Teori Pengambilan Keputusan

Kelompok 3 :
Sartika 1711011001
Rokhimatun Nikmah 1711011021
Mutiha Larasati 1711011025
Devania Pratiwi 1711011029
Trivinda 1711011089

Jurusan Manajemen
Fakultas Ekonomi dan Bisnis
Universitas Lampung
 Chapter 13
Simulation Modeling

2
 Tujuan Pembelajaran
1. Menjelaskan keuntungan dan kerugian dari simulasi.
2. Memahami lima langkah melakukan Monte Simulasi Carlo.
3. Menganalisis model simulasi sebagaimana diterapkan pada
kontrol persediaan.
4. Menganalisis model simulasi sebagaimana diterapkan pada teori
antrian.
5. Menganalisis model simulasi sebagaimana diterapkan pada
perawatan mesin.
6. Memahami dua jenis simulasi lainnya yaitu model permainan
operasional dan simulasi sistem.
3
Keuntungan dan Kerugian
dari Simulasi

4
 Keuntungan dari Simulasi
1. Relatif mudah dan fleksibel. Ini dapat digunakan untuk membandingkan banyak skenario yang
berbeda secara berdampingan.
2. Kemajuan terbaru dalam perangkat lunak membuat beberapa model simulasi sangat mudah untuk
dikembangkan.
3. Dapat digunakan untuk menganalisis situasi dunia nyata yang besar dan kompleks yang tidak dapat
diselesaikan dengan model analisis kuantitatif konvensional.
4. Simulasi memungkinkan jenis pertanyaan bagaimana-jika. Manajer ingin tahu sebelumnya opsi apa
yang menarik. Dengan komputer, seorang manajer dapat mencoba beberapa keputusan kebijakan
dalam hitungan menit.
5. Simulasi tidak mengganggu sistem dunia nyata. Mungkin terlalu mengganggu, misalnya, untuk
bereksperimen dengan kebijakan atau ide baru di rumah sakit, sekolah, atau pabrik. Dengan
simulasi, percobaan dilakukan dengan model, bukan pada sistem itu sendiri.
6. Simulasi memungkinkan kita untuk mempelajari efek interaktif dari masing-masing komponen atau
variabel untuk menentukan mana yang penting.
7. "Kompresi waktu" dimungkinkan dengan simulasi. Efek pemesanan, iklan, atau kebijakan lainnya
selama berbulan-bulan atau bertahun-tahun dapat diperoleh dengan simulasi komputer dalam waktu
singkat.
8. Simulasi memungkinkan dimasukkannya komplikasi dunia nyata yang tidak diizinkan oleh
sebagian besar model analisis kuantitatif. 5
 Kerugian dari Simulasi

1. Model simulasi yang baik untuk situasi yang kompleks bisa sangat mahal.
Seringkali proses tersebut panjang dan rumit untuk mengembangkan model.
2. Simulasi tidak menghasilkan solusi optimal untuk masalah seperti halnya teknik
analisis kuantitatif lainnya seperti kuantitas pesanan ekonomi, pemrograman
linier, atau PERT. Ini adalah pendekatan coba-coba yang dapat menghasilkan
solusi yang berbeda dalam proses yang berulang.
3. Manajer harus menghasilkan semua kondisi dan kendala untuk solusi yang ingin
mereka periksa. Model simulasi tidak menghasilkan jawaban dengan sendirinya.
4. Setiap model simulasi unik. Solusi dan kesimpulannya biasanya tidak dapat
ditransfer ke masalah lain.

6
Simulasi Monte Carlo

7

• Ketika suatu sistem mengandung
unsur-unsur yang menunjukkan
kesempatan dalam perilaku
mereka, metode Monte Carlo
• Simulasi dapat diterapkan.
Gagasan dasar dalam simulasi
Monte Carlo adalah untuk
menghasilkan nilai-nilai untuk
variabel yang menyusun model
yang dipelajari.
Ada banyak variabel dalam sistem dunia nyata
yang probabilistik di alam dan bahwa kita
mungkin ingin mensimulasikan. Beberapa
contoh dari variabel-variabel ini mengikuti:
1. Permintaan inventaris setiap hari atau setiap
minggu
2. Waktu tunggu untuk pesanan inventaris tiba
3. Waktu antara kerusakan mesin
4. Waktu antar kedatangan di fasilitas layanan
5. Waktu layanan
6. Waktu untuk menyelesaikan kegiatan
proyek
7. Jumlah karyawan yang absen dari pekerjaan
setiap hari
8
 Lanjutan...
▪ Beberapa variabel ini, seperti permintaan harian dan jumlah karyawan
yang absen,diskrit dan harus bernilai integer. Misalnya, permintaan harian
dapat 0, 1, 2, 3, dan seterusnya sebagainya Tetapi permintaan harian tidak
dapat 4,7362 atau nilai noninteger lainnya.
▪ Variabel lain, seperti yang terkait dengan waktu, bersifat terus menerus
dan tidak diharuskan menjadi bilangan bulat karena waktu dapat berupa
apa saja nilai. Saat memilih metode untuk menghasilkan nilai untuk
variabel acak, karakteristik ini dari variabel acak harus dipertimbangkan.

9
Lanjutan...

Dasar dari simulasi Monte Carlo adalah eksperimen pada kesempatan (atau
probabilistik) elemen melalui pengambilan sampel acak.

Teknik ini dipecah menjadi lima langkah sederhana: Contoh :

Lima Langkah Simulasi Monte Carlo :
1. Menetapkan distribusi probabilitas untuk
variabel input penting
2. Membangun distribusi probabilitas kumulatif
untuk setiap variabel di langkah 1
3. Menetapkan interval angka acak untuk setiap
variabel
4. Menghasilkan angka acak
5. Mensimulasikan serangkaian uji coba
Ban Otomatis Harry menjual semua jenis ban, tetapi
ban radial yang populer menyumbang sebagian besar
dari keseluruhan penjualan Harry. Mengakui bahwa
biaya persediaan bisa sangat signifikan dengan ini
produk, Harry ingin menentukan kebijakan untuk
mengelola inventaris ini. Untuk melihat apa itu
permintaan akan terlihat seperti periode waktu
tertentu, ia ingin mensimulasikan permintaan harian
untuk jumlah hari.

10
Lanjutan...

Langkah 1: Menetapkan Distribusi Probabilitas.

Salah satu cara umum untuk menetapkan distribusi probabilitas untuk variabel yang diberikan adalah untuk
memeriksa hasil historis. Probabilitas, atau relatif frekuensi, untuk setiap hasil yang mungkin dari suatu
variabel ditemukan dengan membagi frekuensi pengamatan dengan jumlah total pengamatan. Permintaan
harian untuk ban radial di Harry's Tire Tyre selama 200 hari terakhir ditunjukkan pada Tabel 13.1 berikut
ini :
DEMAND FOR FREQUENCY PROBABILITY OF
TIRES (DAYS) OCCURRENCE
0 10 10/200 = 0,05
1 20 20/200 = 0,10
2 40 40/200 = 0,20
Tabel 13.1
3 60 60/200 = 0,30
4 40 40/200 = 0,20
5 30 30/200 = 0,15
200 200/200 =1,00
11
Lanjutan...

Dari Tabel diatas, data dikonversi ke distribusi probabilitas, jika tingkat permintaan di masa
lalu dianggap akan berlaku di masa mendatang, dengan membagi setiap permintaan frekuensi
dengan total permintaan, 200.

Distribusi probabilitas, kita harus perhatikan, tidak perlu hanya didasarkan pada pengamatan
sejarah. Seringkali, estimasi manajerial berdasarkan penilaian dan pengalaman digunakan
untuk membuat distribusi. Terkadang, sampel penjualan, kerusakan mesin, atau tarif layanan
digunakan untuk membuat probabilitas untuk variabel-variabel tersebut. Dan distribusinya
sendiri bisa empiris, seperti pada Tabel 13.1 atau berdasarkan pola normal, binomial, Poisson,
atau eksponensial yang diketahui.

12
Langkah 2 : Membangun Distribusi Probabilitas Kumulatif untuk
Setiap Variabel.

Konversi dari distribusi probabilitas reguler, seperti di kolom kanan Tabel 13.1, ke kumulatif
distribusi adalah pekerjaan yang mudah. Probabilitas kumulatif adalah probabilitas bahwa suatu
variabel (permintaan) akan kurang dari atau sama dengan nilai tertentu. Distribusi kumulatif
mencantumkan semua kemungkinan nilai dan probabilitas.

Dalam Tabel 13.2, kita melihat bahwa probabilitas kumulatif untuk setiap level permintaan
adalah jumlah dari angka di kolom probabilitas (kolom tengah) dan probabilitas kumulatif
sebelumnya (kolom paling kanan). Peluang kumulatif, digambarkan dalam Gambar 13.2,
digunakan pada langkah 3 untuk membantu menetapkan angka acak.

13
 Langkah 3: Mengatur Interval Nomor Acak

Setelah kami menetapkan probabilitas kumulatif distribusi untuk setiap variabel yang
termasuk dalam simulasi, kita harus menetapkan satu set angka untuk mewakili setiap nilai
atau hasil yang mungkin. Ini disebut sebagai interval angka acak. Angka acak dibahas secara
rinci pada langkah 4. Pada dasarnya, angka acak adalah serangkaian digit (katakanlah, dua
digit dari 01, 02, ..., 98, 99, 00) yang telah dipilih oleh proses yang benar-benar acak.

Contoh
Jika ada kemungkinan 5% permintaan untuk suatu produk (seperti ban radial Harry) adalah 0
unit per hari, kami ingin 5% dari angka acak yang tersedia sesuai dengan permintaan 0 unit.
Jika sebuah total 100 angka dua digit digunakan dalam simulasi (anggaplah mereka sebagai
chip bernomor dalam mangkuk), kita dapat menetapkan permintaan 0 unit ke lima angka acak
pertama: 01, 02, 03, 04, dan 05.
14
Lanjutan...

Kemudian permintaan simulasi untuk 0 unit akan dibuat setiap kali salah satu angka 01
hingga 05 ditarik. Jika ada juga peluang 10% bahwa permintaan untuk produk yang sama
adalah 1 unit per hari, kita bisa membiarkan 10 angka acak berikutnya (06, 07, 08, 09, 10,
11, 12, 13, 14, dan 15) mewakili permintaan itu dan seterusnya untuk tingkat permintaan
lainnya. Secara umum, menggunakan distribusi probabilitas kumulatif yang dihitung dan
digambarkan dalam langkah 2, kita dapat mengatur interval angka acak untuk setiap
tingkat permintaan dengan cara yang sangat sederhana.

Panjang setiap interval pada hak sesuai dengan probabilitas salah satu dari masing-
masing tuntutan harian yang mungkin. Oleh karena itu, dalam menetapkan bilangan
acak ke permintaan harian untuk tiga ban radial, kisaran interval bilangan acak (36
hingga 65) sesuai persis dengan probabilitas (atau proporsi) dari hasil tersebut.
Permintaan harian untuk tiga ban radial terjadi 30% dari waktu. Salah satu dari 30
angka acak lebih dari 35 hingga dan termasuk 65 ditugaskan untuk acara itu.

15
 Langkah 4: Menghasilkan Bilangan Acak

Angka acak dapat dihasilkan untuk masalah simulasi dalam beberapa cara. Jika
masalahnya sangat besar dan proses yang dipelajari melibatkan ribuan percobaan
simulasi, program komputer tersedia untuk menghasilkan angka acak yang dibutuhkan.

DEMAND FOR TIRES FREQUENCY (DAYS) PROBABILITY OF

OCCURRENCE
0 0,05 0,05
1 0,10 0,15
Tabel 13.2 2 0,20 0,35
3 0,30 0,65
4 0,20 0,85
5 0,15 1,00
16
Lanjutan...

Source : Google

17
Langkah 5 : Mensimulasikan Ekserimen

INTERVAL OF
DAILY PROBABILIT CUMULATIVE RANDOM
DEMAND Y PROBABILITY NUMBERS
0 0,05 0,05 1 Ke 5

1 0,10 0,15 6 Ke 15

2 0,20 0,35 16 Ke 35

3 0,30 0,65 36 Ke 65

4 0,20 0,85 66 Ke 85

5 0,15 1,00 86 Ke 100

18
Lanjutan...

Tabel Angka Acak

52 06 50 88 53 30 10 47 99 37 66 91 35 32 00 84 57 07 37 63 28 02 74 35 24 03 29 60 74 85
90 73 59 55 17 60 82 57 68 28 05 94 03 11 27 79 90 87 92 41 09 25 36 77 69 02 36 49 71 99
32 10 75 21 95 90 94 38 97 71 72 49 98 94 90 36 06 78 23 67 89 85 29 21 25 73 69 34 85 76
96 52 62 87 49 56 59 23 78 71 72 90 57 01 98 57 31 95 33 69 27 21 11 60 95 89 68 48 17 89
34 09 93 50 44 51 50 33 50 95 13 44 34 62 64 39 55 29 30 64 49 44 30 16 88 32 18 50 62 57
34 56 62 31 15 40 90 34 51 95 26 14 90 30 36 24 69 82 51 74 30 35 36 85 01 55 92 64 09 85
50 48 61 18 85 23 08 54 17 12 80 69 24 84 92 16 49 59 27 88 21 62 69 64 48 31 12 73 02 68
00 16 16 46 13 85 45 14 46 32 13 49 66 62 74 41 86 98 92 98 84 54 33 40 81 02 01 78 82 74
97 37 45 31 94 99 42 49 27 64 89 42 66 83 14 74 27 76 03 33 11 97 59 81 72 00 64 61 13 52
74 05 81 82 93 09 96 33 52 78 13 06 28 30 94 23 37 39 30 34 87 01 74 11 46 82 59 94 25 34
32 23 17 01 58 73 59 55 72 33 62 13 74 68 22 44 42 09 32 46 71 79 45 89 67 09 80 98 99 25
77 50 03 32 36 63 65 75 94 19 95 88 60 77 46 63 71 69 44 22 03 85 14 48 69 13 30 50 33 24
60 08 19 29 36 72 30 27 50 64 85 72 75 29 87 05 75 01 80 45 86 99 02 34 87 08 86 84 49 76
24 08 01 86 29 11 53 84 49 63 26 65 72 84 85 63 26 02 75 26 92 62 40 67 69 84 12 94 51 36
17 02 15 29 16 52 56 43 26 22 08 62 37 77 13 10 02 18 31 19 32 85 31 94 81 43 31 58 33 51

19
Lanjutan...

Hasil simulasi dapat berbeda dari hasil analitis dalam simulasi singkat. Disimulasikan 10 hari
permintaan untuk ban radial di Harry's Auto Tire (lihat Tabel 13.5). Kami memilih angka acak yang
diperlukan dari Tabel 13.4, mulai dari sudut kiri atas dan melanjutkan ke kolom pertama. Sangat
menarik untuk dicatat bahwa permintaan rata-rata 3,9 ban dalam simulasi 10 hari ini berbeda secara
signifikan dari diharapkan permintaan harian.
DAY RANDOM NUMBER SIMULATED DAILY
DEMAND
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
39/10 = 3.9
20
Lanjutan...

Perhitungan dari Tabel 13.2

= 10.052102 + 10.102112 + 10.202122 + 10.302132

+ 10.202142 + 10.152152
= 2.95 tires

Jika simulasi ini diulang ratusan atau ribuan kali, kemungkinan besar rata-rata disimulasikan
permintaan akan hampir sama dengan diharapkan permintaan.

21
SIMULASI DAN ANALISIS PERSEDIAAN
Pada bagian ini, disajikan masalah inventaris dengan dua variabel
keputusan dan dua komponen probabilistik. Pemilik toko perangkat keras
ingin menetapkan jumlah pesanan dan memesan kembali untuk produk
tertentu yang memiliki permintaan harian probabilistik (tidak pasti) dan
memesan kembali waktu tunggu, untuk meminimalkan total biaya
persediaan barang tersebut. Biaya persediaan dalam hal ini termasuk
biaya pemesanan, penyimpanan, dan stockout cost.

23
Toko Perangkat Keras Simkin

Mark Simkin, pemilik dan manajer umum Simkin Hardware, ingin menemukan kebijakan persediaan
yang baik dan murah untuk satu produk tertentu: bor listrik model Ace. Karena kompleksitas situasi ini,
ia telah memutuskan untuk menggunakan simulasi untuk membantu dalam hal ini.
o Langkah pertama dalam proses simulasi ini yaitu mendefinisikan masalahnya. Simkin menetapkan
ini untuk menemukan kebijakan inventaris yang baik untuk bor listrik Ace.
o Langkah kedua dari proses ini, Simkin mengidentifikasi dua jenis variabel: input yang dapat
dikontrol dan tidak terkendali.
o Langkah ketiga dalam proses simulasi adalah mengembangkan model simulasi. Diagram alir, atau
diagram alur, sangat membantu dalam prosedur pengkodean logis untuk pemrograman proses
simulasi ini.
o Langkah keempat dari simulasi ini adalah untuk menentukan nilai-nilai variabel yang ingin di uji.
o Langkah kelima dari proses simulasi adalah menggunakan Metode Monte Carlo dalam simulasi ini.

24
25
Tabel 13.8 diisi dengan melanjutkan satu hari (atau baris) sekaligus, bekerja dari kiri ke
kanan. Ini adalah proses empat langkah:

1. Mulailah setiap hari yang disimulasikan dengan memeriksa apakah inventaris yang dipesan baru
saja tiba (kolom 2). Jika ya, tambah inventaris saat ini (di kolom 3) dengan jumlah yang dipesan
(10 unit, dalam hal ini).
2. Hasilkan permintaan harian dari distribusi probabilitas permintaan pada Tabel 13.6 dengan
memilih nomor acak. Angka acak ini dicatat di kolom 4. Permintaan simulasi dicatat dalam
kolom 5.
3. Hitung persediaan akhir setiap hari dan catat di kolom 6. Mengakhiri persediaan sama dengan
persediaan awal dikurangi permintaan. Jika inventaris yang tersedia tidak mencukupi untuk
memenuhi permintaan hari itu, penuhilah sebanyak mungkin dan catat jumlah penjualan yang
hilang (di kolom 7).
4. Tentukan apakah persediaan akhir hari itu telah mencapai titik pemesanan ulang (5 unit). Jika
sudah dan jika tidak ada pesanan luar biasa, lakukan pemesanan (kolom 8). Waktu tunggu untuk
pesanan baru disimulasikan dengan terlebih dahulu memilih nomor acak dari Tabel 13.4 dan
mencatatnya di kolom 9. (Kita bisa melanjutkan ke string yang sama dari tabel nomor acak yang
kita gunakan untuk menghasilkan angka untuk variabel permintaan.) Akhirnya, kami mengubah
angka acak ini menjadi lead time dengan menggunakan set distribusi pada Tabel 13.7.

26
Lanjutan....

27
Menganalisis Biaya Persediaan Simkin

Setelah hasil simulasi telah dihasilkan, Simkin siap untuk melanjutkan ke langkah 6 dari proses ini —
memeriksa hasilnya. Karena tujuannya adalah untuk menemukan solusi berbiaya rendah, Simkin harus
menentukan, mengingat hasil ini, berapa biayanya. Dalam melakukan ini, Simkin menemukan beberapa
hasil menarik. Persediaan akhir harian rata-rata adalah

28
Data ini berguna dalam mempelajari biaya inventaris dari kebijakan yang disimulasikan.
Simkin Hardware terbuka untuk bisnis 200 hari per tahun. Simkin memperkirakan bahwa biaya
penempatan setiap pesanan untuk latihan Ace adalah $10. Biaya memegang bor dalam persediaan
adalah $6 per bor per tahun, yang juga dapat dilihat sebagai 3 sen per bor per hari (lebih dari 200 hari
setahun). Akhirnya, Simkin memperkirakan bahwa biaya setiap kekurangan, atau kehilangan
penjualan, adalah $8. Berapa total biaya persediaan harian Simkin untuk kebijakan pemesanan jumlah
pesanan Q = 10 dan memesan kembali titik ROP = 5?
Berikut hasil tiga komponen biaya:

29
SIMULASI MASALAH ANTRIAN

30
 Pelabuhan New Orleans
Tongkang yang bermuatan penuh tiba di malam hari di New Orleans setelah perjalanan panjang
menyusuri Sungai Mississippi dari kota-kota industri di bagian barat laut. Jumlah tongkang
yang dipasang pada setiap malam berkisar dari 0 hingga 5. Probabilitas kedatangan 0, 1, 2, 3, 4,
atau 5 ditampilkan pada Tabel 13.9. Dalam tabel yang sama, kami menetapkan probabilitas
kumulatif dan interval angka acak yang sesuai untuk setiap nilai yang mungkin.
Sebuah studi oleh pengawas dermaga mengungkapkan bahwa karena sifat muatan mereka,
jumlah tongkang yang diturunkan juga cenderung bervariasi dari hari ke hari. Pengawas
menyediakan informasi dari mana kita dapat membuat distribusi probabilitas untuk tingkat
pembongkaran harian variabel (lihat Tabel 13.10). Seperti yang baru saja kita lakukan untuk
variabel kedatangan, kita dapat mengatur interval angka acak untuk tingkat pembongkaran.
Tongkang diturunkan dari dasar masuk pertama, keluar pertama. Setiap tongkang yang tidak
diturunkan pada hari kedatangan harus menunggu sampai hari berikutnya. Mengikat tongkang
di dermaga adalah proposisi yang mahal, dan pengawas tidak dapat mengabaikan panggilan
telepon yang marah dari pemilik garis tongkang mengingatkan dia bahwa "Waktu adalah uang!"
Dia memutuskan bahwa sebelum pergi ke pengontrol Pelabuhan New Orleans untuk meminta
kru pembongkaran tambahan, studi simulasi kedatangan, pembongkaran, dan penundaan harus
dilakukan. Simulasi 100 hari akan ideal, tetapi untuk ilustrasi, pengawas dimulai dengan analisis
15 hari yang lebih pendek. Angka acak diambil dari baris atas Tabel 13.4 untuk menghasilkan
tingkat kedatangan harian. diambil dari baris kedua Tabel 13.4 untuk membuat tingkat
31
pembongkaran harian.
32
 Inspektur mungkin akan tertarik pada setidaknya tiga informasi penting yang berguna:

Ketika data ini dianalisis dalam konteks biaya keterlambatan, biaya tenaga kerja menganggur, dan
biaya mempekerjakan kru pembongkaran tambahan, akan mungkin bagi pengawas dermaga dan
pengontrol pelabuhan untuk membuat keputusan penempatan staf yang lebih baik. Mereka bahkan
dapat memilih untuk meniru proses dengan asumsi tingkat bongkar yang berbeda yang akan sesuai
dengan peningkatan ukuran kru. Meskipun simulasi adalah alat yang tidak dapat menjamin solusi
optimal untuk masalah seperti ini, ini dapat membantu dalam menciptakan kembali suatu proses dan
mengidentifikasi alternatif keputusan yang baik.
33
34
 Menggunakan Excel untuk Mensimulasikan Masalah Antrian
Pelabuhan New Orleans Excel

Telah digunakan untuk mensimulasikan contoh Pelabuhan New Orleans, dan hasilnya ditunjukkan dalam
Program 13.5. Fungsi VLOOKUP digunakan seperti yang digunakan dalam simulasi Excel sebelumnya.
Sepuluh hari operasi disimulasikan, dan hasilnya ditampilkan dalam baris 4 hingga 13 spreadsheet.

35
 Model Simulasi untuk
Kebijakan Pemeliharaan

36
“ Banyak perusahaan menggunakan model simulasi
terkomputerisasi untuk memutuskan apakah dan kapan
harus mematikan seluruh pabrik untuk kegiatan
pemeliharaan. Perusahaan dapat memutuskan apakah
akan menambah lebih banyak staf pemeliharaan
berdasarkan biaya waktu henti alat berat dan biaya
tenaga kerja tambahan. Simulasi juga dapat digunakan
dalam masalah pemeliharaan lainnya, termasuk analisis
pemeliharaan preventif.

37
 Analisis Biaya Simulasi

Biaya pemeliharaan = jam dari waktu layanan pekerja (X)

waktu per jam
Biaya kerusakan = total jam kerusakan (X) hilang per jam
kerusakan

• Total biaya simulasi pemeliharaan = biaya pemeliharaan + biaya

kerusakan

38
Masalah Simulasi Lainnya

39
Dua Jenis Model Simulasi Lainnya
Model simulasi sering dibagi menjadi tiga
kategori. Yang pertama, metode Monte Carlo yang
baru saja dibahas, menggunakan konsep distribusi
probabilitas dan angka acak untuk mengevaluasi
respons sistem terhadap berbagai kebijakan. Dua
kategori lainnya adalah permainan operasional dan
simulasi sistem. Meskipun secara teori ketiga
metode ini sangat berbeda, pertumbuhan simulasi
terkomputerisasi cenderung menciptakan dasar
yang sama dalam prosedur dan mengaburkan
perbedaan-perbedaan ini.
40
Dua Jenis Model Simulasi Lainnya

1) Permainan Operasional
Game operasional mengacu pada simulasi yan melibatkan dua atau lebih pemain yang bersaing.

2) Simulasi Sistem
Simulasi sistem mirip dengan game bisnis karena memungkinkan pengguna untuk menguji
berbagai kebijakan dan keputusan manajerial untuk mengevaluasi pengaruhnya terhadap
lingkungan operasi. Variasi simulasi ini memodelkan dinamika besar sistem. Simulasi sistem
ekonomi, sering disebut model ekonometrik, digunakan oleh lembaga pemerintah, bankir, dan
organisasi besar untuk memprediksi tingkat inflasi, pasokan uang domestik dan asing, dan
tingkat pengangguran.

41
 Verifikasi dan Validasi

• Dalam pengembangan model simulasi, penting bahwa model tersebut diperiksa

untuk melihat bahwa itu berfungsi dengan baik dan memberikan representasi
yang baik dari situasi dunia nyata.
• Proses verifikasi melibatkan penentuan bahwa model komputer konsisten secara
internal dan mengikuti logika model konseptual.
• Validasi adalah proses membandingkan model dengan sistem nyata yang
diwakilinya untuk memastikan bahwa itu akurat
• Kesimpulannya, verifikasi dapat menjawab pertanyaan “Apakah kita membuat
model dengan benar?” Di sisi lain, validasi menjawab pertanyaan "Apakah kita
membangun model yang tepat?" Hanya setelah kita yakin bahwa model itu baik
kita dapat merasa nyaman dalam menggunakan hasilnya

42
 Peran Komputer dalam Simulasi

Seperti yang kita ketahui bahwa komputer sangat penting dalam mensimulasikan
tugas yang kompleks. Komputer dapat menghasilkan angka acak, mensimulasikan ribuan
periode waktu dalam hitungan detik atau menit, dan menyediakan manajemen dengan
laporan yang membuat pengambilan keputusan lebih mudah. Faktanya, pendekatan
komputer hampir merupakan keharusan bagi kita untuk menarik kesimpulan yang valid
dari simulasi.
beberapa alat khusus perangkat lunak simulasi telah dikembangkan yang membuat
proses simulasi lebih mudah, diantaranya yaitu Arena, ProModel, SIMUL8, ExtendSim,
dan Proof 5. 5 Selain alat yang berdiri sendiri ini, ada beberapa add-in Excel, seperti
@Risk, Crystal Ball, RiskSim, dan XLSim, yang dapat membuat simulasi dengan Excel
sangat mudah.

43
Thank You

44
45
In two or three columns

Yellow Blue Red

Is the color of gold, Is the colour of the clear Is the color of blood,
butter and ripe lemons. sky and the deep sea. It and because of this it
In the spectrum of is located between has historically been
visible light, yellow is violet and green on the associated with
found between green optical spectrum. sacrifice, danger and
and orange. courage.

46
A picture is worth a thousand
words

A complex idea can be conveyed

with just a single still image,
namely making it possible to
absorb large amounts of data
quickly.

47
Want big impact?
Use big image.

48
Use diagrams to explain your ideas

Lorem Ipsum

Lorem Ipsum Lorem Ipsum

Lorem Ipsum Lorem Ipsum Lorem Ipsum Lorem Ipsum

49
And tables to compare data

A B C

Yellow 10 20 7

Blue 30 15 10

Orange 5 24 16

50
Maps

our office

Find more maps at slidescarnival.com/extra-free-resources-icons-and-maps 51

89,526,124
Whoa! That’s a big number, aren’t you proud?

52
89,526,124$
That’s a lot of money

185,244 users
And a lot of users

100%
Total success!
53
Our process is easy

Vestibulum congue
tempus
1
Lorem ipsum dolor sit amet, consectetur
adipiscing elit, sed do eiusmod tempor.
Donec facilisis lacus eget mauris.

Vestibulum congue
tempus 2
Lorem ipsum dolor sit amet, consectetur
adipiscing elit, sed do eiusmod tempor.
Donec facilisis lacus eget mauris.
Vestibulum congue
tempus
3 Lorem ipsum dolor sit amet,
consectetur adipiscing elit, sed do
eiusmod tempor. Donec facilisis
lacus eget mauris.

54
Let’s review some concepts

Yellow Blue Red

Is the color of gold, butter and ripe Is the colour of the clear sky and the Is the color of blood, and because of
lemons. In the spectrum of visible deep sea. It is located between violet this it has historically been
light, yellow is found between green and green on the optical spectrum. associated with sacrifice, danger and
and orange. courage.

Yellow Blue Red

Is the color of gold, butter and ripe Is the colour of the clear sky and the Is the color of blood, and because of
lemons. In the spectrum of visible deep sea. It is located between violet this it has historically been
light, yellow is found between green and green on the optical spectrum. associated with sacrifice, danger and
and orange. courage.

55
Mobile project
Show and explain your
web, app or software Place your screenshot here

projects using these gadget

templates.

56
Tablet project
Show and explain your
web, app or software Place your screenshot here

projects using these gadget

templates.

57
Desktop project
Show and explain your
Place your screenshot here
web, app or software
projects using these
gadget templates.

58
Credits

Special thanks to all the people who made and

released these awesome resources for free:
▪ Presentation template by SlidesCarnival
▪ Photographs by Unsplash

59
Presentation design

This presentation uses the following typographies:

▪ Titles: Barlow Semibold
▪ Body copy: Barlow Light
Download for free at:
https://www.fontsquirrel.com/fonts/barlow

You don’t need to keep this slide in your presentation. It’s only here to serve you as a design guide if you need to create
new slides or download the fonts to edit the presentation in PowerPoint®

60
SlidesCarnival icons are editable shapes.

This means that you can:

▪ Resize them without losing quality.
▪ Change fill color and opacity.
▪ Change line color, width and style.

Isn’t that nice? :)

Examples:

Find more icons at

slidescarnival.com/extra-free-resources-icons-and-m
aps

61
 You can also use any emoji as an icon!

😉
And of course it resizes without losing quality.
How? Follow Google instructions
https://twitter.com/googledocs/status/730087240156643328

✋👆👉👍👤👦👧👨👩👪💃🏃💑❤😂😉😋
😒😭😸💣
👶😸 🐟🍒🍔💣 📌📖🔨🎃🎈🎨🏈🏰🌏🔌🔑
and
many more...

62
 Free templates for all your presentation needs

For PowerPoint and 100% free for personal or Ready to use, professional Blow your audience away
Google Slides commercial use and customizable with attractive visuals