PENGEMBANGAN MODEL FORWARD REVERSE LOGISTICS DENGAN MEMPERTIMBANGKAN BATCH SIZE DAN RETURN RATIO UNCERTAINTY DOSEN PEMBIMBING : Prof. Ir. Udisubakti Ciptomulyono, M.Eng.Sc Prof. Ir. I Nyoman Pujawan, M.Eng., Ph.D.
Perumusan Masalah Melakukan pengembangan stochastic model forward reverse logistics network dimana pemenuhan demand yang semula hanya dari pembelian material baru, dikembangkan dengan pemenuhan kebutuhan juga berasal dari product recovery yang telah terpakai oleh konsumen. Dengan mempertimbangkan : • Kondisi ketidakpastian batch size • Kondisi ketidakpastian return ratio
Tujuan Mengembangkan model & melakukan analisa terhadap dampak yang diakibatkan dari kondisi batch size yang berbeda pada tiap periode dan variasi jumlah bahan baku produk yang didapat dari return product, dengan bahan baku produk yang dibeli dari supplier terhadap profit yang dihasilkan.
Manfaat • Dapat digunakan dalam pengambilan keputusan dalam forward‐reverse logistic problem. •Memberikan kontribusi penelitian yakni multi period multi echelon forward‐reverse logistics network model dengan mempertimbangkan berbagai kondisi ketidakpastian (uncertainty).
Asumsi 1. Model yang digunakan adalah single product, multi periode, multi echelon forward-reverse logistic network. 2. Terdapat variasi batch size serta variasi jumlah bahan material produk yang didapat dari return product. 3. Parameter biaya (fixed, material, manufacturing, transportation, remanufacturing, disassembly, recycling, shortage, disposal) pada masing-masing fasilitas diketahui. 4. Jumlah maksimum tiap fasilitas (supplier, pabrik, distributor, disassemblies) yang beroperasi dan jumlah customer diketahui.
POSISI PENELITIAN Penulis
Modelling
Problem Definition
Kontribusi Penelitian
Maria Isabel MILP solved by B Gomes Salema et & B technique al (2007)
‐Capacity limit ‐Multi product ‐Single period ‐Demand & return uncertainty
Pemodelan capacitated multi product reverse logistics network dengan mempertimbangkan demand & return uncertainty
El‐Sayed, N. afia, A. El‐Kharbotly (2008)
Stochastic Mixed Integer Linear Programming
‐Multi period ‐Single product ‐Stochastic demand & return ratio
Munculnya analisa risiko yang ditimbulkan akibat variasi demand mean dan return ratio terhadap total profit.
Akhsay Mutha Shaligram P. (2009)
Mixed Integer Linear Programming
‐Multi product ‐Single period ‐Deterministic
Desain reverse logistics network dimana pemenuhan demand didapat dari recovered modules dan new modules yang dibeli dari supplier
Penelitian ini (2010)
Stochastic Mixed Integer Linear Programming
‐Multi period ‐Single product ‐Uncertainty batch size dan return ratio
Munculnya analisa risiko yang ditimbulkan Munculnya analisa risiko yang akibat variasi batch size tiap periode dan ditimbulkan akibat variasi batch size tiap return ratio terhadap total profit. Desain periodereverse logistics network dimana dan return ratio terhadap total forward profit. Desain forward reverse logistics pemenuhan demand didapat dari recovered network dimana pemenuhan demand material dan new material yang dibeli dari didapat dari recovered material dan new supplier. material yang dibeli dari supplier.
METODOLOGI PENELITIAN Identifikasi topik penelitian Menemukan ruang bahasan yang akan diteliti Studi literatur Menemukan gap penelitian : Posisi penelitian Perumusan masalah Perumusan masalah difokuskan pada pengembangan model Pengembangan model Mendapatkan model dari permasalahan Verifikasi model Menentukan metode solusi & verifikasi model Percobaan numerik Melihat perilaku dari model yang telah dikembangkan Hasil percobaan Analisa dan interpretasi
Kesimpulan & saran
PENGEMBANGAN NETWORK MODEL Qsf
Supplier
Qfd
Pabrik
Qdc
Distributor
Qas
Consumer
Qaf Qca
Batch size & return ratio uncertainty
Second Consumer
Qak
Dissasembly Qap
Forward logistics Reverse logistics
Disposal
Network dan aliran produk yang dikembangkan dalam model
FORMULASI MODEL Sets : S : F : D : C : c A : a P : p K : k
Potensial jumlah pemasok, dinotasikan s Potensial jumlah pabrik, dinotasikan f Potensial jumlah distributor , dinotasikan d Potensial jumlah konsumen pertama , dinotasikan Potensial jumlah disassembly centre,
dinotasikan
Potensial jumlah disposal locations,
dinotasikan
Potensial jumlah konsumen kedua, dinotasikan dengan
FORMULASI MODEL Parameters : Dct : Jumlah permintaan konsumen pertama c pada periode t. Dk : Jumlah permintaan konsumen kedua k. Pc : Harga jual produk pada konsumen pertama c. Pk : Harga jual produk pada konsumen kedua k. Dsij : Jarak dari fasilitas i ke fasilitas j. CSs : Kapasitas pasokan dari pemasok s. CFf : Manufacturing capacity dari pabrik f. CMf : Remanufacturing capacity dari pabrik f. CRs : Recycling capacity dari supplier s. CDd : Kapasitas distribusi dari distributor d. SQfd : Shortage quantities dari pabrik f terhadap distributor d. Fi : Fixed cost, apabila fasilitas i beroperasi MCs : Biaya material per unit dari pemasok s. Mca : Biaya material per unit dari disassembly centre a.
FCf : Biaya manufacturing dari pabrik f. RCf : Biaya remanufacturing dari pabrik f. CCs : Biaya recycling dari supplier s. ACa : Biaya disassembly dari disassembly centre a. PCc : Biaya pembelian (purchasing cost) dari kunsumen c. OCp : Biaya pembuangan dari disposal centre p. SCf : Shortage cost per unit dari pabrik f. TC : Biaya transportasi per unit per kilometer. RR : Return ratio dari konsumen pertama. RM : Remanufacturing ratio. RC : Recycling ratio. RP : Disposal ratio. RK : Repairing ratio.
FORMULASI MODEL • Parameters: DSij = Jarak dari fasilitas i ke fasilitas j DSij = (x j - xi )2 - (yj - yi )² • Decision variabels : Li : Binary variable bernilai 1 apabila fasilitas i beroperasi dan 0 apabila tidak beroperasi Qijt : Aliran produk dari fasilitas i ke fasilitas j pada periode t.
FORMULASI MODEL ` Objective Function Maximum Profit ` Total expected profit Total expected profit = total expected income – total expected cost ` Total expected income Total expected income = first sales + second sales Q dct Pc ∑ ∑ ∑ First sales income = d ∈ D c ∈ C t ∈T Second sales income =
∑∑∑Q a ∈ A k ∈ K t ∈T
akt
Pk
FORMULASI MODEL
• Total expected cost Fs Ls + ∑ Ff L f + ∑ Fd Ld + ∑ Fa La + ∑ Fp Lp ∑ 1. Fixed cost = s∈S f ∈F d∈D a∈A p∈P 2. Material cost = ∑ ∑ ∑ Qsft MC s + ∑ ∑ ∑ Qaft MC a s∈S f ∈F t∈T
3. Manufacturing cost = 4. Shortage cost =
a∈ A f ∈F t∈T
∑ ∑∑Q s ∈ S f ∈ F t ∈T
sft
∑ ∑ ∑ SQ f ∈ F d ∈ D t∈T
FC
fdt
f
SC f
Shortage quantities (SQ) =
5.
Purchasing cost
=
∑∑∑Q c∈C a∈ A t∈T
cat
PC c
FORMULASI MODEL 6. Dissasembly
cost
∑∑∑Q
=
c∈C a∈ A t∈T
7. Remanufacturing cost = 8. Recycling cost = 9. Disposal cost 10. Transportation cost
= =
cat
∑ ∑∑Q a∈ A f ∈ F t ∈T
∑∑∑Q ∑∑∑Q a∈ A s∈S t∈T
a ∈ A p ∈ P t ∈T
aft
ast
AC a RC f
CC s
apt
OC p
∑ ∑∑ Q
TCDSsf + ∑∑∑ Q fdtTCDS fd + ∑∑∑ QdctTCDSdc +
∑∑∑ Q
TCDSsf + ∑∑∑ QastTCDSas + ∑∑∑ QaftTCDSaf +
∑∑∑ Q
TCDSap + ∑∑∑ QaktTCDSak
sft
s∈S f ∈F t∈T
cat
c∈C a∈A t∈T
a∈A p∈P t∈T
f ∈F d∈D t∈T
apt
a∈A s∈S t∈T
a∈A k∈K t∈T
d∈D c∈C t∈T
a∈A f ∈F t∈T
FORMULASI MODEL •
Balance constrains
∑Q s∈ S
∑Q
∑Q
d ∈D
a∈ A
a∈A
cat
∑Q c∈C
∑Q f ∈F
∑Q
aft
dct,
∑Q
d ∈D
fdt,
∀ t ∈ T, ∀ f ∈ F
∀ t ∈ T, ∀ d ∈ D
+ ∑ Qast + ∑ Qakt + ∑ Qapt ,∀t ∈ T,∀a ∈ A s∈S
k∈K
≤ ∑ Qdct*RR,∀t ∈ T,∀c ∈ C d ∈D
*RM =
cat
=
aft
≥ D ct , ∀ t ∈ T, ∀ c ∈ C
=
cat
∑Q c ∈C
dct
∑Q
∑Q a∈ A
=
fdt
f ∈F
+
sft
∑Q f ∈F
∀t ∈ T,∀a ∈ A
aft,
p∈P
FORMULASI MODEL ∑Q
*RC = ∑ Qast,∀t ∈ T,∀a ∈ A
∑Q
*RK =
cat
c∈C
c∈ C
∑Q c∈C
∑Q a∈A
cat
cat
akt
*RP =
s∈S
∑Q
k∈K
∑Q p∈P
akt,
apt,
∀ t ∈ T, ∀ a ∈ A
∀ t ∈ T, ∀ a ∈ A
≥ Dkt,∀t ∈ T, ∀k ∈ K
FORMULASI MODEL • Capacity constrain
∑ Q ≤ CS L , ∀ t ∈ T, ∀ s ∈ S ∑ Q ≤ CM L + CR L ,∀t ∈ T, ∀f ∈ F ∑ Q ≤ CD L ,∀t ∈T, ∀d ∈ D ∑ Q + ∑Q + ∑Q + ∑Q ≤ CA L ,∀t ∈T, ∀a ∈ A sft
f ∈F
d ∈D c∈C
s
fdt
f
dct
s∈S
ast
d
f ∈F
s
f
f
f
d
aft
k∈K
akt
p∈P
apt
∑Q
sft
≤ CF f L f ,∀ t ∈ T, ∀ f ∈ F
∑Q
aft
≤ CM f L f ,∀ t ∈ T, ∀ f ∈ F
s∈ S
a∈ A
∑Q a∈ A
∑Q a∈ A
ast
apt
≤ CR s Ls ,∀t ∈ T, ∀s ∈ S ≤ CPp L p ,∀t ∈ T, ∀p ∈ P
a a
FORMULASI MODEL • Maximum number of activated locations constraints
∑L
s
∑
L
f
∑
Ld ≤ D
s∈ S
f ∈F
d∈D
≤S ≤ F
∑L
a
≤ A
∑L
p
≤ P
a∈ A
p∈ P
Hasil Komputasi dengan Parameter Return Ratio
TEP (Profit)
TEI (INCOME)
RM
RC
RK
RP
0,55
0,1
0,1
0,25
10.601.500,00
69.866.670,00
0,6
0,1
0,1
0,2
15.573.130,00
0,65
0,1
0,1
0,15
0,7
0,1
0,1
0,75
0,1
0,8
0,1
TEC (COST)
Qsf
Qaf
59.265.170,00
4467
2200
87.333.330,00
71.760.200,00
5333
3000
20.804.760,00
104.800.000,00
83.995.240,00
6100
3900
0,1
21.474.760,00
104.800.000,00
83.325.240,00
5800
4200
0,1
0,05
22.194.760,00
104.800.000,00
82.605.240,00
5500
4500
0,1
0
22.919.760,00
104.800.000,00
81.880.240,00
5200
4800
Hasil Komputasi dengan Parameter Batch Size
• Batch size akan berpengaruh pada shortage quantities yang didapatkan sesuai dengan persamaan : Shortage Quantities (SQ) = Demand distribution centre
Skenario batch size
Shortage quantities
DC1
DC2
DC3
Total Demand
1530
1455
1570
4555
t1
t2
t3
t4
t5
5
25
50
100
200
t1
t2
t3
t4
t5
5
30
55
355
555
Hasil komputasi berdasarkan batch size
Batch Size
Shortage Quantities
TEI
TEC
Profit
5
5
109.600.000,00
82.262.760,00
27.337.240,00
25
30
109.600.000,00
82.600.260,00
26.999.740,00
50
55
109.600.000,00
82.937.760,00
26.662.240,00
100
355
109.600.000,00
86.987.760,00
22.612.240,00
200
555
109.600.000,00
89.687.760,00
19.912.240,00
Verifikasi Model Sebagai contoh perhitungan manual dilakukan pada skenario remanufacturing ratio sebesar 30%, recycling ratio sebesar 30%, repairing ratio sebesar 30%, dan disposal ratio sebesar 10% menghasilkan : • Total expected income (TEI) = 114.399.890,00 • Total expected cost (TEC) = 89.595.475,00 • Total profit (TEP) = 24.804.415,00 Sedangkan perhitungan dengan software Lingo menghasilkan : • TEI 114.400.000,00 • TEC 89.595.270,00 • TEP 24.804.730,00
Verifikasi Model Perhitungan manual pada skenario batch size sebesar 500 pada remanufacturing ratio sebesar 35%, recycling ratio sebesar 30%, disposal ratio sebesar 30%, dan disposal ratio sebesar 5% adalah sebagai berikut : • Total expected income (TEI) = 114.399.890,00 • Total expected cost (TEP) = 88.855.465,00 • Total profit = 25.544.425,00
Sedangkan perhitungan dengan software Lingo menghasilkan : • TEI 114.400.000,00 • TEC 88.855.270,00 • TEP 25.544.730,00
Analisa Remanufacturing Ratio 35.000.000 30.000.000
Profit
25.000.000 20.000.000 15.000.000 10.000.000 5.000.000 0
0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5 0,55 0,6 Remanufacturing ratio
Dapat disimpulkan bahwa semakin tinggi remanufacturing ratio semakin tinggi keuntungan yang dihasilkan
Analisa Faktor Disposal Ratio Analisa Disposal Ratio 25.000.000
Profit
20.000.000 15.000.000 10.000.000 5.000.000
0
0,05
0,1
0,15
0,2
0,25
0,3
0,35
0,4
0,45
0,5
0,55
0,6
0,65
0,7
0,75
0,8
-
Disposal Ratio
Semakin besar nilai disposal ratio semakin tidak menguntungkan untuk membuka reverse line, dan semakin rendah nilai disposal ratio semakin besar keuntungan yang didapat.
Perbedaan pengembangan model pada penelitian ini dengan penelitian El Sayed et al. (2008) Pembeda Total maximum
Penelitian ini
Penelitian El Sayed et.al (2008)
29.869.740
23.607.160
profit Parameter
Batch size dan return ratio
Demand mean dan return ratio
ketidakpastian Perbedaan
Mempertimbangkan pemakaian Belum mempertimbangkan
Network
material produk kembali untuk
pemakaian material produk
proses produksi selanjutnya
kembali untuk proses produksi selanjutnya.
Kelebihan lain
Efisiensi network dan aliran
Aliran produk dari disassembly
produk
menuju pabrik masih harus dikirim menuju redistributor, dan kemudian dijual pada konsumen kedua
Kesimpulan •
•
•
•
Telah dilakukan pengembangan model forward reverse logistics dengan memperhatikan batch size dan return ratio uncertainty. Pengembangan network menghasilkan network yang lebih efisien dan peningkatan keuntungan yang diperoleh. Semakin besar nilai remanufacturing ratio semakin tinggi keuntungan yang diperoleh. Semakin besar disposal ratio semakin tidak memberikan keuntungan untuk dibukanya reverse line.
•
•
•
Pada recycling ratio, remanufacturing ratio, repairing ratio yang bernilai tinggi, lebih besar kemungkinan diperolehnya keuntungan untuk membuka reverse line. Pada saat jumlah permintaan kecil perolehan keuntungan sudah bisa didapatkan pada remanufacturing ratio yang rendah. Berkurangnya total profit disebabkan oleh bertambahnya jumlah permintaan yang tidak dapat terpenuhi (shortage quantities) akibat pengaruh bertambahnya batch size.
Saran Penelitian ini dapat dikembangkan :
Pada model multy product. Parameter ketidakpastian lain. Dengan mempertimbangkan adanya persediaan (inventory). Dengan mempertimbangkan demand yang belum dipenuhi pada periode sebelumnya (back orders). Dengan mempertimbangkan biaya operasional dan biaya pengelolaan lainnya dalam forward reverse logistics.
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. Biehl, M., Prater, E., Realff, M. (2007). Assessing performance and uncertainty in developing carpet reverse logistics systems. Computers & Operations Research Journal 34, 443 ‐ 463. Birge, J. R., Louveaux, F.V. (1997). Introduction to Stochastic Programming. New York. Dekker, R., Brito, M. ( 2002 ). Reverse Logistics – a framework (Erasmus Universiteit Rotterdam ). El Saadany, A., Amin K. (2004). Reverse Logistics Modelling. Paper presented at the 8th International Conference on Production Engineering and Design for Development, Egypt. El Sayed, M., Afia, N., Amin El Kharbotly. (2008). A stochastic model for forward‐reverse logistics network design under risk. Computers & Industrial Engineering Journal. Fleischmann, M. (2001). Quantitative Models for Reverse Logistics: Springer. Fleischmann, M., and Kuik, R. . (2003). An optimal inventory control with independent stochastic item returns. European Journal of Operation Research, 151, 25 – 37. Francas, D., Minner, S. (2009). Manufacturing network configuration in supply chains with product recovery. 757 ‐ 769. Jayaraman, V., Patterson, R. A., Rolland E. . (2003). The design of reverse distribution network : models and solution procedures. European Journal of Operational Research, 150 (1), 128 – 149. Ketzenberg, M. (2008). The value of information in a capacitated closed loop supply chain. European Journal of Operation Research, 198, 491 – 503.
DAFTAR PUSTAKA Krikke, H. R. (1998). Partnership in Reverse Logistics : OR – Model Building in New of Practical Development. Listes, O. (2007). A generic stochastic model for supply and return network design. Computers & Operation Research Journal 34, 417 ‐ 442. Listes, O., Rommert, D. (2005). A stochastic approach to a case study for product recovery network design. European Journal of Operational Research, 160(2), 268 ‐ 287. Louwers, D., Kip, B., Peters, E., Souren, F., Flapper, S. (1999). A facility location allocation model for reusing carpet materials. Computers & Industrial Engineering Journal, 36, 855 ‐ 869. Lu, J., Regina, S. (2004). A Fuzzy‐Stochastic Mixed Integer Robust Linear Programming Approach for Regional Air Quality Management. Maria, S., Ana, P. B. Povoa, Augusto Q. Novais. (2005). Dynamic network design model with reverse flows. Paper presented at the Sixteenth Annual Conference of POMS. Maria, S., Ana, P. B. Povoa, Augusto Q. Novais. (2007). An optimization model for the design of a capacitated multi product reverse logistics network with uncertainty. European Journal of Operational Research 179, 1063 ‐ 1077. Maria, S., Ana, P. B. Povoa, Augusto Q. Novais. (2007). A strategic and tactical model for closed‐loop supply chains. EURO Winter Institute on Location and Logistics, 361 ‐ 386. Mutha, A., Pokharel, S. (2009). Strategic network design for reverse logistics and remanufacturing using new and old product modules. Computers & Industrial Engineering Journal, 56, 334 ‐ 346. Pujawan, I. N. (2005). Supply Chain Management: Guna Widya. Rogers, D., Tibben Lembke, R. (1998). Going Backwards : Reverse Logistics Trends and Practices. Rogers, D., Tibben Lembke, R. (2001). An examination of reverse logistics practices. Journal of Business Logistics, 22(2), 129 ‐ 148. Tung, H., Jiuh, S., Kuan, H. (2002). A reverse logistics cost minimization model for the treatment of hazardous wastes. Transportation Research 38, 457 – 473.
