Dibuat oleh :
i
DAFTAR ISI
COVER .................................................................................................................... i
DAFTAR ISI ........................................................................................................... ii
BAB I PENDAHULUAN ....................................................................................... 1
1.1 Latar Belakang ......................................................................................... 1
ii
BAB IV PEMBAHASAN DAN ANALISIS HASIL ........................................... 16
4.1 Analisis Kebutuhan Sistem .................................................................... 16
BAB V PENUTUP................................................................................................ 35
5.1 Kesimpulan ............................................................................................. 35
iii
BAB I
PENDAHULUAN
1.1 Latar Belakang
Pertumbuhan bisnis ritel modern saat ini mengalami revolusi yang sangat
cepat. Hal ini dapat dilihat dari tahun ke tahun jumlah bisnis ritel semakin
melonjak tajam dan bermunculan di Indonesia kususnya Sumbawa Barat.
Seringkali peritel lokal bersaing dengan peritel asing yang mulai masuk dan
menguasai pasar Indonesia kususnya Sumbawa Barat. Pasar ritel terus bertumbuh
sebagai akibat dari perkembangan berbagai bidang. Pasar ritel yang tumbuh secara
nasional tidak saja menguntungkan peritel besar atau produsen barang ritel
melainkan juga para peritel kecil yang melayani masyarakat setempat. Jumlah
penduduk yang bertambah menyebabkan semua barang dan jasa meningkat.
Salain itu pertumbuhan ekonomi yang meningkat sekaligus membuka lapangan
kerja yang cukup besar. Dengan demikian, pasar ritel pun bermunculan karena
peningkatan permintaan akan barang dan jasa.
Melihat bisnis ritel di dari waktu ke waktu semakin diminati oleh seluruh
lapisan masyarakat, peneliti tertarik untuk melakukan penelitian yang berjudul
“Simulai Transaksi Untuk Memperkirakan Keuntungan Pada Minimarket Risma”.
Dimana pada program simulasi ini menggunakan metode monte carlo, metode ini
digunakan untuk menghasilkan variablel input dalam simulasi seperti waktu antar
1
2
3
4
Penerapan paling sederhana pada simulasi ini adalah saat kita memasukan
nilai variabel pada suatu rumus untuk memperoleh hasil akhirnya. Contohnya
adalah simulasi dengan menggunakan program spreadsheet, dimana variabel-
variabel dan persamaan telah ditentukan terlibih dahulu, sehingga kita tinggal
memasukan input untuk mendapat keluarannya. Contoh lain dari simulasi statis
adalah model Monte Carlo. Dilain pihak, simulasi dinamis mewakili sistem yang
berubah-ubah seturut waktu. Misalnya sistem kedatangan pelanggan yang
menjadi tema proposal ini.
Bila sistem tersebut memiliki beberapa komponen input acak (random), maka
simulasi tersebut termasuk simulasi stochastic. Hasil akhir atau keluaran dari
model stochastic ini juga berupa komponen acak. Kebanyakan sistem antrian
(queueing) dan persediaan (inventory) merupakan model stochatic.
Simulasi diskrit yang merupakan jenis klasifikasi simulasi pada penelitian ini,
dimana status variabelnya berubah seketika pada satu titik waktu yang terpisah.
7
Dengan kata lain sistem berubah hanya pada satu waktu tertentu. Hal ini berbeda
dengan simulasi kontinyu yang berubah terus menerus sejalan dengan waktu.
Sisi negatif yang harus diwaspadai dari simulasi yang harus diwaspadai
adalah bila model simulasi menggunakan komponen acak atau stochastic dengan
distribusi statistik, dimana semakin panjang rentang waktu simulasi maka hasil
rata-ratanya akan cenderung menetap (stabil) dan semakin kurang bervariasi. Oleh
karena itu harus diperhatikan berapa lama waktu yang tepat untuk rentang waktu
simulasi (Kelton & Sadowski, 1998).
Sisi lain yang menyebabkan simulasi masih belum banyak digunakan dan
tidak berkembang secepat metode lain adalah dikarenakan untuk membangun
simulasi yang terbaik diperlukan waktu dan keahlian untuk pengembangan model
dari sistem yang akan disimulasi.
metode pembangkit bilangan acak yang sederhana. LCG didefinisian dalam relasi
berulang sebagai berikut :
𝑋𝑛 = (𝑎𝑋𝑛−1 + 𝑏)𝑚𝑜𝑑 𝑚
Dimana :
Simulasi Monte Carlo, yang berasal dari sampling statistik, pertama kali
disampaikan oleh Metropolis dan Ulam dalam jurnal yang berjudul The Monte
Carlo Method, Journal of the American Statistical Association, Vol.44, No.247,
10
1949, pg. 335-341 (Yeh & Sun, 2013: 784, 795). Beberapa definisi simulasi
monte carlo menurut para ahli yaitu :
a. Simulasi Monte Carlo adalah salah satu metode simulasi sederhana yang
dapat dibangun secara cepat dengan hanya menggunakan spreadsheet,
seperti : Ms. Excell (Cahyo, 2008:13).
b. Simulasi Monte Carlo adalah metode untuk mengevaluasi iteratif model
deterministik menggunakan nomor acak sebagai masukan (Yeh & Sun,
2013: 784)
c. Simulasi Monte Carlo didefinisikan sebagai semua teknik sampling
statistik yang digunakan untuk memperkirakan solusi terhadap masalah-
masalah kuantitatif (Achmad, 2008: 14).
dimana :
Pi : Probabilitas kejadian i
fi : Frekuensi kejadian i
Simulasi Monte Carlo memerlukan beberapa elemen berikut (Yeh & Sun,
2013: 784) :
Gagasan dasar dari Simulasi monte Carlo adalah membuat nilai dari tiap
variabel yang merupakan bagian dari model yang dipelajari. Banyak
variabel didunia nyata yang secara alami mempunyai berbagai
kemungkinan yang mungkin ingin kita simulasikan. Salah satu cara umum
untuk membuat distribusi kemungkinan untuk suatu variabel adalah
memperhitungkan hasil di masa lalu. Kemungkinan atau frekuensi relative
untuk tiap kemungkinan hasil dari tiap variabel ditentukan dengan
membagi frekuensi observasi dengan jumlah total observasi.
2. Membangun distribusi kemungkinan kumulatif untuk tiap ‐ tiap variabel.
Konversi dari distribusi kemungkinan biasa, menjadi distribusi kumulatif
dilakukan dengan menjumlahkan tiap angka kemungkinan dengan jumlah
sebelumnya.
3. Menentukan interval angka random untuk tiap variabel
Setelah kita menentukan probabilitas kumulatif untuk tiap variabel, yang
termasuk dalam simulasi, kita harus menentukan batas angka yang
mewakili tiap kemungkinan hasil. Hal tersebut ditujukan pada interval
angka random. Penentuan interval didasari oleh kemungkinan kumulatif
4. Membuat angka random
Untuk membuat angka random kita bisa menggunakan software Microsoft
Excel
5. Membuat simulasi dari sebuah eksperimen dengan mengambil angka
random.
BAB III
METODELOGI PENELITIAN
1. Penelitian ini akan diawali dengan pengamatan langsung oleh tim peneliti
pada minimarket Risma. Pengamatan akan dilakukan beberapa kali untuk
mendapatkan data yang lebih akurat. Pengamatan juga dilakukan pada hari
yang berbeda.
13
14
20.00-22.00 WITA, dan dilakukan selama 2 hari yaitu hari Jumat dan
Sabtu.
BAB IV
PEMBAHASAN DAN ANALISIS HASIL
Data primer merupakan sumber data yang diperoleh secara langsung dari
Minimarket Risma yaitu dengan melakukan penelitian terhadap waktu kedatangan
serta dari database milik minimarket Risma. Hasil penelitian yang dilaksanakan
dengan metode observasi pada 3 waktu masing-masing 2 jam, yaitu pada pukul
08.00-10.00 WITA, pukul 14.00-16.00 WITA, pukul 19.00-21.00 WITA, dan
dilakukan selama 2 hari yaitu hari Jumat dan Sabtu yaitu sebagai berikut :
Hari I
08.00-10.00 14.00-16.00 19.00-21.00
Waktu Jeda waktu jeda Waktu jeda
8:06 14:03 19:03
8:11 0:05 14:03 0:00 19:04 0:01
8:27 0:16 14:13 0:10 19:05 0:01
8:27 0:00 14:17 0:04 19:12 0:07
8:30 0:03 14:18 0:01 19:22 0:10
8:30 0:00 14:22 0:04 19:23 0:01
8:32 0:02 14:27 0:05 19:23 0:00
8:33 0:01 14:32 0:05 19:32 0:09
8:37 0:04 14:33 0:01 19:33 0:01
8:38 0:01 14:34 0:01 19:35 0:02
8:40 0:02 14:34 0:00 19:38 0:03
8:48 0:08 14:45 0:11 19:39 0:01
8:51 0:03 14:49 0:04 19:41 0:02
9:03 0:12 14:50 0:01 19:43 0:02
9:09 0:06 15:03 0:13 19:45 0:02
9:12 0:03 15:06 0:03 19:54 0:09
9:14 0:02 15:21 0:15 19:55 0:01
9:16 0:02 15:33 0:12 19:57 0:02
9:21 0:05 15:36 0:03 19:57 0:00
9:37 0:16 15:42 0:06 19:58 0:01
9:38 0:01 15:43 0:01 20:02 0:04
9:38 0:00 15:48 0:05 20:03 0:01
9:38 0:00 15:58 0:10 20:08 0:05
9:40 0:02 20:11 0:03
9:40 0:00 20:12 0:01
9:46 0:06 20:13 0:01
9:47 0:01 20:15 0:02
9:56 0:09 20:22 0:07
9:59 0:03 20:31 0:09
10:00 0:01 20:37 0:06
25
20:40 0:03
20:45 0:05
20:47 0:02
20:48 0:01
20:51 0:03
20:51 0:00
20:52 0:01
20:56 0:04
Tabel 4.7 Jeda Waktu Pembelian Hari I
Hari II
08.00-10.00 14.00-16.00 19.00-21.00
Waktu Jeda Waktu jeda waktu jeda
8:01 14:00 19:09
8:10 0:09 14:00 0:00 19:17 0:08
8:22 0:12 14:00 0:00 19:19 0:02
8:37 0:15 14:01 0:01 19:19 0:00
8:37 0:00 14:20 0:19 19:20 0:01
8:50 0:13 14:23 0:03 19:21 0:01
8:51 0:01 14:38 0:15 19:27 0:06
8:55 0:04 14:38 0:00 19:28 0:01
8:55 0:00 14:40 0:02 19:33 0:05
9:03 0:08 14:47 0:07 19:36 0:03
9:05 0:02 14:56 0:09 19:41 0:05
9:23 0:18 15:04 0:08 19:42 0:01
9:29 0:06 15:17 0:13 19:42 0:00
9:32 0:03 15:20 0:03 19:56 0:14
9:39 0:07 15:27 0:07 20:07 0:11
9:46 0:07 15:35 0:08 20:11 0:04
9:47 0:01 15:52 0:17 20:12 0:01
9:47 0:00 15:55 0:03 20:16 0:04
9:58 0:11 15:58 0:03 20:18 0:02
20:19 0:01
20:19 0:00
20:26 0:07
20:27 0:01
20:27 0:00
20:28 0:01
20:28 0:00
20:30 0:02
20:30 0:00
26
20:40 0:10
20:41 0:01
20:44 0:03
20:55 0:11
20:56 0:01
20:56 0:00
21:00 0:04
Tabel 4.8 Jeda Waktu Pembelian Hari II
Setelah menghitung jeda waktu pembelian maka selanjutnya menghitung
probabilitas pada jeda waktu pembelian. Probabilitas didapatkan dengan formula :
frekuensi menit ke-n yang muncul di kategorinya / total frekuensi yang ada. Data
probabilitas ini akan digunakan untuk melakukan pemetaan bilangan random
terhadap interarrival dari pelanggan yang akan dibangkitkan pada tahap simulasi.
Probabilitas pada Jeda waktu pembelian sebagai berikut :
m = 32768
Z0 = 15
N = 50
Hasil bilangan random ditunjukkan dalam tabel berikut :
i Zi Ui
0 15
1 24018 0.733
2 15957 0.487
3 20888 0.6375
4 18331 0.5594
5 20574 0.6279
6 7137 0.2178
7 23076 0.7042
8 15143 0.4621
9 28394 0.8665
10 9581 0.2924
11 3760 0.1147
12 23219 0.7086
13 14710 0.4489
14 23289 0.7107
15 28476 0.869
16 9791 0.2988
17 12290 0.3751
18 15493 0.4728
19 31688 0.967
20 7627 0.2328
21 21134 0.645
22 18961 0.5786
23 13396 0.4088
24 16727 0.5105
25 8474 0.2586
26 925 0.0282
27 6368 0.1943
28 4323 0.1319
29 7078 0.216
30 26921 0.8216
31 10604 0.3236
32 3183 0.0971
33 16946 0.5172
29
34 31413 0.9586
35 26104 0.7966
36 13307 0.4061
37 5310 0.162
38 14401 0.4395
39 20100 0.6134
40 1927 0.0588
41 4938 0.1507
42 8653 0.2641
43 25360 0.7739
44 1811 0.0553
45 15830 0.4831
46 14169 0.4324
47 9116 0.2782
48 12959 0.3955
49 5218 0.1592
50 30949 0.9445
Tabel 4.12 Bilangan Random
A. Pengujian Saling Bebas
Kemudian bilangan random diuji dengan dengan pengujian saling bebas.
Pengujian saling bebas dilakukan dengan menggunakan hipotesa dan metode yang
digunakan pada pengujian saling bebas yaitu Run Test Berikut pengujian bilangan
random dengan distribusi normal :
i Zi Ui tanda Run
1
0 15 + 1
1 24018 0.733 - 1
2 15957 0.487 + 1
3 20888 0.6375 - 1
4 18331 0.5594 + 1
5 20574 0.6279 - 1
6 7137 0.2178 + 1
7 23076 0.7042 - 1
8 15143 0.4621 + 1
9 28394 0.8665 - 0
10 9581 0.2924 - 1
11 3760 0.1147 + 1
12 23219 0.7086 - 1
30
13 14710 0.4489 + 0
14 23289 0.7107 + 1
15 28476 0.869 - 1
16 9791 0.2988 + 0
17 12290 0.3751 + 0
18 15493 0.4728 + 1
19 31688 0.967 - 1
20 7627 0.2328 + 1
21 21134 0.645 - 0
22 18961 0.5786 - 1
23 13396 0.4088 + 1
24 16727 0.5105 - 0
25 8474 0.2586 - 1
26 925 0.0282 + 1
27 6368 0.1943 - 1
28 4323 0.1319 + 0
29 7078 0.216 + 1
30 26921 0.8216 - 0
31 10604 0.3236 - 1
32 3183 0.0971 + 0
33 16946 0.5172 + 1
34 31413 0.9586 - 0
35 26104 0.7966 - 0
36 13307 0.4061 - 1
37 5310 0.162 + 0
38 14401 0.4395 + 1
39 20100 0.6134 - 1
40 1927 0.0588 + 0
41 4938 0.1507 + 0
42 8653 0.2641 + 1
43 25360 0.7739 - 1
44 1811 0.0553 + 1
45 15830 0.4831 - 0
46 14169 0.4324 - 1
47 9116 0.2782 + 1
48 12959 0.3955 - 1
49 5218 0.1592 +
50 30949 0.9445
Total Run 35
Tabel 4.13 Pengujian Bilangan Random dengan Distribusi Normal
31
2𝑁−1 2 𝑋 50 −1 99
𝜇𝑎 = = = = 33
3 3 3
16𝑁 − 29 16 𝑋 50 − 29 771
𝜎2 = = = = 8,567
90 90 90
𝑎 − μ𝑎 35 − 33
𝑍= = = 1,1173
𝜎𝑎 1,79
Maka dari daftar distribusi normal strandar dengan 𝛼=0,05 memberikan Z0,475
=1,96 sehingga batas selang kepercayaan -1,96 sampai dengan 1,96. Dari
perhitungan didapatkan Z = 1,1173, dimana nilai Z berada diluar selang
kepercayaan (-1,96 ≤ 1,1173 ≤ 1,96), oleh karena itu bilangan random yang
dihasilkan merupakan simulasi tidak saling bebas.
Frekuensi Frekuensi
bilangan acak bilangan harapan (F0- Fe)2 / Fe
No Sebaran (F0) (Fe) Chi-Square
1 0.02-0.15 7 7 0
2 0.16-0.29 10 7 1.28
3 0.30-0.43 7 7 0
4 0.44-0.57 9 7 0.57
5 0.58-0.71 8 7 0.14
32
6 0.72-0.85 4 7 1.28
7 0.86-0.99 5 7 0.57
50 49 3.84
Tabel 4.14 Pengujian Bilangan Random dengan Chi-Square
Uji Hipotesis :
H0 : data terdistribusi seragam
Ha = data tidak terdistribusi seragam
Untuk 𝛼 = 0,05
df = 5-1 = 4
Maka diketahui nilai chi square tabel sebesar 9.48773.
Chi-Square hitung adalah 3.84, dimana didapatkan bahwa nilai chi-square hitung
lebih kecil dibandingkan dengan chi-squre tabel. Oleh karena itu H0 diterima. Jadi
bilangan random yang dihasilkan berdistribusi seragam.
4.2.1 Flowchart
4.2.3 Replikasi
BAB V
PENUTUP
5.1 Kesimpulan
Dari hasil dan pembahasan yang didapat maka dapat disimpulkan bahwa
program simulasi transaksi untuk memperkirakan keuntungan pada Minimarket
Risma dapat mensimulasikan transaksi yang terjadi baik itu memperkirakan total
pelanggan, total pembelian, total permintaan loss, total pendapatan serta total
keuntungan yang diraih.
5.2 Saran
DAFTAR PUSTAKA