LANDASAN TEORI
1.1.2. Model
1.1.2.1. Konsep Model
2
Model adalah representasi dari suatu objek, benda atau ide – ide dalam
bentuk yang disederhanakan. Model berisi informasi – informasi tentang suatu
sistem yang dibuat dengan tujuan untuk mempelajari sistem yang sebenarnya.
Model dapat berupa tiruan dari suatu benda, sistem atau kejadian yang
sesungguhnya yang hanya berisi informasi – informasi yang dianggap penting
untuk ditelaah.
Dalam pemodelan, model dirancang sebagai penggambaran dari operasi
sistem nyata secara ideal guna menjelaskan atau menunjukkan hubungan –
hubungan penting yang terkait.
Tujuan dari studi pemodelan adalah menentukan informasi – informasi
yang dianggap penting untuk dikumpulkan, sehingga tidak ada model yang unik.
Satu sistem dapat memiliki berbagai model, bergantung pada sudut pandang dan
kepentingan pembuat model.
2
Arif, Muhammad. 2017. Pemodelan Sistem. Yogyakarta: Deepublish, hlm. 1 – 3 dan 24 – 28.
1.1.2.2. Klasifikasi Model
Berikut merupakan klasifikasi model yang dapat dilihat pada Tabel 1.1.
Tabel 1.1. Klasifikasi Model
No Tipe Klasifikasi Tipe Model
Deskriptif (Kondisi Nyata)
1 Fungsi Prediktif (Meramalkan)
Normatif (Seharusnya)
Ikon
2 Struktur / Morfologi Analog
Simbolik
Statik
3 Waktu
Dinamik
Deterministik
4 Aspek Informasi
Probabilistik
Umum
5 Tingkat Generalisasi
Khusus
Interaksi dengan Terbuka
6
Lingkungan Tertutup
Kualitatif
7 Tingkat Kuantifikasi
Kuantitatif
2 dimensi
8 Dimensi
3 dimensi
Sumber: Arif, Muhammad. 2017. Pemodelan Sistem. Yogyakarta: Deepublish,
hlm. 24 – 25.
3
Siregar, Kiman. 2016. Simulasi dan Pemodelan. Yogyakarta: Deepublish, hlm. 1 – 3.
4
Halifia, dkk. 2015. Pemodelan dan Simulasi Sistem dengan Metoda Kolmogorov-Smirnov pada
Antrian Pendaftaran Ulang Siswa Baru Yang Lulus Psb Online. Jurnal Prosiding ISSN: 2460–
4690 Vol. 1, hlm. 104.
c. Simulasi Kejadian Diskrit
d. Simulasi Dinamis Kontinyu
6
Walpole, Ronald.1992. Pengantar Statistika. Jakarta: Gramedia Pustaka Utama, hlm. 95.
Secara umum, pada peluang terambilnya x keberhasilan dan k benda
yang diberi label berhasil dan n – x kegagalan dari N – k benda yang diberi label
gagal, bila suatu contoh berukuran n diambil dari sebuah populasi terhingga
berukuran N. Percobaan demikian ini dikenal sebagai percobaan hypergeometric.
Percobaan hypergeometric bercirikan dua sifat berikut:
1. Suatu contoh acak berukuran n diambil dari populasi yang berukuran N.
2. K dari N benda diklasifikasikan sebagai berhasil dan N – kbenda
diklasifikasikan sebagai gagal.
Bila dalam populasi N benda, k benda di antaranya diberi label ‘berhasil’
dan N – k benda lainnya diberi label ‘gagal’, maka sebaran peluang bagi peubah
acak hypergeometric X, yang menyatakan banyaknya keberhasilan dalam contoh
acak berukuran n, adalah:
Keterangan:
x = Peluang terambil
N = Populasi
n = Jumlah yang terambil
k = Banyaknya keberhasilan
1 1 2 3 k
f ( x; k )
k ' x = x , x , x , ..., x .
untuk
bahwa sebaran seragam itu bergantung pada parameter k. Contohnya, bila sebuah
mempunyai peluang yang sama untuk muncul yaitu, 1/6. Oleh karena itu, dimiliki
untuk x = 1, 2, 3, 4, 5,6.
Sajian grafik histogram bagi sebaran seragam ini selalu berupa beberapa
dan D, di sebuah kota kecil. Dari keempatnya dipilih dua orang secara acak untuk
mungkin adalah = 6, yang dapat didaftarkan sebagai: AB, AC, AD, BC,
bila diambil suatu himpunan bagian berukuran n dari suatu ruang contoh
terhingga berukuran N.
P x=1
PB(x;p) = (1-p) = q x= 0
x≠0 atau 1
atau
pB ; x = 0,1 , dimana,
1.1.4.3.2.1.Distribusi Normal
Sebaran peluang kontinu yang terpenting dalam seluruh bidang
statistika adalah distribusi normal. Distribusi normal, disebut pula distribusi
Gauss untuk menghormati Karl Friedrich Gauss (1777-1855), yang juga berhasil
mendapatkan persamaannya dari studi mengenai galat dalam pengukuran yang
berulang-ulang terhadap benda yang sama.
Sumber: Ronald E. Walpole. 1992. Pengantar Statistika Edisi Ke-3
Gambar 1.2 Kurva Normal
1.1.4.3.2.2.Distribusi T
Distribusi dengan variabel acak kontinu lainnya, selain dari distribusi
normal ialah distribusi Student atau distribusi T. Fungsi densitasnya adalah :
1.1.4.3.2.3.Distribusi F
Distribusi F ini juga mempunyai variabel acak yang kontinu. Fungsi
densitasnya mempunyai persamaan:
dengan variabel acak F memenuhi batas F> 0, K = bilangan tetap yang harganya
bergantung pada v1dan v2 sedemikian sehingga luas di bawah kurva sama dengan
satu, v1= dk pembilang dan v2= dk penyebut. Jadi distribusi F ini mempunyai dua
buah derajat kebebasan. Grafik distibusi F tidak simetrik dan umumnya sedikit
positif.
1.1.4.3.2.4.Distribusi Chi-Square
Distribusi chi-square atau chi-kuadrat merupakan distribusi dengan
variabel acak kontinu. Simbol yang dipakai untuk chi-kuadrat ialah X 2.
Persamaan distribusi chi-kuadrat adalah:
2
Dengan u = X untuk memudahkan menulis, dan harga u > 0, v =
derajat kebebasan, K = bilangan tetap yang bergantung pada v, sedemikian
sehingga luas daerah di bawah kurva sama dengan satu satuan luas dan e =
2,7183.
dx
Sifat-sifat penting fungsi gamma adalah:
2. Didefinisikan:
dengan parameter bentuk dan parameter skala β dimana α > 0 dan β > 0 jika
fungsi kepadatan probabilitas dari X adalah:
P (X ≤ x) =
7
Nunung, dkk. 2015. Simulasi Flexsim Untuk Optimasi Sistem Antrian Poli Umum Rawat Jalan
Rumah Sakit X. Jurnal Ilmiah Teknik Industri. Vol. 3 No. 2, hlm. 69 – 75.
manufakturing, mengatur penyebab penundaan, memecahkan masalah inventori,
menguji praktek penjadwalan baru, dan mengoptimumkan laju produksi. Setiap
model Flexsim dapat digambarkan dalam animasi realitas virtual 3D. Selain itu,
Flexsim memungkinkan pemodel dengan kemampuan pemrograman model dan
submode secara langsung dalam C++. Tampilan awal pada Software Flexsim
dapat dilihat pada Gambar 1.3.
1.1.5.2. ExpertFit
8
ExpertFit memungkinkan seseorang untuk menentukan secara otomatis
dan akurat yang probabilitas distribusi terbaik mewakili kumpulan data. Dalam
banyak kasus analisis yang lengkap dapat dilakukan dalam waktu kurang dari 5
menit. Tujuannya adalah untuk memberikan analisis simulasi dalam pemodelan
sumber yang acak (misalnya, waktu layanan) dengan tidak adanya data
ExpertFit secara luas digunakan oleh para analis melakukan discrete-
event simulasi sistem dunia nyata di bidang aplikasi seperti pertahanan,
manufaktur, transportasi, Kesehatan, pusat panggilan, dan jaringan komunikasi.
Untuk para pengguna. ExpertFit akan mengambil distribusi yang dipilih dan
8
Averill M. Law & Associates. 2013. ExpertFit Demonstration Version 8, hlm. 2.
memasukkannya ke dalam format yang tepat untuk input langsung ke sejumlah
besar produk simulasi-perangkat lunak yang berbeda.
ExpertFit adalah juga digunakan untuk analisis data dalam berbagai
disiplin ilmu seperti Actuarial Science, Agriculture, kimia, ekonomi, analisis
lingkungan, keuangan, kehutanan, hidrologi, obat, Meteorologi, pertambangan,
fisika, psikologi, rekayasa keandalan, dan analisis risiko.
ExpertFit adalah hasil dari 33 tahun penelitian statistik. Semua hasil
ExpertFit dapat dicetak atau disalin ke clipboard Windows dan digunakan dalam
aplikasi (misalnya, Microsoft Word atau Excel). Tampilan awal pada ExpertFit
dapat dilihat pada Gambar 1.4.
1.2.3. Kesimpulan
Kesimpulan dari simulasi antrian yang telah dilakukan pada UMKM Kilat
Makmur Furniture,antara lain:
1. Berdasarkan item Number In dan Number Out terlihat banyak bahan baku
yang bisa diproses/ dilayani mencapai 100%.
2. Dari item number waiting terlihat bahwa number waiting terbesar terdapat
pada proses pengampelasan yaitu sebesar 27.
3. Setelah dilakukan perbaikan yaitu penambahan stasiun pengamplasan
menjadi total 3 buah maka pada item number waiting terlihat bahwa number
waiting turun dari 27 menjadi rata-rata 9.
4. Berdasarkan analisis biaya yang dikeluarkan pada stasiun pengamplasan dan
pendempulan ketika membuat 1.350 produk didapat bahwa pengguaan 1
stasiun, biaya pelayanan per unit sebesar Rp 23.176,13 dan biaya menunggu
per unit sebesar Rp 10.631.250. Menggunakan 3 stasiun, biaya pelayanan per
unit Rp 69.528,41 dan biaya menunggu per unit sebesar Rp 3.543.750. Biaya
total per unit menggunakan 1 stasiun adalah Rp 10.654.426,13 dan jika
menggunakan 3 stasiun sebesar Rp 3.613.278,41. Dilihat dari biaya total,
menggunakan 3 stasiun lebih kecil dibandingkan menggunakan 1 stasiun.
BAB II
PENGUMPULAN DATA
Berikut block diagram produksi ragum yang dapat dilihat pada Gambar 2.2.
Gudang
Bahan
Mesin
Gerinda
Mesin Sekrap
Mesin
Milling
Mesin
Drilling
Mesin Bubut
Mesin Tap
and Dies
Assembly
Produk Jadi
2.2. Data
2.2.1. Jumlah Bahan, Mesin, dan Operator
Berikut merupakan data jumlah bahan, mesin, dan operator.
1. Jumlah Bahan
Berikut ini merupakan data jumlah setiap bahan untuk pembuatan model
simulasi produksi ragum dapat dilihat pada Tabel 2.1.
Tabel 2.1. Data Jumlah Bahan
No Bahan Input (Kg) Objek pada Flexsim
1 Baja ASTM Jenis 1 100.320 Source
2 Baja ASTM Jenis 2 53.920 Source
3 Baja ASTM Jenis 3 37.440 Source
4 Baja ASTM Jenis 4 26.560 Source
5 Baja ST37 40.320 Source
Sumber: Lab.TLP-PB
2. Jumlah Mesin
Berikut merupakan data jumlah mesin untuk pembuatan model simulasi
produksi ragum yang dapat dilihat pada Tabel 2.2.
Tabel 2.2. Data Jumlah Mesin
[
N' =
0.05
5.987
√10(3.588.571)- 35.844.169
]
N’ = 1.85
9
Darsini. 2014. Penentuan Waktu Baku Produksi Kerupuk Rambak Ikan Laut “Sari Enak”Di
Sukaharjo. Spektrum Industri, Vol. 12, No. 2, hlm 113-247
Karena N’ (data teoritis) setelah dihitung sebesar 1.85 maka itu artinya
N’<N, maka dianggap data tersebut cukup. Selanjutnya itu dilakukan
pengulangan langkah-langkah diatas pada semua mesin dan assembly sehingga
didapatkan hasil rekapitulasi uji kecukupan data pengamatan.
Berikut merupakan hasil rekapitulasi uji kecukupan data pada part
landasan yang dapat dilihat pada Tabel 3.10.
Tabel 3.10. Hasil Uji Kecukupan Data Part Landasan
Part Landasan
Mesin N’ N Kecukupan Data
Gerinda 1.85 10
Drilling 1.46 10
Sekrap 1.54 10
Milling 1.76 10
Sumber : Pengolahan Data
Berikut merupakan hasil rekapitulasi uji kecukupan data pada part badan
penjepit kiri yang dapat dilihat pada Tabel 3.11.
Tabel 3.11. Hasil Uji Kecukupan Data Part Badan Penjepit Kiri
Part Badan Penjepit Kiri
Mesin N’ N Kecukupan Data
Sekrap 0.56 10
Drilling 0.64 10
Tap and Dies 1.88 10
Gerinda 2.15 10
Sumber : Pengolahan Data
Berikut merupakan hasil rekapitulasi uji kecukupan data pada part rahang
penjepit kiri yang dapat dilihat pada Tabel 3.12.
Tabel 3.12. Hasil Uji Kecukupan Data Part Rahang Penjepit Kiri
Part Rahang Penjepit Kiri
Mesin N’ N Kecukupan Data
Gerinda 0.90 10
Drilling 1.41 10
Sekrap 0.84 10
Sumber : Pengolahan Data
Berikut merupakan hasil rekapitulasi uji kecukupan data pada part badan
penjepit kanan yang dapat dilihat pada Tabel 3.13.
Tabel 3.13. Hasil Uji Kecukupan Data Part Badan Penjepit Kanan
Part Badan Penjepit Kanan
Mesin N’ N Kecukupan Data
Sekrap 1.53 10
Drilling 1.62 10
Tap and Dies 1.85 10
Gerinda 0.43 10
Sumber : Pengolahan Data
Berikut merupakan hasil rekapitulasi uji kecukupan data pada part rahang
penjepit kanan yang dapat dilihat pada Tabel 3.14.
Tabel 3.14. Hasil Uji Kecukupan Data Part Rahang Penjepit Kanan
Part Rahang Penjepit Kanan
Mesin N’ N Kecukupan Data
Gerinda 1.72 10
Sekrap 1.22 10
Drilling 1.79 10
Sumber : Pengolahan Data
Berikut merupakan hasil rekapitulasi uji kecukupan data pada part badan
pemutar yang dapat dilihat pada Tabel 3.15.
Tabel 3.15. Hasil Uji Kecukupan Data Part Badan Pemutar
Part Badan Pemutar
Mesin N’ N Kecukupan Data
Sekrap 1.49 10
Drilling 1.18 10
Milling 1.33 10
Tap and Dies 1.88 10
Gerinda 0.95 10
Sumber : Pengolahan Data
Berikut merupakan hasil rekapitulasi uji kecukupan data pada part badan
lahar yang dapat dilihat pada Tabel 3.16.
Tabel 3.16. Hasil Uji Kecukupan Data Part Badan Lahar
Part Badan Lahar
Mesin N’ N Kecukupan Data
Bubut 1.92 10
Drilling 1.32 10
Gerinda 1.89 10
Sumber : Pengolahan Data
3. Lalu buat name project dan pilih opsi fit distribution to data.
Berikut merupakan hasil rekapitulasi distribusi data pengamatan pada part rahang penjepit kiri yang dapat dilihat pada Tabel
3.21.
Tabel 3.21. Rekapitulasi Distribusi Data Pengamatan Rahang Penjepit Kiri
No Mesin Distribusi Terpilih Parameter ExpertFit Input Histogram
Lower : 515.467235 johnsonbounded( 515.46
Upper : 555.614939 7235, 555.614939,
1 Gerinda Johnson SB
Shape 1 : 0.391654 0.391654, 0.509523,
Shape 2 : 0.509523 <stream>)
Berikut merupakan hasil rekapitulasi distribusi data pengamatan pada part badan penjepit kanan yang dapat dilihat pada Tabel
3.22.
Tabel 3.22. Rekapitulasi Distribusi Data Pengamatan Badan Penjepit Kanan
No Mesin Distribusi Terpilih Parameter ExertFit Input Histogram
Lower : 574.002208 johnsonbounded( 574.00
Upper : 627.641562 2208, 627.641562,
1 Sekrap Johnson SB
Shape 1 : -0.066123 -0.066123, 0.414258,
Shape 2 : 0.414258 <stream>)
Lower : 915.745802
beta( 915.745802,
Upper : 1009.434663
2 Drilling Beta 1009.434663, 0.717440,
Shape 1 : 0.717440
0.721751, <stream>)
Shape 2 : 0.721751
Berikut merupakan hasil rekapitulasi distribusi data pengamatan pada part badan pemutar yang dapat dilihat pada Tabel 3.24.
Tabel 3.24. Rekapitulasi Distribusi Data Pengamatan Badan Pemutar
No Mesin Distribusi Terpilih Parameter ExpertFit Input Histogram
Lower : 459.491364 johnsonbounded( 568.19
Upper : 502.913116 5398, 628.739324,
1 Sekrap Johnson SB
Shape 1 : 0.021152 -0.172423, 0.459570,
Shape 2 : 0.448952 <stream>)
Lower : 571.405261 johnsonbounded( 571.40
Upper : 639.955369 5261, 639.955369,
2 Drilling Johnson SB
Shape 1 : 0.810082 0.810082, 0.732749,
Shape 2 : 0.732749 <stream>)
Lower : 345.652215 johnsonbounded( 345.65
Upper : 373.380561 2215, 373.380561,
3 Milling Johnson SB
Shape 1 : 0.087852 0.087852, 0.388681,
Shape 2 : 0.388681 <stream>)
Lower : 760.153591 johnsonbounded( 760.15
Tap and Upper : 833.840701 3591, 833.840701,
4 Johnson SB
Dies Shape 1 : 0.002910 0.002910, 0.337374,
Shape 2 : 0.337374 <stream>)
Berikut merupakan hasil rekapitulasi distribusi data pengamatan pada part badan lahar yang dapat dilihat pada Tabel 3.25.
Tabel 3.25. Rekapitulasi Distribusi Data Pengamatan Badan Lahar
No Mesin Distribusi Terpilih Parameter ExpertFit Input Histogram
Lower : 832.129392 johnsonbounded( 832.12
Upper : 916.924878 9392, 916.924878,
1 Bubut Johnson SB
Shape 1 : -0.006677 -0.006677, 0.377776,
Shape 2 : 0.377776 <stream>)
Berikut merupakan hasil rekapitulasi distribusi data pengamatan pada part handle yang dapat dilihat pada Tabel 3.26.
Tabel 3.26. Rekapitulasi Distribusi Data Pengamatan Handle
No Mesin Distribusi Terpilih Parameter ExpertFit Input Histogram
Lower : 557.774647
beta( 557.774647,
Upper : 628.430836
1 Bubut Beta 628.430836, 2.779594,
Shape 1 : 2.779594
1.700774, <stream>)
Shape 2 : 1.700774
Lower : 179.273447
beta( 179.273447,
Upper : 189.354651,
2 Gerinda Beta 189.354651, 1.231682,
Shape 1 : 1.231682
1.058228, <stream>)
Shape 2 : 1.058228
Berikut merupakan hasil rekapitulasi distribusi data pengamatan pada assembly ragum yang dapat dilihat pada Tabel 3.27.
Tabel 3.27. Rekapitulasi Distribusi Data Pengamatan Assembly Ragum
Distribusi
No Assembly Parameter ExpertFit Input Histogram
Terpilih
3 Assembly 3 - - - -
Lower : 20.152840
beta( 20.152840,
Upper : 25.918544
4 Assembly 4 Beta 25.918544, 9.867702,
Shape 1 : 9.867702
10.115883, <stream>)
Shape 2 : 10.115883
Sumber : Software FlexSim 2019
3.2. Model
Model yang digunakan dalam proses pembuatan simulasi produksi ragum
dengan menggunakan Software FlexSim adalah gambar final layout lantai
produksi ragum yang merupakan hasil praktikum pada Laboratorium Tata Letak
Pabrik dan Pemindahan Bahan.
Berikut ini adalah langkah dan pengaturan dalam import layout sebagai
berikut:
1. Pada tampilan utama pilih new model.
6. Setelah itu pilih file yang ingin dijadikan sebagai model background.
Sumber : Sofware Flexsim 2019
Gambar 3.23. Mencari Image File
2. Pembuatan Processor
Processor pada simulasi ini adalah mesn-mesin yang digunakan pada
proses pembuatan ragum yaitu berupa mesin gerinda, drilling, sekrap,
milling, bubut dan tap and dies. Berikut adalah langkah-langkah
dalam pembuatan processor :
a. Memilih ikon processor lalu drag ke halaman utama model
3. Pembuatan Combiner
Combiner pada simulasi ini adalah assembly pada proses produksi
ragum yang terdiri dari 4 assembly. Berikut adalah contoh langkah-
langkah dalam pembuatan combiner :
a. Memilih ikon combiner lalu drag ke halaman utama model
4. Pembuatan Rack
Rack pada proses simulasi produksi ragum ini merupakan tempat
penyimpanan sementara produk jadi ragum setelah melalui proses
assembly. Berikut adalah contoh langkah-langkah dalam pembuatan
rack :
a. Memilih ikon rack lalu drag ke halaman utama model
2. Pembuatan TaskExecuter
TaskExecuter pada simulasi proses produksi ragum adalah handtruck
yang digunakan untuk mengalirkan flow dari dan kedalam stasiun
mesin dalam produksi ragum. Berikut adalah contoh langkah-langkah
dalam pembuatan Task Executer:
a. Memilih ikon taskexecuter lalu drag ke halaman utama model
3. Pembuatan Transporter
Transporter pada simulasi proses produksi ragum adalah forklift yang
digunakan untuk mengalirkan flow item berupa produk jadi ragum
kedalam rack. Berikut adalah langkah-langkah dalam pembuatan
transporer :
a. Memilih ikon transporter lalu drag ke halaman utama model
3) Setelah itu duble klik source 1 lalu pilih flow dan centang menu
use transport lalu pilih object connected to a center port.
(a)
Sumber : Sofware Flexsim 2019
Gambar 3.64. Menu Add Dashboard (a) & Library Dashboard (b)
Pada simulasi proses produksi ragum ini dashboard yang digunakan
adalah dashboard utilitas mesin, utilitas material handling, utilitas operator dan
output ragum.
1. Dashboard Utilitas Mesin
Utilitas mesin menunjukkan data mesin gerinda, drilling, sekrap, milling,
tap and dies dan bubut. Penambahan data dilakukan dengan mengklik
simbol tambah untuk memilih seluruh mesin produksi, kemudian diikuit
penyesuaian idle, processing, blocked, setup, untuk dimunculkan pada
diagram.
Tampilan awal dashboard utilitas mesin dengan pie chart dapat dilihat pada
gambar 3.66 Berikut:
Tampilan awal dashboard utilitas material handling dengan pie chart dapat
dilihat pada gambar 3.68 Berikut:
Tampilan awal dashboard utilitas operator dengan pie chart dapat dilihat
pada gambar 3.70 Berikut:
Tampilan awal dashboard utilitas operator dengan pie chart dapat dilihat
pada gambar 3.72 Berikut:
3.3. Simulasi
Simulasi merupakan teknik penyusunan model dari suatu keadaan nyata
(sistem) dan kemudian melakukan percobaan pada model tersebut. Simulasi yang
dilakukan adalah simulasi proses produksi ragum dengan menggunakan software
flexsim 2019. Dimana pada simulasi tersebut dilakukan selama rentang waktu 7
jam (1 shift) yang dimulai dari pukul 08.00 AM sampai 03.00 PM.
Langkah-langkah simulasi akhir proses produksi ragum adalah sebagai
berikut:
1. Dipilih run time lalu mengatur stop time pada 03.00 PM
= (16.000/312) x ½
= 25,64 ≈ 25
2. Data Dashboard
a. Dashboard utilitas mesin menunjukkan hasil akhir berupa status mesin
berupa idle, processing, blocked, waiting for operator and transport.
Tampilan akhir dashboard utilitas mesin dapat dilihat pada gambar
3.78 berikut:
4.1. Analisis
4.1.1. Analisis Distribusi Data Pengamatan
Data pengamatan yang diperoleh dari pengumpulan data tidak mencukupi
untuk dilakukan karena data pengamatan hanya berjumlah 1 data. Pengujian
distribusi menggunakan fitur ExpertFit pada software FlexSim 2019 dan pada
ExpertFit dibutuhkan minimal 10 data.. Oleh karena itu, dilakukan pembangkitan
data dengan menggunakan software Micosoft Excel.