MAKALAH MANAJEMEN OPERASI CHAPTER 13

SUPLEMENT TO OPERATIONAL DECISION-MAKING TOOLS: SIMULATION

Dosen:
Dyah Sugandhini, DR,M.Si
Yekti Utami, DRA, M.Si

Oleh :
Andhita Murin Kurnialita / 141180178
Feliza Kusumawati / 141180182
Puri Yulitaningsih / 141180188
Kezia Chris Novitiya / 141180289

Kelas:
EM-C

PROGRAM STUDI MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN” YOGYAKARTA
TAHUN 2019/2020

i
 KATA PENGANTAR

Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa karena berkat begitu
banyak kenikmatan yang diberikan sehingga kami bisa menyelesaikan makalah ini dengan
lancar tanpa ada halangan suatu apapun.
Berikutnya kami sampaikan terimakasih kepada dosen dan semua pihak yang telah
berperan serta dalam penyusunan makalah ini dari awal sampai akhir.
Kami tentunya menyadari bahwa makalah ini masih jauh dari sempurna, oleh karena
itu kritik dan saran dari semua pihak yang bersifat membangun selalu kami harapkan demi
kesempurnaan makalah ini.

Yogyakarta, 15 April 2020

Kelompok 2

ii
 DAFTAR ISI

KATA PENGANTAR..............................................................................................................ii
DAFTAR ISI...........................................................................................................................iii
BAB I PENDAHULUAN.........................................................................................................1
1.1. Latar Belakang.............................................................................................................1
1.2. Rumusan Masalah........................................................................................................1
1.3. Tujuan..........................................................................................................................1
1.4. Manfaat........................................................................................................................1
BAB II PEMBAHASAN..........................................................................................................2
2.1. Simulasi Monte Carlo..................................................................................................2
2.2. Simulasi Komputer Dengan Excel..............................................................................6
2.3. Area Aplikasi Simulasi..............................................................................................13
BAB III PENUTUP................................................................................................................15
3.1. Kesimpulan....................................................................................................................15
DAFTAR PUSTAKA.............................................................................................................16

iii
 BAB I PENDAHULUAN

1.1. Latar Belakang

Simulasi populer karena dapat diterapkan pada hampir semua jenis masalah. Bisa
sering digunakan ketika tidak ada metode kuantitatif lain yang berlaku; terkadang itu
adalah teknik upaya terakhir untuk suatu masalah. Ini adalah pendekatan pemodelan
yang terutama digunakan untuk menganalisis masalah probabilistik. Biasanya tidak
memberikan solusi; namun menyediakan informasi untuk membuat keputusan.
Banyak eksperimen dalam penerbangan luar angkasa dilakukan dengan menggunakan
simulasi fisik itu menciptakan kembali kondisi ruang. Kondisi tanpa bobot
disimulasikan menggunakan kamar diisi dengan air. Contoh lain termasuk terowongan
angin yang mensimulasikan kondisi penerbangan dan treadmill yang mensimulasikan
keausan ban mobil di laboratorium alih-alih di jalan.
Suplemen ini berkaitan dengan jenis simulasi lain, matematis terkomputerisasi simulasi.
Dalam bentuk simulasi ini, sistem direplikasi dengan model matematika, yang
dianalisis dengan komputer. Jenis simulasi ini sangat populer dan telah diterapkan
untuk berbagai masalah operasional.

1.2. Rumusan Masalah

1.2.1. Bagaimana Simulasi Monte Carlo diterapkan dan digunakan untuk pengambilan
keputusan?
1.2.2. Bagaimana melaukan simulasi dengan program Excel di komputer?
1.2.3. Bagaimana aplikasi simulasi di beberapa area?

1.3. Tujuan
1.3.1. Mengetahui bagaimana Simulasi Monte Carlo diterapkan dan digunakan untuk
pengambilan keputusan
1.3.2. Mengetahui bagaimana melaukan simulasi dengan program Excel di komputer
1.3.3. Mengetahui bagaimana aplikasi simulasi di beberapa area

1.4. Manfaat
1.4.1. Dapat mengetahui bagaimana Simulasi Monte Carlo diterapkan dan digunakan
untuk pengambilan keputusan
1.4.2. Dapat mengetahui bagaimana melaukan simulasi dengan program Excel di
komputer
1.4.3. Dapat mengetahui bagaimana aplikasi simulasi di beberapa area

1
 BAB II PEMBAHASAN

2.1. Simulasi Monte Carlo

Beberapa masalah sulit diselesaikan secara analitis karena terdiri dari variabel acak
yang direpresentasikan oleh distribusi probabilitas.Dengan demikian, sebagian besar
aplikasi simulasi adalah untuk model probabilistik. Istilah Monte Carlo telah menjadi
identik dengan simulasi probabilistik dalam beberapa tahun terakhir. Namun, teknik
Monte Carlo dapat secara lebih sempit didefinisikan sebagai teknik untuk memilih
angka secara acak dari distribusi probabilitas (mis., Pengambilan sampel) untuk
digunakan dalam percobaan (komputer) menjalankan simulasi. Seperti itu, teknik
Monte Carlo bukan jenis model simulasi melainkan proses matematika yang digunakan
dalam simulasi. Nama Monte Carlo sesuai, karena prinsip dasar di balik prosesnya
sama dengan pengoperasian kasino perjudian di Monako. Di Monako perangkat seperti
roda roulette, dadu, dan kartu remi menghasilkan hasil bernomor secara acak dari
populasi yang terdefinisi dengan baik. Misalnya, 7 yang dihasilkan dari dadu yang
dilemparkan adalah nilai acak dari populasi sebelas angka yang mungkin (mis., 2
hingga 12). Proses yang sama ini digunakan, pada prinsipnya, dalam proses Monte
Carlo yang digunakan dalam model simulasi.
Proses Monte Carlo dalam memilih angka acak berdasarkan distribusi probabilitas akan
diperlihatkan menggunakan contoh berikut. Manajer ComputerWorld, toko yang
menjual komputer dan peralatan terkait, berusaha menentukan berapa banyak laptop
yang harus dipesan toko setiap minggu. Pertimbangan utama dalam keputusan ini
adalah jumlah rata-rata laptop yang akan dijual toko setiap minggu dan pendapatan
mingguan rata-rata yang dihasilkan dari penjualan laptop. Laptop dijual seharga $ 4300.
Jumlah laptop yang diminta setiap minggu adalah variabel acak (yang akan kami
definisikan sebagai x) yang berkisar dari 0 hingga 4. Dari catatan penjualan
sebelumnya, manajer telah menentukan frekuensi permintaan untuk laptop selama 100
minggu terakhir. Dari distribusi frekuensi ini, distribusi probabilitas permintaan dapat
dikembangkan, seperti yang ditunjukkan pada Tabel S13.1.

2
Tujuan dari proses Monte Carlo adalah untuk menghasilkan variabel acak, permintaan,
dengan "sampel" dari distribusi probabilitas, P (x). Permintaan per minggu dapat
dihasilkan secara acak sesuai dengan distribusi probabilitas dengan memutar roda
roulette yang dipartisi menjadi segmen yang sesuai dengan probabilitas, seperti yang
ditunjukkan pada Gambar S13.1 di halaman berikut.
Ada 100 angka dari 0 hingga 99 di tepi luar roda, dan mereka telah dipisah sesuai
dengan probabilitas masing-masing nilai permintaan. Misalnya, 20 angka dari 0 hingga
19 (mis., 20% dari total 100 angka) sesuai dengan permintaan nol laptop. Sekarang kita
dapat menentukan nilai permintaan dengan jumlah roda berhenti dan segmen roda.
Ketika manajer memutar roda ini, permintaan untuk laptop akan ditentukan oleh angka.
Misalnya, jika angka 71 muncul berputar, permintaannya adalah 2 laptop per minggu;
angka 30 menunjukkan permintaan 1. Karena manajer tidak tahu nomor mana yang
akan muncul sebelum putaran dan ada peluang yang sama dari 100 nomor yang terjadi,
angka-angka tersebut terjadi secara acak. Artinya, mereka adalah angka acak.
Biasanya tidak praktis untuk memprediksi permintaan laptop mingguan dengan
memutar roda. Secara alternatif, proses pemintalan roda dapat direplikasi
menggunakan angka acak saja.
Pertama, kami akan mentransfer rentang angka acak untuk setiap nilai permintaan dari
roda roulette ke tabel, seperti pada Tabel S13.2. Selanjutnya, alih-alih memutar roda
untuk mendapatkan nomor acak, kami akan memilih nomor acak dari Tabel S13.3,
yang disebut sebagai tabel angka acak. (Angka-angka acak ini telah dihasilkan oleh
komputer sehingga mereka sama-sama cenderung terjadi, sama seperti jika kita
memutar roda.) Sebagai contoh, mari kita pilih angka 39 pada Tabel S13.3. Melihat
lagi pada Tabel S13.2, kita dapat melihat bahwa angka acak 39 jatuh dalam kisaran 20-
59, yang sesuai dengan permintaan mingguan 1 laptop.
Dengan mengulangi proses pemilihan nomor acak ini dari Tabel S13.3 (mulai dari
mana saja dalam tabel dan bergerak ke segala arah tetapi tidak mengulangi urutan yang
sama) dan kemudian menentukan permintaan mingguan dari nomor acak, kita dapat
mensimulasikan permintaan untuk periode waktu tertentu. Sebagai contoh, Tabel S13.4
menunjukkan permintaan disimulasikan untuk periode 15 minggu berturut-turut.
Data ini sekarang dapat digunakan untuk menghitung estimasi permintaan mingguan
rata-rata.
31
Perkiraan permintaan rata-rata =2,07 laptop/mingu
15

3
 Manajer kemudian dapat menggunakan informasi ini untuk menentukan jumlah
laptop yang dipesan setiap minggu.
Meskipun contoh ini sesuai untuk menggambarkan cara kerja simulasi,
permintaan rata-rata dapat lebih tepat dihitung secara analitis menggunakan rumus
untuk nilai yang diharapkan. Nilai yang diharapkan, atau rata-rata, untuk permintaan
mingguan dapat dihitung secara analitik dari distribusi probabilitas, P (x), sebagai
berikut:
E (x) = (0,20) (0) + (0,40) (1) + (0,20) ( 2) + (0,10) (3) + (0,10) (4) = 1,5
laptop/minggu.
Hasil analisis 1,5 laptop tidak terlalu dekat dengan hasil simulasi dari 2,07 laptop.
Perbedaan (0,57 laptop) antara nilai simulasi dan nilai analitis adalah hasil dari jumlah
periode di mana simulasi dilakukan. Hasil dari setiap studi simulasi tunduk pada
berapa kali simulasi terjadi (yaitu, jumlah uji coba). Sehingga, semakin banyak periode
simulasi dilakukan, semakin akurat hasilnya. Misalnya, jika permintaan disimulasikan
selama 1000 minggu, kemungkinan besar nilai rata-rata persis sama dengan nilai
analitis (1,5 laptop per minggu) akan dihasilkan. Setelah simulasi telah diulangi cukup
lama, itu mencapai hasil rata-rata yang tetap konstan, yang disebut resutt kondisi-

4
mapan. Untuk contoh ini, 1,5 laptop adalah rata-rata jangka panjang atau hasil mapan,
tetapi kita telah melihat bahwa simulasi harus diulang lebih dari 15 kali (mis., Minggu)

sebelum hasil ini tercapai.

5
2.2. Simulasi Komputer Dengan Excel
Simulasi yang kami lakukan secara manual untuk contoh ini tidak terlalu sulit. Namun,
jika kami telah melakukan simulasi selama 1000 minggu, itu akan memakan waktu
beberapa jam. Di sisi lain, simulasi ini dapat dilakukan di komputer dalam beberapa
detik. Juga, contoh simulasi kami tidak terlalu rumit. Ketika model simulasi menjadi
semakin kompleks, menjadi hampir mustahil untuk melakukannya secara manual,
membuat komputer menjadi kebutuhan.
Meskipun kami tidak akan mengembangkan model simulasi dalam bahasa komputer,
kami akan menunjukkan bagaimana model simulasi terkomputerisasi dikembangkan
menggunakan spreadsheet Excel. Kami akan melakukannya dengan mensimulasikan
contoh inventaris kami untuk ComputerWorld.
Langkah pertama dalam mengembangkan model simulasi adalah menghasilkan angka
acak. Angka acak antara 0 dan 1 dapat dihasilkan di Excel dengan memasukkan rumus,
RAND (), dalam sel. Tampilan S13.1 adalah spreadsheet Excel dengan 100 angka acak
yang dihasilkan dengan memasukkan rumus, RAND (), di sel A3 dan menyalin ke sel
dalam kisaran A3: J12. Kami dapat menyalin berbagai hal ke dalam rentang sel dengan
dua cara. Pertama-tama Anda dapat menutupi sel A3: J12 dengan kursor; lalu ketik
rumus "RAND ()" ke dalam sel A3; dan akhirnya tekan tombol "Ctrl" dan "Enter"

6
secara bersamaan. Atau, Anda dapat mengetik "RAND ()" ke dalam sel A3, "menyalin"
sel ini (menggunakan tombol mouse kanan), lalu menutup sel A4: J12 dengan kursor,
dan (lagi dengan tombol mouse kanan) tempelkan rumus ini ke dalam sel-sel ini.

Tampilan S13.1

Jika Anda mencoba mereplikasi spreadsheet ini, Anda akan menghasilkan angka acak
yang berbeda dari yang ditunjukkan pada Gambar S13.1. Setiap kali Anda
menghasilkan angka acak mereka akan berbeda. Bahkan, setiap kali Anda menghitung
ulang apa pun di spreadsheet Anda, angka acak akan berubah. Anda dapat melihat ini
dengan menekan tombol F9 dan mengamati bahwa semua angka acak berubah. Namun,
kadang-kadang berguna dalam model simulasi untuk dapat menggunakan set yang
sama (atau aliran) angka acak berulang-ulang. Anda dapat membekukan angka acak
yang Anda gunakan pada spreadsheet Anda dengan terlebih dahulu menutupi sel
dengan angka acak di dalamnya dengan kursor, misalnya sel A3: J12 di Gambar S13.1.
Selanjutnya salin sel-sel ini (menggunakan tombol mouse kanan); kemudian klik pada
menu "Edit" di bagian atas spreadsheet Anda dan pilih "Tempel Spesial" dari menu ini.
Selanjutnya pilih "Nilai" pilihan dan klik "OK." Prosedur ini menempel salinan angka
dalam sel-sel ini di atas sel yang sama dengan rumus (RAND ()) di dalamnya, sehingga
membekukan angka di tempatnya.
Perhatikan satu hal lagi dari Bukti S13.1; bilangan acak semuanya antara 0 dan 1,
sedangkan bilangan acak pada Tabel S13.3 adalah bilangan bulat antara 0 dan 100.
Kami menggunakan bilangan acak utuh sebelumnya untuk tujuan ilustrasi; namun,
program komputer seperti Excel umumnya memberikan angka acak antara 0 dan 1.
Sekarang kami siap menduplikasi model simulasi contoh kami untuk toko
ComputerWorld menggunakan Excel. Spreadsheet dalam Tampilan S13.2 termasuk
model simulasi yang awalnya dikembangkan pada Tabel S13.4.

7
 Tampilan S13.2

Catatan pertama bahwa distribusi probabilitas untuk permintaan mingguan untuk laptop
telah dimasukkan dalam sel A5: C11. Perhatikan juga bahwa kami telah memasukkan
serangkaian nilai probabilitas kumulatif di kolom B. Kami menghasilkan probabilitas
kumulatif ini dengan terlebih dahulu memasukkan 0 di sel B6, lalu memasukkan rumus
"A6 B6" di sel B7, dan menyalin rumus ini ke sel B8: B10. Probabilitas kumulatif ini
menciptakan rentang angka acak untuk setiap nilai permintaan. Misalnya, angka acak
apa pun yang kurang dari 0,20 akan menghasilkan nilai permintaan 0, sedangkan angka
acak mana pun yang lebih besar dari 0,20 tetapi kurang dari 0,60 akan menghasilkan
nilai permintaan 1, dan seterusnya.
Angka acak dihasilkan dalam sel F6: F20 dengan memasukkan rumus "RAND ()"
dalam sel F6 dan menyalinnya ke rentang sel dalam F7: F20.
Sekarang kita harus dapat menghasilkan nilai permintaan untuk masing-masing angka
acak ini di kolom F. Kita menyelesaikan ini dengan terlebih dahulu mencakup
probabilitas kumulatif dan nilai permintaan di sel B6: C10 dengan kursor. Lalu kami
memberikan rentang sel ini nama "Pencarian." Ini dapat dilakukan dengan mengetikkan
"Pencarian" langsung pada bilah rumus sebagai pengganti B6 atau dengan mengklik
tombol "Sisipkan" di bagian atas spreadsheet dan memilih "Nama" dan "Tentukan" dan
kemudian masukkan nama "Pencarian. ” Ini memiliki efek menciptakan tabel yang
disebut "Pencarian" dengan rentang angka acak dan nilai permintaan terkait di
dalamnya. Selanjutnya kita masukkan rumus "VLOOKUP (F6, Lookup, 2)" di sel G6
dan salin ke sel dalam rentang G7: G20. Rumus ini akan membandingkan angka acak

8
dalam kolom F dengan probabilitas kumulatif dalam B6: B10 dan menghasilkan nilai
permintaan yang benar dari sel C6: C10.
Setelah nilai permintaan dibuat di kolom G, kita dapat menentukan nilai pendapatan
mingguan dengan memasukkan rumus "4300 * G6" di H6 dan menyalinnya ke sel H7:
H20.
Permintaan mingguan rata-rata dihitung dalam sel C13 dengan menggunakan rumus
“RATA-RATA (G6: G20),” dan pendapatan mingguan rata-rata dihitung dengan
memasukkan formula yang serupa di sel C14.
Perhatikan bahwa nilai permintaan mingguan rata-rata 1,53 dalam Tampilan S13.2
berbeda dari hasil simulasi (2,07) yang kami peroleh dari Tabel S13.4. Ini karena kami
menggunakan aliran angka acak yang berbeda. Seperti yang kami sebutkan
sebelumnya, untuk mendapatkan rata-rata yang mendekati nilai steady state sebenarnya,
simulasi perlu menyertakan lebih banyak pengulangan dari 15 minggu. Sebagai contoh,
Pameran S13.3 mensimulasikan permintaan selama 100 minggu. Jendela telah "beku"
pada baris 16 dan gulir ke atas untuk menampilkan 10 minggu pertama dan 6 terakhir di
layar dalam Tampilan S13.3.

PEMBUATAN KEPUTUSAN DENGAN SIMULASI

Dalam contoh kami sebelumnya, manajer toko ComputerWorld memperoleh beberapa
informasi berguna tentang permintaan mingguan dan pendapatan untuk laptop yang
akan membantu dalam membuat keputusan tentang berapa banyak laptop yang akan
dibutuhkan setiap minggu untuk memenuhi permintaan. Namun, contoh ini tidak
mengarah langsung ke keputusan. Selanjutnya kita akan memperluas contoh toko
ComputerWorld kami sehingga keputusan yang mungkin akan dihasilkan.

Tampilan S13.3
9
Dari simulasi dalam Tampilan S13.3, manajer toko tahu bahwa rata-rata permintaan
mingguan untuk PC laptop adalah sekitar 1,49; namun, manajer tidak dapat memesan
1,49 laptop setiap minggu. Karena laptop pecahan tidak memungkinkan, 1 atau 2 harus
dipesan. Dengan demikian, manajer ingin mengulangi simulasi sebelumnya dengan dua
ukuran pesanan yang memungkinkan, 1 dan 2. Manajer juga ingin memasukkan
beberapa informasi tambahan dalam model yang akan mempengaruhi keputusan.
Jika terlalu sedikit laptop yang tersedia untuk memenuhi permintaan selama minggu
ini, tidak hanya akan ada kehilangan pendapatan, tetapi juga akan ada kekurangan, atau
niat baik pelanggan, biaya $ 500 per unit yang dikeluarkan karena pelanggan tidak akan
senang. Namun, setiap laptop masih dalam persediaan pada akhir setiap minggu yang
belum terjual akan dikenakan biaya persediaan atau penyimpanan $ 50. Dengan
demikian, biaya uang toko baik untuk memiliki laptop terlalu sedikit atau terlalu
banyak setiap minggu. Dengan skenario ini, manajer ingin memesan satu atau dua
laptop, tergantung pada ukuran pesanan mana yang akan menghasilkan pendapatan
mingguan rata-rata terbesar.
Tampilan S13.4 menunjukkan spreadsheet Excel untuk contoh yang direvisi ini.
Simulasi dilakukan selama 100 minggu. Kolom-kolom berlabel "1," "2," dan "4" untuk
"Minggu," "RN," dan "Permintaan" dibuat serupa dengan model dalam Tampilan
S13.3. Array sel B6: C10 diberi nama "Pencarian," dan rumus "VLOOKUP (F6,
Pencarian, 2)" dimasukkan dalam sel H6 dan disalin ke sel H7: H105.
Simulasi dalam Tampilan S13.4 adalah untuk ukuran pesanan satu laptop setiap
minggu. Kolom “Inventaris” (3) melacak jumlah inventaris yang tersedia setiap minggu
— laptop yang dipesan sesuai pesanan dan setiap laptop yang dibawa dari minggu
sebelumnya. Inventaris kumulatif dihitung setiap minggu dengan memasukkan rumus
"1 MAX (G6-H6,0)" di sel G7 dan menyalinnya ke sel G8: G105. Formula ini
menambahkan satu laptop untuk jumlah yang tersisa dari minggu sebelumnya (G6-H6)
atau 0 jika tidak ada laptop yang cukup untuk memenuhi permintaan. Itu tidak
memungkinkan untuk tingkat persediaan negatif, yang disebut backorder. Dengan kata
lain, jika penjualan tidak dapat dilakukan karena kekurangan, itu hilang. Nilai
inventaris pada kolom 3 akhirnya dikalikan dengan biaya inventaris $ 50 per unit di
kolom 8 menggunakan rumus "G6 * 50".
Jika ada kekurangan itu dicatat di kolom 5 berlabel "Kekurangan." Kekurangannya
dihitung dengan memasukkan rumus "MIN (G6-H6,0)" di sel I6 dan menyalinnya ke
sel I7: I105. Biaya kekurangan dihitung di kolom 7 dengan mengalikan nilai

10
kekurangan di kolom 5 dengan $ 500, masuk rumus "I6 * 500" dalam sel K6, dan
menyalinnya ke sel K7: K105.

Tampilan S13.5

Pendapatan mingguan dihitung di kolom 6 dengan memasukkan rumus "4300 * MIN

(H6, G6)" di sel J6 dan menyalinnya ke sel J7: J105. Dengan kata lain, pendapatan
ditentukan oleh tingkat persediaan di kolom 3 atau permintaan di kolom 4, mana yang
lebih kecil.
Total pendapatan mingguan dihitung dengan menjumlahkan pendapatan, biaya
kekurangan, dan biaya inventaris di kolom 9 dengan memasukkan rumus "J6 K6 L6" di
sel M6 dan menyalinnya ke sel M7: M105.

11
Permintaan mingguan rata-rata, 1,50, ditunjukkan dalam sel C13. Pendapatan mingguan
rata-rata, $ 3875, dihitung dalam sel C14.
Selanjutnya kita harus mengulangi simulasi yang sama ini untuk ukuran pesanan dua
laptop setiap minggu. Spreadsheet untuk ukuran pesanan 2 ditunjukkan pada Tampilan
S13.5. Perhatikan bahwa satu-satunya perbedaan aktual adalah penggunaan rumus baru
untuk menghitung tingkat inventaris mingguan di kolom 3. Rumus ini di sel G7 yang
mencerminkan dua laptop yang dipesan setiap minggu ditunjukkan pada bilah rumus di
bagian atas spreadsheet.
Simulasi kedua dalam Pameran S13.5 ini menghasilkan permintaan mingguan rata-rata
1,52 laptop dan total pendapatan mingguan rata-rata $ 5,107,50. Ini lebih tinggi dari
total pendapatan mingguan $ 3,875 yang dicapai dalam simulasi pertama yang berjalan
di Pameran S13,4, meskipun toko akan mengeluarkan biaya persediaan yang jauh lebih
tinggi. Dengan demikian, keputusan yang benar — berdasarkan pendapatan mingguan
— adalah memesan dua laptop per minggu. Namun, mungkin ada aspek tambahan dari
masalah ini yang ingin dipertimbangkan manajer dalam proses pengambilan keputusan,
seperti tingkat inventaris yang semakin tinggi saat simulasi berlangsung. Misalnya,
mungkin tidak ada ruang penyimpanan yang cukup untuk mengakomodasi inventaris
sebanyak ini. Pertanyaan seperti ini dan lainnya juga dapat dianalisis dengan simulasi.
Sebenarnya, itulah salah satu atribut utama simulasi — kegunaannya sebagai model
untuk eksperimen, yang disebut “bagaimana jika?” analisis.
Contoh ini secara singkat menunjukkan bagaimana simulasi dapat digunakan untuk
membuat keputusan (mis., Untuk "mengoptimalkan"). Dalam contoh ini kami
bereksperimen dengan dua ukuran pesanan dan menentukan satu yang menghasilkan
pendapatan terbesar. Prinsip-prinsip pemodelan dasar yang sama dapat digunakan
untuk memecahkan masalah yang lebih besar dengan ratusan ukuran pesanan yang
memungkinkan dan distribusi probabilitas untuk permintaan dengan lebih banyak nilai
plus waktu tunggu variabel (yaitu, waktu yang diperlukan untuk menerima pesanan),
kemampuan untuk memesan kembali dan faktor-faktor rumit lainnya. Faktor-faktor ini
membuat model simulasi lebih besar dan lebih kompleks, tetapi model seperti itu sering
dikembangkan dan digunakan dalam bisnis.

12
2.3. Area Aplikasi Simulasi
Simulasi adalah salah satu yang paling populer dari semua teknik kuantitatif karena
dapat diterapkan pada masalah operasional yang terlalu sulit untuk dimodelkan dan
diselesaikan secara analitis. Beberapa analis merasa bahwa sistem yang kompleks
harus dipelajari melalui simulasi apakah mereka dapat dianalisis secara analitis, karena
itu memberikan kendaraan yang mudah untuk bereksperimen pada sistem. Survei
menunjukkan bahwa sebagian besar perusahaan besar menggunakan simulasi dalam
bidang fungsional seperti produksi, perencanaan, teknik, analisis keuangan, penelitian
dan pengembangan, sistem informasi, dan personel. Berikut ini adalah deskripsi dari
beberapa aplikasi simulasi yang lebih umum.
2.3.1. Layanan Tunggu / Layanan. Aplikasi utama simulasi telah dalam analisis
sistem antrian, atau antrian. Untuk sistem antrian yang kompleks, tidak
mungkin untuk mengembangkan formula analitis, dan simulasi seringkali
merupakan satu-satunya alat analisis. Misalnya, untuk supermarket yang sibuk
dengan beberapa jalur antrian, beberapa untuk layanan kilat dan beberapa
untuk layanan reguler, simulasi mungkin satu-satunya bentuk analisis untuk
menentukan berapa banyak register dan server yang diperlukan untuk
memenuhi permintaan pelanggan.
2.3.2. Manajemen Persediaan. Permintaan produk merupakan komponen penting
dalam menentukan jumlah persediaan yang harus disimpan oleh perusahaan
komersial. Banyak rumus matematika tradisional yang digunakan untuk
menganalisis sistem inventaris membuat asumsi bahwa permintaan ini pasti
(yaitu, bukan variabel acak). Namun dalam praktiknya, permintaan jarang
diketahui dengan pasti. Simulasi adalah salah satu cara terbaik untuk
menganalisis sistem persediaan di mana permintaan adalah variabel acak.
Simulasi telah digunakan untuk bereksperimen dengan sistem inventaris yang
inovatif seperti just-in-time (JIT). Perusahaan menggunakan simulasi untuk
melihat seberapa efektif dan mahal sistem JIT dalam lingkungan manufaktur
mereka sendiri tanpa harus mengimplementasikan sistem secara fisik.
2.3.3. Sistem Produksi Dan Manufaktur. Simulasi sering diterapkan pada masalah
produksi, seperti penjadwalan produksi, urutan produksi, penyeimbangan jalur
perakitan (inventaris dalam proses), tata letak pabrik, dan analisis lokasi
pabrik. Banyak proses produksi dapat dipandang sebagai sistem antrian yang

13
 hanya dapat dianalisis dengan menggunakan simulasi. Karena kerusakan
mesin biasanya terjadi berdasarkan beberapa distribusi probabilitas, masalah
perawatan juga sering dianalisis menggunakan simulasi. Dalam beberapa
tahun terakhir, beberapa paket perangkat lunak untuk komputer pribadi telah
dikembangkan untuk mensimulasikan semua aspek operasi manufaktur.
2.3.4. Investasi Modal Dan Anggaran. Masalah penganggaran modal
membutuhkan estimasi arus kas, sering kali dihasilkan dari banyak variabel
acak. Simulasi telah digunakan untuk menghasilkan nilai dari berbagai faktor
yang berkontribusi untuk memperoleh estimasi arus kas. Simulasi juga telah
digunakan untuk menentukan input ke dalam perhitungan tingkat
pengembalian, di mana input adalah variabel acak seperti ukuran pasar, harga
jual, tingkat pertumbuhan, dan pangsa pasar.
2.3.5. Logistik. Masalah logistik biasanya mencakup banyak variabel acak, seperti
jarak, moda transportasi yang berbeda, tarif pengiriman, dan jadwal. Simulasi
dapat digunakan untuk menganalisis saluran distribusi yang berbeda untuk
menentukan sistem logistik yang paling efisien.
2.3.6. Service Operation. Operasi departemen kepolisian, pemadam kebakaran,
kantor pos, rumah sakit, sistem pengadilan, bandara, dan sistem layanan publik
lainnya telah dianalisis menggunakan simulasi. Biasanya, operasi seperti itu
begitu rumit dan mengandung begitu banyak variabel acak sehingga tidak ada
teknik selain simulasi dapat digunakan untuk analisis.
2.3.7. Analisis Lingkungan Dan Sumber Daya. Beberapa aplikasi simulasi
inovatif yang lebih baru telah diarahkan pada masalah di lingkungan. Model
simulasi telah dikembangkan untuk memastikan dampak proyek seperti pabrik,
fasilitas pembuangan limbah, dan pembangkit listrik tenaga nuklir. Dalam
banyak kasus, model-model ini mencakup langkah-langkah untuk
menganalisis kelayakan finansial dari proyek-proyek tersebut. Model lain
telah dikembangkan untuk mensimulasikan kondisi limbah dan populasi. Di
bidang analisis sumber daya, banyak model simulasi telah dikembangkan
dalam beberapa tahun terakhir untuk mensimulasikan sistem energi dan
kelayakan sumber

14
 BAB III PENUTUP

3.1. Kesimpulan

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

15
 DAFTAR PUSTAKA

Russel and Taylor, 2010, Operations Management, 7th edition, John Wiley and Sons Inc,
United States.

16