pengembangan algoritma simulated annealing...

Pembimbing:

Prof. Ir. Budi Santosa, M.S. Ph.D

Disusun Oleh:

Risal Arsyad Muhaddad

2510100127

PENGEMBANGAN ALGORITMA SIMULATED ANNEALING

UNTUK PENYELESAIAN MASALAH ALOKASI

PADA CLOSED LOOP SUPPLY CHAIN (CLSP)

Jurusan Teknik Industri

Institut Teknologi Sepuluh Nopember

Closed Loop Supply Chain

Perkembangan Supply Chain

Reverse Logistics

Re-use

LATAR BELAKANG

Kebutuhan Supply Chain Perusahaan

Forward Logistics

Re-cycle

Re-manufacture

NP-Hard Problem

Semakin

Kompleks

Perhitungan Eksak

LATAR BELAKANG

Closed Loop Supply Chain

Metode Metaheuristik

PerhitunganLama

Simulated Annealing

Tidak mudah terjebak

pada lokal optimum

Tabu

Search

Adanya strukur memori fleksibel

Mengembangkan model Closed Loop

Supply Chain

Mengembangkan algoritma dan

menghasilkan kode program untuk Simulated

Annealing dalam menyelesaikan Closed

Loop Supply Chain

TUJUAN PENELITIAN

1

2

MANFAAT PENELITIAN

kontribusi dalam bidang

keilmuan optimasi

penyelesaian permasalahan

Closed Loop Supply Chain dengan menggunakan

algoritma Simulated Annealing

1. Jarak asimetris

2. Back-order tidak diperhitungkan

RUANG LINGKUP PENELITIAN

ASUMSI BATASAN

1. Menggunakan multi eselon yang terdiri dari manufacturing plants, warehouse, dan distributor

2. Data yang digunakan adalah data artificial

CLOSED LOOP SUPPLY CHAIN

INDEKS

k = manufacturer (k=1, 2,...,K)

j = distributor (j=1, 2,...,J)

i = wholesaler (i=1, 2,...,I)

w = retailer (w=1, 2,...,W)

m = produk (m=1, 2,...,M)

z = periode (z=1, 2,...,Z)

c = collection center (c=1, 2,...,C)

.

A Technical Note on ‘Analysis of Closed Loop Supply Chain Using Genetic Algorithm And Particle Swarm Optimization oleh P. Subramanian, N. Ramkumar, T.T. Narendran, dan K. Ganesh adalah sebagai berikut:

BIAYA DARI FUNGSI TUJUAN

TPUC = total biaya pembelian (hanya biaya transportasi)

TPC = total biaya proses

TCCPTC = total biaya transportasi dari collecting center ke manufacturer

TPDTC = total biaya transportasi dari manufacturer ke distributors

TDWTC = total biaya transportasi dari distributors ke wholesalers

TWRTC = total biaya transportasi dari wholesalers ke retailers

TCCIC = biaya penyimpanan di collection center

TWIC = biaya penyimpanan di wholesaler

TDIC = biaya penyimpanan di distributor

TRIC = biaya penyimpanan di retailer

INPUT PARAMETER

DEMwmz = demand dari produk m di retailer w pada periode z

DSj = kapasitas gudang distributor j

ICCCcm = biaya penyimpanan per waktu per produk m di collecting centre c

ICDjm = biaya penyimpanan per waktu per produk m di distributor j

ICRwm = biaya penyimpanan per waktu per produk m di retailer w

ICWim = biaya penyimpanan per waktu per produk m di wholesaler i

PCkm = biaya produksi produk m di manufacturer k

Pk = jumlah waktu proses tersedia pada manufacturer k

PSk = kapasitas gudang manufacturer k

PTkm = waktu proses untuk produk m di manufacturer k

RETcmz = jumlah kembali produk m di collection centre c pada periode z

RSw = kapasitas gudang retailer w

TCk = biaya transportasi dari supplier terbaik ke manufacturer k

TCCCPck = biaya transportasi dari collection centre c ke manufacturer k

TCDWji = biaya transportasi dari distributor j ke warehouse i

TCPDkj = biaya transportasi dari manufacturer k ke distributor j

TCWRiw = biaya transportasi dari warehouse i ke retailer w

WSi = kapasitas gudang di wholesaler i

Minimasi Z = TPUC + TPC + TCCPTC + TPDTC + TDWTC + TWRTC +

TCCIC + TWIC + TDIC + TRIC,

TPUC =

TPC =

TCCPTC =

TPDTC =

TDWTC =

TWRTC =

TCCIC =

TWIC =

TDIC =

TRIC =

KONSTRAIN

Manufacturer

Konstrain waktu proses

Konstrain kapasitas gudang

Kebutuhan bahan baku

Konstrain aliran untuk manufacturer

Distributor


Konstrain aliran untuk distributor

Wholesaler


Konstrain aliran untuk wholesaler

Retailer


Konstrain aliran demand

Collection Center

Kuantitas aliran kembali

kkm

m

kmz PPTQP ).( ., zk

k

m c

ckmz

m

kmz PSQTCCPQRP

0 kmzkmz QRPQP

0 j

kjmz

c

ckmzkmz QTPDQTCCPQP

., zk

mzk ,,

mzk ,,

,)1( j

k m

kjmz

m

zjm DSQTPDINVD ., zj

,0)1(

i

jimzjmz

m k

kjmzzjm QTDWINVDQTPDINVD .,, zjm

,)1( i

j m

jimz

m

zim WSQTDWINVW ., zi

,0)1(

i

iwmzimzjimzzim QTWRINVWQTDWINVW .,, zim

w

i m

iwmz

m

zwm RSQTWRINVR )1(., zm

,)1( wmzwmziwmzzwm DEMINVRQTWRINVR .,, zwm

,0)1(

cmzckmzcmzzcm INVCQTCCPRETINVC .,, zcm

PERBANDINGAN PENELITIAN

Teknik Solusi : Genetic Algorithm

Menggunakan node yang terdiri dari supplier, manufacturing plants, distributors, wholeselers, retailers, initial collection points, disposal sites, recycling plants.

Mempertimbangkan biaya dan waktu processing

Mempertimbangkan adanya disposal

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

PENELITIAN INI Kannan, G., Sasikumar, P., & Devita, K., (2009)

Teknik Solusi : Genetic Algorithm dan Particel Swarm Optimization

Menggunakan node yang terdiri dari manufacturer, distributor, wholesaler, retailer, collection centre.

Mempertimbangkan biaya dan waktu processing

Tidak mempertimbangkan adanya disposal

Teknik Solusi : Simulated Annealing dan Tabu Search

Menggunakan node yang terdiri dari manufacturing plants, warehouse, distributor

Tidak mempertimbangkan biaya dan waktu processing

Mempertimbangkan adanya disposal dan barang tidak kembali

TAHAPAN METODOLOGI PENELITIAN

Pengumpulan

dan Generate

Data

Pengembangan

Model

Pengembangan

Algoritma

Analisis dan

Kesimpulan

PENGUMPULAN DAN GENERATE

DATA

Data jaringan distribusi, jarak distribusi

Data kapasitas produksi pabrik, kapasitas warehouse, demand

disetiap distributor

Data inventory cost pada setiap warehouse

Data penggunaan barang re-use

PENGEMBANGAN

MODEL CLSC

M W D

INDEKS m = manufacturer (m=1, 2,...,M)

w = warehouse (w=1, 2,...,W)

d = distributor (d=1, 2,...,D)

p = produk (p=1, 2,...,P)

t = periode (t=1, 2,...,T)

.

BIAYA DARI FUNGSI TUJUAN

TCMW = total biaya transportasi dari manufactur ke warehouse

TCWD = total biaya transportasi dari warehouse ke distributor

TCDW = total biaya transportasi dari distributor ke warehouse

TCWM = total biaya transportasi dari warehouse ke manufactur

TCIW = biaya penyimpanan di warehouse

INPUT PARAMETER

DEMdpt = demand dari produk p di distributor d pada periode t

CPm = kapasitas produksi manufacturer m

CW = kapasitas gudang warehouse w

ICMpm = biaya penyimpanan per waktu per produk p di manufacturer m

ICWpm = biaya penyimpanan per waktu per produk p di warehose w

REWpwt = jumlah kembali produk p di warehose w pada periode t

REMpwt = jumlah kembali produk p di manufacture m pada periode t

CMWmw = biaya transportasi dari manufacturer m ke warehouse w

CWDwd = biaya transportasi dari warehouse w ke distributor d

CDWdw = biaya transportasi dari distributor d ke warehouse w

CWMwm = biaya transportasi dari warehouse w ke manufacturer m

Minimasi Z = TCMW + TCWD + TCDW + TCWM + TCIM + TCIW

TCMW =

TCWD =

TCDW =

TCWM =

TCIM =

TCIW =

mw

m w p t

mwpt CMWQMW .

wd

w d p t

wdpt CWDQWD .

dw

d w p t

dwpt CDWQDW .

wm

w m p t

wmpt CWMQWM .

mp

m p t

mpt ICMINVM .

wp

w p t

wpt ICWINVW .

m

w

mwpt CPQMW .,, tpm

Manufacturer

Konstrain kapasitas produksi

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

,)1( w

p d

dwpt

p m

mwpt

p

twp CWREWQMWINVW ., tw

,0)1( wpt

m

mwptwpt

d

dwpt

d

wdpt

m

mwpttwp INVWREMDIWREWQWDQMWINVW .,, tpw

Warehouse


Jumlah inventory periode sebelumnya + jumlah produk masuk dari manufaktur + jumlah produk reuse dari distributor harus kurang dari atau sama dengan kapasitas gudang

Konstrain aliran untuk gudang

Jumlah inventory periode sebelumnya + jumlah produk masuk dari manufaktur – jumlah produk keluar ke distributor + jumlah produk reuse dari distributor - jumlah produk reuse yang dibuang – jumlah produk resuse ke luar ke manufaktur – jumlah inventory saat ini = 0

,0)1(

w

dptdwptdpt

w

wdpttdp DIDREWINVDQWDINVD .,, tpd

Distributor

Konstrain aliran untuk distributor

Jumlah inventory periode sebelumnya + jumlah produk masuk dari warehose – (jumlah inventory saat ini + jumlah produk reuse ke warehose + jumlah produk yang tidak kembali ke distributor)

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

Bangkitkan set solusi awal secara random

Hitung nilai fungsi tujuan

Ulangi langkah berikut hingga stopping criteria tercapai

ALGORITMA

SIMULATED ANNEALING

1

2

3

4

ALGORITMA

SIMULATED ANNEALING

Jika p =n, update

temparature T=T*c, p=0

Jika tidak , T=T

Update iterasi=i+1, dan iterasi

siklus i =p+1

Bangkitkan solusi baru berdasarkan solusi sebelumnya

swap, slide, atau flip

Hitung nilai fungsi tujuan F(x)

Jika solusi baru lebih baik dari solusi awal set x= x baru

Jika tidak cek kriteria metropolis,

Bangkitkan bilangan random (r)

Jika r > set x = x baru. Jika tidak, x = x lama

Cek stopping criteria, Jika dipenuhi berhenti , jika tidak kembali ke a

kTEe /

kTEe /

a

b

c

d

a

TABU SEARCH

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

Simpan set solusi buruk pada Tabu List

PENGEMBANGAN ALGORITMA

SIMULATED ANNEALING

DATA UJI 1 : 1 Periode, 1 Produk, 2 Warehouse , dan 2 Distributor

Demand Botol Balik ke

Warehouse Botol Balik ke Manufacture

Distibutor D1 7500 6700 6000 D2 8000 7500 7000

Kapasitas

C Produksi 1 16500

Warehouse W1 15000 W2 18000

Manufacture Warehouse Distributor

1 W1 W2 D1 D2

Manufacture 1 0 25 18 - -

Warehouse W1 23 0 - 200 150

W2 20 - 0 180 175

Distibutor D1 - 190 140 0 -

D2 - 185 165 - 0


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.


SIMULATED ANNEALING

2. Membangkitkan Solusi Awal

i = urutan produk – 1 produk

j = urutan jenis produk – 2 jenis (produk baru dan botol)

k = urutan distributor – 2 distributor

l = urutan warehouse – 2 warehouse

rn = cara pengisian warehouse – 2 cara (langsung pindah warehouse atau sebagian dimasukkan ke sisa kapasitas warehouse)

s = urutan produk – 1 produk

l2 = urutan warehouse – 2 warehouse

i =

1

j =

2 1

k =

1 2

l =

2 1

rn =

1 2

2 1

s =

1

l2 =

2 1

3. Perhitungan Fungsi Tujuan

Tujuan pada model ini adalah Minimasi total biaya dari CLSC yang terdiri dari :

Biaya Distribusi Biaya Inventory

TotalBiaya1 =

19225125


SIMULATED ANNEALING

4. Pembangkitan Solusi Baru

Mengacak Solusi Urutan

• Jika bilangan random yang dibangkitkan adalah antara 0 – 0.33, maka metode flip akan digunakan.

• Jika bilangan random yang dibangkitkan adalah antara 0.34 – 0.67, maka metode swap akan digunakan.

• Jika bilangan random yang dibangkitkan adalah antara 0.68 – 1, maka metode slide akan digunakan.

i =

1

j =

1 2

k =

1 2

l =

1 2

rn =

1 2

2 1

s =

1

l2 =

1 2

Total biaya dari CLSC yang terdiri dari :

Biaya Distribusi Biaya Inventory

TotalBiaya2 =

20831100


SIMULATED ANNEALING

5. Membandingkan Solusi Baru dengan Solusi Lama

Solusi Baru > Solusi Lama

Temperatur = 500

∆E = |Solusi Baru-Solusi Lama|

= 1605975

P(E) = e-ΔE/kT

P(E) = e-1605975/500

P(E) = 0

Kriteria Metropolis

Solusi baru yang didapatkan lebih buruk dari solusi sebelumnya

Generate bilangan random :

r = 0,254

Bilangan random lebih dari probabilitas Boltzman, set solusi yang baru tidak dapat diterima, sehingga set solusi saat ini sama dengan set solusi lama.

r > P(E)

Update iterasi, siklus dan

temperatur

Cek stopping kriteria

VERIFIKASI DAN

VALIDASI

VERIFIKASI

• Membandingkan apakah logika perhitungan dalam algoritma sudah sama dengan logika perhitungan manual.

• Tidak terdapat error dalam melakukan komputasi dengan software MATLAB.

.

VALIDASI

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

OUTPUT ENUMERASI

P W1 W1B W2 W2B D1 D2 D1B D2B

P 7.500 9.000

W1 7.500

W1B 6.000 7.500

W2 7.500 500

W2B 7.000 6.700

D1

D2

D1B 6.700

D2B 7.500

Total biaya CLSC = 18904275

ALOKASI

VERIFIKASI DAN

VALIDASI

VERIFIKASI



.

VALIDASI

√ √

ALGORITMA SIMULATED ANNEALING

W_New =

7500

9000

QWD =

0 7500

7500 500

REM(:,:,1) =

6000 7000

REM(:,:,2) =

6375 5695

QDW =

0 6700

7500 0

INVW(:,:,1) =

0 0

INVW(:,:,2) =

0 1000

total_SA =

18904275

waktu =

0.6240

VERIFIKASI DAN

VALIDASI

VERIFIKASI



.

VALIDASI

√ √

ALGORITMA SIMULATED ANNEALING TABU SEARCH

W_New =

7500

9000

QWD =

0 7500

7500 500

REM(:,:,1) =

6000 7000

REM(:,:,2) =

6375 5695

QDW =

0 6700

7500 0

INVW(:,:,1) =

0 0

INVW(:,:,2) =

0 1000

total_SA_TS =

18904275

waktu =

0.2964

DESKRIPSI DATA UJI

Data

ke-

Ukuran Data Uji Sumber Data

Produk Periode Warehouse Distributor

1 1 1 2 2 Data Generate

2 2 3 3 5 Data Generate

3 4 7 8 31 Data Demand dan Generate

EKSPERIMEN DAN ANALISIS

EKSPERIMEN UJI PARAMETER

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

Parameter : faktor penurunan temperatur (c) temperatur awal (To)


c=0.3, n=10, maxiter=2000, To=600 No

Replikasi Total Biaya (1e+004)

Waktu Komputasi (detik)

1 1.2048 16.8169 2 1.2048 16.8013 3 1.2085 17.4409

Rata-rata 1.206 17.0197 c=0.6, n=10, maxiter=2000, To=600 No



1 1.2048 16.9573 2 1.2048 16.7857 3 1.2048 16.8793




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


c=0.6, n=10, maxiter=2000, To=300 No



1 1.2048 16.8793 2 1.2085 16.8637 3 1.2085 16.7701




1 1.2048 16.8013 2 1.2048 16.8637 3 1.2048 16.9573




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


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

No Replikasi

Total Biaya (1e+004)


1 1.2048 10.4365

2 1.2085 10.6081

3 1.2085 10.5925

4 1.2085 10.6549

5 1.2081 10.5457

6 1.2085 10.5925

7 1.2048 10.4521

8 1.2085 10.5145

9 1.2134 10.5145

10 1.2085 10.6705

Rata-rata 1.2082 10.5582

SA

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

No Replikasi



1 1.2048 16.8013

2 1.2048 16.8637

3 1.2048 16.9573

4 1.2085 16.8949

5 1.2081 16.8481

6 1.2048 16.8949

7 1.2048 16.8169

8 1.2048 16.8481

9 1.2081 16.8637

10 1.2048 16.7233

Rata-rata 1.2058 16.8512

SA-TS


𝑮𝑨𝑷 = (𝑯𝒂𝒔𝒊𝒍 𝑷𝒆𝒓𝒉𝒊𝒕𝒖𝒏𝒈𝒂𝒏 𝑺𝑨_𝑻𝑺 − 𝑯𝒂𝒔𝒊𝒍 𝑷𝒆𝒓𝒉𝒊𝒕𝒖𝒏𝒈𝒂𝒏 𝑺𝑨)

𝑯𝒂𝒔𝒊𝒍 𝒑𝒆𝒓𝒉𝒊𝒕𝒖𝒏𝒈𝒂𝒏 𝑺𝑨_𝑻𝑺 𝑿 𝟏𝟎𝟎%

Total Biaya

No Replikasi SA-TS (1e+004) SA (1e+004) GAP

1 1.2048 1.2048 0.00% 2 1.2048 1.2085 -0.31% 3 1.2048 1.2085 -0.31% 4 1.2085 1.2085 0.00% 5 1.2081 1.2081 0.00% 6 1.2048 1.2085 -0.31% 7 1.2048 1.2048 0.00% 8 1.2048 1.2085 -0.31% 9 1.2081 1.2134 -0.44%

10 1.2048 1.2085 -0.31% Rata-rata -0,197%


𝑷𝒆𝒓𝒃𝒂𝒏𝒅𝒊𝒏𝒈𝒂𝒏 =𝒘𝒂𝒌𝒕𝒖 𝒌𝒐𝒎𝒑𝒖𝒕𝒂𝒔𝒊 𝑺𝑨_𝑻𝑺

𝒘𝒂𝒌𝒕𝒖 𝒌𝒐𝒎𝒑𝒖𝒕𝒂𝒔𝒊 𝑺𝑨

Waktu Komputasi

No Replikasi SA-TS (detik) SA (detik) Perbandingan

1 16.8013 10.4365 0,6212 2 16.8637 10.6081 0,6290 3 16.9573 10.5925 0,6247 4 16.8949 10.6549 0,6307 5 16.8481 10.5457 0,6259 6 16.8949 10.5925 0,6270 7 16.8169 10.4521 0,6215 8 16.8481 10.5145 0,6241 9 16.8637 10.5145 0,6235

10 16.7233 10.6705 0,6381 Rata-rata 0,6266

EKSPERIMEN

SA DAN SA-TS


SA SA-TS

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

No Replikasi



1 5.4395 51.2307 2 5.3768 53.0091 3 5.2949 50.7783 4 5.2162 50.1699 5 5.2572 50.5755 6 5.3150 50.7315 7 5.4623 50.3259 8 5.1719 50.6067 9 5.2916 51.7143

10 5.3818 51.3555 Rata-rata 5.3207 51.0497

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

No Replikasi



1 5.2337 58.282 2 5.3120 53.0091 3 5.3120 55.9108 4 5.1640 59.686 5 5.2453 50.5755 6 5.2279 58.3444 7 5.2799 59.21 8 5.2286 58.3676 9 5.1973 58.9996

10 5.2106 57.9232 Rata-rata 5.2411 57.0308


𝑮𝑨𝑷 =(𝑯𝒂𝒔𝒊𝒍 𝑷𝒆𝒓𝒉𝒊𝒕𝒖𝒏𝒈𝒂𝒏 𝑺𝑨_𝑻𝑺 − 𝑯𝒂𝒔𝒊𝒍 𝑷𝒆𝒓𝒉𝒊𝒕𝒖𝒏𝒈𝒂𝒏 𝑺𝑨)

𝑯𝒂𝒔𝒊𝒍 𝒑𝒆𝒓𝒉𝒊𝒕𝒖𝒏𝒈𝒂𝒏 𝑺𝑨_𝑻𝑺 𝑿 𝟏𝟎𝟎%

Total Biaya

No Replikasi SA-TS (1e+004) SA (1e+008) GAP

1 5.2337 5.4395 -3.93% 2 5.312 5.3768 -1.22% 3 5.312 5.2949 -1.31% 4 5.164 5.2162 -0.15% 5 5.2453 5.2572 -0.23% 6 5.2279 5.315 -1.67% 7 5.2799 5.4623 -3.45% 8 5.2286 5.1719 -1.20% 9 5.1973 5.2916 -0.36%

10 5.2106 5.3818 -1.62% Rata-rata -1.52%


𝑷𝒆𝒓𝒃𝒂𝒏𝒅𝒊𝒏𝒈𝒂𝒏 =𝒘𝒂𝒌𝒕𝒖 𝒌𝒐𝒎𝒑𝒖𝒕𝒂𝒔𝒊 𝑺𝑨_𝑻𝑺

𝒘𝒂𝒌𝒕𝒖 𝒌𝒐𝒎𝒑𝒖𝒕𝒂𝒔𝒊 𝑺𝑨

Waktu Komputasi

No Replikasi SA-TS (detik) SA (detik) Perbandingan

1 58.2820 51.2307 0.879 2 53.0091 53.0091 1 3 55.9108 50.7783 0.9185 4 59.6860 50.1699 0.8479 5 50.5755 50.5755 1 6 58.3444 50.7315 0.8695 7 59.2100 50.3259 0.85 8 58.3676 50.6067 0.886 9 58.9996 51.7143 0.8503

10 57.9232 51.3555 0.8766 Rata-rata 0.8978

Dalam penelitian ini dihasilkan model Closed Loop Supply Chain yang dengan tujuan minimasi total biaya CLSC yang terdiri dari biaya inventory dan biaya distribusi dalam model menggunakan node yang terdiri dari manufacturing plants, warehouse, dan distributor, serta memiliki fariansi produk.

Algoritma SA yang dikembangkan dapat menyelesaikan setiap permasalahan pada Data Uji. Begitu pula untuk algoritma SA-TS. Pada data skala besar waktu komputasi yang dibutuhkan SA lebih cepat jika dibandingkan dengan SA-TS namun untuk hasil minimasi total biaya yang dihasilkan lebih baik ketika menggunakan algoritma SA-TS disbanding dengan SA.

KESIMPULAN

1

2

SARAN

Menerapkan teknik

penyelesaian CLSC pada perusahaan secara langsung

Menggunakan algoritma

metaheuristik lain yang termasuk dalam kelompok population

based seperti PSO, ACO dan beberapa

teknik lainnya

Dapat dipertimbangkan

produksi yang tidak constant, terdapat

bagaian pembuangan dan bagian reuse serta biayanya,

backorder

DAFTAR PUSTAKA

Beamon, B. M. 1998. Supply chain design and analysis : Models and methods. International Journal of Production Economics, 55, 281-294.

Bernon, M., Cullen, J., Rowat, C. 2004. The Efficiency of Reverse Logistics. Cranfield University, UK.

G. Kannan, P. Sasikumar, & K. Devita. 2009. A Genetic Algorithm Approach for Solving A Closed Loop Supply Chain Model : A Case of Battery Recycling. Applied Mathematical Modelling, 655-670.

Pujawan. I Nyoman. 2005. Supply Chain Management. Suarabaya: Penerbit Guna Widya.

Rivera, Reynaldo., Ertel, Jurgen. 2008 Reverse logistics network design for the collection of End-of Life Vehicles in Mexico. European Journal of Operational Research 196 : 930–939

Rogers, D. S., & Tibben-Lembke, R., 1999. Going Backwards: Reverse Logistics Trends and Practices, Reverse Logistics Executive Council, University of Nevada, Reno Center for Logistics Management.

Santosa, B. & Willy, P., 2011. Metoda Metaheuristik Konsep dan Implementasi. 1st ed. Surabaya: Prima Printing.

Subramanian P., Ramkumar N., Narendran T.T., dan Ganesh K., 2012. A Technical Note on ‘Analysis of Closed Loop Supply Chain Using Genetic Algorithm And Particle Swarm Optimization. International Journal of Production Research Vol. 50, No. 2, 593–602.

Schultmann, F., Zumkeller, M., Rentz, O. 2006. Modeling reverse logistic tasks within closedloop supply chains: An example from the automotive industry. European Journal of Operational Research 171: 1033–1050.

Wang, X., Golden, B. L. & Wasil, E. A. 2008. Using a Genetic Algorithm to Solve the Generalized Orienteering Problem. The Vehicle Routing Problem: Latest Advances and New Challenges, 263-274.

TERIMA KASIH

Go for DISCUSSION

RISAL ARSYAD MUHADDAD

pengembangan algoritma simulated annealing...

Documents