BAB 5.

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.

5.1. PEMODELAN SIMULASI SISTEM

Simulasi adalah upaya untuk menduplikasi fitur, tampilan, dan karakteristik dari
suatu sistem nyata, biasanya melalui sebuah model komputerisasi (Heizer, Render, dan
Munson. 2017: 792). Model simulasi adalah salah satu teknik yang paling banyak
digunakan karena ini adalah alat yang fleksibel, kuat, dan intuitif, serta popularitas
model ini yang semakin berkembang pesat (Hillier, Frederich S. dan Lieberman. 1990:
1084).
Sebagai contoh adalah pada Boeing Corporation dan Airbus Industries, biasanya
mereka membuat model simulasi pesawat jet yang mereka usulkan dan kemudian
menguji sifat aerodinamis dari model tersebut; Organisasi pertahanan sipil dapat
melakukan praktik evakuasi dan penyelamatan dalam mensimulasikan kondisi bencana
alam seperti badai; Tentara AS mensimulasikan serangan musuh dan strategi
pertahanan dalam permainan perang yang dimainkan di komputer; Mahasiswa bisnis
mengambil kursus yang menggunakan permainan manajemen untuk mensimulasikan
situasi nyata dari bisnis yang kompetitif; Serta banyak bidang lain (seperti pemeritahan
dan organisasi layanan) yang mengembangkan model simulasi untuk membantu
mereka dalam membuat keputusan mengenai pengendalian persediaan, penjadwalan,
tata letak pabrik, investasi, peramalan penjualan, dan lain sebagainya (Render, Stair,
Hanna, dan Hale, 2018: 479).

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 1

BAB 5. MODEL SIMULASI

A. Kelebihan Utama Simulasi

Kelebihan utama dari simulasi antara lain (Render, Stair, Hanna, dan Hale. 2018: 480-
481):
1. Simulasi relatif mudah dan fleksibel, serta dapat digunakan untuk membandingkan
beberapa skenario yang berbeda secara berdampingan.
2. Beberapa model simulasi sangat mudah untuk dikembangkan dengan adanya
kemajuan terbaru dalam perangkat lunak.
3. Simulasi dapat digunakan untuk menganalisis situasi dunia nyata yang besar dan
kompleks yang tidak bisa dipecahkan oleh model analisis kuantitatif konvensional.
4. Simulasi memungkinkan pertanyaan “bagaimana-jika”. Para manajer ingin
mengetahui terlebih dahulu pilihan yang menjadi pilihan paling menarik. Dengan
sebuah model yang terkomputerisasi, seorang manajer dapat mencoba beberapa
keputusan kebijakan hanya dalam waktu beberapa menit.
5. Simulasi tidak mengganggu sistem dunia nyata. Sebagai contoh, mungkin akan
sangat mengganggu jika kita mengadakan percobaan kebijakan atau gagasan baru
secara fisik di rumah sakit atau dalam suatu bangunan pabrik. Dengan simulasi,
percobaan dapat dilakukan pada model, bukan pada sistem itu sendiri.
6. Simulasi dapat meneliti efek interaksi antara masing-masing komponen atau
variabel untuk menentukan mana komponen atau variabel yang penting.
7. Memungkinkan adanya faktor “pemadatan waktu”. Selama bertahun-tahun atau
berbulan-bulan, efek kebijakan manajemen operasi dapat diperoleh dengan
simulasi komputer dalam waktu singkat.
8. Kerumitan dunia nyata dapat dimasukkan, di mana kerumitan tersebut tidak dapat
diatasi oleh sebagian besar model manajemen operasi lain. Sebagai contoh,
simulasi dapat menggunakan distribusi probabilitas apa pun yang diinginkan oleh
pengguna; dan tidak memerlukan distribusi standar.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 2

BAB 5. MODEL SIMULASI

B. Kelemahan Utama Simulasi

Kelemahan utama dari simulasi antara lain (Render, Stair, Hanna, dan Hale, 2018: 481):
1. Model simulasi yang baik untuk situasi yang kompleks bisa jadi sangat mahal karena
untuk mengembangkannya dibutuhkan waktu berbulan-bulan atau bahkan
bertahun-tahun.
2. Simulasi merupakan sebuah pendekatan trial and error yang dapat menghasilkan
solusi yang berbeda jika diulangi. Simulasi tidak menghasilkan solusi optimal
permasalahan (seperti halnya pada pemrograman linear).
3. Para manajer harus menetapkan semua kondisi dan kendala untuk solusi yang ingin
mereka uji. Model simulasi tidak menghasilkan jawaban tanpa adanya input yang
cukup realistis.
4. Setiap model simulasi bersifat unik. Solusi sebuah model dan kesimpulannya
umumnya tidak dapat diterapkan pada persoalan lain.

C. Penerapan Bidang Simulasi

Simulasi cocok untuk masalah yang sulit dibuatkan modelnya atau diselesaikan
secara analitik dan numerik. Akibatnya, simulasi diterapkan pada aneka masalah. Dalam
jaringan PERT waktu kegiatan diasumsikan mengikuti distribusi beta. Jika data empiris
menunjukkan bahwa waktu kegiatan mengikuti distribusi lainnya, model jaringan dapat
diselesaikan dengan 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.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 3

BAB 5. MODEL SIMULASI

Pada analisis persediaan, biaya persediaan minimum dapat ditemukan dengan

mencoba berbagai kemungkinan volume pesanan dan reader point. Tugas ini
sepantasnya dijalankan dengan bantuan komputer (Mulyono, Sri. 2017: 306).

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.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 4

BAB 5. MODEL SIMULASI

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).

E. Jenis Model Simulasi

Ada dua jenis model simulasi, yaitu (Mulyono, Sri. 2017: 295):
1. Simulasi analog, yaitu mengganti lingkungan fisik yang asli dengan lingkungan fisik
tiruan yang lebih mudah untuk dimanipulasi. Contohnya ruang tanpa bobot
disimulasi dengan ruangan yang penuh air.
2. Simulasi matematik, yaitu meniru sistem dengan model matematika untuk
mendapatkan operating characteristics sistem melalui suatu eksperimen. Jika
eksperimen itu berulang-ulang, untuk mempermudah mempercepat hitungan
diperlukan bantuan komputer.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 5

BAB 5. MODEL SIMULASI

5.2. Simulasi Monte Carlo

Metode Monte Carlo merupakan metode analisis numerik yang melibatkan
pengambilan sampel eksperimen bilangan acak (Djati, 2007: 15). Jika sebuah sistem
mengandung unsur yang menunjukkan adanya peluang dalam perilaku mereka, maka
simulasi metode Monte Carlo (Monte Carlo method) mungkin dapat diterapkan. Ide
dasar dalam simulasi Monte Carlo adalah untuk menghasilkan nilai untuk variabel yang
membentuk model yang sedang dipelajari. Ada banyak variabel dalam sistem dunia
nyata yang bersifat probabilistik dan mungkin ingin kita simulasikan. Beberapa contoh
variabel tersebut yaitu:
1. Permintaan persediaan harian atau mingguan.
2. Waktu tunggu pesanan persediaan hingga tiba.
3. Waktu antar-kerusakan mesin.
4. Waktu antar-kedatangan pada fasilitas pelayanan.
5. Waktu pelayanan.
6. Waktu untuk menyelesaikan kegiatan proyek.
7. Jumlah karyawan yang tidak hadir setiap harinya.

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).

A. Proses Monte Carlo

Kesulitan menyelesaikan secara analitik sebuah model biasanya disebabkan
adanya komponen yang berupa variabel random. Dalam simulasi, variabel random
dinyatakan dalam distribusi probabilitas, sehingga sebagian besar model simulasi
adalah model probabilistik.
Arti istilah Monte Carlo sering dianggap sama dengan simulasi probabilistik,
namun secara lebih tegas berarti teknik memilih angka secara random dari distribusi
probabilitas untuk menjalankan simulasi. Tujuan proses Monte Carlo adalah untuk
Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 6
BAB 5. MODEL SIMULASI

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).

B. Penciptaan Angka Random

Angka random memainkan peranan penting dalam simulasi probabilistik. Setiap
contoh yang dipelajari membutuhkan angka random untuk menentukan nilai variabel
random. Angka random yang digunakan selama ini berasal dari tabel angka random.
Tabel angka random dapat dilihat pada tabel di bawah ini.
Tabel. Angka Random

Sumber: (Render, Stair, Hanna, dan Hale, 2018: 485)

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 7

BAB 5. MODEL SIMULASI

Angka random itu diciptakan dengan menggunakan suatu teknik numerik,

sehingga mereka bukan angka random murni melainkan pseudo random numbers.
Angka random murni hanya dapat diciptakan melalui suatu proses fisik, seperti dengan
pemutaran roda rolet. Namun, proses fisik itu tak dapat dilakukan secara nyaman dalam
simulasi yang menggunakan komputer. Akibatnya, metode numerik untuk menciptakan
angka random terpaksa menggantikannya. Jika angka random tidak murni random,
validitas hasil simulasi dapat terpengaruh. Karena itu angka random yang digunakan
harus berciri seperti berikut (Mulyono, Sri. 2017: 305-306):
• Angka random memiliki distribusi uniform artinya setiap angka punya
kesempatan yang sama untuk terpilih. Jika tidak demikian, hasil simulasi akan
bias.
• Teknik numerik untuk menciptakan angka random harus efisien artinya proses
berjalan cepat dan murah dan angka yang telah muncul dapat muncul lagi
setelah periode yang lama.
• Urutan angka random semestinya tidak menunjukkan pola tertentu, contohnya
urutan angka 0, 1, 2, 3 ..., 9, 0, 1, 2, ... 9, dan seterusnya adalah didistribusikan
secara uniform namun punya suatu pola, sehingga tak dapat dikatakan random.

C. Langkah-langkah Simulasi Monte Carlo

Teknik simulasi Monte Carlo terbagi atas lima langkah sederhana, yaitu (Render, Stair,
Hanna, dan Hale, 2018: 482):
1. Menetapkan suatu distribusi probabilitas bagi variabel yang penting.
Cara menetapkan distribusi probabilitas bagi variabel tertentu adalah menguji
hasil historis, yaitu dengan membagi frekuensi pengamatan untuk setiap output
variabel yang mungkin dengan jumlah pengamatan total.
2. Membuat distribusi probabilitas kumulatif bagi setiap variabel.
Pada langkah ini, perlu mengubah distribusi probabilitas biasa menjadi sebuah
distribusi probabilitas kumulatif. Probabilitas kumulatif adalah probabilitas bahwa

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 8

BAB 5. MODEL SIMULASI

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:

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 9

BAB 5. MODEL SIMULASI

Permintaan Ban Frekuensi

0 10
1 20
2 40
3 60
4 40
5 30

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

1. Langkah pertama, menentukan distribusi probabilitas.

Dengan asumsi bahwa tingkat kedatangan masa lampau akan tetap sama di
masa mendatang permintaannya dapat diubah menjadi distribusi probabilitas
dengan membagi setiap frekuensi permintaan dengan permintaan total, yaitu 200.
Hasil yang didapatkan diperlihatkan pada tabel 1 di bawah ini.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 10

BAB 5. MODEL SIMULASI

Tabel 1. Permintaan untuk Barry’s Auto Tire

(1) (2) (3)
Permintaan Ban Frekuensi Probabilitas Kejadian
0 10 10/200 = 0.05
1 20 20/200 = 0.10
2 40 40/200 = 0.20
3 60 60/200 = 0.30
4 40 40/200 = 0.20
5 30 30/200 = 0.15
200 hari 200/200 = 1.00

2. Langkah kedua, menentukan distribusi probabilitas kumulatif.

Mengubah distribusi probabilitas biasa seperti pada kolom 3 Tabel 2 menjadi
sebuah distribusi probabilitas kumulatif (kolom 4), yaitu penjumlahan dari jumlah
pada kolom probabilitas (kolom 3) yang ditambahkan pada probabilitas kumulatif
sebelumnya.
Tabel 2. Permintaan untuk Barry’s Auto Tire
(1) (2) (3) (4)
Permintaan Ban Frekuensi Probabilitas Kejadian Probabilitas
Kumulatif
0 10 10/200 = 0.05 0.05
1 20 20/200 = 0.10 0.15
2 40 40/200 = 0.20 0.35
3 60 60/200 = 0.30 0.65
4 40 40/200 = 0.20 0.85
5 30 30/200 = 0.15 1.00
200 hari 200/200 = 1.00

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 11

BAB 5. MODEL SIMULASI

3. Langkah ketiga, menentukan interval bilangan acak.

Sebagai contoh, jika terdapat peluang (probabilitas) sebesar 5% bahwa
permintaan ban pada Barry’s Auto Tire adalah 0 unit per hari, maka diharapkan
tersedia angka acak sebanyak 5% yang sesuai dengan permintaan 0 unit. Jika pada
simulasi digunakan seluruh angka acak 2 digit berjumlah 100 angka acak, maka
untuk permintaan sebesar 0 unit dapat diberikan pada 5 angka acak pertama: 01,
02, 03, 04, dan 05. Jika terdapat peluang sebesar 10% bahwa permintaan untuk
produk yang sama akan menjadi 1 unit per hari, maka 10 angka acak berikutnya
(06, 07, 08, 09, 10, 11, 12, 13, 14, dan 15) mewakili permintaan tersebut, begitu
juga untuk permintaan lain. Selanjutnya dapat dilihat pada Tabel 2 bahwa panjang
setiap interval di sisi kanan sesuai dengan probabilitas terjadinya 1 permintaan
harian.
Tabel 3. Penugasan Interval Angka Acak untuk Barry’s Auto Tire
Probabilitas
Permintaan Harian Probabilitas Interval Angka Acak
Kumulatif
0 0.05 0.05 01 hingga 05
1 0.10 0.15 06 hingga 15
2 0.20 0.35 16 hingga 35
3 0.30 0.65 36 hingga 65
4 0.20 0.85 66 hingga 85
5 0.15 1.00 86 hingga 00

4. Langkah keempat dan kelima, membangkitkan bilangan acak dan melakukan

serangkaian simulasi percobaan.
Angka acak yang diperlukan dipilih dari tabel angka acak, dimulai dari bagian
kiri atas dan dilanjutkan di sepanjang kolom pertama dan menuliskan permintaan
harian yang berkesesuaian. Sebagai contoh, jika angka acak yang terpilih adalah
dimulai dari bagian kiri atas (angka 52) dan dilanjutkan di sepanjang kolom
pertama sebanyak sepuluh baris (karena permintaan sebanyak sepuluh hari) dan
Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 12
BAB 5. MODEL SIMULASI

menuliskan permintaan harian yang berkesesuaian. Angka acak dapat juga didapat
meenggunakan rumus randbetween pada Microsoft excel.

Hari ke- Angka Acak Permintaan Harian yang Disimulasikan

1 52 3
2 37 3
3 82 4
4 69 4
5 98 5
6 96 5
7 33 2
8 50 3
9 88 5
10 90 5
39 Permintaan total 10 hari
39/10 = 3.9 Permintaan harian rata-rata

Permintaan yang diperkirakan:

5

∑(Probabilitas 𝑖 unit) x (Permintaan 𝑖 unit)

𝑖=1

= (0.50)(0) + (0.10)(1) + (0.20)(2) +(0.30)(3) + (0.20)(4) + (0.15)(5)

= 0 + 0.1 + 0.4 + 0.9 + 0.8 + 0.75
= 2.95

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.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 13

BAB 5. MODEL SIMULASI

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.

PERHITUNGAN MENGGUNAKAN APLIKASI QM FOR WINDOWS

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).

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 14

BAB 5. MODEL SIMULASI

3. Klik OK, maka akan muncul tampilan seperti di bawah:

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.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 15

BAB 5. MODEL SIMULASI

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:

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 16

BAB 5. MODEL SIMULASI

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.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 17

BAB 5. MODEL SIMULASI

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.

Integrated Laboratory Universitas Gunadarma-Riset Operasional 2 18