MétaCan
Menu
Retour à la cohorte
Enregistrement W4392373455 · doi:10.18280/jesa.570129

Optimal Routing in Supply Chain Network Design

2024· article· fr· W4392373455 sur OpenAlexvenueno aff
Meri Prasetyawati, Mutmainah Mutmainah, Wiwik Sudarwati, Renty Anugerah Mahaji Puteri, Umi Marfuah, Nelfiyanti, Andreas Tri Panudju

Notice bibliographique

RevueJournal Européen des Systèmes Automatisés · 2024
Typearticle
Languefr
DomaineBusiness, Management and Accounting
ThématiqueCollaboration in agile enterprises
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésComputer scienceSupply chainRouting (electronic design automation)Network planning and designComputer networkBusinessMarketing

Résumé

récupéré en direct d'OpenAlex

This study aims to design a transportation network in a fresh banana supply chain to minimize the distance, route, and vehicles.The design of the network is based on graph theory, which is the Cheapest Insertion Heuristic Algorithm for Traveling Salesman Program, and is expected to guarantee fresh banana products in a supply chain starting from a supplier of seed, compound fertilizer, PTPN VIII, distribution center (ripening stage), retailers, and consumers.Design of the transportation system in the supply chain of fresh bananas.There are two distribution centers and 26 retail locations in the two cities that must guarantee the availability of fresh bananas to meet the demands of the community in West Java Province.The distribution of fresh bananas in a transport system uses the cheapest insertion heuristic algorithm.Optimization of a fresh banana transportation system will streamline supply chain activities in PTPN VIII, thus ensuring the fulfillment of the demand and availability of fresh banana products in West Java Province.This research has implications for the performance of PTPN VIII in improving the optimization of fresh banana supply chain systems.This study will explicitly describe the distance, routes and optimum vehicle types in order to minimize transportation costs, resulting in a transportation cost reduction of 25.24%.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,868
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,003
Études des sciences et des technologies0,0010,000
Communication savante0,0070,004
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,002

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,020
Tête enseignante GPT0,250
Écart entre enseignants0,230 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal Européen des Systèmes AutomatisésMême sujetCollaboration in agile enterprisesTravaux en français237 207