SESI 10: SIMULATION MODELING (PEMODELAN SIMULASI)

Mengatasi Ketidakpastian Bisnis dengan Monte Carlo, Simulasi Inventori, dan Revenue Management

Mengapa Kita Butuh Simulasi?
Model sebelumnya (LP, Queuing, Decision Tree) bersifat analitis dan mencari solusi optimal tunggal. Namun, dunia nyata seringkali terlalu kompleks untuk dirumuskan secara matematis murni. Simulasi memungkinkan kita meniru perilaku sistem nyata selama ribuan periode dalam hitungan detik, sehingga kita bisa melihat distribusi kemungkinan hasil, bukan hanya satu angka rata-rata.

10.1 Simulasi Monte Carlo (Harry’s Auto Shop)

🎲 Studi Kasus: Simulasi Permintaan Ban Mobil

Skenario: Harry ingin mensimulasikan permintaan ban radial per bulan berdasarkan data historis. Kita menggunakan angka acak (Random Numbers) untuk meniru ketidakpastian.

Distribusi Probabilitas Permintaan:
• 300 ban (5%) → RN: 0.00 – 0.04
• 320 ban (10%) → RN: 0.05 – 0.14
• 340 ban (20%) → RN: 0.15 – 0.34
• 360 ban (30%) → RN: 0.35 – 0.64
• 380 ban (25%) → RN: 0.65 – 0.89
• 400 ban (10%) → RN: 0.90 – 0.99

🖥️ Rahasia Excel: Fungsi RAND() dan VLOOKUP()

Gunakan =RAND() untuk menghasilkan angka acak antara 0 dan 1 di setiap periode (bulan).
Gunakan =VLOOKUP(Random_Number, Tabel_Distribusi, 2, TRUE) untuk memetakan angka acak tersebut menjadi jumlah permintaan ban yang realistis sesuai probabilitas.
Tekan F9 untuk merefresh simulasi dan melihat bagaimana permintaan berubah-ubah secara dinamis.

10.2 Simulasi Inventori (Simkin’s Hardware)

📦 Studi Kasus: Mencari Q dan R Optimal untuk Bor Listrik

Skenario: Simkin menjual bor listrik. Ia harus menentukan Order Quantity (Q) dan Reorder Point (R) untuk meminimalkan total biaya (Biaya Pesan + Biaya Simpan + Biaya Kehilangan Penjualan/Stockout).

🖥️ Logika Simulasi Harian di Excel

Komponen	Logika Excel
Begin Inv	= End Inv Hari Sebelumnya + Pesanan Tiba Hari Ini
Demand (Sim)	= VLOOKUP(RAND(), …)
End Inv	= MAX(0, Begin Inv – Demand)
Stockout	= MAX(0, Demand – Begin Inv)
Order?	= IF(End Inv ≤ R AND Pesanan Tertunda = 0, “YES”, “NO”)

💡 Insight Bisnis: Jalankan simulasi ini minimal 25-30 hari (1 replikasi), lalu ulangi berkali-kali. Rata-rata Total Cost dari berbagai replikasi akan memberikan estimasi biaya yang jauh lebih akurat daripada sekadar rumus EOQ statis.

10.3 Revenue Management: Overbooking Hotel

🏨 Studi Kasus: “Heartbreak Hotel” (Mengatasi No-Show)

Skenario: Hotel sering mengalami no-show (tamu booking tapi tidak datang). Untuk memaksimalkan okupansi, hotel melakukan overbooking. Namun, jika tamu datang semua dan kamar penuh, hotel harus membayar denda kompensasi (Short Cost). Jika terlalu banyak no-show, kamar menganggur (Vacant Cost).

Parameter Biaya:
• Biaya Short Room (Kompensasi): Rp 125.000 / kamar
• Biaya Vacant Room (Opportunity Loss): Rp 50.000 / kamar

Logika Perhitungan Harian:
• Short Rooms = MAX(0, No-Shows – Jumlah Overbook)
• Vacant Rooms = MAX(0, Jumlah Overbook – No-Shows)
• Total Cost = (Short Rooms × 125.000) + (Vacant Rooms × 50.000)

🖥️ Cara Mencari Jumlah Overbook Terbaik

Buat tabel simulasi 30 hari untuk satu skenario Overbook (misal: Overbook = 2).
Hitung rata-rata Total Cost per hari di akhir tabel.
Ganti nilai Overbook (coba 0, 1, 2, 3, 4, 5) dan lihat mana yang menghasilkan rata-rata biaya terendah.
Pro Tip: Gunakan fitur Scenario Manager atau Data Table di Excel untuk menguji semua skenario secara otomatis dalam satu klik!

🚀 3 Aturan Emas Pemodelan Simulasi

Jangan Percaya 1 Replikasi: Hasil satu kali simulasi (misal: 10 hari) sangat bias. Selalu jalankan ratusan atau ribuan replikasi (gunakan Data Table) untuk mendapatkan rata-rata yang stabil (Hukum Bilangan Besar).
Validasi Model: Sebelum mempercayai hasil simulasi, coba jalankan dengan data historis masa lalu. Jika simulasi Anda tidak bisa mereplikasi masa lalu, ia tidak bisa memprediksi masa depan.
Gunakan Random Seed (Opsional): Jika Anda perlu mereproduksi hasil yang persis sama untuk presentasi atau debugging, atur Random Seed di pengaturan simulasi Excel/Add-in agar angka acaknya tetap sama setiap kali dibuka.