PENERAPAN METODE SIMULASI MONTE CARLO TERHADAP PERKIRAAN NILAI

KEPUASAN LAYANAN COSTUMER SERVICE PADA NASABAH BANK BCA

Marchellino Alexander Leimena1, Ghina Farida Yasmina2, Ibnu Bari Taqi Prastowo3
Jurusan Teknik Industri Fakultas Teknik Universitas Widyatama

ABSTRAK
Kepuasan pelanggan merupakan hal terpenting yang harus dicapai dalam suatu layanan. Hal ini
dikarenakan apabila para pelanggan tidak puas dengan layanan yang telah diberikan, maka tidak menutup
kemungkinan pelanggan tidak loyal terhadap perusahaan. Adanya kondisi tersebut, menuntut agar pihak
perusahaan berusaha melakukan pengukuran kepuasan pelanggannya agar dapat mengetahui secara detail
variabel apa saja dalam suatu layanan yang membuat pelanggan merasa tidak puas. Selain itu, salah satu
upaya yang harus dilakukan oleh perusahaan yakni melakukan perbaikan Service Recovery terhadap
kualitas produk dan service yang diberikan dengan metode Survey Pelayanan.
Pada penelitian ini, dilakukan forecasting dan simulasi nilai kepuasan nasabah 10 periode ke depan dengan
parameter data historis 8 tahun terakhir. Hasil perhitungan forecasting Double Moving Average dan
simulasi Monte Carlo ini dibandingkan dengan Data Aktual. Dari hasil perhitungan forecasting Double
Moving Average terhadap Data Aktual (2019) diperoleh persentase perbedaan maksimum sebesar 3,46%
pada periode 8, dan persentase perbedaan minimum sebesar 1,37% pada periode 1. Sedangkan, hasil
simulasi Monte Carlo terhadap Data Aktual (2019) diperoleh persentase perbedaan maksimum sebesar
0,99% pada periode 8, dan persentase perbedaan minimum sebesar -0,81% pada periode 5.

Kata Kunci : Simulasi Monte Carlo, Nilai Kepuasan Nasabah, Double Moving Average

1. PENDAHULUAN Berdasarkan latar belakang diatas, maka dapat

Latar Belakang
Bank merupakan salah salah satu fasilitas yang
banyak digunakan oleh masyarakat untuk
melakukan transaksi dan memenuhi kebutuhan
para nasabahnya. Dalam menjalankan fungsinya,
peran costumer service sangatlah penting untuk
menjadikan bank BCA sebagai bank pilihan
utama andalan masyarakat. SMART SOLUTION
merupakan budaya layanan yang diterapkan
untuk menjawab hal tersebut. Selain menerapkan
budaya layanan ini, seorang costumer service
harus mampu menjelaskan dan memberikan
solusi yang tepat dalam waktu yang singkat serta
memberikan kenyamanan terhadap nasabah akan
pelayanannya.
Terciptanya kepuasan nasabah dapat memberikan
beberapa manfaat diantaranya hubungan antara
perusahaan dan nasabah menjadi enganged,
sehingga menciptakan loyalitas dan membentuk
suatu rekomendasi dari mulut ke mulut (word of
mouth) yang menguntungkan bagi perusahaan.
Untuk itu, bank bekerjasama dengan lembaga
survey dalam memastikan kualitas pelayanan
costumer service terhadap nasabah. Output dari
survey ini merupakan sebuah angka 1 hingga 5
yang menggambarkan kepuasan nasabah terhadap
pelayanan costumer service, dimana angka 1
merupakan pelayanan yang sangat tidak puas
hingga angka 5 yang merupakan pelayanan yang
sangat puas. Dari nilai ini, bank dengan mudah
mendapatkan umpan balik dari nasabah terhadap
pelayanan yang diterima.
Rumusan Masalah
disimpulkan permasalahan apa yang akan
menjadi fokus sebagai berikut.
1) Berapa nilai kepuasan nasabah terhadap
pelayanan costumer service 10 periode
ke depan?
2) Berapa persentase perbandingan nilai
kepuasan nasabah dari perhitungan
simulasi Monte Carlo, hasil peramalan
Double Moving Average dan Data
Aktual?
Tujuan Penelitian
Berdasarkan dengan rumusan masalah diatas,
yang menjadi tujuan penelitian ini adalah:
1) Mengetahui perkiraan nilai kepuasan
nasabah 10 periode ke depan.
2) Mengetahui persentase perbandingan
nilai kepuasan nasabah dari perhitungan
simulasi Monte Carlo, hasil peramalan
Double Moving Average dan Data
Aktual.
2. TINJAUAN PUSTAKA
a. Furqon Mauladani S.Kom., M.MT. (2019).
Simulasi Monte Carlo. Diunduh 5 Maret
2020, dari
https://www.slideshare.net/furqonmauladani/s
istem-penunjang-keputusan-simulasi-monte-
carlo-149061040.
b. Hendri Maulana. 2012. Hubungan Antara
Kualitas Layanan Frontliner BCA dengan
Kepuasan Nasabah di Kota Bandung. E-Jurnal
Mahasiswa Universitas Padjajaran Vol.1
 No.1. b. Membuat distribusi probabilitas
http://jurnal.unpad.ac.id/ejournal/article/view/ kumulatif untuk setiap variabel pada
1833/pdf_31. 3 Maret 2020. langkah pertama.
c. Menentukan interval bilangan acak untuk
3. METODOLOGI PENELITIAN setiap variabel pada langkah kedua.
Bagan Alir Penelitian d. Membangkitkan bilangan acak.
e. Melakukan serangkaian simulasi
Mulai percobaan.

4. HASIL DAN PEMBAHASAN

Pengumpulan data pada penelitian ini dilakukan
Studi Literatur dnegan cara studi kasus pada suatu perusahaan
perbankan di Bandung.
Data yang digunakan menggunakan data internal
perusahaan. Data yang diambil untuk dilakukan
Pengumpulan Data untuk simulasi Monte Carlo adalah data nilai
Nilai Kepuasan kepuasan nasabah terhadap pelayanan costumer
Nasabah 64 periode service selama 8 tahun terakhir dengan
terakhir menggunakan software Microsoft Excel.
a. Menentukan distribusi probabilitas untuk
menentukan beberapa variabel penting.
Membuat distribusi probabilitas dengan
Pengolahan Data memperhitungkan kemungkinan pada setiap
Hitung Nilai Kepuasan Layanan kejadian di masa lalu, dengan rumus:
10 periode ke depan X 1
P ( E )= P ( E )= =0,018
N 56

Tabel 1. Distribusi Probabilitas

Hitung dengan Hitung dengan No Nilai Fi Probabilitas
Forecasting Simulasi Monte 1 4,71 1 0,018
Metode DMA Carlo 2 4,77 1 0,018
3 4,79 2 0,036
4 4,80 2 0,036
5 4,81 2 0,036
Analisa Hasil 6 4,83 1 0,018
7 4,84 2 0,036
8 4,85 3 0,054
Kesimpulan dan Saran
9 4,86 2 0,036
Gambar 1. Bagan Alir Penelitian 10 4,87 5 0,089
(Sumber: Analisis Penelitian) 11 4,88 4 0,071
12 4,89 6 0,107
Data-data yang telah terkumpul diolah secara 13 4,90 3 0,054
manual menggunakan program Microsoft Excel. 14 4,91 5 0,089
Pengelolaan data merupakan proses dalam 15 4,92 4 0,071
melakukan forecasting Double Moving Average 16 4,93 5 0,089
dan simulasi Monte Carlo untuk menemukan 17 4,94 2 0,036
hasil peramalan nilai kepuasan 10 periode ke
18 4,96 3 0,054
depan.
Metode Monte Carlo yang digunakan dalam 19 5,00 3 0,054
pengolahan data dibagi menjadi beberapa tahapan Total 56
sehingga membentuk suatu kerangka yang (Sumber: Pengolahan Data)
sistematis. Adapun masing-masing tahapan
tersebut adalah: b. Membuat distribusi probabilitas kumulatif
a. Menentukan distribusi probabilitas untuk untuk setiap variabel pada langkah pertama.
menentukan beberapa variabel penting.
Selanjutnya, mengubah distribusi probabilitas Tabel 3. Interval Bilangan Acak
menjadi distribusi probabilitas kumulatif dengan No Nilai Kumulatif Interval
menjumlahkan setiap probabilitas dengan 1 4,71 0,018 1 - 18
probabilitas sebelumnya. 2 4,77 0,036 19 - 36
3 4,79 0,071 37 - 71
Tabel 2. Distribusi Probabilitas Kumulatif
4 4,80 0,107 72 - 107
No Nilai Fi Probabilitas Kumulatif
5 4,81 0,143 108 - 143
1 4,71 1 0,018 0,018
6 4,83 0,161 144 - 161
2 4,77 1 0,018 0,036
7 4,84 0,196 162 - 196
3 4,79 2 0,036 0,071
8 4,85 0,250 197 - 250
4 4,80 2 0,036 0,107
9 4,86 0,286 251 - 286
5 4,81 2 0,036 0,143
10 4,87 0,375 287 - 375
6 4,83 1 0,018 0,161
11 4,88 0,446 376 - 446
7 4,84 2 0,036 0,196
12 4,89 0,554 447 - 554
8 4,85 3 0,054 0,250
13 4,90 0,607 555 - 607
9 4,86 2 0,036 0,286
14 4,91 0,696 608 - 696
10 4,87 5 0,089 0,375
15 4,92 0,768 697 - 768
11 4,88 4 0,071 0,446
16 4,93 0,857 769 - 857
12 4,89 6 0,107 0,554
17 4,94 0,893 858 - 893
13 4,90 3 0,054 0,607
18 4,96 0,946 894 - 946
14 4,91 5 0,089 0,696
19 5,00 1,000 947 - 1000
15 4,92 4 0,071 0,768 (Sumber: Pengolahan Data)
16 4,93 5 0,089 0,857 d. Membangkitkan bilangan acak.
17 4,94 2 0,036 0,893 Membentuk bilangan acak secara
18 4,96 3 0,054 0,946 numerik/aritmatik dengan nilai 1 sampai 1000
19 5,00 3 0,054 1,000 (nilai minimum dan maksimum interval bilangan
Total 56 acak) dengan software Microsoft Excel 10
(Sumber: Pengolahan Data) periode ke depan.
¿ RANDBETWEEN ( 1 ; 1000 )
c. Menentukan interval bilangan acak untuk
setiap variabel pada langkah kedua. Tabel 4. Bilangan Acak
Menentukan interval untuk bilangan acak yang No Nilai Interval Bil. Acak
dapat mewakili setiap probabilitas kumulatif. 1 4,71 1 - 18 719
2 4,77 19 - 36 432
3 4,79 37 - 71 761
4 4,80 72 - 107 447
5 4,81 108 - 143 472
6 4,83 144 - 161 644
7 4,84 162 - 196 714
8 4,85 197 - 250 79
9 4,86 251 - 286 480
10 4,87 287 - 375 169
11 4,88 376 - 446
12 4,89 447 - 554
13 4,90 555 - 607
14 4,91 608 - 696
15 4,92 697 - 768
16 4,93 769 - 857
17 4,94 858 - 893
18 4,96 894 - 946
19 5,00 947 - 1000
(Sumber: Pengolahan Data)
e. Melakukan serangkaian simulasi percobaan. Tabel 6. Perbandingan Hasil Forecasting Double
Memetakan bilangan acak yang didapat dengan Moving Average terhadap Data Aktual 2019
interval bilangan acak. Double Moving Data Aktual
Periode %
Average 2019
Tabel 5. Simulasi Bilangan Acak 1 4,82 4,8869 1,37%
No Nilai Interval Bil. Acak Hasil 2 4,8 4,8765 1,57%
1 4,71 1 - 18 719 4,92 3 4,78 4,8948 2,35%
2 4,77 19 - 36 432 4,88 4 4,76 4,8763 2,39%
3 4,79 37 - 71 761 4,92 5 4,74 4,8505 2,28%
4 4,80 72 - 107 447 4,89 6 4,72 4,902 3,71%
5 4,81 108 - 143 472 4,89 7 4,7 4,8514 3,12%
6 4,83 144 - 161 644 4,91 8 4,68 4,8479 3,46%
7 4,84 162 - 196 714 4,92 9 4,66
8 4,85 197 - 250 79 4,80 10 4,64
(Sumber: Pengolahan Data)
9 4,86 251 - 286 480 4,89
10 4,87 287 - 375 169 4,84 Dari tabel diatas, untuk hasil perhitungan
11 4,88 376 - 446 forecasting Double Moving Average terhadap
12 4,89 447 - 554 Data Aktual 2019 yang paling besar
13 4,90 555 - 607 perbedaannya adalah pada periode ke-8 dengan
14 4,91 608 - 696 persentase 3,46% sedangkan yang paling kecil
15 4,92 697 - 768 perbedaannya adalah pada periode ke-1 dengan
16 4,93 769 - 857 persentase 1,37%. Hal ini disebabkan, hasil
17 4,94 858 - 893 perhitungan forecasting Double Moving Average
18 4,96 894 - 946 cenderung akan terus menurun setiap periodenya.
19 5,00 947 - 1000 Berbeda hal nya dengan hasil perhitungan
(Sumber: Pengolahan Data) simulasi Monte Carlo, perbandingan perbedaan
nilai kepuasan nasabah disajikan pada tabel
Berdasarkan hasil simulasi Monte Carlo, nilai berikut:
simulasi kepuasan nasabah yaitu:
S1 + S2 +…+ S10 Tabel 7. Perbandingan Hasil Simulasi Monte
NS= =4,89 Carlo terhadap Data Aktual 2019
10
Data Aktual
Sedangkan, nilai ekspektasi yaitu: Periode Monte Carlo %
2019
NE=∑ Nilai × Probabilitas=4,89
1 4,8869 4,92 -0,68%
2 4,8765 4,88 -0,07%
Analisis Perbedaan Hasil Forecasting Double
Moving Average dan Hasil Simulasi Monte 3 4,8948 4,92 -0,51%
Carlo Terhadap Data Aktual (2019) Nilai 4 4,8763 4,89 -0,28%
Kepuasan Nasabah 5 4,8505 4,89 -0,81%
Setelah dilakukan perhitungan forecasting 6 4,902 4,91 -0,16%
Double Moving Average dan simulasi Monte 7 4,8514 4,92 -1,41%
Carlo, didapatkan perbedaan nilai kepuasan 8 4,8479 4,8 0,99%
nasabah selama 10 periode ke depan. 9 4,89
Perbandingan perbedaan nilai kepuasan nasabah 10 4,84
hasil perhitungan forecasting Double Moving (Sumber: Pengolahan Data)
Average disajikan pada tabel berikut:
Dari tabel diatas, untuk hasil simulasi Monte
Carlo terhadap Data Aktual 2019 yang paling
besar perbedaannya adalah pada periode ke-8
dengan persentase 0,99% sedangkan yang paling
kecil perbedaannya adalah pada periode ke-5
dengan persentase -0,81%. Berbanding terbalik
dengan hasil perhitungan forecasting Double
Moving Average, hasil simulasi Monte Carlo
setiap tahunnya cenderung naik dan gap
persentase terhadap Data Aktual 2019 lebih kecil.
Jika dibandingkan hasil forecasting Double
Moving Average dan hasil simulasi Monte Carlo
Terhadap Data Aktual (2019) Nilai Kepuasan
Nasabah disajikan dalam grafik, dapat dilihat
pada gambar dibawah ini.

Gambar 2. Grafik Hasil Forecasting Double

Moving Average dan Hasil Simulasi Monte Carlo
Terhadap Data Aktual (2019) Nilai Kepuasan
Nasabah
(Sumber: Analisis Penelitian)

Dari grafik diatas, hasil simulasi Monte Carlo

lebih mendekati Data Aktual 2019 jika
dibandingkan dengan hasil forecasting Double
Moving Average.

5. KESIMPULAN
1. Hasil perhitungan forecasting Double
Moving Average terhadap Data Aktual
(2019) diperoleh persentase perbedaan
maksimum sebesar 3,46% pada periode
8, dan persentase perbedaan minimum
sebesar 1,37% pada periode 1.
2. Hasil simulasi Monte Carlo terhadap
Data Aktual (2019) diperoleh persentase
perbedaan maksimum sebesar 0,99%
pada periode 8, dan persentase perbedaan
minimum sebesar -0,81% pada periode 5.
3. Nilai hasil simulasi dan nilai ekspektasi
pada Simulasi Monte Carlo memiliki
nilai yang sama sebesar 4,89.