Laporan Pemodelan Dan Simulasi 1
Laporan Pemodelan Dan Simulasi 1
Laporan Pemodelan Dan Simulasi 1
KELOMPOK 10
COVER
i
KATA PENGANTAR
Puji syukur penulis panjatkan kehadapan Tuhan Yang Maha Esa, karena
berkat rahmat dan karunia-Nya, proposal yang berjudul “Simulai Transaksi Untuk
Memperkirakan Keuntungan Pada Minimarket Vidya” ini dapat diselesaikan tepat
pada waktunya. Penulis mengucapkan terima kasih dan kepada berbagai pihak yang
telah membantu proposal ini, khususnya Bapak I Dewa Made Bayu Atmaja
Darmawan, S.Kom., M.Cs sebagai dosen pengampu yang telah bersedia membantu
dan mengajarkan mengenai pemodelan dan simulasi serta semua pihak yang telah
memberi dukungan sehingga proposal ini dapat diselesaikan sesuai dengan waktu
yang ditentukan.
Penulis menyadari bahwa masih banyak kekurangan yang ada pada proposal
ini. Oleh karena itu sangat diharapkan untuk adanya kritik dan saran yang
membangun untuk pencapaian yang lebih baik.
Penulis
ii
DAFTAR ISI
COVER .................................................................................................................... i
KATA PENGANTAR ............................................................................................ ii
DAFTAR ISI .......................................................................................................... iii
LEMBAR REVISI .................................................................................................. v
BAB I PENDAHULUAN ....................................................................................... 1
1.1 Latar Belakang ......................................................................................... 1
iii
3.5 Metode Pengambilan Sampel ................................................................. 14
iv
LEMBAR REVISI
v
BAB I
PENDAHULUAN
1.1 Latar Belakang
Pertumbuhan binis 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 Bali. Seringkali peritel lokal
bersaing dengan peritel asing yang mulai masuk dan menguasai pasar Indonesia
kususnya Bali. 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.
Gaya hidup dan kebutuhan yang selalu berubah membuat masyarakat harus
menyikapi keberadaan ritel modern tersebut. Berbelanja di ritel modern menjadi
pilihan saat ini daripada berbelanja di ritel tradisonal, hal ini disebabkan karena
keunggulan pada fasilitas, keamanan dan kenyamanan ketika berbelanja.
Khususnya di kota besar padatnya aktivitas, waktu yang terbatas, serta lokasi yang
cukup jauh menyebabkan masyarakat tersebut kesulitan untuk berbelanja di tempat
yang berbeda. Oleh karena itu, convenience store di pilih untuk memenuhi
kebutuhan masyarakat pada saat itu juga, dimana mereka bukan berbelanja untuk
kebutuhan bulanan ataupun mingguan.
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 Vidya
Supratman”. Dimana pada program simulasi ini menggunakan metode monte carlo,
metode ini digunakan untuk menghasilkan variablel input dalam simulasi seperti
waktu antar kedatangan pelanggan. Teknik ini menggunakan bilangan random yang
1
2
Simulasi berasal dari bahasa inggis, yaitu to simulate, yang artinya menurut
Webster’s Collegiate Dictionary adalah “to feign, to obtain the essence of, without
the reality”, artinya untuk memperoleh intisari dari sesuatu tanpa melibatkan
kenyataan. Sedangkan menurut Oxford American Dictionary (1980) simulasi
adalah “to reproduce the conditions of a simulation, as by means of a model, for
study or testing or training, etc”, artinya untuk menghasilkan suatu kondisi dari
situasi, dalam maksud sebuah model, untuk dipelajari atau untuk percobaan atau
pelatihan dan sebainya. Beberapa definisi simulasi menurut berbagai pakar antara
lain :
3
4
konsep dasar yang menata rangkaian aturan yang digunakan untuk menggambarkan
sistem. Terdapat beberapa jenis model dalam melakukan simulasi antara lain :
1. Model Fisik
Model fisik mengambil dari sebagian sifat fisik dari hal-hal yang diwakilinya,
sehingga menyerupai sistem yang sebenarnya namun dalam skala yang
berbeda. Walaupun jarang dipakai, model ini cukup berguna dalam rekayasa
sistem. Dalam penelitian, model matematis lebih sering dipakai jika
dibandingkan dengan model fisik.
2. Model Matematis
Pada model matematis, sistem direpresentasikan sebagai hubungan logika dan
hubungan kuantitatif untuk kemudian dimanipulasi supaya dapat dilihat
bagaimana sistem bereaksi.
3. Model Analitis dan Model Simulasi
Setelah model matematis berhasil dirumuskan, model tersebut dipelajari
kembali apakah model yang telah dikembangkan dapat menjawab pertanyaan
yang berkaitan dengan tujuan mempelajari sistem. Jika model yang dibentuk
cukup sederhana, maka relasi-relasi matematisnya dapat digunakan untuk
mencari solusi analitis. Jika solusi analitis bisa diperoleh dengan cukup mudah
dan efisien, maka sebaiknya diigunakan solusi analitis karena metode ini
mampu memberikan solusi yang optimal terhadap masalah yang dihadapi.
Tetapi seringkali model terlalu kompleks sehingga sangat sulit untuk
diselesaikan dengan metoda-metoda analitis, maka model tersebut dapat
dipelajari dengan simulasi. Simulasi tidak menjamin memberikan hasil yang
optimal melainkan dijamin bahwa hasilnya mendekati optimal
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.
Dengan kata lain sistem berubah hanya pada satu waktu tertentu. Hal ini berbeda
dengan simulasi kontinyu yang berubah terus menerus sejalan dengan waktu.
7
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.
𝑋𝑛 = (𝑎𝑋𝑛−1 + 𝑏)𝑚𝑜𝑑 𝑚
9
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,
1949, pg. 335-341 (Yeh & Sun, 2013: 784, 795). Beberapa definisi simulasi monte
carlo menurut para ahli yaitu :
10
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
Menurut Kwak & Stoddard (2004) Simulasi Monte Carlo mulai mendapat
perhatian di bidang manajemen proyek, dan dapat menjadi alat yang handal bagi
manajer proyek dalam menganalisa resiko dan ketidakpastian yang umum terjadi
dalam pembiayaan proyek. Hasil simulasi Monte Carlo dapat membantu manajer
proyek dalam menentukan ekspektasi pembiayaan proyek yang lebih realistis.
Simulasi Monte Carlo memerlukan beberapa elemen berikut (Yeh & Sun,
2013: 784) :
Untuk mencapai tujuan kegiatan seperti yang telah dikemukakan diatas dan
memenuhi kaidah-kaidah melakukan riset yang baik, maka dilakukan beberapa
langkah atau metode sebagai berikut :
1. Penelitian ini akan diawali dengan pengamatan langsung oleh tim peneliti
pada minimarket Vidya. Pengamatan akan dilakukan beberapa kali untuk
mendapatkan data yang lebih akurat. Pengamatan juga dilakukan pada hari
yang berbeda.
13
14
BAB IV
PEMBAHASAN DAN ANALISIS HASIL
Data primer merupakan sumber data yang diperoleh secara langsung dari
Minimarket Vidya yaitu dengan melakukan penelitian terhadap waktu kedatangan
serta dari database milik minimarket Vidya. 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
20:40 0:03
25
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
20:40 0:10
26
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 :
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
34 31413 0.9586
35 26104 0.7966
29
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
13 14710 0.4489 + 0
14 23289 0.7107 + 1
30
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
Mulai
Selesai
4.3.3 Replikasi
Jlh Jumlah Permintaan Total Total
Replikasi
Pelanggan Pembelian Loss Pendapatan Keuntungan
1 5366 12457 0 92532500 9253250
2 5340 12349 5 91502500 9150250
3 5378 12125 0 90097500 9009750
4 5302 12330 0 91766500 9176650
5 5282 12193 8 90470000 9047000
6 5290 12452 0 91933500 9193350
7 5387 12369 3 91895500 9189550
8 5292 12074 8 89967500 8996750
9 5317 12240 2 90770000 9077000
10 5254 12101 5 89903000 8990300
Rata -
5320.8 12269 3.1 91083850 9108385
rata
38
BAB V
PENUTUP
5.1 Kesimpulan
Dari hasil dan pembahasan yang didapat maka dapat disimpulkan bahwa
program simulasi transaksi untuk memperkirakan keuntungan pada Minimarket
Vidya 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