Simulasi Monte Carlo Untuk Memprediksi Keuntungan Penjualan

  • Tri Kustanti Rahayu
Keywords: simulasi, monte carlo

Abstract

Abstrak. Peluang usaha di bidang kuliner semakin berkembang. Bisnis kuliner dinilai menjadi peluang usaha yang menjanjikan. Hal ini dikarenakan kuliner menjadi kebutuhan pokok manusia. Kebutuhan yang harus terpenuhi setiap harinya. Sehingga diperlukan managemen pengendalian persediaan bahan baku yang baik untuk dapat mempertahankan dan memajukan proses produksi suatu usaha kuliner. Penelitian ini bertujuan untuk melakukan simulasi untuk memprediksi keuntungan berdasarkan data penjualan pada Toko Kue Aneka Rasa menggunakan metode monte carlo. Beberapa tahapan yang dilakukan yaitu pertama menghitung frekuensi penjualan, kemudian menghitung distribusi probabilitas dan probabilitas kumulati. Kemudian menghitung rentang nilai. Setelah itu melakukan simulasi menggunakan sejumlah variabel acak. Hasilnya adalah sejumlah kemungkinan keuntungan yang dapat diperoleh company.  

References

Referensi

[1] C. A. Chung, Simulation modeling handbook: a practical approach. CRC press, 2003.
[2] E. Syahrin, J. Santony, and J. Na’am, “Pemodelan Penjualan Produk Herbal Menggunakan Metode Monte Carlo,” J. KomtekInfo, vol. 5, no. 3, pp. 33–41, 2018.
[3] B. Sridadi, “Pemodelan dan Simulasi Sistem Teori, Aplikasi, dan Contoh Program dalam Bahasa C,” Inform. Bandung, 2009.
[4] S. Erma, “Pemodelan Dan Simulasi,” Penerbit Graha Ilmu, Yogyakarta, 2007.

[5] D. Kurniawati, “Simulasi teknik penyinaran VMAT (Volumetric Modulated Arc Therapy) pada phantom silinder berdasarkan data DICOM (Digital Imaging and Communication in Medicine) menggunakan metode Monte Carlo EGSnrc.” UIN Sunan Gunung Djati Bandung, 2018.
[6] W. F. Tjong, “Aplikasi Statistik Ekstrim dan Simulasi Monte Carlo Dalam Penentuan Beban Rencana Pada Struktur Dengan Umur Guna Tertentu,” Civ. Eng. Dimens., vol. 3, no. 2, pp. 84–88, 2004.
[7] D. A. Kaligis, “Monitoring Perkuliahan Mahasiswa Mata Kuliah Arsitektur Komputer Menggunakan Monte Carlo,” Musamus J. Res. Inf. Commun. Technol., vol. 1, no. 2, pp. 69–74, 2019.
[8] S. Weitz et al., “Monte Carlo efficiency improvement by multiple sampling of conditioned integration variables,” J. Comput. Phys., vol. 326, pp. 30–34, 2016.
[9] S. L. Scott, A. W. Blocker, F. V Bonassi, H. A. Chipman, E. I. George, and R. E. McCulloch, “Bayes and big data: The consensus Monte Carlo algorithm,” Int. J. Manag. Sci. Eng. Manag., vol. 11, no. 2, pp. 78–88, 2016.
Published
25-10-2019
Section
Articles