
=0×0,05+1×0,10+2×0,20+3×0,30+4×0,20+5×0,15=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 entuka interval bilangan
random (acak) sebagai petokan terhadap situasi yang mungkin terjadi.

Tabel 3. Distribusi Prior dan Interval Bilangan Acak

Permintaan Probabilitas Probabilitas Interval bilangan
(unit) Kumulatif 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 - 100
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 dinagkitkan baik dengan
 program komputer atau secara manual menggunakan Tabel Bilangan Acak. Misalkan
bilangan acak yang diperoleh adalah 51, 37, 82, 69, 98, 96, 33, 50, 88, dan 90.

5. Simulasi dan analisis denga melakukan eksperimen untuk sampel (waktu) tertentu
Selanjutnya dengan menggunakan bilangan acak dan petokan 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 Hasil Permintaan Ban A

Hari Bilangan 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 mungkin akan lebih baik karena hasil analisisnya akan mendekati nilai
expectednya.

Jadi, simulasi cukup beresiko (bisa 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 variable
lainnya yang relevan.

Contoh 2: Persediaan Produk dan Biaya Persediaannya

Misalkan sebuah toko retail ban 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 Perintaan Ban A
Permintaan Frekuensi Probabilitas Probabilitas Interval Bilangan
(unit) (hari) Kumulatif 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 91-100
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 3hari. 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 71-100
Jumlah 50 1,00

Pemilik toko ingin mengetahui gambaran persediaan dan biayanya dengan melakukan simulasi
bila disetting banyaknya barang dalam setiap pemesanan (order quality, 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:
1. Berapa unit rata-rata persediaan akhir setiap hari?
2. Berapa kali rata-rata melakukan pemesanan?
3. Berapa unit rata-rata kehilangan penjualan akibat tidak adanya persediaan?
Misalkan simulasi dilakukan dalam waktu 10 hari (Tabel 7.), dengan proses sebagai berikut:
1. Mulai dengan kondisi tidak ada pemesanan (barang diterima=0) karena persediaa 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 table 5.).
3. Jika demand lebih besar dari inventori awal, kelebihannya dihitung sebagai lost sales dan
keadaan inventori akhir=0. Sebaliknya, jika 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.
 Tabel 7. Simulasi 10 Hari Permintaan Ban A (Q=10; ROP=5)
Hari Unit Inv. Bil. Demand Lost Inv. Akhir Pesan/ Bil. Waktu
Ke- Diterima Awal Acak Sales Tidak=0 Acak Tiba
, Ya=1
(1) (2) (3) (4) (5) (6) (7)=(3)-(5) (8) (9) (10)
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 33 2
6 0 7 69 3 0 4 1
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 hati = 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 pemesana $ 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 × 0,3 order/hari + $ 0,03 per unit/hari × 4,1 unit/hari + $ 8 per unit/hari × 0,2
unit/hari
= $ 4,72

Semakin panjang durasi simulasi, hasilnya akan semakin representative. tetapi analisis ini
hanyalah scenario 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 Qdan ROP dengan total biaya yang lebih rendah.

REFERENSI

Render, B., Stair, Jr, R. M. (2000). Quantitative Analysis for Management. 7th ed. Prentice-Hall,
Inc.: New Jersey.
Usman, Wan. 2014. Metode Kuantitatif. Tangerang Selatan : Universitas Terbuka.