BAB I
PENDAHULUAN
A. Latar Belakang
Simulasi populer karena dapat diterapkan pada hampir semua jenis masalah. Bisa
sering digunakan ketika tidak ada metode kuantitatif lain yang berlaku; terkadang itu
adalah teknik upaya terakhir untuk suatu masalah. Ini adalah pendekatan pemodelan
yang terutama digunakan untuk menganalisis masalah probabilistik. Biasanya tidak
memberikan solusi; melainkan menyediakan informasi yang digunakan untuk
membuat keputusan.
Banyak eksperimen dalam penerbangan luar angkasa dilakukan dengan
menggunakan simulasi fisik menciptakan kembali kondisi ruang. Kondisi tanpa bobot
disimulasikan menggunakan kamar diisi dengan air. Contoh lain termasuk terowongan
angin yang mensimulasikan kondisi penerbangan dan treadmill yang mensimulasikan
keausan ban mobil di laboratorium alih-alih di jalan.
Suplemen ini berkaitan dengan jenis simulasi lain, matematis terkomputerisasi
simulasi. Dalam bentuk simulasi ini, sistem direplikasi dengan model matematika,
yang dianalisis dengan komputer. Jenis simulasi ini sangat populer dan telah
diterapkan pada berbagai masalah operasional.
B. Rumusan Masalah
1. Bagaimana penjelasan dari Monte Carlo Simulation?
2. Bagaimana penjelasan dari Area Pengaplikasian Simulasi?
C. Tujuan Penulisan
Makalah ini dibuat dengan tujuan memenuhi tugas mata kuliah Manajemen Operasi
agar kami sebagai mahasiswa mampu mencapai kompetensi dalam memahami materi
tentang Operation Decision-Making Tools: Simulation
D. Manfaat Penulisan
Makalah ini kamu buat agar kami mampu memahami teori mengenai Operation
Decision-Making Tools: Simulation
BAB II
PEMBAHASAN
A. Simulasi Monte Carlo
Beberapa masalah sulit untuk diselesaikan secara analitis karena mereka terdiri
dari variabel acak yang diwakili oleh distribusi probabilitas. Dengan demikian,
sebagian besar aplikasi simulasi adalah untuk model probabilistik.
Istilah Monte Carlo telah menjadi identik dengan simulasi probabilistik baru-baru
ini tahun. Namun, teknisi Monte Carlo lebih sempit didefinisikan sebagai teknik untuk
memilih angka secara acak dari distribusi probabilitas (mis., pengambilan sampel)
untuk digunakan dalam uji coba (komputer) menjalankan simulasi. Dengan demikian,
teknik Monte Carlo bukanlah jenis simulasi model melainkan proses matematika yang
digunakan dalam simulasi.
Nama Monte Carlo cocok, karena prinsip dasar di balik prosesnya adalah sama
seperti dalam pengoperasian kasino judi di Monako. Di perangkat Monako seperti
roulette roda, dadu, dan kartu remi menghasilkan hasil bernomor secara acak dari
populasi yang terdefinisi dengan baik. Misalnya, 7 yang dihasilkan dari dadu yang
dilemparkan adalah nilai acak dari populas isebelas angka yang mungkin (mis., 2
hingga 12). Proses yang sama ini digunakan, pada prinsipnya, dalam Proses Monte
Carlo digunakan dalam model simulasi.
Proses Monte Carlo memilih angka acak berdasarkan distribusi probabilitas akan
diperagakan menggunakan contoh berikut. Manajer ComputerWorld, toko itu menjual
komputer dan peralatan terkait, sedang berusaha untuk menentukan berapa banyak
laptop toko harus memesan setiap minggu. Pertimbangan utama dalam keputusan ini
adalah jumlah rata-rata laptop bahwa toko akan menjual setiap minggu dan pendapatan
mingguan rata-rata yang dihasilkan dari penjualan laptop. Laptop dijual seharga $
4300. Jumlah laptop yang diminta setiap minggu adalah variabel acak (yang akan kami
definisikan sebagai x) yang berkisar dari 0 hingga 4. Dari catatan penjualan
sebelumnya, manajer memilikinya menentukan frekuensi permintaan laptop selama
100 minggu terakhir. Dari frekuensi ini distribusi, distribusi probabilitas permintaan
dapat dikembangkan, seperti yang ditunjukkan pada Tabel S13.1.
1
 Tujuan dari proses Monte Carlo adalah untuk menghasilkan variabel acak,
permintaan, dengan "pengambilan sampel" dari distribusi probabilitas, P (x).
Permintaan per minggu bisa dihasilkan secara acak sesuai dengan distribusi
probabilitas dengan memutar roda roulette yang dipartisi ke dalam segmen yang sesuai
dengan probabilitas, seperti yang ditunjukkan pada Gambar S13.1 di halaman berikut.
Ada 100 angka dari 0 hingga 99 di tepi luar roda, dan mereka telah dipartisi sesuai
dengan probabilitas setiap nilai permintaan. Misalnya, 20 angka dari 0 hingga 19 (mis.,
20% dari total 100 angka) sesuai dengan permintaan nol laptop. Sekarang kita dapat
menentukan nilai permintaan dengan jumlah roda berhenti dan segmen roda.
Ketika manajer memutar roda ini, permintaan untuk laptop akan ditentukan oleh
angka. Misalnya, jika angka 71 muncul berputar, permintaannya adalah 2 laptop per
minggu; nomor 30 menunjukkan permintaan 1. Karena manajer tidak tahu nomor
mana yang akan muncul sebelumnyaputaran dan ada peluang yang sama dari 100
nomor yang terjadi, angka tersebut terjadi pada acak. Artinya, mereka adalah angka
acak.
Biasanya tidak praktis untuk memprediksi permintaan laptop mingguan dengan
memutar roda. Atau, proses pemintalan roda dapat direplikasi menggunakan angka
acak saja.
Pertama, kami akan mentransfer rentang angka acak untuk setiap nilai permintaan
dari roulette roda ke sebuah meja, seperti pada Tabel S13.2. Selanjutnya, alih-alih
memutar roda untuk mendapatkan angka acak, kami akan memilih nomor acak dari
Tabel S13.3, yang disebut sebagai tabel angka acak. (Angka-angka acak ini telah
dihasilkan oleh komputer sehingga mereka sama-sama cenderung terjadi, sama seperti mingguan dapat dihitung secara analitis dari distribusi probabilitas, P (x), sebagai
jika kita memutar roda.) Sebagai contoh, mari kita pilih angka 39 pada Tabel S13.3. berikut:
Mencari lagi pada Tabel S13.2, kita dapat melihat bahwa angka acak 39 jatuh dalam
kisaran 20-59, yang sesuai dengan permintaan mingguan 1 laptop. Hasil analitik dari 1.5 laptop tidak terlalu dekat dengan hasil simulasi dari 2.07
Dengan mengulangi proses pemilihan nomor acak ini dari Tabel S13.3 (mulai dari laptop. Itu perbedaan (0,57 laptop) antara nilai simulasi dan nilai analitis adalah hasil
mana saja di meja dan bergerak ke segala arah tetapi tidak mengulangi urutan yang dari jumlah periode di mana simulasi dilakukan. Hasil dari setiap studi simulasi tunduk
sama) dan kemudian menentukan permintaan mingguan dari angka acak, kita dapat pada berapa kali simulasi terjadi (mis., jumlah uji coba). Jadi, itu semakin banyak
mensimulasikan permintaan untuk periode waktu tertentu. Sebagai contoh, Tabel periode di mana simulasi dilakukan, semakin akurat hasilnya. Misalnya, jika
S13.4 menunjukkan permintaan disimulasikan untuk periode 15 minggu berturut-turut. permintaan disimulasikan selama 1000 minggu, kemungkinan besar nilai rata-rata
Data ini sekarang dapat digunakan untuk menghitung estimasi permintaan persis sama dengan nilai analitis (1,5 laptop per minggu) akan dihasilkan.
mingguan rata-rata.
31
Taksiran rata-rata permintaan = = 2,07 laptop per minggu
15
Manajer kemudian dapat menggunakan informasi ini untuk menentukan jumlah
laptop yang dipesan setiap minggu.

Meskipun contoh ini cocok untuk menggambarkan cara kerja simulasi, rata-rata
permintaan bisa dihitung secara lebih tepat secara analitis menggunakan rumus untuk
nilai yang diharapkan. Nilai yang diharapkan, atau rata-rata, untuk permintaan

2
 Setelah simulasi telah diulangi cukup lama, itu
mencapai hasil rata-rata yang tersisa konstan, disebut hasil
kondisi tunak. Untuk contoh ini, 1,5 laptop adalah rata-rata
jangka panjang atau hasil tetap, tetapi kita telah melihat
bahwa simulasi harus diulang lebih dari 15 kali (mis.,
minggu) sebelum hasil ini tercapai.
B. Area Pengaplikasian Simulasi
Simulasi adalah salah satu yang paling populer dari semua teknik kuantitatif karena
dapat diterapkan masalah operasional yang terlalu sulit untuk dimodelkan dan
diselesaikan secara analitis. Beberapa analis merasakan itu sistem yang kompleks
harus dipelajari melalui simulasi apakah mereka dapat dianalisis secara analitis, karena
menyediakan kendaraan yang mudah untuk bereksperimen pada sistem. Survei
menunjukkan bahwa besar sebagian besar perusahaan besar menggunakan simulasi di
bidang fungsional seperti produksi, perencanaan, teknik, analisis keuangan, penelitian
dan pengembangan, sistem informasi, dan personalia. Berikut adalah deskripsi dari
beberapa aplikasi simulasi yang lebih umum.
1. Layanan Tunggu / Layanan
Aplikasi utama simulasi telah dalam analisis sistem antrian, atau antrian. Untuk
sistem antrian yang kompleks, tidak mungkin untuk mengembangkan rumus
analitik, dan simulasi adalah seringkali satu-satunya cara analisis. Misalnya, untuk
supermarket yang sibuk dengan beberapa jalur antrian, beberapa untuk layanan
ekspres dan beberapa untuk layanan reguler, simulasi mungkin satu-satunya
bentuk analisis untuk menentukan berapa banyak register dan server yang
dibutuhkan untuk memenuhi permintaan pelanggan.
2. Manajemen Persediaan
Permintaan produk merupakan komponen penting dalam menentukan jumlah
persediaan komersial perusahaan harus dijaga. Banyak rumus matematika
tradisional yang digunakan untuk menganalisis inventaris sistem membuat asumsi
bahwa permintaan ini pasti (mis., bukan variabel acak). Dalam praktek, Namun,
permintaan jarang diketahui dengan pasti. Simulasi adalah salah satu cara terbaik
untuk menganalisis sistem persediaan di mana permintaan adalah variabel acak.
Simulasi telah digunakan untuk bereksperimen dengan sistem inventaris yang
inovatif seperti just-in-time (JIT). Perusahaan menggunakan simulasi untuk lihat
seberapa efektif dan mahal sistem JIT dalam lingkungan pabrikan mereka sendiri
harus mengimplementasikan sistem secara fisik.
3. Sistem Produksi Dan Manufaktur
Simulasi sering diterapkan pada masalah produksi, seperti penjadwalan produksi,
urutan produksi, balancing jalur perakitan (inventaris dalam proses), tata letak
pabrik, dan lokasi pabrik analisis. Banyak proses produksi dapat dilihat sebagai
sistem antrian yang hanya dapat dianalisis dengan menggunakan simulasi. Karena
kerusakan mesin biasanya terjadi sesuai dengan beberapa probabilitas distribusi,
masalah pemeliharaan juga sering dianalisis menggunakan simulasi. Dalam
beberapa tahun terakhir bertahun-tahun, beberapa paket perangkat lunak untuk
komputer pribadi telah dikembangkan untuk mensimulasikan semuanya aspek
operasi manufaktur.
4. Investasi Modal Dan Anggaran
Masalah penganggaran modal membutuhkan estimasi arus kas, sering kali
dihasilkan dari banyak hal yang acak variabel. Simulasi telah digunakan untuk
menghasilkan nilai dari berbagai faktor yang berkontribusi untuk diturunkan
estimasi arus kas. Simulasi juga telah digunakan untuk menentukan input ke
dalam tingkat pengembalian perhitungan, di mana input adalah variabel acak
seperti ukuran pasar, harga jual, tingkat pertumbuhan, dan pangsa pasar.
5. Logistik
Masalah logistik biasanya mencakup banyak variabel acak, seperti jarak, berbeda
moda transportasi, tarif pengiriman, dan jadwal. Simulasi dapat digunakan untuk
menganalisis distribusi yang berbeda saluran untuk menentukan sistem logistik
yang paling efisien.
6. Operasi Layanan
Operasi departemen kepolisian, pemadam kebakaran, kantor pos, rumah sakit,
sistem pengadilan, bandara, dan sistem layanan publik lainnya telah dianalisis
menggunakan simulasi. Biasanya, operasi seperti itu begitu rumit dan
mengandung begitu banyak variabel acak sehingga tidak ada teknik selain
simulasi dapat digunakan untuk analisis.
3
 7. Analisis Lingkungan Dan Sumber Daya
Beberapa aplikasi simulasi inovatif yang lebih baru telah diarahkan pada masalah
di lingkungan. Model simulasi telah dikembangkan untuk memastikan dampak
proyek tersebut sebagai pabrik, fasilitas pembuangan limbah, dan pembangkit
listrik tenaga nuklir. Dalam banyak kasus, ini model termasuk langkah-langkah
untuk menganalisis kelayakan finansial dari proyek-proyek tersebut. Model lain
miliki telah dikembangkan untuk mensimulasikan kondisi limbah dan populasi. Di
bidang analisis sumber daya, banyak model simulasi telah dikembangkan dalam
beberapa tahun terakhir untuk mensimulasikan sistem energi dan kelayakan
sumber energi alternatif.
BAB III

PENUTUP

A. Kesimpulan
Simulasi telah menjadi semakin penting secara kuantitatif teknik untuk memecahkan
masalah dalam operasi. Survei sudah simulasi yang ditunjukkan menjadi salah satu teknik yang
paling banyak diterapkan untuk masalah dunia nyata. Bukti popularitas ini adalah jumlah bahasa
simulasi khusus yang telahdikembangkan oleh industri komputer dan akademisi untuk dihadapi
area masalah yang kompleks.
Popularitas simulasi sebagian besar disebabkan oleh fleksibilitas memungkinkan dalam
menganalisis sistem, dibandingkan dengan yang lebih membatasi teknik analitik. Dengan kata
lain, masalahnya terjadi tidak harus sesuai dengan model (atau teknik); model simulasi dapat
dibangun agar sesuai dengan masalahnya. Simulasi juga popular karena ini adalah teknik
eksperimen yang sangat baik, memungkinkan sistem dan masalah yang akan diuji dalam
pengaturan laboratorium.
Terlepas dari fleksibilitasnya, simulasi memiliki keterbatasan dan harus digunakan dengan
hati-hati. Satu batasan adalah simulasi itu model biasanya tidak terstruktur dan harus
dikembangkan untuk sistem atau masalah yang juga tidak terstruktur. Tidak seperti beberapa
teknik terstruktur yang disajikan dalam buku ini, model tidak bisa hanya diterapkan pada jenis
masalah tertentu. Sebagai Hasilnya, mengembangkan model simulasi sering membutuhkan yang
tertentu jumlah imajinasi dan intuisi yang tidak diperlukan oleh beberapa teknik solusi yang
lebih mudah kami telah disajikan.
Selain itu, validasi model simulasi merupakan masalah serius. Seringkali tidak mungkin
untuk divalidasi hasil simulasi secara realistis atau untuk mengetahui apakah mereka akurat
mencerminkan sistem yang sedang dianalisis. Masalah ini telah menjadi bidang yang menjadi
perhatian sehingga analisis keluaran dari hasil simulasi adalah bidang studi sendiri. Faktor
pembatas lain di simulasi adalah biaya dalam hal uang dan waktu model bangunan. Karena
model simulasi dikembangkan untuk tidak terstruktur sistem, mereka sering mengambil
sejumlah besar staf, waktu komputer, dan uang untuk dikembangkan dan dijalankan. Untuk
banyak bisnis perusahaan, biaya ini dapat menjadi penghalang.
Aspek simulasi pemrograman komputer juga bisa cukup sulit. Untungnya, bahasa simulasi
umum telah dikembangkan untuk melakukan banyak fungsi dari studi simulasi. Masing-masing
dari bahasa ini membutuhkan setidaknya beberapa pengetahuan tentang pemrograman ilmiah
atau berorientasi bisnis bahasa.