PREDIKSI PENGELUARAN ANGGARAN OPERASIONAL PERGURUAN TINGGI SWASTA DENGAN MENGGUNAKAN METODE MONTE CARLO

Dian Eka Putra, Julius Santony, Gunadi Widi Nurcahyo

Abstract


Pengeluaran merupakan kewajiban yang harus dibayar untuk kebutuhan yang diinginkan. Setiap tahun perguruan tinggi swasta mengeluarkan anggaran operasional kegiatan kampus. Anggaran operasional yang dikeluarkan perguruan tinggi swasta tiap tahun berbeda-beda. Simulasi Monte Carlo digunakan untuk memprediksi pengeluaran anggaran operasional sehingga bisa diketahui pengeluaran pada tahun berikutnya. Data yang digunakan adalah data pengeluaran selama 3 tahun yang bersumber dari bendahara perguruan tinggi swasta. Data yang didapatkan berbeda-beda setiap tahunnya. Data pengeluaran anggaran operasional disimulasikan menggunakan metode Monte Carlo dan bahasa pemograman php. Tahapan simulasi adalah menentukan distribusi probabilitas untuk masing-masing variabel. Kemuadian menghitung distribusi kumulatif untuk tiap-tiap variabel dan menetapkan interval dari angka acak untuk masing-masing variabel. Selanjutnya membentuk bilangan acak dan membuat simulasi dari rangkaian percobaan. Hasil dari pengujian simulasi metode Monte Carlo tahun 2019 adalah 4,392,393,597. Sehingga tingkat akurasinya sebesar 89%. Hasil penelitian ini dapat memprediksi pengeluaran anggaran, pengujian yang dilakukan menjadi acuan untuk mempersiapkan anggaran operasional pada tahun berikutnya. Tingkat akurasi 89% dapat direkomendasikan untuk membuat anggaran operasional pada tahun berikutnya untuk meningkatkan akurasi dalam memprediksi pengeluaran..

References


L. W. Putri, K. Dharmawan, and I. W. Sumarjaya, “Penentuan Harga Jual Opsi Barrier Tipe Eropa Dengan Metode Antithetic Variate Pada Simulasi Monte Carlo,” E-Jurnal Mat., vol. 7, no. 2, p. 71, 2018.

M. T. Azis and I. Tatminah, “Determinasi Kinerja Perguruan Tinggi Muhammadiyah di Wilayah Cirebon,” J. Econ. Manag. Account. Technol., vol. 2, no. 1, pp. 1–11, 2019.

A. Andison and Y. Augustine, “Partisipasi Anggaran, Kepuasan Kerja, dan Kinerja Manajerial: Studi Pada Bisnis Keluarga Pempek di Kota Palembang,” Esensi, vol. 7, no. 1, pp. 73–82, 2017.

M. W. Dewi and I. L. Kusuma, “Analisa Pengaruh Biaya Operasional dan Pendapatan Terhadap Kinerja Keuangan Berdasarkan Rasio Return On Asset ( ROA ) pada Perusahaan Jasa Konstruksi Yang Terdaftar Di Bursa Efek Indonesia Tahun 2015-2017,” J. Akunt. dan Pajak, vol. 20, no. 01, pp. 29–35, 2019.

B. Y. Geni, J. Santony, and Sumijan, “Prediksi Pendapatan Terbesar pada Penjualan Produk Cat dengan Menggunakan Metode Monte Carlo,” J. Inform. Ekon. Bisnis, vol. 1, no. 4, pp. 15–20, 2019.

A. D. Banadaki, M. A. Tschopp, and S. Patala, “An efficient Monte Carlo algorithm for determining the minimum energy structures of metallic grain boundaries,” Comput. Mater. Sci., vol. 155, no. May, pp. 466–475, 2018.

R. H. Gomer, “The Use of Diffusion Calculations and Monte Carlo Simulations to Understand the Behavior of Cells in Dictyostelium Communities,” Comput. Struct. Biotechnol. J., vol. 17, pp. 684–688, 2019.

M. Muflihunallah, “Estimasi Nilai Implied Volatility Menggunakan Simulasi Monte Carlo,” E-Jurnal Mat., vol. 7, no. 3, pp. 239–245, 2018.

E. Ustinov, “Kinetic Monte Carlo approach for molecular modeling of adsorption,” Curr. Opin. Chem. Eng., vol. 24, pp. 1–11, 2019.

J. E. Sweezy, “A Monte Carlo volumetric-ray-casting estimator for global fluence tallies on GPUs,” J. Comput. Phys., vol. 372, pp. 426–445, 2018.

M. E. Hendrawan, I. N. Widana, and K. Jayanegara, “Asuransi Jiwa Endowment Dengan Pengembalian Premi Menggunakan Simulasi Monte Carlo,” E-Jurnal Mat., vol. 8, no. 2, p. 95, 2019.

I. O. Polo, W. de S. Santos, and L. V. E. Caldas, “Determination of Correction Factors in Beta Radiation Beams using Monte Carlo Method,” Appl. Radiat. Isot., vol. 140, pp. 50–54, 2018.

Y. Tang, L. Zhao, S. Zhang, C. Gong, G. Li, and J. Yang, “Integrating Prediction and Reconstruction for Anomaly Detection,” Pattern Recognit. Lett., 2019.

A. P. Vassilopoulos, Fatigue life modeling and prediction methods for composite materials and structures—Past, present, and future prospects, 2nd ed. Elsevier Ltd., 2020.

H. Elmqvist, M. Malmheden, and J. Andreasson, “A Web Architecture for Modeling and Simulation,” Proc. 2nd Japanese Model. Conf. Tokyo, Japan, May 17-18, 2018, vol. 148, pp. 255–260, 2019.

S. J. Oks, M. Jalowski, A. Fritzsche, and K. M. Möslein, “Cyber-physical modeling and simulation: A reference architecture for designing demonstrators for industrial cyber-physical systems,” Procedia CIRP, vol. 84, pp. 257–264, 2019.

E. Roberts, V. Kaak, and J. Rolley, “Simulation to Replace Clinical Hours in Nursing: A Meta-narrative Review,” Clin. Simul. Nurs., vol. 37, pp. 5–13, 2019.

J. Jalving, Y. Cao, and V. M. Zavala, “Graph-based modeling and simulation of complex systems,” Comput. Chem. Eng., vol. 125, pp. 134–154, 2019.

K. Täuscher and N. Abdelkafi, “Scalability and robustness of business models for sustainability: A simulation experiment,” J. Clean. Prod., vol. 170, pp. 654–664, 2018.

L. Zhang, L. Zhou, L. Ren, and Y. Laili, “Modeling and Simulation in Intelligent Manufacturing,” Comput. Ind., vol. 112, p. 103123, 2019.

B. Fathi-Vajargah and A. Salimipour, “Evaluating Wave Random Path Using Multilevel Monte Carlo,” Int. J. e-Navigation Marit. Econ., vol. 7, pp. 1–10, 2017.

Z. Mei, W. Zhang, L. Zhang, and D. Wang, “Optimization of reservation parking space configurations in city centers through an agent-based simulation,” Simul. Model. Pract. Theory, vol. 99, no. September 2019, 2020.

W. Trigueiro de Sousa Junior, J. A. Barra Montevechi, R. de Carvalho Miranda, and A. Teberga Campos, “Discrete simulation-based optimization methods for industrial engineering problems: A systematic literature review,” Comput. Ind. Eng., vol. 128, no. December 2018, pp. 526–540, 2019.

T. W. Tulu, B. Tian, and Z. Wu, “Mathematical modeling, analysis and Markov Chain Monte Carlo simulation of Ebola epidemics,” Results Phys., vol. 7, pp. 962–968, 2017.

F. Olalotiti-Lawal and A. Datta-Gupta, “A multiobjective Markov chain Monte Carlo approach for history matching and uncertainty quantification,” J. Pet. Sci. Eng., vol. 166, no. August 2017, pp. 759–777, 2018.


Refbacks

  • There are currently no refbacks.