LAMPIRAN 1. Struktur Organisasi PT. Soho
|
|
- Teguh Lesmana
- 6 tahun lalu
- Tontonan:
Transkripsi
1 8 LAMPIRAN Struktur Organisasi PT. Soho
2 83 LAMPIRAN Perhitungan Jumlah Sampel Minimum Menurut Sritomo (995, p 84), untuk menetapkan jumlah observasi yang seharusnya dibuat (N ) maka disini harus diputuskan terlebih dahlu berapa tingkat kepercayaan (convidence level) dan derajat ketelitian (degree of accuracy) untuk pengukuran kerja ini. Formula untuk menentukan jumlah sampel minimum dengan tingkat kepercayaan 95% yaitu; N = 40 ( N X - ( X) X ) Waktu Proses Stasiun Mixing X = ( X) = X = N = 40 63x ( ) =.6 sampel = 3 sampel Dapat disimpulkan bahwa dengan tingkat kepercayaan 95 %, jumlah sampel data yang tersedia (63) sudah mencukupi.
3 84 Waktu Setup Stasiun Tableting X = 6.4 ( X) = 60. X = 4. N = 40 63x ( ) = 5.8 sampel = 6 sampel Dapat disimpulkan bahwa dengan tingkat kepercayaan 95 %, jumlah sampel data yang tersedia (63) sudah mencukupi. Waktu Proses Stasiun Tableting X = ( X) = X = N = 40 63x ( ) =.09 sampel = 3 sampel Dapat disimpulkan bahwa dengan tingkat kepercayaan 95 %, jumlah sampel data yang tersedia (63) sudah mencukupi.
4 85 Waktu Proses Tableting / Botol X = ( X) = X = N = 40 63x ( ) =.09 sampel = 3 sampel Dapat disimpulkan bahwa dengan tingkat kepercayaan 95 %, jumlah sampel data yang tersedia (63) sudah mencukupi. Waktu Proses Tableting / Botol X = 7.0 ( X) = X = 4.75 N = 40 63x ( ) = 5.85 sampel = 53 sampel Dapat disimpulkan bahwa dengan tingkat kepercayaan 95 %, jumlah sampel data yang tersedia (63) sudah mencukupi.
5 86 Waktu Proses Filling / Botol X = ( X) = X = N = 40 63x ( ) = 3.38 sampel = 4 sampel Dapat disimpulkan bahwa dengan tingkat kepercayaan 95 %, jumlah sampel data yang tersedia (63) sudah mencukupi. Waktu Proses Filling / Botol X = 0.0 ( X) = X = N = 40 63x ( ) = 0.54 sampel = sampel Dapat disimpulkan bahwa dengan tingkat kepercayaan 95 %, jumlah sampel data yang tersedia (63) sudah mencukupi.
6 87 LAMPIRAN 3 Uji Distribusi Sebelum masuk ke dalam simulasi, data yang diperlukan dalam proses simulasi perlu diuji terlebih dahulu sebaran distribusinya. Uji distribusi dilakukan dengan menggunakan MiniTab. Langkah kerja :. Pilih menu Stat Quality Tools Individual Distribution Qualification. Masukkan nama kolom tempat data yang hendak diuji berada. 3. Pilih uji distribusi yang diinginkan. Klik OK Uji Distribusi Waktu proses stasiun Mixing Probability Plot for Mixing 99 0 Normal - 95% C I 0 Exponential - 95% C I Goodness of Fit Test Normal A D = 0.7 P-Value = 0.66 Exponential A D = 4.5 P-Value < Mixing Weibull - 95% C I Mixing Gamma - 95% C I Weibull A D = P-Value = 0.8 Gamma A D = P-Value > Mixing Mixing
7 88 Distribution Identification for Mixing Distribution ID Plot for Mixing Descriptive Statistics N N* Mean StDev Median Minimum Maximum Skewness Kurtosis Goodness of Fit Test Distribution AD P Normal Exponential 4.5 <0.003 Weibull Gamma >0. ML Estimates of Distribution Parameters Distribution Location Shape Scale Threshold Normal* Exponential Weibull Gamma * Scale: Adjusted ML estimate Kesimpulan : distribusi Normal
8 89 Uji Distribusi Waktu setup Stasiun Tableting 99 0 Normal - 95% C I Probability Plot for Ws Tableting Exponential - 95% C I 0 Goodness of Fit Test Normal A D = 0.49 P-V alue = Exponential A D = 8.0 P-V alue < Ws T ableting Weibull - 95% C I Ws T ableting Gamma - 95% C I.000 Weibull A D = 0.43 P-V alue > 0. Gamma A D = 0.48 P-V alue > Ws T ableting Ws T ableting 0.5 Distribution ID Plot for Ws Tableting Descriptive Statistics N N* Mean StDev Median Minimum Maximum Skewness Kurtosis Goodness of Fit Test Distribution AD P Normal Exponential 8.0 <0.003 Weibull 0.43 >0. Gamma 0.48 >0. ML Estimates of Distribution Parameters Distribution Location Shape Scale Threshold Normal* Exponential Weibull Gamma * Scale: Adjusted ML estimate Kesimpulan : Distribusi Gamma
9 Uji Distribusi Waktu proses stasiun Tableting Probability Plot for Tableting 99 0 N ormal - 95% C I 0 Exponential - 95% C I Goodness of Fit Test Normal A D = 0.9 P-V alue = Exponential A D = 4.0 P-V alue < Tableting Weibull - 95% C I Tableting Gamma - 95% C I 00.0 Weibull A D = 0.63 P-V alue = 0.08 Gamma A D = 0.05 P-V alue > Tableting Tableting 8 Distribution Identification for Tableting Distribution ID Plot for Tableting Descriptive Statistics N N* Mean StDev Median Minimum Maximum Skewness Kurtosis Goodness of Fit Test Distribution AD P Normal Exponential 4.0 <0.003 Weibull Gamma 0.05 >0. ML Estimates of Distribution Parameters Distribution Location Shape Scale Threshold Normal* Exponential Weibull Gamma * Scale: Adjusted ML estimate Kesimpulan : Distribusi Gamma
10 9 Uji Distribusi Waktu proses Tableting / Botol 99 0 Normal - 95% C I Probability Plot for tableting/botol Exponential - 95% C I 0 Goodness of Fit Test Normal A D = 0.9 P-Value = Exponential A D = 4.09 P-Value < tableting/botol Weibull - 95% C I tableting/botol Gamma - 95% C I Weibull A D = 0.69 P-Value = 0.0 Gamma A D = 0.04 P-Value > tableting/botol tableting/botol Distribution Identification for tableting/botol Distribution ID Plot for tableting/botol Descriptive Statistics N N* Mean StDev Median Minimum Maximum Skewness N Kurtosis Goodness of Fit Test Distribution AD P Normal Exponential 4.09 <0.003 Weibull Gamma 0.04 >0. ML Estimates of Distribution Parameters Distribution Location Shape Scale Threshold Normal* Exponential Weibull Gamma * Scale: Adjusted ML estimate Kesimpulan : Distribusi Gamma
11 9 Uji distribusi Waktu Setup Stasiun Filling Probability Plot for Ws Filling 99 0 Normal - 95% C I 0 Exponential - 95% C I Goodness of Fit Test Normal A D = 0.55 P-Value = 0.74 Exponential A D =.538 P-Value < Ws Filling Weibull - 95% C I Ws Filling Gamma - 95% C I.000 Weibull A D = P-Value = 0.6 Gamma A D = P-Value = Ws Filling Ws Filling.0 Distribution Identification for Ws Filling Distribution ID Plot for Ws Filling Descriptive Statistics N N* Mean StDev Median Minimum Maximum Skewness Kurtosis Goodness of Fit Test Distribution AD P Normal Exponential.538 <0.003 Weibull Gamma ML Estimates of Distribution Parameters Distribution Location Shape Scale Threshold Normal* Exponential Weibull Gamma * Scale: Adjusted ML estimate Kesimpulan : Distribusi Weibull
12 93 Uji Distribusi Waktu Proses Botol Pada Stasiun Filling Probability Plot for Fill/Btl 99 0 Normal - 95% C I 0 Exponential - 95% C I Goodness of Fit Test Normal A D = 0.78 P-Value = Exponential A D = 6.48 P-Value < Fill/Btl Weibull - 95% C I Fill/Btl Gamma - 95% C I Weibull A D =.446 P-Value < 0.00 Gamma A D = 0.38 P-Value > Fill/Btl Fill/Btl Distribution Identification for Fill/Btl Distribution ID Plot for Fill/Btl Descriptive Statistics N N* Mean StDev Median Minimum Maximum Skewness N Kurtosis Goodness of Fit Test Distribution AD P Normal Exponential 6.48 <0.003 Weibull.446 <0.00 Gamma 0.38 >0. ML Estimates of Distribution Parameters Distribution Location Shape Scale Threshold Normal* Exponential Weibull Gamma * Scale: Adjusted ML estimate Kesimpulan : Distribusi Normal
13 94 Uji Distribusi Waktu Proses Botol Pada Stasiun Boxing Probability Plot for Box/btl 99 0 Normal - 95% C I 0 Exponential - 95% C I Goodness of F it Test Normal A D = P-Value = 0.5 Exponential A D = 4.53 P-Value < Box/btl Weibull - 95% C I Box/btl Gamma - 95% C I Weibull A D =.64 P-Value < 0.00 Gamma A D = 0.39 P-Value > Box/btl Box/btl 0.00 Distribution Identification for Box/btl Distribution ID Plot for Box/btl Descriptive Statistics N N* Mean StDev Median Minimum Maximum Skewness N Kurtosis Goodness of Fit Test Distribution AD P Normal Exponential 4.53 <0.003 Weibull.64 <0.00 Gamma 0.39 >0. ML Estimates of Distribution Parameters Distribution Location Shape Scale Threshold Normal* Exponential Weibull Gamma * Scale: Adjusted ML estimate Kesimpulan : Distribusi Gamma
14 95 LAMPIRAN 4 Penjelasan Langkah-langkah Simulasi ProModel Sistem Aktual Dalam melakukan simulasi dengan ProModel, langkah-langkah yang dilakukan, yaitu;. Menentukan entiti - Pilih menu Build Entities - Kemudian masukan data, seperti dibawah ini; Tampilan ProModel Entities
15 96. Menentukan Lokasi - Pilih menu Build Locations - Kemudian masukan data, seperti dibawah ini; Tampilan ProModel Locations DownTimes Stasiun Tableting Frequency First Time Priority Scheduled Logic Disable 8 99 Yes WAIT G (0.8067, 0.030) No Downtimes Stasiun Filling Frequency First Time Priority Scheduled Logic Disable 8 99 Yes WAIT W( , ) No
16 97 3. Menentukan Kedatangan - Pilih menu Build Arrivals - Kemudian masukan data, seperti dibawah ini; Tampilan ProModel Arrivals 0 Kedatangan pesanan (order) Entity Location : Orders Arrival : Order Point Quantity each : First Time : 0 Occurrences : infinite Frequency : 3.6* *) Kedatangan pesanan akan mendorong proses batch tablet pada stasiun awal (Mixing). Sehingga frekuensi kedatangan dihitung untuk pesanan batch. Rata-rata MS per hari = 4698 botol batch = 8000 botol = 8000botol 4698botol / hari =.703 hari = 3.6 jam 4. Menentukan Variabel - Pilih menu Build More Elements Variables (Global) - Kemudian masukan data, seperti dibawah ini;
17 98 Tampilan ProModel Variables 5. Menentukan Proses - Pilih menu Build Processing - Kemudian masukan data, seperti dibawah ini; Tampilan ProModel Processing Processing pada simulasi menunjukkan penjabaran proses yang akan terjadi pada simulasi berjalan. Berikut proses yang terjadi Simulasi sistem aktual,. Mixing Tableting - Entity : Batch Tablet - Location : Mixing
18 99 - Operation : >WIP_Mixing =WIP_Mixing + >> Ketika Batch Tablet berada dalam stasiun Mixing maka jumlah WIP_Mixing akan bertambah. > WAIT N(3.47,0.3009) >> Menunjukkan waktu proses pada stasiun Mixing. Waktu proses mengikuti distribusi normal dengan mean 3.47 jam dan standar deviasi jam. - Output : Batch Tablet - Destination : Tableting - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : > MOVE FOR 4.5 MIN >> Menunjukkan waktu transportasi ke stasiun selanjutnya sebesar 4.5 menit. Tableting Input Filling - Entity : Batch Tablet - Location : Tableting - Operation : >WIP_Tableting = WIP_Tableting + >> Ketika Batch Tablet berada dalam stasiun Tableting maka jumlah WIP_Tableting akan bertambah. >WIP_Mixing = WIP_Mixing -
19 00 >> Ketika Batch Tablet dari stasiun Mixing sudah berada dalam stasiun Tableting maka jumlah WIP_Mixing akan berkurang. > WAIT G(3.4004, ) >> Menunjukkan waktu proses pada stasiun Tableting. Waktu proses mengikuti distribusi gamma dengan shape value dan scale value Output : Batch Tablet - Destination : Input Filling - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : > MOVE FOR MIN >> Menunjukkan waktu transportasi ke stasiun selanjutnya sebesar menit 3. Input Filling Input Filling - Entity : Batch Tablet - Location : Input Filling - Operation : > WIP_Filling = WIP_Filling + > WIP_Tableting = WIP_Tableting - >> Ketika Batch Tablet berada dalam Input Filling maka jumlah WIP_Filling akan bertambah dan jumlah WIP pada stasiun Tableting akan berkurang. - Output : Batch Tablet - Destination : Input Filling
20 0 - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 4. Input Filling Input Filling - Entity : Batch Tablet - Location : Input Filling - Operation : > SPLIT 8000 AS Tablet >> Memecah bacth tablet menjadi 8000 tablet >WIP_Filling = WIP_Filling - >> Ketika Batch Tablet telah di split ke dalam tablet, maka WIP Filling yang dihitung dalam batch tablet akan berkurang. - Output : Tablet - Destination : Input Filling - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 5. Input Filling Filling - Entity : Tablet - Location : Input Filling - Operation : >WAIT 0
21 0 >> Menunjukkan tidak adanya proses menunggu. - Output : Tablet - Destination : Filling - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 6. Filling Filling - Entity : Tablet - Location : Filling - Operation : >COMBINE AS Botol >> tablet akan digabungkan menjadi botol. Pada kenyataannya seharusnya 30 tablet yang digabungkan menjadi botol. Akan tetapi untuk memudahkan dan mempersingkat waktu simulasi 30 tablet diwakili oleh sebuah tablet. - Output : Botol - Destination : Filling - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 7. Filling Output - Entity : Botol - Location : Filling
22 03 - Operation : > WAIT N( , ) >> Menunjukkan waktu proses pada stasiun Filling. Waktu proses untuk botol mengikuti distribusi normal dengan mean jam dan standar deviasi jam. - Output : Botol - Destination : Output - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 8. Output Input Boxing - Entity : Botol - Location : Output - Operation : > WIP_Boxing=WIP_Boxing+ >> Ketika botol telah selesai diproses pada stasiun filling, maka botol akan berada pada output dan botol sudah dianggap menjadi bagian dari WIP stasiun boxing. > ACCUM 8000 >> Botol akan diakumulasikan terlebih dahulu sampai mencapai jumlah 8000 (ukuran lot transfer) sebelum dipindahkan ke stasiun selanjutnya. - Output : Botol - Destination : Input Boxing
23 04 - Rule : (botol menuju Input Boxing dengan probabilitas 0.995) - Destination : Exit - Rule : (botol akan keluar dari sistem dengan probabilitas 0.005) - Move Logic : (untuk destination ) > MOVE FOR 4 SEC >> Menunjukkan waktu transportasi ke stasiun selanjutnya sebesar 4 detik. 9. Input Boxing Boxing - Entity : Botol - Location : Input Boxing - Operation : - - Output : Botol - Destination : Boxing - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 0. Boxing Warehouse - Entity : Botol - Location : Boxing - Operation : > WAIT G( , )
24 05 >> Menunjukkan waktu proses pada stasiun Boxing. Waktu proses mengikuti distribusi gamma dengan shape value dan scale value Output : Botol - Destination : Warehouse - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : -. Warehouse Exit - Entity : Botol - Location : Warehouse - Operation : > Produksi = Produksi + > WIP_Boxing = WIP_Boxing - >> Ketika Botol telah berada dalam Warehouse maka jumlah Produksi akan bertambah dan jumlah WIP Boxing akan berkurang. - Output : Botol - Destination : Exit - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : -. Order Point Exit - Entity : Orders Arrival
25 06 - Location : Order Point - Operation : >Orders = Orders + >> Ketika pesanan (orders arrival) tiba pada lokasi order point, maka jumlah orders akan bertambah. > ORDER Batch Tablet TO Mixing >> Ketika pesanan tiba maka akan dipesan pula Batch Tablet untuk diproses pada stasiun awal (Mixing). - Output : Orders Arrival - Destination : Exit - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : -
26 07 LAMPIRAN 5 Penjelasan Langkah-langkah Simulasi ProModel Sistem Kanban Dalam melakukan simulasi dengan ProModel untuk sistem Kanban, langkahlangkah yang dilakukan, yaitu;. Menentukan entiti - Pilih menu Build Entities - Kemudian masukan data, seperti dibawah ini; Tampilan ProModel Entities Sistem Kanban. Menentukan Lokasi - Pilih menu Build Locations - Kemudian masukan data, seperti dibawah ini;
27 08 Tampilan ProModel Locations Sistem Kanban DownTimes Stasiun Tableting Frequency First Time Priority Scheduled Logic Disable 8 99 Yes WAIT G (0.8067, 0.030) No Downtimes Stasiun Filling Frequency First Time Priority Scheduled Logic Disable 8 99 Yes WAIT W( , ) No 3. Menentukan Kedatangan - Pilih menu Build Arrivals - Kemudian masukan data, seperti dibawah ini;
28 09 Tampilan ProModel Arrivals Sistem Kanban 0 Kedatangan pesanan (order) Entity Location Quantity each : Orders Arrival : Order Point : 4698 (botol)* First Time : 0 Occurrences : infinite Frequency : 8 *) Pesanan datang dalam jumlah rata-rata MS per hari yaitu sebesar 4698 botol. 4. Menentukan Variabel - Pilih menu Build More Elements Variables (Global) - Kemudian masukan data, seperti dibawah ini; Tampilan ProModel Variables Sistem Kanban
29 0 5. Menentukan Proses - Pilih menu Build Processing - Kemudian masukan data, seperti dibawah ini; Tampilan ProModel Processing Sistem Kanban Processing pada simulasi menunjukkan penjabaran proses yang akan terjadi pada simulasi berjalan. Berikut proses yang terjadi Simulasi sistem kanban,.mixing Tableting - Entity : Batch Tablet - Location : Mixing - Operation : >WIP_Mixing =WIP_Mixing + >> Ketika Batch Tablet berada dalam stasiun Mixing maka jumlah WIP_Mixing akan bertambah. > WAIT N(3.47,0.3009) >> Menunjukkan waktu proses pada stasiun Mixing. Waktu proses mengikuti distribusi normal dengan mean 3.47 jam dan standar deviasi jam.
30 - Output : Batch Tablet - Destination : Tableting - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : -.Tableting Tableting - Entity : Batch Tablet - Location : Tableting - Operation : >WIP_Mixing = WIP_Mixing - >> Ketika Batch Tablet dari stasiun Mixing sudah berada dalam stasiun Tableting maka jumlah WIP_Mixing akan berkurang. > SPLIT 8000 AS Tablet >> Memecah batch tablet menjadi 8000 tablet - Output : Tablet - Destination : Tableting - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 3.Tableting Filling Queue - Entity : Tablet - Location : Tableting
31 - Operation : > WAIT G(3.8596, ) >> Menunjukkan waktu proses tablet pada stasiun Tableting. Dikarenakan tablet mewakili 30 tablet, maka waktu proses yang digunakan adalah waktu proses untuk 30 tablet yang terdistribusi Gamma dengan shape value dan scale value Output : Tablet - Destination : Filling Queue - Rule : (Tablet akan menuju Filling Queue dengan probabilitas 0.995) - Destination : Exit - Rule : (Tablet akan keluar dari sistem yang menunjukkan adanya scrap dengan probabilitas 0.005) - Move Logic : - 4.Filling Queue Input Filling - Entity : Tablet - Location : Filling Queue - Operation : >WIP_Tableting = WIP_Tableting + >> Ketika Tablet memasuki Filling Queue, WIP_Tableting akan bertambah. - Output : Tablet - Destination : Input Filling
32 3 - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 5.Input Filling Filling - Entity : Tablet - Location : Input Filling - Operation : > WIP_Tableting = WIP_Tableting- > WIP_Filling = WIP_Filling + >> Ketika tablet telah memasuki input filling, maka WIP pada stasiun tableting akan berkurang dan sebaliknya WIP pada stasiun Filling akan bertambah. - Output : Tablet - Destination : Filling - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 6. Filling Filling - Entity : Tablet - Location : Filling - Operation : >COMBINE AS Botol
33 4 >> tablet akan digabungkan menjadi botol. Pada kenyataannya seharusnya 30 tablet yang digabungkan menjadi botol. Akan tetapi untuk memudahkan dan mempersingkat waktu simulasi 30 tablet diwakili oleh sebuah tablet. - Output : Botol - Destination : Filling - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 7.Filling Output Filling - Entity : Botol - Location : Filling - Operation : > WAIT N( , ) >> Menunjukkan waktu proses pada stasiun Filling. Waktu proses untuk botol mengikuti distribusi normal dengan mean jam dan standar deviasi jam. - Output : Botol - Destination : Output - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : -
34 5 8.Output Filling Input Boxing - Entity : Botol - Location : Output Filling - Operation : > ACCUM >> Menunjukkan proses mengakumulasikan botol sampai berjumlah (ukuran lot transfer) sebelum berpindah ke proses selanjutnya. - Output : Botol - Destination : Input Boxing - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 9.Input Boxing Boxing - Entity : Botol - Location : Input Boxing - Operation : > WIP_Filling = WIP_Filling - > WIP_Boxing = WIP_Boxing + >> Ketika Batch Tablet berada dalam Input Boxing maka jumlah WIP_ Boxing akan bertambah dan jumlah WIP pada stasiun Filling akan berkurang. - Output : Botol - Destination : Boxing
35 6 - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : - 0. Boxing Warehouse - Entity : Botol - Location : Boxing - Operation : > WAIT G( , ) >> Menunjukkan waktu proses pada stasiun Boxing. Waktu proses mengikuti distribusi gamma dengan shape value dan scale value Output : Botol - Destination : Warehouse - Rule : SEND (akan ditransfer ke stasiun tujuan jika terdapat perintah SEND) - Move Logic : -. Warehouse Exit - Entity : Botol - Location : Warehouse - Operation : > Produksi = Produksi + > WIP_Boxing = WIP_Boxing -
36 7 >> Ketika produk sudah berada pada warehouse, maka jumlah produksi akan bertambah dan jumlah WIP pada stasiun Boxing akan berkurang. - Output : Botol - Destination : Exit - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : -. Order Point Exit - Entity : Orders Arrival - Location : Order Point - Operation : >Orders = Orders + >> Ketika pesanan (orders arrival) tiba pada lokasi order point, maka jumlah orders akan bertambah. > IF Contents (Boxing) = THEN {SEND Botol TO Warehouse} ELSE {ORDER Batch_Tablet TO Mixing} >> Jika saat pesanan tiba pada stasiun Boxing terdapat botol maka botol tersebut akan dikirim ke Warehouse. Jika stasiun Boxing tidak terdapat produk (botol) maka akan dipesan batch tablet ke stasiun awal (Mixing). - Output : Orders Arrival
37 8 - Destination : Exit - Rule : First (langsung menuju stasiun selanjutnya jika kapasitas tersedia) - Move Logic : -
38 9 LAMPIRAN 6 Jumlah Minimum Replikasi Dalam Simulasi Jumlah Minimum Replikasi Simulasi Pemodelan Sistem Aktual Langkah-langkah untuk menentukan jumlah minimum replikasi yang harus dilakukan dalam simulasi, yaitu;. Melakukan replikasi awal dan menentukan point estimates. Replikasi awal dilakukan sebanyak 0 kali. Hasil output yang didapatkan dapat dilihat pada tabel di bawah ini. Replikasi Output Average 495. StD 08.6 Point estimates merupakan nilai estimasi tunggal dari parameter data. Point estimates dihitung untuk mendapatkan nilai rata-rata dan standar deviasi dari data. ProModel secara otomatis telah menghitung nilai point estimates yang dibutuhkan, seperti terlihat pada tabel di atas.
39 0. Menentukan interval estimates Interval estimates menyediakan informasi mengenai seberapa jauh estimasi nilai tengah rata-rata pada point estimates, berbeda dengan nilai tengah sesungguhnya. P = tingkat kepercayaan = 0.95 α = - P = 0.05 n = jumlah sampel = 0 X = 495. S = standar deviasi = 08.6 t n-, α / =.6 (Lih. Lampiran Student s t table) hw = half width = (t n-, α/ )S n =.6* = Lower Limit = X - hw = = Upper Limit = X + hw = = 9.89 Kesimpulan : μ 9.89 Dengan selang kepercayaan 0.95, nilai tengah aktual yang tidak diketahui jatuh di antara nilai dan 9.89.
40 3. Menentukan jumlah replikasi minimum yang dibutuhkan Dengan perhitungan point estimates dan interval estimates, maka dapat dihitung jumlah minimum replikasi yang dibutuhkan. e = error minimum yang diinginkan = hw = (hw ingin dikurangi dari menjadi ) P = 0.95 α = 0.05 S = 08.6 Z α / = Z 0.05 =.96 (Lih. Lampiran Tabel Standar Distribusi Normal) n = jumlah replikasi minimum n = Z α/ ( ) = e *S.96*08.6 ) ( = 8.64 replikasi = 9 replikasi. Jumlah Minimum Replikasi Simulasi Pemodelan Sistem Kanban Langkah-langkah untuk menentukan jumlah minimum replikasi yang harus dilakukan dalam simulasi, yaitu;. Melakukan replikasi awal dan menentukan point estimates. Replikasi awal dilakukan sebanyak 0 kali. Hasil output yang didapatkan dapat dilihat pada tabel di bawah ini.
41 Replikasi Output Average 495. StD 08.6 Point estimates merupakan nilai estimasi tunggal dari parameter data. Point estimates dihitung untuk mendapatkan nilai rata-rata dan standar deviasi dari data. ProModel secara otomatis telah menghitung nilai point estimates yang dibutuhkan, seperti terlihat pada tabel di atas.. Menentukan interval estimates Interval estimates menyediakan informasi mengenai seberapa jauh estimasi nilai tengah rata-rata pada point estimates, berbeda dengan nilai tengah sesungguhnya. P = tingkat kepercayaan = 0.95 α = - P = 0.05 n = jumlah sampel = 0 X = 495.
42 3 S = standar deviasi = 08.6 t n-, α / =.6 (Lih. Lampiran Student s t table) hw = half width = (t n-, α/ )S n =.6* = Lower Limit = X - hw = = Upper Limit = X + hw = = 9.89 Kesimpulan : μ 9.89 Dengan selang kepercayaan 0.95, nilai tengah aktual yang tidak diketahui jatuh di antara nilai dan Menentukan jumlah replikasi minimum yang dibutuhkan Dengan perhitungan point estimates dan interval estimates, maka dapat dihitung jumlah minimum replikasi yang dibutuhkan. e = error minimum yang diinginkan = hw = (hw ingin dikurangi dari menjadi ) P = 0.95 α = 0.05 S = 08.6
43 4 Z α / = Z 0.05 =.96 (Lih. Lampiran Tabel Standar Distribusi Normal) n = jumlah replikasi minimum n = Z α/ ( ) = e *S.96*08.6 ( ) = 8.64 replikasi = 9 replikasi.
44 5 LAMPIRAN 7 Perhitungan Manual Validasi Simulasi Sistem Aktual Dengan Uji Sampel t - x = 4935, x = S = 6, S = 33 - n = n = - α = μ = mean simulasi soho - μ = mean aktual soho - H 0 : μ = μ H : μ μ - S (n -)S + (n -)S = n + n - p = ( -)6 + ( -) = S p = = x - x t 0 = = n n =.33 - Kesimpulan = - t α/,n+n- (-.45) < t 0 (.33) < t α/,n+n- (.45) Maka H 0 diterima, yaitu mean simulasi soho tidak berbeda dengan mean aktual soho dengan selang kepercayaan 95%.
45 6 LAMPIRAN 8 Standar Distribusi Normal
46 7 LAMPIRAN 9 Student s t Distribution
47 8 LAMPIRAN 0 Surat Keterangan Observasi Skripsi
48 9 LAMPIRAN Kartu Mata Kuliah
BAB 4 PENGUMPULAN DAN ANALISA DATA
69 BAB 4 PENGUMPULAN DAN ANALISA DATA 4.1 Pengumpulan Data Pengumpulan data merupakan tahap pendahuluan sebelum memasuki bagian pengolahan data. Data yang dibutuhkan untuk pengolahan terlebih dahulu didokumentasikan.
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Metode Simulasi 2.1.1 Pengertian Metode Simulasi Simulasi ialah suatu metodologi untuk melaksanakan percobaan dengan menggunakan model dari suatu sistem nyata (Siagian, 1987).
Lebih terperinciUTILITAS PINTU TOL MASUK DAN PEKERJA PINTU TOL MENGGUNAKAN SOFTWARE PROMODEL (STUDI KASUS : PINTU TOL BUAH BATU BANDUNG)
bidang TEKNIK UTILITAS PINTU TOL MASUK DAN PEKERJA PINTU TOL MENGGUNAKAN SOFTWARE PROMODEL (STUDI KASUS : PINTU TOL BUAH BATU BANDUNG) AGUS RIYANTO, IYAN ANDRIANA, GABRIEL SIANTURI Program Studi Teknik
Lebih terperinciKOMPUTER INDUSTRI (PROMODEL)
KOMPUTER INDUSTRI (PROMODEL) Disusun Oleh: Nama / NPM : 1. A. Sofwan Yusuf / 30408016 2. Ganjar Artha Kusuma / 30408384 3. Heidy Olivia Thaeras / 30408421 4. M. Gilang B. Abdillah / 31408559 Kelas : 3ID02
Lebih terperinciterhadap kesehatan persalinan. Sehingga tak heran jika negara-negara maju di
Nama: Ummi Fadilah NIM: 12/339683/PPA/3995 Teori Resiko Aktuaria PROSES PEMODELAN PENDAHULUAN Salah satu ciri dari negara maju adalah pemerintah dan masyarakat yang peduli terhadap kesehatan persalinan.
Lebih terperinciLAMPIRAN. Universitas Sumatera Utara
LAMPIRAN Lampiran 1 : Uji Distribusi dengan Perhitungan Manual Uji Kolmogorov-Smirnov 1. Selang Kedatangan Lini 1 Langkah-langkahnya adalah: 1. Data dari hasil pengamatan diurutkan mulai dari nilai pengamatan
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN. merupakan mesin paling kritis dalam industri pengolahan minyak sawit. Pabrik
BAB 4 HASIL DAN PEMBAHASAN 4.1.Pengumpulan Data Kerusakan Mesin Dalam penelitian ini, penulis meneliti kerusakan pada mesin kempa yang merupakan mesin paling kritis dalam industri pengolahan minyak sawit.
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN Bab 4 ini akan membahas mengenai pengumpulan data, pengolahan data, dan analisa data. Pengumpulan data diperoleh dari perusahaan dengan cara observasi langsung ke lapangan dan
Lebih terperinciBAB 4 PENGUMPULAN DAN ANALISIS DATA
BAB 4 PENGUMPULAN DAN ANALISIS DATA 4.1 Pengumpulan Data Sebelum melakukan pengolahan dan analisis data, penulis melakukan observasi kondisi yang ada di area final inspection VLC saat ini. Observasi dilakukan
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
60 BAB 4 HASIL DAN PEMBAHASAN 4.1. Hasil dan Pengumpulan Data 4.1.1 Penentuan Lini Produksi Kritis Pada pengolahan data tahap ini dilakukan perbandingan total kerusakan yang terjadi pada ketiga lini produksi
Lebih terperinciSTATISTIKA DESKRIPTIF
STATISTIKA DESKRIPTIF 1 Statistika deskriptif berkaitan dengan penerapan metode statistika untuk mengumpulkan, mengolah, menyajikan dan menganalisis data kuantitatif secara deskriptif. Statistika inferensia
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK PT Sumber Jaya Indahnusa Coy (disingkat SJI) merupakan sebuah perusahaan keluarga penghasil minyak kelapa sawit mentah (CPO) yang berlokasi di Kota Lama, Riau. Perusahaan ini belum menerapkan perawatan
Lebih terperinciBAB 14 UJI DESKRIPTIF, VALIDITAS DAN NORMALITAS DATA
BAB 14 UJI DESKRIPTIF, VALIDITAS DAN NORMALITAS DATA SPSS menyediakan fasilitas untuk melakukan analisis deskriptif data seperti uji deskriptif, validitas dan normalitas data. Uji deskriptif yang dilakukan
Lebih terperinciBAB 3 METODOLOGI PEMECAHAN MASALAH
61 BAB 3 METODOLOGI PEMECAHAN MASALAH 3.1 Flow Chart Pemecahan Masalah Gambar 3.1 Flow Chart Metodologi Pemecahan 62 3.2 Penjelasan Flow Chart Metodologi Pemecahan Masalah Dari flow chart metodologi pemcahan
Lebih terperinciANALISIS MODEL DAN SIMULASI PADA SISTEM ANTRIAN PADA SONY ERICSON CARE CENTER
ANALISIS MODEL DAN SIMULASI PADA SISTEM ANTRIAN PADA SONY ERICSON CARE CENTER YEVITA NURSYANTI Program Studi Manajemen Produksi Politeknik APP Jakarta e-mail :yevita.nursyanti@gmail.com ABSTRAK Sistem
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Metode yang digunakan dalam penelitian ini merupakan metode gabungan, yang menyatukan antara studi pustaka yang penulis lakukan, dimana semua bahan diperoleh dari sumber buku-buku
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. menggunakan data stagnasi mesin yang dicatat oleh perusahaan. Penelitian
BAB 3 METODOLOGI PENELITIAN 3.1. Populasi dan Sampel Penelitian Penelitian mengenai preventive maintenance mesin pada PTPTN XIII menggunakan data stagnasi mesin yang dicatat oleh perusahaan. Penelitian
Lebih terperinciESTIMASI. A. Dasar Teori
ESTIMASI A. Dasar Teori 1. Penaksiran atau Estimasi Penaksiran atau estimasi adalah metode untuk memperkirakan nilai populasi dengan menggunakan nilai sampel. Nilai penduga disebut estimator, estimator
Lebih terperinciABSTRAK. Universitas Kristen Maranatha
ABSTRAK Divisi Industri Teknik Karet PT. Agronesia merupakan perusahaan yang bergerak bidang industri yang dapat memproduksi berbagai jenis barang teknik. Perusahaan ini menggunakan dua metode produksi,
Lebih terperinciBAB I PENDAHULUAN. TNR 12 SPACE 2.0 BEFORE AFTER 0 MARGIN 3,4,3,3 KERTAS A4 TULISAN INGGRIS ITALIC 1.2 Rumusan Masalah
BAB I PENDAHULUAN TNR 14 BOLD 1.1 Latar Belakang (1 halaman. min 4 paragraf.) TNR 12 SPACE 2.0 BEFORE AFTER 0 MARGIN 3,4,3,3 KERTAS A4 TULISAN INGGRIS 1.2 Rumusan Masalah Rumusan masalah yang digunakan
Lebih terperinciRegresi dengan Microsoft Office Excel
Regresi dengan Microsoft Office Excel Author: Junaidi Junaidi 1. Pengantar Dalam statistik, regresi merupakan salah satu peralatan yang populer digunakan, baik pada ilmu-ilmu sosial maupun ilmu-ilmu eksak.
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
48 Bila t-hitung < t-tabel, maka Ho diterima, Ha ditolak, berarti tidak ada pengaruh yang signifikan dari variabel independen terhadap variabel dependen. BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Analisis
Lebih terperinciPenjadwalan Predictive Maintenance dan Biaya Perawatan Mesin Pellet di PT Charoen Pokphand Indonesia - Sepanjang
Soesetyo, et al. / Penjadwalan Predictive Maintenance dan Biaya Perawatan Mesin di PT Charoen Pokphand Indonesia - Sepanjang / Jurnal Titra, Vol. 2, No.2, Juni 24, pp. 47-54 Penjadwalan Predictive Maintenance
Lebih terperinciPengantar Pengolahan Data Statistik Menggunakan SPSS 22. Isram Rasal ST, MMSI, MSc
Pengantar Pengolahan Data Statistik Menggunakan SPSS 22 Isram Rasal ST, MMSI, MSc Statistika Statistika Statistika adalah ilmu yang mempelajari bagaimana merencanakan, mengumpulkan, menganalisis, menginterpretasi,
Lebih terperinciSimulasi Event-Diskrit (Discrete-Event Simulation)
Bab 4: Simulasi Event-Diskrit (Discrete-Event Simulation) Sumber: Harrell, C., B.K. Ghosh and R.O. Bowden, Jr., Simulation Using Promodel, 2 nd ed., McGraw-Hill, Singapore, 2003. Bab 4: Simulasi Event-Diskrit
Lebih terperinciPrediksi Harga Saham dengan ARIMA
Prediksi Harga Saham dengan ARIMA Peramalan harga saham merupakan sesuatu yang ditunggu-tunggu oleh para investor. Munculnya model prediksi yang baru yang bisa meramalkan harga saham secara tepat merupakan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Sistem Antrian Sistem antrian adalah merupakan keseluruhan dari proses para pelanggan atau barang yang berdatangan dan memasuki barisan antrian yang seterusnya memerlukan pelayanan
Lebih terperinciTUTORIAL SIMULASI KOMPUTER. Modul PROMODEL /2018. Laboratorium Pemodelan dan Simulasi Industri Universitas Islam Indonesia
TUTORIAL SIMULASI KOMPUTER 8 2017/2018 Modul PROMODEL 2 Laboratorium Pemodelan dan Simulasi Industri Universitas Islam Indonesia Kode Mata Praktikum BAB VIII PROMODEL 2 8.1 TUJUAN PRAKTIKUM 1. Praktikanmampumengoperasikanfungsi-fungsitambahanseperti
Lebih terperinciBAB IV ANALISIS DAN PEMBAHASAN. 4.1 Analisis Data Laporan Keuangan PT Mayora Indah Tbk. Tabel. 4.1 Data Laporan Keuangan PT Mayora Indah Tbk.
BAB IV ANALISIS DAN PEMBAHASAN 4.1 Analisis Data Laporan Keuangan PT Mayora Indah Tbk. Berikut adalah data laporan keuangan PT Mayora Indah Tbk (dalam juta Rupiah), selama tahun 2007 sampai dengan 2010.
Lebih terperinciSIMULASI SISTEM PROSES PRODUKSI DI PT. JAKARTA CAKRATUNGGAL STEEL MILLS
SIMULASI SISTEM PROSES PRODUKSI DI PT. JAKARTA CAKRATUNGGAL STEEL MILLS Program Studi Teknik Industri, Universitas Sultan Ageng Tirtayasa e-mail: dyahlintang@untirta.ac.id ABSTRAK Dalam kegiatan produksi
Lebih terperinciBAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA. pihak perusahaan PT. Muliapack Intisempurna. Pengumpulan data ini
98 BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA 4. Pengumpulan Data Proses pengumpulan data dilakukan dengan dua cara, yaitu pengumpulan data secara langsung dan secara tidak langsung. Pengumpulan data
Lebih terperinciLAMPIRAN A. Alat Ukur Penelitian
LAMPIRAN A Alat Ukur Penelitian 62 LAMPIRAN A-1 Skala Dukungan Ibu 63 Nomor urut : Nama : Usia : PETUNJUK PENGISIAN SKALA 1. Bacakan masing-masing pernyataan dengan jelas dan mintalah anak untuk menjawab
Lebih terperinciII. MENDESKRIPSIKAN DATA 13 Desember 2005
II. MENDESKRIPSIKAN DATA 13 Desember 2005 1 Analisis Deskriptif Tujuan dari analisis deskritif adalah memberikan gambaran ringkas tentang suatu data. Data bisa berupa data categorical atau data non-categorical.
Lebih terperinciMODUL XI SELANG KEPERCAYAAN UNTUK KEPERCAYAAN
MODUL XI SELANG KEPERCAYAAN UNTUK KEPERCAYAAN Taksiran suatu parameter populasi dapat diberikan berupa taksiran titik atau berupa taksiran selang. Taksiran titik suatu parameter populasi θ merupakan nilai
Lebih terperinciModul Praktikum Distribusi Weibull DISTRIBUSI WEIBULL. Tujuan Praktikum:
DISTRIBUSI WEIBULL Tujuan Praktikum: Membantu mahasiswa memahami materi Pegambilan keputusan dari suatu kasus dengan menggunakan kaidah dan syarat I. PENDAHULUAN ini diperkenalkan oleh ahli fisikawan Swedia
Lebih terperinciPRAKTIKUM ANALISIS DATA EKSPLORATIF
LAPORAN PRAKTIKUM ANALISIS DATA EKSPLORATIF Oleh: GEMPUR SAFAR (10877) PROGRAM STUDI STATISTIKA Asisten SIGIT SAMAPTAAJI BAGUS PRAMULYA Dosen Dra. SRIHARYATMI KARTIKO, M.Sc. LABORATORIUM KOMPUTASI MATEMATIKA
Lebih terperinciEVALUASI DAN PERBANDINGAN KEBIJAKAN PERSEDIAAN PROBABILISTIK MENGGUNAKAN MODEL P DI PT. X ABSTRAK
EVALUASI DAN PERBANDINGAN KEBIJAKAN PERSEDIAAN PROBABILISTIK MENGGUNAKAN MODEL P DI PT. X ABSTRAK Evaluasi dan Perbandingan Kebijakan Persediaan Probabilistik Menggunakan Model P di PT. X Dwi Desta Riyani1,
Lebih terperinciBab 6: Membangun Model. Pemodelan dan Simulasi Sistem. Monica A. Kappiantari
Bab 6: Membangun Model Pemodelan dan Simulasi Sistem Monica A. Kappiantari - Sumber: Harrell, C., B.K. Ghosh and R.O. Bowden, Jr., Simulation Using Promodel, 2 nd ed., McGraw- Hill, Singapore, 2003. Sesi
Lebih terperinciBab 6: Membangun Model. Pemodelan dan Simulasi Sistem
Bab 6: Membangun Model Pemodelan dan Simulasi Sistem Sumber: Harrell, C., B.K. Ghosh and R.O. Bowden, Jr., Simulation Using Promodel, 2 nd ed., McGraw- Hill, Singapore, 2003. Sesi 9: Membangun Model Bacaan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Pengertian Persediaan Persediaan merupakan simpanan material yang berupa bahan mentah, barang dalam proses dan barang jadi. Dari sudut pandang sebuah perusahaan
Lebih terperinciANALISIS DATA EKSPLORATIF MODUL 4 PENGANTAR MINITAB
ANALISIS DATA EKSPLORATIF KELAS C2 MODUL 4 PENGANTAR MINITAB Nama Nomor Praktikan Mahasiswa Sri Siska Wirdaniyati 12611125 Tanggal Kumpul 5 Desember 2013 Praktikan Tanda tangan Laboran Nama Penilai Tanggal
Lebih terperinciINTEGRASI PERENCANAAN PRIORITAS DAN KAPASITAS SISTEM MRP II DENGAN SISTEM KANBAN MENGGUNAKAN PROMODEL
INTEGRASI PERENCANAAN PRIORITAS DAN KAPASITAS SISTEM MRP II DENGAN SISTEM KANBAN MENGGUNAKAN PROMODEL Budi Aribowo 1 ; Natasari 2 1 Jurusan Teknik Industri, Fakultas Teknik, Universitas Al Azhar Indonesia
Lebih terperinciBAB IV DESKRIPSI DAN ANALISI DATA
BAB IV DESKRIPSI DAN ANALISI DATA A. Deskripsi Data Hasil Penelitian 1. Deskripsi Data Umum Penelitian Deskripsi data umum berisi mengenai gambaran umum tempat penelitian yakni di SMP N 1 Pamotan. SMP
Lebih terperinciEvaluasi dan Perbandingan Kebijakan Persediaan Probabilistik Menggunakan Model P di PT. X ABSTRAK
Evaluasi dan Perbandingan Kebijakan Persediaan Probabilistik Menggunakan Model P di PT. X Dwi Desta Riyani 1, Evi Febianti 2, M. Adha Ilhami 3 1,2,3 Jurusan Teknik Industri, Fakultas Teknik, Universitas
Lebih terperinci(MODUL II PROMODEL) BAB I PENGENALAN SISTEM
1 (MODUL II PROMODEL) BAB I PENGENALAN SISTEM A. Sistem Sistem merupakan sesuatu yang terdiri dari berbagai macam komponen yang saling berkaitan antara satu dengan yang lainnya untuk mencapai suatu tujuan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1. Analisis Masalah Terdapat dua kriteria permasalahan umum pada busway, yaitu faktor kriteria kenyamanan penumpang dan keekonomisan bus. Kriteria kenyamanan penumpang
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
42 BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Statisitik Deskriptif Statistik deskriptif digunakan untuk gambaran secara umum data yang telah dikumpulkan dalam penelitian ini. Dari 34 perusahaan barang konsumsi
Lebih terperinciLABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI FAKULTAS TEKNIK PROGRAM STUDI TEKNIK INDUSTRI UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAWA TIMUR
TNR 12 space 1.15 LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI FAKULTAS TEKNIK PROGRAM STUDI TEKNIK INDUSTRI UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAWA TIMUR LAPORAN RESMI MODUL I TNR 12 Space 2.0 STATISTIK
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Deskripsi Data Hasil Penelitian Statistik deskriptif digunakan untuk melihat gambaran secara umum data yang telah dikumpulkan dalam penelitian ini. Berikut hasil
Lebih terperinciUji Perbandingan Rata-Rata
Uji Perbandingan Rata-Rata Pengujian hipotesis perbandingan rata-rata dilakukan untuk melihat kesesuaian dugaan peneliti terhadap suatu objek yang diteliti dengan kenyataannya. Misalnya seorang peniliti
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
47 BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Analisis Hasil Berdasarkan apa yang telah dijelaskan diatas maka dalam bab selanjutkan penulis akan menyajikan hasil analisis dan pembahasan data. Dalam penelitian
Lebih terperinciLAMPIRAN III. Output SPSS
LAMPIRAN III Output SPSS 1. Output Uji Normalitas Reksa Dana Campuran dan Reksa Dana Saham Frequencies Notes Output Created 09-JUL-2014 12:58:37 Comments Input Active Dataset DataSet3 Filter Weight Split
Lebih terperinciStatistik Deskriptif dengan Microsoft Office Excel
Statistik Deskriptif dengan Microsoft Office Excel Junaidi, Junaidi I. Prosedur Statistik Deskriptif pada Excel Statistik deskriptif adalah statistik yang bertujuan untuk mendeskripsikan atau menggambarkan
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN. terhadap variable-variabel dalam penelitian ini. Data-data yang dihasilkan
1 BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Penyajian Data Penyajian data didasarkan atas hasil penelitian yang telah dilakukan terhadap variable-variabel dalam penelitian ini. Data-data yang dihasilkan
Lebih terperinciHo merupakan hipotesa awal sedangkan merupakan hipotesis alternatif atau hipotesis kerja 2. Rumus One sample t-test
UJI T-TEST (PENGANTAR STATISTIK LANJUT) A. Uji T-Test satu sampel (One sampel t- test). 1. Dasar teori. Pengujian rata-rata satu sampel dimaksudkan untuk menguji nilai tengah atau rata-rata populasi µ
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Tinjauan Pustaka 2.1.1. Uji Kecukupan Data Untuk menguji sekumpulan data, terlebih dahulu diperlukan untuk menguji kecukupan jumlah pengamatan yang telah dilakukan. Karena itu
Lebih terperinciBAB 4 DATA. Primatama Konstruksi departemen PPIC (production planning and inventory
BAB 4 PENGUMPULAN, PENGOLAHAN DAN ANALISIS DATA 4.1 Pengumpulan Data 4.1.1 Pengumpulan Data Untuk EOQ Dalam melakukan penelitian untuk memecahkan permasalahan di PT. Primatama Konstruksi departemen PPIC
Lebih terperinciBAB IV DESKRIPSI DAN ANALISIS DATA
BAB IV DESKRIPSI DAN ANALISIS DATA A. Deskripsi Data Hasil Penelitian 1. Deskripsi Data Umum Deskripsi data umum berisi mengenai gambaran umum tempat penelitian yakni di MTs N 1 Kudus. MTs N 1 Kudus beralamatkan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Dalam pelayanan ada beberapa faktor penting pada sistem antrian yaitu pelanggan dan pelayan, dimana ada periode waktu sibuk maupun periode dimana pelayan menganggur. Dan waktu dimana
Lebih terperinciKORELASI. Alat hitung koefisien korelasi Pearson (data kuantitatif dan berskala rasio) Kendall, Spearman (data kualitatif dan berskala ordinal)
KORELASI Pada SPSS korelasi ada pada menu Correlate dengan submenu: 1. BIVARIATE Besar hubungan antara dua (bi) variabel. a. Koefisien korelasi bivariate/product moment Pearson Mengukur keeratan hubungan
Lebih terperinciPERBAIKAN SISTEM PELAYANAN NASABAH DENGAN MENGGUNAKAN METODE SIMULASI (Studi Kasus: Bank BRI Unit Selopuro Blitar)
PERBAIKA SISTEM PELAAA ASABAH DEGA MEGGUAKA METODE SIMULASI (Studi Kasus: Bank BRI Unit Selopuro Blitar) IMPROVED CLIET SERVICE SSTEM USIG SIMULATIO METHODS (Case Study: Bank BRI Unit Selopuro Blitar)
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pemodelan dan Simulasi Model merupakan representasi sistem dalam kehidupan nyata yang menjadi fokus perhatian dan menjadi pokok permasalakan. Pemodelan dapat didefinisikan sebagai
Lebih terperinciLampiran 1. No 1-2. No.:..1.
Lampiran No.:... No -2 0 KEMAMPUAN PENGGUNAAN MEDIA PEMBELAJARAN DI KALANGAN GURU ILMU PENGETAHUAN SOSIAL (IPS) TERPADU SEKOLAH MENENGAH PERTAMA (SMP) NEGERI SE KECAMATAN AMBARAWA. Dalam rangka penyusunan
Lebih terperinciLAB MANAJEMEN DASAR MODUL STATISTIKA 1
LAB MANAJEMEN DASAR MODUL STATISTIKA 1 Nama : NPM/Kelas : Fakultas/Jurusan : Hari dan Shift Praktikum : Fakultas Ekonomi Universitas Gunadarma Kelapa dua E531 1 UKURAN STATISTIK Pendahuluan Ukuran statistik
Lebih terperinciLAPORAN PRAKTIKUM 8 & 9 STATISTIKA TENTANG UJI HIPOTESIS (Z OR T) DAN UJI RERATA (STUDENT T)
LAPORAN PRAKTIKUM 8 & 9 STATISTIKA TENTANG UJI HIPOTESIS (Z OR T) DAN UJI RERATA (STUDENT T) STATISTIKA DISUSUN OLEH : MELINA KRISNAWATI 12.12.0328 SI 12 F JURUSAN SISTEM INFORMASI SEKOLAH TINGGI MANAJEMEN
Lebih terperinciContoh Analisis Data Korelasi Kecerdasan Emosi terhadap Stress Kerja 1. Sebaran Data Kecerdasan Emosi Hasil Skoring Kuesioner
Contoh Analisis Data Korelasi Kecerdasan Emosi terhadap Stress Kerja 1. Sebaran Data Kecerdasan Emosi Hasil Skoring Kuesioner 1. Sebaran Data Stress Kerja Hasil Skoring Kuesioner 2. Jumlah Skor Setiap
Lebih terperinciharga rata-rata dimana harga tersebut dipengaruhi oleh jumlah barang yang diperoleh pada masing-masing harganya, dengan demikian diperlukah juga
BAB IV ANALISA HASIL DAN PEMBAH ASAN A. DESKRIPSI DATA 1. Metode Persediaan rata-rata Dalam penelitian ini yang menjadi variabel bebas (X) adalah metode persediaan rata-rata yaitu : metode yang didasarkan
Lebih terperinciBAB IV HASIL PENELITIAN
BAB IV HASIL PENELITIAN A. Penyajian Statistik Deskripsi Hasil Penelitian 1. Kemampuan Awal Siswa Dalam penelitian ini seperti telah dijelaskan pada bab III, analisis tentang data kemampuan awal digunakan
Lebih terperinciPemodelan Sistem BRT Koridor II Semarang sebagai Solusi Permasalahan Transportasi
Pemodelan Sistem Koridor II Semarang sebagai Solusi Permasalahan Transportasi Nabiel Putra Adam 1), Ary Arvianto 2), Wiwik Budiawan 3) Program Studi Teknik Industri Fakultas Teknik Universitas Diponegoro
Lebih terperinciBAB Uji Normalitas. Chi-Square
BAB Uji Normalitas Uji distribusi normal adalah uji untuk mengukur apakah data kita memiliki distribusi normal sehingga dapat dipakai dalam statistik parametrik (statistik inferensial). Cara yang biasa
Lebih terperinciMODUL 1 SAMPLE t-test
MODUL SAMPLE t-test TUJUAN. Mahasiswa mampu memahami Uji Hipotesis Sample t-test. Mampu menyeleseikan persoalan Uji Hipotesis Sample t-test dengan software SPSS DESKRIPSI Salah satu cabang ilmu statistik
Lebih terperinciBAB IV DESKRIPSI DAN ANALISIS DATA
BAB IV DESKRIPSI DAN ANALISIS DATA A. Deskripsi data Hasil Penelitian Data Pengamalan PAI dan Perilaku seks bebas peserta didik SMA N 1 Dempet diperoleh dari hasil angket yang telah diberikan kepada responden
Lebih terperinciBAB 4 ANALISIS DAN PEMBAHASAN
BAB 4 ANALISIS DAN PEMBAHASAN Pada bab ini akan dianalisis dan dibahas tentang pengukuran risiko operasional klaim asuransi kesehatan pada PT. XYZ menggunakan metode EVT. Pengukuran risiko operasional
Lebih terperinciSIMULASI SISTEM ANTRIAN MENGGUNAKAN PROMODEL DI RS HASAN SADIKIN BANDUNG
SIMULASI SISTEM ANTRIAN MENGGUNAKAN PROMODEL DI RS HASAN SADIKIN BANDUNG Penelitian oleh: Agus Riyanto,ST.,MT UNIVERSITAS KOMPUTER INDONESIA BANDUNG 2014 SIMULASI SISTEM ANTRIAN MENGGUNAKAN PROMODEL DI
Lebih terperinciLampiran 1 Data Absensi dan Pengeluaran Tenaga Kerja
Lampiran 1 Data dan Tenaga Kerja Jumlah Karyawan Sakit Cuti Keperluan lainnya Jumlah Tahun (orang) (hari/tahun) (hari/tahun) (hari/tahun) (hari/tahun) 1997 87 76 13 9 37 1998 9 71 146 6 43 1999 98 7 130
Lebih terperinciPengendalian Persediaan Bahan Baku di PT. ABC Dengan Model Q Back Order Menggunakan Simulasi Monte Carlo
Pengendalian Persediaan Bahan Baku di PT. ABC Dengan Model Q Back Order Menggunakan Simulasi Monte Carlo Lamhot Siregar 1, Lely Herlina 2, Kulsum 3 1,2,3 Jurusan Teknik Industri, Fakultas Teknik Universitas
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Statistik Deskriptif Berdasarkan nilai pada masing-masing variabel dapat diketahui nilai penelitian seperti nilai minimum, maksimum, mean dan standard deviasi dari
Lebih terperinciKeywords: ANOVA; LSD; Productivity; Simulation System; ProModel Software
OPTIMASI PROSES PRODUKSI DENGAN MENGGUNNAKAN PENDEKATAN SIMULASI SISTEM Dyah Lintang Trenggonowati Jurusan Teknik Industri Fakultas Teknik Universitas Sultan Ageng Tirtayasa, Cilegon Indonesia Email :
Lebih terperinciUji Validitas I. Case Processing Summary N % Cases Valid Excluded a Total Reliability Statistics Cronbach's Alpha
Uji Validitas I Case Processing Summary N % Cases Valid 19 95.0 Excluded a 1 5.0 Total 20 100.0 Reliability Statistics Cronbach's Alpha N of Items.971 41 Item Statistics Mean Std. Deviation N PENGETAHUAN
Lebih terperinciUji Perbandingan Rata-Rata
Uji Perbandingan Rata-Rata Pengujian hipotesis perbandingan rata-rata dilakukan untuk melihat kesesuaian dugaan peneliti terhadap suatu objek yang diteliti dengan kenyataannya. Misalnya seorang peniliti
Lebih terperinciKEPERCAYAAN DIRI. Corrected Item-Total Correlation
LAMPIRAN 61 KEPERCAYAAN DIRI PUTARAN 1 N % Cases Valid 60 100.0 Excluded( a) 0.0 Total 60 100.0 a Listwise deletion based on all variables in the procedure. Reliability Statistics Alpha N of Items.756
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Definisi Sampel Penelitian Pada penelitian ini menggunakan sampel berjumlah 100 responden, terdiri dari 50 responden dengan tipe pacaran LDR atau jarak jauh dan 50 responden
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. A. Gambaran umum (institusi / perusahaan / responden)
BAB IV HASIL DAN PEMBAHASAN A. Gambaran umum (institusi / perusahaan / responden) Hasil dari data-data sekunder berupa laporan keuangan perusahaan manufaktur yang terdaftar di BEI pada tahun 2013 2015
Lebih terperinciBAB IV HASIL PENELITIAN. A. Penyajian Statistik Deskripsi Hasil Penelitian. kecenderungan jawaban responden dari tiap-tiap variabel, baik mengenai
61 BAB IV HASIL PENELITIAN A. Penyajian Statistik Deskripsi Hasil Penelitian Statistik deskriptif ini digunakan sebagai dasar untuk menguraikan kecenderungan jawaban responden dari tiap-tiap variabel,
Lebih terperinciMODUL DISTRIBUSI PROBABILITAS EKSPONENSIAL
MODUL DISTRIBUSI PROBABILITAS EKSPONENSIAL Tujuan Praktikum: Membantu mahasiswa memahami materi Distribusi Eksponensial Pengambilan keputusan dari suatu kasus dengan menggunakan kaidah dan syarat Distribusi
Lebih terperinciPertemuan Ke Pengujian hipotesis mengenai rata-rata Nilai Statistik Uji. Wilayah Kritik
Pertemuan Ke-12 6.4 Uji Hipotesis Langkah langkah pengujian hipotesis : 1. Nyatakan hipotesa nolnya H o bahwa θ = θ o. 2. Pilih hipotesis alternatif H 1 yang sesuai diantara θ < θ o, θ > θ o atau θ # θ
Lebih terperinciSTATISTIK DESKRIPTIF
BAB 5 STATISTIK DESKRIPTIF Salah satu statistik yang secara sadar maupun tidak, sering digunakan dalam berbagai bidang adalah statistik deskriptif. Pada bagian ini akan dipelajari beberapa contoh kasus
Lebih terperinciBELAJAR SPSS. Langkah pertama yang harus dilakukan adalah dengan cara menginstal terlebih dahulu software SPSS
BELAJAR SPSS SPSS merupakan software statistik yang paling populer, fasilitasnya sangat lengkap dibandingkan dengan software lainnya, penggunaannya pun cukup mudah. Langkah pertama yang harus dilakukan
Lebih terperinciInterval Kepercayaan Skewness dan Kurtosis Menggunakan Bootstrap pada Data Kekuatan Gempa Bumi
Interval Kepercayaan Skewness dan Kurtosis Menggunakan ootstrap pada Data Kekuatan Gempa umi Hardianti Hafid, Anisa, Anna Islamiyati Program Studi Statistia, FMIPA, Universitas Hasanuddin Gempa bumi yang
Lebih terperinciAPLIKASI REGRESI SEDERHANA DENGAN SPSS. HENDRY admin teorionline.net Phone : 021-834 14694 / email : klik.statistik@gmail.com
APLIKASI REGRESI SEDERHANA DENGAN SPSS HENDRY admin teorionline.net Phone : 02-834 4694 / email : klik.statistik@gmail.com Tentang Regresi Sederhana Analisis regresi merupakan salah satu teknik analisis
Lebih terperinciLampiran 1. Langkah Penelitian. Air Limbah dengan kadar phosphate tinggi. Pengukuran Suhu dan ph sebelum perlakuan
Lampiran 1. Langkah Penelitian Air Limbah dengan kadar phosphate tinggi Pengukuran Suhu dan ph sebelum perlakuan Masukkan dalam wadah sebanyak 1 liter Masukkan Poly Aluminium Chloride (PAC). Proses Koagulasi
Lebih terperinciKUESIONER PENELITIAN
Lampiran 1. Kuesioner Penelitian KUESIONER PENELITIAN PENGARUH CITRA MEREK DAN REPUTASI PERUSAHAAN TERHADAP KEPUTUSAN PEMBELIAN SMARTPHONE SAMSUNG PADA MAHASISWA FAKULTAS EKONOMI DAN BISNIS UNIVERSITAS
Lebih terperinciLampiran 1. Surat Observasi Awal Penelitian
Lampiran 1. Surat Observasi Awal Penelitian Lampiran 2. Surat Izin Penelitian dan Pengumpulan Data Lampiran 3. Formulir Persetujuan Pengambilan Data Penelitian Lampiran 4. Formulir Bimbingan Skripsi Lampiran
Lebih terperinciBAB IV STUDI KASUS. Indeks merupakan daftar harga sekarang dibandingkan dengan
BAB IV STUDI KASUS 4.1 Indeks Harga Konsumen Indeks merupakan daftar harga sekarang dibandingkan dengan sebelumnya menurut persentase untuk mengetahui turun naiknya harga barang. Indeks Harga Konsumen
Lebih terperinciBAB III SIMULASI PENGGUNAAN PERTIDAKSAMAAN PADA DISTRIBUSI
BAB III SIMULASI PENGGUNAAN PERTIDAKSAMAAN PADA DISTRIBUSI 3.1 Pendahuluan Pada bab sebelumnya telah dibahas mengenai pertidaksamaan Chernoff dengan terlebih dahulu diberi pemaparan mengenai dua pertidaksamaan
Lebih terperinciData Mining II Estimasi
Data Mining II Estimasi Matakuliah Data warehouse Universitas Darma Persada Oleh: Adam AB Data Mining-2012-a@b 1 Tahapan proses datamining Input (Data) Metode (Algoritma Data Mining) Output (Pola/Model/
Lebih terperinciBAB 2 LANDASAN TEORI
23 BAB 2 LANDASAN TEORI 2.1 Introduction to Manufacturing System 2.1.1 Definisi Manufacturing System Menurut Mikell P. Groover (2001, p375), Manufacturing System merupakan sebuah sekumpulan dari perlengkapan
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Analisis Demografi Responden Dalam Bab ini penulis akan membahas mengenai hasil penelitian dan analisisnya yang telah dilakukan. Data penelitian ini diolah dengan
Lebih terperinci1) Kriteria Ekonomi Estimasi model dikatakan baik bila hipotesis awal penelitian terbukti sesuai dengan tanda dan besaran dari penduga.
LAMPIRAN Lampiran 1. Evaluasi Model Evaluasi Model Keterangan 1) Kriteria Ekonomi Estimasi model dikatakan baik bila hipotesis awal penelitian terbukti sesuai dengan tanda dan besaran dari penduga. 2)
Lebih terperinciFORMAT LAPORAN MODUL V DISTRIBUSI SAMPLING
FORMAT LAPORAN MODUL V DISTRIBUSI SAMPLING ABSTRAK ABSTRACT KATA PENGANTAR DAFTAR ISI DAFTAR TABEL DAFTAR GAMBAR DAFTAR LAMPIRAN BAB I PENDAHULUAN (kata pengantar) 1.1 Latar Belakang 1.2 Tujuan Penulisan
Lebih terperinci