Analisis Perencanaan Persediaan Suku Cadang dengan Metode ABC dan Metode Min-Max di Bagian Fields Service Engineer PT. Merck Chemicals and Life Science
Bibliographic record
Abstract
Keberhasilan suatu perusahaan dicerminkan oleh kemampuan manajemen untuk memanfaatkan peluang secara optimal sehingga dapat menghasilkan penjualan dan laba sesuai dengan yang diharapkan. PT. Merck Chemicals and Life Science terdiri dari beberapa departemen yang saling terkait dan secara terpadu berusaha mewujudkan tujuan perusahaan. Terutama untuk perbaikan penggantian suku cadang, sangat dibutuhkan perencanaan suku cadang, agar pelanggan tidak harus menunggu dan pekerjaan terhenti karena stok suku cadang habis, dan juga tidak kelebihan stok yang menyebabkan kelebihan dalam pemesanan. Dengan begitu, penelitian ini dilakukan untuk menyelesaikan masalah persediaan suku cadang yang dihadapi PT. MCLS. Pada penelitian ini, pengendalian persediaan suku cadang akan menggunakan metode ABC, yang mana akan membagi suku cadang yang ada kedalam 3 kelompok berdasarkan nilai jual tertinggi diantara suku cadang yang lain dan tingkat kebutuhannya. Hasil dari penelitian ini menunjukan perencanaan persediaan suku cadang di PT. Merck Chemicals and Life Science sangat diperlukan, mengingat belum adanya perencanaan persediaan suku cadang di perusahaan. Dari hasil pengklasifikasian ABC pada hasil penjualan suku cadang, PT. MCLS dapat memprioritaskan untuk memesan suku cadang kelompok A dikarenakan kelompok suku cadang A bernilai 56% dari seluruh penjualan suku cadang dengan menjual 33% dari total permintaan suku cadang yang ada pada periode Juli 2018 hingga Maret 2020.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.021 | 0.009 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".