PENGEMBANGAN ALGORITMA SIMULATED ANNEALING UNTUK PENYELESAIAN MASALAH ALOKASI PADA CLOSED LOOP SUPPLY CHAIN (CLSP)

PENGEMBANGAN ALGORITMA SIMULATED ANNEALING UNTUK PENYELESAIAN MASALAH ALOKASI PADA CLOSED LOOP SUPPLY CHAIN (CLSP)

Pembimbing: Prof. Ir. Budi Santosa, M.S. Ph.D Disusun Oleh: Risal Arsyad Muhaddad 2510100127 Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember

Remanufacture

Closed Loop Supply Chain Kebutuhan Supply Chain Perusahaan

Reverse Logistics

Re-cycle

Forward Logistics

Perkembangan Supply Chain

LATAR BELAKANG

Re-use

Perhitungan Lama

NP-Hard Problem Closed Loop Supply Chain

Perhitungan Eksak

Metode Metaheuristik

Semakin Kompleks

LATAR BELAKANG

Tidak mudah terjebak pada lokal optimum

Simulated Annealing

Tabu Search

Adanya strukur memori fleksibel

TUJUAN PENELITIAN Mengembangkan model Closed Loop Supply Chain

1 2 Mengembangkan algoritma dan menghasilkan kode program untuk Simulated Annealing dalam menyelesaikan Closed Loop Supply Chain

MANFAAT PENELITIAN penyelesaian permasalahan Closed Loop Supply Chain dengan menggunakan algoritma Simulated Annealing

kontribusi dalam bidang keilmuan optimasi

RUANG LINGKUP PENELITIAN BATASAN 1. Menggunakan multi eselon yang terdiri dari manufacturing plants, warehouse, dan distributor 2. Data yang digunakan adalah data artificial

ASUMSI 1. Jarak asimetris 2. Back-order tidak diperhitungkan

CLOSED LOOP

SUPPLY CHAIN 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:

INDEKS

BIAYA DARI FUNGSI TUJUAN

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) .

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

 (QP

k , z.

.PTkm )  Pk

kmz

m

Konstrain kapasitas gudang

 QRP

kmz

  QTCCPckmz  PS k

m

Kebutuhan bahan baku

m

c

k , z. k , z, m

QPkmz  QRPkmz  0

Konstrain aliran untuk manufacturer QPkmz   QTCCPckmz   QTPDkjmz  0 c

k , z, m

j

Distributor Konstrain kapasitas gudang

 INVD

jm ( z 1)

m

Konstrain aliran untuk distributor

k

 INVD

jm ( z 1)

m

Wholesaler Konstrain kapasitas gudang

 INVW

im ( z 1)

m

Konstrain aliran untuk wholesaler

  QTPDkjmz  DS j ,

j, z.

m

    QTPDkjmz   INVD jmz   QTDWjimz   0, m, j, z. k i     QTDWjimz  WS i , j

i, z.

m

  INVWim( z 1)   QTDWjimz   INVWimz   QTWRiwmz   0, i  

m, i, z.

 INVR

m, z.

Retailer Konstrain kapasitas gudang

wm( z 1)

m

Konstrain aliran demand

  QTWRiwmz  RS w i

m

INVR wm( z 1)   QTWRiwmz  INVR wmz  DEM wmz ,

m, w, z.

Collection Center Kuantitas aliran kembali

INVC

cm ( z 1)

   RETcmz     QTCCPckmz  INVC cmz   0,  

m, c, z.

PERBANDINGAN

PENELITIAN

Subramanian P., Ramkumar N., Narendran T.T., & Ganesh K., (2012)  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

PENELITIAN INI  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

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

TAHAPAN METODOLOGI PENELITIAN

Pengumpulan dan Generate Data

Pengembangan Model

Pengembangan Algoritma

Analisis dan Kesimpulan

Data jaringan distribusi, jarak distribusi Data kapasitas produksi pabrik, kapasitas warehouse, demand disetiap distributor

Data inventory cost pada setiap warehouse

PENGUMPULAN DAN GENERATE

DATA

Data penggunaan barang re-use

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

PENGEMBANGAN

MODEL CLSC

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 =

 QMW

mwpt

m

TCWD =

p

t

wdpt

d

p

.CWDwd

p

t

 QWM

.CDWdw

TCIW =

m

p

p

p

.CWM wm

mpt

.ICM mp

t

 INVW w

wmpt

t

 INVM m

dwpt

w

TCIM =

t

 QDW d

TCWM =

w

 QWD w

TCDW =

w

.CMWmw

t

wpt

.ICWwp

Manufacturer Konstrain kapasitas produksi Jumlah produk yang keluar dari manufaktur ke warehouse harus kurang dari atau sama dengan kapasitas produksi

 QMW

mwpt

 CPm

m, p, t.

w

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

 INVW

wp( t 1)

  QMWmwpt   REW dwpt  CWw ,

p

p

m

p

w, t.

d

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 w, p, t. INVWwp (t 1)  QMWmwpt  QWDwdpt  REWdwpt  DIWwpt  REM mwpt  INVWwpt  0,









m

d

d

m

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)

  INVDdp(t 1)   QWDwdpt   INVDdpt   REW dwpt  DIDdpt   0, d , p, t. w w  

Tentukan parameter : Temperatur awal (To), Faktor pereduksi temperatur (c), siklus penurunan suhu (n) dan stopping criteria

1 ALGORITMA

SIMULATED ANNEALING

4

2

Bangkitkan set solusi awal secara random

3

Hitung nilai fungsi tujuan

Ulangi langkah berikut hingga stopping criteria tercapai

a

a

Update iterasi=i+1, dan iterasi siklus i =p+1

b

Jika p =n, update temparature T=T*c, p=0 Jika tidak , T=T

c Bangkitkan solusi baru berdasarkan solusi sebelumnya swap, slide, atau flip

Bandingkan solusi baru dengan Tabu List Jika solusi baru = tabu list Bangkitkan solusi baru Jika tidak, lanjutkan

ALGORITMA

SIMULATED ANNEALING TABU SEARCH

d

Simpan set solusi buruk pada Tabu List

Hitung nilai fungsi tujuan F(x) Jika solusi baru lebih baik dari solusi awal set x= x baru Jika tidak cek kriteria metropolis, e  E / kT Bangkitkan bilangan random (r) Jika r > e  E / kT set x = x baru. Jika tidak, x = x lama Cek stopping criteria, Jika dipenuhi berhenti , jika tidak kembali ke a

PENGEMBANGAN ALGORITMA

SIMULATED ANNEALING DATA UJI 1 : 1 Periode, 1 Produk, 2 Warehouse , dan 2 Distributor Demand Distibutor

D1 D2

Manufacture Warehouse Distibutor

7500 8000

1 W1 W2 D1 D2

Botol Balik ke Botol Balik ke Warehouse Manufacture 6700 6000 7500 7000

Manufacture 1 0 23 20 -

Warehouse W1 W2 25 18 0 0 190 140 185 165

Distributor D1 D2 200 150 180 175 0 0

Kapasitas Produksi Warehouse

1 W1 W2

C 16500 15000 18000

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 =

rn = 1

1 2

j = 2

1

 Biaya Distribusi  Biaya Inventory

s = 1

k = 1

2

l2 = 2

l =

2

1

3. Perhitungan Fungsi Tujuan Tujuan pada model ini adalah Minimasi total biaya dari CLSC yang terdiri dari :

2 1

TotalBiaya1 = 19225125

1

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.

Total biaya dari CLSC yang terdiri dari :  Biaya Distribusi  Biaya Inventory

i =

rn = 1

1 2

2 1

j = 1

2

s = 1

k =

l2 = 1

2

1

2

l =

TotalBiaya2 = 20831100

1

2

PENGEMBANGAN ALGORITMA

SIMULATED ANNEALING 5. Membandingkan Solusi Baru dengan Solusi Lama Solusi Baru > Solusi Lama Solusi baru yang didapatkan lebih buruk dari solusi sebelumnya Kriteria Metropolis Temperatur = 500

Generate bilangan random :

∆E = |Solusi BaruSolusi Lama|

r = 0,254

Update iterasi, siklus dan temperatur

= 1605975

P(E) = e-ΔE/kT P(E) =

e-1605975/500

P(E) = 0

r > P(E) Bilangan random lebih dari probabilitas Boltzman, set solusi yang baru tidak dapat diterima, sehingga set solusi saat ini sama dengan set solusi lama.

Cek stopping kriteria

VERIFIKASI

VALIDASI

• Membandingkan apakah logika perhitungan dalam algoritma sudah sama dengan logika perhitungan manual. • Tidak terdapat error dalam melakukan komputasi dengan software MATLAB.

Validasi Algoritma dilakukan dengan cara membandingkan hasil output komputasi algoritma dengan hasil output enumerasi

.

OUTPUT ENUMERASI Total biaya CLSC = 18904275 ALOKASI P

P

W1

W1B

7.500

W2

W2B

D1

D2

D1B

9.000

W1

7.500

W1B 6.000

VERIFIKASI DAN

VALIDASI

7.500

W2

7.500

W2B 7.000 D1 D2 D1B D2B

D2B

500 6.700

6.700 7.500

ALGORITMA

SIMULATED ANNEALING VALIDASI

VERIFIKASI • Membandingkan apakah logika perhitungan dalam algoritma sudah sama dengan logika perhitungan manual. • Tidak terdapat error dalam melakukan komputasi dengan software MATLAB.

√

.

√

W_New = 7500 9000 QWD = 0 7500

INVW(:,:,2) = 0 1000 7500 500

REM(:,:,1) = 6000 7000 REM(:,:,2) = 6375 5695

VERIFIKASI DAN

VALIDASI

QDW = 0 7500

INVW(:,:,1) = 0 0

6700 0

total_SA = 18904275 waktu = 0.6240

ALGORITMA

SIMULATED ANNEALING

TABU SEARCH

VALIDASI

VERIFIKASI • Membandingkan apakah logika perhitungan dalam algoritma sudah sama dengan logika perhitungan manual. • Tidak terdapat error dalam melakukan komputasi dengan software MATLAB.

√

.

√

W_New = 7500 9000 QWD = 0 7500

INVW(:,:,2) = 0 1000 7500 500

REM(:,:,1) = 6000 7000 REM(:,:,2) = 6375 5695

VERIFIKASI DAN

VALIDASI

QDW = 0 7500

INVW(:,:,1) = 0 0

6700 0

total_SA_TS = 18904275 waktu = 0.2964

EKSPERIMEN DAN ANALISIS DESKRIPSI

DATA UJI Data ke-

1

Ukuran Data Uji

Sumber Data

Produk Periode Warehouse Distributor 1 1 2 2

Data Generate

2

2

3

3

5

Data Generate

3

4

7

8

31

Data Demand dan Generate

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 Total Biaya Waktu Komputasi Replikasi (1e+004) (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 Total Biaya Waktu Komputasi Replikasi (1e+004) (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 Total Biaya Waktu Komputasi Replikasi (1e+004) (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 Total Biaya Waktu Komputasi Replikasi (1e+004) (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 Total Biaya Waktu Komputasi Replikasi (1e+004) (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 Total Biaya Waktu Komputasi Replikasi (1e+004) (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 SA

SA-TS

c=0.6, n=10, maxiter=2000, To=600

c=0.6, n=10, maxiter=2000, To=600

No Replikasi 1 2 3 4 5 6 7 8 9 10 Rata-rata

Total Biaya (1e+004) 1.2048 1.2085 1.2085 1.2085 1.2081 1.2085 1.2048 1.2085 1.2134 1.2085 1.2082

Waktu Komputasi (detik) 10.4365 10.6081 10.5925 10.6549 10.5457 10.5925 10.4521 10.5145 10.5145 10.6705 10.5582

No Total Biaya Replikasi (1e+004) 1 1.2048 2 1.2048 3 1.2048 4 1.2085 5 1.2081 6 1.2048 7 1.2048 8 1.2048 9 1.2081 10 1.2048 Rata-rata 1.2058

Waktu Komputasi (detik) 16.8013 16.8637 16.9573 16.8949 16.8481 16.8949 16.8169 16.8481 16.8637 16.7233 16.8512

DATA UJI 2 : 3 Periode, 2 Produk, 3 Warehouse, dan 5 Distributor 𝑮𝑨𝑷 =

(𝑯𝒂𝒔𝒊𝒍 𝑷𝒆𝒓𝒉𝒊𝒕𝒖𝒏𝒈𝒂𝒏 𝑺𝑨_𝑻𝑺 − 𝑯𝒂𝒔𝒊𝒍 𝑷𝒆𝒓𝒉𝒊𝒕𝒖𝒏𝒈𝒂𝒏 𝑺𝑨) 𝑿 𝟏𝟎𝟎% 𝑯𝒂𝒔𝒊𝒍 𝒑𝒆𝒓𝒉𝒊𝒕𝒖𝒏𝒈𝒂𝒏 𝑺𝑨_𝑻𝑺 Total Biaya

No Replikasi

1 2 3 4 5 6 7 8 9 10

SA-TS (1e+004)

1.2048 1.2048 1.2048 1.2085 1.2081 1.2048 1.2048 1.2048 1.2081 1.2048 Rata-rata

SA (1e+004)

1.2048 1.2085 1.2085 1.2085 1.2081 1.2085 1.2048 1.2085 1.2134 1.2085

GAP

0.00% -0.31% -0.31% 0.00% 0.00% -0.31% 0.00% -0.31% -0.44% -0.31% -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 1 2 3 4 5 6 7 8 9 10

SA-TS (detik) 16.8013 16.8637 16.9573 16.8949 16.8481 16.8949 16.8169 16.8481 16.8637 16.7233 Rata-rata

SA (detik)

Perbandingan

10.4365 10.6081 10.5925 10.6549 10.5457 10.5925 10.4521 10.5145 10.5145 10.6705

0,6212 0,6290 0,6247 0,6307 0,6259 0,6270 0,6215 0,6241 0,6235 0,6381 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

c=0.6, n=10, maxiter=2000, To=600

No Replikasi

Total Biaya (1e+008)

Waktu Komputasi (detik)

No Replikasi

Total Biaya (1e+008)

Waktu Komputasi (detik)

1 2 3 4 5 6 7 8 9 10 Rata-rata

5.4395 5.3768 5.2949 5.2162 5.2572 5.3150 5.4623 5.1719 5.2916 5.3818 5.3207

51.2307 53.0091 50.7783 50.1699 50.5755 50.7315 50.3259 50.6067 51.7143 51.3555 51.0497

1 2 3 4 5 6 7 8 9 10 Rata-rata

5.2337 5.3120 5.3120 5.1640 5.2453 5.2279 5.2799 5.2286 5.1973 5.2106 5.2411

58.282 53.0091 55.9108 59.686 50.5755 58.3444 59.21 58.3676 58.9996 57.9232 57.0308

DATA UJI 2 : 3 Periode, 2 Produk, 3 Warehouse, dan 5 Distributor 𝑮𝑨𝑷 =

(𝑯𝒂𝒔𝒊𝒍 𝑷𝒆𝒓𝒉𝒊𝒕𝒖𝒏𝒈𝒂𝒏 𝑺𝑨_𝑻𝑺 − 𝑯𝒂𝒔𝒊𝒍 𝑷𝒆𝒓𝒉𝒊𝒕𝒖𝒏𝒈𝒂𝒏 𝑺𝑨) 𝑿 𝟏𝟎𝟎% 𝑯𝒂𝒔𝒊𝒍 𝒑𝒆𝒓𝒉𝒊𝒕𝒖𝒏𝒈𝒂𝒏 𝑺𝑨_𝑻𝑺 Total Biaya No Replikasi 1 2 3 4 5 6 7 8 9 10

SA-TS (1e+004) 5.2337 5.312 5.312 5.164 5.2453 5.2279 5.2799 5.2286 5.1973 5.2106 Rata-rata

SA (1e+008) 5.4395 5.3768 5.2949 5.2162 5.2572 5.315 5.4623 5.1719 5.2916 5.3818

GAP -3.93% -1.22% -1.31% -0.15% -0.23% -1.67% -3.45% -1.20% -0.36% -1.62% -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 1 2 3 4 5 6 7 8 9 10

SA-TS (detik) 58.2820 53.0091 55.9108 59.6860 50.5755 58.3444 59.2100 58.3676 58.9996 57.9232 Rata-rata

SA (detik) 51.2307 53.0091 50.7783 50.1699 50.5755 50.7315 50.3259 50.6067 51.7143 51.3555

Perbandingan 0.879 1 0.9185 0.8479 1 0.8695 0.85 0.886 0.8503 0.8766 0.8978

KESIMPULAN

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.

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.

1 2

SARAN

Menerapkan teknik penyelesaian CLSC pada perusahaan secara langsung

Dapat dipertimbangkan produksi yang tidak constant, terdapat bagaian pembuangan dan bagian reuse serta biayanya, backorder

Menggunakan algoritma metaheuristik lain yang termasuk dalam kelompok population based seperti PSO, ACO dan beberapa teknik lainnya

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.

TERIMA KASIH

Go for

DISCUSSION

RISAL ARSYAD MUHADDAD