Project of Prescriptive Analytics

Pengertian Prescriptive Analytics

Prescriptive Analytics adalah jenis analisis data yang bertujuan untuk memberikan rekomendasi tindakan berdasarkan prediksi dan simulasi. Analisis ini tidak hanya memprediksi apa yang mungkin terjadi di masa depan, tetapi juga menyarankan langkah-langkah optimal yang harus diambil untuk mencapai tujuan tertentu. Prescriptive Analytics sering digunakan dalam optimasi, seperti optimasi rantai pasok, manajemen inventaris, atau alokasi sumber daya.

Langkah-Langkah dalam Proyek Prescriptive Analytics

a. Mengumpulkan Data

Kumpulkan data historis dan data terkait masalah yang ingin dioptimasi.
Pastikan data mencakup variabel yang memengaruhi keputusan.

b. Membangun Model Prediktif

Gunakan Predictive Analytics untuk memprediksi hasil dari berbagai skenario.

c. Membuat Model Optimasi

Gunakan teknik optimasi seperti linear programming, integer programming, atau algoritma heuristik.
Tentukan tujuan (misalnya meminimalkan biaya atau memaksimalkan keuntungan) dan batasan yang ada.

d. Memberikan Rekomendasi

Hasilkan rekomendasi tindakan berdasarkan hasil optimasi.

Contoh Proyek Prescriptive Analytics

Studi Kasus: Optimasi Produksi

Kita akan membuat model untuk mengoptimalkan produksi suatu perusahaan yang memproduksi dua jenis produk (Produk A dan Produk B) dengan tujuan memaksimalkan keuntungan. Terdapat batasan pada bahan baku dan jam kerja.

Implementasi dengan Python

a. Mengimpor Library yang Dibutuhkan

from scipy.optimize import minimize
import numpy as np

b. Menentukan Variabel dan Batasan

Variabel Keputusan: Jumlah Produk A (x1) dan Produk B (x2) yang akan diproduksi.
Fungsi Tujuan: Memaksimalkan keuntungan.
Batasan:
- Bahan baku: 2×1 + 4×2 ≤ 100
- Jam kerja: 3×1 + 2×2 ≤ 90
- Produk A minimal 10 unit, Produk B minimal 5 unit.

# Fungsi tujuan (negatif karena kita ingin memaksimalkan)
def fungsi_tujuan(x):
    return -(40 * x[0] + 30 * x[1])  # Keuntungan: 40 per Produk A, 30 per Produk B

# Batasan
batasan = [
    {'type': 'ineq', 'fun': lambda x: 100 - (2 * x[0] + 4 * x[1])},  # Bahan baku
    {'type': 'ineq', 'fun': lambda x: 90 - (3 * x[0] + 2 * x[1])},   # Jam kerja
    {'type': 'ineq', 'fun': lambda x: x[0] - 10},                   # Produk A minimal 10
    {'type': 'ineq', 'fun': lambda x: x[1] - 5}                     # Produk B minimal 5
]

# Nilai awal (tebakan awal)
x0 = [20, 20]

c. Menyelesaikan Masalah Optimasi

# Menyelesaikan masalah optimasi
solusi = minimize(fungsi_tujuan, x0, method='SLSQP', constraints=batasan)

# Menampilkan hasil
print("Jumlah Produk A yang Diproduksi:", solusi.x[0])
print("Jumlah Produk B yang Diproduksi:", solusi.x[1])
print("Keuntungan Maksimal:", -solusi.fun)

Output:

Jumlah Produk A yang Diproduksi: 20.0
Jumlah Produk B yang Diproduksi: 15.0
Keuntungan Maksimal: 1250.0

d. Interpretasi Hasil

Berdasarkan hasil optimasi:

Perusahaan harus memproduksi 20 unit Produk A dan 15 unit Produk B.
Keuntungan maksimal yang dapat dicapai adalah 1.250 juta.

Latihan

Cari masalah optimasi sederhana (misalnya alokasi anggaran, penjadwalan, atau distribusi sumber daya).
Tentukan variabel keputusan, fungsi tujuan, dan batasan.
Gunakan library seperti scipy.optimize untuk menyelesaikan masalah optimasi.
Berikan rekomendasi berdasarkan hasil optimasi.

Kesimpulan

Prescriptive Analytics membantu kita membuat keputusan yang optimal dengan mempertimbangkan berbagai batasan dan tujuan. Dalam proyek ini, kita menggunakan Python untuk mengoptimalkan produksi suatu perusahaan. Dengan teknik ini, kita dapat memberikan rekomendasi yang berdampak positif pada kinerja bisnis.

Contoh Lain: Optimasi Rute Pengiriman

Berikut adalah contoh lain menggunakan Prescriptive Analytics untuk mengoptimalkan rute pengiriman:

a. Masalah

Sebuah perusahaan logistik ingin mengoptimalkan rute pengiriman untuk meminimalkan jarak tempuh.
Terdapat 4 lokasi yang harus dikunjungi (termasuk gudang).

b. Implementasi

from itertools import permutations

# Jarak antar lokasi (dalam km)
jarak = {
    ('Gudang', 'Lokasi A'): 10,
    ('Gudang', 'Lokasi B'): 15,
    ('Gudang', 'Lokasi C'): 20,
    ('Lokasi A', 'Lokasi B'): 5,
    ('Lokasi A', 'Lokasi C'): 12,
    ('Lokasi B', 'Lokasi C'): 8
}

# Fungsi untuk menghitung total jarak rute
def hitung_jarak(rute):
    total = 0
    for i in range(len(rute) - 1):
        total += jarak.get((rute[i], rute[i+1]), jarak.get((rute[i+1], rute[i])))
    return total

# Daftar semua rute yang mungkin
lokasi = ['Gudang', 'Lokasi A', 'Lokasi B', 'Lokasi C']
semua_rute = permutations(lokasi[1:])

# Mencari rute terpendek
rute_terpendek = None
jarak_terpendek = float('inf')

for rute in semua_rute:
    rute_lengkap = ('Gudang',) + rute + ('Gudang',)
    jarak_rute = hitung_jarak(rute_lengkap)
    if jarak_rute < jarak_terpendek:
        jarak_terpendek = jarak_rute
        rute_terpendek = rute_lengkap

print("Rute Terpendek:", rute_terpendek)
print("Jarak Tempuh:", jarak_terpendek, "km")