Categories
Uncategorized

Simulasi dan optimalisasi biaya operasional

Simulasi dan optimalisasi biaya operasional logistik perusahaan manufaktur dari perspektif jaringan antar-perusahaan dimana dalam suatu Jaringan perusahaan sosial adalah jumlah interaksi dinamis di antara berbagai entitas—baik individu maupun organisasi. Perusahaan berinteraksi untuk mendapatkan keunggulan kompetitif. Jaringan bukanlah kesepakatan satu kali tetapi hubungan yang stabil dan langgeng. Biaya logistik adalah bentuk moneter dari biaya tenaga kerja langsung dan material dalam proses perpindahan spasial produk. Biaya yang terkait dengan kegiatan logistik biasanya terdiri dari komponen berikut: transportasi, pergudangan, pemrosesan pesanan/layanan pelanggan, administrasi, dan penyimpanan persediaan. Seiring dengan perkembangan ekonomi dan teknologi yang cepat, jaringan perusahaan sosial memainkan peran yang lebih penting dalam persaingan perusahaan dan pengendalian biaya. . Sehingga sistem logistik perusahaan manufaktur menjadi lebih rumit. Sebagian besar literatur yang ada mempelajari pengendalian biaya logistik dengan menggunakan model matematika dan model simulasi. Adapun fitur sistem atau hubungan ketergantungan kuantitatif, pemodelan matematika adalah pendekatan yang menggambarkan struktur matematika secara sinoptik atau kira-kira dengan kata-kata matematika. Pemodelan matematika dalam biaya logistik terutama mencakup model linier, model DEA, model pemrograman bilangan bulat campuran nonlinier, keseimbangan Nash dan model stokastik pengoptimalan multi-tujuan untuk pemrograman non-linier. Berdasarkan serangkaian frekuensi pengiriman yang mungkin, Bertazzi, Speranza dan Ukovich (1997) membahas metode kontrol sistematis untuk meminimalkan biaya transportasi dan persediaan. Sheffi, Eskandari dan Kourtsopoulos (1988) membahas pilihan moda transportasi berdasarkan total biaya logistik dan menggunakan model mikrokomputer untuk membandingkan total biaya logistik antara titik asal dan titik tujuan tertentu. Namun model ini hanya mempertimbangkan biaya transportasi dan persediaan. Hu, Shen dan Huang (2002) menyajikan model analitik linier waktu-diskrit dalam sistem logistik balik limbah berbahaya multi-langkah multi-waktu untuk meminimalkan biaya. Huang dan Nie (2003) menetapkan model pengoptimalan multi-tujuan untuk menganalisis biaya sintetik. Menggunakan mode inventaris tradisional, mode inventaris VMI, dan cabang dari mode VMI. Min, Ko dan Ko (2004) mengusulkan model pemrograman integer campuran nonlinier dan algoritma genetika untuk memecahkan masalah logistik terbalik yang melibatkan pengembalian produk, yang mengurangi biaya logistik terbalik. Melalui pemecahan pesanan, Dullaert, Maesb, Vernimmence dan Witlox (2004) mengembangkan algoritma Evolusioner untuk meminimalkan total biaya logistik berdasarkan pada pilihan transportasi yang berbeda. Sun, Peng dan Chen (2006) menerapkan model DEA untuk pengendalian biaya operasional logistik perusahaan, ambil operasi logistik sebagai unit pengambilan keputusan untuk mengevaluasi efisiensi input dan output. Kesimpulan menunjukkan bahwa aktivitas dengan efisiensi rendah dihilangkan atau ditingkatkan dengan tujuan dan metode yang eksplisit. Namun tulisan ini hanya membahas pengendalian biaya secara teoritis tanpa analisis simulasi. Wong, Oudheusden dan Cattrysse (2007) menggunakan model teori permainan untuk menganalisis masalah alokasi biaya dalam konteks penyatuan suku cadang yang dapat diperbaiki. Studi optimalisasi biaya operasional  ini mempertimbangkan dua situasi: kerjasama antara anggota dan persaingan ada. Dan kebijakan alokasi biaya mempengaruhi perusahaan dalam mengambil keputusan persediaannya. Model simulasi adalah suatu pendekatan untuk menganalisis dan mengkuantifikasi masalah penelitian dengan menyusun model matematis atau model sistematis. Sistem biaya logistik perusahaan manufaktur adalah sistem dinamis acara diskrit. Untuk mengatasi masalah pengendalian biaya logistik yang besar, kompleks, dan beragam ini, simulasi adalah alat yang efisien. Mengingat permintaan yang tidak pasti, Schuster (1987) menggunakan simulasi Monte Carlo untuk menganalisis biaya distribusi untuk meningkatkan keuntungan dengan mengendalikan biaya. Mason, Ribera, Farris dan Kirk (2003) mengembangkan model simulasi rahasia berdasarkan rantai pasokan multi-produk, yang mengintegrasikan transportasi dan persediaan untuk mengendalikan biaya. Chai (2006) melakukan penelitian pemodelan dan simulasi biaya 3PL berdasarkan systemdynamics. Kara, Rugrungruang dan Kaebernick (2007) menyajikan model simulasi untuk mempelajari jaringan logistik terbalik untuk mengumpulkan peralatan EOL di Wilayah Metropolitan Sydney. Dan makalah ini juga menghitung biaya pengumpulan. Ada banyak literatur yang mempelajari tentang dinamika sistem. Shi, Peng, Zhang dan Yang (2015) menyiapkan model dinamika sistem dalam rantai pasokan berdasarkan mode hub pasokan cross-docking pihak ketiga. Dengan menggunakan teori permainan evolusioner dan SD, Mu dan Ma (2015) menganalisis faktor-faktor berbagi informasi rantai pasokan makanan. Namun lebih sedikit penelitian yang menerapkan dinamika sistem dalam penelitian biaya. Di Sachan, Sahay dan Sharma (2004), dinamika sistem digunakan untuk memodelkan total biaya rantai pasok (TSCC) dan dia hanya mempertimbangkan jumlah peserta dalam rantai pasok. Dengan membandingkan analisis “mil terukur” dan pemodelan dinamika sistem, Eden, Williams, dan Ackermann (2005) menganalisis pembengkakan biaya proyek. Ning dan Wang (2004) menerapkan system dynamics untuk memperkirakan waktu dan biaya proyek. optimalisasi biaya operasional Hasilnya membantu para manajer untuk menghitung waktu proyek dan biaya. Zhang, Hang dan Chen (2007) menggunakan dinamika sistem untuk mempelajari efek Bullwhip dan hubungan antara biaya sistem dan efek Bullwhip dalam sistem pengisian konsolidasi VMI berbasis waktu. Hasil penelitian menunjukkan bahwa terdapat fungsi cembung kuadrat antara biaya sistem dan efek Bullwhip. Makalah ini membangun model struktur biaya operasional logistik perusahaan manufaktur dari perspektif jaringan perusahaan sosial dan mensimulasikan model berdasarkan dinamika sistem. Sisa makalah ini disusun sebagai berikut: Pertama kami memperkenalkan metode pengendalian biaya logistik dan bidang aplikasi dinamika sistem. Kedua, kami membangun model biaya operasional logistik berdasarkan dinamika sistem dan juga menjelaskan mekanisme terkait. Ketiga, kami membuat penelitian simulasi dan optimasi di perusahaan manufaktur mesin teknik Changsha. Terakhir kami menyimpulkan dan mengemukakan prospek penelitian.

Categories
Uncategorized

Perilaku pasar perusahaan listrik

Keuntungan dan kerugian dari kolusi: Sebuah penelitian empiris tentang perilaku pasar perusahaan listrik sebuah Kolusi sering terjadi di antara perusahaan oligarki. Mereka mencari keuntungan yang lebih tinggi dengan mengadakan kesepakatan dan aliansi dalam harga, produksi, dan penjualan komoditas. Namun perilaku ini akan berdampak buruk bagi pelaku pasar lainnya, bahkan seluruh pasar. Porter (1982) mengajukan konsep kolusi dan mendefinisikan perilaku strategis non-kompetitif sesuai dengan itu. Untuk menunjukkan bagaimana perilaku strategis non-kompetitif membawa manfaat bagi perusahaan dan bagaimana perusahaan menyesuaikan metode manajemen mikro mereka untuk kolusi yang dikombinasikan dengan masalah kolusi antar perusahaan, penelitian ini akan mengambil industri tenaga listrik dan pasar pembangkit listrik sebagai contoh untuk memberikan kesimpulan melalui analisis kuantitatif. Pada tahun 2005 dan 2006, wilayah Timur Laut Cina adalah percontohan pertama yang melakukan penawaran samping pembangkitan di pasar tenaga regional. Pasar harga listrik bilateral telah menjadi percontohan sejak 1 Januari 2005 di wilayah Timur Laut. Sebagai peserta pasar, perusahaan Northeast China Grid mengambil bagian dalam proyek percontohan ini dengan 17 pembangkit listrik yang merupakan perusahaan bawahan dari lima Grup pembangkit listrik. Departemen pengiriman Perusahaan Grid bertugas membuat peraturan operasi pasar, membangun sistem operasi, mengatur transaksi penawaran dan akun penyelesaian. Menurut data feedback dari dispatching center, dalam empat bulan pertama, total kuantitas listrik setelah lelang roda dua adalah 86,278 miliar kilowatt-hour. Sedangkan harga rata-rata adalah 191.029 Yuan RMB per kilowatt-hour, lebih tinggi dari harga standar. Surplus dana perimbangan adalah 118 juta Yuan RMB dan tidak mencapai tujuan 300 juta Yuan RMB yang dibutuhkan oleh proyek. Setelah memperbaiki platform teknologi, 6 pembangkit listrik lainnya, yang semuanya milik China Guodian Corporation, bergabung dengan tujuan menyelesaikan 87,9% yang ditentukan. , tapi gagal. Pada tahun 2006, dengan penerapan kebijakan penawaran harga yang berkelanjutan, 4 pabrik lainnya, yang semuanya milik China Huaneng Group Corporation, bergabung menjadi percontohan. Menurut umpan balik dari pusat pengiriman, harga listrik rata-rata tahunan dari unit penawaran harga ini adalah 246.193 Yuan RMB per seribu kilowatt-jam, yang melampaui 41.47 Yuan RMB dari harga standar 207.723 Yuan RMB. Jumlah listrik tahunan adalah 82.854 juta kilowatt-jam dan defisit dana perimbangan adalah 3.436 juta Yuan RMB. Karena kerugiannya lebih parah daripada tahun 2005, transaksi penawaran pasar listrik Northeastern ditangguhkan. Kegagalan pilot membingungkan departemen terkait. Menurut laporan yang diberikan oleh dispatching center, beberapa alasan diringkas: 1) kenaikan harga listrik menyebabkan kerugian besar; 2) pasar tidak dikelola dengan baik dan kebijakan terkait tidak sehat; 3) ada banyak ruang untuk harga kuotasi pasar, dan prediksi risiko serta manajemen informasi tidak baik. Untuk menggabungkan teori dengan praktik, makalah ini mempelajari pengalaman reformasi yang berhasil dari industri tenaga listrik internasional dan, mengambil proyek penawaran harga dari sisi pembangkitan di Timur Laut pasar tenaga listrik pada tahun 2005 sebagai sampel penelitian, mengeksplorasi akar penyebab kegagalan kebijakan penawaran harga dari pasar tenaga sisi pembangkitan. Berbeda dengan kasus JEC, kelompok pembangkit listrik lebih memilih diam-diam membuat kontrak saat berkolusi. Menurut model hukuman ekuilibrium Nash yang dirancang oleh Porter, penelitian ini menggunakan model deret waktu dalam harga dan output kotor agar sesuai dengan struktur dasar model Porter. Berdasarkan model yang ditetapkan, lima kelompok pembangkit listrik akan dipelajari untuk memeriksa secara mendalam kolusi produsen pembangkit listrik di pasar, dan sumber data yang sesuai juga akan dipilih dari lima kelompok dan afiliasi provinsi yang relevan. Model yang diusulkan oleh Green dan Porter (1984) telah mengamati bahwa perubahan perilaku produsen bersifat dinamis, termasuk persaingan dan kerjasama. Mengikuti metode penelitian Green dan Porter (1984), hipotesis awal dirancang sebagai Selama masa kerja konsumen besar yang membeli pilot listrik secara langsung, permintaan eksternal dan perubahan biaya dapat menyebabkan fluktuasi harga listrik dan output listrik, yang tidak ada hubungannya dengan kolusi antara lima perusahaan pembangkit listrik. Penelitian ini akan menguji hipotesis ini secara empiris dan mengungkap kolusi antar perusahaan di bagian pembangkit listrik, yang terbukti menjadi penghambat utama penerapan kebijakan penawaran harga. Dan akhirnya, kami mengajukan beberapa kesimpulan dan saran untuk membantu membangun lingkungan persaingan yang ramah

Categories
Uncategorized

Evaluasi kolaborasi pelanggan

Identifikasi risiko dan evaluasi kolaborasi pelanggan dalam pengembangan produk pada Kolaborasi pelanggan dalam pengembangan produk merupakan suatu pendekatan, yang dapat membawa banyak keuntungan bagi pengembangan produk (Djelassi & Decoopman, 2013) untuk mengembangkan produk baru (Büyüközkan & Arsenyan, 2012). Namun, itu juga memiliki risiko yang cukup besar (Kausch, 2007). Risiko dalam penelitian ini mengacu pada faktor-faktor yang disebabkan oleh kolaborasi pelanggan yang dapat menyebabkan kegagalan. Saat ini, banyak peneliti mencurahkan upaya mereka untuk mengidentifikasi dan menganalisis faktor risiko CCPD (pengembangan produk kolaboratif pelanggan). Enkel, Kausch dan Gassmann (2005) memberikan deskripsi rinci tentang berbagai risiko dan menawarkan saran tentang cara meminimalkannya. Risiko ini termasuk kehilangan pengetahuan, ketergantungan pada pandangan pelanggan, ketergantungan pada permintaan atau kepribadian pelanggan, dll. Song, Ming dan Xu (2013) membagi risiko kolaborasi pelanggan menjadi risiko organisasi, risiko kapasitas, risiko pengetahuan, dan risiko pasar masing-masing. Selain itu, mereka juga mencantumkan beberapa faktor risiko dalam lima kategori ini. Kleinsmann, Buijs dan Valkenburg (2010) menganggap bahwa integrasi pengetahuan di antara tim kolaboratif sulit dan kompleks, dan itu mempengaruhi keberhasilan pengembangan produk baru yang kolaboratif. Brockhoff (2003) mencatat bahwa pelanggan dan karyawan dapat berjuang untuk sumber daya yang terbatas dan alokasi hak milik di proses pengembangan produk. Selain itu, pelanggan dapat mengabdikan upaya mereka untuk meningkatkan produk yang ada untuk memenuhi kebutuhan dan harapan mereka, bukan untuk mengembangkan produk inovasi radikal (Leonard, 2002). Kausch (2007) menunjukkan kerusakan hubungan antara perusahaan dan pelanggan utama karena produk baru tidak memenuhi kebutuhan pelanggan ini. Namun, CCPD adalah sistem yang terdiri dari beberapa elemen (Yang, Guo, Yin, Wang & Zhang, 2008). Ada banyak faktor risiko dan ketidakpastian yang tertanam dalam berbagai komponen CCPD, yang kemudian dapat menyimpang dari harapan pengembangan produk (Kausch, 2007). Sepengetahuan kami, penelitian yang ada hanya mengusulkan dan membahas bagian dari faktor risiko penting, belum mengidentifikasi risiko faktor secara sistematis dan mengembangkan seperangkat faktor risiko. Selain itu, faktor risiko yang berbeda memiliki kepentingan yang berbeda, perlu bagi perusahaan untuk menilai faktor risiko mana yang kritis dan menarik perhatian substansial.

Categories
Uncategorized

Distribusi dengan penalti balking

Model penjual berita bebas distribusi dengan penalti balking dan hasil acak Sebagai masalah mendasar dalam pengendalian persediaan stokastik, masalah vendor berita telah dipelajari sejak lama dan diterapkan dalam berbagai pengaturan bisnis dengan tujuan memaksimalkan keuntungan yang diharapkan atau meminimalkan biaya yang diharapkan (Wu, Li, Wang & Cheng, 2009). Masalah penjual berita merupakan masalah inventarisasi klasik yang sangat signifikan baik dari segi pertimbangan teoritis maupun praktis. Model mengasumsikan bahwa jika ada persediaan yang tersisa pada akhir periode, diskon atau pelepasan digunakan untuk menjualnya. Jika kuantitas pesanan lebih rendah dari permintaan yang direalisasikan, penjual berita kehilangan sebagian keuntungan (Khouja, 1999). Faktanya, masalah vendor berita telah menjadi landasan bagi banyak model dalam manajemen inventaris, manajemen dan koordinasi rantai pasokan, manajemen hasil, penjadwalan, model penetapan harga opsi, dan banyak area lainnya. Lihat Qin, Wang, Vakharia, Chen dan Seref (2011) untuk survei berbagai model terkait vendor berita dan saran yang berguna untuk penelitian masa depan. Masalah vendor berita tradisional mengasumsikan bahwa permintaan mengikuti distribusi tertentu dengan parameter yang diketahui. Namun, dalam banyak situasi praktis, distribusi permintaan yang sebenarnya mungkin tidak dapat diperkirakan dengan mudah dan akurat. Dalam makalah ini, kami fokus pada situasi di mana fungsi distribusi probabilitas (pdf) F termasuk dalam kelas pdf dengan mean m dan standar deviasi yang diberikan s. Keputusan ukuran pesanan Q hanya berdasarkan informasi distribusi parsial sering disebut sebagai “keputusan bebas distribusi”. Scarf(Scarf, 1958), yang mempelopori pendekatan ini, menerapkannya untuk mengembangkan ekspresi bentuk tertutup untuk kuantitas pesanan yang memaksimalkan keuntungan yang diharapkan. Hasil Scarf dibangkitkan oleh Gallego dan Moon (1993), yang memberikan bukti sederhana dari optimalitas aturan pemesanan Scarf dan memperluas analisis untuk kasus hasil acak, biaya pemesanan tetap, dan beberapa produk terbatas, serta kasus recourse di mana ada kesempatan pemesanan kedua. Vairaktarakis (2000) mengembangkan pendekatan penyesalan minimax untuk masalah vendor berita multi-item bebas distribusi di bawah kendala anggaran dan dua jenis ketidakpastian. Sepanjang rute penelitian serupa, Moon dan Silver (2000) fokus pada skenario bebas distribusi dengan mengembangkan metode heuristik untuk masalah vendor berita multi-item berdasarkan batasan anggaran dan biaya pemesanan tetap. Alfares dan Elmorra (2005) memperluas hasil yang diperoleh Gallego dan Moon dengan memasukkan biaya penalti kekurangan. Yue, Chen dan Wang (2006) mengembangkan pekerjaan sebelumnya tentang masalah penjual berita bebas distribusi. Mereka menghitung nilai maksimum yang diharapkan dari informasi distribusi melalui semua FŦ untuk setiap kuantitas pesanan. Baru-baru ini, Lee dan Hsu (2011) mempelajari pengaruh iklan yang dieksplorasi untuk masalah vendor berita bebas distribusi. Mereka menunjukkan bahwa pengeluaran yang optimal untuk iklan, kuantitas pesanan yang optimal dan batas bawah yang optimal pada peningkatan keuntungan yang diharapkan dengan parameter efek iklan. Güler (2014) menunjukkan bahwa meskipun hasil Lee dan Hsu secara umum, itu membutuhkan asumsi tambahan. Dia memberikan kondisi perlu dan cukup berdasarkan pernyataan Lee dan Hsu (2011). Andersson, Jörnsten,Nonås, Sandal dan Ubøe (2013) fokus pada masalah pendistribusian berita yang bebas distribusi. Dengan membandingkan kinerja pendekatan entropi maksimum dengan penyesalan minimum dan aturan Scarf pada sampel besar dari distribusi permintaan yang ditarik secara acak, mereka menunjukkan bahwa kinerja rata-rata dari pendekatan entropi maksimum jauh lebih baik daripada salah satu alternatif, dan yang lebih mengejutkan, bahwa dalam banyak kasus lindung nilai yang lebih baik terhadap hasil yang buruk. Kamburowski (2014) mengungkapkan bahwa masalah distribusi-bebas penjual berita di bawah skenario permintaan kasus terburuk dan kasus terbaik sebenarnya mereduksi menjadi standar masalah penjual berita dengan distribusi permintaan yang mengikat distribusi yang diijinkan dalam arti meningkatkan pesanan cekung. informasi distribusi yang tidak lengkap dari permintaan, perilaku menolak pelanggan tidak jarang terjadi dalam situasi seperti berikut. Mengingat operasi di pengecer pakaian fashion seperti toko pakaian bekas, adalah fenomena yang realistis bahwa beberapa pakaian dengan kualitas yang sedikit berbeda dijual dengan harga yang sama. Pelanggan mengobrak-abrik tumpukan pakaian bekas untuk sesuatu yang terlihat lebih baru. Dalam hal ini, persediaan yang lebih sedikit berarti pilihan yang lebih sedikit untuk beberapa orang sehingga mereka cenderung menolak. Artinya, ketika pemilihan pakaian yang tersedia jatuh di bawah ambang batas tertentu, keinginan pelanggan akan sebuah kain dapat melewati toko sama sekali dan memilih toko dengan pilihan yang lebih banyak. dalam konteks yang sama, pameran sayuran yang cukup sangat penting untuk menarik konsumen. Karena stok di semua jenis tampilan turun di bawah tingkat tertentu, administrator percaya bahwa pelanggan cenderung menolak pembelian karena persepsi bahwa sayuran tidak lagi segar. Di bawah skenario seperti itu, kemungkinan pelanggan melakukan pembelian produk turun di bawah jika persediaan yang tersedia turun di bawah tingkat ambang batas. Penolakan pelanggan seperti itu sangat umum dalam kasus barang yang mudah rusak seperti susu, buah dan bunga dll, di mana kemungkinan pembelian menurun jika hanya ada satu atau beberapa barang (walaupun bebas dari cacat) tersedia di rak. Model dasar dengan balking pada awalnya dipelajari oleh Pasternack (1990), yang mengasumsikan bahwa distribusi permintaan telah diketahui sepenuhnya. Selanjutnya, model bebas distribusi dengan balking dipelajari oleh Moon dan Choi (1995), Liao, Banerjee dan Yan (2011) dan Pal, Sana dan Chaudhuri (2013), yang mengasumsikan bahwa hanya mean dan varians dari distribusi permintaan yang diketahui. Cheong dan Kwon (2013) mempelajari perluasan model bebas distribusi dengan menolak di bawah batasan tingkat layanan. Lee dan Jung (2014) menyelidiki ukuran kinerja model penjual berita di lingkungan penolakan pelanggan dan mendapatkan ekspresi eksplisit dari beberapa ukuran kinerja dari model penjual berita dengan penolakan pelanggan dan juga menyediakan batas atas atau bawah di bawah keadaan distribusi permintaan terburuk. Literatur yang ada menganggap biaya goodwill dari penjual berita hanya sebagai biaya kekurangan penalti. Namun, penelitian menemukan tidak hanya biaya penalti kehabisan stok untuk biaya goodwill, tetapi juga biaya penalti balking, yang bertanggung jawab atas penalti atas hilangnya penjualan pelanggan selama balking. Perbedaan krusial antara kedua penalti ini mencakup aspek-aspek berikut: pertama, penalti balking terjadi ketika persediaan yang tersedia turun di bawah level ambang (bukan nol), sedangkan penalti kehabisan stok terjadi ketika inventaris turun ke nol. Kedua, karena dampak kehabisan stok pada niat baik bisnis akan lebih buruk daripada dampak penolakan pelanggan dalam praktiknya, penalti unit stockout harus lebih besar daripada penalti balking unit. Jelas bahwa definisi balking penalty memberikan standar tradeoff lain bagi pengambil keputusan untuk membuat keputusan. Meskipun biaya penolakan umumnya tidak mudah untuk ditaksir, itu tetap merupakan biaya nyata yang tidak boleh diabaikan begitu saja. Setiap perkiraan yang masuk akal dan signifikan dari biaya ini meningkatkan akurasi dan profitabilitas model vendor berita. Tujuan dari penelitian ini adalah untuk memperluas formula kuantitas pesanan optimal yang dibuat oleh Liao et al. (2011) untuk kasus di mana hukuman balking digunakan dalam kasus produk tunggal dan kasus hasil acak. Kami juga mempelajari efek dari penalti kekurangan dan penalti balking pada kuantitas pesanan optimal dari vendor berita bebas distribusi, yang telah banyak dilewati dalam model periode tunggal bebas distribusi yang ada dengan balking. Selanjutnya, pertama-tama kami menerapkan hasil acak ke model vendor berita bebas distribusi dengan menolak

Categories
Uncategorized

Hello world!

Welcome to BLOG MAHASISSWA UNIVERSITAS MEDAN AREA. This is your first post. Edit or delete it, then start writing!