IMPLEMENTASI FACILITY LOCATION PROBLEM

Prosiding Seminar Nasional Manajemen Teknologi VII Program Studi MMT-ITS, Surabaya 2 Pebruari 2008

IMPLEMENTASI FACILITY LOCATION PROBLEM PADA PENENTUAN JUMLAH DAN LOKASI GUDANG DALAM SISTEM DISTRIBUSI LOGISTIK DENGAN UNCERTAIN DEMAND DAN RETURNABLE GLASS BOTTLE (STUDI KASUS: PT COCA-COLA BOTTLING INDONESIA JAWA TIMUR) Aulia Rosmana, Suparno, Stefanus Eko Wiratno Jurusan Teknik Industri, Fakultas Teknik Institut Teknologi Sepuluh Nopember Email: [email protected]

ABSTRAK PT Coca-Cola Bottling Indonesia Jawa Timur merupakan salah satu perusahaan pembuat minuman ringan terbesar di dunia yang tidak hanya memproduksi minuman coca-cola saja, akan tetapi minuman ringan lainnya seperti fanta, sprite dan lain sebagainya, yang dikemas dalam bentuk botol (baik botol gelas dan botol plastik), dan kaleng. Pengemasan yang dilakukan (botol dan kaleng) menimbulkan masalah baru yaitu adanya waste bagi lingkungan. Akan tetapi perusahaan ini mempunyai kebijakan yaitu hanya mendaur ulang kemasan dalam bentuk botol gelas saja karena bersifat berkali-kali pakai. Terdapat 16 gudang yang beroperasi di Jawa Timur, dimana gudanggudang tersebut memiliki fungsi ganda yaitu sebagai forward dan reverse logistics. Pengoperasian gudang-gudang tersebut tentunya membutuhkan biaya yang tidak sedikit. Tujuan dari penelitian ini adalah bagaimana meminimumkan biaya total yang harus dikeluarkan oleh perusahaan dalam jaringan reverse logistics secara keseluruhan dengan menggunakan pendekatan algoritma genetik. Algoritma genetik sendiri adalah suatu metode pencarian solusi yang berdasarkan pada seleksi alam dan evolusi genetik. Kata kunci : algoritma genetik, nonlinear mixed-integer programming, forward logistics, dan reverse logistics PENDAHULUAN Tujuan yang ingin dicapai oleh perusahaan selain memproduksi barang dalam jumlah yang ditentukan sesuai dengan permintaan pasar adalah juga dapat mendistribusikan produk yang dibuatnya hingga sampai pada customer akhir mereka. Pendistribusian produk ini juga meliputi keuntungan yang ada di dalamnya. Dengan kata lain, tidak ada satupun perusahaan yang menginginkan produknya dikembalikan ataupun ditarik dari pasaran. Pengembalian produk dari customer ke pabrik dikenal sebagai reverse logistics. Reverse logistics dalam kenyataannya sangat mempengaruhi aktivitas distribusi seperti adanya product return, reuse, disposal, repair dan remanufacturing. Selama hampir satu dekade reverse logistics berpengaruh kuat terhadap perekonomian dalam dunia industri. Pengaruhnya dapat dilihat baik itu yang berdampak negatif pada suatu perusahaan yang mengabaikannya, atau dapat dijadikan sebagai area persaingan yang menguntungkan untuk memperluas pangsa pasar. Dalam prosesnya product return memerlukan penentuan jumlah dan lokasi dari initial collection points untuk returned product dan lokasi dari centralized return centers sebagai tempat pengumpulan untuk bisa di distribusikan ke pabrik atau repair facility dan hal ini melibatkan biaya total yang harus dikeluarkan dalam reverse


logistics (seperti biaya inventori, dan biaya transportasi) haruslah minimum, sehingga penggunaan gudang yang dipakai sebagai returned product haruslah benar-benar dimanfaatkan seoptimal mungkin. Permasalahan penentuan jumlah dan lokasi dari reverse logistics menjadi bagian dalam keputusan perancangan supply chain yang berkaitan erat dengan proses distribusi. Keputusan dalam membuka lokasi (fasilitas) tentu saja menjadi bahan pertimbangan peusahaan dalam merancang jaringan distribusinya untuk meminimalkan biaya total yang terjadi. Oleh karena itu penelitian ini akan memfokuskan pada penentuan lokasi fasilitas dari reverse logistics dengan tujuan untuk meminimumkan biaya total yang terjadi. Penelitian ini, merupakan implementasi dari model yang dikembangkan oleh Zhou (2006) yaitu non linear mixed-integer programming untuk menyelesaikan permasalahan reverse logistics yang mempengaruhi product return dan uncertain demand pada penentuan lokasi fasilitas (gudang) yang fungsinya tidak hanya sebagai gudang saja (forward logistics) melainkan sebagai reverse logistics. Sebagai permasalahan NP-hard, dimana semakin banyak jumlah lokasi fasilitas dan customer yang ada akan membuat model semakin sulit untuk dikerjakan dan akan membutuhkan waktu yang lama untuk di selesaikan. Oleh karena itu, pendekatan algoritma genetik diusulkan sebagai tool, dalam penentuan jumlah dan lokasi fasilitas yang dibuka serta menentukan biaya total yang terjadi. Dalam implementasi model Zhou pada studi kasus PT Coca-Cola Bottling Indonesia Jawa Timur, fungsi ke-16 gudangnya adalah sebagai forward logistics (pusat distribusi dan penjualan) dan reverse logistics (pengumpulan return glass bottle). Pengoperasian gudang-gudang ini merupakan salah satu bagian penting bagi coca-cola, akan tetapi biaya-biaya yang harus dikeluarkan juga ikut andil di dalamnya yang ternyata cukup besar dan mempengaruhi biaya produksi. Hal ini terlihat pada pemindahan 2 gudangnya di daerah Babat, dan Jombang yang dipindahkan ke area baru yaitu Sumenep, dan Tuban. Pemindahan gudang-gudang tersebut disebabkan karena terjadi ketidakefisienan dalam hal biaya maintenance dan operasional gudang, kapasitas gudang yang terlalu besar, serta demand yang terlalu sedikit. Oleh karena itu efisiensi gudang dan aktivitas di dalamnya perlu dilakukan agar dapat meminimasi biaya yang harus dikeluarkan oleh perusahaan Algoritma Genetik Dalam industri manufaktur tertentu terdapat banyak permasalahan tentang optimasi yang sangat sulit dan kompleks untuk diselesaikan dengan teknik optimasi konvensional. Sehingga, metode lain untuk menyelesaikan masalah optimasi yang sulit dan kompleks dikembangkan, dan salah satunya adalah dengan menggunakan metode algoritma genetik. Algoritma genetik sendiri merupakan teknik-teknik pencarian stokastik yang didasarkan atas mekanisme pemilihan alam dan sifat genetika. Berikut dipaparkan tahapan dalam algoritma genetik :  Representasi Kromosom Setiap kromosom direpresentasikan dalam bentuk array, dimana setiap array memiliki beberapa gen. Gambar 1 berikut mengilustrasikan representasi genetik dari sistem distribusi dengan m alternatif return center dan n customer. 1 m m+1 m+n m+n+1 m+2n m+2n+1 m+3n R1 ..

Rm xf1

xf2

... xfn fs1

fs2

..

fsn

xr1

Gambar 1. Ilustrasi Representasi genetik

ISBN : 978-979-99735-4-2 A-31-2

xr2

... xrn


 

Penyelesaian representasi genetik dalam penelitian ini dapat di bagi menjadi emapat segmen. Segmen pertama, adalah mengurutkan gen dari 1 sampai m, yang menggambarkan kapasitas dari return center (R.C) yang masih tersisa, dengan nilai yang mungkin dari 0 sampai MAX_RETURN. Di segmen kedua, mengurutkan gen dari m+1 sampai m+n, yang menggambarkan D.C mana saja yang akan dialokasikan ke customer. Segmen ketiga, mengurutkan gen dari m+n+1 sampai m+2n yang mengkodekan volume produk dari D.C yang akan dikirimkan ke customer (yang ditentukan dari segmen kedua). Segmen keempat, mengurutkan dari m+2n+1 sampai m+3n, yang menggambarkan R.C mana yang menerima produk-produk yang sudah dikembalikan dari customer. Inisialisasi Parameter Pada tahap ini, initial populasi dari N-kromosom dibangkitkan secara random untuk membentuk populasi awal. Operator genetik o Operator tukar silang (crossover) Operator tukar silang yang digunakan adalah one-point crossover. Secara umum one-point crossover digunakan untuk memperbaiki individu kromosom pada setiap individu. Randomly selected point Parent 1 Parent 2 Offspring 1 Offspring 2

68

0

289

1

1

3

1

3

310

224

175

188

125

3

3

3

1

1

0

44

314

2

2

3

3

3

311

224

179

185

125

3

2

3

3

3

68

0

289

1

1

3

3

3

311

224

179

185

125

3

2

3

3

3

0

44

314

2

2

3

1

3

310

224

175

188

125

3

3

3

1

1

o Operator mutasi Operator mutasi yang digunakan adalah mutasi acak. Proses mutasi yang dilakukan adalah menukar urutan salah satu gen sehingga di dapatkan posisi yang berbeda. Probabilitas mutasi yang digunakan biasanya dari 0 sampai 10%. Randomly selected point Parent 1 Offspring 1

0

44

314

2

2

3

3

3

311

224

179

185

125

3

2

3

3

3

68

0

289

1

1

3

3

3

311

224

179

185

125

3

2

3

3

3

Randomly selected point



Fungsi Evaluasi Evaluasi dimulai dengan menggabungkan setiap individu (solusi) dengan fungsi fitness, yang mencerminkan nilai goodness dari individu Secara sederhana, nilai objektif di persamaan (1) adalah sebagai nilai fitness dari masing-masing individu setelah di kodekan dari representsi genetik. Untuk menjaga agar nilai individu fisible dalam proses evolusi, maka nilai fitness untuk individu k yaitu v k akan dihitung sebagai eval (v k )  TC (v k )  (1  aM ) , dimana TC (v k ) adalah biaya total, dengan a dinotasikan sebagai jumlah dari batasan yang dilanggar, sedangkan M merupakan faktor penalti untuk individu yang tidak fisible (M > 0). Di persamaan (1) empat item pertama bisa dihitung secara langsung. Sedangkan, nilai ekspektasi dari empat variabel random dari item ke-6 sampai item ke-8 dalam persamaan (1) dianggap sebagai biaya, dimana perhitungannya dilakukan dengan menggunakan metode simulasi Monte Carlo.

ISBN : 978-979-99735-4-2 A-31-3


Model Nonlinear Mixed-Integer Programming   min   fw  uw xijf f ij Yi    fr  urRi Z i  w Yi Z i  iW  jC iW iW            pijf xijf f ij  E  p rji x rji D rj   us   E max   xijf f ij  D jf ,0    jC   iW iC  iC iw      iW            uc   E max  D jf   xijf f ij ,0   ua   E max 0,  x rji D rj  Ri Z i   (1)      jC   i  W j  W j  C             













s.t :

 x jC

f ij







f ij  MAX _ DEMAND  Yi

1

r ji

1

 j  C

f ij , Rij  0





i  W  i  W   j  C

x x

i W



f ij

Ri  MAX _ RETURN  Z i

iW



i  W , j  C  i  W 

(2) (3) (4) (5) (6)

x , x , Yi , Z i  0 atau 1 (7) Dimana : W  1,2,...., NW  : jumlah dari return center C  1,2,....., NC  : jumlah dari lokasi customer (kabupaten-kabupaten) fwi : biaya dalam membuka D.C i uwi : unit dari biaya variable yang meliputi biaya maintenance dan pengoperasian di DC i MAX _ DEMAND : maximum demand di D.C i yang dapat diakomodasi fri : biaya dalam membuka return center i uri : unit dari biaya variable yang meliputi biaya maintenance dan pengoperasian di return center i MAX _ RETURN : maximum demand di return center i yang dapat diakomodasi wi : biaya yang dapat disimpan dari penggunaan DC i sebagai return center i f ij

r ji

pijf : biaya per unit pengiriman dari DC i ke customer j p rji : biaya per unit pengiriman dari customer j ke DC i D jf : : demand dari customer j berdistribusi normal D rj : : volume return glass bottles dari customer j usi : biaya per unit inventori yang diperoleh dari ketersedian supply di D.C i uci : biaya akibat terjadinya shortages dari D.C i uai : biaya karena kelebihan (surplus) dari returned glass bottles di return center i Variabel keputusan :

Ri : ruang (space) dari return center i

ISBN : 978-979-99735-4-2 A-31-4


1, Yi   0,

jika D.C i dibangun di lokasi i jika tidak

1, , jika return center i dibangun di lokasi i Zi   0, , jika tidak 1, jika D.C i mensuplai produk ke customer j xijf   0, jika tidak 1, jika semua returned glass bottles dari customer j dikirimkan ke return center i x rji   0, jika tidak f ij : volume produk yang dikirim dari D.C i ke customer j HASIL DAN DISKUSI Hasil Melakukan percobaan terhadap model dengan merubah parameter GA Hasil percobaan dengan ukuran populasi dan maximum generasi yang berbeda, serta waktu yang dibutuhkan untuk running program, dimana ditentukan probabilitas crossover adalah 0.8 dan probabilitas mutasi adalah 0.010 Tabel 1. Model Eksperimen Dengan Parameter GA Yang Berbeda Gen/Populasi Total Cost (Rp) Run Time (in second)

100/300 13.910.645.659,560

200/300 14.024.216.206,480

300/300 13.755.971.058,200

15

16

16

Populasi/Gen Total Cost Run Time (in second)

100/100 13.977.483.595,600

200/100 13.443.266.377,560

300/100 14.133.929.833,300

15

14

15

Gen/Populasi Total Cost Run Time (in second)

400/300 13.771.172.296,880

500/300 14.297.859.048,400

16

17

Populasi/Gen Total Cost Run Time (in second)

400/100 13.836.918.736,280

500/100 13.450.521.660,560

15

15

Tujuan percobaan dengan merubah parameter yang berbeda adalah untuk mengetahui apakah berpengaruh terhadap solusi optimal yang diperoleh.

ISBN : 978-979-99735-4-2 A-31-5


Penentuan Kromosom terbaik berdasarkan pendekatan algoritma genetik Kromosom 1 6 14 0 3 8 5 17 16 4 15 3 38 0 8 Kromosom 2 4 21 14 4 5 6 6 16 8 9 13 8 13 11 12 14 6 Kromosom 3 7 21 11 13

1 7

7

10

19 6

12

14

12

5

6

1

13

13

12

1

9

15

1

6

10

1

22

15

16

15

23

25

12

17

8

10

22

25

16

14

5

1

15

4

11

8

20 2 20 12 13 17 25 19 22 17 9 Kromosom 4 2 14 7 5 7 15 9 5 7 6 15 9

11 3

9

10

12

16

Gambar 2. Hasil Kromosom Terbaik

Kromosom-kromosom tersebut di peroleh dari representasi kromosom pada penentuan jumlah gen tiap-tiap kromosom. Analisa Dari Tabel 1 di atas diketahui bahwa total cost minimal adalah sebesar Rp. 13.443.266.377,560 dengan waktu 14 detik, dimana parameter GA yang digunakan adalah ukuran gen = 200, ukuran populasi = 100. Pada table diatas dapat dilihat pula, bahwa semakin besar ukuran populasi akan membuat performansi GA semakin menurun. Gambar 3 berikut menunjukkan grafik dari solusi terbaik dengan nilai fungsi objektif sebesar Rp. 13.443.266.377,560.

Gambar 3 Grafik Nilai Fitness

Dari Gambar 2 diatas, kromosom-kromosom tersebut terbentuk sesuai dengan representasi kromosom yang telah ditentukan pada bab 3. Representasi kromosom pada penelitin ini dibagi menjadi empat segmen, dimana segmen pertama adalah mengurutkan gen untuk menggambarkan sisa ruang yang masih bisa di hemat dari

ISBN : 978-979-99735-4-2 A-31-6


kapasitas ruang yang ada di return center. Pada kromosom pertama terdapat 16 gen, yang menggambarkan gudang-gudang dari 16 gudang yang ada di Jawa Timur, sesuai dengan sisa ruang yang ada yang dinotasikan dengan unit yang bisa ditampung. Pada kromosom kedua, terdapat 30 gen yang menggambarkan customer, dalam hal ini kabupaten-kabupaten yang ada di Jawa Timur. Setiap nilai pada gen-gen tersebut merupakan lokasi gudang yang akan dialokasikan ke customer. Misalnya pada gen pertama merupakan customer pertama yang berlokasi di Bangkalan berdasarkan urutan matrik jarak (dapat dilihat di lampiran) akan dialokasikan di gudang Tandes Surabaya berdasarkan urutan gudang. Pada kromosom ketiga, terdapat 30 gen yang juga menggambarkan customer, dimana nilai setiap gen merupakan volume produk yang akan dikirimkan dari DC i ke customer j (ditentukan pada kromosom kedua). Sebagaimana yang telah dijelaskan dengan menggunakan contoh di kromosom kedua, besarnya volume produk yang akan dikirimkan dari gudang Tandes di Surabaya adalah sebesar 7 unit produk, dimana asumsi 1 unit produk = 10000 krat, yang didasarkan pada permintaan dari customer yang merupakan estimasi pihak marketing. Pada kromosom keempat, dapat dijelaskan bahwa dalam 1 kromosom juga terdapat 30 gen yang menggambarkan customer, dimana customer-customer tersebuat nantinya akan dialokasikan ke return center dalam pengembalian kemasan botol-botol kosong (RGB). Untuk lebih jelasnya dapat dilihat pada susunan gen berdasarkan gudang yang di tuju, sesuai dengan yang dimaksud pada Tabel 2 dan Tabel 3 di bawah ini. Tabel 2. Susunan Gen Berdasarkan Gudang Yang Di Tuju

Gudang Ri xfi

1 6 3

2 3 14 0 1 0

4 3 2

5 8 1

6 5 4

7 8 17 4 1 2

9 10 11 12 13 14 15 16 16 15 3 38 0 8 11 3 2 2 1 3 3 2 1 1

Tabel 3. Susunan Gen Berdasarkan Besarnya Volume Produk Yang Akan Dikirimkan Dari Gudang Ke Customer

Customer 1 fsi 7

2 21

3 11

4 13

5 7

6 19

7 6

Customer 16 fsi 20

17 2

18 20

19 12

20 13

21 17

22 25

8 22 23 19

9 15 24 22

10 16

11 15

12 23

13 25

14 12

15 17

25 17

26 19

27 18

28 10

29 22

30 25

Berdasarkan Tabel 1 dan Tabel 2 diatas, dapat dijelaskan berapa lokasi gudang yang optimal serta berapa volume produk yang dikirim ke customer dan volume RGB yang masih bisa di simpan di return center. Dari 16 gudang yang ada di Jawa Timur yang berfungsi sebagai distribution center dan return center, berdasarkan hasil dari running yang dilakukan dengan menggunakan software program MATLAB di dapatkan kromosom terbaik, dimana dari kromosom tersebut berdasarkan representasi kromosom di bab 3, didapatkan bahwa hanya satu gudang yang tidak optimal yaitu gudang 3, dimana lokasi gudang 3 adalah di Bangkalan Tidak optimalnya kedua gudang tersebut, dapat dipicu karena demand dari customer yang sedikit, kapasitas gudang yang terlalu besar serta membengkaknya biaya yang harus dikeluarkan setiap tahunnya. Dari hasil running, didapatkan juga berdasarkan hasil kromosom terbaik yaitu return center mana saja yang digunakan sebagai gudang untuk menampung pengembalian RGB dari customer ke gudang serta sisa tempat untuk menaruh pengembalian RGB dari customer ke gudang didapatkan bahwa dari 16 gudang yang

ISBN : 978-979-99735-4-2 A-31-7


dioperasikan saat ini, dimana 1 gudang sudah tidak optimal sementara 1 gudangnya yaitu gudang 13, dimana lokasi gudang adalah di Banyuwangi, fungsi gudang tersebut hanyalah sebagai distribution center saja. Total biaya yang dihasilkan dengan menggunakan software program MATLAB adalah lebih baik jika dibandingkan dengan total biaya yang harus dikeluarkan oleh skenario saat ini untuk semua gudang yang dioperasikannya dalam rangka untuk meningkatkan performansi sistem distribusinya, dengan total biaya yang harus dikeluarkan adalah sebesar Rp. 14.454.280.382 untuk tahun 2006. Analisa Sensitivitas Terhadap Perubahan Parameter GA

total cost (Rp.)

14400000000 14200000000 14000000000 13800000000

max_gen/300

13600000000

pop_size/100

13400000000 13200000000 13000000000 1

2

3

4

5

Gambar 4. Analisa Sensitivitas Terhadap Perubahan Parameter GA

Gambar 4 diatas merupakan grafik yang menunjukkan analisa sensitivitas terhadap perubahan parameter GA, dimana pada gambar diatas apabila nilai maksimum generasi dirubah dengan ukuran populasi tetap, dan begitu pula sebaliknya jika ukuran populasi dirubah dengan nilai maksimum generasi tetap, didapatkan bahwa dengan merubah parameter GA ternyata tidak begitu mempengaruhi terhadap solusi yang di dapatkan, atau dapat dikatakan bahwa perubahan yang terjadi tidak dapat disimpulkan menuju ke solusi yang lebih baik atau lebih buruk. KESIMPULAN Berdasarkan hasil dari analisa pada bab sebelumnya mengenai penyelesaian penentuan lokasi fasilitas dengan menggunakan pendekatan algoritma genetik dimana pengolahan data yang dilakukan adalah menggunakan bantuan software program MATLAB, didapatkan kesimpulan sebagai berikut : 1. Pengolahan data yang dilakukan dengan menggunakan bantuan software program MATLAB, didapatkan bahwa total biaya dari hasil running adalah sebesar Rp. 13.443.266.377,560 adalah lebih baik jika dibandingkan dengan total biaya skenario saat ini yaitu sebesar Rp. 14.454.280.382. Hal ini berarti adanya penghematan biaya sebesar 6.99% atau Rp. 1.011.014.005,560 2. Dari 16 gudang yang dioperasikan di seluruh Jawa Timur untuk menangani permintaan dari 30 customernya, dalam hal ini adalah kabupaten-kabupaten di seluruh Jawa Timur didapatkan hanya satu gudang yang tidak optimal yaitu gudang 3, yang berlokasi di Bangkalan Madura. 3. Terdapat satu gudang yang hanya berfungsi sebagai distribution center saja dari 15 gudang yang optimal berdasarkan hasil dari running program untuk memilih kromosom terbaik, yaitu gudang 13 yang berlokasi di Banyuwangi.

ISBN : 978-979-99735-4-2 A-31-8


4. Analisa sensitivitas yang dilakukan untuk mengetahui pengaruh terhadap perubahan pada parameter GA baik itu pada nilai generasi maksimum dan ukuran populasi dengan probabilitas crossover dan mutasi yang tetap, menunjukkan bahwa perubahan yang terjadi tidak dapat disimpulkan menuju ke solusi yang lebih baik atau lebih buruk DAFTAR PUSTAKA Freeman, L. Michael dan Charles L. Karr. (1998). Industrial Application of Genetic Algorithms. CRC Press. Boca Paton, Florida. Goldberg, David. (1989). Genetic Algorithm In Search, Optimization, And Machine Learning, ddison-Wesley Publishing Company. Jaramillo, J.H., Bhadury J., dan Batta R. (2002). “On The Use of Genetic Algorithms to Solve Location Problems.” Computer and Operational Research. 29 : 761-79. Krikke, H.R., (1998). Partnership In Reverse Logistics : OR-Model Building In New Of Practical Developments. Paper. Erasmus University, School of Management Studies. Rotterdam, The Netherlands. hal 1-11 Min, Hokey, Hyung Jeung Ko, dan Chang Seong Ko. (2006). A Genetic Algorithms Approach to Devoloping Multi-Echelon Reverse Logistics Network for Return glass bottles. European journal Of Management Science. 34: l 56-69. W., Bagus Adi Ismail. (2007). “Implementasi Model Single Source Capacitated Location Problem Dalam Jaringan Distribusi Logistik di PT. Philips Indonesi.” Thesis, Institut Teknologi Sepuluh Nopember, Surabaya. Weise, Thomas. (2007). “Global Optimization Algorithms : Theory and Application.” www.it-weise.de/projects/book.pdf Zhou, Gengui, Zhenyu Cao, Fangzhong Qi, dan Jian Cao. (2006). A Genetic Algorithm Approach On A Logistics Distribution System With Uncertain Demand And Return glass bottle. World Journal Of Modelling And Simulation. Vol. 2 (2006)

ISBN : 978-979-99735-4-2 A-31-9


ISBN : 978-979-99735-4-2 A-31-10


ISBN : 978-979-99735-4-2 A-31-11

IMPLEMENTASI FACILITY LOCATION PROBLEM

Recommend Documents