Implementasi Simulasi Monte Carlo dalam Memprediksi

Persediaan Tinta Printer PT. ABC

MAKALAH

Oleh:
ALIFIA DAARIY
55120120101

Pembimbing
DR. SUDJONO, M.ACC.

MAGISTER MANAJEMEN
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS MERCU BUANA JAKARTA
2022
 ABSTRAK

Ketidakpastian dan risiko bisnis akan pasti ditemui oleh para pengusaha dalam
menjalankan tiap aktivitas bisnisnya. Salah satu risiko bisnis yang dijumpai industri
manufaktur adalah kegagalan dalam memprediksi jumlah persediaan sebagai faktor
vital dalam aktivitas produksi. Fenomena ini pun dialami oleh PT. ABC yang
memproduksi tinta printer. Kesalahan dalam menentukan jumlah persediaan
produk jadi dipengaruhi oleh tingkat permintaan konsumen yang berbeda-beda tiap
harinya. Kelebihan persediaan produk akan meningkatkan biaya perusahaan,
sementara kekurangan persediaan dapat menghambat kegiatan operasional.
Simulasi Monte Carlo merupakan salah satu jenis metode analisis risiko kuantitatif
yang diyakini bisa memprediksi persediaan. Makalah penelitian ini bertujuan untuk
meramalkan jumlah persediaan tinta printer bulanan di tahun 2022 menggunakan
Simulasi Monte Carlo dan mengetahui tingkat akurasinya. Data yang digunakan
dalam penelitian adalah data penjualan bulanan tahun 2021. Melalui model
simulasi, didapatkan rata-rata jumlah persediaan tinta bulanan sepanjang tahun
2022 sebesar 1.622,8 buah. Data simulasi persediaan selanjutnya dibandingkan
dengan data penjualan tahun 2021 dan diperoleh tingkat akurasi sebesar 89,68%.
Hasil simulasi menunjukkan bahwa Simulasi Monte Carlo dapat membantu
membuat prediksi jumlah persediaan produk jadi di masa mendatang.

Kata kunci: Monte Carlo, prediksi, persediaan, simulasi

ABSTRACT

Entrepreneurs will undoubtedly encounter uncertainty and business risk in carrying

out their business activities. One of the business risks the manufacturing industry
faces is the failure to predict the amount of inventory as a vital factor in production
activities. PT. ABC also experiences this phenomenon manufactures printer ink.
Errors in determining the amount of finished product inventory are influenced by
different levels of consumer demand every day. Excess product inventory will
increase the company's costs, while inventory shortages can hamper operational
activities. Monte Carlo simulation is one type of quantitative risk analysis method
that is believed to predict inventory. This research paper aims to predict the amount
of monthly printer ink supplies in 2022 using Monte Carlo Simulation and
determine the level of accuracy. The data used in this study is monthly sales data in
2021. The average monthly ink supply throughout 2022 is 1,622.8 pieces through a
simulation model. We then compared the inventory simulation data with 2021 sales
data, and obtained an accuracy rate of 89.68%. The simulation results show that the
Monte Carlo Simulation can help predict the amount of finished product inventory
in the future.

Keywords: Monte Carlo, prediction, inventory, simulation

i
 KATA PENGANTAR

Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa, karena atas

berkat dan rahmat-Nya, penulis dapat menyelesaikan makalah yang berjudul

“Implementasi Simulasi Monte Carlo dalam Memprediksi Persediaan Tinta

Printer PT. ABC.” Makalah disusun sebagai Tugas Besar 2 dalam rangka

memenuhi salah satu syarat kelulusan mata kuliah Risk Management. Secara garis

besar, makalah ini membahas bagaimana Simulasi Monte Carlo memprediksi

persedian barang jadi, berupa tinta printer, pada PT. ABC. Ruang lingkup makalah

ini terdiri dari empat bab, yakni: Bab 1 yang berisi pendahuluan dan

menggambarkan masalah penelitian; Bab 2 yang berisi tinjauan literatur, termasuk

penelitian terdahulu; Bab 3 yang berisi hasil dan pembahasan penelitian; serta Bab

4 yang berisi kesimpulan serta saran. Penulis mengucapkan terima kasih kepada

semua pihak yang telah mendukung penyusunan makalah ini. Akhir kata, semoga

skripsi ini membawa manfaat bagi pengembangan ilmu manajemen risiko.

Jakarta, Mei 2022

Penulis

ii
 DAFTAR ISI

ABSTRAK ............................................................................................................... i
KATA PENGANTAR ............................................................................................ ii
DAFTAR ISI .......................................................................................................... iii

BAB 1 PENDAHULUAN ..................................................................................... 1

1.1 Latar Belakang Masalah ..............................................................................1
1.2 Rumusan Masalah .......................................................................................3
1.3 Batasan Masalah ..........................................................................................4
1.4 Tujuan Penelitian .........................................................................................4
1.5 Manfaat Penelitian .......................................................................................4
1.5.1 Manfaat Praktis .................................................................................. 4
1.5.2 Manfaat Teoritis ................................................................................. 4

BAB 2 KAJIAN TEORI DAN PENELITIAN TERDAHULU ......................... 5

2.1 Kajian Teori .................................................................................................5
2.1.1 Simulasi Monte Carlo ........................................................................ 5
2.1.2 Model Simulasi .................................................................................. 6
2.1.3 Persediaan .......................................................................................... 7
2.2 Penelitian Terdahulu ....................................................................................8

BAB 3 HASIL PENELITIAN DAN PEMBAHASAN ..................................... 10

3.1 Hasil Penelitian ..........................................................................................10
3.2 Pembahasan ...............................................................................................13
3.2.1 Hasil Simulasi Monte Carlo untuk Persediaan Tinta Printer Tahun
2022 .......................................................................................................... 13
3.2.2 Prediksi Jumlah Persediaan Tinta Printer PT. ABC Tahun 2022 ... 14

BAB 4 PENUTUP................................................................................................ 16
4.1 Kesimpulan ................................................................................................16
4.2 Saran ..........................................................................................................16

DAFTAR PUSTAKA .......................................................................................... 17

iii
 BAB 1

PENDAHULUAN

1.1 Latar Belakang Masalah

Dalam menjalankan bisnisnya, pengusaha pasti dihadapkan dengan

ketidakpastian atau risiko yang muncul secara alami dalam setiap aktivitas bisnis

tersebut. Risiko-risiko ini sebetulnya dapat dianalisis dan dievaluasi dampaknya

berdasarkan data masa lalu, pengalaman ataupun pengetahuan. Namun, analisis dan

evaluasi yang dibuat seringkali hanya mencakup sebagian kecil dari dampak risiko

yang sesungguhnya dapat terjadi. Hal itu disebabkan oleh suatu risiko, besar

kemungkinannya, berasal dari serangkaian peristiwa acak di luar pengalaman atau

pengetahuan yang dimiliki pengusaha (Alijoyo et al., 2020).

Bagi industri manufaktur, persediaan barang, baik bahan baku maupun

produk jadi, menjadi faktor vital dalam melakukan aktivitas produksi. Idealnya,

sebelum melakukan produksi, bahan baku harus sudah disiapkan. Namun,

seringkali sebuah usaha gagal dalam menyajikan data mengenai kisaran jumlah

persediaan bahan baku yang tepat untuk memenuhi permintaan pasar (Eunike et al.,

2018). Sementara pemenuhan permintaan pasar, khususnya pelanggan, merupakan

tujuan dari setiap bisnis. Kegagalan dalam memprediksi jumlah persediaan ini

termasuk salah satu risiko bisnis yang dihadapi hampir semua pengusaha.

Permasalahan di atas juga dialami salah satu perusahaan manufaktur PT.

ABC yang berspesialisasi dalam formulasi tinta printer. Seiring dengan

meningkatnya penggunaan komputer pribadi di rumah, perkantoran maupun usaha

di bidang percetakan, usaha manufaktur tinta printer pun turut mengalami

1
 2

pertumbuhan. Sebagai salah satu perusahaan produsen tinta printer terbesar di

Indonesia, PT. ABC menjamin kualitas bahan baku, pengetahuan, dan teknologi

yang digunakan dalam proses produksi. Bahkan, perusahaan telah bekerja sama

dengan pemasok bahan kimia utama dan berencana akan terus memperluas

jangkauan pasarnya. Dengan demikian, perusahaan harus cermat dalam

memperkirakan kuantitas persediaan produknya guna menjaga reputasinya di mata

konsumen.

Kesalahan estimasi jumlah persediaan dipengaruhi oleh permintaan

konsumen yang tidak menentu setiap harinya. Hal tersebut meningkatkan risiko

berupa jumlah produksi yang melebihi permintaan sehingga perusahaan harus

kembali menyimpan produk di gudang yang pastinya membutuhkan biaya

tambahan. Disamping itu, perusahaan juga akan kehilangan kesempatan

mendapatkan laba yang lebih cepat (Ardiansah et al., 2019; Prasetyowati, 2016).

Sebaliknya, jika permintaan melebihi jumlah produksi, timbullah masalah lain,

yakni keterbatasan persediaan yang menghambat kegiatan operasional perusahaan.

Hal ini dapat menjadi penyebab utama terjadinya rush order yang tidak bisa

ditangani oleh perusahaan (Guo, 2016). Kurangnya persediaan tinta printer akan

berdampak pada tidak terpenuhinya permintaan konsumen yang pada akhirnya

menurunkan tingkat permintaan hingga pendapatan perusahaan (Blocher et al.,

2007).

Merencanakan kuantitas barang jadi dengan tepat akan membantu

pengusaha memprediksi kemungkinan keuntungan yang diperoleh di masa

mendatang. Hal itu diyakini penting sebagai acuan bagi pelaku usaha untuk
 3

mengevaluasi bisnisnya (Prasetyowati, 2016). Berdasarkan pemikiran tersebut,

disusunlah makalah penelitian berjudul “Implementasi Simulasi Monte Carlo

dalam Memprediksi Persediaan Tinta Printer PT. ABC” yang fokus pada

peramalan jumlah persediaan barang jadi berupa tinta printer, berdasarkan data

penjualan sebelumnya. Salah satu cara untuk memprediksi persediaan adalah

dengan melakukan Simulasi Monte Carlo sebagai metode analisis dan evaluasi

risiko. Simulasi tersebut dipercayai mampu memberikan gambaran yang

merefleksikan kondisi nyata bisnis melalui perhitungan probabilitas hasil akhir

akibat ketidakpastian dengan melibatkan sampel acak (random variable)

berdasarkan karakteristik distribusi input atau data yang dianalisis (Alijoyo et al.,

2020).

Monte Carlo merupakan bentuk simulasi probabilistik yang memberikan

solusi dari suatu masalah secara acak (random) berdasarkan distribusi data masa

lalu yang digunakan. Dasar simulasi ini adalah pengujian pada elemen-elemen

probabilistik dengan menggunakan sampel angka acak (Fathoni, 2011; Oktavia et

al., 2020). Awalnya, teknik ini sangat popular di industri keuangan—khususnya

digunakan dalam menghitung Value at Risk (VaR) dari suatu investasi, namun kini

Simulasi Monte Carlo telah banyak diterapkan di berbagai bidang (Alijoyo et al.,

2020).

1.2 Rumusan Masalah

Merujuk latar belakang di atas, dirumuskan sejumlah masalah berikut ini:

1) Apakah Simulasi Monte Carlo dapat memprediksi persediaan tinta printer PT.

ABC?
 4

2) Berapakah persediaan optimal tinta printer yang diproduksi PT. ABC?

1.3 Batasan Masalah

Supaya pembahasan penelitian fokus dan terarah, perlu disusun batasan-

batasannya. Adapun batasan permasalahan dalam penelitian ini adalah:

1) Makalah hanya menitikberatkan pada prediksi jumlah persediaan tinta printer

berdasarkan data penjualan; dan

2) Data jumlah penjualan yang digunakan merupakan data pada kondisi normal.

1.4 Tujuan Penelitian

1) Mengetahui kemampuan Simulasi Monte Carlo dalam memprediksi

persediaan tinta printer PT. ABC; dan

2) Mengetahui prediksi jumlah persediaan optimal tinta printer yang diproduksi

PT. ABC.

1.5 Manfaat Penelitian

1.5.1 Manfaat Praktis

1) Memberikan sumbangan dan kajian dalam menentukan metode untuk

memprediksi persediaan di dalam unit usahanya; serta

2) Memberikan informasi mengenai peran Simulasi Monte Carlo dalam

memprediksi persediaan.

1.5.2 Manfaat Teoritis

1) Menambah wawasan ilmu dalam bidang pengelolaan persediaan dan menjadi

landasan bagi penelitian selanjutnya.

 BAB 2

KAJIAN TEORI DAN PENELITIAN TERDAHULU

2.1 Kajian Teori

2.1.1 Simulasi Monte Carlo

Simulasi Monte Carlo adalah salah satu teknik penilaian risiko kuantitatif

yang dapat digunakan oleh berbagai organisasi dalam proses manajemen risiko,

terutama tahapan analisis dan/atau evalusi risiko yang melibatkan sampel

eksperimen bilangan acak (Alijoyo et al., 2020; Prasetyowati, 2016). Pembangunan

simulasi didasarkan pada probabilitas yang diperoleh dari data historis sebuah

kejadian dan frekuensinya, yang dapat dituliskan dalam formulasi matematika

sebagai berikut (Pratiwi dan Rilantiana, 2016):

𝑓𝑖
𝑃𝑖 = …………………………………………………….…………….. 2.1
𝑛

dimana: 𝑃𝑖 : probabilitas kejadian i

𝑓𝑖 : frekuensi kejadian i

n : jumlah frekuensi semua kejadian

Simulasi Monte Carlo menjadi salah satu model yang paling populer untuk

masalah pengendalian persediaan (Djati, 2007) dan termasuk dalam jenis simulasi

probabilistik yang mampu melakukan estimasi solusi untuk sebuah permasalahan

dengan cara penarikan sampel dari sebuah proses acak (Tersine, 1994). Analisis dan

evaluasi risiko dengan fenomena bilangan acak tidak hanya hanya dilakukan untuk

5
 6

peristiwa-peristiwa risiko pasar, risiko kredit, dan risiko operasional di industri

perbankan, tetapi juga untuk risiko operasional di berbagai bidang lain, misalnya

manufaktur (Alijoyo et al., 2020). Pada dasarnya, metode ini mampu meniru

kondisi sesungguhnya dari suatu permasalahan dengan melakukan estimasi

distribusi yang sama dan sesuai dengan kenyataan (Bunyanuddin, 2018). Pada

simulasi persediaan barang, pesanan produk, waktu permintaan dan jumlah produk

permintaan saat proses pengiriman bersifat tidak pasti (probabilistik). Fungsi dari

distribusi probabilistik tersebut dibutuhkan untuk mengenali perilaku variabel-

variabelnya dengan melakukan analisis data masa lalunya sehingga informasi yang

disediakan dapat dipercaya atau akuntabilitasnya tinggi (Prasetyowati, 2016).

Biasanya, Simulasi Monte Carlo disusun menggunakan alat bantu spreadsheet,

perangkat lunak, atau aplikasi tertentu, misalnya Microsoft Excel, untuk

membangkitkan variabel atau nilai acak. Selanjutnya, dilakukan sejumlah

pengulangan proses simulasi melalui serangkaian iterasi (Alijoyo et al., 2020) dan

perbandingan data simulasi dengan data yang sesungguhnya untuk memperoleh

tingkat akurasi model.

2.1.2 Model Simulasi

Simulasi umumnya didefinisikan sebagai usaha melakukan pendekatan

terhadap sistem yang nyata dengan menggunakan model (Djati, 2007). Model

simulasi adalah perangkat uji coba yang menerapkan beberapa aspek penting untuk

mendapatkan beberapa alternatif terbaik dalam mendukung pengambilan

keputusan, termasuk salah satunya melalui data masa lalu. Model simulasi yang

efektif digunakan untuk menyelesaikan permasalahan yang kompleks yang sangat

 7

sulit diselesaikan dengan model matematis biasa (Prasetyowati, 2016). Secara

umum, simulasi dapat diartikan sebagai suatu sistem yang digunakan untuk

menguraikan persoalan-persoalan dalam kehidupan nyata yang penuh dengan

ketidakpastian dengan tidak atau menggunakan model atau metode tertentu dan

lebih ditekankan pada pemakaian komputer untuk mendapatkan solusinya (Kakiay,

2004).

2.1.3 Persediaan

Persediaan didefinisikan sebagai barang yang menjadi obyek utama aktifitas

perusahaan yang tersedia untuk diproduksi atau dijual kembali kepada konsumen

(Prasetyowati, 2016). Persediaan juga dapat diartikan sebagai aset atau sumber daya

yang dimiliki perusahaan untuk dijual dalam operasi bisnis normal atau barang yang

akan digunakan atau dikonsumsi dalam memproduksi barang yang akan dijual.

Persediaan bertujuan untuk memenuhi kebutuhan konsumen yang jumlahnya harus

cukup berdasarkan permintaan pasar, tidak kurang dan juga tidak lebih. Persediaan

perlu dikendalikan dengan cara mencatat dan memverifikasinya secara berkala dan

berkelanjutan dalam sebuah audit (Khairunisa, 2020). Ada sejumlah hal yang perlu

dipertimbangkan oleh manajemen perusahaan terkait persediaan, yaitu: (1) jumlah

unit persediaan bahan baku yang akan disiapkan perusahaan; serta (2) waktu

perusahaan harus membeli dan membeli kembali persediaan.

 8

2.2 Penelitian Terdahulu

Makalah ini dibuat berdasarkan sejumlah studi terdahulu terkait

penggunaan Simulasi Monte Carlo untuk mengestimasi jumlah persediaan yang

dipaparkan pada Tabel 2.1 di bawah ini.

Tabel 2.1 Penelitian Terdahulu

No. Nama (Tahun) Judul Hasil Penelitian

1. Oktavia, et al. Analisis dan Jumlah simulasi penjualan
(2020) implementasi tahun 2019 lebih tinggi
Simulasi Monte dibandingkan jumlah
Carlo untuk penjualan sebenarnya di tahun
prediksi kebutuhan 2018, dimana prediksi total
gula berdasarkan kebutuhan gula di tahun 2019
penjualan Bumbu juga lebih tinggi. Hal ini
Tabur XYZ menunjukkan bahwa jumlah
kebutuhan persediaan
proporsional dengan jumlah
penjualan.
2. Muhaimin, et al. Pemodelan dan Tingkat akurasi Metode
(2020) simulasi Monte Carlo dalam
pengelolaan memprediksi persediaan alat
persedian alat tulis tulis kantor sebesar 92%.
kantor dengan Hasil pengujian sesuai dengan
Metode Monte perhitungan manual yang
Carlo telah dilakukan sehingga
disimpulkan bahwa
penggunaan simulasi untuk
menggambarkan situasi dalam
jangka waktu panjang terbukti
cukup efektif.
3. Darnis, et al. Simulasi Monte Dari hasil Simulasi Monte
(2020) Carlo untuk Carlo, dapat diprediksi bahwa
memprediksi persediaan darah untuk tahun
persediaan darah 2018 berjumlah 103.080
kantung dengan tingkat
akurasi 96,21%. Sementara
persediaan darah untuk tahun
2019 berjumlah 43.322
kantung, dengan tingkat
akurasi 79,22%.
 9

No. Nama (Tahun) Judul Hasil Penelitian

4. Dedrizaldi, et al. Analisis Menggunakan metode
(2019) perencanaan Simulasi Monte Carlo dapat
persediaan air ditentukan jumlah permintaan
mineral dengan untuk tahun 2018 sebesar
pendekatan 2.669.458 kardus dan rata-rata
Metode Monte permintaan dalam satu
Carlo pada PT. minggu sebesar 54.478,73
Agrimitra Utama kardus.
Persada
 BAB 3

HASIL PENELITIAN DAN PEMBAHASAN

3.1 Hasil Penelitian

Model simulasi dibuat menggunakan program Microsoft Excel. Proses

pengolahan data input simulasi dilakukan memakai fungsi-fungsi program yang

tersedia—yang disesuaikan dengan formulasi yang dibutuhkan untuk menghasilkan

estimasi nilai optimal persediaan tahun 2022. Selanjutnya, dilakukan perhitungan

nilai probabilitas beserta intervalnya dengan Persamaan 2.1 menggunakan data

historis penjualan tinta printer bulanan pada tahun 2021. Sepanjang tahun 2021,

penjualan tinta terbanyak terjadi pada bulan September, yaitu sebanyak 1.824 buah

dengan probabilitas sebesar 0,104 (Tabel 3.1).

Langkah berikutnya menentukan interval bilangan acak persediaan tinta

berdasarkan nilai probabilitas. Makalah ini menggunakan bilangan acak 2 digit

yang berjumlah 100. Nilai probabilitas 0,078 atau 7,8% (≈8%) dapat diartikan

bahwa penjualan bulan Januari memiliki bilangan acak sebanyak 8 angka dengan

interval antara 0 sampai 8. Interval tersebut nantinya diperlukan untuk menetapkan

jumlah persediaan simulasi dari nilai bilangan acak. Dengan kata lain, bilangan

acak yang dibangkitkan menjadi representasi dari penjualan sesuai data historis

yang ada. Jika bilangan acak yang dibangkitkan pada simulasi berada pada kisaran

0 hingga 8, berarti jumlah persediaan simulasi tinta printer tahun 2022 sebanyak

1.362 buah, begitu pun seterusnya (Tabel 3.1).

10
 11

Tabel 3.1. Data Penjualan, Probabilitas, dan Interval Bilangan Acak

Probabilitas Interval
No. Bulan Penjualan (buah) Probabilitas
Kumulatif Bilangan Acak

1. Januari 1.362 0,078 0,078 0-8

2. Februari 1.636 0,094 0,172 9-17

3. Maret 1.208 0,069 0,241 18-24

4. April 1.763 0,101 0,342 25-34

5. Mei 1.587 0,091 0,433 35-43

6. Juni 1.593 0,091 0,524 44-52

7. Juli 1.397 0,080 0,604 53-60

8. Agustus 1.118 0,064 0,668 61-67

9. September 1.824 0,104 0,772 68-77

10. Oktober 1.071 0,061 0,834 78-83

11. November 1.340 0,077 0,910 84-91

12. Desember 1.565 0,090 1,000 92-100

Jumlah 17.464

Sumber: Data diolah penulis, 2022

Setelah memperoleh interval dari seluruh jumlah penjualan tiap bulan, tahap

selanjutnya adalah membangkitkan bilangan acak menggunakan fungsi Microsoft

Excel “=RANDBETWEEN(1,100)” sebelum melakukan simulasi hasil angka acak

dengan fungsi “IF.” Angka 1 dan 100 pada formulasi maksudnya adalah pencarian

bilangan acak antara angka terkecil, yaitu 1, dan angka terbesar, yakni 100. Langkah

berikutnya ialah menghitung tingkat akurasi dengan membandingkan data

penjualan sesungguhnya tahun 2021 dan hasil simulasi persediaan tahun 2022.
 12

Bilangan acak 78, bersumber pada data interval di Tabel 3.1, diartikan bahwa

persediaan tinta printer pada simulasi untuk bulan Juni 2022 berjumlah 1.071 buah.

Sementara tingkat akurasi hasil simulasi bulan Juni 2022 mencapai

67,23%―berdasarkan data penjualan di bulan yang sama tahun sebelumnya (Tabel

3.2).

Tabel 3.2. Estimasi Jumlah Persediaan Tinta Printer Tahun 2022 Hasil
Simulasi Monte Carlo
Penjualan (buah) Bilangan Persediaan Tahun
No. Bulan Tingkat Akurasi
Tahun 2021 Acak 2022 (Simulasi)

1. Januari 1.362 55 1.397 97,49%

2. Februari 1.636 30 1.763 92,80%

3. Maret 1.208 70 1.824 66,23%

4. April 1.763 46 1.593 90,36%

5. Mei 1.587 67 1.824 87,01%

6. Juni 1.593 78 1.071 67,23%

7. Juli 1.397 68 1.824 76,59%

8. Agustus 1.118 30 1.763 63,41%

9. September 1.824 73 1.824 100,00%

10. Oktober 1.071 6 1.362 127,17%

11. November 1.340 46 1.593 84,12%

12. Desember 1.565 11 1.636 95,66%

Jumlah 17.464 19.474 89,68%

Prediksi persediaan tinta bulanan tahun 2022 1.622,8 89,68%

Sumber: Data diolah penulis, 2022

 13

3.2 Pembahasan

3.2.1 Hasil Simulasi Monte Carlo untuk Persediaan Tinta Printer Tahun 2022

Model Simulasi Monte Carlo yang telah dikembangkan mampu

mengestimasi jumlah persediaan tinta. Dalam penelitian ini, hasil pembangkitan

bilangan acak sebagai dasar untuk menentukan besar estimasi data persediaan di

tahun 2022. Pembangkitan bilangan acak menggunakan fungsi RANDBETWEEN

dari Microsoft Excel. Gambaran hasil pembangkitan bilangan acak berkisar dari

angka 6 sampai 78. Bilangan acak sebesar 6 menunjukkan jumlah persediaan hasil

simulasi berada di interval 0-8 yang mewakili data penjualan sebesar 1.362 buah.

Sedangkan bilangan acak sebesar 78 menunjukkan jumlah persediaan hasil simulasi

berada di interval 78-83 yang mewakili data penjualan sebesar 1.071 buah.

Penentuan persediaan dengan model ini dapat membantu pengusaha dalam

mengelola bisnisnya, terutama masalah kuantitas produksi, dengan lebih terencana.

Perencanaan bisnis yang tepat akan menghasilkan sistem produksi yang nantinya

lebih terstruktur dan optimal. Simulasi Monte Carlo juga menjawab tantangan

kekurangan dan kelebihan persediaan produk yang menghambat atau menurunkan

peluang optimal dalam memperoleh keuntungan semaksimal. Poin yang perlu

diingat para pengusaha ialah, bilangan acak yang dibangkitkan dari proses simulasi

tidak serta-merta dapat digunakan untuk menentukan nilai persediaan dan

permintaan di masa mendatang, melainkan guna mewaspadai kemungkinan-

kemungkinan kelebihan atau kekurangan produk di waktu-waktu tertentu

(Prasetyowati, 2016).
 14

3.2.2 Prediksi Jumlah Persediaan Tinta Printer PT. ABC Tahun 2022

Berdasarkan Simulasi Monte Carlo, jumlah persediaan tinta terkecil yang

perlu diproduksi perusahaan adalah 1.071 buah, yaitu pada bulan Juni. Sementara

jumlah terbanyak yang kemungkinan perlu disiapkan oleh perusahaan ke depannya

sebesar 1.824 buah, yakni pada bulan Juli dan September. Menurut hasil simulasi

juga ditunjukkan bahwa total persediaan tinta bulanan untuk satu tahun adalah

19.474 buah dengan rata-rata 1.622,8 buah tiap bulannya serta tingkat akurasi

mencapai 89,68%. Bila dibandingkan dengan data penjualan tahun 2021, tingkat

akurasi prediksi menggunakan Simulasi Monte Carlo paling kecil terletak pada

bulan Agustus yang hanya mencapai 63,41% dan Juni yang mencapai 67,23%.

Hasil tersebut merupakan simulasi pendekatan prediksi persediaan setiap bulan

untuk tahun 2022.

Dari hasil simulasi ini, perusahaan dapat mempersiapkan kapasitas produksi

serta tenaga kerja yang akan digunakan untuk periode berikutnya. Selain itu, hasil

simulasi juga diyakini dapat memberikan informasi yang membantu mengelola

peramalan persediaan tinta di masa mendatang. Penelitian serupa dilakukan oleh

(Muhaimin et al., 2020) yang memprediksi persediaan alat tulis kantor dengan

metode Simulasi Monte Carlo. Pengujian yang dilakukan mendapatkan tingkat

akurasi sebesar 92% yang juga menggambarkan situasi dalam jangka panjang

terbukti cukup efektif. Studi (Dedrizaldi et al., 2019) yang melakukan pengolahan

data menggunakan metode Simulasi Monte Carlo dalam merencanakan persediaan

Air Minum dalam Kemasan (AMDK) mendapatkan jumlah permintaan untuk tahun

2018 sebesar 2.669.458 kardus dan rata-rata permintaan dalam satu minggu sebesar
 15

54.478,73 kardus. Darnis et al. (2020) memprediksi persediaan darah menggunakan

Simulasi Monte Carlo dan mendapatkan tingkat akurasi sebesar 96,21% untuk

tahun 2018 dan 79,22% untuk tahun 2019.

 BAB 4

PENUTUP

4.1 Kesimpulan

Simulasi Monte Carlo yang dibuat menjelaskan hasil prediksi persediaan

tinta printer pada bulan Januari sampai dengan bulan Desember tahun 2022. Rata-

rata persediaan produk yang diperoleh dengan membangkitkan 12 bilangan acak

adalah 1.622,8 buah dengan tingkat akurasi sebesar 89,68%. Kesimpulan yang

dapat ditarik dari makalah penelitian ini adalah Simulasi Monte Carlo mampu

membantu pengambilan keputusan untuk memprediksi persediaan produk tinta

printer PT. ABC di masa depan.

4.2 Saran

Makalah ini hanya membahas persediaan produk jadi sehingga peneliti

selanjutnya diharapkan untuk menggunakan aspek produksi lainnya, contohnya

persediaan bahan baku atau tingkat pendapatan. Hal tersebut dimaksudkan untuk

melihat efektivitas metode Monte Carlo dalam membuat model simulasi prediksi

atau estimasi variabel yang dipilih berdasarkan data historis aslinya. Disamping itu,

peneliti juga disarankan untuk menambah sampel dan melakukan simulasi lebih

dari 1.000 kali agar hasil prediksi lebih akurat.

16
 DAFTAR PUSTAKA

Alijoyo, A., Wijaya, B., & Jacob, I. (2020). Monte carlo simulation. Center for Risk
Management & Sustainability. www.lspmks.co.id
Ardiansah, I., Pujianto, T., & Perdana, I. I. (2019). Penerapan simulasi monte carlo
dalam memprediksi persediaan produk jadi pada IKM Buluk Lupa. Jurnal
Industri Pertanian, 01(03), 61–69. http://jurnal.unpad.ac.id/justin
Blocher, E. J., Chen, K. H., Cokins, G., & Lin, T. W. (2007). Manajemen biaya:
Penekanan strategis (Buku 2) (3rd ed.). Penerbit Salemba.
Bunyanuddin, A. (2018). Model simulasi monte carlo untuk menentukan kebutuhan
alat angkut dan biaya pengiriman barang per kilogram (Studi kasus pada
perusahaan jasa pengiriman barang). Institut Teknologi Sepuluh Nopember.
Darnis, R., Nurcahyo, G. W., & Yunus, Y. (2020). Simulasi monte carlo untuk
memprediksi persediaan darah. Jurnal Informasi Dan Teknologi, 2(4), 139–
144. https://doi.org/10.37034/jidt.v2i4.98
Dedrizaldi, Masdupi, E., & Linda, M. R. (2019). Analisis perencanaan persediaan
air mineral dengan pendekatan metode monte carlo pada PT. Agrimitra Utama
Persada. Jurnal Kajian Manajemen Dan Wirausaha, 01(01), 388–396.
Djati, B. S. L. (2007). Simulasi, teori dan aplikasinya. ANDI.
Eunike, A., Setyanto, N. W., Yuniarti, R., Hamdala, I., Lukodono, R. P., & Fanani,
A. A. (2018). Perencanaan produksi dan pengendalian persediaan.
Universitas Brawijaya Press.
Fathoni, A. (2011). Optimasi persediaan rangkaian bunga hias menggunakan
simulasi monte carlo (Studi kasus pada CV Sentra Mulia tahun 2011).
Universitas Islam Negeri Syarif Hidayatullah.
Guo, Z. (2016). Intelligent decision-making models for production and retail
operations. Springer Berlin Heidelberg.
https://books.google.co.id/books?id=SQyPDAAAQBAJ&pg=PA317&lpg=P
A317&dq=Guo,+Z.+(2016).+Intelligent+Decision-
making+Models+for+Production+and+Retail+Operations.+Springer+Berlin+
Heidelberg.&source=bl&ots=D2hXTMMNt_&sig=ACfU3U0GkiDqjV5Asj
A0gi7kf-
vcFD9Tbw&hl=en&sa=X&ved=2ahUKEwiD2ZTYpOn3AhUzILcAHa4eCv
cQ6AF6BAgREAM#v=onepage&q=Guo%2C Z. (2016). Intelligent
Decision-making Models for Production and Retail Operations. Springer
Berlin Heidelberg.&f=false
Kakiay, T. J. (2004). Pengantar sistem simulasi. ANDI.
Khairunisa, A. (2020). Optimasi persediaan berbasis simulasi monte carlo serta
analisis kinerja gudang batu bara menggunakan Frazelle Model (Studi kasus:
PT. Sinar Tambang Arthalestari). Universitas Islam Indonesia.
Muhaimin, A., Sumijan, & Santony, J. (2020). Pemodelan dan simulasi pengelolaan
persedian alat tulis kantor dengan metode monte carlo. Jaringan Sistem
Informasi Robotik, 4(1), 1–6.
http://www.ojsamik.amikmitragama.ac.id/index.php/js/article/view/64/67
Oktavia, C. W., Natalia, C., Suprata, F., & Hindratmo, A. (2020). Analisis dan
implementasi simulasi monte carlo untuk prediksi kebutuhan gula berdasarkan
17
 18

penjualan Bumbu Tabur XYZ. Metris, 21, 103–110.

https://doi.org/10.25170/metris.v21i02.2494
Prasetyowati, E. (2016). Aplikasi simulasi persediaan Teri Crispy Prisma
menggunakan metode monte carlo. Jurnal Sistem Dan Teknologi Informasi
Indonesia, 01(01), 43–49.
Pratiwi, A. A., & Rilantiana, R. (2016). Analisis risiko finansial dengan metode
simulasi monte carlo (Studi kasus: PT. Phase Delta Control). AKRUAL, 8(1),
62–71. https://doi.org/10.26740/jaj.v8n1.p62-71
Tersine, R. J. (1994). Principles of inventory and material management (4th ed.).
Prentice Hall.