Upload
dinhthuy
View
213
Download
0
Embed Size (px)
Citation preview
Pembimbing:
Prof. Ir. Budi Santosa, M.S. Ph.D
Disusun Oleh:
Risal Arsyad Muhaddad
2510100127
PENGEMBANGAN ALGORITMA SIMULATED ANNEALING
UNTUK PENYELESAIAN MASALAH ALOKASI
PADA CLOSED LOOP SUPPLY CHAIN (CLSP)
Jurusan Teknik Industri
Institut Teknologi Sepuluh Nopember
Closed Loop Supply Chain
Perkembangan Supply Chain
Reverse Logistics
Re-use
LATAR BELAKANG
Kebutuhan Supply Chain Perusahaan
Forward Logistics
Re-cycle
Re-manufacture
NP-Hard Problem
Semakin
Kompleks
Perhitungan Eksak
LATAR BELAKANG
Closed Loop Supply Chain
Metode Metaheuristik
PerhitunganLama
Simulated Annealing
Tidak mudah terjebak
pada lokal optimum
Tabu
Search
Adanya strukur memori fleksibel
Mengembangkan model Closed Loop
Supply Chain
Mengembangkan algoritma dan
menghasilkan kode program untuk Simulated
Annealing dalam menyelesaikan Closed
Loop Supply Chain
TUJUAN PENELITIAN
1
2
MANFAAT PENELITIAN
kontribusi dalam bidang
keilmuan optimasi
penyelesaian permasalahan
Closed Loop Supply Chain dengan menggunakan
algoritma Simulated Annealing
1. Jarak asimetris
2. Back-order tidak diperhitungkan
RUANG LINGKUP PENELITIAN
ASUMSI BATASAN
1. Menggunakan multi eselon yang terdiri dari manufacturing plants, warehouse, dan distributor
2. Data yang digunakan adalah data artificial
CLOSED LOOP SUPPLY CHAIN
INDEKS
k = manufacturer (k=1, 2,...,K)
j = distributor (j=1, 2,...,J)
i = wholesaler (i=1, 2,...,I)
w = retailer (w=1, 2,...,W)
m = produk (m=1, 2,...,M)
z = periode (z=1, 2,...,Z)
c = collection center (c=1, 2,...,C)
.
A Technical Note on ‘Analysis of Closed Loop Supply Chain Using Genetic Algorithm And Particle Swarm Optimization oleh P. Subramanian, N. Ramkumar, T.T. Narendran, dan K. Ganesh adalah sebagai berikut:
BIAYA DARI FUNGSI TUJUAN
TPUC = total biaya pembelian (hanya biaya transportasi)
TPC = total biaya proses
TCCPTC = total biaya transportasi dari collecting center ke manufacturer
TPDTC = total biaya transportasi dari manufacturer ke distributors
TDWTC = total biaya transportasi dari distributors ke wholesalers
TWRTC = total biaya transportasi dari wholesalers ke retailers
TCCIC = biaya penyimpanan di collection center
TWIC = biaya penyimpanan di wholesaler
TDIC = biaya penyimpanan di distributor
TRIC = biaya penyimpanan di retailer
INPUT PARAMETER
DEMwmz = demand dari produk m di retailer w pada periode z
DSj = kapasitas gudang distributor j
ICCCcm = biaya penyimpanan per waktu per produk m di collecting centre c
ICDjm = biaya penyimpanan per waktu per produk m di distributor j
ICRwm = biaya penyimpanan per waktu per produk m di retailer w
ICWim = biaya penyimpanan per waktu per produk m di wholesaler i
PCkm = biaya produksi produk m di manufacturer k
Pk = jumlah waktu proses tersedia pada manufacturer k
PSk = kapasitas gudang manufacturer k
PTkm = waktu proses untuk produk m di manufacturer k
RETcmz = jumlah kembali produk m di collection centre c pada periode z
RSw = kapasitas gudang retailer w
TCk = biaya transportasi dari supplier terbaik ke manufacturer k
TCCCPck = biaya transportasi dari collection centre c ke manufacturer k
TCDWji = biaya transportasi dari distributor j ke warehouse i
TCPDkj = biaya transportasi dari manufacturer k ke distributor j
TCWRiw = biaya transportasi dari warehouse i ke retailer w
WSi = kapasitas gudang di wholesaler i
Minimasi Z = TPUC + TPC + TCCPTC + TPDTC + TDWTC + TWRTC +
TCCIC + TWIC + TDIC + TRIC,
TPUC =
TPC =
TCCPTC =
TPDTC =
TDWTC =
TWRTC =
TCCIC =
TWIC =
TDIC =
TRIC =
KONSTRAIN
Manufacturer
Konstrain waktu proses
Konstrain kapasitas gudang
Kebutuhan bahan baku
Konstrain aliran untuk manufacturer
Distributor
Konstrain kapasitas gudang
Konstrain aliran untuk distributor
Wholesaler
Konstrain kapasitas gudang
Konstrain aliran untuk wholesaler
Retailer
Konstrain kapasitas gudang
Konstrain aliran demand
Collection Center
Kuantitas aliran kembali
kkm
m
kmz PPTQP ).( ., zk
k
m c
ckmz
m
kmz PSQTCCPQRP
0 kmzkmz QRPQP
0 j
kjmz
c
ckmzkmz QTPDQTCCPQP
., zk
mzk ,,
mzk ,,
,)1( j
k m
kjmz
m
zjm DSQTPDINVD ., zj
,0)1(
i
jimzjmz
m k
kjmzzjm QTDWINVDQTPDINVD .,, zjm
,)1( i
j m
jimz
m
zim WSQTDWINVW ., zi
,0)1(
i
iwmzimzjimzzim QTWRINVWQTDWINVW .,, zim
w
i m
iwmz
m
zwm RSQTWRINVR )1(., zm
,)1( wmzwmziwmzzwm DEMINVRQTWRINVR .,, zwm
,0)1(
cmzckmzcmzzcm INVCQTCCPRETINVC .,, zcm
PERBANDINGAN PENELITIAN
Teknik Solusi : Genetic Algorithm
Menggunakan node yang terdiri dari supplier, manufacturing plants, distributors, wholeselers, retailers, initial collection points, disposal sites, recycling plants.
Mempertimbangkan biaya dan waktu processing
Mempertimbangkan adanya disposal
Subramanian P., Ramkumar N., Narendran T.T., & Ganesh K., (2012)
PENELITIAN INI Kannan, G., Sasikumar, P., & Devita, K., (2009)
Teknik Solusi : Genetic Algorithm dan Particel Swarm Optimization
Menggunakan node yang terdiri dari manufacturer, distributor, wholesaler, retailer, collection centre.
Mempertimbangkan biaya dan waktu processing
Tidak mempertimbangkan adanya disposal
Teknik Solusi : Simulated Annealing dan Tabu Search
Menggunakan node yang terdiri dari manufacturing plants, warehouse, distributor
Tidak mempertimbangkan biaya dan waktu processing
Mempertimbangkan adanya disposal dan barang tidak kembali
TAHAPAN METODOLOGI PENELITIAN
Pengumpulan
dan Generate
Data
Pengembangan
Model
Pengembangan
Algoritma
Analisis dan
Kesimpulan
PENGUMPULAN DAN GENERATE
DATA
Data jaringan distribusi, jarak distribusi
Data kapasitas produksi pabrik, kapasitas warehouse, demand
disetiap distributor
Data inventory cost pada setiap warehouse
Data penggunaan barang re-use
PENGEMBANGAN
MODEL CLSC
M W D
INDEKS m = manufacturer (m=1, 2,...,M)
w = warehouse (w=1, 2,...,W)
d = distributor (d=1, 2,...,D)
p = produk (p=1, 2,...,P)
t = periode (t=1, 2,...,T)
.
BIAYA DARI FUNGSI TUJUAN
TCMW = total biaya transportasi dari manufactur ke warehouse
TCWD = total biaya transportasi dari warehouse ke distributor
TCDW = total biaya transportasi dari distributor ke warehouse
TCWM = total biaya transportasi dari warehouse ke manufactur
TCIW = biaya penyimpanan di warehouse
INPUT PARAMETER
DEMdpt = demand dari produk p di distributor d pada periode t
CPm = kapasitas produksi manufacturer m
CW = kapasitas gudang warehouse w
ICMpm = biaya penyimpanan per waktu per produk p di manufacturer m
ICWpm = biaya penyimpanan per waktu per produk p di warehose w
REWpwt = jumlah kembali produk p di warehose w pada periode t
REMpwt = jumlah kembali produk p di manufacture m pada periode t
CMWmw = biaya transportasi dari manufacturer m ke warehouse w
CWDwd = biaya transportasi dari warehouse w ke distributor d
CDWdw = biaya transportasi dari distributor d ke warehouse w
CWMwm = biaya transportasi dari warehouse w ke manufacturer m
Minimasi Z = TCMW + TCWD + TCDW + TCWM + TCIM + TCIW
TCMW =
TCWD =
TCDW =
TCWM =
TCIM =
TCIW =
mw
m w p t
mwpt CMWQMW .
wd
w d p t
wdpt CWDQWD .
dw
d w p t
dwpt CDWQDW .
wm
w m p t
wmpt CWMQWM .
mp
m p t
mpt ICMINVM .
wp
w p t
wpt ICWINVW .
m
w
mwpt CPQMW .,, tpm
Manufacturer
Konstrain kapasitas produksi
Jumlah produk yang keluar dari manufaktur ke warehouse harus kurang dari atau sama dengan kapasitas produksi
,)1( w
p d
dwpt
p m
mwpt
p
twp CWREWQMWINVW ., tw
,0)1( wpt
m
mwptwpt
d
dwpt
d
wdpt
m
mwpttwp INVWREMDIWREWQWDQMWINVW .,, tpw
Warehouse
Konstrain kapasitas gudang
Jumlah inventory periode sebelumnya + jumlah produk masuk dari manufaktur + jumlah produk reuse dari distributor harus kurang dari atau sama dengan kapasitas gudang
Konstrain aliran untuk gudang
Jumlah inventory periode sebelumnya + jumlah produk masuk dari manufaktur – jumlah produk keluar ke distributor + jumlah produk reuse dari distributor - jumlah produk reuse yang dibuang – jumlah produk resuse ke luar ke manufaktur – jumlah inventory saat ini = 0
,0)1(
w
dptdwptdpt
w
wdpttdp DIDREWINVDQWDINVD .,, tpd
Distributor
Konstrain aliran untuk distributor
Jumlah inventory periode sebelumnya + jumlah produk masuk dari warehose – (jumlah inventory saat ini + jumlah produk reuse ke warehose + jumlah produk yang tidak kembali ke distributor)
Tentukan parameter : Temperatur awal (To), Faktor pereduksi temperatur (c), siklus penurunan suhu (n) dan stopping criteria
Bangkitkan set solusi awal secara random
Hitung nilai fungsi tujuan
Ulangi langkah berikut hingga stopping criteria tercapai
ALGORITMA
SIMULATED ANNEALING
1
2
3
4
ALGORITMA
SIMULATED ANNEALING
Jika p =n, update
temparature T=T*c, p=0
Jika tidak , T=T
Update iterasi=i+1, dan iterasi
siklus i =p+1
Bangkitkan solusi baru berdasarkan solusi sebelumnya
swap, slide, atau flip
Hitung nilai fungsi tujuan F(x)
Jika solusi baru lebih baik dari solusi awal set x= x baru
Jika tidak cek kriteria metropolis,
Bangkitkan bilangan random (r)
Jika r > set x = x baru. Jika tidak, x = x lama
Cek stopping criteria, Jika dipenuhi berhenti , jika tidak kembali ke a
kTEe /
kTEe /
a
b
c
d
a
TABU SEARCH
Bandingkan solusi baru dengan Tabu List Jika solusi baru = tabu list Bangkitkan solusi baru Jika tidak, lanjutkan
Simpan set solusi buruk pada Tabu List
PENGEMBANGAN ALGORITMA
SIMULATED ANNEALING
DATA UJI 1 : 1 Periode, 1 Produk, 2 Warehouse , dan 2 Distributor
Demand Botol Balik ke
Warehouse Botol Balik ke Manufacture
Distibutor D1 7500 6700 6000 D2 8000 7500 7000
Kapasitas
C Produksi 1 16500
Warehouse W1 15000 W2 18000
Manufacture Warehouse Distributor
1 W1 W2 D1 D2
Manufacture 1 0 25 18 - -
Warehouse W1 23 0 - 200 150
W2 20 - 0 180 175
Distibutor D1 - 190 140 0 -
D2 - 185 165 - 0
PENGEMBANGAN ALGORITMA
SIMULATED ANNEALING
1. Inisiasi Parameter
Faktor pereduksi temperatur (c)=0.85
Siklus penurunan temperature=10
Temperature awal=500
Jumlah iterasi=10
2. Pembangkitkan Solusi Awal
Solusi awal stage 1, urutan distributor, warehouse, produk, jenis produk, dan cara pengisian warehouse
Solusi awal stage 2, urutan warehouse, produk, dan cara pengisian warehouse
Urutan dibentuk dengan membangkitkan random permutasi sejumlah komponen.
PENGEMBANGAN ALGORITMA
SIMULATED ANNEALING
2. Membangkitkan Solusi Awal
i = urutan produk – 1 produk
j = urutan jenis produk – 2 jenis (produk baru dan botol)
k = urutan distributor – 2 distributor
l = urutan warehouse – 2 warehouse
rn = cara pengisian warehouse – 2 cara (langsung pindah warehouse atau sebagian dimasukkan ke sisa kapasitas warehouse)
s = urutan produk – 1 produk
l2 = urutan warehouse – 2 warehouse
i =
1
j =
2 1
k =
1 2
l =
2 1
rn =
1 2
2 1
s =
1
l2 =
2 1
3. Perhitungan Fungsi Tujuan
Tujuan pada model ini adalah Minimasi total biaya dari CLSC yang terdiri dari :
Biaya Distribusi Biaya Inventory
TotalBiaya1 =
19225125
PENGEMBANGAN ALGORITMA
SIMULATED ANNEALING
4. Pembangkitan Solusi Baru
Mengacak Solusi Urutan
• Jika bilangan random yang dibangkitkan adalah antara 0 – 0.33, maka metode flip akan digunakan.
• Jika bilangan random yang dibangkitkan adalah antara 0.34 – 0.67, maka metode swap akan digunakan.
• Jika bilangan random yang dibangkitkan adalah antara 0.68 – 1, maka metode slide akan digunakan.
i =
1
j =
1 2
k =
1 2
l =
1 2
rn =
1 2
2 1
s =
1
l2 =
1 2
Total biaya dari CLSC yang terdiri dari :
Biaya Distribusi Biaya Inventory
TotalBiaya2 =
20831100
PENGEMBANGAN ALGORITMA
SIMULATED ANNEALING
5. Membandingkan Solusi Baru dengan Solusi Lama
Solusi Baru > Solusi Lama
Temperatur = 500
∆E = |Solusi Baru-Solusi Lama|
= 1605975
P(E) = e-ΔE/kT
P(E) = e-1605975/500
P(E) = 0
Kriteria Metropolis
Solusi baru yang didapatkan lebih buruk dari solusi sebelumnya
Generate bilangan random :
r = 0,254
Bilangan random lebih dari probabilitas Boltzman, set solusi yang baru tidak dapat diterima, sehingga set solusi saat ini sama dengan set solusi lama.
r > P(E)
Update iterasi, siklus dan
temperatur
Cek stopping kriteria
VERIFIKASI DAN
VALIDASI
VERIFIKASI
• Membandingkan apakah logika perhitungan dalam algoritma sudah sama dengan logika perhitungan manual.
• Tidak terdapat error dalam melakukan komputasi dengan software MATLAB.
.
VALIDASI
Validasi Algoritma dilakukan dengan cara membandingkan hasil output komputasi algoritma dengan hasil output enumerasi
OUTPUT ENUMERASI
P W1 W1B W2 W2B D1 D2 D1B D2B
P 7.500 9.000
W1 7.500
W1B 6.000 7.500
W2 7.500 500
W2B 7.000 6.700
D1
D2
D1B 6.700
D2B 7.500
Total biaya CLSC = 18904275
ALOKASI
VERIFIKASI DAN
VALIDASI
VERIFIKASI
• Membandingkan apakah logika perhitungan dalam algoritma sudah sama dengan logika perhitungan manual.
• Tidak terdapat error dalam melakukan komputasi dengan software MATLAB.
.
VALIDASI
√ √
ALGORITMA SIMULATED ANNEALING
W_New =
7500
9000
QWD =
0 7500
7500 500
REM(:,:,1) =
6000 7000
REM(:,:,2) =
6375 5695
QDW =
0 6700
7500 0
INVW(:,:,1) =
0 0
INVW(:,:,2) =
0 1000
total_SA =
18904275
waktu =
0.6240
VERIFIKASI DAN
VALIDASI
VERIFIKASI
• Membandingkan apakah logika perhitungan dalam algoritma sudah sama dengan logika perhitungan manual.
• Tidak terdapat error dalam melakukan komputasi dengan software MATLAB.
.
VALIDASI
√ √
ALGORITMA SIMULATED ANNEALING TABU SEARCH
W_New =
7500
9000
QWD =
0 7500
7500 500
REM(:,:,1) =
6000 7000
REM(:,:,2) =
6375 5695
QDW =
0 6700
7500 0
INVW(:,:,1) =
0 0
INVW(:,:,2) =
0 1000
total_SA_TS =
18904275
waktu =
0.2964
DESKRIPSI DATA UJI
Data
ke-
Ukuran Data Uji Sumber Data
Produk Periode Warehouse Distributor
1 1 1 2 2 Data Generate
2 2 3 3 5 Data Generate
3 4 7 8 31 Data Demand dan Generate
EKSPERIMEN DAN ANALISIS
EKSPERIMEN UJI PARAMETER
DATA UJI 2 : 3 Periode, 2 Produk, 3 Warehouse, dan 5 Distributor
Parameter : faktor penurunan temperatur (c) temperatur awal (To)
EKSPERIMEN UJI PARAMETER
c=0.3, n=10, maxiter=2000, To=600 No
Replikasi Total Biaya (1e+004)
Waktu Komputasi (detik)
1 1.2048 16.8169 2 1.2048 16.8013 3 1.2085 17.4409
Rata-rata 1.206 17.0197 c=0.6, n=10, maxiter=2000, To=600 No
Replikasi Total Biaya (1e+004)
Waktu Komputasi (detik)
1 1.2048 16.9573 2 1.2048 16.7857 3 1.2048 16.8793
Rata-rata 1.2048 16.8741 c=0.9, n=10, maxiter=2000, To=500 No
Replikasi Total Biaya (1e+004)
Waktu Komputasi (detik)
1 1.2085 18.0805 2 1.2081 16.8735 3 1.2085 17.3785
Rata-rata 1.2084 17.4442
FAKTOR PEREDUKSI
TEMPERATUR (c)
Pada faktor pereduksi temperatur = 0.6 didapatkan kualitas solusi yang lebih baik. Pada percobaan selanjutnya digunakan faktor perduksi temperatur = 0.6
EKSPERIMEN UJI PARAMETER
c=0.6, n=10, maxiter=2000, To=300 No
Replikasi Total Biaya (1e+004)
Waktu Komputasi (detik)
1 1.2048 16.8793 2 1.2085 16.8637 3 1.2085 16.7701
Rata-rata 1.2073 16.8377 c=0.6, n=10, maxiter=2000, To=600 No
Replikasi Total Biaya (1e+004)
Waktu Komputasi (detik)
1 1.2048 16.8013 2 1.2048 16.8637 3 1.2048 16.9573
Rata-rata 1.2048 16.8741 c=0.6, n=10, maxiter=2000, To=900 No
Replikasi Total Biaya (1e+004)
Waktu Komputasi (detik)
1 1.2085 16.9885 2 1.2048 16.8481 3 1.2048 16.9105
Rata-rata 1.206 16.9157
TEMPERATUR AWAL (To)
Dengan menggunakan temperarut awal = 600 didapatkan kualitas solusi yang paling baik. Karena itu pada percobaan selanjutnya akan digunakan parameter temperatur awal =600
EKSPERIMEN
SA DAN SA-TS
DATA UJI 2 : 3 Periode, 2 Produk, 3 Warehouse, dan 5 Distributor
c=0.6, n=10, maxiter=2000, To=600
No Replikasi
Total Biaya (1e+004)
Waktu Komputasi (detik)
1 1.2048 10.4365
2 1.2085 10.6081
3 1.2085 10.5925
4 1.2085 10.6549
5 1.2081 10.5457
6 1.2085 10.5925
7 1.2048 10.4521
8 1.2085 10.5145
9 1.2134 10.5145
10 1.2085 10.6705
Rata-rata 1.2082 10.5582
SA
c=0.6, n=10, maxiter=2000, To=600
No Replikasi
Total Biaya (1e+004)
Waktu Komputasi (detik)
1 1.2048 16.8013
2 1.2048 16.8637
3 1.2048 16.9573
4 1.2085 16.8949
5 1.2081 16.8481
6 1.2048 16.8949
7 1.2048 16.8169
8 1.2048 16.8481
9 1.2081 16.8637
10 1.2048 16.7233
Rata-rata 1.2058 16.8512
SA-TS
DATA UJI 2 : 3 Periode, 2 Produk, 3 Warehouse, dan 5 Distributor
𝑮𝑨𝑷 = (𝑯𝒂𝒔𝒊𝒍 𝑷𝒆𝒓𝒉𝒊𝒕𝒖𝒏𝒈𝒂𝒏 𝑺𝑨_𝑻𝑺 − 𝑯𝒂𝒔𝒊𝒍 𝑷𝒆𝒓𝒉𝒊𝒕𝒖𝒏𝒈𝒂𝒏 𝑺𝑨)
𝑯𝒂𝒔𝒊𝒍 𝒑𝒆𝒓𝒉𝒊𝒕𝒖𝒏𝒈𝒂𝒏 𝑺𝑨_𝑻𝑺 𝑿 𝟏𝟎𝟎%
Total Biaya
No Replikasi SA-TS (1e+004) SA (1e+004) GAP
1 1.2048 1.2048 0.00% 2 1.2048 1.2085 -0.31% 3 1.2048 1.2085 -0.31% 4 1.2085 1.2085 0.00% 5 1.2081 1.2081 0.00% 6 1.2048 1.2085 -0.31% 7 1.2048 1.2048 0.00% 8 1.2048 1.2085 -0.31% 9 1.2081 1.2134 -0.44%
10 1.2048 1.2085 -0.31% Rata-rata -0,197%
DATA UJI 2 : 3 Periode, 2 Produk, 3 Warehouse, dan 5 Distributor
𝑷𝒆𝒓𝒃𝒂𝒏𝒅𝒊𝒏𝒈𝒂𝒏 =𝒘𝒂𝒌𝒕𝒖 𝒌𝒐𝒎𝒑𝒖𝒕𝒂𝒔𝒊 𝑺𝑨_𝑻𝑺
𝒘𝒂𝒌𝒕𝒖 𝒌𝒐𝒎𝒑𝒖𝒕𝒂𝒔𝒊 𝑺𝑨
Waktu Komputasi
No Replikasi SA-TS (detik) SA (detik) Perbandingan
1 16.8013 10.4365 0,6212 2 16.8637 10.6081 0,6290 3 16.9573 10.5925 0,6247 4 16.8949 10.6549 0,6307 5 16.8481 10.5457 0,6259 6 16.8949 10.5925 0,6270 7 16.8169 10.4521 0,6215 8 16.8481 10.5145 0,6241 9 16.8637 10.5145 0,6235
10 16.7233 10.6705 0,6381 Rata-rata 0,6266
EKSPERIMEN
SA DAN SA-TS
DATA UJI 3 : 7 Periode, 4 Produk, 8 Warehouse, dan 31 Distributor
SA SA-TS
c=0.6, n=10, maxiter=2000, To=600
No Replikasi
Total Biaya (1e+008)
Waktu Komputasi (detik)
1 5.4395 51.2307 2 5.3768 53.0091 3 5.2949 50.7783 4 5.2162 50.1699 5 5.2572 50.5755 6 5.3150 50.7315 7 5.4623 50.3259 8 5.1719 50.6067 9 5.2916 51.7143
10 5.3818 51.3555 Rata-rata 5.3207 51.0497
c=0.6, n=10, maxiter=2000, To=600
No Replikasi
Total Biaya (1e+008)
Waktu Komputasi (detik)
1 5.2337 58.282 2 5.3120 53.0091 3 5.3120 55.9108 4 5.1640 59.686 5 5.2453 50.5755 6 5.2279 58.3444 7 5.2799 59.21 8 5.2286 58.3676 9 5.1973 58.9996
10 5.2106 57.9232 Rata-rata 5.2411 57.0308
DATA UJI 2 : 3 Periode, 2 Produk, 3 Warehouse, dan 5 Distributor
𝑮𝑨𝑷 =(𝑯𝒂𝒔𝒊𝒍 𝑷𝒆𝒓𝒉𝒊𝒕𝒖𝒏𝒈𝒂𝒏 𝑺𝑨_𝑻𝑺 − 𝑯𝒂𝒔𝒊𝒍 𝑷𝒆𝒓𝒉𝒊𝒕𝒖𝒏𝒈𝒂𝒏 𝑺𝑨)
𝑯𝒂𝒔𝒊𝒍 𝒑𝒆𝒓𝒉𝒊𝒕𝒖𝒏𝒈𝒂𝒏 𝑺𝑨_𝑻𝑺 𝑿 𝟏𝟎𝟎%
Total Biaya
No Replikasi SA-TS (1e+004) SA (1e+008) GAP
1 5.2337 5.4395 -3.93% 2 5.312 5.3768 -1.22% 3 5.312 5.2949 -1.31% 4 5.164 5.2162 -0.15% 5 5.2453 5.2572 -0.23% 6 5.2279 5.315 -1.67% 7 5.2799 5.4623 -3.45% 8 5.2286 5.1719 -1.20% 9 5.1973 5.2916 -0.36%
10 5.2106 5.3818 -1.62% Rata-rata -1.52%
DATA UJI 2 : 3 Periode, 2 Produk, 3 Warehouse, dan 5 Distributor
𝑷𝒆𝒓𝒃𝒂𝒏𝒅𝒊𝒏𝒈𝒂𝒏 =𝒘𝒂𝒌𝒕𝒖 𝒌𝒐𝒎𝒑𝒖𝒕𝒂𝒔𝒊 𝑺𝑨_𝑻𝑺
𝒘𝒂𝒌𝒕𝒖 𝒌𝒐𝒎𝒑𝒖𝒕𝒂𝒔𝒊 𝑺𝑨
Waktu Komputasi
No Replikasi SA-TS (detik) SA (detik) Perbandingan
1 58.2820 51.2307 0.879 2 53.0091 53.0091 1 3 55.9108 50.7783 0.9185 4 59.6860 50.1699 0.8479 5 50.5755 50.5755 1 6 58.3444 50.7315 0.8695 7 59.2100 50.3259 0.85 8 58.3676 50.6067 0.886 9 58.9996 51.7143 0.8503
10 57.9232 51.3555 0.8766 Rata-rata 0.8978
Dalam penelitian ini dihasilkan model Closed Loop Supply Chain yang dengan tujuan minimasi total biaya CLSC yang terdiri dari biaya inventory dan biaya distribusi dalam model menggunakan node yang terdiri dari manufacturing plants, warehouse, dan distributor, serta memiliki fariansi produk.
Algoritma SA yang dikembangkan dapat menyelesaikan setiap permasalahan pada Data Uji. Begitu pula untuk algoritma SA-TS. Pada data skala besar waktu komputasi yang dibutuhkan SA lebih cepat jika dibandingkan dengan SA-TS namun untuk hasil minimasi total biaya yang dihasilkan lebih baik ketika menggunakan algoritma SA-TS disbanding dengan SA.
KESIMPULAN
1
2
SARAN
Menerapkan teknik
penyelesaian CLSC pada perusahaan secara langsung
Menggunakan algoritma
metaheuristik lain yang termasuk dalam kelompok population
based seperti PSO, ACO dan beberapa
teknik lainnya
Dapat dipertimbangkan
produksi yang tidak constant, terdapat
bagaian pembuangan dan bagian reuse serta biayanya,
backorder
DAFTAR PUSTAKA
Beamon, B. M. 1998. Supply chain design and analysis : Models and methods. International Journal of Production Economics, 55, 281-294.
Bernon, M., Cullen, J., Rowat, C. 2004. The Efficiency of Reverse Logistics. Cranfield University, UK.
G. Kannan, P. Sasikumar, & K. Devita. 2009. A Genetic Algorithm Approach for Solving A Closed Loop Supply Chain Model : A Case of Battery Recycling. Applied Mathematical Modelling, 655-670.
Pujawan. I Nyoman. 2005. Supply Chain Management. Suarabaya: Penerbit Guna Widya.
Rivera, Reynaldo., Ertel, Jurgen. 2008 Reverse logistics network design for the collection of End-of Life Vehicles in Mexico. European Journal of Operational Research 196 : 930–939
Rogers, D. S., & Tibben-Lembke, R., 1999. Going Backwards: Reverse Logistics Trends and Practices, Reverse Logistics Executive Council, University of Nevada, Reno Center for Logistics Management.
Santosa, B. & Willy, P., 2011. Metoda Metaheuristik Konsep dan Implementasi. 1st ed. Surabaya: Prima Printing.
Subramanian P., Ramkumar N., Narendran T.T., dan Ganesh K., 2012. A Technical Note on ‘Analysis of Closed Loop Supply Chain Using Genetic Algorithm And Particle Swarm Optimization. International Journal of Production Research Vol. 50, No. 2, 593–602.
Schultmann, F., Zumkeller, M., Rentz, O. 2006. Modeling reverse logistic tasks within closedloop supply chains: An example from the automotive industry. European Journal of Operational Research 171: 1033–1050.
Wang, X., Golden, B. L. & Wasil, E. A. 2008. Using a Genetic Algorithm to Solve the Generalized Orienteering Problem. The Vehicle Routing Problem: Latest Advances and New Challenges, 263-274.