BAB I

PENDAHULUAN

1.1 Latar Belakang

Perkembangan teknologi adalah hal yang tidak bisa dihindari dalam

kehidupan ini, semakin berkembangnya ilmu pengetahuan maka demikian juga akan
berdampak pada berkembangnya teknologi. Banyak penemuan-penemuan baru yang
diciptakan untuk mempermudah manusia. Dari sekian banyaknya perkembangan
teknologi yang ada salah satu yang paling pesat perkembangannya adalah teknologi
informasi. Hampir disemua lini mengunakan teknologi informasi salah satunya
adalah sektor retail. Semakin ketatnya persaingan disektor retail menuntut
perusahaan agar lebih responsible dan tetap mampu memberikan dan menjawab
kebutuhan konsumen dengan optimal tanpa mengurangi mutu ataupun pelayanan.
Untuk dapat memenuhi kebutuhan konsumen maka wajib barang yang diinginkan
konsumen harus selalu tersedia, namun faktanya sangat sering terjadi pada saat
konsumen memesan barang, barang yang dipesan tidak tersedia tentu saja ini
menjadi sebuah masalah dan harus segera diselesaikan (Muhammad Rizki Irwanto et
al., 2017)

PT. Terang Abadi Pekanbaru adalah salah satu perusahaan yang bergerak
dibidang retail yang mana perusahaan ini menjual barang-barang elektronik. Sebagai
salah satu distributor maka sangat penting bagi PT. Terang Abadi untuk mengelola
persediaan barang dengan baik agar selalu dapat memenuhi permintaan customer.
Salah satu pilar penting dalam dunia retail adalah merencanakan ketersediaan barang
karena hal ini merupakan salah satu hal paling dasar dan penting untuk
keberlangsungan perusahaan. Oleh karena itu perusahaan harus melakukan
manajemen kontrol yang baik terhadap ketersediaan barang agar selalu dapat
memenuhi permintaan pasar. Sistem Persediaan barang yang baik dapat
meminimalkan lost sales (potensi kehilangan penjualan) sehingga perusahaan tidak
rugi. Agar dapat memprediksi ketersediaan barang dimasa yang akan datang maka
dibutuhkan sebuah proses simulasi yang mampu memprediksi jumlah ketersediaan
barang sehingga dapat meminimalisir kerugian perusahaan (Kiki Hariani Manurung
dan Julius Santony, 2019).

Persediaan adalah barang yang disimpan untuk digunakan atau dijual pada
moment-moment tertentu untuk memenuhi permintaan customer. Persediaan
diperlukan untuk menjaga keberlangsungan proses di suatu perusahaan. Jumlah
ketersediaan barang yang besar dapat mengurangi terjadinya kekurangan barang,
namun apabila berlebih diperlukan biaya penyimpanan yang cukup besar juga,
sehingga komponen biaya ini perlu dipertimbangkan oleh perusahaan, artinya
perusahaan harus bisa merencanakan dan menetukan jumlah ketersediaan barang
dengan baik untuk memenuhi permintaan pasar, tujuannya agar ada keseimbangan
antara ketersediaan barang dan biaya yang dikeluarkan untuk investasi persediaan
tersebut. Hal ini menunjukkan pentingnya manajemen persediaan agar terhindar dari
kerugian, Oleh sebab itu persediaan menjadi topik yang banyak dikembangkan dalam
berbagai penelitian (Cherish Rikardo, et al., 2017).

Masalah persediaan bukan hanya terjadi pada perusahaan yang bergerak di

bidang manufaktur saja, tetapi masalah tersebut juga terjadi pada perusahaan yang
bergerak dalam bidang retail. Permasalahan persediaan juga terjadi pada PT. Terang
Abadi. Sistem persediaan barang yang digunakan pada perusahaan ini kebanyakan
masih memakai intuisi, perkiraan, dan kebiasaan. Akibatnya dalam memprediksi
persediaan menjadi sangat beresiko ketika menggunakan model persediaan yang
masih sederhana tersebut. Tanpa adanya pengelolaan persediaan yang baik maka
perusahaan akan dihadapkan pada resiko suatu waktu tidak dapat memenuhi
kebutuhan permintaan customer sehingga perlu dilakukan analisis persediaan agar
perusahaan tidak mengalami kerugian (Roni Jhonson Simamora dan Jamaluddin,
2017).

Salah satu metode yang digunakan dalam memprediksi ketersediaan barang

adalah simulasi Monte Carlo. Metode Monte Carlo dibagi menjadi dua yaitu Monte
Carlo standard dan Monte Carlo variance reduction. Metode Monte Carlo Standar
adalah suatu tehnik yang digunakan untuk menyelesaikan masalah dengan cara
melakukan percobaan dalam jumlah banyak, yang disebut simulasi, untuk
mendapatkan hasil yang paling mendekati dari percobaan yang dilakukan. (Luh Hena
Terecia Wismawan Putri, et al., 2018).

Penelitian yang sudah dilakukan oleh elvin syahrin pada pemodelan

penjualan produk herbal menggunakan metode Monte Carlo dapat memprediksi
ketepatan terhadap data barang pada perusahaan. Hasil penelitian ini terhadap
pengolahan data tahun 2016 hingga tahun 2017 memiliki akurasi 97%. Sehingga
penelitian ini sangat tepat dalam memprediksi penjualan untuk masa yang akan
datang. (Elvin Syahrin, et al., 2019).

Penelitian yang sudah dilakukan oleh surya amami pramuditya pada

penentuan harga opsi asia dengan metode Monte Carlo, dimana teknik yang
digunakan adalah Monte Carlo standar dan reduksi varians. Dengan menggunakan
kedua teknik tersebut maka diperoleh hasilnya harga opsi Asia call dan put untuk
kedua teknik dengan selang kepercayaan 95%. Teknik reduksi varians terlihat lebih
cepat memperkecil selang kepercayaan 95% dibandingkan metode standar (Surya
Amami Pramuditya, 2017).

Penelitian yang sudah dilakukan oleh rizki satria, dkk pada pemodelan dan
simulasi analisa sistem antrian pelayanan nasabah di PT Sarana sumatera barat
ventura SSBV menggunakan metode Monte Carlo hasilnya adalah dapat mengetahui
lamanya waktu nasabah dilayani dan dengan digunakannya bilangan random dapat
mengurangi antrian nasabah, sehinngga waktu pelayanan yang sebelumnya lama jadi
lebih cepat dan memberikan kemudahan untuk perusahaan maupun nasabah (Rizki
Satria, et al., 2017).

Penelitian yang sudah dilakukan oleh yusmaity, dkk pada simulasi Monte
Carlo untuk Memprediksi Hasil Ujian Nasional (Studi Kasus di SMKN 2
Pekanbaru). Menggunakan Data Tahun Pelajaran 2016/2017, 2017/2018, dan
2018/2019, dengan jumlah sampel yang diambil sebesar 10% dari jumlah siswa yang
ikut ujian nasional diperoleh tingkat akurasi sebesar 86,68%. Dengan tingkat akurasi
yang lebih besar metode ini layak digunakan untuk memprediksi hasil ujian nasioal
dimasa yang akan datang (Yusmaity, et al., 2019).
 Penelitian yang sudah dilakukan oleh muhammad, dkk pada implementasi
algoritma Monte Carlo pada sistem informasi penerimaan peserta didik baru (PPDB)
secara online. Setelah dilakukan uji coba diperoleh 100% yang dilakukan oleh ahli
rekayasa web dan admin, 84,10% yang dilakukan oleh guru sedangkan yang
dilakukan oleh siswa sebesar 87,20%. Dari data hasil uji coba di atas, dapat
disimpulkan bahwa sistem informasi ini sudah valid dan siap digunakan di sekolah
(Muhammad Rizki Irwanto, et al., 2017).

Penelitian yang sudah dilakukan oleh romero, dkk pada Measurement

uncertainty of dissolution test of acetaminophen immediate release tablets using
Monte Carlo simulations. Diterangkan bahwa dengan menggunakan simulasi Monte
Carlo, dapat memprediksi ketidakpastian pengukuran untuk uji disolusi tablet
asetaminofen (95,2 ± 1,0%), dengan tingkat persentase 95%. Dan berkontribusi
sekitar 96,2% dari ketidakpastian secara keseluruhan (Romero, et al., 2017).

Penelitian yang sudah dilakukan oleh hartini, dkk pada Reliability Analysis of
Primary and Purification Pumps in RSG-GAS Using Monte Carlo Simulation
Approach. Menunjukkan hasil keandalan itu. Nilai komponen JE01 / AP01-02 pada
TTF 233.619 adalah 0,579 sedangkan untuk komponen KBE01 / AP-01-02 dalam
TTF 185.38 adalah 0.368. Nilai keandalan adalah 60%, yang menyiratkan bahwa
pemeliharaan mungkin dilakukan dilakukan setelah 225 hari dan 100 hari untuk
komponen JE01 / AP01-02 dan KBE01 / AP01-02 (Hartini, et al., 2019).

Penelitian yang sudah dilakukan oleh bahadori, dkk pada Monte-Carlo

Method Simulation for Two-Dimensional Heat Transfer in Homogenous Medium
and Proposed Application to Quench Propagation Simulation. Menerangkan Metode
Floating Random Walk Monte-Carlo menawarkan keunggulan yang signifikan
dibandingkan dengan Finite yang digunakan secara konvensional (Bahadori, et al.,
2017).

Penelitian yang sudah dilakukan oleh Benedicto, dkk pada A Decision

Support Tool for Port Planning Based on Monte Carlo Simulation. Menerangkan
bahwa hasil simulasi hampir sama dengan yang asli dalam banyak kasus. Diamati
perbedaan terendah adalah 0,03% (CLH) dan perbedaan tertinggi yang diamati
adalah 5,6% (Acerinox). Secara umum,nilai yang disimulasikan mirip dengan nilai
nyata (Benedicto, et al., 2018)

Berdasarkan permasalahan yang telah diuraikan diatas maka akan diterapkan

sebuah sistem yang dapat membantu perusahaan untuk memprediksi ketersediaan
barang dalam bentuk tesis dengan judul “Simulasi Monte Carlo dalam Memprediksi
Ketersediaan Barang (Studi Kasus di PT. Terang Abadi Pekanbaru)”.

1.2 Perumusan Masalah

Berdasarkan latar belakang masalah yang telah dikemukakan, identifikasi

masalah adalah sebagai berikut:
1. Bagaimana merancang model simulasi yang dapat mengoptimalkan
ketersediaan barang di PT. Terang Abadi Pekanbaru?
2. Bagaimana menentukan tingkat ketersediaan barang yang optimal, sehingga
dapat meminimalkan kekurangan dan kelebihan barang pada PT. Terang
Abadi Pekanbaru?
3. Bagaimana dampak penerapan simulasi Monte Carlo dapat memprediksi
ketersediaan barang pada PT. Terang Abadi Pekanbaru terhadap performa
atau kecepatan dalam mengambil keputusan?

1.3 Batasan Masalah

Agar penelitian ini lebih terarah, permasalahan yang dihadapi tidak terlalu
luas, maka perlu dilakukan batasan masalah antara lain:
1. Studi kasus dilakukan pada PT. Terang Abadi Pekanbaru.
2. Metode yang digunakan untuk memecahkan masalah perusahaan dalam
memprediksi ketersediaan barang adalah simulasi Monte Carlo.
3. Sistem untuk memprediksi ketersediaan barang pada PT. Terang Abadi
Pekanbaru menggunakan bahasa pemrograman Hypertext Preprocessor
(PHP)
1.4 Tujuan Penelitian

Adapun tujuan yang ingin dicapai dalam penelitian “Simulasi Monte Carlo
dalam Memprediksi Ketersediaan Barang (Studi Kasus di PT. Terang Abadi
Pekanbaru)” ini antara lain sebagai berikut:
1. Merancang model simulasi untuk mengoptimalkan ketersediaan barang di PT.
Terang Abadi Pekanbaru dengan metode simulasi Monte Carlo
2. Menentukan tingkat ketersediaan barang yang optimal, untuk meminimalkan
kekurangan dan kelebihan barang pada PT. Terang Abadi Pekanbaru
3. Menerapkan metode simulasi Monte Carlo untuk menyelesaikan masalah
ketersediaan barang pada PT. Terang Abadi Pekanbaru.

1.5 Manfaat Penelitian

Adapun manfaat yang ingin diperoleh dari hasil penelitian “Simulasi Monte
Carlo dalam Memprediksi Ketersediaan Barang (Studi Kasus di PT. Terang Abadi
Pekanbaru) ini adalah sebagai berikut:
1. Bagi penulis:
a. Menambah wawasan penulis bagaimana penerapan simulasi Monte
Carlo pada perusahaan PT. Terang Abadi Pekanbaru
b. Hasil penelitian dapat penulis gunakan untuk menambah dan melatih
daya pikir penulis secara ilmiah
2. Bagi PT. Terang Abadi Pekanbaru:
a. Memudahkan perusahaan memprediksi ketersediaan barang
b. Memudahkan dan membantu perusahaan dalam penyajian informasi
ketersediaan barang sehingga membantu dalam pengambilan
keputusan
3. Bagi akademik:
a. Hasil penelitian ini dapat menjadi bahan bacaan bagi mahasiswa dan
referensi untuk pengembangan penelitian dimasa yang akan datang
1.6 Sistematika Penulisan
Sistematika disesuaikan dengan template yang diatur dalam tata penulisan
program studi masing-masing. Seperti:

Bab I : Pendahuluan

Berisi Latar Belakang, Perumusan Masalah, Batasan Masalah, Tujuan

Penelitian, Manfaat Penelitian, dan Sistematika Penelitian.

Bab II: Landasan Teori

Pada bab ini dijelaskan tentang teori-teori simulasi Monte Carlo yang
bersumber dari jurnal, artikel, makalah, tugas akhir, dan lainnya yang
berhubungan dengan tesis.

Bab III: Metodologi Penelitian

Bab ini membahas tentang analisa dan penggunaan secara matematis simulasi
Monte Carlo.

Bab IV: Analisa Dan Perancangan

Bab ini membahas hasil implementasi simulasi Monte Carlo dalam

Memprediksi Ketersediaan Barang (Studi Kasus: PT. Terang Abadi
Pekanbaru).

Bab V: Implementasi Dan Hasil

Bab ini membahas tentang hasil implementasi simulasi Monte Carlo dengan
aplikasi PHP dari hasil pengolahan data yang diperoleh dari PT. Terang Abadi
Pekanbaru

Bab VI: Kesimpulan dan Saran

Bab ini membuat kesimpulan dan saran dari hasil penelitian tentang Simulasi
Monte Carlo dalam Memprediksi Ketersediaan Barang (Studi Kasus: PT.
Terang Abadi Pekanbaru).
 BAB II

LANDASAN TEORI

2.1 Persediaan

Perkembangan yang pesat di bidang ilmu dan teknologi menuntut adanya

kemampuan manusia maupun perusahaan dalam mempertimbangkan segala
kemungkinan yang akan terjadi, sebelum mengambil keputusan dan tindakan. Salah
satunya adalah persoalan manajemen yang potensial yaitu persediaan. Persediaan
dapat diartikan sebagai stok barang yang akan dijual atau digunakan pada periode
waktu tertentu (Ricca Noviani, et al., 2017)
Persediaan adalah barang-barang aktiva milik perusahaan yang akan dijual
dalam operasi bisnis normal atau barang yang akan digunakan maupun dikonsumsi
untuk membuat barang yang akan dijual (Fitri Wulandari, et al., 2018)
Persediaan adalah segala jenis barang yang menjadi objek pokok aktivitas
perusahaan yang ada kemudian diolah dalam proses produksi atau dijual. Istilah
persediaan digambarkan sebagai barang-barang yang dimiliki oleh suatu perusahaan
akan tergantung pada jenis usaha atau kegiatan perusahaan tersebut. Pada perusahaan
dagang yang manjadi objek pokoknya adalah barang-barang yang diadakan (dibeli)
lalu dijual kembali (Wiswi Yanti Lamala, et al., 2018)
Persediaan adalah kekayaan lancar yang dimiliki perusahaan baik dalam
bentuk persediaan bahan mentah, bahan setengah jadi serta bahan yang sudah jadi
yang mana dapat disimpan untuk mengantisipasi permintaan konsumen dan sewaktu-
waktu dapat juga digunakan dalam proses produksi untuk dioleh lebih lanjut dengan
tujuan tertentu (Noor Apriyani, et al., 2017).
Persediaan yang ideal harus memenuhi syarat-syarat sebagai berikut:
a. Peningkatan layanan terhadap pelanggan, melalui pemberian layanan berupa
penyediaan bahan atau barang yang dibutuhkan pelanggan
 b. Penekanan biaya. Persediaan tidak hanya sekedar menyediakan bahan atau
barang sesuai kebutuhan saja, tetapi harus mempertimbangkan hal-hal lain
seperti ketepatan waktu, ketepatan mutu, biaya yang ekonomis, dan ketepatan
jumlah. (Noor Apriyani et al., 2017)
Ada dua pendekatan pengendalian persediaan optimum, yaitu pengendalian
persediaan deterministik dan probabilistik. Model deterministik adalah model yang
menganggap semua parameter persediaan diketahui secara pasti. Model deterministik
yang banyak digunakan adalah EOQ (Economic Order Quantity) dan Program
Dinamis. EOQ bertujuan untuk menentukan ukuran pemesanan paling ekonomis
yang dapat meminimalkan biaya persediaan, sedangkan model probabilistik
digunakan apabila salah satu dari permintaan, lead time atau keduanya belum
diketahui secara pasti. Perbedaan utama model deterministik dan probabilistik adalah
keberadaan safety stock atau persediaan pengaman yang dimunculkan untuk
mengatasi ketidakpastian permintaan maupun lead time (Dian Serena Pulungan DAN
Erika Fatma, 2018).
Dari uraian diatas dapat disimpulkan bahwa persediaan adalah barang-barang
yang terdiri dari bahan baku, barang dalam proses dan barang jadi yang dimiliki oleh
perusahaan dengan tujuan untuk dijual atau digunakan dalam proses produksi untuk
memenuhi permintaan konsumen atau pasar.

2.1.1 Manajemen Persediaan

Manajemen persediaan adalah kemampuan dalam mengatur dan mengelola

setiap kebutuhan barang baik barang mentah, barang setengah jadi, dan barang jadi
agar perusahaan selalu dapat memenuhi permintaan pelanggan atau pasar baik dalam
kondisi pasar yang stabil atau berfluktuasi. Tujuan manajemen persediaan adalah
agar perusahaan tidak mengeluarkan biaya yang tinggi untuk biaya pemesanan dan
penyimpanan persediaan itu sendiri dan tetap menjaga ketercukupan pasokan untuk
produksi dan penjualan (Suryadi, 2017)

2.1.2 Faktor Biaya Persediaan

Salah satu faktor yang menentukan kelancaran produksi dan penjualan adalah
persediaan. Oleh karena itu persediaan harus dikelola dengan baik. Untuk itu
perusahaan harus mampu menentukan jumlah persediaan yang optimal, sehingga
stabilitas penjualan serta produksi dapat terjaga dan pada sisi lain perusahaan dapat
memperoleh keuntungan, sebab perusahaan dapat memenuhi setiap permintaan yang
datang. Sebab persediaan yang kurang akan sama buruknya dengan persediaan yang
berlebihan, karena kondisi keduannya sama-sama memiliki bebannya masing-masing
(Suryadi, 2017)

2.1.3 Pengendalian Persediaan

Menurut Harjanto (2008:237) pengendalian persediaan adalah serangkaian

kebijakan pengendalian yang harus dilakukan perusahaan, seperti kapan waktunya
harus memesan barang untuk menambah persediaan, berapa yang harus dipesanan
dan berapa banyak yang harus dipesan.
Sedangkan menurut Rista (2017) pengendalian persediaan merupakan sistem
yang digunakan perusahaan sebagai laporan untuk manajemen puncak maupun
manajer persediaan sebagai alat ukur kinerja persediaan dan dapat digunakan untuk
membantu membuat kebijakan persediaan.
Dari penjelasan di atas dapat diketahui bahwa pengendalian persediaan
barang dagangan perlu dilakukan pengendalian internal agar tercipta pengelolaan
barang yang baik dan efektif untuk tercapainya tujuan perusahaan dan mencegah
terjadinya kerusakan dan hal-hal lain yang dapat merugikan perusahaan.

2.1.4 Tujuan Pengendalian Persediaan

Menurut Reeve (2009) terdapat dua tujuan utama dari pengendalian atas
persediaan adalah menjaga persediaan tetap ada dan membuat laporannya dengan
benar dalam laporan keuangan. Tujuan pengendalian meliputi mengembangkan dan
menggunakan tindakan keamanan untuk mencegah terjadinya kerusakan persediaan
atau pencurian oleh pelanggan atau karyawan. Melaporkannya dengan benar dalam
laporan keuangan. Laporan penerimaan harus sesuai dengan pesanan pembelian
barang, harga pesediaan yang dipesan harus di cocokkan dengan faktur pemasok.
Kemudian laporan penerimaan, pesanan pembelian, dan faktur pemasok di cocokkan,
perusahaan harus melaporkan persediaan dan utang usaha terkait di catatan
akuntansi.
 Menurut Indah et al (2018), tujuan pengendalian persediaan dapat diartikan
sebagai usaha untuk:
1. Menjaga agar perusahaan tidak sampai kehabisan persediaan kegiatan
produksi tetap berjalan.
2. Menjaga agar perusahaan tidak menyimpanan persediaan yang berlebihan,
agar biaya yang dikeluarkan perusahaan untuk persediaan tidak terlalu besar.
3. Menjaga agar perusahaan tidak melakukan pembelian barang secara kecil-
kecilan karena dapat menyebabkan pembengkakan biaya

2.1.5 Fungsi Persediaan

Adapun fungsi persediaan menurut (Noor Apriyani, et al., 2017) adalah

sebagai berikut:
1. Menghilangkan risiko keterlambatan pengiriman bahan baku atau barang
yang dibutuhkan perusahaan
2. Menghilangkan risiko jika material yang dipesan tidak baik sehingga harus
dikembalikan
3. Menghilangkan risiko terhadap kenaikan harga barang atau inflasi
4. Untuk menyimpan bahan baku yang dihasilkan secara musiman sehingga
perusahaan tidak akan kesulitan jika bahan itu tidak tersedia di pasaran
5. Mendapatkan keuntungan dari pembelian berdasarkan diskon kuantitas

2.2 Model Simulasi

Model dan simulasi didasari oleh pengetahuan komputer, matematika,

probabilitas dan statistik, karena prosesnya masih dilakukan sebagai proses yang
instingtif. Maka untuk membangun suatu model dan simulasi tidak dapat digunakan
rumus-rumus eksak, hanya petunjuk secara garis besar dalam bidang tersebut yang
dapat diberikan. Pada umumnya pemodelan dan simulasi memiliki tiga tujuan yaitu
untuk pelatihan, untuk mempelajari perilaku sistem dan hiburan atau permainan.
Untuk memahami suatu sistem perlu dilakukan simulasi. Ada 3 hal konsekuensi dari
simulasi sistem (Rizki Satria, et al., 2018) yaitu:
 1. Dalam merencanakan sistem yang bersifat alamiah kompleks kebutuhan
untuk suatu studi budgetnya rendah, sehingga menjadi pembuka kearah
pengembangan suatu eksperimen laboratorium atau sebagai suatu model skala
2. Kebutuhan dalam memverifikasi sehingga mengetahui sistem persamaan
matematika pemodelan yang digunakan dalam suatu sistem kendali benar-
benar sesuai atau valid.
3. Kebutuhan memprediksi tanggapan dari sebuah sistem terhadap kebijakan
atau kendali kompleks sebagai suatu alat evaluasi atas konsekuensi dari
alternatif kebijakan atau kendali tertentu yang dipilih
Model simulasi perlu dilakukan karena tidak mungkin melakukan eksperimen
secara nyata, dengan adanya model simulasi yang dapat mewakili suatu sistem maka
kondisi sebuah sistem dapat diketahui baik itu bersifat discrete (khusus) atau
continuous (terus-menerus) dengan cara mempelajari tingkah laku sistem terebut.
Sehingga analisis akan dapat menarik kesimpulan berdasarkan pengoperasiam sistem
yang sebenarnya. Model simulasi dibagi menjadi empat (Hutahaean, 2018), yaitu
1. Model simulasi deterministik, pada model ini variabilitas diasumsikan tidak
ada dalam parameter model oleh karena itu tidak melibatkan variabel random.
Jika menjalankan model deterministik atas nilai masukan yang serupa, maka
akan selalu menghasilkan nilai yang serupa/sama juga. Hasil dari sekali
menjalankan model simulasi deterministik merupakan nilai nyata dari
performasi model.
2. Model simulasi stokastik, pada model ini didalamnya terdapat satu atau
beberapa variabel random untuk menjelaskan proses dalam sistem yang
diamati. Hasil dari model simulasi stokastik adalah random dan oleh
karenanya hanya merupakan perkiraan dari karakteristik sesungguhnya dari
model. Maka, diperlukan beberapa kali melakukan uji coba model, dan
hasilnya adalah perkiraan dari performasi yang diharapkan dari model atau
sistem yang diamati.
3. Model simulasi kontiniu, pada model ini keadaan variabel secara kontiniu
berubah, sebagai contoh, aliran fluida dalam pipa atau terbangnya pesawat
udara, keadaan variabel posisi dan kecepatan berubah secara kontiniu
terhadap satu dengan lainnya.
 4. Model simulasi diskrit, pada model ini keadaan variabel berubah hanya pada
beberapa titik tertentu, yang dapat dihitung dalam waktu. Kebanyakan dari
sistem manufaktur dimodelkan sebagai simulasi kejadian dinamis, diskrit,
stokastik dan menggunakan variabel random untuk memodelkan rentang
kedatangan, antrian, proses, dan sebagainya
Menurut Irfani (2018) Ada beberapa komponen Utama model simulasi
sebagai berikut
1. Entity: Objek yang berbeda dan berinteraksi dalam sistem.
2. Sistem: Kumpulan objek yang berinteraksi yang memiliki ketergantungan
satu dengan lainnya.
3. Hubungan: Hubungan antar entity dalam sebuah sistem.
4. Problem: Kenyataan tidak sesuai dengan harapan
5. Model: Bentuk yang lebih mudah dikerjakan
6. Data: nilai (kualitatif atau kuantitatif) berdasarkankarakteristik objek hasil
observasi.
7. Simulasi: Sistem untuk memecahkan atau menguraikan persoalan dalam
kehidupan nyata yang penuh dengan ketidakpastian.

2.2.1 Model

Pada umumnya model dapat diartikan sebagai sebagai suatu representasi

sistem nyata. Sistem nyata adalah sistem yang saat ini sedang berlangsung di dunia
nyata dan yang diteliti apa saja permasalahannya (Elvin Syahrin, et al., 2019)
Model merupakan representasi dari sistem yang baik secara kualitatif yang
diwakili suatu proses atau kejadian, yang mana bisa digambarkan secara jelas
bagaimana hubungan interaksi antar berbagai faktor-faktor penting yang akan
diamati. Tujuan dikembangkannya suatu model adalah untuk melakukan
investigasi/penelitian yang diharapkan dapat diterapkan pada sistem nyata atau untuk
mengetahui pengaruh atau hasil output dari inputan yang bermacam-macam.
Banyaknya studi yang dilakukan tentang sstem tujuannya adalah untuk
memprediksikan bagaimana sistem akan bekerja sebelum sistem tersebut dibangun
(Harvei Desmon Hutahaean, 2018).
Model adalah representasi dari suatu objek, benda atau ide-ide dalam bentuk
yang lain dengan entitasnya. Model memberikan sebuah informasi tentang suatu
sistem yang dibuat dengan tujuan untuk mempelajari prilaku sistem yang sebenarnya.
Tujuan yang ingin diperoleh dari studi pemodelan adalah agar dapat menentukan
informasi (variabel dan parameter) yang dianggap penting untuk dikumpulkan,
sehingga tidak ada model yang unik (Rizki Satria, et al., 2017)
Model dapat dikelompokkan menjadi beberapa jenis (Rizki Satria, et al.,
2017) yaitu:
1. Model skala: model yang diperkecil skalanya dari yang sebenarnya.
Misalnya: model mobil, model pesawat terbang untuk uji terowongan angin
(wind tunnel).
2. Model piktorial (Visual Grafis): model ini merupakan model yang dirancang
sedemikian rupa walaupun belum ada rancangan sebenarnya. Misalnya:
designer mengambar model baju, arsitek menggambar rumah.
3. Model Verbal: model ini adalah model yang dapat dijelaskan dengan kata-
kata. Misalnya: proses inflasi tergantung dari beberapa faktor ekonomi
makro, dijelaskan dengan kata-kata baru dibuat diagram skematis.
4. Model Skematis: model skematis adalah model yang yang melukiskan unsur-
unsur sistem dalam bentuk skema, petak-petak dan arus barang atau
informasi. Model skematis ini digambarkan dalam bentuk diagram, seperti:
DFD (Data Flow Diagram), CD (Context Diagram), Flowchart dan lain-lain.
Sedangkan dalam bentuk skema statik, seperti: tabel, bagan Gantt (Gantt
chart).
5. Model matematika: model matematika adalah model yang digambarkan
dalam bentuk persamaan matematika seperti: persamaan diferential,
persamaan deferens, persamaan aljabar, persamaan logika, dan lain-lain.
6. Model komputer: model yang ditulis menggunakan bahasa komputer tertentu,
biasanya dalam bentuk program komputer (source code) seperti: C, Pascal,
Ada, dan lain-lain.

2.2.2 Simulasi

Mensimulasikan berarti mencoba agar dapat menggambarkan kondisi sistem

secara nyata dilapangan. Simulasi merupakan suatu teknik pemodelan dimana
digambarkan hubungan sebab akibat suatu sistem sehingga menghasilkan perilaku
sistem yang hampir sama atau menyerupai perilaku sistem yang sebenarnya
(yusmaity, et al., 2019)
Simulasi adalah teknik untuk meniru operasi-operasi atau proses yang terjadi
pada suatu sistem dengan memamfaatkan bantuan perangkat komputer dan dilandasi
oleh beberapa asumsi tertentu agar sistem tersebut bisa dipelajari secara ilmiah. Pada
simulasi ditemukan adanya kejadian yang difokuskan untuk menganalisis sebuah
sistem. Bisa dilakukan pendekatan dalam aspek statistik dan probabilitas untuk
memprediksi kejadian yang terjadi sebagai data yang diperlukan untuk dilakukannya
simulasi. (Siti Aminatunnisa, et al., 2019)
Simulasi adalah metode yang digunakan untuk menerapkan model dan
perilaku dalam perangkat lunak yang akan dieksekusi, pada umumnya model
simulasi menangkap keadaan sistem pada satu waktu melalui serangkaian nilai
variabel yang sudah ditentukan.Keuntungan melakukan sudi simulasi adalah dalam
waktu singkat dapat dihasilkan keputusan yang tepat untuk sistem selanjutnya.
Metode numerik yang kuat untuk mensimulasikan sistem yang kompleks di banyak
bidang, mulai dari ekonomi hingga simulasi elektromagnetik adalah metode Monte
Carlo, metode ini berakar pada probabilitas serta menggunakan set angka acak untuk
menggambarkan parameter sistem yang sesuai (Kiki Hariani Manurung, et al.,2019)
Simulasi adalah metode yang dipakai untuk mengaplikasikan model dan
perilaku pada sebuah perangkat lunak yang akan dieksekusi, pada umumnya model
simulasi menangkap keadaan sistem pada satu waktu melalui serangkaian nilai
variabel yang sudah ditetapkan. Agar menghasilkan keputusan yang tepat untuk
sistem selanjutnya perlu dilakukan studi simulasi (Kiki Hariani Manurung, et al.,
2019).
Simulasi adalah proses mengimplementasikan model ke dalam bentuk source
code komputer (software) atau rangkain elektronik dan membuat software tersebut
sedemikian rupa kemudian mengeksekusinya agar dapat meniru perilaku atau
menyerupai suatu sistem. Jadi bisa disimpulkan simulasi adalah proses merancang
suatu model dari suatu sistem yang sebenarnya, mengadakan percobaan-percobaan
tersebut dan mengevaluasi hasil percobaan tersebut (Rizki Satria, et al., 2017)
Hasil dari simulasi dapat menjadi alat pendukung keputusan (decision
support sistem), yang diharapkan menjadi pertimbagan perusahaan dengan
mempelajari suatu sistem dengan cara meniru perilaku sistem tersebut.
Mensimulasikan berarti mencoba menyesuaikan dengan keadaan sebenarnya secara
komputerisasi agar dapat menggambarkan kondisi sistem secara nyata dilapangan
(Ricky Zulfiandry, 2018).
Ada beberapa Jenis simulasi berdasarkan teknik atau metodologi simulasi
(Satria, et al., 2017) antara lain:
1. Simulasi Monte Carlo, adalah simulasi yang menggunakan metode
probabilistik, banyak persoalan matematika yang dilibatkan. tidak memiliki
elemen waktu, digunakan untuk mengevaluasi ekspresi non- probabilistik
(misalnya integral)
2. Simulasi kemudi-jejak, adalah simulasi yang secara ekstensif biasanya
dimamfaatkan untuk evaluasi unjuk kerja sistem komputer, misalnya
algoritma penghalaman (paging).
3. Simulasi kejadian diskret, merupakan simulasi yang memamfaatkan model
sistem kejadian diskret (discrete event), misalnya pada studi unjuk kerja
sistem komputer digital, studi sistem antrian bank, dan lain-lain.
4. Simulasi dinamis kontinu, adalah simulasi yang menggunakan model keadaan
perubahan kontinu terhadap waktu, misalnya pada studi proses reaksi kimia,
gerakan dinamis suatu kendaraan (vehicle) baik darat, laut ataupun udara.
Simulasi merupakan alat yang berguna untuk memprediksi barang atau hal
lainnya dimasa depan. Adapun beberapa keuntungan mengunakan simulasi (Kiki
Hariani Manurung, et al., 2019) yaitu:
1. Memiliki suatu tingkat fleksibilitas yang tinggi dalam membuat suatu model
sistem yang kompleks, sehingga kebenaran dari suatu sistem yang
disimulasikan dapat ditingkatkan.
2. Bisa sebagai alternative pembanding, sehingga lebih mudah bagi kita untuk
menentukan alternative mana yang sesuai dengan sistem.
3. Simulasi yang telah di lakukan oleh sistem hasilnya, bisa dipelajari dalam
jangka waktu yang relatif lama.
4. Bisa lebih menghemat waktu. dan lebih mudah dikontrol.

2.2.3 Tahapan Simulasi

Proses tahapan dalam mengembangkan model dan simulasi komputer secara

umum (Bain Khusnul Khotimah, 2015), sebagai berikut:
1. Memahami sistem yang akan disimulasikan jika pengembang model tidak tau
atau belum mengetahui cara kerja sistem yang akan dimodel simulasikan
maka pengembang perlu meminta bantuan seorang ahli (pakar) dibidang
sistem yang bersangkutan. Data masukan, keluaran, variable dan parameter
masih dalam bentuk symbol-symbol verbal (kata-kata).
2. Mengembangkan model matematika dari sistem apabila pengembang sudah
mengetahui cara kerja sistem yang bersangkutan, maka tahap berikutnya
adalah memformulasikan model matematika dari sistem. Model matematika
bisa dalam bentuk persamaan diferensial, persamaan aljabar linear,
persamaan logika diskret dan lain-lain disesuaikan dengan karakterisitik
sistem dan tujuan pemodelan
3. Mengembangkan model matematika untuk simulasi digunakan untuk
menyederhanakan model matematika yang sudah dihasilkan sebelumnya.
Agar lebih mudah dalam menyederhanakan model matematika, maka
dibuatlah suatu flow chart untuk merinci tahapan yang harus dilewati untuk
membuat program.
4. Membuat program (software) beberapa flow chart dari tahapan sebelumnya
kemudian diimplementasikan lebih lanjut menjadi program (software)
computer
5. Menguji, memverifikasi dan memvalidasi keluaran simulasi simulasi pada
dasarnya adalah menirukan sistem nyata (realitas) sehingga tolak ukur baik
tidaknya simulasi adalah sejauh mana yang bersangkutan. Pengujian (testing)
dilakukan pada tingkat modul program, untuk menguji fungsi subsistem.
Verifikasi dilakukan untuk membuktikan bahwa hasil implementasi program
komputer sudah sesuai dengan rancangan model konsep dari sistem yang
bersangkutan. Validasi dilakukan dengan membandingkan hasil keluaran
simulasi dengan data yang diambil dari sistem nyata (realitas).
6. Mengeksekusi program simulasi untuk tujuan tertentu. Eksekusi (running)
program komputer bisa dilakukan secara waktu nyata (real time) atau waktu
tidak nyata (offline) tergantung dari tujuan simulasi. Secara umum ada 3
tujuan simulasi, yaitu: untuk mempelajari perilaku (behavior) sistem, untuk
pelatihan (training), untuk hiburan/permainan (gaming).
 Gambar 2.1 Tahapan Simulasi

2.3 Simulasi Monte Carlo

Simulasi Monte Carlo dapat diartikan sebagai teknik sampling statistik yang
digunakan untuk memperkirakan solusi terhadap problem kuantitatif (Monte Carlo
method, 2008). Pada simulasi Monte Carlo sebuah model dikembangkan sesuai
sistem yang sebenarnya. Pada model setiap variabel memiliki nilai yang
probabilitasnya berbeda, yang ditunjukkan oleh distribusi probabilitas atau biasa
disebut dengan probability distribution function dari setiap variabel. Metode Monte
Carlo mensimulasikan sistem tersebut berulang-ulang kali, ratusan bahkan sampai
ribuan kali tergantung sistem yang dipantau, dengan cara memilih sebuah nilai
random untuk setiap variabel dari distribusi probabilitasnya. Dari simulasi tersebut
hasil yang didapatkan adalah sebuah distribusi probabilitas dari nilai sebuah sistem
secara menyeluruh. Simulasi Monte Carlo telah diaplikasikan pada banyak bidang
diantaranya adalah: manajemen proyek, transportasi, desain komputer, finansial,
meteorologi, biologi dan biokimia (Harvei Desmon Hutahaean, 2017).
 Simulasi Monte Carlo adalah suatu metode yang digunakan untuk
mengevaluasi suatu model deterministik yang melibatkan bilangan acak sebagai
salah satu input. Pada umumnya bilangan acak yang digunakan berdistribusi normal
baku. Tujuan simulasi adalah pelatihan (training), studi perilaku sistem (behaviour),
hiburan atau permainan (game). Pada umumnya menjalankan tes lapangan sama
dengan simulasi, dimana sistem yang diminati digantikan oleh model
terkomputerisasi. Simulasi melibatkan pembuatan model yang meniru perilaku yang
menarik dengan model untuk menghasilkan pengamatan perilaku sistem (Elvin
Syahrin, et al., 2019)
Simulasi Monte Carlo merupakan jenis percobaan peluang dalam mencari
penyelesaian masalah yang terjadi dengan menggunakan contoh data secara
sembarang. Banyak sekali yang menggunakan metode ini untuk menyelesaikan
berbagai macam masalah berdasarkan objek yang digunakan ( Yusmiaty, et al.,
2019)
Simulasi Monte Carlo adalah suatu pendekatan untuk membentuk kembali
distribusi peluang yang didasarkan pada pilihan atau pengadaan bilangan acak
(random). Istilah Monte Carlo sering dianggap sama dengan simulasi probabilistik.
Metode Monte Carlo menggunakan generate probabilitas distribusi bilangan acak
yang diolah, yang kemudian divalidasi dengan data fakta tujuannya adalah untuk
memastikan kondisi simulasi relatif sama kondisi sebenarnya (Entin Hartini, et al.,
2019).
Simulasi Monte Carlo adalah metode yang sangat praktis yang banyak
digunakan dalam memecahkan masalah yang berkaitan dengan ketidakpastian
terutama sistem yang dapat diperbaiki. Mamfaat yang diperoleh dari metode Monte
Carlo adalah intuitif dan mudah dipahami sebagai metode yang memiliki kategori uji
statistik. Sehingga memudahkan berurusan dengan parameter karakteristik yang
bervariasi secara acak dan memungkinkan untuk menemukan beberapa faktor yang
tidak dapat diprediksi perubahannya. Simulasi Monte Carlo dapat menghilangkan
ketidakpastian dalam pemodelan realibilitas, hal ini dikarenakan simulasi Monte
Carlo mampu mensimulasikan proses actual dan prilaku dari sistem. Berikut ini
merupakan langkah-langkah dalam Monte Carlo (Kiki Hariani Manurung, et al,
2019):
 Untuk membuat simulasi perlu dilakukan serangkaian percobaan, dalam
membangunan model simulasi Monte Carlo didasarkan pada probabilitas yang
diperoleh dari data historis sebuah kejadian dan frekuensinya. Dengan rumus:
Pi = fi / n................................................................................(1)
Keterangan:
Pi : Probabilitas kejadian i
fi : Frekuensi kejadian i
n : Jumlah frekuensi semua kejadian
Variabel yang digunakan dalam simulasi ini adalah dengan variabel diskrit,
dimana peluang atau distribusi peluang suatu peubah acak diskrit x untuk setiap hasil
x yang mungkin seperti persamaan 3, dimana x memenuhi:
f (x) ≥ 0
f (x) = 1
P = f (x).................................................................................(2)

Adapun langkah-langkah dalam menentukan Simulasi Monte Carlo adalah

sebagai berikut:
1. Menentukan distribusi probabilitas untuk variable-variabel penting.
2. Menghitung distribusi kumulatif untuk setiap variable pada langkah 1.
3. Menetapkan suatu interval dari angka acak (random numbers) untuk masing-
masing interval.
4. Membentuk bilangan acak (Generating Random Numbers) dengan
menggunakan metode kongruen campuran (mixed congruent method)
Rumus untuk Generate Random Number
a. Mixed Congruent Method
Zi + 1 = (a . Zi + c) mod m...................................................(3)
b. Multiplicative Method
Zi + 1 = (a . Zi) mod m.........................................................(4)

2.4 Prediksi

Pengertian Prediksi sama dengan ramalan atau perkiraan. Menurut kamus

besar bahasa Indonesia, prediksi adalah hasil dari kegiatan memprediksi atau
meramal atau memperkirakan nilai pada masa yang akan datang dengan
menggunakan data masa lalu. Prediksi menunjukkan apa yang akan terjadi pada
suatu keadaan tertentu dan merupakan input bagi proses perencanaan dan
pengambilan keputusan.
Prediksi atau peramalan adalah suatu proses untuk memperkirakan atau
meramalkan kebutuhan barang atau jasa di masa depan atau mendatang yang
didalamnya terdapat kebutuhan dalam ukuran kuantitas, lokasi dan waktu, sehingga
dapat memenuhi perminaan barang ataupun jasa (Geni, et al., 2019).

2.5 Bilangan Acak

Bilangan acak atau bilangan random merupakan Suatu bilangan yang

kemunculannya tidak dapat diprekdisi. Ada beberapa algoritma pembangkit bilangan
acak yang digunakan biasa digunakan seperti LCG (Linear Congruential
Generators), MRNG (Multiplicative Random Number Generator) dan MCRNG
(Mixed Congruential Random Number Generator). LCG merupakan metode yang
digunakan untuk membangkitkan bilangan random dengan distribusi uniform.
MRNG adalah metode pembangkitan bilangan random berupa bilangan-bilangan
prima. Bilangan acak dikatakan berkualitas jika terjadi perulangan atau munculnya
bilangan acak yang sama dalam periode tertentu. Ada beberapa kesalahan dalam
membangkitkan bilangan acak (Rizki Satria, et al., 2017) yaitu:
1. Dihasilkan angka yang tidak berdistribusi seragam.
2. Dihasilkan angka discrete-valued sebagai ganti nilai kontiniu.
3. Angka yang dihasilkan bernilai adalah terlalu tinggi atau terlalu rendah.
4. Tidak berdiri sendiri, masih terdapat nilai auto korelasi antar angka-angka
yang dihasilkan.

2.6 Penjualan

Penjualan adalah salah satu faktor penting untuk kelangsungan perusahaan

Memprediksi jumlah penjualan barang merupakan hal penting karena akan
berpegaruh terhadap persediaan barang. Karena permintaan pasar tidak menentu
terkadang membuat suatu perusahaan tidak mampu sepenuhnya memperkirakan
seberapa banyak barang yang harus disediakan. Maka ketika akurasi prediksi
penjualan sesuai dengan keadaan sebenarnya maka akan mudah untuk memenuhi
permintaan pasar atau pelanggan sehingga dapat diusahakan tepat waktu, dengan
demikian hubungan perusahaan dengan pelanggan dan relasi tentunya terjaga dengan
baik, dengan begitu perusahaan dapat mengatasi hilangnya pendapatan akibat
kehabisan persediaan dan dapat mencegah pelanggan lari ke kompetitor lain. (Elvin
Syahrin, et al., 2019).

2.7 Probalitas

Kata probabilitas disebut juga dengan peluang atau kemungkinan, yang

secara umum merupakan kemungkinan sesuatu akan terjadi. Probabilitas adalah nilai
yang digunakan untuk mengukur tingkat terjadinya suatu kejadian acak. Makna
probabilitas memiliki peranan yang penting diberbagai bidang kehidupan sehari-hari,
mulai dari bidang akademik, bidang pertanian, bidang usaha, bidang perdagangan
dan lain-lain sampai pada masalah kecil seperti hendak kepasar karena kondisi cuaca
mendung yang diprediksi kemungkinan akan hujan deras atau banjir. Metode
penyelesaian masalah yang melibatkan bilangan random dengan distribusi
probabilitas yang bisa diketahui dan ditentukan adalah metode standar Simulasi
Monte Carlo atau Crude Monte Carlo. (Muflihunallah, et al., 2018).
Probabilitas dinyatakan dengan bilangan desimal, nilai dari probabilitas
berkisar antara 0 sampai dengan 1. Jika nilai probabilitas ke nilai 0, maka semakin
kecil kemungkinan suatu kejadian akan terjadi, tetapi apabila nilai probabilitas ke
nilai 1, maka peluang suatu kejadian terjadi akan semakin besar. Proses probabilitas
yang digunakan dalam simulasi Monte Carlo adalah proses distribusi probabilitas
komulatif, yaitu menjumlahkan distribusi probabilitas yang ditambahkan pada
probabilitas komulatif sebelumnya, kecuali untuk nilai distribusi probabilitas untuk
kelas pertama. Nilai untuk distribusi probabilitas komulatif untuk kelas pertama
merupakan nilai dari probabilitas kelas itu sendiri (Yusmaity, dkk, 2019)

2.8 UML (Unified Modeling Language)

UML adalah salah satu standar bahasa yang banyak digunakan di dunia
industri untuk mendefinisikan requirement, membuat analisis dan desain, serta
menggambarkan arsitektur dalam pemrograman berorientasi objek (OOP)
(Sukrianto, 2018)
 UML (Unified Modeling Language) adalah salah satu bahasa yang banyak
digunakan didunia industri untuk mendefinisikan requirement. Membuat analis dan
desain, serta menggambarkan arsitektur dalam pemrograman berorientasi objek.
UML muncul karena adanya kebutuhan pemodelan visual untuk menspesifikasikan,
menggambarkan, membangun dan dokumentasi dari sistem perangkat lunak. UML
merupakan bahasa visual untuk pemodelan dan komunikasi mengenai sebuah sistem
dengan menggunakan diagram dan teks-teks pendukung (Rosa dan Shalahuddin,
2014).

2.8.1 Use Case Diagram

Use case atau diagram use case merupakan pemodelan berdasarkan

kelakuan/behavior sistem informasi yang akan dibuat. Use Case Diagram merupakan
salah satu jenis diagram pada UML yang menggambarkan interaksi antara sistem
informasi dan aktor. Dengan kata lain use case diagram mamfaatnya adalah untuk
mengetahui siapa yang berhak menggunakan sistem dan apa fungsi sistem tersebut
(Rosa dan Shalahuddin, 2014). Sehingga dapat disimpulkan Use case diagram
menggambarkan fungsionalitas yang diharapkan dari sebuah sistem. Use case
merepresentasikan sebuah interaksi antara actor dengan sistem.

Tabel 2.1 Simbol Use Case Diagram

No Simbol Nama
1 Use Case.
2 Actor.
3 Association.
4 Extend.
Sumber : Rosa dan Shalahuddin (2014).
Deskripsi
Fungsionalitas yang disediakan sistem
sebagai unit-unit yang saling bertukar
pesan antar unit atau aktor.
Orang, proses atau sistem lain yang
saling berinteraksi dengan sistem
informasi yang akan dibuat.
Komunikasi antar aktor dan use case
yang berpartisipasi pada use case atau
use case memiliki interaksi dengan
aktor.
Relasi antar use case dimana use case
yang ditambahkan dapat berdiri
sendiri walau tanpa use case
tambahan itu sendiri.
Tabel 2.1 Simbol Use Case Diagram (Lanjutan)

Hubungan generalisasi dan

Generalizatio
5 spesialisasi (umum-khusus) antara
n.
dua buah use case.

Relasi use case tambahan kesebuah

use case dimana use case yang
6 Include.
ditambahkan memerlukan use case
ini untuk menjalankan fungsinya.
Sumber : Rosa dan Shalahuddin (2014).

2.8.2 Activity Diagram

Activity diagram memperlihatkan aliran dari suatu aktivitas ke aktivitas

lainnya dalam suatu sistem yang dilakukan oleh actor. Activity diagram atau diagram
aktivitas merupakan salah satu jenis diagram pada UML yang dapat memodelkan
proses-proses apa saja yang terjadi pada sistem. Activity diagram memungkinkan
untuk menspesifikasi bagaimana sistem akan mencapai tujuannya. Activity diagram
menggambarkan berbagai alir aktivitas actor dalam sistem yang sedang dirancang,
bagaimana masing-masing aktivitas berawal, decision yang mungkin terjadi, dan
bagaimana berakhirnya (Rosa dan Shalahuddin, 2014)

Tabel 2.2 Simbol Activity Diagram

No Simbol Nama Deskripsi
1 Status awal. Bagaimana objek dibentuk atau diawali.

Aktivitas yang dilakukan sistem,

2 Aktifitas.
biasanya diawali dengan kata kerja.

Asosiasi pencabangan jika ada pilihan

3 Pencabangan.
aktivitas lebih dari satu.
Asosiasi pengabungan jika lebih dari
4 Penggabungan. satu aktivitas digabungkan menjadi
satu.
Status akhir suatu sistem, dimana
5 Status akhir.
sebuah aktivitas memiliki status akhir.
Memisahkan organisasi bisnis yang
6 Swimlane. bertanggung jawab terhadap aktivitas
yang terjadi.
Sumber : Rosa dan Shalahuddin (2014).
2.8.3 Sequence Diagram

Sequence Diagram atau diagram sekuen, memperlihatkan apa saja yang

dilakuan object pada use case. Dimana didalamnya dijelaskan apa yang diterima
antar objek, pesan apa yang dikirimkan dan lama hidu objek. Untuk menggambar
diagram sekuen perlu diketahui objek yang terlibat siapa saja didalam use case dan
metode apa yang dimiliki kelas yang diinstansiasi menjadi objek. Perlu dilihat
skenario terlebih dahulu untuk membuat diagram sekuen yang dibutuhkan. Semakin
banyak use case yang sudah terdefenisi maka semakin banyak pula diagram sekuen
yang harus dibuat (Rosa dan Shalahuddin, 2014).

Tabel 2.3 Simbol Sequence Diagram

No Simbol Nama Deskripsi
Orang, proses atau sistem lain yang
1 Actor. saling berinteraksi dengan sistem
informasi yang akan dibuat.
2 Life line. Menyatakan alur suatu object.

Menyatakan object yang berinteraksi

3 Object.
pesan.
<<create>> Message Menyatakan suatu object membuat
4
create. object lain.
Nama_metode () Menyatakan suatu object memanggil
6 Message call. operasi/metode pada object lain atau
dirinya sendiri.
Masukan Menyatakan suatu object mengirim
7 Message send.
data/ informasi ke object lainnya.
Keluaran Message Menyatakan suatu object telah
8
Return. menjalankan operasi .

Menyatakan object dalam keadaan

9 Waktu aktif.
aktif dan berinteraksi.

Message Menyatakan object mengakhiri object

10
Destroy. yang lain.

Sumber : Rosa dan Shalahuddin (2014).

2.8.4 Clas Diagram

Class diagram yaitu salah satu jenis diagram pada UML yang digunakan
untuk menampilkan kelas-kelas atau paket-paket yang ada pada suatu sistem yang
akan digunakan. Class diagram memberikan sebuah gambaran mengenai sistem
maupun relasi-relasi yang terdapat pada sistem tersebut.
Class diagram menggambarkan struktur sistem dari segi pendefinisian kelas-
kelas yang akan dibuat untuk membangun sebuah sistem. Kelas tersebut memiliki
atribut dan metode atau operasi (Rosa dan Shalahuddin, 2014).
Class Diagram menggambarkan keadaan (atribut/properti) suatu sistem,
sekaligus menawarkan layanan untuk memanipulasi keadaan tersebut
(metoda/fungsi) dan menggambarkan objek dari sistem, yang memuat objek-objek
yang terdapat dalam sistem beserta hubungan/relasi antar objek.

Tabel 2.4 Simbol Class Diagram

No Simbol Nama Deskripsi

1 Class. Kelas pada struktur sistem.

Antarmuka/
2 Interface atau antarmuka dari sistem.
interface.

Relasi antar kelas , biasanya

Asosisasi/
3 multiplicipy.
Association.

Asosiasi Relasi antar kelas dengan makna

4 berarah/Directed
association.
5 Generalisasi.
kelas yang satu digunakan oleh kelas
yang lain.
Relasi antar kelas dengan makna
generalisasi-spesialisasi (umum-
khusus) .

Kebergantungan/ Relasi antar kelas dengan makna

6
dependency. kebergantungan antar kelas.

Agregasi/ Relasi antar kelas dengan semua

7
aggregation. bagian (whole-part).
Sumber : Rosa dan Shalahuddin (2014:146).
2.9 PHP (Hypertex Processor)

PHP merupakan singkatan dari Hypertex Processor. PHP adalah Bahasa

script yang dapat ditanamkan atau disisipkan ke dalam HTML. PHP banyak dipakai
untuk membuat program situs web dinamis. PHP sering juga digunakan untuk
membangun sebuah CMS.
PHP adalah bahasa pemograman script server-side yang didesain untuk
pengembangan web. Disebut bahasa pemrograman server-side karena PHP diproses
pada computer server. Hal ini berbeda dibandingkan dengan bahasa pemrograman
client-side seperti javaScript yang diproses pada web broser (client).
PHP dapat digunakan dengan gratis (free) karena bersifat open source. PHP
dirilis dalam lisensi PHP license, sedikit berbeda dengan license GNU General
Public License (GPL) yang biasa digunakan untuk proyek open source (Madcoms,
2015)

2.10 Database.

Pengertian Database menurut Winarno dan Utomo (2010) “Database atau

biasa disebut basis data merupakan kumpulan data yang saling berhubungan. Data
tersebut biasanya terdapat dalam tabel-tabel yang saling berhubungan satu sama lain,
dengan menggunakan field/kolom pada tiap tabel yang ada”.
Database adalah suatu kumpulan data terhubung (interrelated data) yang
disimpan secara bersama-sama pada suatu media, tanpa mengatap satu sama lain atau
tidak perlu suatu kerangkapan data (controlled redundancy) (Ayu, et al., 2018).
Database atau basis data adalah kumpulan fakta yang saling berhubungan
disimpan di dalam komputer secara sistematik untuk memperoleh informasi dari
basis data tersebut. Database secara umum diartikan sebuah tempat penyimpanan
data, sebagai pengganti dari sistem konvensional berupa dokumen file. Agar dapat
dilakukan secara optimal, pencarian strategi dalam pemrosesan database ditentukan
oleh query. Beberapa Database Management System (DBMS), pemrosesan query
diseleksi berdasarkan sekumpulan strategi yang bersifat heuristik tertentu (Sucipto,
et al., 2017).
2.11 Penelitian Terdahulu.

Berdasarkan penelitian-penelitian sebelumnya tentang Metode Monte Carlo,

maka didapat perbandingannya seperti dapat dilihat pada Tabel 2.1:
Tabel 2.5 Tabel Perbandingan Penelitian Terdahulu.
No Penulis Judul Metode Hasil
1. Manurung dan Simulasi Tahapan Simulasi Pengadaan Barang Menggunakan Metode Dari hasil pengujian didapat
Santony Pengadaan Monte Carlo sebagai berikut: tingkat akurasi dalam
(2019) Barang  Input data persediaan memprediksi persediaan stok
Menggunakan  Membuat distribusi probabilitas barang sebesar 93% sehingga
Metode Monte  Menghitung probabilitas kumulatif dari nilai variable dapat membantu perusahaan
Carlo yang telah dibangkitkan dalam pengambilan keputusan
 Menentukan interval bilangan dimasa yang akan datang.
 Membangkitkan bilangan acak
 Menguji data
 Menentukan hasil percobaan
2. Simamora dan Simulasi Monte Tahapan Simulasi Monte Carlo Dengan Model Persediaan Dari hasil Simulasi Inventori
Jamaluddin Carlo Dengan Stokastik Pada PT Binjai Medan sebagai berikut: Untuk Model Persediaan
(2018). Model Persediaan  Definisikan Masalah Stokastik dengan percobaan
Stokastik Pada  Memperkenalkan variable simulasi selama 30 hari sbb:
PT.Binjai Medan  Mengembangkan Model a. Pesan sebanyak 6 Kali.
 Menetapkan Nilai Variabel b. Stock out sebanyak 63 Karung.
 Melaksanakan Simulasi c. Total waktu pemesanan adalah
 Menguji Hasil Simulasi 8 hari.
3. Syahrin, Pemodelan Tahapan Metode Monte Carlo sebagai berikut: Hasil penelitian terhadap
Santony dan Penjualan Produk  Membuat Distribusi Probabilitas dari Variabel. pengolahan data tahun 2016
Na’am (2019) Herbal  Menghitung Distribusi Kumulatif Dari Variabel hingga tahun 2017 memiliki
Menggunakan Distribusi Probabilitas. akurasi 97%. Sehingga penelitian
Metode Monte  Membuat Interval Dari Masing-Masing Variabel ini sangat tepat dalam
Carlo  Membentuk Bilangan Acak (Generating Random memprediksi penjualan untuk
Numbers) masa yang akan datang.

29
  Membuat Simulasi Dari Rangkaian Percobaan
Tabel 2.5 Tabel Perbandingan Penelitian Terdahulu. (Lanjutan)
No Penulis Judul Metode Hasil
4. Putri, Penentuan Harga Tahapan Penentuan Harga Jual Opsi Barrier Tipe Eropa Simulasi Monte Carlo Standar
Dharmawan Jual Opsi Barrier Dengan Metode Antithetic Variate Pada Simulasi Monte menghasilkan nilai standar error
dan Tipe Eropa Carlo sebagai berikut: lebih besar dan selang
Sumarjaya Dengan Metode  Membuat distribusi probabilitas dari variabel. kepercayaan yang panjang
(2018) Antithetic Variate  Menetapkan variabel-variabel sedangkan pada simulasi Monte
Pada Simulasi  Membangkingkan dua bilangan acak yang berdistribusi Carlo-Antithetic Variate
Monte Carlo normal standar menghasilkan nilai standar error
 Menghitung nilai estimasi harga saham lebih kecil dan selang
 Membandingkan nilai estimasi harga saham kepercayaan yang lebih pendek.
 Hitung masing-masing harga saham
 Ulangi langkah (2) sampai langkah (5) sebanyak N
simulasi
 Hitung rataan dan simpangan yang diperoleh
5. Pramuditya Penentuan Harga Tahapan Penentuan Harga Opsi Asia dengan Metode Monte Hasilnya harga opsi Asia call dan
(2017). Opsi Asia dengan Carlo sebagai berikut: put untuk kedua teknik dengan
Metode Monte  Membuat distribusi dari probabilitas selang kepercayaan 95%. Teknik
Carlo  Menghitung distribusi kemungkinan komulatif reduksi varians terlihat lebih cepat
 Membuat interval bilangan acak memperkecil selang kepercayaan
 Melakukan Simulasi dengan bilangan acak. 95% dibandingkan metode
 Menganalisa Simulasi dari rangkaian percobaan standar.

30
Tabel 2.5 Tabel Perbandingan Penelitian Terdahulu. (Lanjutan)
No Penulis Judul Metode Hasil
6. Satria, Sovia Pemodelan Dan Tahapan Sistem Antrian Pelayanan Nasabah Di Pt Sarana Hasilnya metode Monte Carlo
dan Gema Simulasi Analisa Sumatera Barat Ventura SSBV Menggunakan Metode mampu mengetahui lamanya
(2017). Sistem Antrian Monte Carlo sebagai berikut: waktu pelayanan dan dapat
Pelayanan  Menetapkan sebuah distribusi probabilitas bagi variabel mengurangi antrian dengan
Nasabah Di Pt penting menggunakan bilangan random,
Sarana Sumatera  Membuat distribusi probabilitas kumulatif bagi setiap sehingga waktu pelayanan yang
Barat Ventura variable lama menjadi lebih cepat serta
SSBV  Menetapkan sebuah interval angka acak bagi setiap memberikan kemudahan bagi
Menggunakan variabel. Perusahaan dan Nasabah
Metode Monte  Membangkitkan angka acak
Carlo  Membangkitkan serangkaian percobaan Hasil dari
eksperimen
7. Yusmaity, Simulasi Monte Tahapan Simulasi Monte Carlo untuk Memprediksi Hasil Hasil simulasi dari penelitian ini
Santony dan Carlo untuk Ujian Nasional (Studi Kasus di SMKN 2 Pekanbaru) diperoleh tingkat akurasi sebesar
Yuhandri (2017) Memprediksi sebagai berikut: 86,68%. Dengan mendapatkan
Hasil Ujian  Membuat distribusi dari probabilitas tingkat akurasi yang lebih besar,
Nasional (Studi  Menghitung distribusi kemungkinan komulatif maka metode ini layak digunakan
Kasus di SMKN 2  Membuat interval bilangan acak untuk memprediksi Nilai Ujian
Pekanbaru)  Melakukan Simulasi dengan bilangan acak. Nasional untuk masa yang datang.
 Menganalisa Simulasi dari rangkaian percobaan.

31
Tabel 2.5 Tabel Perbandingan Penelitian Terdahulu. (Lanjutan)
No Penulis Judul Metode Hasil
8. Irwanto, Implementasi Tahapan Implementasi Algoritma Monte Carlo Pada Sistem Hasil uji coba sistem informasi
Widiyaningtyas Algoritma Monte Informasi Penerimaan Peserta Didik Baru (Ppdb) Secara oleh ahli rekayasa web dan admin
dan Arifin Carlo Pada Online sebagai berikut: sebesar 100,00%. Data hasil uji
(2017) Sistem Informasi  Membuat distribusi dari probabilitas coba sistem informasi oleh guru
Penerimaan  Menghitung distribusi kemungkinan komulatif sebesar 84,10%. Sedangkan data
Peserta Didik  Membuat interval bilangan acak hasil uji coba sistem informasi
Baru (Ppdb)  Melakukan Simulasi dengan bilangan acak. oleh siswa sebesar 87,20%. Dari
Secara Online  Menganalisa Simulasi dari rangkaian percobaan data hasil uji coba di atas, dapat
disimpulkan bahwa sistem
informasi ini sudah valid dan siap
digunakan di sekolah.
9. Romero dan Measurement Tahapan Measurement Uncertainty Of Dissolution Test Of Hasilnya dengan menggunakan
Lourenco Uncertainty Of Acetaminophen Immediate Release Tablets Using Monte simulasi Monte Carlo, dapat
(2019) Dissolution Test Carlo Simulations sebagai berikut: memprediksi ketidakpastian
Of  Membuat distribusi kemungkinan untuk variable pengukuran untuk uji disolusi
Acetaminophen penting.
Immediate tablet asetaminofen (95,2 ±
 Membangun distribusi kemungkinan kumulatif
Release Tablets 1,0%), dengan tingkat persentase
 Membuat angka random.
Using Monte  Membuat simulasi dari rangkaian percobaan 95%. Dan berkontribusi sekitar
Carlo 96,2% dari ketidakpastian secara
Simulations keseluruhan

32
Tabel 2.5 Tabel Perbandingan Penelitian Terdahulu. (Lanjutan)
No Penulis Judul Metode Hasil
10. Hutahaean Analisa Simulasi Tahapan Analisa Simulasi Monte Carlo Untuk Dengan metode Monte Carlo dapat
(2019). Monte Carlo Memprediksi Tingkat Kehadiran Mahasiswa Dalam mengetahui tingkat kehadiran
Untuk Perkuliahan (Studi Kasus: Stmik Pelita Nusantara) mahasiswa dalam belajar.
Memprediksi sebagai berikut:
Tingkat Kehadiran  Membuat distribusi kemungkinan untuk variabel
Mahasiswa Dalam penting
Perkuliahan (Studi  Membangun distribusi kemungkinan kumulatif
Kasus : Stmik untuk tiap-tiap variabel di tahap pertama
Pelita Nusantara)  Menetukan interval angka random
 Membuat simulasi dari rangkaian percobaan
11. Zulfiandry Optimasi Kegiatan Tahapan Optimasi Kegiatan Pelatihan Menggunakan Hasilnya sebagai berikut:
(2018). Pelatihan Metode Simulasi Monte Carlo (Studi Kasus Di Balai 1. Penerapan simulasi dengan
Menggunakan Latihan Kerja Dinas Tenaga Kerja Dan Transmigrasi metode Monte Carlo pada Balai
Metode Simulasi Provinsi Bengkulu) sebagai berikut: Tenaga Kerja dan Transmigrasi
Monte Carlo  Menentukan tabel distribusi sangat membantu dalam
(Studi Kasus Di  Menentukan distribusi kemungkinan dan kumulatif mengoptimalkan kegiatan pelatihan
Balai Latihan  Menentukan interval angka Random untuk tiap yang akan datang.
Kerja Dinas variable 2. Metode Monte Carlo dapat
Tenaga Kerja Dan  Melakukan simulasi percobaan membantu pimpinan Balai Tenaga
Transmigrasi  Uji hasil simulasi Kerja dan Transmigrasi dalam
Provinsi Bengkulu) mengetahui informasi berupa
prediksi jumlah pendaftar peserta
pelatihan yang kemungkinan terjadi
sehingga dapat membantu Balai

33
 Tenaga Kerja dan Transmigrasi
dalam mengambil keputusan.
Tabel 2.1 Tabel Perbandingan Penelitian Terdahulu. (Lanjutan)
No Penulis Judul Metode Hasil
12. Aminatunnisa, Penerapan Metode Tahapan Penerapan Metode Monte Carlo Untuk Berdasarkan hasil penelitian terdapat
Sembiring, Monte Carlo Untuk Simulasi Sistem Antrian perbedaan yang signifikan sebelum
gultom, Simulasi Sistem Service Sepeda Motor Berbasis Web sebagai berikut: dan sesudah menggunakan sistem.
Matondang, Antrian  Membuat distribusi kemungkinan untuk variable
Pasaribu, dan Service Sepeda penting.
Indra (2017). Motor Berbasis Web  Membangun distribusi kemungkinan kumulatif
 Menentukan grafik dan interval angka random
untuk setiap kemungkinan
 Membuat angka random.
 Membuat simulasi dari rangkaian percobaan.

34
35
 BAB III

METODOLOGI PENELITIAN

3.1 Penahuluan

Metode Dalam metodologi penelitian ini dijelaskan beberapa tahapan yang

akan dilakukan untuk dapat mengatasi permasalahan yang ada. Tahapan ini
merupakan gambaran penelitian secara terstruktur dari penelitian yang akan
dilakukan.
Tujuan dari penelitian ini untuk memberikan informasi prediksi ketersediaan
barang (studi kasus di PT. Terang Abadi Pekanbaru). Data yang dibutuhkan dalam
penelitian ini adalah data persediaan barang PT. Terang Abadi Pekanbaru pada masa
lalu, yaitu data tahun 2016, 2017 dan 2018. Selanjutnya data-data tersebut akan
diolah dengan menggunakan pendekatan metode Monte Carlo. Data tahun 2016 akan
disimulasikan untuk memprediksi persediaan barang di tahun 2017, data tahun 2017
akan disimulasikan untuk memprediksi persediaan barang di tahun 2018 dan data
persediaan barang 2018 akan disimulasikan untuk memprediksi persediaan barang di
tahun 2019. Setelah itu akan dilakukan compare untuk melihat perbandingan antara
hasil simulasi dengan data real dilapangan. Dari hasil comparing tersebut nantinya
akan terlihat persentase (%) tingkat keakuratan hasil simulasi Monte Carlo dalam
memprediksi ketersediaan barang (studi kasus di PT. Terang Abadi Pekanbaru)
Dalam penelitian ini metode pengumpulan data yang digunakan adalah sebagai
berikut:
1. Pengumpulan Data
Penelitian ini menggunakan teknik pengumpulan data persediaan dari PT.
Terang Abadi
2. Metode Dokumentasi
Dengan mengumpulkan data dari berbagai, kasus, jurnal ataupun buku
referensi yang diperoleh untuk mendapatkan informasi yang berkaitan
dengan persediaan barang
3.2 Kerangka Kerja Penelitan

Kerangka kerja penelitian ini merupakan langkah-langkah yang akan

dilakukan dalam penyelesaian masalah yang dibahas. Adapun kerangka kerja
penelitian ini dapat dilihat pada Gambar 3.1 berikut:
 Gambar 3.1 Kerangka Kerja Penelitian

Dalam teknik ini, peneliti mengumpulkan informasi–informasi sebagai bahan

untuk diteliti kemudian dipelajari dari berbagai macam para ahli yang membahas
tentang masalah yang diteliti seperti penelitian-penelitian yang membahas tentang
metode Monte Carlo, Simulasi Persediaan yang ditemukan dari berbagai sumber baik
itu dari internet, jurnal maupun buku.

3.2.1 Mengidentifikasi Masalah

Tahap ini merupakan tahap awal untuk menentukan rumusan masalah yang
terjadi pada PT. Terang Abadi Pekanbaru yaitu penerapan metode Monte Carlo
dalam memprediksi ketersediaan barang (studi kasus di PT. Terang Abadi
Pekanbaru), yang mana dilakukan peninjauan sistem yang akan diteliti untuk
mengamati serta melakukan eksplorasi dalam dan menggali permasalahan yang ada
pada sistem yang berjalan nanti.

3.2.2 Menganalisa Masalah

Langkah analisis masalah adalah untuk dapat memahami masalah yang telah
ditentukan ruang lingkup atau batasannya. Dengan menganalisa masalah yang telah
ditentukan tersebut, maka diharapkan masalah dapat dipahami dengan baik. Pada
analisa masalah ini digambarkan proses untuk memprediksi jumlah ketersediaan
barang pada PT. Terang Abadi Pekanbaru yang akan terjadi pada masa akan datang
berdasarkan data persedian barang sebelumnya. Dan juga terdapat analisa kebutuhan
sistem untuk menentukan output apa saja yang akan dihasilkan oleh sistem yang
akan dibangun ini. Dari hasil analisa sistem, maka sistem yang akan dibangun ini
hendaknya mampu menghasilkan output yakni informasi dalam memprediksi
ketersediaan barang (studi kasus di PT. Terang Abadi Pekanbaru).

3.2.3 Menentukan Tujuan

Tujuan penelitian adalah suatu hal yang akan dicapai dalam suatu penelitian
yang dilakukan. Tujuan penelitian merupakan hasil akhir ideal yang diharapkan
tercapai setelah penelitian tersebut dilakukan. Tujuan penelitian harus ditentukan
diawal terlebih dahulu sebelum penelitian dilakukan. Menentukan tujuan penelitian
sangat diperlukan agar penelitian yang dilakukan bermanfaat bagi penggunanya.
3.2.4 Mempelajari Literatur Yang Berkaitan Dengan Judul

Untuk mencapai tujuan maka dipelajari beberapa literatur-literatur yang

diperkirakan dapat digunakan. Kemudian literatur-literatur yang dipelajari tersebut
diseleksi dan dipilih literatur mana yang akan digunakan dalam penelitian. Literatur
diambil dari berbagai sumber yaitu berupa artikel, jurnal ilmiah tentang simulasi
Monte Carlo, serta bahan bacaan lain yang mendukung penelitian tersebut.

3.2.5 Mengumpulkan Data

Mengumpulkan data adalah tindakan yang dilakukan untuk mengumpulkan

semua data-data yang diperlukan dalam penelitian. Pengumpulan data dalam
penelitian ini menggunakan data sekunder yaitu penelusuran terhadap dokumen-
dokumen yang ada untuk mendapatkan data jumlah ketersediaan barang (studi kasus
di PT. Terang Abadi Pekanbaru) dimasa lampau.

3.2.6 Menganalisa Dan Perancangan

Pada tahap ini akan dilakukan analisa dan perancangan terhadap permasalah
yang ada berdasarkan data-data yang telah dikumpulkan dengan tahapan-tahapan
yang ada dalam metode Monte Carlo.

3.2.7 Menentukan Variabel

Sebelum data diolah, terlebih dahulu ditentukan pemodelan dan variabel.

Dalam model simulasi ini, akan digunakan model stokastik yang mana artinya
sebuah model dibangun berdasarkan pada penggunaan angka-angka yang bersifat
acak dan probabilitas untuk mengidentifikasi sebuah masalah. Metode Monte Carlo
selalu menggunakan asumsi bahwa variabel-variabelnya adalah independen (tidak
terikat). Namun ada juga beberapa kondisi atau persoalan yang mempunyai
hubungan yang erat. Seperti halnya pada pengumpulan data, tentu ditemukan
variabel yang dapat menunjukkan secara detail perilaku data.
3.2.8 Mengolah Data Dengan Metode Simulasi Monte Carlo

Setelah menentukan variabel yang ada, selanjutnya akan dilakukan

pengolahan terhadap data yang diperoleh dari pengamatan. Langkah-langkah yang
dilakukan dalam pengolahan data adalah:
1. Membuat distribusi probabilitas
2. Membangun distribusi probabilitas kumulatif
3. Menetapkan interval angka random (angka acak).
4. Membangkitkan angka random (angka acak).
5. Melakukan percobaan simulasi.

3.2.9 Implementasi Pengujian

Pada tahap ini dilakukan implementasi dan pengujian terhadap data yang
telah diolah dengan bahasa pemrograman PHP. Hal ini bertujuan agar model yang
dirancang dapat bermanfaat bagi penggunanya, sehingga penerapan metode simulasi
Monte Carlo dapat memprediksi ketersediaan barang (studi kasus di PT. Terang
Abadi Pekanbaru) yang akan terjadi nantinya

3.2.10 Hasil Dan Pembahasan

Pada tahap ini akan diuraikan hasil dari pengolahan dan pengujian data yang
telah dilakukan dengan menggunakan metode simulasi Monte Carlo. Hasil dari
simulasi tersebut akan dibandingkan dengan data-data riil yang ada untuk melihat
tingkat persentase (%) keakuratannya.
.