Laboratorium Littlefield

Kami memulai analisis kami dengan mencari kemacetan yang ada di sistem saat ini. Mudah diidentifikasi
bahwa ada masalah besar dalam proses pemesanan. Tanpa perhitungan, Anda dapat mengetahui bahwa
titik pemesanan ulang terlalu rendah karena plot historis menunjukkan tingkat inventaris nol selama dua
hari atau lebih sekaligus. Jumlah pekerjaan dalam pesanan pelanggan menunjukkan lonjakan yang
berhubungan pada saat yang sama dengan pemadaman persediaan. Kami meninjau pemanfaatan dan
antrean stasiun lain dalam sistem, tetapi ragu-ragu untuk segera melakukan perubahan karena kami
tidak sepenuhnya yakin akan dampak dari koreksi kebijakan inventaris.

Untuk memperbaiki kebijakan persediaan, kami ingin mencari kuantitas pemesanan yang optimal

berdasarkan perhitungan EOQ=

❑
√2 DS . Permintaan dihitung dengan mengambil jumlah rata-rata
H
pesanan pelanggan per hari selama 50 hari pertama. Kami mendapatkan angka mendekati 12,24
pesanan per hari yang kami kalikan dengan 268 hari untuk keseluruhan simulasi. Biaya penyiapan
disediakan untuk kami sebesar $1.000 per pesanan dan biaya penyimpanan dihasilkan dengan
mengalikan biaya per unit dengan tingkat bunga yang memberi kami hasil sebesar 60. Berdasarkan
informasi tersebut, EOQ adalah 331 unit setelah pembulatan. Dari sejarah, ini adalah perubahan kedua
yang kami lakukan pada kebijakan inventaris, naik dari 299. Ini adalah hasil dari diskusi permintaan, di
mana kami telah menghitung permintaan berdasarkan 218 hari untuk simulasi, bukan 268 hari dari
simulasi yang sebenarnya. Selanjutnya kami ingin memperbaiki titik pemesanan kembali sehingga kami
dapat menghilangkan kekurangan inventaris dan bertekad untuk melakukannya sambil
mempertahankan tingkat layanan 95%. Karena R=rata-rata DDLT+z*std. dev. dari DDLT, kami perlu
menghitung Mean DDLT, z & std. penyimpangan permintaan. Untuk rata-rata DDLT, kami menggunakan
lead time 12,24 * 4 hari yang memberi kami nilai bulat 49. Excel digunakan untuk menghitung z=1,64
untuk service level 95%. Kami menemukan std. dev. dari DDLT dengan mengalikan sq.rt. dari lead time
oleh std. penyimpangan permintaan yang memberi kami angka bulat 61.

Setelah mengatasi masalah dengan kebijakan inventaris, kami memutuskan untuk menunggu untuk
melihat bagaimana efek menghilangkan bottleneck tertentu akan memengaruhi sistem. Data tentang
pemanfaatan dan waktu sampel untuk melewati stasiun sulit karena banyaknya pesanan pelanggan yang
sering dirilis setelah inventaris masuk.

PARAGRAF FRANK

Di stasiun dua, kami memutuskan untuk tidak mengubah kebijakan pemesanan dari FIFO. Menulis
analisis kasus pada pembacaan Asuransi Manzana, kami mengingat perjuangan dan kemacetan yang
signifikan yang disebabkan oleh memprioritaskan satu jenis polis di atas yang lain. Perhatian utama kami
adalah mengurangi waktu keseluruhan sistem dan memprioritaskan dua atau empat stasiun di atas yang
lain akan meningkatkan waktu di stasiun tersebut yang menyebabkan efisiensi lebih rendah. Sementara
pemanfaatan mesin akan tinggi, waktu untuk memproses unit pada akhirnya akan lebih tinggi dan
pengaruhnya akan terlihat pada keseluruhan waktu tunggu.

Mengenai pemilihan kontrak, awalnya kami tetap pada kontrak satu. Waktu tunggu pada saat itu masih
terlalu tinggi untuk beralih ke kontrak lain dan pendapatan kami kemungkinan akan nol karena sistem
saat ini tidak menghasilkan waktu tunggu kurang dari empat hari dan maksimum yang diizinkan pada
kontrak dua adalah tiga hari. . Saat perbaikan dilakukan pada sistem, waktu tunggu turun drastis dalam
waktu yang sangat singkat. Saat kami mendekati waktu tunggu hampir satu hari, kami beralih ke kontrak
dua. Perubahan tidak dilakukan karena kami mendekati waktu tunggu tiga hari karena hukumannya
sangat ekstrem selama rentang waktu satu hingga dua hari, pendapatan kami akan jauh lebih sedikit
daripada kinerja kami berdasarkan kontrak tiga. Logika yang sama ini diterapkan pada transisi dari
kontrak dua ke kontrak tiga yang hanya terjadi tujuh hari terpisah karena perbaikan ekstrim yang
dilakukan perubahan mesin pada sistem.

Karena lab ditutup pada hari ke 268, kami ingin memodifikasi pesanan terakhir kami agar menyisakan
inventaris sesedikit mungkin namun tetap memenuhi permintaan. Kami menghitung ulang tingkat
kedatangan rata-rata selama seluruh simulasi menjadi sekitar 11,8 pesanan per hari, yang kami bulatkan
menjadi 12 untuk buffer kecil. Berdasarkan konsumsi harian ini, kami menemukan hari apa titik
pemesanan ulang berikutnya adalah hari ke 222. Kami ingin mengetahui permintaan untuk 46 hari
terakhir dengan rata-rata 12 pesanan per hari, muncul angka 552 unit yang dibutuhkan untuk
memenuhi permintaan selama 46 hari terakhir. Karena kami sudah memiliki 61 unit pada saat memesan,
kami mengurangkan angka tersebut dari 552 dan menghasilkan nilai pesanan akhir 491. Nilai ini harus
memungkinkan kita untuk memiliki tingkat persediaan yang rendah pada akhir simulasi. Untuk mencapai
ini, kami harus mengubah titik pemesanan ulang menjadi nol. Strategi ini sangat bergantung pada lab
yang tidak ada setelah hari ke 268, jika tidak demikian, kami tidak akan merekomendasikan rencana ini.

Bagaimana cara mencapai keputusan optimal kami dan bagaimana statistik operasi setelah
pengoptimalan?

1
) Perkiraan kasar tingkat servis mesin μ berdasarkan statistik dari 5 hari pertama:
Stasiun 1 2 3
Tingkat Kedatangan = Th = λ (pekerjaan per hari) 12.24 12.24 12.24
Mesin 3 1 1
Pemanfaatan stasiun 90% 94% 70%
Laju servis mesin μ = λ/(m*Utilisasi)
(pekerjaan per hari) 4.533 13.021 17.486

2 Perkiraan peningkatan waktu tunggu dalam rencana yang dioptimalkan (melalui peningkatan M terendah
) untuk peningkatan Lq maks)
Rencana yang
Rencana Asli Dioptimalkan
 Stasiun 1 2 3 1 2 3
Tingkat Kedatangan = Th = λ (pekerjaan per hari) 12.24 12.24 12.24 12.24 12.24 12.24
Tingkat servis mesin μ (pekerjaan per hari), dari
langkah 1 4.533 13.021 17.486 4.533 13.021 17.486
Mesin 3 1 1 5 2 2
Lq (sesuai tabel Cheat-cheat) 7.354 18.050 1.630 0.198 0.277 0.098
λ/μ 2.700 0.940 0.700 2.700 0.940 0.700
Waktu tunggu = Wq = Lq/λ (hari) 0.601 1.475 0.133 0.016 0.023 0.008
Waktu layanan = 1/μ (hari per pekerjaan) 0.221 0.077 0.057 0.221 0.077 0.057
Ws = Wq + 1/μ (hari) 0.821 1.551 0.190 0.237 0.099 0.065
Lead Time = Total Ws = Ws1+2*Ws2+Ws3 (hari) 4.115 0.501

3
) Verifikasi pasca perubahan Lead Time untuk konfigurasi optimal kami untuk memenuhi kontrak 3
Stasiun 1 2 3
Tingkat Kedatangan = Th = λ (pekerjaan per hari) 12.24 12.24 12.24
Mesin 5 2 2
Pemanfaatan stasiun 50% 45% 45%
Laju servis mesin μ = λ/(m*Utilisasi)
(pekerjaan per hari) 4.896 13.600 13.600
λ/μ 2.500 0.900 0.900
Lq (sesuai tabel Cheat-cheat) 0.130 0.229 0.229
Waktu tunggu = Wq = Lq/λ (hari) 0.011 0.019 0.019
Waktu layanan = 1/μ (hari per pekerjaan) 0.204 0.074 0.074
Ws = Wq + 1/μ (hari) 0.215 0.092 0.092
Lead Time = Total Ws = Ws1+2*Ws2+Ws3 (hari) 0.492