pengembangan model forward reverse logistics...
Post on 18-Mar-2019
224 Views
Preview:
TRANSCRIPT
PENGEMBANGAN MODEL FORWARD REVERSE LOGISTICS DENGAN MEMPERTIMBANGKAN BATCH
SIZE DAN RETURN RATIO UNCERTAINTY
DOSEN PEMBIMBING :Prof. Ir. Udisubakti Ciptomulyono, M.Eng.ScProf. Ir. I Nyoman Pujawan, M.Eng., Ph.D.
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
Perumusan Masalah
Mengembangkan model & melakukan analisa terhadap dampak yang diakibatkandari kondisi batch size yang berbeda pada tiap periode dan variasi jumlah bahan bakuproduk yang didapat dari return product, dengan bahan baku produk yang dibeli darisupplier terhadap profit yang dihasilkan.
Tujuan
• 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).
Manfaat
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 produkyang didapat dari return product.
3. Parameter biaya (fixed, material, manufacturing, transportation, remanufacturing, disassembly, recycling, shortage, disposal) padamasing-masing fasilitas diketahui.
4. Jumlah maksimum tiap fasilitas (supplier, pabrik, distributor,disassemblies) yang beroperasi dan jumlah customer diketahui.
Asumsi
POSISI PENELITIANPenulis Modelling Problem Definition Kontribusi Penelitian
Maria Isabel Gomes Salema et al (2007)
MILP solved by B & B technique
‐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 akibat variasi batch size tiap periode dan return ratio terhadap total profit. Desain forward reverse logistics network dimana pemenuhan demand didapat dari recovered material dan new material yang dibeli dari supplier.
Munculnya analisa risiko yangditimbulkan akibat variasi batch size tiapperiode dan return ratio terhadap totalprofit. Desain forward reverse logisticsnetwork dimana pemenuhan demanddidapat dari recovered material dan newmaterial yang dibeli dari supplier.
METODOLOGI PENELITIAN
Kesimpulan & saran
Hasil percobaanAnalisa dan interpretasi
Percobaan numerikMelihat perilaku dari model yang telah dikembangkan
Verifikasi modelMenentukan metode solusi & verifikasi model
Pengembangan modelMendapatkan model dari permasalahan
Perumusan masalahPerumusan masalah difokuskan pada pengembangan model
Studi literaturMenemukan gap penelitian : Posisi penelitian
Identifikasi topik penelitianMenemukan ruang bahasan yang akan diteliti
PENGEMBANGAN NETWORK MODEL
Qas
Qap
Qaf
QdcQfdQsf
Supplier Pabrik Distributor Consumer
Dissasembly
Disposal
Second Consumer
Forward logisticsReverse logistics
Network dan aliran produk yang dikembangkan dalam model
Qca
Qak
Batch size & return ratio uncertainty
FORMULASI MODEL Sets :S : Potensial jumlah pemasok, dinotasikan sF : Potensial jumlah pabrik, dinotasikan fD : Potensial jumlah distributor , dinotasikan dC : Potensial jumlah konsumen pertama , dinotasikanc
A : Potensial jumlah disassembly centre, dinotasikana
P : Potensial jumlah disposal locations, dinotasikanp
K : Potensial jumlah konsumen kedua, dinotasikan dengank
FORMULASI MODELFCf : 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) darikunsumen 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.
Parameters :Dct : Jumlah permintaan konsumenpertama c pada periode t.Dk : Jumlah permintaan konsumen kedua k.Pc : Harga jual produk pada konsumenpertama c.Pk : Harga jual produk pada konsumenkedua 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 pabrikf.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 iberoperasiMCs : Biaya material per unit dari pemasoks.Mca : Biaya material per unit daridisassembly centre a.
FORMULASI MODEL
• Parameters:DSij = Jarak dari fasilitas i ke fasilitas jDSij =
• 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.
)²y-(y-) x-(x ij2
ij
FORMULASI MODELObjective FunctionMaximum ProfitTotal expected profitTotal expected profit =
total expected income – total expected costTotal expected incomeTotal expected income =
first sales + second salesFirst sales income =
Second sales income =
cDd Cc Tt
dct PQ∑ ∑ ∑∈ ∈ ∈
kAa Kk Tt
akt PQ∑ ∑ ∑∈ ∈ ∈
FORMULASI MODEL• Total expected cost1. Fixed cost = 2. Material cost =
3. Manufacturing cost =4. Shortage cost =
Shortage quantities (SQ) =
5. Purchasing cost =
pPp
paAa
adDd
dfFf
fsSs
s LFLFLFLFLF ∑∑∑∑∑∈∈∈∈∈
++++
aAa Ff Tt
aftsSs Ff Tt
sft MCQMCQ ∑∑∑∑∑∑∈ ∈ ∈∈ ∈ ∈
+
fSs Ff Tt
sft FCQ∑ ∑ ∑∈ ∈ ∈
cCc Aa Tt
cat PCQ∑∑∑∈ ∈ ∈
fFf Dd Tt
fdt SCSQ∑∑∑∈ ∈ ∈
FORMULASI MODEL6. Dissasembly cost =
7. Remanufacturing cost =8. Recycling cost =
9. Disposal cost =10. Transportation cost =
aCc Aa Tt
cat ACQ∑∑∑∈ ∈ ∈
fAa Ff Tt
aft RCQ∑ ∑∑∈ ∈ ∈
sAa Ss Tt
astCCQ∑∑∑∈ ∈ ∈
pAa Pp Tt
apt OCQ∑ ∑∑∈ ∈ ∈
+++ ∑∑∑∑∑∑∑∑∑∈ ∈ ∈∈ ∈ ∈∈ ∈ ∈
dcDd Cc Tt
dctfdFf Dd Tt
fdtsfSs Ff Tt
sft TCDSQTCDSQTCDSQ
+++ ∑∑∑∑∑∑∑∑∑∈ ∈ ∈∈ ∈ ∈∈ ∈ ∈
afAa Ff Tt
aftasAa Ss Tt
astsfCc Aa Tt
cat TCDSQTCDSQTCDSQ
akAa Kk Tt
aktapAa Pp Tt
apt TCDSQTCDSQ ∑∑∑∑∑∑∈ ∈ ∈∈ ∈ ∈
+
FORMULASI MODEL• Balance constrains
FfT,tQQQDd
fdt, Aa
aftSs
sft ∈∀∈∀=+ ∑∑∑∈∈∈
DdT,tQQCc
dct, Ff
fdt ∈∀∈∀= ∑∑∈∈
CcT,tDQ ctDd
dct ∈∀∈∀≥∑∈
,
AaT,t,QQQQQPp
aptKk
aktSs
astFf
aftAa
cat ∈∀∈∀+++= ∑∑∑∑∑∈∈∈∈∈
CcT,t*RR,QQDd
dctAa
cat ∈∀∈∀≤ ∑∑∈∈
AaT,tQ*RMQFf
aft,Cc
cat ∈∀∈∀= ∑∑∈∈
FORMULASI MODEL
AaT,tQ*RCQSs
ast,Cc
cat ∈∀∈∀=∑∑∈∈
AaT,tQ*RKQKk
akt,Cc
cat ∈∀∈∀= ∑∑∈∈
AaT,tQ*RPQPp
apt,Cc
cat ∈∀∈∀= ∑∑∈∈
KkT, tDQ kt,Aa
akt ∈∀∈∀≥∑∈
FORMULASI MODEL• Capacity constrain
SsT, t,LCSQ ssFf
sft ∈∀∈∀≤∑∈
FfT, t,LCRLCMQ ffffDd
fdt ∈∀∈∀+≤∑∈
DdT, t,LCDQ ddCc
dct ∈∀∈∀≤∑∈
AaT, t,LCAQQQ aaPp
aptKk
aktFf
aft ∈∀∈∀≤+++ ∑∑∑∑∈∈∈∈Ss
astQ
FfT, t,LCFQ ffSs
sft ∈∀∈∀≤∑∈
FfT, t,LCMQ ffAa
aft ∈∀∈∀≤∑∈
SsT, t,LCRQ ssAa
ast ∈∀∈∀≤∑∈
PpT, t,LCPQ ppAa
apt ∈∀∈∀≤∑∈
FORMULASI MODEL• Maximum number of activated locations constraints
SLSs
s ≤∑∈
FLFf
f ≤∑∈
DLDd
d ≤∑∈
ALAa
a ≤∑∈
PLPp
p ≤∑∈
RM RC RK RP TEP (Profit)TEI
(INCOME)TEC
(COST) Qsf Qaf
0,55 0,1 0,1 0,25 10.601.500,00 69.866.670,00 59.265.170,00 4467 2200
0,6 0,1 0,1 0,2 15.573.130,00 87.333.330,00 71.760.200,00 5333 3000
0,65 0,1 0,1 0,15 20.804.760,00 104.800.000,00 83.995.240,00 6100 3900
0,7 0,1 0,1 0,1 21.474.760,00 104.800.000,00 83.325.240,00 5800 4200
0,75 0,1 0,1 0,05 22.194.760,00 104.800.000,00 82.605.240,00 5500 4500
0,8 0,1 0,1 0 22.919.760,00 104.800.000,00 81.880.240,00 5200 4800
Hasil Komputasi dengan Parameter Return Ratio
Hasil Komputasi dengan Parameter Batch Size
• Batch size akan berpengaruh pada shortage quantities yang didapatkan sesuai dengan persamaan :Shortage Quantities (SQ) =
Demand distribution centre DC1 DC2 DC3 Total Demand
1530 1455 1570 4555
Skenario batch size t1 t2 t3 t4 t5
5 25 50 100 200
Shortage quantities t1 t2 t3 t4 t5
5 30 55 355 555
Hasil komputasi berdasarkan batch size
Batch SizeShortage 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 ModelSebagai contoh perhitungan manual dilakukan pada skenarioremanufacturing ratio sebesar 30%, recycling ratio sebesar 30%, repairingratio 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
-
5.000.000
10.000.000
15.000.000
20.000.000
25.000.000
30.000.000
35.000.000
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
Prof
it
Remanufacturing ratio
Dapat disimpulkan bahwa semakin tinggi remanufacturing ratio semakin tinggi keuntungan yang dihasilkan
Analisa Faktor Disposal Ratio
-
5.000.000
10.000.000
15.000.000
20.000.000
25.000.000
0,8
0,75 0,
7
0,65 0,
6
0,55 0,
5
0,45 0,
4
0,35 0,
3
0,25 0,
2
0,15 0,
1
0,05 0
Prof
it
Disposal Ratio
Analisa Disposal Ratio
Semakin besar nilai disposal ratio semakin tidakmenguntungkan untuk membuka reverse line, dansemakin rendah nilai disposal ratio semakin besarkeuntungan yang didapat.
Perbedaan pengembangan model pada penelitian ini denganpenelitian El Sayed et al. (2008)
Pembeda Penelitian ini Penelitian El Sayed et.al (2008)
Total maximum
profit
29.869.740 23.607.160
Parameter
ketidakpastian
Batch size dan return ratio Demand mean dan return ratio
Perbedaan
Network
Mempertimbangkan pemakaian
material produk kembali untuk
proses produksi selanjutnya
Belum mempertimbangkan
pemakaian material produk
kembali untuk proses produksi
selanjutnya.
Kelebihan lain Efisiensi network dan aliran
produk
Aliran produk dari disassembly
menuju pabrik masih harus
dikirim menuju redistributor,
dan kemudian dijual pada
konsumen kedua
Kesimpulan• Telah dilakukan
pengembangan model forward reverse logisticsdengan memperhatikan batch size dan return ratio uncertainty.
• Pengembangan networkmenghasilkan network yang lebih efisien dan peningkatan keuntungan yang diperoleh.
• Semakin besar nilai remanufacturing ratiosemakin tinggi keuntungan yang diperoleh.
• Semakin besar disposal ratio semakin tidak memberikan keuntungan untuk dibukanya reverse line.
Saran • 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 profitdisebabkan oleh bertambahnya jumlah permintaan yang tidak dapat terpenuhi (shortage quantities) akibat pengaruh bertambahnya batch size.
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 PUSTAKABeamon, 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 PUSTAKAKrikke, 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.
top related