MétaCan
Menu
Retour à la cohorte
Enregistrement W4406396618 · doi:10.32520/stmsi.v13i6.4635

Management of Inorganic Fertilizer Raw Materials PT Citra Sawit Indah Lestasi using EOQ

2024· article· en· W4406396618 sur OpenAlexaff
Dailami Dasuki Siregar, Ahmad Muhazir

Notice bibliographique

RevueSISTEMASI · 2024
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueManagement and Optimization Techniques
Établissements canadiensRoyal Roads University
Organismes subventionnairesnon disponible
Mots-clésRaw materialEconomic order quantityFertilizerWaste managementBusinessEnvironmental scienceAgricultural scienceChemistryEngineeringMarketing

Résumé

récupéré en direct d'OpenAlex

PT Citra Sawit Indah Lestari is a business operating in the oil palm plantation sector. Based on initial observations, it turns out that the supply of inorganic fertilizer raw materials at PT Citra Sawit Indah Lestari has not been planned properly so that one time the raw materials run out during the production process, it often happens that excess orders for inorganic fertilizer raw materials result in the raw materials not being able to be used. . And the storage warehouse is full, which will disrupt the operations of raw material collection by employees. The aim of this research is to apply Economic Order Quantity (EOQ) in controlling inorganic fertilizer raw materials at PT Citra Sawit Indah Lestari to maintain the stability of oil palm fruit production. The research method used in this research is qualitative research. The results of this research are that the system designed is in accordance with the needs of PT Citra Sawit Indah Lestari and makes work easier in controlling inorganic fertilizer raw materials. The conclusion is that the application of the Economic Order Quantity method in managing the supply of inorganic fertilizer raw materials at the web-based PT Citra Sawit Indah Lestari makes it easier for business owners to manage fertilizer supplies well so that it is easier to order goods in the next period.

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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,819
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

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

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 Opus0,025
Tête enseignante GPT0,250
Écart entre enseignants0,225 · 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; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeThéorique ou conceptuel
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 revueSISTEMASIMême sujetManagement and Optimization TechniquesTravaux en français237 207