Analisis Preskriptif:

Optimasi dan Simulasi

Firdauna Nahda 190810301204
 Pengambilan keputusan
berbasis model
Analisis perspektif adalah pembuatan keputusan
menggunakan beberapa jenis model analisis. Peluang terbesar
sebagai profesi yang menganalisis adalah kemampuan untuk
menggunakan wawasan deskriptif dan prediktif untuk
membantu pembuat keputusan membuat keputusan yang lebih
baik. Meskipun pembuat keputusan memakai pengalamannya
membuat keputusan, kemungkinan besar keputusan yang
berbasis model lebih baik. Dan ini juga menjadi dukungan
untuk pembuat keputusan atas apa yang mereka
rekomendasikan. Fokus analisis perspektif adalah pada
pembuatan rekomendasi atau pengambilan keputusan.
 Model analisis preskriptif
Pemodelan adalah elemen kunci untuk analisis perspektif.
Seseorang harus menggunakan model matematis untuk dapat
erekomendasikan keputusan untuk masalah realistis. Misalnya,
memutuskan pelanggan mana yang akan menerima penawaran
apa untuk memaksimalkan nilai respon secara keseluruhan tetapi
teta dalam anggaran bukanlah sesuatu yag dapat dilakukan secara
manual
Identifikasi Masalah dan Analisis Lingkungan

Identifikasi Variabel Peramalan (analisis

prediktif)
 Model keputusan yang diklasifikasikan menjadi 7 kelompok dan
mencantumkan beberapa teknik perwakilan untuk setiap kategori
Kategori Proses dan Tujuan Teknik Representatif

Optimasi masalah dengan sedikit alternatif Temukan solusi terbaik dari sejumlah kecil Tabel keputusan, pohon keputusan, proses
alternatif hierarki analisis

Optimasi melalui algoritma
Pengoptimalan melalui rumus analisis
Temukan solusi terbaik dari banyak alternatif, Linier dan model pemrograman matematis
menggunakan proses perbaikan langkah demi lainnya, model jaringan
langkah
Temukan solusi terbaik dalam satu langkah Beberpa model inventaris
menggunakan rumus

Simulasi Temukan solusi yang cukup baik atau yang Beberapa jenis simulasi
terbaik di antara alternatif yang diperiksa,
menggunakan eksperimen
Heuristik Temukan solusi yang cukup baik, dengan Pemrograman heuristik, sistem pakar
menggunakan aturan

Model prediktif Memprediksi masa depan untuk skenario Modal peramalan, analisis markov
tertentu

Model lainnya Pecahkan kasus bagaimana jika Pemodelankeuangan, garis tunggu

menggunakan rumus
TABLE OF CONTENTS

01 Teaching Method 02 Academic

Areas
You can describe the You can describe the
topic here topic here

03 Our 04 Enrollment
Teachers Process
You can describe the You can describe the
topic here topic of here
 Kategori Model
Model Manajemen
Dinamis Model

Pemodelan Tren Saat ini

Berbasis dalam
Pengetahuan pemodelan

Analisis
multidimensi
 Struktur Model Matematis
Untuk Penunjang Keputusan
 Komponen Model Matematis Pendukung
Keputusan
Model Kuantitatif
Variabel Keputusan

Variabel Hasil
Variabel atau
parameter yang
Variabel hasil tidak dapat
intermediasi dikendalikan
 Struktur Model
Matematis

P=R–C
P= keuntungan
R= pendapatan
C= biaya
Persamaan ini menggambarkan
hubungan antar variabel.
KEPASTIAN, KETIDAKPASTIAN, DAN RISIKO
Pengambilan keputusan dengan asumsi kepastian, ketidakpastian, dan risiko

Pengambilan keputusan dengan asumsi kepastian merupakan nilai dari seluruh variable yang
mempengaruhi keputusan, termasuk nilai-nilai tentang masa depan, semuanya diketahui atau
diasumsikan telah diketahui.
Pengambilan keputusan dengan risiko merupakan nilai yang tepat dari suatu variabel
keputusan tidak diketahui, tetapi distribusi probabilitas statistiknya diketahui (atau dapat
diasumsikan).
Pengambilan keputusan dengan ketidakpastian bahkan data tentang distribusi probabiltas pun
tidak dapat diketahui.

Penerapan pengambilan keputusan dengan asumsi

01 kepastian
Pengambilan keputusan dengan asumsi kepastian dapat diterapkan dengan model matematika
yang akan menghasilkan solusi optimal.
 LANJUTAN
Penerapan pengambilan keputusan dengan asumsi ketidakpastian

Pengambilan keputusan dengan ketidakpastian dapat diterapkan, pertama, dengan mencoba untuk

02 mendapatkan informasi lebih lanjut. Jika hal ini tidak mungkin atau jika ketidakpastian tetap ada setelah hal ini
dilakukan, maka perlu untuk mengevaluasi berbagai macam hasil dari berbagai nilai yang mungkin muncul
dari berbagai macam variabel keputusan. Pilihan kemudian tergantung pada sikap si pembuat keputusan
terhadap risiko. Misalnya, salah satu solusi mungkin memiliki nilai yang lebih tinggi dari solusi yang lain, tetapi
juga kemungkinan memiliki risiko negatif yang lebih tinggi. Seorang manajer dengan kecenderungan untuk
berjudi mungkin memilih solusi itu, sedangkan manajer yang lebih konservatif dan menghindari risiko akan
memilih solusi yang menawarkan imbal hasil yang lebih rendah tetapi juga meminimalkan kemungkinan
kerugian.
Penerapan pengambilan keputusan dengan berbagai asumsi risiko

Pengambilan keputusan dengan risiko yang diterapkan dapat ditangani dengan cara mempertimbangkan

03 distribusi probabilitas dari berbagai variabel keputusan dan menerapkan melalui model dengan distribusi
tersebut. Hasilnya akan menjadi distribusi berbagai macam hasil. Perhatikan bahwa rata-rata dari
distribusi berbagai macam hasil seringkali bukan hasil yang diperoleh ketika mengampil keputusan
dengan asumsi kepastian jika setiap variabel memiliki nilai rerata nya. Hal ini karena, dalam model yang
kompleks, berbagai variabel keputusan berinteraksi dengan cara yang kompleks dan efeknya tidak
selalu terlihat jelas. Pendekatan lain untuk masalah dengan asumsi risiko adalah dengan cara memilih nilai
yang acak dari distribusi probabilitas masing-masing variabel keputusan dan kemudian menjalankan
modelnya, dengan asumsi kepastian, dengan nilai-nilai tersebut. Hal ini diulang sampai didapatkan hasil
dari distribusi statistiknya. Pendekatan ini digunakan ketika model yang digunakan terlalu kompleks bila
KASUS : Perusahaan Babi di Chili
Hasil
DSS mengurangi waktu yang diperlukan
untuk memperoleh perkiraan perencanaan
produksi, pelanggaran kontrak karena penundaan
produksi, dan kerugian dalam kualitas produk.
DSS mengurangi waktu yang diperlukan untuk
mendapatkan jadwal mingguan dengan
mengambil file excel sebagai input dan
memprosesnya. Sebelumnya, dibutuhkan dua
insinyur dan lebih dari tiga jam setiap minggu
untuk menyiapkan jadwal mingguan. Selain itu,
DSS mengizinkan perusahaan untuk
memperkirakan hasil produksi yang sebenarnya
menurut potongan yang berbeda dan varietas
babi. DSS juga memasukkan catatan masukan
dan keluaran produksi, sehingga memungkinkan
untuk memperoleh hasil dari laporan analisis
produksi.
Produksi daging babi di Chili terkonsentrasi di sejumlah kecil
produsen dan menempati urutan kedua di dunia. Pada 2015, ekspor
daging babi bernilai sekitar $ 467 juta. Variasi produk telah meningkat dari
50 di tahun 2007 menjadi 400 saat ini. Industri daging babi Chili yang
sedang berkembang mengekspor ke seluruh dunia tetapi juga menghadapi
persaingan ketat dari negara lain. Untuk mempertahankan daya saingnya,
perusahaan Chili tertarik untuk mengembangkan sistem yang
mengoptimalkan perencanaan produksi, inventaris, dan operasi
penyimpanan di rumah pemotongan hewan mereka, sehingga mengurangi
kehilangan daging. Sistem seperti itu harus mudah digunakan,
mengakomodasi banyak masalah dan jangka waktu, dan memungkinkan
pengguna untuk terhubung dengan Microsoft Excel.
Sistem pendukung keputusan dikembangkan untuk
meminimalkan biaya produksi, penyimpanan, dan kehilangan daging.
DSS ini membaca beberapa file Excel sebagai input. Antarmuka DSS
diprogram dalam Visual Studio 2010, dan model pengoptimalan
(analitik preskriptif) dijalankan dalam perangkat lunak komersial. Ada
empat model pengoptimalan dalam DSS ini, dan pengguna dapat
memilih opsi perencanaan yang diinginkan untuknya. Model
pengoptimalan ini adalah:
a. Model Perencanaan Harian untuk Pemotongan dan Pengepakan
b. Model Perencanaan Mingguan untuk Pemotongan dan
Pengepakan
c. Model untuk Manajemen Sistem Pendinginan
d. Model Manajemen Penyimpanan
 Pemodelan Sistem Pendukung Management
Dengan Spreadsheet
Pengertian
spreadsheet
"Sebuah program yang dirancang untuk melakukan tugas-tugas komputasi
umum yang lebih mengutamakan menggunakan hubungan spasial dibandingkan
dengan proses eksekusi sekuensial sebagai prinsip utama dalam sistem
pengorganisiannya." (Wikipedia).
’’Sebuah program komputer dimana angka-angka yang diatur dalam baris dan
kolom dari suatu grid dapat dimanipulasi dan digunakan dalam perhitungan’’
(Oxford American Dictionary)

Pengertian spreadsheet add-in dan Cara kerja add-ins bisa membantu dan
digunakan dalam DSS (Decision Support Systems atau Sistem Pendukung
Keputusan)

Spreadsheet add-ins adalah program kecil yang dirancang untuk

meningkatkan kemampuan dari software spreadsheet. Add-ins
membantu dalam DSS karena banyak add-ins yang dirancang khusus
untuk tujuan itu, seringkali dengan cara menata/menstrulturkan dan
memecahkan jenis-jenis model tertentu.
 LANJUTAN
Keuntungan spreadsheet untuk digunakan dalam DSS (Decision Support
Systems atau Sistem Pendukung Keputusan

Spreadsheet sangat enak digunakan untuk DSS karena menyediakan cara yang mudah dipahami
untuk perhitungan dan biasanya menggabungkan banyak fungsi pemodelan yang kuat. Fitur
spreadsheet penting lainnya termasuk analisis, pencarian tujuan, manajemen data, dan
kemampuan program (yaitu, makro). Dengan spreadsheet, mudah untuk mengubah nilai sel dan
langsung melihat hasilnya. Pencarian tujuan dilakukan dengan menunjukkan sel target, nilai yang
diinginkan, dan sel yang berubah. Manajemen database yang luas dapat dilakukan dengan
kumpulan data kecil, atau bagian dari database dapat diimpor untuk analisis (yang pada dasarnya
adalah cara kerja OLAP dengan kubus data multidimensi; faktanya, sebagian besar sistem OLAP
memiliki tampilan dan nuansa perangkat lunak spreadsheet tingkat lanjut setelah data dimuat).
Template, makro, dan alat lainnya meningkatkan produktivitas pembuatan DSS. Sebagian besar
paket spreadsheet menyediakan integrasi yang cukup mulus karena mereka membaca dan menulis
struktur file umum dan dengan mudah berinteraksi dengan database dan alat lainnya. Microsoft
Excel adalah paket spreadsheet paling populer.
Kasus : Metro Meals on Wheels Treasure Valley
Menggunakan Excel untuk Menemukan Rute
Pengiriman yang Optimal
Meals on Wheels Association of America (sekarang Meals on Wheels
America) adalah organisasi nirlaba yang mengirimkan sekitar satu
juta makanan ke rumah lansia yang membutuhkan di seluruh
Amerika Serikat. Metro Meals on Wheels Treasure Valley adalah
cabang lokal dari Meals on Wheels America yang beroperasi di
Idaho. Cabang ini memiliki tim relawan pengemudi yang
mengemudikan kendaraan pribadinya setiap hari untuk
mengantarkan makanan kepada 800 klien di sepanjang 21 rute dan
mencakup area seluas 2.745 kilometer persegi. Organisasi Meals on
Wheels Treasure Valley menghadapi banyak masalah. Pertama,
mereka ingin meminimalkan waktu pengiriman karena makanan yang
dimasak sensitif terhadap suhu dan mudah rusak. Mereka ingin
mengantarkan makanan yang sudah dimasak dalam waktu 90 menit.
Kedua, proses penjadwalan sangat memakan waktu. Dua karyawan
menghabiskan sebagian besar waktu mereka mengembangkan rute
pengiriman yang dijadwalkan. Seorang koordinator rute menentukan
perhentian sesuai dengan jumlah penerima makanan untuk hari
tertentu. Setelah menentukan pemberhentian, koordinator membuat
urutan pemberhentian yang meminimalkan waktu tempuh relawan.
Jadwal perutean ini kemudian dimasukkan ke dalam alat online untuk
menentukan instruksi bagi pengemudi. Seluruh proses penentuan
rute secara manual memakan banyak waktu ekstra.
Metode
Untuk mengatasi masalah perutean, alat berbasis spreadsheet
dikembangkan. Alat ini dengan muda memasukkan informasi
tentang penerima seperti nama, kebutuhan makan, dan alamat
pengiriman. Informasi ini perlu diisi dalam spreadsheet untuk
setiap perhentian di rute tersebut. Selanjutnya, fungsionalitas
Visual Basic for Applications Excel digunakan untuk mengakses
pemrograman aplikasi peta jaringan (API). API ini digunakan untuk
membuat matriks perjalanan yang menghitung waktu dan jarak
yang dibutuhkan untuk pengiriman makanan. Alat ini memberikan
informasi waktu dan jarak untuk 5.000 pasang lokasi sehari tanpa
biaya apapun. Saat program dimulai, API MapQuest pertama kali
memvalidasi alamat penerima makanan yang dimasukkan.
Kemudian program menggunakan API untuk mengambil jarak
mengemudi, perkiraan waktu mengemudi, dan instruksi untuk
mengemudi di antara semua perhentian dalam rute. Alat tersebut
kemudian dapat menemukan rute optimal hingga 30 perhentian
dalam batas waktu yang memungkinkan.
 Hasil

Akibat penggunaan alat ini, total jarak mengemudi tahunan

berkurang 10.000 mil, sementara waktu perjalanan berkurang 530
jam. Metro Meals on Wheels Treasure Valley menghemat $ 5.800
pada tahun 2015, berdasarkan perkiraan tingkat penghematan $
0,58 per mil (untuk sedan menengah). Alat ini juga mengurangi
waktu yang dihabiskan untuk perencanaan rute pengiriman
makanan. Manfaat lain termasuk peningkatan kepuasan relawan
dan
lebih banyak retensi relawan
 Optimasi Pemrograman Matematis

Beberapa asumsi yang diterapkan dalam pemrograman

linear (Linear Programming / LP)

Pendekatan dalam pemrograman linear (Linear Programming/LP) melibatkan baik asumsi ekonomi maupun teknis.
Beberapa asumsi ekonomi adalah:
a. Imbal balik dari berbagai alokasi yang berbeda-beda dapat diukur dengan unit ukuran yang umum (misalnya,
dolar, utilitas, dsb).
b. Imbal balik dari suatu alokasi adalah independen dari alokasi lainnya.
c. Imbal balik total adalah jumlah dari semua imbal balik yang dihasilkan oleh berbagai kegiatan yang berbeda-
beda.
d. Semua data diketahui dengan pasti.
e. Sumber daya harus digunakan dengan cara yang paling ekonomis.
Beberapa asumsi teknis adalah:
f. Fungsi yang bersifat tujuan (yang harus dimaksimalkan) adalah kombinasi linear dari berbagai macam output.
g. Masing-masing output (variabel keputusan) menggunakan kombinasi linear dari berbagai inputnya.
h. Batasan-batasan pada input adalah ketidaksamaan linear (atau konstanta, yang merupakan kasus khusus
dari linear).
Karakteristik dari Pemrograman Linear LANJUTAN
Pemrograman linear merupakan metode optimasi yang digunakan untuk memecahkan masalah dimana fungsi
yang bersifat tujuan dan berbagai batasannya semuanya adalah linear. Pemrograman linear bersandar pada
asumsi yang ada dalam jawaban sebelumnya. Masalah-masalah dalam pemrograman linear bias diselesaikan
dengan berbagai perangkat lunak pada semua computer.

Permasalahan Alokasi

Masalah alokasi merupakan masalah pemrograman linear dimana sumber daya yang terbatas dapat
dialokasikan diantara beberapa kemungkinan penggunaan, yang masing-masing menghasilkan imbal
balik yang diketahui per unit nya dan juga mengikuti batasan-batasannya.

Masalah Produk – campuran

Masalah produk-campuran (product-mix) adalah masalah pemrograman linear di mana berbagai produk yang berbeda yang
terbuat dari sumber daya (material) yang sama. Masing-masing produk membutuhkan campuran sumber daya (material) yang
diketahui dan juga memiliki profitabilitas diketahui. Beberapa sumber daya (material) nya terbatas. Tujuannya supaya total
profitabilitas bisa dimaksimalkan. Masalah produk-campuran dapat dilihat sebagai suatu masalah alokasi. Perbedaannya
adalah bahwa seseorang yang merumuskan masalah sebagai masalah produk-campuran biasanya menaruh perhatian pada
jumlah setiap produk yang akan diproduksi, sementara orang yang merumuskan masalah yang sama sebagai masalah alokasi
biasanya menaurh perhatian pada jumlah masing-masing sumber daya yang digunakan. Solusinya sama saja, dan masing-
masing pendekatan dapat menghasilkan kedua jawaban tersebut.
 Masalah Kombinasi (blending)

Masalah kombinasi (blending) adalah masalah pemrograman linear dimana sumber daya
dapat digunakan dalam berbagai cara yang berbeda untuk membuat produk akhir yang
diinginkan. Cara dimana sumber daya dikombinasikan untuk mencipatkan karakteristik
produk akhir diketahui sebelumnya. Total biaya dari produk akhir harus diminimalkan.

Model Optimasi yang Umum

Beberapa model optimasi umum antara lain meliputi masalah tentang penugasan/shift,
pemrograman dinamis, goal programming, investasi, pemrograman linear dan integer,
model jaringan untuk perencanaan dan penjadwalan, penggantian (penganggaran untuk
modal), model untuk inventory sederhana (misalnya, jumlah order ekonomis) dan
transportasi (meminimalkan biaya pengiriman, optimasi rute).
 Contoh Penerapan
Model LP standar dapat dikembangkan untuk masalah MBI Corporation. Seperti yang
dibahas dalam Technology Insights 6.1, model LP memiliki tiga komponen: variable keputusan,
variabel hasil, dan variabel yang tidak dapat dikontrol (kendala). Model ini juga memiliki komponen
tersembunyi keempat. Setiap model LP memiliki beberapa variabel perantara internal yang tidak
dinyatakan secara eksplisit. Batasan tenaga kerja dan anggaran mungkin masing-masing memiliki
kelonggaran di dalamnya ketika sisi kiri lebih kecil dari sisi kanan. Slack ini diwakili secara internal
oleh variable slack yang menunjukkan kelebihan sumber daya yang tersedia. Batasan persyaratan
pemasaran masing-masing mungkin memiliki kelebihan di dalamnya ketika sisi kiri benar-benar
lebih besar daripada sisi kanan. Surplus ini diwakili secara internal oleh variabel surplus yang
menunjukkan bahwa ada beberapa ruang untuk menyesuaikan sisi kanan dari kendala ini. Variabel
kelonggaran dan kelebihan ini adalah perantara.

Model campuran produk memiliki kemungkinan solusi yang tak terbatas. Dengan asumsi bahwa rencana
produksi tidak terbatas pada bilangan bulat dalam rencana produksi bulanan. Hasil yang diinginkan adalah
memaksimalkan keuntungan total: solusi optimal. Untungnya, Excel dilengkapi dengan Add-in Solver, yang
dapat dengan mudah mendapatkan solusi optimal (terbaik) untuk masalah ini. Meskipun lokasi add-in Solver
telah dipindahkan dari satu versi Excel ke versi lain, itu masih tersedia sebagai add-in gratis. Cari di bawah
tab Data dan di pita Analisis. Jika tidak ada, Anda dapat mengaktifkannya dengan membuka Menu
Opsi Excel dan memilih Add-in.
Variabel keputusan adalah sebagai berikut:
X 1 = unit CC - 7 yang akan diproduksi
X 2 = unit CC - 8 yang akan diproduksi
Variabel hasil adalah sebagai berikut:
Keuntungan total = Z
Tujuannya adalah untuk memaksimalkan
keuntungan total:
Z = 8.000 X 1 + 12.000 X 2
Variabel yang tidak dapat dikontrol (kendala)
adalah sebagai berikut:
Latihan kontra tenaga kerja: 300 X 1 + 500 X 2 …
200.000 (dalam hari)
Analisis Sensitivitas
Analisis sensitivitas sangat Analisis sensitivitas digunakan untuk:
penting dalam analitik ● Merevisi model untuk menghilangkan sensitivitas
preskriptif karena yang terlalu besar
memungkinkan fleksibilitas dan ● Menambahkan detail tentang variabel atau
adaptasi terhadap kondisi skenario sensitif
yang berubah dan ● Memperoleh perkiraan yang lebih baik dari
persyaratan situasi variabel eksternal sensitif
pengambilan keputusan yang ● Mengubah sistem dunia nyata untuk mengurangi
berbeda, memberikan kepekaan yang sebenarnya
pemahaman yang lebih baik ● Menerima dan menggunakan dunia nyata yang
tentang model dan situasi sensitif (dan karenanya rentan), yang mengarah
pengambilan keputusan yang pada pemantauan yang terus menerus dan cermat
coba dijelaskan, dan terhadap hasil aktual
memungkinkan manajer untuk
memasukkan data untuk
meningkatkan kepercayaan
 Analisis Sensitivitas
Analisis sensitivitas menguji hubungan seperti berikut
ini:
● Dampak perubahan variabel dan parameter
eksternal (tidak terkendali) pada
● variabel hasil
● Dampak perubahan variabel keputusan pada
variabel hasil
● Pengaruh ketidakpastian dalam mengestimasi
variabel eksternal
● Pengaruh interaksi dependen yang berbeda antar
variabel
● Kekokohan keputusan dalam kondisi yang berubah
 Analisis Sensitivitas
Otomatis
• Dilakukan dalam implementasi
model kuantitatif standar.
• Terbatas pada satu perubahan
pada satu waktu, dan hanya
untuk variabel tertentu
• Kemampuannya untuk
menetapkan rentang dan batas
dengan sangat cepat
Percobaan dan Kesalahan
Dengan melakukan
perubahan terhadap data
masukan dan
menyelesaikan masalah lagi.
Saat perubahan dilakukan
beberapa kali, maka solusi
yang lebih baik akan
ditemukan
 Analisis Bagaimana-Jika
Mengapa seorang manajer melakukan analisis
'bagaimana-jika’ ?
Seorang manajer mungkin melakukan
analisis 'bagaimana-jika' (what-if
analysis) untuk mengetahui apa yang
akan terjadi jika tindakan tertentu
diambil. Seorang manajer mungkin
juga melakukan analisis 'bagaimana-
jika' untuk mencoba beberapa
alternatif, dan memilih salah satu
yang terbaik.
 Goal Seeking
Mengapa seorang manajer mungkin menerapkan 'pencarian tujuan'
(goal seeking)?
Seorang manajer mungkin menerapkan 'pencarian
tujuan' (goal seeking) untuk menemukan berbagai
nilai dari variabel keputusan yang memungkinkan
dia untuk memenuhi kriteria yang telah ditentukan.
Misalnya, seorang manajer mungkin perlu
menemukan berapa anggaran iklan yang akan
mencapai sebanyak X rumah tangga dengan
biaya tidak lebih dari $Y.
Kelemahannya adalah bahwa 'pencarian tujuan'
(goal seeking) bisa mendorong apa yang disebut
"satisficing," (cukup puas, bukan yang terbaik).
Seorang manajer yang menemukan satu program
periklanan yang mungkin saja memenuhi tujuan di
atas mungkin tidak termotivasi untuk menemukan
suatu alternatif lain yang bisa mencapai lebih
banyak rumah tangga dengan biaya yang sudah
ditentukan, atau jumlah rumah tangga yang
ditargetkan tetapi dengan biaya lebih sedikit.
 Analisis Keputusan

Tabel Keputusan Pohon Keputusan

Proses pada pohon keputusan adalah mengubah bentuk
Metode ini menggunakan
data (tabel) menjadi model pohon, mengubah model
bantuan tabel yang berisi
pohon menjadi rule, dan menyederhanakan rule. Data
hubungan antara beberapa
dalam pohon keputusan biasanya dinyatakan dalam
atribut yang mempengaruhi
bentuk tabel dengan atribut dan record. Atribut
atribut tertentu.
menyatakan suatu parameter yang dibuat sebagai
Hanya ada dua nilai
kriteria dalam pembentukan pohon. Misalkan untuk
kebenaran, yaitu Ek = benar
menentukan main tenis, kriteria yang diperhatikan
atau Ek = salah.
adalah cuaca, angin, dan temperatur. Salah satu atribut
merupakan atribut yang menyatakan data solusi per
item data yang disebut target atribut. Atribut memiliki
nilai-nilai yang dinamakan dengan instance.
 SIMULASI
Simulasi merupakan proses virtual yang menggambarkan
bagaimana suatu sistem akan berjalan. Dengan mencontoh atau
menduplikasi keadaan yang sebenarnya ini memungkinkan
pengambil keputusan untuk melakukan suatu eksperimen
terhadap sistem dan prediksi tingkah laku yang hasilnya
berdasarkan input berbabagai parameter dan aturannya.
Disamping itu, pengambilan keputusan juga dapat menganalisis
berbagai performa sistem dan memilih keputusan yang optimal
untuk jangka waktu yang panjang.
No Keuntungan Kerugian

1. Teorinya cukup mudah Simulasi tidak akurat, karna teknik ini bukan
proses optimisasi dan tidak menghasilkan
sebuah jawaban tetapi hanya menghasilkan
sekumpulan output dari sistem pada berbagai
kondisi yang berbeda. Dalam banyak kasus
ketelitiannya sulit diukur.

2. Memberikan perkiraan sistem lebih nyata Model simulasi yang baik sangat mahal, bahkan
sering dibutuhkan waktu bertahun-tahun untuk
mengembangkan model yang sesuai.

3. Dapat menguji desain alat, layout dan sistem Tidak semua situasi dapat dievaluasi dengan
transparasi baru tanpa menghadirkannya simulasi.
secara langsung

4. Memudahkan mengontrolan lebih banyak Pemodalan dan analisis modal simulasi

kondisi dari suatu percobaan terkadang membutuhkan waktu dan biaya yang
besar

5. Manajer dapat bereksperimen untuk Hasil simulasi terkadang sulit diinterprestasikan

menentukan variabel keputusan mana dan
bagian lingkungan mana yang penting dengan
alternatif berbeda
Proses dari Simulasi
No Metodelogi Deskripsi
1. Tentukan masalahnya Memeriksa dan mengklasifikasikan masalah, lalu
menentukan mengapa pendekatan simulasi sesuai.
2. Buat model simulasi Langkah ini melibatkan penentuan variabel dan
hubungannya, serta pengumpulan data.
3. Uji dan validasi model Model simulasi harus mewakili dengan benar
sistem yang sedang dipelajari. Pengujian dan validasi
memastikan ini.
4. Rancangan eksperimen Jika model telah terbukti valid, eksperimen dapat
dirancang, serta menentukan berapa lama simulasi akan
dijalankan
5. Lakukan percobaan Melakukan percobaan melibatkan berbagai masalah dari
pembuatan angka acak hingga presentasi hasil.
6. Evaluasi hasilnya Hasilnya harus diinterpretasikan. Selain standar alat
statistik, analisis sensitivitas juga dapat digunakan.
7. Terapkan hasilnya Peluang keberhasilannya lebih baik karena manajer
biasanya lebih terlibat dengan proses simulasi
dibandingkan dengan model lain. Tingkat keterlibatan
manajerial yang lebih tinggi umumnya mengarah pada
tingkat keberhasilan implementasi yang lebih tinggi.
SIMULASI MONTE CARLO
Arti monte carlo sering dianggap
sama dengan simulasi probabilitas.
Model simulasi ini menggunakan
angka – angka random. Angka
random adalah suatu set angka yang
kemungkinan timbulnya adalah sama
(probabilitas timbulnya angka
tersebut sama). Angka random
digunakan dalam simulasi ini
dihasilkan oleh komputer dan sering
disebut pseudo random numbers.
Berikut adalah prosedur
penyelesaian pada simulasi monte
carlo ꞉
1. Buatlah table probabilitas
kumulatif masalahnya, kemudian
tentukan interval probabilitas
kumulatif tersebut dan interval
angka randomnya.
2. Pilihlah sebuah angka random
secara sembarang (acak) dari
table angka random.
3. Ulangi pemilihan angka random
kedua dan seterusnya pada
daftar yang arahnya boleh
kemanapun dari angka random
pertama asal tidak berulang
SIMULASI INTERAKTIF VISUAL
Simulasi visual adalah simulasi yang menggunakan representasi grafis untuk
menunjukkan situasi kepada pengguna akhir. Simulasi ini melakukan segala
sesuatu yang dilakukan oleh simulasi konvensional, yaitu semua teknik untuk
melakukan eksperimen (misalnya analisis 'bagaimana-jika') dengan komputer
digital pada pemodelan sistem manajemen, hanya saja simulasi ini
melakukannya secara visual dan menyenangkan dan informatif. Simulasi
interaktif visual adalah jenis simulasi visual di mana masukan yang diberikan
secara langsung kepada representasi visual dari sistem, dengan hasil riil yang
cepat.
VIS (VIM) telah digunakan dalam beberapa keputusan manajemen operasi.
Misalnya termasuk operasi pabrik dan garis tunggu dalam jalur antrian.
Keduanya berhubungan, karena banyaknya antiran dalam garis tunggu
menunjukkan operasi pekerjaan yang tidak seimbang. Dengan VIS, manajer
bisa melihat pekerjaan yang sedang berjalan menumpuk dalam suatu proses -
yang berarti jauh lebih murah dibandingkan dengan melihat langsung
antrian/tumpukan di pabrik riil
 KASUS
Meningkatkan Keputusan Penjadwalan Kerja Toko melalui RFID: Penilaian
Berbasis Simulasi
Penyedia layanan manufaktur komponen optik dan elektromekanis yang
kompleks berupaya
mendapatkan efisiensi dalam keputusan penjadwalan bengkel. Perusahaan
menghadapi dua masalah utama di lini produksi yaitu: backlog yang tinggi dan
biaya lembur yang tinggi untuk memenuhi permintaan. Selain itu, hulu tidak
dapat menanggapi insiden tak terduga seperti
perubahan permintaan atau kekurangan bahan dengan cukup cepat dan
merevisi jadwal dengan cara yang hemat biaya. Perusahaan sedang
mempertimbangkan untuk menerapkan RFID pada jalur produksi. Namun,
perusahaan tidak tahu apakah akan mengeluarkan biaya besar untuk
menambahkan chip RFID pada kotak produksi dan memasang pembaca RFID di
seluruh lini produksi.
Metodelogi
Model simulasi kejadian diskrit dikembangkan untuk memeriksa bagaimana pelacakan
dan ketertelusuran melalui RFID dapat memfasilitasi aktivitas penjadwalan produksi
kerja toko. Sebuah aturan penjadwalan berbasis visibilitas (VBS) yang menggunakan
sistem ketertelusuran waktu nyata untuk melacak WIP, suku cadang dan komponen,
dan bahan mentah tersebut dalam operasi di lantai pabrik telah diusulkan. Pendekatan
simulasi diterapkan untuk menguji manfaat aturan VBS terhadap aturan penjadwalan
klasik: aturan pengiriman tanggal pertama masuk pertama dan keluar paling awal.
Model simulasi dikembangkan dengan menggunakan Simio. Estimasi parameter yang
digunakan untuk keadaan awal dalam model simulasi meliputi permintaan dan ramalan
mingguan, aliran proses, jumlah workstation, jumlah operator lantai pabrik, dan waktu
operasi di setiap workstation. Selain itu, parameter dari beberapa data masukan
seperti waktu penandaan RFID, waktu pengambilan informasi, atau waktu pembaruan
sistem diperkirakan dari studi percontohan. Perintah simulasi tertentu
diimplementasikan dan diberi kode. Laporan standar dan format pivot grid
menyediakan metode yang sangat cepat untuk menemukan hasil statistik tertentu
seperti rata-rata, persen, total, maksimum, atau nilai minimum.
Hasil
Hasil simulasi menunjukkan bahwa aturan penjadwalan berbasis
RFID menghasilkan kinerja yang lebih baik. Dibandingkan dengan
aturan penjadwalan tradisional yang berkaitan dengan waktu
pemrosesan, waktu produksi, penggunaan sumber daya,
simpanan, dan produktivitas. Perusahaan mengambil keuntungan
produktivitas ini dan melakukan analisis biaya / keuntungan dalam
membuat keputusan investasi akhir.
THANKS!
Do you have any questions?

CREDITS: This presentation template was created

by Slidesgo, including icons by Flaticon and
infographics & images by Freepik.

Please keep this slide for attribution