FM-BINUS-AA-FPU-579/R3

BINUS University

Semester : Odd/ Even *)

BINUS ONLINE LEARNING
Period : 1 / 2 *)
□Graduate Program  Undergraduate Program

Academic Year :
 Final Exam  Others Exam:
2021/2022
Faculty / Dept. : BOL / Industrial Engineering
Course : ISYE6178037 - Systems Simulation Student ID :
& Engineering Data Analysis
Day/ Date : Senin – Senin / 15/08/2022 s/d 22/08/2022
BULC : Bandung, Bekasi, Jakarta, Makassar Name :
Malang, Semarang
Class : TGDA
Time : Takehome Exam (1 Minggu)
Exam Feature : Open / Close Books 🞸) Signature :
Equipment : Exam Booklet / Calculator / Laptop 🞸)
🞸
) Strikethrough the unnecessary items
Please insert this test paper into the exam booklet and submit both documents after the
test!!!
The penalty for CHEATING is DROP OUT!!!

Learning Outcomes

Explain some various forms of models and definitions of the system 15 point
LO1 simulation
Apply any simulation methods and techniques to formulate the problem 35 point
LO2 into the simulation model
Explain the importance the engineering data analytics in the business 20 point
LO3 and Manufacturer environment
Analyze the implementation of descriptive, predictive, and prescriptive 30 point
LO4 model in decision making

Kumpulkan sesuai dengan jadwal. File yang dikumpulkan adalah file zip/rar yang berisi:
1. Laporan Project: System Simulation (*.pdf atau *.doc atau *.ppt)
2. Spreadsheet files (* .xls) atau format file program simulasi lainnya (Arena, Promodel,
dll) berisi hasil simulasi dan atau olahan data
3. Laporan Project: Engineering Data Analysis (*.pdf atau *.doc atau *.ppt)
4. Hasil pengolahan data dengan menggunakan MS Excel (* .xls) atau format file
program pengolahan data lainnya (Minitab, SPSS, dll)
5. File penyerta lainnya (jika ada)

Page 1 of 2
 FM-BINUS-AA-FPU-579/R3

PROJECT 1: SYSTEMS SIMULATION

1. (LO1 – 15 point) Pilih sebuah sistem dan deskripsikan. Jelaskan komponen dari
sistem yang mencakup : entitas, atribut, event, dan parameter kinerja dari sistem (state
of system) untuk setiap aktivitas sistem dari sistem yang dipilih. Gambarkan dan
jelaskan model konseptualnya.
2. (LO2 – 15 point) Simulasikan aktifitas pada sistem dengan menggunakan
spreadsheet/Microsoft Excel (atau menggunakan program simulasi). Asumsikan (dan
jelaskan) input data yang digunakan. Silakan membuat sistem (sub-sistem) sederhana
saja. Jika sistem yang diamati adalah sistem kompleks, misalnya: sistem di bandara
yang mencakup aktifitas “self check-in”, “drop bagasi”, “loading – unloading bagasi”,
“passanger boarding”, dan lain-lain. Maka dapat memilih salah satu dari sub-sistem
pada sistem kompleks tersebut, misal memilih untuk mensimulasikan aktifitas “self
check-in”. Jalankan simulasi sebanyak (minimal) 5 kali replikasi dengan jumlah
transaksi (minimal) 100 (jika simulasi dengan spreadsheet).
3. (LO2 – 10 point) Analisis ukuran kinerja berdasarkan hasil simulasi (minimal 3
ukuran kinerja). Contoh ukuran kinerja meliputi: waktu tunggu rata-rata, probabilitas
server menganggur, laba harian, waktu rata-rata pemrosesan, waktu maksimum dalam
sistem, dan sebagainya.
4. (LO2 – 10 point) Lakukan uji validasi berdasarkan hasil replikasi dengan
menggunakan metode t-test.

PROJECT 2: ENGINEERING DATA ANALYSIS

1. (LO3 – 10 point) Berdasarkan dataset yang telah dipilih bersama dengan kelompok
anda, Pilih 5 data/variabel pada dataset anda dan jelaskan mengapa data tersebut
penting untuk dikumpulkan. Jelaskan konsep descriptive analytics dan predictive
analytics yang dapat diterapkan pada dataset yang telah kelompok anda pilih. Berikan
satu contoh informasi yang dihasilkan serta pemanfaatannya.
2. (LO4 – 10 point) Berdasarkan dataset yang telah dipilih, buatlah visualisasi data
dengan menggunakan Ms Excel dan interpretasikan diagram/grafik yang telah anda
buat.
3. (LO4 – 30 point) Berdasarkan dataset yang telah dipilih, lakukan 1 teknik analisis
deskriptif ((statistical inference) dan 1 teknik analisis prediktif. Interpretasikan hasil
yang diperoleh.

====GoodLuck====

Page 2 of 2
 FM-BINUS-AA-FPU-579/R3

JAWABAN

PROJECT 1: SYSTEMS SIMULATION

1. Sistem dan Model Konseptual

Pada Sistem diatas saya membuat Simulasi antrian pembuatan Gear di PT X,dimana pada awalnya material
yang datang dari gudang akan mensupplay langsung ke mesin bubut atau lathe,lalu menuju pengecekan barang
,disini atribut adalah hasil produk dimana jika produk nya oke maka akan lanjut ke packing process akan tetapi
jika produk terbut NG maka akan langsung keluar dalam system atau terbuang,setelah pengecekan selesai
maka barang akan masuk ke packing process dan akan berakhir pada gudang penyimpanan atau gear end.
Untuk lebih jelasnya maka model konseptualnya maka akan saya lampirkan juga pada gambar di pro model.

Page 3 of 2
 FM-BINUS-AA-FPU-579/R3

Entities pada Simulasi Gear

2. Simulasi Aktivitas

Alur Simulasi :
Raw Material masuk WarehouseRaw Material dari Warehouse jalan ke Conveyor BubutRaw Material
dari Conveyor Bubut masuk Bubut (Di bubut diolah menjadi Gear)Gear masuk ke Conveyor
Inspecionkemudian dari Conveyor Inspection Line masuk ke Inspection Line (dilakukan process
pengecekan barang dimana jika hasil produk = 1 maka produk tersebut OK dan jika hasil produk = 0 maka
produk tersebut NG dengan distrbusi 98% OK dan 2% NG)setelah Gear selesai di cek masuk ke Conveyor
Pengemasandari Conveyor Pengemasan masuk ke Packing (Produk Gear diubah menjadi bentuk packing
atau box)Box masuk ke Conveyor Gudang PengirimanBox masuk dari Conveyor ke Gudang Pengiriman
dan Exit.

Page 4 of 2
 FM-BINUS-AA-FPU-579/R3

Replikasi process dilakukan selama 8 jam dan sebanyak 5 kali replikasi terlampir

Page 5 of 2
 FM-BINUS-AA-FPU-579/R3

3. Analisis Kinerja

Page 6 of 2
 FM-BINUS-AA-FPU-579/R3

Page 7 of 2
 FM-BINUS-AA-FPU-579/R3

Berdasarkan pada data diatas yang dapat dianalisi yaitu :

1) Rata-rata waktu Per Entries pada Process Bubut yaitu : 267,94 ,Process Inspection(Rata-rata dari nilai
inspecion 1 dan 2) :105,81 ,Process Pengemasan : 73,95 dalam satuan detik
2) Presentase Server yang menganggur yaitu pada Process Bubut sebesar : 41,04 %,Process Inspect Line
1 Sebesar : 77,55% , Process Inspection Line 2 Sebesar : 76,62% dan 69,08 dengan total block terbesar
pada process bubut yaitu 0,63%.
3) Rata-rata Waktu dalam System (SEC) pada produk gear yang sudah di cek Quality sebesar 1477,54
atau 24,6 menit dan di packing sebesar 10305,96 detik atau 171,766 menit
4) Nilai Maximum Contents pada masing masing Server
Bubut : 1.00
Inspection Line : 2.00
Pengemasan : 1.00
Gudang Pengiriman : 40.80
5) Kemudian kita dapat lihat pada Multiple Capacity Ruang Full atau produk menumpuk pada jalur
conveyor yang akan masuk ke process bubut sebesar 60,98%

Page 8 of 2
 FM-BINUS-AA-FPU-579/R3

4. Uji Validasi T-Tes

1. Uji Validasi Rata-rata waktu Per Entries pada Process Bubut (Ubah kedalam Menit)
Waktu Per Entries dalam system yang sebenarnya 4,3 menit

Berdasarkan hasil Uji T-Tes diatas didapat bahwa nilai Mean bernilai 4,466 dengan Standar
Deviasi sebesar 0,481,Karena nilai P-Value > dari Alpha 0,05 yang berarti do not reject H0 atau
Terima H0 dan tolak H1,maka dapat disimpulkan simulasi tersebut sudah sesuai dengan system
yang sebenarnya (VALID)

2. Uji Validasi Rata-rata waktu Per Entries pada Process Inspection (Ubah kedalam Menit)
Waktu Per Entries dalam system yang sebenarnya 1,73 menit

Untuk hasil uji T-tes pada server inspect didapatkan nilai Mean bernilai 1,7634 dengan standar
deviasi sebesar 0,0943.dan nilai P value > dari alpha 0,05,karena P value lebih besar dari alpha
maka terima H0 dan tolak H1 ,berarti untuk waktu di simulasi dengan waktu di system simulasi
adalah VALID

Page 9 of 2
 FM-BINUS-AA-FPU-579/R3

3. Uji Validasi Maximum Content di Gudang Pengiriman

Dengan Maximum Content dalam sistem sebenarnya adalah 38

Untuk hasil uji T-tes pada server Gudang Pengiriman didapatkan nilai Mean bernilai 40,80
dengan standar deviasi sebesar 5,89.dan nilai P value > dari alpha 0,05,karena P value lebih
besar dari alpha maka terima H0 dan tolak H1 ,berarti untuk waktu di simulasi dengan waktu di
system simulasi adalah VALID dengan nilai P-Value 0,348.

PROJECT 2: ENGINEERING DATA ANALYSIS

1. Pemilihan Data SET pada IKEA Furniture

Gambar sebelum pemilihan 5 Variable

Page 10 of
2
 FM-BINUS-AA-FPU-579/R3

Gambar setelah pemilihan 5 Variable

Pemilihan dataset yang saya plih dari 5 variable pada dataset ikea furniture adalah
nama,category,price,orther colors dan short description,Nama menjelaskan untuk detail orang
yang memesan furniture tersebut,sedangkan category menjelaskan tentang jenis barang yang
dijual dalam IKEA FURNITURE,Price menjelaskan harga dari setiap furniture,Other Colors
menjelaskan dalam furniture tersebut ada atau tidak ada nya warna pilihan yang dapat dipilih
pembeli,dan terakhir adalah short description yang bertujuan untuk menjelaskan deskripsi
singkat dari barang tersebut,meskipun category tersebut sama akan tetapi terlihat banyak
pilihan lagi yang terlampir dalam short description.

Penjelasan mengenai Descriptive Analythic nya adalah dataset tersebut nantinya dapat diolah
dan disajikan menjadi visualisasi data seperti grafik, charts, dan lain-lain. Menentukan
jenis charts yang baik.

Sedangkan Predictive Analytics dalam dataset tersebut apa yang akan terjadi dimasa yang akan
datang misalnya pada dataset tersebut apakah mungkin akan ada kenaikan harga dari setiap
categiry atau tidak.

Contoh informasi dari hasil pengolahan variable tersebut misalnya seseorang yang bernama
Henriksdal dan Stig memesan jenis category yang sama yaitu Bar Furniture,meskipun category
tersebut sama,namun terdapat perbedaan yang signifikan yang dapat mempengaruhi price dari
category tersebut ,seperti pada barang yang dipesan oleh Henriksdal memiliki spesifikasi Cover
for bar stool with backrest sedangkan barang yang dipesan oleh Stig memiliki spesifikasi Bar
Stool with backrest, size 74 cm, hal tersebutlah yang akan menjadi pembeda dalam penenuatn
harga barang pada dataset diatas.

Page 11 of
2
 FM-BINUS-AA-FPU-579/R3

Pengelompokan data set dengan pivot table terlampir didalam file Excel

2. Visualisasi dataset IKEA_SA_Furniture_Web_Scrapings

Masalah yang akan dibahas :
 Mengetahui jumlah dan presentase dataset pada variable “other colors” di semua
variable “Category”
 Membuat range jumlah pada variable “Price” untuk mengetahui rentan harga dari semua
variable “Category”
 Mencari jumlah pesanan terbanyak dari sub “Category” dengan cara membuat grafik
batang

Page 12 of
2
 FM-BINUS-AA-FPU-579/R3

1) Mencari jumlah pesanan terbanyak dari sub “Category” dengan cara membuat grafik batang

Category Jumlah masing-masing unit

Tables & desks 612
Bookcases & shelving units 548
Chairs 481
Sofas & armchairs 428
Cabinets & cupboards 292
Wardrobes 236
Outdoor furniture 216
Beds 208
TV & media furniture 190
Chests of drawers & drawer units 125
Children's furniture 124
Nursery furniture 97
Bar furniture 47
Trolleys 28
Café furniture 26
Sideboards, buffets & console tables 23
Room dividers 13
Sum 3694

Jumlah setiap sub category

612
548
481
424
292
235 216 208 190
125 124 97
s s s s s s e s e s e e
47e 28 s 26 e 23s 13 s
esk nit air air ard obe itur ed itur nit itur itur itur lley itur ble der
d g u Ch h
c bo rdr rn B n r u n n n ro n ta i vi
r r r r T r
s & in m p
ar cu Wa or f
u fu we fu fu fu fu ole m d
le helv ia dra n's ery Bar © s o
b
Ta & s a
&
s ts &
t do d
e & r e rs a fà con Ro
f m d u
es So bin
e Ou & ers Chi
l N C &
ts
c as C a TV raw ffe
ok d bu
Bo of s,
s ts a rd
Ch
e bo
i de
S

Berdasarkan perhitungan data diatas dapat disimpulkan bahwa jumlah keseluruhan pemesanan pada
dataset IKEA FURNITURE tersebut adalah 3694,dengan jumlah pesanan terbanyak ada pada variable
“Table & desks” dengan jumlah pesanan sebanyak 612 pcs,dan jumlah pesanan paling sedikit ada pada
variable “Room dividers” dengan jumlah pesanan sebanyak 15 pcs.

2) Mengetahui jumlah dan presentase dataset pada variable “other colors” di semua variable

Page 13 of
2
 FM-BINUS-AA-FPU-579/R3

“Category”

Presentase pilihan warna dari semua

jenis Category

Other Colors = No
Other Colors = Yes
41%

59%

Dari hasil perhitungan dataset diatas berdasarkan pada variable category,disimpulkan bahwa
59% dari dataset tersebut tidak memiliki others color sedangkan 41% nya memiliki other
colors,dengan jumlah data numerik terlampir pada tabel dibawah ini :
Other Colors = No Other Colors = Yes
2182 1512
Sebanyak 2182 Pcs dari seluruh sub category tidak memiliki pilihan warna atau others
colors,dan 1512 memiliki pilihan warna atau others colors
3) Membuat range jumlah pada variable “Price” untuk mengetahui rentan harga dari semua
variable “Category”

Dengan menggunakan 10 Bin,dapat diketahui untuk urutan range price dari harga 3-961,2 ada
sebanyak 2382 pcs dari seluruh variable category,dimana penentuan harga berdasarkan pada short
descrpitonnya,artinya meskipun category tersebut sama akan tetapi variable pembeda yang signifikan
berdasarkan pada short description dataset tersebut.
Untuk price tertinggi atau termahal ada di range 8626,8-9585 sebanyak 3 pcs dengan short

Page 14 of
2
 FM-BINUS-AA-FPU-579/R3

description Knob ,21mm pada category yang berbeda.

Kesimpulannya adalah harga setiap pcs akan terlihat berbeda berdasarkan pada masing masing
short descripton,sedangkan variasi dari others colors bergantung pada jenis category dan juga sub
descripton dari dataset tersebut.

3. Teknik Analisis untuk dataset IKEA

 Analisis Deskriptive Statistics Variable “Price” terhadap “Category”

Statistics
Variable category CumN StDev Minimum Q1 Median Q3 Maximum
price Bar furniture 47 676,7 80,0 295,0 645,0 1218,0 3145,0
Beds 255 756,7 3,0 100,0 260,0 553,3 3760,0
Bookcases & shelving units 803 1713,1 25,0 395,0 975,0 2395,0 8900,0
Cabinets & cupboards 1095 1673,9 14,4 225,0 720,0 2265,3 9585,0
Café furniture 1121 398,1 195,0 471,3 657,5 1035,3 1680,0
Chairs 1602 1258,8 10,0 175,0 675,0 1495,0 6680,0
Chests of drawers & drawer units 1727 605,7 125,0 340,0 597,0 1160,5 2940,0
Children's furniture 1851 1740 175 745 1295 2168 8395
Nursery furniture 1948 2033 175 475 849 2195 8551
Outdoor furniture 2164 1331,4 19,0 264,5 962,5 1976,0 7765,0
Room dividers 2177 419 75 210 395 738 1400
Sideboards, buffets & console tables 2200 251,8 100,0 175,0 315,0 575,0 995,0
Sofas & armchairs 2628 699,0 3,0 45,0 220,0 795,0 4116,0
Tables & desks 3240 929,8 10,0 195,0 475,0 995,0 7765,0
Trolleys 3268 893 89 295 637 1735 3245
TV & media furniture 3458 1910 25 283 1535 3153 9585
Wardrobes 3694 374,4 5,0 45,0 125,0 260,0 3102,0

Page 15 of
2
 FM-BINUS-AA-FPU-579/R3

Berdasrakan hasil analisa deskrpitive diatas antara variable “price” dengan variable “category”
didapatkan hasil bahwa variable price mempengaruhi dari perbedaan setiap variable category,meskipun di
didalam variable category tersebut masih teradapat rincian lebih detail terkait pengaruh price terhadap setiap
masing-masing sub description,namun disini saya hanya akan membahas cukup di point variable category.

Dari data diatas kita lihat bahwa didalam Bar Furniture memiliki jumlah pemesanan sebanyak
CumN 47,dengan harga minimum sebesar 80,0 dan harga maksimum sebesar 3145,0,St Dev sebesar 676,7 .
Sedangkan unutk beds memiliki CumN sebanyak 255 pcs,dengan minimum price 3,0 dan maximum ada di
3760,0 ,St Deviasi sebesar 756,7. Pada dataset diatas juga kita dapat melihat untuk variable cateogry dengan
price termahal ada pada Cabinets & cupboards dan TV & media furniture dengan harga maksimum 9585,0
terlihat pada gambar Individual Plot.

 Analisis Predictive Statistics Variable “Price” terhadap “Category”

Page 16 of
2