PROSIDING. Prof. Dr. Ir. Suhono Harso Supangkat, CGEIT. I. B. Rai Dharmawijaya Mantra I. B. Gede Dwidasmara, S.Kom., M.Cs. I Putu Suryawan, S.E., M.M.

(1)

(2)

ISSN : 2302-450X

PROSIDING

PERTEMUAN DAN PRESENTASI KARYA ILMIAH

BALI, 29 JULI 2016

PEMBICARA UTAMA SEMINAR PARALEL DENGAN TEMA

͞

P

e

m

a

n

f

a

t

a

n

T

e

k

n

o

l

o

g

i

B

i

g

D

a

t

a

d

a

n

B

u

s

i

n

e

s

I

n

t

e

l

i

g

e

n

c

e

u

n

t

u

k

M

e

w

u

j

u

d

k

a

n

S

m

a

r

t

C

u

l

t

u

r

a

l

C

i

t

y

͟

Prof. Dr. Ir. Suhono Harso Supangkat, CGEIT.

I. B. Rai Dharmawijaya Mantra

I. B. Gede Dwidasmara, S.Kom., M.Cs.

I Putu Suryawan, S.E., M.M.

PENYUNTING AHLI

Prof. Dr. I Ketut Gede Darma Putra, S.Kom., M.T.

Dr. H. Agus Zainal Arifin, S.Kom., M.Kom.

Dr.techn. Ahmad Ashari, M.Kom.

Dr. Drs. Anak Agung Ngurah Gunawan, M.T.

Agus Muliantara, S.Kom., M.Kom.

(3)

PELAKSANA SEMINAR

PELINDUNG

Rektor Universitas Udayana, Bali

PENANGGUNG JAWAB

Dekan Fakultas MIPA Universitas Udayana

Ketua Program Studi Teknik Informatika, FMIPA Universitas Udayana

PANITIA

I Gusti Ngurah Anom Cahyadi Putra,S.T.,M.Cs.

Gst. Ayu Vida Mastrika Giri, S.Kom., M.Cs.

I Gede Arta Wibawa,S.T.,M.Kom

Ida Bagus Made Mahendra, S.Kom., M.Kom.

I Putu Gede Hendra Suputra, S.Kom., M.Kom.

Luh Arida Ayu Rahning Putri,S.Kom.,M.Cs.

Made Agung Raharja, S.Si., M.Cs.

I Gede Santi Astawa, S.T., M.Cs.

I Komang Ari Mogi, S.Kom, M.Kom.

Ida Bagus Gede Dwidasmara,S.Kom.,M.Cs.

Dewa Made Bayu Atmaja Darmawan,S.Kom.,M.Cs.

I Made Widiartha, S.Si., M.Kom.

I Gusti Agung Gede Arya Kadnyanan.,S.Kom.,M.Kom.

I Gede Oka Gartria A.,S.Kom.,M.Kom.

I Wayan Supriana, S.Si., M.Cs.

Dra. Luh Gede Astuti, M.Kom.

(4)

KATA PENGANTAR

Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa, atas terselesainya

penyusunan Prosiding SNATIA 2016 ini. Buku ini memuat naskah hasil penelitian dari berbagai

bidang kajian yang telah direview oleh pakar di bidangnya dan telah dipresentasikan dalam acara

Seminar SNATIA tahun 2016 pada tanggal 29 Juli 2016 di Universitas Udayana kampus Bukit

Jimbaran, Badung, Bali.

Kegiatan SNATIA 2016 merupakan agenda tahunan Program Studi Teknik Informatika,

Jurusan Ilmu Komputer, Universitas Udayana. SNATIA 2016

e ga bil te a Pemanfaatan

Teknologi Big Data dan Business Intelligence untuk Mewujudkan Smart Cultural City

, de ga

pembicara utama seminar yang terdiri dari pakar-pakar peneliti dan pemerhati di bidang

Teknologi Informasi dan Smart City.

Meskipun kegiatan seminar dan pendokumentasian naskah dalam prosiding ini telah

dipersiapkan dengan baik, namun kami menyadari masih banyak kekurangannya. Panitia

memohon maaf yang sebesar-besarnya atas kekurangan yang ada. Kritik dan saran perbaikan

sangat kami harapkan untuk penyempurnaan di masa mendatang, yang dapat dikirimkan melalui

e-mail [email protected].

Kepada semua pihak yang terlibat baik langsung maupun tidak langsung dalam

penyelenggaraan seminar dan penyusunan prosiding SNATIA 2016, panitia mengucapkan terima

kasih.

Jimbaran, 29 Juli 2016

(5)

(6)

DAFTAR ISI

Kata Pengantar

Daftar Isi

Artificial Intelligence

Implementasi Algoritma Genetika pada Penjadwalan Bimbingan Tugas Akhir (Studi

Kasus Jurusan Ilmu Komputer Universitas Udayana)

Alfin Amri ...

1 Implementasi Metode Naïve Bayes Classifier dalam Mendeteksi Penyakit Saluran Kemih

I Gede Krisna Putra Andiana ...

9 Klasifikasi Jamur Menggunakan Metode Naïve Bayes dengan Pemrosesan Paralel

I Putu Agus Suarya Wibawa ...

15 Klasifikasi Pengidap Diabetes Menggunakan Metode Naive Bayes dengan Pemrosesan

Pararel

Daniel Kurniawan ...

23 Komparasi Algoritma C4.5, Naïve Bayes dan K-Nearest Neighbor (K-Nn) untuk

Mendeteksi Kanker Payudara

Rayung Wulan ...

29 Penerapan Metode LCG (Linear Congruential Generator) pada Sistem Pengacak Soal

Studi Kasus : BLCC (Bali Logic and Computer Competition) Unud

I Wayan Puguh Sudarma ...

35 Perancangan Monitoring and Controlling Traffic Light pada Different Street Condition

Menggunakan Jaringan Internet

Cries Avian ...

43 Perancangan Sistem Evaluasi Nilai Akademik Mahasiswa Menggunakan K-Means

Clustering

Risky Aswi Ramadhani ...

49 Perancangan Sistem Pengklasifikasian Musik Menggunakan Algoritma Support Vector

Machine

(7)

Rancang Bangun Aplikasi Pencocokan Citra Tanda Tangan

Resty Wulanningrum ...

61 Information Systems

Analisa Sistem Informasi Persediaan Barang Pada PT. Dua Libra

Nur Azizah ...

67 Analisa Sistem Pembayaran Futsal Pada PT. Padang Golf Moderland

Nur Azizah ...

77 Analisis dan Perancangan Aplikasi ETL Untuk Data Warehouse

Made Mahadipta ...

87 Aprida Aplikasi Penilaian Fleksibel untuk Guru dan Dosen

Fatkur Rhohman...

99 Desain Aplikasi Prosiars Sebagai Media Pendukung Akuisisi Ketrampilan Tata Kelola

Rekam Medis

Slamet Sudaryanto N ...

103 Desain Model Integrasi dan Sinkronisasi Antar Unit Surveilans Untuk Mendukung Data

Warehouse Epidemiologi

Fikri Budiman ...

111 Evaluasi Penggunaan Website dan Fasilitas E-Learning Universitas Nusa Nipa

Menggunakan Metode Analisis Pieces Framework Menuju Paperless Office

Agustinus Lambertus Suban ...

119 Implementasi Single Page Application pada Aplikasi Sintask Menggunakan Javascript

Dan Jquery

Aditya Wikardiyan ...

129 Pengembangan dan Software Testing Aplikasi Tebak Huruf Jawa

Supriyono ...

135 Perancangan Aplikasi E-Learning Berbasis Android Pada Media Pembelajaran Alternatif

I Kadek Ardi Angga ...

141 Perancangan dan Implementasi Aplikasi Media Reservasi Makanan Berbasis Client

Server dengan Platform Android

(8)

Perancangan Data Warehouse pada Penjualan Kain Endek Bali (Studi Kasus Toko Luhur

Busana Bali)

Rosa Irma Cahyani...

153 Perancangan Sistem Informasi Ensiklopedi Motif Kain Endek Khas Bali

I Gusti Ag Ayu Putu Rhera Mahayekti ...

161 Perancangan Sistem Informasi Pendataan Surat Masuk dan Surat Keluar Pada Media

Cetak Tabloid Tipikor Berbasis Web

Nur Azizah ...

169 Perancangan Sistem Inventaris Sarana Akademik UN PGRI Kediri

Intan Nur Farida ...

181 Perancangan Sistem Tracer Alumni untuk Menentukan Profil Lulusan Prodi Teknik

Informatika Universitas Nusantara PGRI Kediri

Danar Putra Pamungkas...

187 Purwarupa Sistem Layanan Perpustakaan Menggunakan Konsep Basis Data

Terdistribusi

Putu Andina Titra Dewi ...

193 Rancang Bangun Sistem Monitoring Sarbagita Berbasis Mobile Sebagai Solusi

Peningkatan Kepuasan Pelanggan Sarbagita

Ida Bagus Dananjaya ...

199 Rancangan Emergency Call Sebagai Penanganan Kecelakaan Di Kota Kediri

Ervin Kusuma Dewi ...

207 Sistem Informasi Monitoring Bus Trans Sarbagita Berbasis Web

I Putu Gede Surya Hadi Kusuma ...

213 Sistem Informasi Pengarsipan Kinerja Dosen Menggunakan Restful Web Service

Teguh Andriyanto ...

221 Sistem Pengolahan Data Akademik Di Universitas Nusantara PGRI Kediri

Juli Sulaksono ...

227 Knowledge Management

Aplikasi Sistem Pencarian E-Book Dengan Memanfaatkan Web Crawler Berdasarkan

Kesamaan Semantik

(9)

Implementasi Algoritma C4.5 Pada Sistem Pendukung Keputusan Pemilihan Kos Di

Daerah Bukit Jimbaran Bali

Imam Zarkasi ...

241 Implementasi dan Perbandingan Algoritma Stemming untuk Dokumen Teks Berbahasa

Indonesia

Dina Anggraini ...

247 Penerapan Metode Profile Matching dalam Menentukan Kualitas Ikan Tuna (Studi

Kasus Pt.Primo Indo Ikan)

Agus Aan Jiwa Permana ...

255 Perancangan dan Implementasi Sistem Pendukung Keputusan Dalam Lomba Desa Pada

Kantor Badan Pemberdayaan Masyarakat Dan Pemerintahan Desa Di Provinsi Nusa

Tenggara Barat Dengan Metode Topsis

Ni Putu Eka Listiani ...

263 Perancangan Knowledge Management System Motif Kain Endek Khas Bali

Riska Prasetiyo Utami ...

269 Perancangan Rekomendasi Penjualan Endek Pada Sistem Web E-Commerce

Menggunakan Metode Hybrid Filtering

Luh Ayu Diah Fernita Sari ...

279 Perancangan Simulasi Keuntungan Penjualan Bensin Pada Stasiun Pengisian Bahan

Bakar Umum (SPBU) Menggunakan Metode Monte Carlo (Studi Kasus Spbu Jl. Raya

Uluwatu, Jimbaran)

I Putu Surya Diputra ...

287 Simulasi Transaksi untuk Memperkirakan Keuntungan pada Minimarket Vidya dengan

Menggunakan Metode Monte Carlo

Josua Geovani Sinaga ...

299 Sistem Pakar untuk Diagnosa Penyakit Diabetes Mellitus dengan Metode Mamdani

Pada Puskesmas Di Jakarta Timur

Za’i atu Niswati ...

307 Sistem Pendukung Keputusan dalam Penentuan Supplier Tanaman Terbaik

Menggunakan Metode Simple Additive Weighting Studi Kasus CV. Intan Mas Ajie

Rr. Putri Intan Paramaeswari ...

315 Sistem Pendukung Keputusan Menentukan Lokasi Membangun Ruko Menggunakan

Metode SAW Dan Proses Paralel

(10)

Sistem Pendukung Keputusan Pemilihan Paket Telekomunikasi Smartphone Atau

Gadget Dengan Metode SAW (Simple Additive Weighting)

Christina ...

329 Sistem Pendukung Keputusan Pemilihan Portofolio Investasi Saham di Bursa Efek

Indonesia Menggunakan Metode Saw dan Proses Paralel

I Gede Wicaksana ...

335 Sistem Pendukung Keputusan Penentuan Anak Asuh Bagi Peserta Didik Dengan Metode

SAW (Simple Additive Weighting)

Rina Firliana ...

341 Sistem Pendukung Keputusan Penentuan Lokasi Pembangunan Minimarket

Menggunakan Metode Simple Additive Weighting (Studi Kasus Kabupaten Gianyar)

Gede Surya Adiwiguna ...

349 Sistem Pendukung Keputusan Perekrutan Pegawai Dengan Metode Naïve Bayes (Studi

Kasus di PT. Tatamulia)

Ni Putu Striratna Devi Wedayanti ...

357 Sistem Pendukung Keputusan Perekrutan Pegawai Menggunakan Perangkingan

MADM TOPSIS

Luh Putu Dewi Cahyuni ...

363 Sistem Pendukung Keputusan Seleksi Penerima Beasiswa di SMKN 3 Negara

Menggunakan Metode Analytical Hierarchy Process (AHP)

I Putu Krisna Adi Syandhana ...

369 SPK Penentuan Lokasi Pembangunan Perumahan Menggunakan Metode SAW dengan

Pemrosesan Paralel (Studi Kasus Kab. Jembrana)

Gede Satria Pinandita ...

377 SPK untuk Menenentukan Kesesuaian Lahan Tanaman Kopi Arabika Menggunakan

Metode WP dengan Pemrosesan Paralel

Ketut Yudi Werdika ...

383 Web Dinamis Sebagai Sistem Bantu Pencarian Rumah Kos Mahasiswa Dengan Metode

Weighted Product (WP)

(11)

Multimedia Application

Analisis Sistem Rekomendasi Musik Berdasarkan Konteks Menggunakan Soft

Case-Based Reasoning

Gst. Ayu Vida Mastrika Giri ...

395 Aplikasi Alat Musik Padang Berbasis Android

I Gusti Ngurah Anom Cahyadi Putra ...

401 Aplikasi Reduksi Noise Citra Aksara Bali Pada Lontar

Gusti Agung Mas Trisna Krishany ...

409 Implementasi Augmented Reality Pada Objek-Objek Museum Bali Studi Awal

Perancangan Aplikasi Edukasi Untuk Pengunjung Museum

Gerson Feoh ...

415 Pengemba ga Ga e “uper “o ic “hoot de ga Pe dekata Ga e-SCRUM

Falahah ...

423 Perancangan Sistem Informasi Pembelajaran Pembuatan Banten Berbasis Video

Streaming

I Putu Septian Arya Pratama ...

429 Networking and Security

Aplikasi Chatting Berbasis Multiagent Menggunakan Java Agent Development

Framework (JADE)

Nisa Miftachurohmah ...

437 Color Image Encryption Using RC4 Algorithm

Andysah Putera Utama Siahaan ...

443 Implementasi Algoritma RC6 Sebagai Pengamanan Aplikasi Chatting

Anneke Puspita Dewi ...

449 Pengelolaan Routing OLSR Pada Jaringan Wireless Mesh

Iwan Rijayana ...

459 Pengembangan Aplikasi Context Aware Pada Teknolog Near Field Communcation

Yuli Fauziah ...

467 Penggunaan Metode Kriptografi pada Voice Over Internet Protokol

(12)

Perancangan dan Implementasi Aplikasi Chat Menggunakan MQTT Protocol

Muhammad Ridwan Satrio ...

481 Perancangan SMS Gateway Untuk Pelayanan Informasi pada Kegiatan Desa Adat

I Putu Raka Wiratma ...

485 Rancang Bangun Sistem Informasi Paroki Habi Keuskupan Maumere Melalui SMS

Gateway

Theresia Wihelmina Mado ...

491 Sistem Informasi Pengingat Pengumpulan Nilai Berbasis SMS Gateway pada Prodi

Sistem Informasi Universitas Nusantara PGRI Kediri

Fajar Rohman Hariri, M.Kom ...

499 Sistem Kendali DC Converter Untuk Aplikasi Sistem (CAES)

(13)

(14)

299 SIMULASI TRANSAKSI UNTUK MEMPERKIRAKAN

KEUNTUNGAN PADA MINIMARKET VIDYA DENGAN

MENGGUNAKAN METODE MONTE CARLO

Josua Geovani Sinaga

1

, I Gede Arta Wibawa

2

, I Wayan Santiyasa

3

1

Ilmu Komputer, Fakultas MIPA, Universitas Udayana Jl. Goa Gong Gg. Bukit Darma V P. Utami

2, 3

Ilmu Komputer, Fakultas MIPA, Universitas Udayana

Email: [email protected] 1, [email protected], [email protected]

ABSTRAK

Perkembangan bisnis ritel modern saat ini mengalami revolusi yang sangat cepat. 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. Penelitian ini bertujuan untuk melakukan simulasi pada transaksi minimarket untuk memperkirakan keuntungan yang diperoleh pada suatu waktu. Dengan mengetahui perkiraan keuntungan yang akan diperoleh, pemilik bisnis dapat menyusun strategi dalam pengembangan usahanya. Metode yang digunakan adalah metode monte carlo. Metode ini menggunakan probabilitas kumulatif dan bilangan acak pada setiap variabel acak. Bilangan acak ini digunakan untuk menghitung total harga penjualan dan keuntungan. Pembangkitan bilangan acak menggunakan metode Linear

Congruential Generator (LCG). Data yang digunakan merupakan data primer. Hasil yang diperoleh yaitu

keuntungan dalam 10 replikasi dengan besar error 1,05%. Nilai error ini diperkecil menjadi 0,3% sehingga diperoleh rata – rata kumulatif keuntungan dalam kurun waktu sebulan sebesar Rp. 8.898.741 dengan replikasi sebanyak 94 dan asumsi persentase laba yang diterapkan oleh pemilik usaha minimarket sebesar 10%. Dari hasil yang diperoleh, diketahui perkiraan keuntungan yang diperoleh dalam periode sebulan kurang lebih sebesar 9 juta, dengan demikian pemilik dapat menghitung keuntungan bersih yang diperoleh dan memperkirakan bagaimana perkembangan usaha miliknya kedepannya.

Kata Kunci: Simulasi, Variabel Acak, Monte Carlo, Linear Congruential Generator, Replikasi.

ABTRACT

The development of modern retail business currently undergoing a revolution that very quickly. Modern retail shopping becomes the current selection rather than traditional retail shopping, this is because excellence in facilities, security and convenience when shopping. This research aims to conduct a simulation on the transaction markets to estimate benefit which is obtained at a time. By knowing the approximate profit to be gained, the business owner can strategize in development efforts. The method used is the monte carlo method. This method uses a cumulative probability and random numbers on any random variable. This random number is used to calculate the total sales prices and profits. Random numbers are generated using method of Linear Congruential Generator (LCG). The data used is primary data. The result is the amount of profit in 10 replication with error 1.05%. This error value is then scaled down to be 0.3%, so the cumulative average profit earned within a month Rp. 8,898,741 with replication as much as 94 times, and percentage profit assumptions applied by business owners of 10%. From the results obtained, estimates of the gains obtained in a period of a month or less amounted to 9 million, thus the owner can calculate the net profit gained and predict how his future business development

Key words: Simulation, Random Variables, Monte Carlo, Linear Congruential Generator, Replication

1. PENDAHULUAN

Perkembangan 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 khususnya Bali. Seringkali peritel lokal

bersaing dengan peritel asing yang mulai masuk dan menguasai pasar Indonesia khususnya Bali.

(15)

ISSN : 2302-450X

300

Pasar ritel terus bertumbuh sebagai akibat dari perkembangan berbagai bidang.

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.

Vidya merupakan salah satu usaha dalam bentuk minimarket di kota besar tepatnya di Denpasar. Vidya sebagai minimarket yang bersaing di kota besar harus memiliki strategi yang baik untuk memenangkan persaingan. Strategi yang dimaksud adalah bagaimana kebijakan pengambilan keputusan yang harus dilakukan untuk mengelola stok dan menetapkan harga produk yang tepat.

Simulasi transaksi dapat menjadi solusi yang membantu bagi pihak eksekutif atau manajer minimarket vidya dalam menentukan kebijakan dalam hal stok dan juga penetapan harga. Dengan adanya sistem simulasi ini, pihak eksekutif akan lebih mudah untuk menyusun strategi dalam mengelola perusahaannya.

Penetilian tentang perancangan simulasi tentang penjualan sudah pernah dilakukan. [Perancangan Simulasi Penjualan Barang Dengan Metode Monte Carlo (Studi Kasus : Koperasi Karyawan Tenera Unit Sei Kopas), Alpianus Sembiring] membahas tentang bagaimana penerapan metode monte carlo pada simulasi penjualan sepatu boots pada koperasi.

Penelitian yang akan dilakukan memiliki perbedaan dengan yang sebelumnya. Simulasi ini menggunakan 3 variabel random yaitu waktu antarkedatangan, jumlah pembelian, dan produk yang dibeli. Simulasi transaksi pada minimarket vidya ini menggunakan beberapa produk hasil klasifikasi. Simulasi ini menggunakan metode monte carlo. Teknik ini menggunakan bilangan random yang berdistribusi uniform untuk variabel random yang digunakan pada simulasi ini.

2. LANDASAN TEORI

2.1 Metode LCG

Metode Linear Congruential Generator (LCG) disebut juga sebagai Metode Pembangkit Bilangan Acak Kongruen-Lanjar yang merupakan sebuah metode pembangkit bilangan acak yang sederhana. LCG didefinisian dalam relasi berulang sebagai berikut :

Dimana :

X

n

= bilangan acak ke-n dari deretnya

X

n-1

= bilangan acak sebelumnya

a

= faktor pengali

b

= increment

m

= modulus

X0 adalah kunci pembangkit atau disebut juga

umpan (seed). LCG mempunyai periode tidak lebih besar dari m, dan pada kebanyakan kasus periodenya kurang dari itu. LCG mempunyai periode penuh (m – 1) jika memenuhi syarat berikut:

 b relatif prima terhadap m.

 a – 1 dapat dibagi dengan semua faktor prima dari m

 m > maks (a, b, X0)  a > 0, b > 0

Keunggulan LCG terletak pada kecepatannya dan hanya membutuhkan sedikit operasi bit. Sayangnya, LCG tidak dapat digunakan untuk kriptografi karena bilangan acaknya dapat diprediksi urutan kemunculannya. Oleh karena itu LCG tidak aman digunakan untuk kriptografi. Namun demikian, LCG tetap berguna untuk aplikasi non-kriptografi seperti simulasi, sebab LCG memperlihatkan sifat statistik yang bagus dan sangat tepat untuk uji-uji empirik. (Putranto, 2010)

2.2 Simulasi Monte Carlo

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).

Pembangunan model Simulasi Monte Carlo didasarkan pada probabilitas yang diperoleh data historis sebuah kejadian dan frekuensinya yaitu , dimana :

(16)

Josua Geovani Sinaga, Simulasi Transaksi untuk Memperkirakan Keuntungan pada Minimarket Vidya dengan menggunakan Metode Monte Carlo

301

fi : Frekuensi kejadian i

n : Jumlah frekuensi semua kejadian

Simulasi Monte Carlo dikategorikan sebagai metode sampling karena input yang dihasilkan secara acak dari probabilitas distribusi untuk mensimulasikan proses sampling dari populasi yang sebenarnya dan beberapa penulis mengadopsinya untuk mengukur keandalan sistem karena keuntungan dari kemudahan dan akurasi (Yeh & Sun, 2013: 784).

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.

2.3 Elemen-Elemen Simulasi Monte Carlo

Simulasi Monte Carlo memerlukan beberapa elemen berikut (Yeh & Sun, 2013: 784) :

1. Fungsi kepadatan probabilitas (pdf).

2. Nomor acak generator untuk menyediakan nomor acak.

3. Resep sampling, sampel dari p.d.f. tertentu dengan ketersediaan Unit nomor acak Interval. 4. Perhitungan, dalam yang hasil output perlu

diberikan sebagai total value.

5. Salah Perhitungan, dimana hubungan antara jumlah kesalahan statistik yang terjadi dan fungsi nomor lain.

6. Mengurangi variasi teknik, untuk mengurangi waktu yang dibutuhkan untuk menghitung Simulasi Monte Carlo

7. Integrasi horizontal dan vertikal, untuk menerapkan simulasi Monte Carlo efektif ke struktur sistem komputasi.

2.4 Keuntungan Simulasi Monte Carlo

Keuntungan utama dari Simulasi Monte Carlo simulasi atas teknik komputasi lain adalah independensi sumber daya komputasi pada dimensi masalah. Simulasi Monte Carlo merupakan algoritma stokastik yang digunakan untuk menghasilkan kondisi awal untuk quasiclassical simulasi lintasan.

2.5 Tahapan Simulasi Monte Carlo

1. Membuat distribusi kemungkinan untuk variabel penting

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.

3. METODOLOGI PENELITIAN

3.1 Pengumpulan Data

Penelitian ini menggunakan data primer yang dikumpulkan dari satu sumber. Metode yang digunakan pada penelitian ini adalah metode observasi, dengan melakukan pengamatan langsung ke lapangan.

3.2 Pelaksanaan Penelitian

1. Penelitian ini akan diawali dengan pengamatan langsung oleh peneliti pada

(17)

ISSN : 2302-450X

302

minimarket Vidya. Pengamatan akan dilakukan beberapa kali untuk mendapatkan data yang lebih akurat. Pengamatan juga dilakukan pada hari yang berbeda.

2. Penelitian dilakukan dengan observasi pada 3 waktu masing-masing 2 jam, yaitu pada pukul 08.00-10.00 WITA, pukul 14.00-16.00 WITA, pukul 20.00-22.00 WITA, dan dilakukan selama 2 hari yaitu hari Jumat dan Sabtu.

3. Setelah melakukan pengamatan langsung, data yang diperoleh kemudian dianalisis untuk memperoleh distribusi kedatangan pelanggan pada minimarket Vidya.

4. Data pembelian dan harga barang, diperoleh dari database minimarket.

3.3 Metode Analisis Data

Setelah data yang dibutuhkan terkumpul, maka selanjutnya melakukan analisis data.

1. Simulasi ini menggunakan beberapa variabel yaitu waktu kedatangan pelanggan, jumlah pembelian item, barang yang dibeli. Pada penelitian ini, barang yang dibeli akan diklasifikasi sesuai jenis yaitu makanan, minuman, rokok, alat tulis, alat mandi, alat kebersihan, dan obat.

2. Setelah mendapatkan data, tahap selanjutnya adalah menghitung probabilitas dari variabel random yang digunakan dan juga probabilitas kumulatif dari variabel tersebut.

3. Kemudian dilakukan pembangkitan bilangan random dengan metode LCG untuk setiap variabel random. Setelah melakukan pembangkitan bilangan random akan didapatkan data random untuk setiap variabel random yang digunakan.

4. Selanjutnya akan dilakukan simulasi secara terus menerus selama sebulan. Simulasi yang dilakukan akan menghasilkan data berupa total keuntungan, kekurangan stock, ataupun stock yang berlebih.

4. ANALISIS DAN PEMBAHASAN

4.1 Klasifikasi Data

Data yang diperoleh dari hasil observasi akan dilkasifikasikan. Dari data klasifikasi diambil data tengah dari jumlah frekuensi keseluruhan item pada klasifikasi, maka diperoleh hasil sebagai berikut :

Nama Harga Stock Re-Stock Lama Re-Stock Frekuensi

Larutan Badak Apel 5500 1440 1440 7 131

Pulpen C 3000 95 120 30 9

Sweety Fit Pants 2XL 1S 3000 48 96 7 9

Ultra Flu 3000 16 192 30 13

Viva Cleanser Bangkuang 7000 10 60 14 6

Dupa Onpas Import 16000 30 30 30 3

Cheetos Jagung Bakar 48gr 4000 52 1560 14 84

Sampoerna Mild 16 17000 2635 4340 7 79

Indomie Goreng Spesial 2500 32 320 7 23

4.2 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 :

(18)

303

Jeda Waktu Frekuensi Probabilitas

Probabilitas

Kumulatif Batas bawah Batas atas

17 1 0.006410256 0.006410256 0 5 14 1 0.006410256 0.01282051 6 12 19 1 0.006410256 0.01923077 13 18 18 1 0.006410256 0.02564103 19 25 16 2 0.01282051 0.03846154 26 37 12 3 0.01923077 0.05769231 38 57 13 3 0.01923077 0.07692308 58 75 15 3 0.01923077 0.09615385 77 95 11 4 0.02564103 0.1217949 96 121 10 4 0.02564103 0.1474359 122 146 8 5 0.03205128 0.1794872 147 178 6 6 0.03846154 0.2179487 179 217 9 6 0.03846154 0.2564103 218 255 7 7 0.0448718 0.3012821 256 300 5 9 0.05769231 0.3589744 301 358 4 10 0.06410257 0.423077 359 422 3 15 0.09615385 0.5192308 423 518 2 17 0.1089744 0.6282051 519 627 0 23 0.1474359 0.775641 628 775 1 35 0.224359 1 776 999

4.3 Probabilitas Pada Data Pembelia

Hasil perhitungan frekuensi pembelian dari data hasil sebagai berikut : Pembelian Frekuensi Probabilitas

Probabilitas

Komilatif Batas bawah Batas atas

12 1 0.006097561 0.006097561 0 5 9 1 0.006097561 0.01219512 6 11 8 2 0.01219512 0.02439024 12 23 6 2 0.01219512 0.03658536 24 36 7 3 0.01829268 0.05487805 37 54 5 5 0.03048781 0.08536585 55 84 4 13 0.07926829 0.1646341 85 164 3 20 0.1219512 0.2865854 165 286 2 42 0.2560976 0.5426829 287 542 1 75 0.4573171 1 543 999

(19)

ISSN : 2302-450X

304

4.4 Pengujian Model Simulasi Hasil 10 kali simulasi :

4.5 Analisis Hasil Simulasi

Berdasarkan hasil pengujian simulasi maka diperoleh jumlah pelanggan, pembelian, dan keuntungan dalam sebulan yang ditunjukkan pada grafik dibawah. Dimana jumlah pelanggan, jumlah pembelian, dan keuntungan mengalami perubahan yang tidak signifikan.

Untuk mengurangi variansi maka simulasi harus dilakukan sebanyak n kali replikasi. Untuk mendapatkan nilai n maka perlu dilakukan repliasi awal n0 yaitu sebanyak 10 kali replikasi ditunjukkan pada tabel dibawah ini.

n = 10 (replikasi awal) n-1 = 9

α = 0.05

Nilai Half Width dihitung dengan rumus :

Dari perhitungan di atas di dapat nilai half width sebesar 97.573,493 atau jika dihitung persentase error terhadap rata rata adalah sebesar :

Jadi nilai error terhadap rata-rata data sebesar 1,05%. Nilai error ini tentunya harus diperkecil menjadi 0,3% sehingga nilai half width yang diinginkan menjadi :

Jadi, nilai half width baru yang diinginkan adalah 27.621,21. Selanjutnya menghitung nilai n’ yaitu nilai replikasi baru yang dibutuhkan dengan menggunakan nilai half width baru yang didapat dari perhitungan sebelumnya dengan menggunakan rumus: Replikasi Jlh Pelanggan Jumlah Pembelian Permintaan Loss Total Pendapatan Total Keuntungan 1 5322 12469 134 91758000 9175800 2 5424 12613 75 93119000 9311900 3 5419 12574 62 93237500 9323750 4 5281 12165 188 88794500 8879450 5 5437 12697 110 93870000 9387000 6 5347 12329 134 91124000 9112400 7 5298 12043 178 88099000 8809900 8 5324 12220 201 89474500 8947450 9 5369 12086 205 88037000 8803700 10 5273 12221 193 89090500 8909050 Rata - rata 5349.4 12341.7 148 90660400 9066040

(20)

305

Berikut tabel hasil percobaan replikasi : Replikasi Keuntungan Rata-rata

Kumulatif 1 _8893100 _8893100 2 _8848400 _8870750 3 _8886300 _8875933 4 _8983800 _8902900 5 _8793500 _8881020 6 _8795750 _8866808 7 _8869900 _8867250 8 _8916800 _8873444 9 _9106900 _8899383 10 _8931350 _8902580 11 _8754750 _8889141 12 _9194400 _8914579 13 _8888900 _8912604 14 _8997350 _8918657 15 _8617850 _8898603 16 _8965050 _8902756 17 _8979050 _8907244 18 _9060100 _8915736 19 _8668700 _8902734 20 _8990050 _8907100 21 _8722500 _8898310 22 _9213400 _8912632 23 _8845400 _8909709 24 _8779600 _8904288 25 _8820550 _8900938 26 _9008650 _8905081 27 _9080950 _8911594 28 _8791600 _8907309 29 _8949650 _8908769 30 _9279600 _8921130 31 _8895700 _8920310 32 _8759350 _8915280 33 _8786500 _8911377 34 _8917050 _8911544 35 _9113900 _8917326 36 _8972300 _8918853 37 _8710800 _8913230 38 _8976100 _8914884 39 _8848150 _8913173 40 _8634300 _8906201 41 _9090800 _8910704 42 _8744850 _8906755 43 _8909950 _8906829 44 _8855550 _8905664 45 _8889650 _8905308 46 _9050300 _8908460 47 _8846650 _8907145 48 _9066600 _8910467 49 _8952250 _8911319 50 _8721300 _8907519 51 _9009900 _8909526 52 _8874200 _8908847 53 _9137450 _8913160 54 _8579950 _8906990 55 _8867750 _8906276 56 _8848750 _8905249 57 _8839850 _8904102 58 _8673100 _8900119 59 _8813550 _8898652 60 _8900000 _8898674 61 _8464600 _8891558 62 _8918100 _8891986 63 _8708800 _8889079 64 _8821450 _8888022 65 _9044350 _8890427 66 _8783100 _8888801

Replikasi Total Keuntungan

1 9288100 2 9330450 3 9153200 4 9309250 5 9180650 6 8923500 7 9287850 8 9296650 9 9026900 10 9274150 Total 92.070.700 Rata2 9.207.070 Varians 18.639.124.000 StDev 136.525,1772

(21)

ISSN : 2302-450X

306

67 _8904250 _8889031 68 _8820700 _8888026 69 _8801700 _8886775 70 _8945750 _8887618 71 _8669350 _8884544 72 _9133650 _8888003 73 _9076800 _8890590 74 _8846400 _8889993 75 _8805600 _8888867 76 _9165000 _8892501 77 _8888950 _8892455 78 _8994000 _8893756 79 _8759150 _8892053 80 _8768700 _8890511 81 _9038500 _8892338 82 _9054250 _8894312 83 _9243850 _8898523 84 _8680900 _8895933 85 _8686350 _8893467 86 _8899700 _8893540 87 _8948200 _8894168 88 _8994550 _8895309 89 _8782750 _8894044 90 _8799700 _8892996 91 _9032950 _8894534 92 _8884450 _8894424 93 _8996800 _8895525 94 _9197900 _8898741

Visualisasi Grafik Replikasi sebagai berikut :

5. KESIMPULAN

Dari hasil yang diperoleh maka dapat disimpulkan bahwa simulasi transaksi yang dilakukan dapat memperkirakan keuntungan pada Minimarket Vidya dengan toleransi error

sebesar 0,3% yaitu Rp.8.898.741. Hasil simulasi yang diperoleh dapat membantu pihak eksekutif dalam menyusun strategi untuk mengembangkan perusahaan baik dalam kebijakan stok maupun dalam penetapan harga produk.

6. DAFTAR PUSTAKA

[1] Tim Dosen Universitas Gunadarma. (2013). Simulasi dan Permodelan.

[2] Sembiring, Alpianus. (2015). Perancangan

Simulasi Penjualan Barang Dengan Metode Monte Carlo (Studi Kasus : Koperasi Karyawan Tenera Unit Sei Kopas).

[3] Marlissa, Julius. (2013). Literatur Review

Permodelan dan Simulasi.

[4] Sitompul , S.M. (2013). Monte Carlo. [5] Sutanto. (2009). Model Simulasi Monte

Carlo.

[6] Rubinstein, Reuven Y. 1981. Simulation and

the Monte Carlo Method. USA: John Wiley