ALGORITMA SIMULATED ANNEALING UNTUK MENYELESAIKAN MULTI OBJECTIVE AGGREGATE PRODUCTION PLANNING (APP)
Disusun Oleh
Hajariyah Agustina (2510100143) Pembimbing
Prof. Ir. Budi Santosa, M.S. Ph.D
JURUSAN TEKNIK INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER 2013
Overtime Hiring
Inventory Backorder
Layoff
Aggregate Production Planning proses dimana perusahaan menentukan level yang ideal untuk kapasitas produksi, subcontracting, persediaan, stockouts dan bahkan pricing pada jangka waktu perencanaan yang spesifik, yakni 3-18 bulan (Chopra & Meindl, 2007) Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Backorder
Servis Level Konsumen
Pekerja Aggregate Production Planning
Total Biaya Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Maksimasi Servis Level Konsumen Servis level konsumen yang dicapai setidaknya cukup tinggi Minimasi Perubahan Jumlah Pekerja Meminimumkan jumlah hiring dan layoff selama periode perencanaan
Multi Objective Aggregate Production Planning
Minimasi total biaya Meminimumkan total biaya produksi, inventory dan backorder. Minimasi biaya kerugian pembelian komponen cacat
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Pendekatan Eksak
Branch and Bound
20 Produk, 12 Periode
Multi Objective Aggregate Production Planning
Waktu komputasi >40 Jam
Metode Metaheuristik
Simulated Annealing Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Simulated Annealing Ditemukan oleh Metropolis, Rosenbluth dan Teller pada tahun 1953 untuk menyimulasikan proses pendinginan material dalam heat bath. merupakan salah satu metoda metaheuristik yang meniru perilaku alam yakni proses pendinginan baja secara perlahan atau yang biasa disebut
annealing
kemampuannya terhindar dari jebakan local optima dengan menerima solusi yang lebih buruk untuk sementara
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Algoritma Simulated Annealing untuk Menyelesaikan Multi Objective Aggregate Production Planning (APP)
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Ruang Lingkup Penelitian
Batasan 1. Permasalahan yang diteliti adalah multi objective APP dengan fungsi tujuan minimasi biaya, minimasi perubahan jumlah tenaga kerja dan maksimasi service level konsumen. 2. Data uji menggunakan data sekunder yang merupakan modifikasi dari jurnal penelitian Jamalnia & Soukhakian (2008) dan juga data artificial. 3. Komputasi model dilakukan dengan spesifikasi komputer yang telah ditentukan sebelumnya. 4. Kapasitas seluruh supplier yang tersedia lebih dari jumlah kebutuhan komponen.
Asumsi 1. 2. 3. 4. 5.
Lavel persediaan pada periode awal adalah nol. Seluruh input data bersifat deterministik selama periode perencanaan. Diperbolehkan untuk tidak ada backorder level pada akhir periode. Tidak dipertimbangkan adanya kebijakan untuk melakukan subcontract. Terdapat batasan jumlah pekerja maksimum dan minimum serta batasan jumlah inventory maksimum dan minimum
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Tujuan Penelitian
Mendapatkan model multi objective APP yang mempertimbangkan fungsi tujuan minimasi biaya, minimasi perubahan jumlah tenaga kerja dan maksimasi service level konsumen.
Mengembangkan algoritma Simulated Annealing untuk permasalahan multi objective aggregrate production planning
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
menyelesaikan
Model Multiobjective APP
Model Multiobjective APP Algoritma Simulated Annealing untuk Multi Objective APP Eksperimen dan Analisis Kesimpulan dan Saran Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
MODEL MULTI OBJECTIVE APP Konstrain • • • • • • •
Decision
Kapasitas produksi pada tiap alternatif produksi Keseimbangan inventory di tiap periode Jumlah maksimum backorder Kapasitas warehouse Kapasitas pembelian komponen tiap produk Keseimbangan jumlah pekerja Kapasitas komponen tiap supplier
Mengalokasikan demand di tiap periode menggunakan alternatif solusi yang feasible
Input • • • • • • • •
Output
Demand forecast per periode Biaya backorder setiap produk Biaya produksi setiap produk Biaya inventory setiap produk Biaya hiring dan lay off tiap pekerja untuk tiap produk Biaya pemesanan komponen Biaya kerugian pemebelian komponen cacat Waktu produksi tiap produk
Multi Objective Aggregate Production Planning
• • • • • • • •
Jumlah produksi tiap produk di tiap periode Jumlah backorder tiap produk untuk tiap periode Inventory produk di tiap periode Jumlah tenaga kerja yang di hiring Jumlah tenaga kerja yang di layoff Jumlah komponen yang di pesan di tiap supplier Jumlah tenaga kerja tiap periode Jumlah jam kerja overtime
Performance Criteria • • •
Minimasi total biaya Minimasi perubahan jumlah pekerja Maksimasi servis level konsumen
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
MODEL MULTI OBJECTIVE APP Parameter t m s k CmB
= waktu perencanaan (t ∈T ) = jenis produk (m∈M ) = jenis supplier (s∈S ) = komponen raw material (k ∈K ) = Biaya backorder setiap produk m (biaya/unit)
C
P m
= Biaya produksi setiap produk m (biaya/unit)
C
o m
= Gaji pekerja untuk memproduksi overtime tiap jam overtime untuk tiap produknya (biaya/jam kerja). = Biaya inventory untuk setiap produk m (biaya/unit)
CmI
nkm
= Biaya hiring untuk setiap pekerja untuk produk m (biaya/pekerja) = Biaya lay off untuk setiap pekerja untuk produk m (biaya/pekerja) = Biaya pemesanan komponen k pada supplier s (biaya/unit) = Biaya kerugian akibat adanya komponen k yang dipesan dari supplier k yang mengalami kecacatan (biaya/unit). = Koefisien penggunaan komponen k untuk produk m
θ ks
= Defect rate komponen k yang dipesan pada supplier s
CmH C mL
C ks C D ks
= Demand tiap produk m pada periode t (unit) τ = Waktu yang dibutuhkan untuk memproduksi tiap unit produk (jam) Max = makasimum kapasitas produksi komponen k untuk tiap supplier s I Max = maksimum inventory untuk produk m pada periode t I Min = minimum inventory untuk produk m pada periode t W Max = maksimum pekerja untuk produk m pada periode t W Min = minimum pekerja untuk produk m pada periode t β = Kapasitas maksimum jam kerja overtime tiap periode t (jam) α = Jam kerja tersedia tiap periode t (jam) Dmt
m
ks
mt
mt
mt
mt
t
t
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
MODEL MULTI OBJECTIVE APP Decision Variable Pmt
= jumlah produksi produk m pada jenis produk overtime maupun reguler pada periode ke t (unit).
Omt
= Jam kerja overtime yang digunanakan untuk memproduksi produk m pada periode ke t (jam).
Bmt
= jumlah backorderproduk m pada periode ke t (unit).
I mt
= Inventori produk m pada periode ke t (unit).
Wmt
= Jumlah tenaga kerja tiap periode t untuk tiap produk m (pekerja).
H mt
= Jumlah tenaga kerja yang di-hiring untuk produk m pada periode ke t (pekerja).
Lmt
= Jumlah tenaga kerja yang di-lay offuntuk produk m pada periode ke t (pekerja)
Qkst
= jumlah komponen k yang di-purchase dari supplier s untuk produk m pada periode ke t (unit)
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
MODEL MULTI OBJECTIVE APP • Minimasi Total Biaya T
Min
M
Z = ∑∑ C mP Pmt + C mo Omt + C mB Bmt +C mI I mt + C mH H mt + C mL Lmt + C mW Wmt ) + t =1 m =1
T
K
S
D ( C + C ∑∑∑ ks ks * θ ks )Qkst t =1 k =1 s =1
• Minimasi Perubahan Jumlah Pekerja T
Min
M
Z = ∑∑ ( H mt + Lmt ) t =1 m =1
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
MODEL MULTI OBJECTIVE APP • Maksimasi Servis Level Kosumen dinyatakan secara linguistic term “customer service level should be rather
high” μ
1 VH
H
RH
M
RL
L
VL BLPt
10%
20%
30%
40%
1 30 − BLPt µ = BLP 5 t 0
50%
60%
BLP ≤ 25 t 25 ≤ BLP ≤ 30 t 30 ≤ BLP t
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
70%
Model Multiobjective APP Maksimasi Servis level Konsumen dinyatakan secara linguistic term “customer service level should be rather
high” 1 30 − BLPt µ = BLP 5 t 0
BLP ≤ 25 t 25 ≤ BLP ≤ 30 t 30 ≤ BLP t
T 30 − BLP t Z = Max ∑ 3 5 t =1 BLP merupakan backorder level percentage yang didapatkan dari persentase perbandingan backorder pada akhir periode t (Bt) dengan
demand Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
MODEL Multiobjective APP • Konstrain yang memastikan bahwa jumlah yang diproduksi sesuai dengan kebutuhan produksinya. H
∑P
mht
h =1 H
∑P h =1
mht
= Dmt − Bmt + I mt ; t = 1, ∀m = Dmt − I m ( t −1) − Bmt + I mt + Bm ( t −1) ; ∀t > 1, ∀m
• Konstrain yang menunjukkan bahwa jumlah jam kerja yang digunakan untuk proses produksi tidak boleh melebihi jam kerja kapasitas produksinya.
Pmtτ m ≤ αWt + Ot ; ∀t , ∀m, ∀h • Konstrain yang memastikan bahwa jam kerja overtime yang digunakan tidak melebihi waktu kerja tersedia untuk melakukan overtime.
Ot <= βWt
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
MODEL Multiobjective APP • Konstrain batas maksimum backorder
Bmt ≤ Dmt ; ∀t , ∀m
Bmt = 0; t = T , ∀m • Konstrain batasan maksimum dan minimum jumlah inventory
I mt Min ≤ I mt ≤ I mt Max ; ∀t , ∀m • Jumlah komponen yang disupply harus sama dengan jumlah komponen yang dibutuhkan untuk tiap produk yang diproduksi. K
∑Q k −1
ikt
M
H
= ∑∑ ( Pmht × nim ); ∀t , ∀i m =1 h =1
• Konstrain batasan kapasitas supplier
Qkst <= Max ks ; ∀t , ∀k , ∀s
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
MODEL Multiobjective APP • Keseimbangan Jumlah Pekerja
Wmt − Wm ( t −1) = H mt − Fmt ; ∀t , ∀m • Batasan Maksimum dan Minimum Jumlah Pekerja
W mt Max ≤ Wmt ≤ W mt Max ; ∀t , ∀m
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Model Multiobjective APP Maksimasi Servis Level Konsumen Max F1(x) S.t x∈ X
Minimasi Perubahan Jumlah Pekerja Min F2(x) S.t x∈ X F1(x)≥F1(x*)
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Minimasi Total Biaya Min F3(x) S.t x∈ X F1(x)≥F1(x*) F2(x)≤ F2(x*)
Algoritma Simulated Annealing untuk Multi Objective APP
Eksperimen dan Analisis Kesimpulan dan Saran Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Algoritma Simulated Annealing untuk Multi Objective APP Gambaran Struktur Solusi W
I
t1
t2
t
t1
t2
t
m1
Wm1t1
Wm1t2
…
Im1t1
Im1t2
…
m2
Wm2t1
Wm2t2
…
Im2t1
Im2t2
…
m
…
…
Wmt
…
…
Imt
Urutan Supplier s1
s2
S
k1
1
2
…
k2
2
1
…
K
…
…
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Algoritma Simulated Annealing untuk Multi Objective APP DATA UJI 1: 3 Periode, 2 Produk, 2 Supplier, 2 Komponen 1. Tentukan parameter : Temperatur awal (To), Faktor pereduksi temperaur (c), siklus penurunan suhu (n) dan stopping criteria • Faktor pereduksi temperature (cr)=0.9 • Jumlah siklus (n)=10 • Temperatur awal ditentukan dari rata-rata nila fungsi tujuan dari solusi yang dibangkitkan secara acak • Stopping criteria=iterasi maksimum (10000)
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Algoritma Simulated Annealing untuk Multi Objective APP 2. Membangkitkan Solusi Awal
x= round (batas bawah + (batas atas – batas bawah)*rand)
x Solusi awal W & I
Solusi awal urutan supplier
1
2
3
4
5
6
76
80
104
702
916
622
107
84
78
700
827
737
s1
s2
s1
s2
k1
1
2
k2
1
2
k1
0.4898 0.6463
k2
0.4456 0.7094
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Algoritma Simulated Annealing untuk Multi Objective APP 3. Menghitung Nilai Fungsi Tujuan •
Perhitungan Fungsi Tujuan Pertama T
Min
Z =∑ t =1
− 30 + BLPt 5
Nilai tujuan pertama=total blp + pinaltyq + pinaltyb + pinaltybc •
Perhitungan Fungsi Tujuan Kedua
Nilai tujuan kedua = nilai total hiring dan layoff + pinaltyq + pinaltyb + pinaltybc +dendab •
Perhitungan Fungsi Tujuan Ketiga
Nilai tujuan ketiga = nilai total biaya + pinaltyq + pinaltyb + pinaltybc +dendab + dendaw
No
1
2
3
4
5
BLP= -36.00
Jenis pinalty
Keterangan
Nilai
pinaltybc
Pinalty yang diberikan apabila terdapat backorder 10,000,000.00 di akhir periode perencanaan
pinaltyb
pinalty yang diberikan apabila backorder tiap 1,000,000.00 periode melebihi demand tiap periode
pinaltyq
Pinalty yang diberikan apabila jumlah yang dipesan pada supplier 1,000,000.00 urutan terakhir melebihi kapasitas supplier tersebut
dendab
Pinalty yang diberikan apabila terdapat 1,000,000,000. pelanggaran kostrain fungsi 00 tujuan pertama
dendaw
Pinalty yang diberikan apabila terdapat 1,000,000,000. pelanggaran konstrain 00 fungsi tujuan kedua
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Algoritma Simulated Annealing untuk Multi Objective APP 3. Membangkitkan Solusi Baru
Wbaru= round (W+ (randperm (periode)==periode)*20*randn)
I baru= round (I+ (randperm(periode)==periode)*10*randn)
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Algoritma Simulated Annealing untuk Multi Objective APP 3. Membangkitkan Solusi Baru Mengacak Solusi Urutan Supplier • • •
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.
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Algoritma Simulated Annealing untuk Multi Objective APP 3. Membangkitkan Solusi Baru Menentukan secara acak pekerja pada produk mana yang di acak
Solusi yang dibangkitkan adalah Pekerja
Rand =0.54
xbaru
BLP=-36
urut
1
2
3
4
5
6
76
80
88
702
916
622
107
84
78
700
827
737
1
2
1
2
1
2
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Algoritma Simulated Annealing untuk Multi Objective APP 3. Membandingkan solusi lama dengan solusi baru Deltaf = BLPnew-BLP
Cek kriteria metropolis
deltaf = 0
Temperatur=36 P(E) = e-ΔE/kT P(E) = e-0/36 P(E) = 1
Rand =0.761 2
Cek stopping criteria Update iterasi, siklus dan temperatur
Terima Solusi Baru X=xbaru
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Algoritma Simulated Annealing untuk Multi Objective APP Validasi dilakukan dengan membandingkan hasil yang didapatkan dari perhitungan dengan algoritma SA dan eksak x*
Produksi
Tujuan 1
36
Tujuan 2
0
Tujuan 3
$ 8,947,229.56
Inventory Minimum
t1
t2
t3
t1
t2
t3
m1
8100
8230
7568
600
550
m2
8300
9058
8330
600
550
overtime
backorder
t1
t2
t3
500
1000
1000
1000
500
1000
1000
1000
Pekerja
t1
t2
t3
t1
t2
t3
m1
0
0
0
0
0
0
m2
0
1316
0
0
0
0
Inventory Maksimum
hiring
layoff
t1
t2
t3
t1
t2
t3
t1
t2
t3
m1
100
100
100
0
0
0
0
0
0
m2
100
100
100
0
0
0
0
0
0
Jumlah Komponen yang Dipesan
Hasil Eksak
s1
s2
t1
t2
t3
t1
t2
t3
k1
50000
50000
50000
7500
10922
6024
k2
50000
50000
50000
40300
45498
37820
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Algoritma Simulated Annealing untuk Multi Objective APP Pada problem yang sama pernah didapatkan nilai tujuan yang sama dan nilai decision variabel yang sama maka algoritma dapat dikatakan valid x* Tujuan 1
36
Tujuan 2
0
Tujuan 3
$ 8,947,229.56
m1 m2
t1 0 0
t1 8100 8300
m1 m2
mH t2 0 0
t3 0 0
t1 0 0
mL t2 0 0
mP t2 8230 9058
t3 7568 8330
t3 0 0
t1 100 100
mW t2 100 100
t3 0 0
mQ(:,:,1)
Hasil SA
t1 600 600
mO t2 0 0
t1 0 0
m1 m2
t3 100 100
mI t2 550 550
t3 500 500
mB t2 0 0
t1 0 0
mQ(:,:,2)
t3 0 0
mQ(:,:,3)
s1
s2
s1
s2
s1
s2
k1
50000
7500
50000
10922
50000
6024
k2
50000
40300
50000
45498
50000
37820
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Eksperimen dan Analisis
Kesimpulan dan Saran Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Eksperimen dan Analisis Deskripsi Data Uji Data
Ukuran data
Sumber data
Produk
Periode
Komponen
Supplier
1
2
3
2
2
2
6
3
4
3
3
6
12
4
3
Data Generate
4
20
12
10
5
Data Generate
Modifikasi data penelitian Jamalnia & Soukhakian, 2008 Modifikasi data penelitian Jamalnia & Soukhakian, 2008
Demand Data
rata-rata
standar deviasi
3
8000
3500
4
7000
2500
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Eksperimen dan Analisis Uji Parameter – Faktor Pereduksi Temperatur (Cr) cr=0.6 n=2 itmax=1000 Servis No
level
cr=0.8 n=2 itmax=1000
Jumlah Perubahan
Replikasi
Waktu Total Biaya (1e+007*)
Komputasi (detik)
Jumlah No
Servis level
Replikasi
konsumen
Perubahan
Waktu Total Biaya (1e+007*)
Pekerja
Komputasi (detik)
konsumen
Pekerja
1
-108
76
7.4806
9.4848
1
-108
74
7.5102
8.8452
2
-108
76
7.596
9.204
2
-108
76
7.4941
9.0168
3
-107.998
76
7.6941
9.1572
3
-107.9963
76
7.8641
8.6268
4
-108
71
7.552
9.0948
4
-108
76
7.5885
8.7516
5
-108
76
7.5244
9.5004
5
-108
74
7.5739
8.7048
Rata-rata
-107.9996
75
7.56942
9.28824
Rata-rata
-107.99926
75.2
7.60616
8.78904
cr=0.4 n=2 itmax=1000 No
Servis
Jumlah
level
Perubahan
Replikasi
Total Biaya (1e+007*)
Waktu Komputasi
konsumen
Pekerja
(detik)
1
-108
77
7.4964
8.8452
2
-107.995
76
8.0529
8.5488
3
-107.991
75
8.4213
8.424
4
-108
76
7.4766
8.424
5
-107.989
73
8.5567
8.4552
Rata-rata
-107.995
75.4
8.00078
8.53944
Pada Faktor pereduksi = 0.6 didapatkan kualitas solusi yang lebih baik. Pada percobaan selanjutnya digunakan faktor perduksi = 0.6
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Eksperimen dan Analisis Uji Parameter – Jumlah Siklus (n) cr=0.6 n=20 itmax=1000
cr=0.6 n=5 itmax=1000
Jumlah No
Servis level
Replikasi
konsumen
Perubahan
Jumlah Total Biaya
Waktu
No
Servis level
(1e+007*)
Komputasi
Replikasi
konsumen
Pekerja
Perubahan
Total Biaya
Waktu
(1e+007*)
Komputasi
Pekerja
1
-108
73
7.5480
9.6408
1
-108
78
7.5437
9.1416
2
-108
76
7.4860
9.6096
2
-108
78
7.5545
8.9856
3
-107.9889
77
8.6092
9.5628
3
-107.9934
77
8.1687
8.814
4
-107.9978
77
7.7240
9.5628
4
-107.9961
76
7.8931
8.7984
5
-107.9829
74
9.3970
9.4224
5
-107.9901
73
8.4834
8.6424
Rata-rata
-107.99392
75.4
8.15284
9.55968
Rata-rata
-107.99592
76.4
7.92868
8.8764
cr=0.6 n=10 itmax=1000 No Replikasi
Servis level konsumen
Jumlah Perubahan Pekerja
Total Biaya
Waktu
(1e+007*)
Komputasi
1
-108
78
7.5600
9.048
2
-107.9948
71
7.9700
9.1104
3
-108
73
7.5600
8.9544
4
-108
78
7.5300
8.6736
5
-108
72
7.4600
8.6892
Rata-rata
-107.99896
74.4
7.616
8.89512
Kualitas solusi yang paling baik terjadi pada siklus n=2. Karena itu pada percobaan selanjutnya akan digunakan parameter jumlah siklus =2
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Eksperimen dan Analisis DATA UJI 2 (6 PRODUK, 3 PERIODE, 4 KOMPONEN, 3 SUPPLIER) Hasil Eksperimen Eksak (Branch and Bound) Tujuan 1 : Maksimasi Servis Level Konsumen
x1*
x2*
x3*
x*
108
101.8
106.7963
108
155
49
68
53
$ 84,242,135.38
$ 77,404,306.78
$73,817,675.15
$74,577,508.17
1
1
3
4
Tujuan 2 : Minimasi Perubahan Jumlah Pekerja (pekerja) Tujuan 3: Minimasi Total Biaya ($) Waktu komputasi (detik)
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Eksperimen dan Analisis DATA UJI 2 (6 PRODUK, 3 PERIODE, 4 KOMPONEN, 3 SUPPLIER) Hasil Eksperimen Simulated Annealing Modifikasi Initial Solution pada tahap 2 dan 3
cr=0.6 n=2 itmax=10000 No Replika si
Servis level konsumen
Jumlah Perubahan Pekerja
Total Biaya (1e+007*)
cr=0.6 n=2 itmax=10000
Waktu Komputasi
No
Servis
Jumlah
Total
Waktu
(detik)
Repli
level
Perubahan
Biaya
Komputasi
1
-107.9933
63
508.07
269.4137
kasi
konsumen
Pekerja
(1e+007*)
(1.0e+003 *)
2
-107.9672
62
928.67
297.806
1
-108
53
7.4578
218.84446
3
-107.9933
58
8.09
267.9942
2
-108
53
7.4578
222.13616
4
-107.9932
58
8.1
263.0488
3
-108
53
7.4578
225.02216
5
-108
58
7.50
159.8854
4
-108
53
7.4578
225.59936
6
-107.9998
58
7.450
284.1402
5
-108
53
7.4578
225.83336
7
-108
58
7.440
280.8799
6
-108
53
7.4578
225.56816
8
-108
53
7.4578
231.40256
58
7.500
263.7665
7
-108
8
-108
53
7.4578
225.28736
9
-108
58
7.400
274.7645
9
-108
53
7.4578
225.10016
10
-108
74
7.5739
268.1657
10
-108
53
7.4578
225.64616
-107.9894
59.8
292.086
251.62962
-108
53
7.4578
225.04399
Ratarata
Ratarata
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Eksperimen dan Analisis DATA UJI 2 (6 PRODUK, 3 PERIODE, 4 KOMPONEN, 3 SUPPLIER) Servis Level Konsumen No
Total Biaya
Perubahan Jumlah Pekerja No
No
SA
Replikasi
(1e+007)
0.00%
1
7.4578
7.4577
0.00%
53
0.00%
2
7.4578
7.4577
0.00%
53
53
0.00%
3
7.4578
7.4577
0.00%
4
53
53
0.00%
4
7.4578
7.4577
0.00%
0.00%
5
53
53
0.00%
5
7.4578
7.4577
0.00%
108
0.00%
6
53
53
0.00%
6
7.4578
7.4577
0.00%
108
108
0.00%
7
53
53
0.00%
7
7.4578
7.4577
0.00%
8
108
108
0.00%
8
53
53
0.00%
8
7.4578
7.4577
0.00%
9
108
108
0.00%
9
53
53
0.00%
9
7.4578
7.4577
0.00%
10
108
108
0.00%
10
53
53
0.00%
10
7.4578
7.4577
0.00%
SA
B and B
GAP
SA
B and B
GAP
1
108
108
0.00%
1
53
53
2
108
108
0.00%
2
53
3
108
108
0.00%
3
4
108
108
0.00%
5
108
108
6
108
7
Replikasi
Rata-rata
0.000%
Replikasi
Rata-rata
0.000%
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Rata-rata
B and B (1e+007)
GAP
0.001%
Eksperimen dan Analisis DATA UJI 2 (6 PRODUK, 3 PERIODE, 4 KOMPONEN, 3 SUPPLIER) Waktu Komputasi No
SA
B and B
Replikasi
(detik)
(detik)
GAP
1
218.844
4
54.711115
2
222.136
4
55.53404
3
225.022
4
56.25554
4
225.599
4
56.39984
5
225.833
4
56.45834
6
225.568
4
56.39204
7
231.403
4
57.85064
8
225.287
4
56.32184
9
225.1
4
56.27504
10
225.646
4
56.41154
Rata-rata
56.55
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Eksperimen dan Analisis DATA UJI 3 (6 PRODUK, 12 PERIODE, 4 KOMPONEN, 3 SUPPLIER) cr=0.6 n=2 itmax=50000 Servis level
Jumlah Perubahan
Total Biaya
Waktu Komputasi
konsumen
Pekerja
(1e+009*)
(1.0e+003 *)
1
-427.22392
127
9.881
3.7898
2
-430.6895
127
9.8646
3.7696
3
-425.15476
127
9.88
3.4518
4
-430.6895
127
9.8646
3.8391
5
-430.6895
127
9.8646
3.8405
6
-430.6895
127
9.8646
3.8486
7
-431.33
127
9.87
3.7914
8
-431.33
127
9.87
3.8057
9
-431.33
127
9.87
3.854
10
-431.33
127
9.87
3.8527
Rata-rata
-430.04567
127
9.86994
3.78432
No Replikasi
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Eksperimen dan Analisis DATA UJI 4 (20 PRODUK, 12 PERIODE, 10 KOMPONEN, 5 SUPPLIER) cr=0.6 n=2 Servis level
Jumlah
konsumen
Perubahan
(1.0e+003 *)
Pekerja
1
-1.43
407
2
-1.43
3
Total Biaya
Waktu Komputasi
Iterasi
(1.0e+003 *)
maksimum
4.4156
16.0000577
100000
385
4.3971
10.9241577
50000
-1.43
385
4.4778
10.9928577
50000
4
-1.43
322
4.3199
10.9241577
50000
5
-1.43
385
4.38
10.9178577
50000
6
-1.43
322
4.3199
11.0720577
50000
7
-1.43
322
4.3491
11.0491577
50000
8
-1.437519
302
4.361
43.61
150000
9
-1.437519
302
4.3601
43.601
150000
10
-1.437519
302
4.3715
41.409
100000
Rata-rata
-1.4322557
343.4
4.3752
21.05003039
80000
No Replikasi
(1e+010*)
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Eksperimen dan Analisis Hasil Eksperimen Eksak Tujuan 1
Tujuan 2
Data Uji 1 Data Uji 2
Tujuan 3
Data validasi 108
53
$
74,577,508.17 9,858,985,000.00
Data Uji 3
431.33
127
$
Data Uji 4*
1437.519
258
$ 44,100,000,000.00
*Solusi yang ditemukan solusi feasible bukan optimal
GAP Eksak dan SA (dari solusi terbaik yang dihasilkan) GAP waktu komputasi
GAP tujuan 1
GAP tujuan 2
GAP tujuan3
Data Uji 2
0%
0%
0.00%
55.53
Data Uji 3
0.%
0%
0.1117%
1263.8
17%
1.1187%
0.2756
Data Uji 4
0%
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Kesimpulan dan Saran Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Kesimpulan dan Saran Kesimpulan
Dihasilkan model multi objective aggregate planning yang mempertimbangkan tujuan maksimasi servis level konsumen, minimasi perubahan jumlah pekerja serta minimasi total biaya.
Algoritma SA yang dikembangkan dapat menyelesaikan permasalahan multi objective APP dengan baik pada setiap data uji yang digunakan. Pada data skala kecil kualitas solusi yang dihasilkan SA memiliki solusi yang cukup mendekati solusi optimalnya, sedangkan pada kasus besar waktu komputasi yang dibutuhkan SA lebih cepat.
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Kesimpulan dan Saran Saran
1. Menerapkan teknik penyelesaian multi objective lain seperti pendekatan pareto ataupun dengan pendekatan weighted obejective. 2. Menggunakan algoritma metaheuristik lain yang termasuk dalam kelompok population based seperti PSO, ACO dan beberapa teknik lainnya untuk mengetahui perbandingan performansi algoritma SA dengan algoritma lain pada kasus multi objective APP ini. 3. Dalam pengembangan model multi objective APP selanjutnya, dapat dipertimbangkan beberapa faktor lain yang dapat mempertimbangkan kualitas produk dan servis level konsumen selain dilihat dari tingkat persentase backorder-nya
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Daftar Pustaka Aliev, R.A., Fazlollahi, B., Guirimov, B.G. & Aliev, R.R., 2007. Fuzzy-genetic approach to aggregate production–distribution. Elseiver Information Sciences, 177. Chopra, S. & Meindl, P., 2007. Supply Chain Management. In Strategy Planning and Operation. 3rd ed. New Jersey: Pearson Prentice Hall. pp.218-19. Fahminia, B., Luong, L.H.S. & Marian, R.M., 2008. Modeling and Optimization of Aggregate Production Planning-Genetic Algorithm Approach. World Academy of Science, 21, pp.1007-12. Hanka, M.K.R., 2013. Pengembangan Algoritma Hybrid Cross Entropy-Genetic Algorithm pada Permasalahan Multiobjective Job Shop Scheduling untuk Minimasi Makespan dan Mean Flow Time. Surabaya: Institut Teknologi Sepuluh Nopember. Jaimes, A.L.o., Mart´ınez, S.Z. & Coello, C.A.C., 2009. An Introduction to Multiobjective Optimization Technique. Nova Science Publishers, pp.1-26. Jamalnia, A. & Soukhakian, M.A., 2008. A hybrid fuzzy goal programming approach with different goal priorities. Elseiver Computer & Industrial Engineering, 56. Liang, T.-F. & Cheng, H.-W., 2011. Multi-Objective Aggregate Production Planning. Journal Of Industrial And Management Optmization, 7(2). Luangpaibon, L. & Aungkulanon, P., 2013. Integrated Approaches to Enhace Aggregate roduction Planning with Inventory Uncertainty Based on Improved Harmony Search Algorithm. World Academy of Science, Engineering and Technology, p.73.
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Daftar Pustaka Madadi, N. & Wong, K.Y., 2013. A Deterministic Agregrate Production Planning Model Considering Quality of Products. International Conference on Manufacturing, Optimization, Industrial and Material Engineering. Pan, L. & Kleiner, B.H., 1995. Aggregrate Planning Today. Work Study, 44(3), pp.4-7. Pradenas, L., Alvarez, C. & Ferland, J.A., 1991. A Solution for the Aggregate Production Planning. Pradenas, L., Penailillo, F. & Ferland, J., 2004. Aggregate production planning problem. A New Algorithm. Elseiver: Electronic Notes in Discrete Mathematics, 18, pp.193-99. Ramezanian, R., Rahmani, D. & Barzinpour, F., 2012. An aggregate production planning model for two phase production systems: Solving. Elseiver:Expert Systems with Applications, 39, pp.1256-63. Santosa, B. & Willy, P., 2011. Metoda Metaheuristik Konsep dan Implementasi. 1st ed. Surabaya: Prima Printing. Smith, S.B., 1989. Computer-Based Production and Inventory Control. New Jersey: Prentice-Hall Inc. Tabucanon, M.T., 1988. Multiple Criteria Decison Making in Industry. Amsterdam: Elseiver. Ulucam, V., 2010. Aggregrate Production Planning Model Based On Mixed Integer Linier Programming. Temmuz, pp.195-201. UNESCO, 2005. Fuzzy Optimization. In Water Resources Systems Planning and Management. pp.13543. Wang, R.C. & Fang, H.H., 2000. Aggregrate Production Planning with Multiple Objective in a Fuzzy Environtment. Elseiver European Journal of Operational Research, (133). Zadeh, L.A., 1965. Fuzzy Sets. Information and Control, 8.
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Posisi Penelitian
Model Multiobjective APP Algoritma Simulated Annealing untuk Multi Objective APP Eksperimen dan Analisis Kesimpulan dan Saran Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Posisi Penelitian PENELITIAN
MODEL
TEKNIK SOLUSI
FUNGSI TUJUAN 1. Minimasi total biaya produksi :biaya
Jamalnia & Soukhakian
produksi reguler, biaya produksi overtime,
(2008): A Hybrid Fuzzy Goal
Hybrid fuzzy multi
GENOCOP III (Genetic
Programming Approach
objective nonlinier
Algorithm for Numerical
with Different Goal
programming (H-
Optimization of
Priorities to Aggregate
FMONLP)
Constrained Problem)
Production Planning
biaya pekerja (bersifat non-linier karena terdapat unsur learning curve pada
decision variable pekerja) 2. Minimasi biaya inventory dan backorder 3. Minimasi perubahan jumlah pekerja 1. Minimasi total biaya produksi: biaya produksi reguler dan overtime, biaya
Madadi & Wong, (2013): A Deterministic Aggregate
invetory, biaya backorder, biaya gaji Multi objective
Production Planning Model mixed integer linier Fuzzy Goal Programming Conseidering Quality of Products
programing (MILP)
pekerja, biaya training dan biaya pemesanan komponen 2. Maksimasi kualitas produk: Minimasi raw materal cacat dan jumlah pekerja skill rendah 3. Maksimasi servis level konsumen
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Posisi Penelitian PENELITIAN
MODEL
TEKNIK SOLUSI
FUNGSI TUJUAN 1. Minimasi total biaya produksi: biaya
Luangpaiboon & Aungkulanon (2013):
produksi reguler , biaya gaji
Integrated Approaches to Enhance
Multi objective
Aggregate Production Planning with
mixed integer linier
Inventory Uncertainty based on
programing (MILP)
Improved Harmony Search Algorithm
pekerja, biaya hiring dan biaya lay
off 2. Minimasi biaya inventory
Improved Harmony Search Algorithm
3. Minimasi perubahan jumlah pekerja 1. Minimasi total biaya : biaya produksi reguler dan overtime, biaya inventory, biaya backorder, biaya gaji pekerja, biaya hiring, biaya lay
Multi objective pure Penelitian ini
integer linier programing (PILP)
Simulated Annealing
off, biaya pemesanan komponen dan biaya kerugian akibat memesan komponen cacat 2. Minimasi perubahan jumlah pekerja 3. Maksimasi servis level konsumen
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Perumusan Masalah
mengembangkan model multi objective aggregate production planning yang mampu meminimumkan total biaya, total perubahan jumlah tenaga kerja serta servis level pada konsumen. Bagaimana
Bagaimana mengembangkan algoritma simulated annealing yang dapat digunakan untuk menyelesaikan permasalahan multi objective aggregate
production planning.
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Manfaat Penelitian
untuk memberikan konstribusi di bidang keilmuan optimasi khususnya metaheuristik dan bidang production and planning control dalam penyelesaian problem APP.
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Pseudo code SA INPUT Parameter = faktor pereduksi temperatur (cr), jumlah siklus(n), iterasi maksimum (itmax) Data : demand, maksimum pekerja, minimum pekerja, inventory minimum, inventory maksimum, biaya, kapasitas produksi, pekerja awal, kebutuhan komponen dan jam kerja serta
defect rate. OUTPUT P,W,H,L,O,B,I,Q,waktu komputasi,tujuan,iterasi CREATE matriks kosong x ukuran (produk x( periode x 2)) BEGIN %inisialisasi solusi awal jumlah pekerja FOR (untuk setiap produk) DO FOR (untuk setiap periode) DO Hitung nilai x, dimana x= round (bb+(ba-bb)*rand) END END %inisialisasi urutan supplier Membangkitkan matriks bilangan random dengan ukuran komponen x supplier Mengurutkan bilangan random berdasarkan baris (komponen) secara ascending Evaluasi fungsi tujuan Tetapkan iterasi =1 Tetapkan siklus =0
WHILE (stopping criteria belum terpenuhi) DO WHILE (jumlah siklus < n) DO FOR (untuk setiap produk) DO FOR (untuk setiap periode) DO Bangkitkan nilai x baru END END Lakukan pengacakan urutan baru supplier Evaluasi fungsi tujuan baru Hitung deltaf =Fungsi tujuan baru –fungsi tujuan IF deltaf <0 THEN Tetapkan W=Wbaru Urutan supplier =urutan baru Fungsi tujuan =fungsi tujuan baru
ELSE IF rand < e − E / kT Tetapkan W=Wbaru Urutan supplier =urutan baru Fungsi tujuan =fungsi tujuan baru
END END siklus=siklus+1 iterasi=iterasi+1 END Update temparature =Temperatur*cr siklus=1 END
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
Pseudo Fungsi Tujuan INPUT Matrik pekerja dan inventory (x), urutan supplier (urut) Data : demand, inventory minimum, biaya, kapasitas ,pekerja awal, kebutuhan OUTPUT Fungsi tujuan,P,O,B,I,H,L,Q BEGIN CREATE matrik kosong untuk P,O,B,I,H,L,Q FOR (untuk setiap periode t (t ∈T)) DO FOR (untuk setiap produk m (m ∈M)) DO IF periode =1 THEN tentukan pekerja hiring dan layoff berdasarkan data pekerja awal
ELSE tentukan pekerja hiring dan layoff berdasarkan data pekerja periode sebelumnya
END END END FOR (untuk setiap periode t (t ∈T)) DO FOR (untuk setiap produk m (m ∈M)) DO Hitung kebutuhan produksi pada tiap periode
%Pada periode 1 : demand ditambahkan dengan inventory %Pada periode selanjutnya: demand ditambah inventorysaat ini dikurangi inventory pada periode sebelumnya dan ditambah backorder pada periode sebelumnya Hitung waktu produksi berdasarkan kebutuhan produksinya IF waktu produksi kurang dari kapasitas jam kerja regularTHEN Tetapkan kebutuhan produksi sebagai P
ELSE Hitung kapasitas produksi reguler IF kebutuhan produksi melebihi produksi regulernya THEN Hitung kebutuhan produksi tambahan Hitung kapasitas overtime IF kebutuhan produksi tambahan kurang dari kapasitas overtimeTHEN Tetapkan kebutuhan produksi tambahan sebagai P overtime Tetapkan waktu produksi overtime sebagai O
ELSE Tetapkan kapasitas produksi maksimum overtime sebgai P overtime Tetapkan kapasitas waktu kerja maksimum overtime sebagai O
END
Hitung P total=P total regular + P overtime IF jumlah produksi total (P) melebihi kebutuhan produksi THEN Tetapkan kelebihan produksi sebagai inventory Tetapkan produksi total sebagai sebagai P
ELSE Hitung kebutuhan produksi tambahan Tetapkan kebutuhan produksi tambahan sebagai backorder
%Pada periode terakhir langsung tetapkan backorder sebagai B dan bebankan penalty untuk seluruh unit B. IF backorder kurang dari demand THEN Tetapkan Backorder sebagai B ELSE Tetapkan Backorder sebagai B Hitung selisih backorder dengan demand dan bebankan penalty pada tiap unit backorder yang melebihi demand END END END Hitung jumlah inventory FOR (untuk setiap komponen k (k∈K) DO Hitung kebutuhan komponen k WHILE z <= banyak supplierDO IF kebutuhan komponen kurang dari kapasitas supplier urutan z
THEN Tetapkan kebutuhan kompnen sebagai Q Tetapkan selisih = 0
ELSE Hitung selisih=kebutuhan komponen-kapasitas supplier z Tetapkan kapasitas supplier z sebagai Q
END Tetapkan kebutuhan komponen=selisih z=z+1
END END END END Hitung nilai fungsi tujuan.
Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)
FLIP-SWAP SLIDE
FLIP SWAP SLIDE Algoritma Simulated Annealing Untuk Menyelesaikan Multi Objective Aggregate Production Planning (App)