Nama : Hary Rulianto Ramadhan

NIM : 141180232
Kelas : EM-C
Matkul : Manajemen Operasi

TUGAS MANAJEMEN OPERASI MONTE CARLO

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.

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 jika kita memutar roda.) Sebagai
contoh, mari kita pilih angka 39 pada Tabel S13.3. 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.
Dengan mengulangi proses pemilihan nomor acak ini dari Tabel S13.3 (mulai dari mana
saja di meja dan bergerak ke segala arah tetapi tidak mengulangi urutan yang sama) dan
kemudian menentukan permintaan mingguan dari angka acak, kita dapat mensimulasikan
permintaan untuk periode waktu tertentu. Sebagai contoh, Tabel S13.4 menunjukkan
permintaan disimulasikan untuk periode 15 minggu berturut-turut.
Data ini sekarang dapat digunakan untuk menghitung estimasi permintaan 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 mingguan dapat
dihitung secara analitis dari distribusi probabilitas, P (x), sebagai berikut:

Hasil analitik dari 1.5 laptop tidak terlalu dekat dengan hasil simulasi dari 2.07 laptop. Itu
perbedaan (0,57 laptop) antara nilai simulasi dan nilai analitis adalah hasil dari jumlah
periode di mana simulasi dilakukan. Hasil dari setiap studi simulasi tunduk pada berapa kali
simulasi terjadi (mis., jumlah uji coba). Jadi, itu semakin banyak periode di mana simulasi
dilakukan, semakin akurat hasilnya. Misalnya, jika permintaan disimulasikan selama 1000
minggu, kemungkinan besar nilai rata-rata persis sama dengan nilai analitis (1,5 laptop per
minggu) akan dihasilkan.
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.
Tabel S13.3