PRESENTASI TUGAS AKHIR CI 1483 OPTIMASI WAKTU INVENTORI MULTI ITEM DENGAN STRUKTUR BIAYA CONCAVE

Transkripsi

1 PRESENTASI TUGAS AKHIR CI 1483 OPTIMASI WAKTU INVENTORI MULTI ITEM DENGAN STRUKTUR BIAYA CONCAVE Penyusun Tugas Akhr : Nta Kusumanngtyas (NRP : ) Dosen Pembmbng : Rully Soelaman, S.Kom., M.Kom. xxxxxxxx Tugas Akhr CI1483 1

2 A G E N D A P R E S E N T A S I PENDAHULUAN -Latar Belakang -Tujuan -Permasalahan -Batasan permasalahan KONSEP DASAR -Struktur baya concave dan Jont setup -Asums OPTIMASI GLOBAL - Metode Optmas Global ANALISIS MODEL RANCANGAN ALGORITMA Model analsa mult tem dengan Struktur baya concave dan jont setup Model valdas Model uj solver glbsolve Fungs tujuan Varabel keputusan T optmal untuk tap tem Frekuens pemesanan optmal untuk tap tem UJI COBA Data Masukan Uj coba glbsolve Uj coba mult tem : skenaro 1, skenaro 2, skenaro 3 EVALUASI HASIL AKHIR KESIMPULAN dan SARAN - Uj valdas solver glbsolve - Uj valdas : Skenaro 1, Skenaro 2, Skenaro 3 - Kesmpulan - Saran Tugas Akhr CI1483 2

3 .:LATAR BELAKANG:. Perencanaan sstem nventor untuk model mult-tem merupakan perencanaan yang terjad pada suatu perusahaan. Dharapkan dengan adanya koordnas replenshment pada sstem nventor mult tem dengan struktur baya concave dan jont setup, akan dperoleh frekuens dan waktu yang optmal sehngga akan dperoleh baya rata-rata yang palng mnmum. Proses n menggunakan metode pada jurnal yang dsusun oleh Mattas dan Kenneth (1999) yatu metode optmas global. *agenda Tugas Akhr CI1483

4 .:TUJUAN:. PENDAHULUAN (2) Tujuan pada tugas akhr n adalah : Mengmplementaskan dan melakukan uj kelayakan solus Optmas Global yang dgunakan untuk memnmalkan total baya rata-rata yang dkeluarkan dengan mempredks waktu dan frekuens replenshment yang optmal pada tap tem. *agenda xxxxxxxx Tugas Akhr CI1483 4

5 .:PERMASALAHAN:. PENDAHULUAN (3) Permasalahan pada tugas akhr n adalah : Bagamana mplementas dan uj kelayakan dar metode Optmas Global sebaga solus dar masalah replenshment yang terdapat pada sstem nventor? *agenda xxxxxxxx Tugas Akhr CI1483 5

6 .:BATASAN PERMASALAHAN:. PENDAHULUAN (4) Batasan permasalahan pada tugas akhr n adalah : Permasalahan yang dbahas dalam tugas akhr n mentkberatkan kapan sebaknya perusahaan harus melakukan orderng kepada suppler untuk melakukan replenshment barang pada gudang nventor. Tugas akhr n dkembangkan dengan menggunakan aplkas MATLAB *agenda xxxxxxxx Tugas Akhr CI1483 6

7 .:STRUKTUR BIAYA CONCAVE:. KONSEP DASAR BIAYA *latar belakang KUANTITAS baya concave terhadap kuanttas *agenda xxxxxxxx Tugas Akhr CI1483 7

8 .:JOINT SETUP:. KONSEP DASAR (2) *latar belakang Jont Setup, alah proses setup sejumlah tem pada sstem nventor yang dlakukan secara bersama-sama (jont) sehngga menghadrkan dua buah aya setup, yatu : Baya setup major Baya setup mnor *agenda xxxxxxxx Tugas Akhr CI1483 8

9 .: ASUMSI :. KONSEP DASAR (3) Asums yang dgunakan pada tugas akhr n adalah sebaga berkut : Persedaan bersfat bersfat determnstk. Kapastas persedaan tdak dbatas. Permntaan yang tdak terpenuh dasumskan sebaga backorder Tngkat produks lebh besar dar tngkat permntaan. Pada holdng cost, data yang akan dmasukkan dalam uj coba adalah out-of-pocket holdng cost. 0 lead tme *agenda xxxxxxxx Tugas Akhr CI1483 9

10 .:METODE OPTIMASI GLOBAL:. KONSEP DASAR (4) Optmas global adalah algortma optmas yang menggunakan ukuran atau rentang untuk mencegah tndakan fokus pada satu daerah masalah saja akan tetap lebh menngkatkan kemungknan untuk mencar sebuah global optmum pada daerah yang lebh luas (Wese, Thomas., 2008). Pada tugas akhr n, optmas global dgunakan sebaga solver untuk mencar T (waktu) optmal, frekuens optmal dan total baya rata-rata mnmum pada persedaan mult tem. Algortma untuk solver global optmas n ddapatkan dar jurnal yang berjudul Global optmzaton usng the DIRECT Algorthm n Matlab yang dkembangkan oleh Mattas Bjorkman dan Kenneth Holmstrom pada tahun 1999 dengan nama glbsolve.m. *agenda xxxxxxxx Tugas Akhr CI

11 ANALISA MODEL.: FUNGSI TUJUAN dan VARIABEL KEPUTUSAN :. Fungs tujuan : Memnmumkan total baya rata-rata pada nventor mult tem dengan struktur baya concave dan jont setup. Varabel keputusan : Terdapat 2 buah varabel keputusan yang dcar, yatu : 1. Mencar nla waktu optmal pada tap tem ke-. ( T() ) 2. Mencar nla frekuens pemesanan (k) optmal pada tap tem ke-. mn A n mn Zn T 1 1 j T 0 m H (, k (, T ) T ) xxxxxxxx Tugas Akhr CI

12 .: MENCARI NILAI T() :. ANALISA MODEL (2) Dberkan formulas untuk mencar total baya mnmum pada persedaan sngle tem dengan baya produks cekung, yatu : F, T : mn j jm a j mn T 0 T bt 2 Salah satu optmas pada formulas datas mencar waktu optmal, yatu : 2 2 bt h b r T 2r j j a mn T 0 T j bt bt h b r T 2r j j Dkarenakan pada optmas tersebut batasannya adalah T>0 sehngga dapat dsmpulkan bahwa optmas tersebut menghtung waktu optmal pada tap tem ke-. *Rancangan algortma xxxxxxxx Tugas Akhr CI

13 .: MENCARI NILAI k :. ANALISA MODEL (3) Dberkan formulas menghtung k adalah sebaga berkut : k (, T0 ) argmn H (, k T0 ), H (, k T0 ) Pada formulas datas, terdapat varabel k- dan k+,yang dcar melalu formulas berkut, dan T ( ) T ( ) k k T0 T0 *Rancangan algortma Sedangkan formulas H (, T ) *Rancangan algortma dcar melalu formulas sbb: Z j mn j 1 jm a T j b T 2 2( h b bt r ) T j 2 2r j *Rancangan algortma xxxxxxxx Tugas Akhr CI

14 .: MENCARI FUNGSI TUJUAN :. ANALISA MODEL (4) Fungs tujuan : mn A n mn Zn T 1 1 j T 0 m H (, k (, T ) T ) Perhtungan akan dbag 2 yatu : n 1. Perhtungan mn H (, k, T T ) jm 1 1 H (, k (, T) T) mn H (, kt) k Formulas n merujuk pada persamaan mn H (, kt) Dmana persamaan k telah dcar pada saat mencar nla k optmal. Setelah hasl dar untuk tap tem dketahu, langkah selanjutnya adalah menjumlahkan seluruh nla dar tap tem tersebut. 2. Perhtungan mencar total baya rata-rata mnmum dengan membag A dengan T lalu menjumlahkannya dengan hasl dar perhtungan pertama. *Rancangan algortma *agenda xxxxxxxx Tugas Akhr CI

15 .: MODEL VALIDASI :. ANALISA MODEL (4) Pada lngkungan yang menerapkan fungs baya produks cekung, dberkan formulas untuk menghtung fungs baya produks cekung pada tap tem, yatu : c T : mn j T j 1 (1) j m dberkan juga formulas untuk menghtung baya mnmal pada persedaan sngle tem dengan fungs baya produks cekung yatu : 2 a c ( T) bt ( bt ) mn T 0 T 2 2 ( h b ) T 2rc ( T) (2) xxxxxxxx Tugas Akhr CI

16 .: MODEL VALIDASI :. ANALISA MODEL (5) Uj valdas yang dlakukan adalah Memasukkan nla k yang telah ddapat pada uj coba dan dmasukkan ke dalam formulas (1) dan formulas (2). Dmana nantnya, k akan dkalkan dengan setap T yang ada pada formulas (1) dan formulas (2) Hal n dkarenakan apabla nla k dar perhtungan sebelumnya telah optmal, kemudan dkalkan dengan T pada lngkungan yang menerapkan fungs baya produks cekung, dapat memberkan hasl yang sama dengan hasl pada uj coba, maka dapat dkatakan hasl yang ddapat telah optmal, karena kedua perhtungan sama-sama berada pada lngkungan yang menerapkan fungs baya produks cekung. xxxxxxxx Tugas Akhr - CF

17 Maka formulas untuk fungs baya produks cekung, akan menjad : Dan formulas untuk mencar total baya mnmum pada persedaan sngle tem akan menjad : j j m j T k T c * mn : 1 ) * ( 2 * ) ( 2 ) * ( 2 * * ) * ( mn 2 0 k T rc k T b h k b T k T b k T k T c a T xxxxxxxx Tugas Akhr - CF : MODEL VALIDASI :. ANALISA MODEL (6) valdas

18 .: MODEL UJI glbsolve :. ANALISA MODEL (7) *agenda No Model Optmas Formulas model optmas Hasl Model Sx-Hump Camel (rancangan algortma) dengan batasan 3 x1 3 dan 2 x2 2 Model 2 5x1 5x1 2 1 mn f ( x) ( x2 6) 10(1 )cos( x1 ) 2 Brann RCOS x 4 8 (rancangan algortma) dengan batasan 5 x dan x2 15 Model Goldsten and Prce (rancangan algortma) mn f ( x) (4 2.1x1 x1 ) x1 x1x2 ( 4 4x x 3 x 2 mn f ( x) 1 ( x1 x2 1) (1914x1 3x1 14x2 6x1x2 3x (2x1x2 ) (18 32 x1 12 x1 48 x2 36 x1x2 27 x ) 10 ) x ) f global = f global = f global = 3 dengan batasan 2 2, j 1,2, x j 4. Model Sphere (rancangan algortma) mn x f ( x) 1 dengan batasan n ( x 1) 2 5 x 5, 1,2,..., n f reach = 10-6 xxxxxxxx Tugas Akhr - CF

19 .: MENCARI NILAI T OPTIMAL :. RANCANGAN ALGORITMA Mencar nla START T() 1 n A lmda () myu () m () alpha(j) beta(j) a() h() r f = (a()+beta(j)/t)+((b()*sgma*t)/2) -... (lamda*sgma*(b()*t)^2)/(2*lamda*(h()+b()+r()*alpha(j)*t) +... (2*r()*beta(j)) f = TO <=n FALSE lamda=lmda() mu=myu() TRUE b()=h()+20*r*alpha(,1) sgma = lamda*(1-(lamda/mu)) STOP ++ 1 *Analss Model xxxxxxxx Tugas Akhr - CF

20 .: MENCARI NILAI k- dan k+ :. RANCANGAN ALGORITMA (2) START n A Lmda () myu () m () alpha (j) beta (j) a () h() r TO = 1 <= n true b()=h()+20*r*alpha(,1) false k = zeros (3,4) H = zeros (3,4) = 1 <= n true j = 1 4 true lamda = lmda () mu = myu () j <= m () sgma = lamda*(1-lamda/mu) false 1 j++ t<to false true kmn=floor(to(,j)/t) kplus=cel(to(,j)/t) *Model Analss kmn=1 kplus=1 2 xxxxxxxx Tugas Akhr - CF

21 RANCANGAN ALGORITMA (3).: MENCARI NILAI H (, T ) :. 2 H mn = lamda*alpha(,j)+((a()+beta(,j)) / kmn*t))+((b()*sgma*(kmn*t))/ (lamda*sgma*(b()*(kmn*t))^2) / ((2*lamda*(h()+b()+r*alpha(,j))*(kmn*t)+(2*r*beta(,j))) H plus = lamda*alpha(,j)+((a()+beta(,j)) / kplus*t))+((b()*sgma*(kplus*t))/ (lamda*sgma*(b()*(kplus*t))^2) / ((2*lamda*(h()+b()+r*alpha(,j))*(kplus*t)+(2*r*beta(,j))) 3 Analss Model xxxxxxxx Tugas Akhr - CF

22 RANCANGAN ALGORITMA (4).: MENCARI NILAI k :. 3 Hmn<Hplus k(,j) = kmn H(,j) = Hmn k(,j) = kplus H(,j) = Hplus j++ 4 Analss Model xxxxxxxx Tugas Akhr - CF

23 RANCANGAN ALGORITMA (5).: FUNGSI TUJUAN :. 1 5 k(bers k yang optmal) H(bers H yang mnmum) =1 F = A/t + sum(hmn) >=n true Hmn()=H(,1) 6 j=1 j<=m() Hmn()=H(,j) end 6 5 j++ Model Analss xxxxxxxx Tugas Akhr - CF

24 RANCANGAN ALGORITMA (6).: MODEL VALIDASI :. START n A lmda() myu() m() alpha(j) beta(j) a() h() r() b k() =1 <= n true b()=h()+20*r*alpha(,1) false c = zeros (3,4) = 1 <= n true j = 1 false 1 j <= m () true lamda = lmda () mu = myu () Sgma = lamda*(1-(lamda/mu)) false j++ c(,j)=alpha(,j)*lamda*k()*t+beta(,j) Model Analss xxxxxxxx Tugas Akhr - CF

25 RANCANGAN ALGORITMA (7).: MODEL VALIDASI :. 1 false = 1 <= n = 1 <= n Lamda=lamda() Mu=myu() Sgma=lamda*(1-(lamda/mu)) true cmn=c(,1) j = 1 j <= m () true cmn()=c(,j) false j++ f()=((a() + cmn()))/(k()*t)) + ((b()*sgma*(k()*t))/2) -... (lamda*sgma*(b()*(k()*t))^2)/2((2*lamda*(h()+b()*(k()*t)) + (2*r*cmn()) Z=A/t+sum(f) end Model Analss

26 .: MODEL SIX-HUMP CAMEL:. RANCANGAN ALGORITMA (8) START X1 = -5 s.d 10 X2 = 0 s.d 15 f = (x(2)-5*x(1)^2/(4*p^2)+5*x(1)/p-6)^2+10*(1-1 /... (8*p))*cos(x(1))+10 f = funct1 funct1 = x STOP Analss Model

27 .: MODEL BRANIN RCOS:. RANCANGAN ALGORITMA (9) START X1 = -3 s.d 3 X2 = -2 s.d 2 f = (4-2.1*x(1)^2 + 1/3*x(1)^4)*x(1)^2+x(1)*x(2) +... (-4+4*x(2)^2)*x(2)^2 f = funct2 funct2 = x STOP Analss Model

28 RANCANGAN ALGORITMA (10).: MODEL GOLDSTEIN and PRICE:. START Xj = -2 s.d 2 j = 1,2,... f = (1+((x(1)+x(2)+1)^2)*(19-14*x(1)+((3*x(1))^2) *x(2)+(6*x(1)*x(2))+((3*x(2))^2))*(30+((2*x(1) *x(2))^2)*(18-32*x(1)+((12*x(1))^2)+48*x(2) *x(1)*x(2)+((27*x(2))^2)) x = funct3 funct3 = f STOP Analss Model

29 .: MODEL SPHERE:. RANCANGAN ALGORITMA (11) START n = 2 = 1: n TRUE f = ((x(,1)-1)^2) FALSE x = funct4 funct4 = f STOP Analss Model

30 .: DATA MASUKAN :. UJI COBA *agenda No. Varabel Nama Varabel dengan dengan 5. a dengan 0.1 a 5 6. h 0.1 h 2 dengan 7. m dengan 2 m 5 1 n dengan j 8. j dan 1 j m 1 n 9. n n3,4,5 A A5,8,12 j dan j 10 1 n dan dengan 2 m 5 1 n 1 n 1 n 1 n b b h 20r dengan 1 n

31 .:Uj kebenaran solver glbsolve:. UJI COBA No Model Permasalahan Hasl mplementas program 1. Sx-Hump Camel Brans RCOS Goldsten and Prce Sphere valdas xxxxxxxx Tugas Akhr - CF

32 .: UJI COBA SKENARIO 1 :. UJI COBA *agenda Rancangan skenaro uj coba model persedaan mult tem : Tngkat produks nlanya lebh besar dar tngkat permntaan. Pada pengujan persedaan mult tem n, jumlah tem yang akan dujkan alah tem sebanyak 3 tem, 4 tem dan 5 tem. SKENARIO 1 merupakan skenaro untuk tem yang berjumlah 3 dengan rncan sebaga berkut : 1. Item 1 mempunya 2 segmen 2. Item 2 mempunya 3 segmen 3. Item 3 mempunya 4 segmen xxxxxxxx Tugas Akhr - CF

33 .: MODEL UJI COBA SKENARIO 1 :. UJI COBA Sehngga, nantnya akan dbuat model sebanyak 9 buah. Rncan dar 9 buah model yang akan dbuat adalah sebaga berkut : 1. Model 311, alah model 3 tem untuk tem ke-1 dengan segmen baya ke Model 312, alah model 3 tem untuk tem ke-1 dengan segmen baya ke Model 321, alah model 3 tem untuk tem ke-2 dengan segmen baya ke Model 322, alah model 3 tem untuk tem ke-2 dengan segmen baya ke Model 323, alah model 3 tem untuk tem ke-2 dengan segmen baya ke Model 331, alah model 3 tem untuk tem ke-3dengan segmen baya ke Model 332, alah model 3 tem untuk tem ke-3dengan segmen baya ke Model 333, alah model 3 tem untuk tem ke-3 dengan segmen baya ke Model 334, alah model 3 tem untuk tem ke-3 dengan segmen baya ke-4. xxxxxxxx Tugas Akhr - CF

34 .: HASIL UJI COBA SKENARIO 1 :. UJI COBA Hasl T optmal TO = Hasl k optmal k = Hasl H optmal H = f_opt = Topt = *valdas xxxxxxxx Tugas Akhr - CF

35 .: PLOT UJI COBA SKENARIO 1 :. UJI COBA Plot gambar menunjukkan t_opt atau daerah ttk-ttk optmal yang terletak pada daerah d sektar 3 hngga 5, hal n sesua dengan hasl dar t_opt yatu *valdas xxxxxxxx Tugas Akhr - CF

36 .: UJI COBA SKENARIO 2 :. UJI COBA *agenda SKENARIO 2 : Merupakan skenaro untuk tem yang berjumlah 4 dengan rncan sebaga berkut : 1. Item 1 mempunya 3 segmen 2. Item 2 mempunya 2 segmen 3. Item 3 mempunya 4 segmen 4. Item 4 mempunya 3 segmen xxxxxxxx Tugas Akhr - CF

37 .: MODEL UJI COBA SKENARIO 2 :. UJI COBA Sehngga, nantnya akan dbuat model sebanyak 12 buah. Rncan dar 12 buah model yang akan dbuat adalah sebaga berkut : 1. Model 411, alah model 4 tem untuk tem ke-1 dengan segmen baya ke Model 412, alah model 4 tem untuk tem ke-1 dengan segmen baya ke Model 413, alah model 4 tem untuk tem ke-1 dengan segmen baya ke Model 421, alah model 4 tem untuk tem ke-2 dengan segmen baya ke-1 5. Model 422, alah model 4 tem untuk tem ke-2 dengan segmen baya ke-2 6. Model 431, alah model 4 tem untuk tem ke-3 dengan segmen baya ke-1 7. Model 432, alah model 4 tem untuk tem ke-3 dengan segmen baya ke-2 8. Model 433, alah model 4 tem untuk tem ke-3 dengan segmen baya ke-3 9. Model 434, alah model 4 tem untuk tem ke-3 dengan segmen baya ke Model 441, alah model 4 tem untuk tem ke-4 dengan segmen baya ke Model 442, alah model 4 tem untuk tem ke-4 dengan segmen baya ke Model 443, alah model 4 tem untuk tem ke-4 dengan segmen baya ke-3 xxxxxxxx Tugas Akhr - CF

38 .: HASILUJI COBA SKENARIO 2 :. UJI COBA Hasl T optmal TO = Hasl k optmal k = Hasl H optmal H = f_opt = Topt = *valdas xxxxxxxx Tugas Akhr - CF

39 UJI COBA.: PLOT UJI COBA SKENARIO 2 :. Plot gambar menunjukkan daerah t_opt atau daerah ttk-ttk optmal yang terletak pada daerah d sektar 3 hngga 4, hal n sesua dengan hasl dar t_opt yatu *valdas xxxxxxxx Tugas Akhr - CF

40 UJI COBA.: UJI COBA SKENARIO 3 :. SKENARIO 3 : Merupakan skenaro untuk tem yang berjumlah 5 dengan rncan sebaga berkut : 1. Item 1 mempunya 2 segmen 2. Item 2 mempunya 2 segmen 3. Item 3 mempunya 3 segmen 4. Item 4 mempunya 3 segmen 5. Item 5 mempunya 4 segmen xxxxxxxx Tugas Akhr - CF

41 UJI COBA.: MODEL UJI COBA SKENARIO 3 :. Sehngga, nantnya akan dbuat model sebanyak 14 buah. Rncan dar 14 buah model yang akan dbuat adalah sebaga berkut : 1. Model 511, alah model 5 tem untuk tem ke-1 dengan segmen baya ke-1 2. Model 512, alah model 5 tem untuk tem ke-1 dengan segmen baya ke-2 3. Model 521, alah model 5 tem untuk tem ke-2 dengan segmen baya ke-1 4. Model 522, alah model 5 tem untuk tem ke-2 dengan segmen baya ke-2 5. Model 531, alah model 5 tem untuk tem ke-3 dengan segmen baya ke-1 6. Model 532, alah model 5 tem untuk tem ke-3 dengan segmen baya ke-2 7. Model 533, alah model 5 tem untuk tem ke-3 dengan segmen baya ke-3 8. Model 541, alah model 5 tem untuk tem ke-4 dengan segmen baya ke-1 9. Model 542, alah model 5 tem untuk tem ke-4 dengan segmen baya ke Model 543, alah model 5 tem untuk tem ke-4 dengan segmen baya ke Model 551, alah model 5 tem untuk tem ke-5 dengan segmen baya ke Model 552, alah model 5 tem untuk tem ke-5 dengan segmen baya ke Model 553, alah model 5 tem untuk tem ke-5 dengan segmen baya ke Model 554, alah model 5 tem untuk tem ke-5 dengan segmen baya ke-4 xxxxxxxx Tugas Akhr - CF

42 .: HASIL UJI COBA SKENARIO 3 :. UJI COBA Hasl T optmal TO = Hasl k optmal k = Hasl H optmal H = xxxxxxxx Tugas Akhr - CF

43 .: HASIL UJI COBA SKENARIO 3 :. UJI COBA f_opt = Topt = *valdas xxxxxxxx Tugas Akhr - CF

44 UJI COBA.: PLOT UJI COBA SKENARIO 3 :. *agenda Plot gambar menunjukkan daerah t_opt atau daerah ttk-ttk optmal yang terletak pada daerah yang d sektar 5 hngga 7, hal n sesua dengan hasl dar t_opt yatu *valdas xxxxxxxx Tugas Akhr - CF

45 UJI VALIDASI.:VALIDASI glbsolve :. *analsa model No. Model Permasalahan Hasl mplementas program Hasl pada jurnal Mattas dan Kenneth Keterangan 1. Sx-Hump Camel vald 2. Brans RCOS vald 3. Goldsten and Prce vald 4. Sphere vald xxxxxxxx Tugas Akhr - CF

46 .: HASIL VALIDASI SKENARIO 1 :. UJI VALIDASI Hasl T optmal TO = Hasl k optmal k = Hasl H optmal H = Nla k optmal untuk tap tem pada skenaro 1 adalah : Untuk tem ke-1 adalah 1 Untuk tem ke-2 adalah 3 Unutk tem ke-3 adalah 1 xxxxxxxx Tugas Akhr - CF

47 .: HASIL VALIDASI SKENARIO 1 :. UJI VALIDASI Dengan batas atas (t_u) yatu 4.5 dan (t_l) batas bawah yatu 3.5. Penentuan batas atas dan batas bawah n melhat pada hasl t optmal pada uj coba. Hasl uj coba skenaro 1 Hasl program valdas f_opt t_opt f_opt t_opt Terlhat bahwa kedua program mempunya hasl yang sama. Sehngga nla k pada skenaro 1 n telah vald xxxxxxxx Tugas Akhr - CF

48 UJI VALIDASI.: PLOT VALIDASI SKENARIO 1 :. *agenda Plot program valdas skenaro 1 menunjukkan daerah t_opt atau daerah ttkttk optmal yang terletak pada daerah yang sama yatu berada d sektar 3 hngga 5, hal n sesua dengan hasl dar t_opt yatu dan sesua dengan plot model uj coba skenaro 1 xxxxxxxx Tugas Akhr - CF

49 .: HASIL VALIDASI SKENARIO 2 :. UJI VALIDASI Hasl T optmal TO = Hasl k optmal k = Hasl H optmal H = xxxxxxxx Tugas Akhr - CF

50 .: HASIL VALIDASI SKENARIO 2 :. UJI VALIDASI Nla k optmal untuk tap tem pada skenaro 2 adalah : Untuk tem ke-1 adalah 1 Untuk tem ke-2 adalah 1 Untuk tem ke-3 adalah 1 Untuk tem ke-4 adalah 1 xxxxxxxx Tugas Akhr - CF

51 .: HASIL VALIDASI SKENARIO 2 :. UJI VALIDASI Dengan batas atas (t_u) yatu 3.5 dan (t_l) batas bawah yatu 3 Hasl program mult tem Hasl program valdas f_opt t_opt f_opt t_opt Terlhat bahwa kedua program mempunya hasl yang sama. Sehngga nla k pada skenaro 2 n telah vald. xxxxxxxx Tugas Akhr - CF

52 UJI VALIDASI.: PLOT VALIDASI SKENARIO 2 :. *agenda Plot program menunjukkan daerah x_opt atau daerah ttk-ttk optmal yang terletak pada daerah yang sama d sektar 3 hngga 4 hal n juga sesua dengan hasl dar x_opt yatu dan sesua dengan plot model uj coba skenaro 2. xxxxxxxx Tugas Akhr - CF

53 KESIMPULAN dan SARAN.: SIMPULAN :. 1. Solver Optmas global (glbsolve.m) terbukt layak dgunakan untuk memnmumkan total baya rata-rata pada permasalahan sstem nventor mult tem dengan struktur baya concave. 2. Melalu hasl dar pencaran waktu optmal (t_opt) dapat membantu dalam memutuskan dan mempersempt daerah pencaran. 3. Frekuens pemesanan dan waktu yang optmal adalah faktor yang krusal dalam memnmalkan total baya rata-rata pada sstem nventor mult tem dengan struktur baya concave. *AGENDA xxxxxxxx Tugas Akhr - CF

54 .: SARAN :. KESIMPULAN dan SARAN Saran untuk pengembangan tugas akhr n adalah : 1. Menngkatkan jumlah percobaan dalam modfkas pada nla varabel data agar mendapatkan nla yang lebh optmal. 2. Menggunakan lebh banyak skenaro dalam uj coba dengan penambahan jumlah tem dan modfkas segmentas pada fungs baya produks pada tap temnya. 3. Memperluas analss perhtungan dengan menerapkan asums tdak ada shortages pada tugas akhr n. *AGENDA xxxxxxxx Tugas Akhr - CF