Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Nama : Iman SetyoajiProgram Studi : Teknik IndustriJudul Tesis : Ukuran Lot Dinamis dengan Ketidakpastian Pengembalian Produk pada Industri Remanufaktur Proses remanufaktur menghadapi ketidakpastian dalam kualitas barang yang dikembalikan oleh pelanggan, keragaman yang signifikan ini mempersulit pengendalian persediaan. Permintaan dapat dipenuhi dengan pengadaan barang baru, tetapi juga oleh barang-barang remanufaktur. Makalah ini mengembangkan model lot dinamis untuk industri remanufaktur dengan ketidakpastian barang yang dikembalikan dan mengusulkan Inferensi Bayesian untuk memperkirakan rasio penggantian barang yang dikembalikan yang mana digunakan untuk menentukan ukuran lot untuk item baru. Tujuan dari makalah ini adalah untuk meminimalkan total biaya yang terdiri dari biaya penyimpanan dan biaya tetap. Contoh numerik disediakan berdasarkan studi kasus. Hasilnya menunjukkan bahwa total biaya berkurang menjadi 45 .Kata Kunci:Remanufaktur, Ukuran Lot Dinamis dan Inferensi Bayesian.

---

ABSTRACT
ABSTRACT Name Iman SetyoajiStudy Program Industrial EngineeringTitle Dynamic Lot Sizing Under Uncertainty of Returned Product in Remanufacturing Industry Remanufacturing processes face uncertainty in the quality of the items being returned by customers, this significant variability complicates the control of inventories. Demands can be satisfied by procured new items, but also by remanufactured returned items. This paper develops dynamic lot sizing model for remanufacturing industry under uncertainty of returned items and proposes Bayesian Inference to estimate the replacement ratio of returned items that used to determine those lot sizes for new items. The objective of this paper is to minimize the total cost composed of holding cost and set ups cost. A numerical example is provided based on case study. The result shows that total cost is reduced to be 45 .Keyword Remanufakturing, Dynamic Lot Sizing and Bayesian Inference

Abstrak :
ABSTRACT
Dalam studi tentang kesehatan, salah satu hal yang cukup menarik untuk diteliti adalah rdquo;time-to-event rdquo;. Time-to-event umum digunakan dalam melakukan analisis survival, seperti analisis terhadap penyakit Parkinson. Penyakit Parkinson merupakan salah satu gangguan yang mempengaruhi penghasil dopamin pada daerah otak yang disebut sebagai substantia nigra. Gejala penyakit Parkinson diukur secara khusus melalui suatu tingkatan yang disebut tingkatan Hoehn dan Yahr. Tingkatan ini didistribusikan pada bilangan bulat antara 0 sampai dengan 5. Tingkat 0 merupakan tingkat yang tidaklah memiliki dampak besar dan tingkat 5 merupakan tingkat paling parah. Dalam penelitian ini, akan dikonstruksikan fungsi survival dari waktu pasien yang memiliki tingkatan Hoehn dan Yahr pada tingkat A hingga meningkat menuju tingkat B dengan A < B. Dengan A = 1, 2 dan B = 3, 4, 5 akan dihasikan enam buah grafik fungsi survival secara keseluruhan. Proses pengkonstruksian fungsi survival menggunakan algoritme Metropolis-Hastings dalam Metode Markov Chain Monte Carlo pada Inferensi Bayesian dan hasilnya dibandingkan dengan pendugaan Kaplan-Meier untuk fungsi survival. Hasil yang didapatkan melalui algoritme ini lebih merepresentasikan fungsi survival yang sebenarnya jika dibandingkan dengan penduga Kaplan-Meier, meskipun terdapat banyak sekali data tersensor dalam kumpulan data.

---

ABSTRACT
In medicine study, one of the thing that is interesting enough to be studied is rdquo time to event. In general, time to event is used in doing survival analysis, such as analysis of Parkinson disease. Parkinson disease is one of disease which affects dopamine producer in brain area that is called by substantia nigra. The symptom of Parkinson disease is measured specifically by stages that are called by Hoehn and Yahr stages. This stages are distributed on integers between 0 to 5. Stage 0 is stage that does not have big impact and stage 5 is the most severe level. In this study, the survival function will be constructed from the time that the patient has the Hoehn and Yahr stages at A until increase to stage B with A B. With A 1, 2 and B 3, 4, 5, overall it will be generated six graphs of survival function. The process of constructing survival function using the Metropolis Hastings algorithm in Markov Chain Monte Carlo Methods on Bayesian Inference, and the results are compared with Kaplan Meier estimator for survival function. The result that is obtained through this algorithm is more represents the actual survival function if it is compared with Kaplan Meier estimator, although there are so many censored data in the dataset.