MODEL SIMULASI
MODEL SIMULASI
5
OBJEKTIF:
1. Mahasiswa Mampu Memahami Pemodelan Simulasi Sistem.
2. Mahasiswa Mampu Memahami Model Simulasi Monte Carlo.
3. Mahasiswa Mampu Menggunakan Software QM for Windows dalam Perhitungan
Model Simulasi.
Simulasi adalah suatu cara mencari solusi, yang biasanya hasilnya tidak optimum.
Umumnya, hasil solusi berupa operating characteristics dari suatu sistem, misalnya
ukuran rata-rata. Namun, quasi-optimal solution terkadang dapat diperoleh dari model
simulasi melalui search techniques. Search techniques adalah suatu metode untuk
mencari seperangkat operating characteristics dari suatu model simulasi sampai hasil
terbaik ditemukan. Proses ini menuntut penggunaan komputer, agar berbagai variabel
keputusan yang telah ditetapkan dapat diganti berulang kali dan solusi dapat cepat
diperoleh.
D. Proses Simulasi
Proses simulasi meliputi (Render, Stair, Hanna, dan Hale. 2018: 480):
1. Mendefinisikan suatu masalah.
2. Memperkenalkan variabel penting yang berkaitan dengan masalah.
3. Mengembangkan sebuah model kuantitatif.
4. Menyiapkan kejadian yang mungkin terjadi dalam pengujian dengan
menspesifikasikan nilai variabel.
5. Menjalankan percobaan simulasi.
6. Mempertimbangkan hasilnya (mungkin memutuskan untuk memodifikasi model
atau mengubah input data).
7. Memutuskan tindakan apa yang akan diambil.
Untuk mempersiapkan simulasi sistem yang kompleks, diperlukan model simulasi yang
rinci yang dirumuskan untuk menjelaskan pengoperasian sistem dan bagaimana sistem akan
disimulasikan. Sebuah model simulasi memiliki beberapa blok bangunan dasar, yaitu (Hillier,
Frederich S. dan Lieberman. 1990: 1085):
1. Definisi dari keadaan sistem (misalnya, jumlah pelanggan dalam antrian sistem).
2. Identifikasi kemungkinan status sistem yang dapat terjadi.
3. Identifikasi peristiwa yang mungkin terjadi (misalnya, kedatangan dan penyelesaian
layanan dalam sistem antrian) yang akan mengubah status sistem.
4. Ketentuan untuk jam simulasi, yang terletak di beberapa alamat dalam program
simulasi, yang akan merekam perjalanan waktu (yang disimulasikan).
5. Suatu metode untuk menghasilkan peristiwa-peristiwa dari berbagai jenis secara acak.
6. Rumus untuk mengidentifikasi transisi status yang dihasilkan oleh berbagai jenis acara.
Ketika sedang mengembangkan perangkat lunak khusus, agar efisien maka akan di
integrasikan model simulasi ke dalam program komputer dan kemudian melakukan
simulasi. Namun demikian, ketika berhadapan dengan sistem yang relatif kompleks, simulasi
cenderung menjadi prosedur yang relatif mahal. Setelah merumuskan model simulasi
terperinci, banyak waktu yang dibutuhkan untuk mengembangkan dan men-debug program
komputer yang dibutuhkan untuk menjalankan simulasi. Selanjutnya, banyak komputer
yang berjalan lama mungkin diperlukan mendapatkan perkiraan yang baik tentang seberapa
baik kinerja semua desain alternatif sistem. Akhirnya, semua data ini harus dianalisis dengan
cermat sebelum menarik kesimpulan akhir. Keseluruhan proses ini biasanya membutuhkan
banyak waktu dan tenaga. Oleh karena itu, simulasi tidak boleh digunakan ketika tersedia
prosedur yang lebih murah yang dapat memberikan informasi yang sama (Hillier, Frederich
S. dan Lieberman. 1990: 1086).
Dasar simulasi Monte Carlo adalah percobaan pada unsur peluang (atau bersifat
probabilistik) dengan menggunakan pengambilan sampel secara acak. Jadi, metode
Monte Carlo adalah sebuah teknik simulasi yang menggunakan unsur acak ketika
terdapat peluang dalam perilakunya (Render, Stair, Hanna, dan Hale, 2018: 481-482).
memunculkan variabel random melalui sampling dari distribusi probabilitas itu, yang
dapat dilakukan dengan pemutaran sebuah roda rolet. Proses dalam dunia nyata yang
memakan waktu ratusan bahkan ribuan hari, atau real time, dapat ditiru dengan
putaran-putaran roda yang waktunya singkat, atau simulated time. Namun dalam
praktiknya, pemunculan nilai variabel random tidak dilakukan dengan pemutaran roda
rolet, tetapi dilakukan dengan menggunakan angka random (Mulyono, Sri. 2017: 296-
298).
suatu variabel akan kurang atau sama dengan nilai tertentu. Distribusi kumulatif
mencantumkan seluruh kemungkinan nilai dan probabilitasnya.
3. Menetapkan sebuah interval angka acak bagi setiap variabel.
Setelah distribusi probabilitas kumulatif bagi setiap variabel yang digunakan dalam
simulasi ditetapkan, maka diberikan serangkaian angka yang mewakili setiap nilai
atau output yang memungkinkan. Angka ini disebut sebagai interval bilangan
random (acak).
4. Membangkitkan bilangan random.
Angka random dapat dihasilkan dengan dua cara. Jika persoalan yang dihadapi
besar dan proses yang sedang diteliti melibatkan banyak percobaan simulasi,
maka digunakan program komputer untuk membangkitkan angka random. Jika
simulasi dilakukan dengan perhitungan tangan, angka random dapat diambil dari
sebuah tabel angka random.
5. Melakukan serangkaian simulasi percobaan.
Hasil dari eksperimen dapat disimulasikan secara sederhana dengan memilih
angka random dari tabel angka random. Percobaan dapat dimulai dari titik mana
pun pada tabel, selanjutnya perhatikan dalam interval mana setiap angka berada
Acak. Mencari angka random juga dapat dilakukan dengan menggunakan rumus
randbetween pada Microsoft Excel.
Mari kita lihat contoh berikut untuk melakukan satu per satu langkah di atas.
Contoh Kasus:
Barry’s Auto Tire telah melakukan pengamatan mengenai permintaan harian ban
radial selama 200 hari. Dari hasil pengamatan selama 200 hari terakhir diperoleh data
permintaan ban radial seperti pada berikut:
Dengan informasi yang diperoleh, simulasikan permintaan ban radial pada Barry’s
Auto Tire selama 10 hari ke depan dan tentukan rata-rata permintaan harian, serta
tentukan apakah permintaan tersebut sesuai dengan yang diharapkan? (Heizer,
Render, dan Munson. 2017: 794-796)
JAWABAN
PERHITUNGAN MANUAL
menuliskan permintaan harian yang berkesesuaian. Angka acak dapat juga didapat
meenggunakan rumus randbetween pada Microsoft excel.
Rata-rata permintaan sebesar 3,9 ban dalam waktu simulasi 10 hari ini berbeda
dengan permintaan harian yang diharapkan yaitu sebesar 2,95. Jika simulasinya
diulangi maka rata-rata permintaan yang disimulasikan akan mendekati
permintaan yang diperkirakan.
Kesimpulan:
Permintaan ban radial pada Barry’s Auto Tire selama 10 hari ke depan
jika dihitung dengan simulasi Monte Carlo adalah sebanyak 39 dengan
rata-rata permintaan harian sebanyak 3,9 sedangkan permintaan yang
diharapkan adalah 2,95. Artinya permintaan tidak sesuai dengan yang
diharapkan.
1. Buka aplikasi QM for Windows, pilih menu “Simulation” yang ada di bagian kiri.
2. Pada title, ketik nama Barry’s Auto Tire, pada Number of Categorizes masukkan
jumlah/total hari permintaan yang diketahui dari soal yaitu 6 (0, 1, 2, 3, 4, 5), pada
number of trials masukkan jumlah/total hari permintaan yang disimulasikan (10).
4. Selanjutnya masukkan angka-angka yang terdapat pada gambar yang ada di contoh
soal. Pada value diisikan permintaan (0, 1, 2, 3, 4, 5) yang terdapat di soal dan pada
frekuensi juga diisikan frekuensi yang terdapat di soal.
5. Setelah semua angka dimasukkan, selanjutnya klik Solve dan akan muncul output
seperti gambar di bawah ini:
6. Untuk melihat angka random yang digunakan, klik individual runs yang berada di
sebelah kiri bawah, maka akan muncul seperti di bawah ini:
Kesimpulan:
Permintaan ban radial pada Barry’s Auto Tire selama 10 hari ke depan
jika dihitung dengan simulasi Monte Carlo adalah sebanyak 38 dengan
rata-rata permintaan harian sebanyak 3,8 sedangkan permintaan yang
diharapkan adalah 2,95. Artinya permintaan tidak sesuai dengan yang
diharapkan.
Catatan: Perbedaan hasil permintaan yang disimulasikan berbeda yang dikerjakan secara
manual dan menggunakan software itu dikarenakan pemilihan angka random yang
berbeda.
Daftar Pustaka:
Djati, Bonett Satya Lelono. 2007. Simulasi, Teori dan Aplikasinya. Yogyakarta: Penerbit Andi.
Heizer, J., Render, B., Munson, C. 2017. Operations Management: Sustainability and Supply
Chain Management. 12th. Boston: Pearson Education.
Hillier, Frederich S. and Lieberman. 1990. Introduction to Operation Research. 12th. McGraw-
Hill.
Mulyono, Sri. 2017. Riset Operasi Edisi 2. Jakarta: Mitra Wacana Media.
Render, B., Stair, R, M., Hanna, M. E., Hale, T. S. 2018. Quantitative Analysis for Management.
13th. Boston: Pearson Education.