Dynamic Programming Maximasi Income.

Slides:



Advertisements
Presentasi serupa
Manajemen Industri.
Advertisements

Program Dinamis (Dynamic Programming)
Design and Analysis of Algorithm Dynamic Programming
PROGRAM DINAMIK Pertemuan 11.
Multi-Stage (Dynamic) Programming
Pemrograman Linier Semester Ganjil 2012/2013
Pemrograman Dasar For di dalam for.
PERSOALAN TRANSPORTASI TAK SEIMBANG
METODE TRANSPORTASI Konsep Metode Transportasi:
MODEL TRANSPORTASI Metode Stepping Stone Kelompok 10 Friska Nahuway
TEKNIK RISET OPERASI MUH.AFDAN SYARUR CHAPTER.8 1.
TRANSPORTASI.
Berikut Ini Jurusan yang ada di Fakultas Ekonomi.
MODEL TRANSPORTASI.
LINEAR PROGRAMMING METODE GRAFIK
Teori Bahasa Otomata (1) Pengantar Manajemen Sains
Pemrograman Dinamik.
Arta Rusidarma Putra, ST., MM
PEMROGRAMAN DINAMIS Modul 9. PENELITIAN OPERASIONAL Oleh : Eliyani
METODE TRANSPORTASI Tujuan : Mahasiswa diharapkan dapat
Kuliah 11 & 12 : MANAJEMEN TRANSPORTASI & DISTRIBUSI
Gudang ~1~ Modul XIII. Penyelesaian Soal Dengan Software
Design and Analysis Algorithm
Metode Linier Programming
Program Dinamis.
Programa dinamis.
Linier Programming Metode Dua Fasa.
Transportation Model.
Linier Programming (2) Metode Grafik.
MODEL TRANSPORTASI.
Dynamic Programming (2)
MODEL RANTAI MARKOV Pertemuan 11
RISET OPERASIONAL 1 RISET OPERASI
Metode Linier Programming
PEMROGRAMAN DINAMIS Pertemuan 7
Herman R. Suwarman, S.Si, MT
Industrial Engineering
PENYELESAIAN PROLIN DENGAN METODE ALJABAR
Program Dinamis (Dynamic Programming)
Program Dinamis (Dynamic Programming)
PENGUKURAN DESKRIPTIF 1. Ukuran Pemusatan Data /Central Tendency.
Dynamic Programming (3)
TRANSPORTASI Menentukan Solusi Optimum dengan Metode Alokasi MODI
Model LP Dua-Variabel (Contoh)
CONTOH SOAL LAND USE.
MODEL TRANSPORTASI Pertemuan 10
METODE TRANSPORTASI Tujuan : Mahasiswa diharapkan dapat
Analisis Sensitivitas
Jenis data penentuan lokasi pabrik : Data kualitatif, seperti kualitas sarana transportasi, iklim dan kebijakan pemerintah. Data kuantitatif, seperti.
Widita Kurniasari Universitas Trunojoyo
METODE TRANSPORTASI Tujuan : Mahasiswa diharapkan dapat
TEKNIK RISET OPERASI MUH.AFDAN SYARUR CHAPTER.6
PROGRAM DINAMIK Pertemuan 11.
CREATED : YUNITASARI ANNISA
Widita Kurniasari Universitas Trunojoyo
PERENCANAAN LOKASI PABRIK
Widita Kurniasari Universitas Trunojoyo
Widita Kurniasari Universitas Trunojoyo
DISTRIBUSI PROBABILITAS DISKRET
Widita Kurniasari Universitas Trunojoyo
Pemodelan Programasi Linier dan Solusi Manual Model Assignment week 09
BAB I Program Linier Pertemuan 1.
Widita Kurniasari Universitas Trunojoyo
Pengendalian Kualitas
Pengendalian Kualitas
BAB III METODE SIMPLEKS(1).
Operations Research Linear Programming (LP)
Operations Research Linear Programming (LP)
OPERATIONS RESEARCH – I
Tercapainya peningkatan profit Terjadinya efisiensi kerja dan biaya Pengurangan total jarak tempuh transportasi pengiriman produk Memudahkan SDM dalam.
Transcript presentasi:

Dynamic Programming Maximasi Income

Dynamic Programming Bentuk umum persamaan kasus maksimasi income: 𝐹 𝑛 𝑥 = max { 𝑟 𝑛 (𝑥 𝑛 ) + 𝑓 𝑛−1 (𝑥− 𝑥 𝑛 )} Contoh kasus: PT Abadi memiliki kapasitas produksi 700 ton/bulan. Distribusi produk dipilih menggunakan transportasi darat. Pasar tujuan adalah kota A, B dan C

Return dari setiap kota sbb: Produk (setiap 100 ton) Return Kota A (setiap 100.000,-) Return Kota B Return Kota C 1 0,8 0,6 2 1,5 1,2 3 2,3 1,9 4 2,8 5 3,6 6 4,7 7 4,4 4,3 5,4

Definisi Masalah: Tahap  n = pasar yang dituju Status/kondisi tahap n  𝑆 𝑛 = jumlah produksi yang masih tersisa Keputusan tahap n  𝑋 𝑛 = jumlah barang yang didistribusikan Fungsi transisi  𝑆 𝑛−1 = 𝑆 𝑛 - 𝑋 𝑛 Fungsi konstribusi tahap n  𝑔 𝑛 = 𝑟 𝑛 ( 𝑋 𝑛 ); 𝑟 𝑛 =return pada tahap n Hubungan rekursif  𝑓 𝑛 *( 𝑆 𝑛 )=max 𝑓 𝑛 ( 𝑆 𝑛 , 𝑋 𝑛 ) dengan: 𝑓 𝑛 ( 𝑆 𝑛 , 𝑋 𝑛 ) = 𝑟 𝑠 𝑋 𝑛 ;𝑛=1 𝑓 𝑛 ( 𝑆 𝑛 , 𝑋 𝑛 ) = 𝑟 𝑠 𝑋 𝑛 + 𝑓 𝑛−1 ∗( 𝑆 𝑛−1 );𝑛=2,3

Tahap 1 (Kota A) 𝑥 1 S 𝑓 1 (s) = 𝑟 1 (x) 𝑓 1 * 𝑥 1 * Produk (setiap 100 ton) Return Kota A (setiap 100.000,-) 1 0,8 2 1,5 3 2,3 4 5 3,6 6 7 4,4

Tahap 1 (Kota A) 𝑥 1 S 𝑓 1 (s) = 𝑟 1 (x) 𝑓 1 * 𝑥 1 * 1 2 3 4 5 6 7 0,8 1 2 3 4 5 6 7 0,8 1,5 2,3 3,6 4,4 Produk (setiap 100 ton) Return Kota A (setiap 100.000,-) 1 0,8 2 1,5 3 2,3 4 5 3,6 6 7 4,4

Tahap 2 (Kota B) 𝑥 2 S 𝑓 2 (s) = 𝑟 2 (x) + 𝑓 1 *(S - 𝑥 2 ) 𝑓 2 * 𝑥 2 * Produk (setiap 100 ton) Return Kota B (setiap 100.000,-) 1 0,6 2 1,2 3 4 2,8 5 3,6 6 7 4,3

𝑥 2 S 𝑓 2 (s) = 𝑟 2 (x) + 𝑓 1 *(S - 𝑥 2 ) 𝑓 2 * 𝑥 2 * 1 2 3 4 5 6 7 1 2 3 4 5 6 7 0+0,8 0,6+0 0,8 0+1,5 0,6+0,8 1,2+0 1,5 0+2,3 0,6+1,5 1,2+0,8 2+0 2,3 0+3 0,6+2,3 1,2+1,5 2+0,8 2,8+0 0+3,6 0,6+3 1,2+2,3 2+1,5 2,8+0,8 3,6+0 3,6 0;1;4;5 0+4 0,6+3,6 1,2+3 2+2,3 2,8+1,5 3,6+0,8 4+0 4,4 0+4,4 0,6+4 1,2+3,6 2+3 2,8+2,3 3,6+1,5 4+0,8 4,3+0 5,1 4;5

Tahap 3 (Kota C) 𝑥 3 S 𝑓 3 (s) = 𝑟 3 (x) + 𝑓 2 *(S - 𝑥 3 ) 𝑓 3 * 𝑥 3 * Produk (setiap 100 ton) Return Kota C (setiap 100.000,-) 1 0,6 2 1,2 3 1,9 4 2,8 5 3,6 6 4,7 7 5,4

𝑥 3 S 𝑓 3 (s) = 𝑟 3 (x) + 𝑓 2 *(S - 𝑥 3 ) 𝑓 3 * 𝑥 3 * 1 2 3 4 5 6 7

𝑥 3 S 𝑓 3 (s) = 𝑟 3 (x) + 𝑓 2 *(S - 𝑥 3 ) 𝑓 3 * 𝑥 3 * 1 2 3 4 5 6 7 1 2 3 4 5 6 7 0+0,8 0,6+0 0,8 0+1,5 0,6+0,8 1,2+0 1,5 0+2,3 0,6+1,5 1,2+0,8 1,9+0 2,3 0+3 0,6+2,3 1,2+1,5 1,9+0,8 2,8+0 0+3,6 0,6+3 1,2+2,3 1,9+1,5 2,8+0,8 3,6+0 3,6 0;1;4;5 0+4,4 0,6+3,6 1,2+3 1,9+2,3 2,8+1,5 3,6+0,8 4,7+0 4,7 0+5,1 0,6+4,4 1,2+3,6 1,9+3 2,8+2,3 3,6+1,5 4,7+0,8 5,4+0 5,5

Kota A Kota B Kota C Produk (dalam 100 ton) 1 2 3 4 5 6 7 𝑓 1 * 𝑥 1 * 0,8 1 1,5 2 2,3 3 4 3,6 5 6 4,4 7 𝑓 2 * 𝑥 2 * 0,8 1,5 2,3 3 3,6 0;1;4;5 4,4 5 5,1 4;5 𝑓 3 * 𝑥 3 * 0,8 1,5 2,3 3 3,6 0;1;4;5 4,7 6 5,5

Kapasitas produksi perusahaan dimaksimalkan sebanyak 700 ton dan didistribusikan dalam 7 kali pengiriman Distribusi optimum diperoleh jika 6 pengiriman ke kota C dan sisanya ke kota A Hasil optimal diperoleh return 5,5 (4,7 + 0,8) Dari tabel terdapat lebih dari satu f(x) dengan nilai optimal. Seluruh nilai dimasukkan tabel dan dapat dikombinasikan menjadi beberapa alternatif solusi optimal.

Thank You For Your Kind Attention