IMPLEMENTASI FACILITY LOCATION PROBLEM

Transkripsi

1 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) Aula Rosmana, Suparno, Steanus Eko Wratno Jurusan Teknk Industr, Fakultas Teknk Insttut Teknolog Sepuluh Nopember Emal: ABSTRAK PT Coca-Cola Bottlng Indonesa Jawa Tmur merupakan salah satu perusahaan pembuat mnuman rngan terbesar d duna yang tdak hanya memproduks mnuman coca-cola saja, akan tetap mnuman rngan lannya sepert anta, sprte dan lan sebaganya, yang dkemas dalam bentuk botol (bak botol gelas dan botol plastk), dan kaleng. Pengemasan yang dlakukan (botol dan kaleng) menmbulkan masalah baru yatu adanya waste bag lngkungan. Akan tetap perusahaan n mempunya kebakan yatu hanya mendaur ulang kemasan dalam bentuk botol gelas saja karena bersat berkal-kal paka. Terdapat 16 gudang yang beroperas d Jawa Tmur, dmana gudanggudang tersebut memlk ungs ganda yatu sebaga orward dan reverse logstcs. Pengoperasan gudang-gudang tersebut tentunya membutuhkan baya yang tdak sedkt. Tujuan dar peneltan n adalah bagamana memnmumkan baya total yang harus dkeluarkan oleh perusahaan dalam jarngan reverse logstcs secara keseluruhan dengan menggunakan pendekatan algortma genetk. Algortma genetk sendr adalah suatu metode pencaran solus yang berdasarkan pada seleks alam dan evolus genetk. Kata kunc : algortma genetk, nonlnear mxed-nteger programmng, orward logstcs, dan reverse logstcs PENDAHULUAN Tujuan yang ngn dcapa oleh perusahaan selan memproduks barang dalam jumlah yang dtentukan sesua dengan permntaan pasar adalah juga dapat mendstrbuskan produk yang dbuatnya hngga sampa pada customer akhr mereka. Pendstrbusan produk n juga melput keuntungan yang ada d dalamnya. Dengan kata lan, tdak ada satupun perusahaan yang mengngnkan produknya dkembalkan ataupun dtark dar pasaran. Pengembalan produk dar customer ke pabrk dkenal sebaga reverse logstcs. Reverse logstcs dalam kenyataannya sangat mempengaruh aktvtas dstrbus sepert adanya product return, reuse, dsposal, repar dan remanuacturng. Selama hampr satu dekade reverse logstcs berpengaruh kuat terhadap perekonoman dalam duna ndustr. Pengaruhnya dapat dlhat bak tu yang berdampak negat pada suatu perusahaan yang mengabakannya, atau dapat dadkan sebaga area persangan yang menguntungkan untuk memperluas pangsa pasar. Dalam prosesnya product return memerlukan penentuan jumlah dan lokas dar ntal collecton ponts untuk returned product dan lokas dar centralzed return centers sebaga tempat pengumpulan untuk bsa d dstrbuskan ke pabrk atau repar aclty dan hal n melbatkan baya total yang harus dkeluarkan dalam reverse

2 logstcs (sepert baya nventor, dan baya transportas) haruslah mnmum, sehngga penggunaan gudang yang dpaka sebaga returned product haruslah benar-benar dmanaatkan seoptmal mungkn. Permasalahan penentuan jumlah dan lokas dar reverse logstcs menjad bagan dalam keputusan perancangan supply chan yang berkatan erat dengan proses dstrbus. Keputusan dalam membuka lokas (asltas) tentu saja menjad bahan pertmbangan peusahaan dalam merancang jarngan dstrbusnya untuk memnmalkan baya total yang terjad. Oleh karena tu peneltan n akan memokuskan pada penentuan lokas asltas dar reverse logstcs dengan tujuan untuk memnmumkan baya total yang terjad. Peneltan n, merupakan mplementas dar model yang dkembangkan oleh Zhou (2006) yatu non lnear mxed-nteger programmng untuk menyelesakan permasalahan reverse logstcs yang mempengaruh product return dan uncertan demand pada penentuan lokas asltas (gudang) yang ungsnya tdak hanya sebaga gudang saja ( orward logstcs) melankan sebaga reverse logstcs. Sebaga permasalahan NP-hard, dmana semakn banyak jumlah lokas asltas dan customer yang ada akan membuat model semakn sult untuk dkerjakan dan akan membutuhkan waktu yang lama untuk d selesakan. Oleh karena tu, pendekatan algortma genetk dusulkan sebaga tool, dalam penentuan jumlah dan lokas asltas yang dbuka serta menentukan baya total yang terjad. Dalam mplementas model Zhou pada stud kasus PT Coca-Cola Bottlng Indonesa Jawa Tmur, ungs ke-16 gudangnya adalah sebaga orward logstcs (pusat dstrbus dan penjualan) dan reverse logstcs (pengumpulan return glass bottle). Pengoperasan gudang-gudang n merupakan salah satu bagan pentng bag coca-cola, akan tetap baya-baya yang harus dkeluarkan juga kut andl d dalamnya yang ternyata cukup besar dan mempengaruh baya produks. Hal n terlhat pada pemndahan 2 gudangnya d daerah Babat, dan Jombang yang dpndahkan ke area baru yatu Sumenep, dan Tuban. Pemndahan gudang-gudang tersebut dsebabkan karena terjad ketdakesenan dalam hal baya mantenance dan operasonal gudang, kapastas gudang yang terlalu besar, serta demand yang terlalu sedkt. Oleh karena tu esens gudang dan aktvtas d dalamnya perlu dlakukan agar dapat memnmas baya yang harus dkeluarkan oleh perusahaan Algortma Genetk Dalam ndustr manuaktur tertentu terdapat banyak permasalahan tentang optmas yang sangat sult dan kompleks untuk dselesakan dengan teknk optmas konvensonal. Sehngga, metode lan untuk menyelesakan masalah optmas yang sult dan kompleks dkembangkan, dan salah satunya adalah dengan menggunakan metode algortma genetk. Algortma genetk sendr merupakan teknk-teknk pencaran stokastk yang ddasarkan atas mekansme pemlhan alam dan sat genetka. Berkut dpaparkan tahapan dalam algortma genetk : Representas Kromosom Setap kromosom drepresentaskan dalam bentuk array, dmana setap array memlk beberapa gen. Gambar 1 berkut menglustraskan representas genetk dar sstem dstrbus dengan m alternat return center dan n customer. 1 m m+1 m+n m+n+1 m+2n m+2n+1 m+3n R1.. Rm x1 x2... xn s1 s2.. sn xr1 xr2... xrn Gambar 1. Ilustras Representas genetk A-31-2

3 Penyelesaan representas genetk dalam peneltan n dapat d bag menjad emapat segmen. Segmen pertama, adalah mengurutkan gen dar 1 sampa m, yang menggambarkan kapastas dar return center (R.C) yang mash terssa, dengan nla yang mungkn dar 0 sampa MAX_RETURN. D segmen kedua, mengurutkan gen dar m+1 sampa m+n, yang menggambarkan D.C mana saja yang akan dalokaskan ke customer. Segmen ketga, mengurutkan gen dar m+n+1 sampa m+2n yang mengkodekan volume produk dar D.C yang akan dkrmkan ke customer (yang dtentukan dar segmen kedua). Segmen keempat, mengurutkan dar m+2n+1 sampa m+3n, yang menggambarkan R.C mana yang menerma produk-produk yang sudah dkembalkan dar customer. Insalsas Parameter Pada tahap n, ntal populas dar N-kromosom dbangktkan secara random untuk membentuk populas awal. Operator genetk o Operator tukar slang (crossover) Operator tukar slang yang dgunakan adalah one-pont crossover. Secara umum one-pont crossover dgunakan untuk memperbak ndvdu kromosom pada setap ndvdu. Randomly selected pont o Parent 1 Parent 2 Osprng 1 Osprng Operator mutas Operator mutas yang dgunakan adalah mutas acak. Proses mutas yang dlakukan adalah menukar urutan salah satu gen sehngga d dapatkan poss yang berbeda. Probabltas mutas yang dgunakan basanya dar 0 sampa 10%. Randomly selected pont Parent 1 Osprng Randomly selected pont Fungs Evaluas Evaluas dmula dengan menggabungkan setap ndvdu (solus) dengan ungs tness, yang mencermnkan nla goodness dar ndvdu Secara sederhana, nla objekt d persamaan (1) adalah sebaga nla tness dar masng -masng ndvdu setelah d kodekan dar represents genetk. Untuk menjaga agar nla ndvdu sble dalam proses evolus, maka nla tness untuk ndvdu k yatu v akan dhtung sebaga eval( vk ) TC( vk ) (1 am ), dmana TC( v k ) adalah baya total, dengan a dnotaskan sebaga jumlah dar batasan yang dlanggar, sedangkan M merupakan aktor penalt untuk ndvdu yang tdak sble (M > 0). D persamaan (1) empat tem pertama bsa dhtung secara langsung. Sedangkan, nla ekspektas dar empat varabel random dar tem ke-6 sampa tem ke-8 dalam persamaan (1) danggap sebaga baya, dmana perhtungannya dlakukan dengan menggunakan metode smulas Monte Carlo. k A-31-3

4 Model Nonlnear Mxed-Integer Programmng mn w uw x Y r urr Z wy Z W jc W W r r r p x E p j x j D j W C us E max x D j, 0 C w jc W r r uc E max D j x,0 ua E max 0, x j D j RZ (1) jc W jw j C s.t : x MAX DEMAND Y jc W _ W (2) R MAX _ RETURN Z W (3) x 1 j C (4) W x 1 j C (5) r j, R 0 W j C r x, x, Y, Z 0 atau 1 W j, (6) (7) Dmana : W 1,2,..., NW: jumlah dar return center C 1,2,..., NC: jumlah dar lokas customer (kabupaten-kabupaten) w : baya dalam membuka D.C uw : unt dar baya varable yang melput baya mantenance dan pengoperasan d DC MAX _ DEMAND : maxmum demand d D.C yang dapat dakomodas r : baya dalam membuka return center ur : unt dar baya varable yang melput baya mantenance dan pengoperasan d return center MAX _ RETURN : maxmum demand d return center yang dapat dakomodas : baya yang dapat dsmpan dar penggunaan DC sebaga return center w p r p j : baya per unt pengrman dar DC ke customer j : baya per unt pengrman dar customer j ke DC D j :: demand dar customer j berdstrbus normal r D j : : volume return glass bottles dar customer j us uc ua : baya per unt nventor yang dperoleh dar ketersedan supply d D.C : baya akbat terjadnya shortages dar D.C : baya karena kelebhan (surplus) dar returned glass bottles d return center Varabel keputusan : R : ruang (space) dar return center A-31-4

5 Y Z x r x j 1, 0, jka D.C dbangun d lokas jka tdak 1,, jka return center dbangun d lokas 0,, jka tdak 1, jka D.C mensupla produk ke customer j 0, jka tdak 1, jka semua returned glass bottles dar customer j dkrmkan ke return center 0, jka tdak : volume produk yang dkrm dar D.C ke customer j HASIL DAN DISKUSI Hasl Melakukan percobaan terhadap model dengan merubah parameter GA Hasl percobaan dengan ukuran populas dan maxmum generas yang berbeda, serta waktu yang dbutuhkan untuk runnng program, dmana dtentukan probabltas crossover adalah 0.8 dan probabltas mutas adalah Tabel 1. Model Ekspermen Dengan Parameter GA Yang Berbeda Gen/Populas 100/ / /300 Total Cost (Rp) , , ,200 Run Tme (n second) Populas/Gen 100/ / /100 Total Cost , , ,300 Run Tme (n second) Gen/Populas 400/ /300 Total Cost , ,400 Run Tme (n second) Populas/Gen 400/ /100 Total Cost , ,560 Run Tme (n second) Tujuan percobaan dengan merubah parameter yang berbeda adalah untuk mengetahu apakah berpengaruh terhadap solus optmal yang dperoleh. A-31-5

6 Penentuan Kromosom terbak berdasarkan pendekatan algortma genetk Kromosom Kromosom Kromosom Kromosom Gambar 2. Hasl Kromosom Terbak Kromosom-kromosom tersebut d peroleh dar representas kromosom pada penentuan jumlah gen tap-tap kromosom. Analsa Dar Tabel 1 d atas dketahu bahwa total cost mnmal adalah sebesar Rp ,560 dengan waktu 14 detk, dmana parameter GA yang dgunakan adalah ukuran gen = 200, ukuran populas = 100. Pada table datas dapat dlhat pula, bahwa semakn besar ukuran populas akan membuat perormans GA semakn menurun. Gambar 3 berkut menunjukkan grak dar solus terbak dengan nla ungs objekt sebesar Rp ,560. Gambar 3 Grak Nla Ftness Dar Gambar 2 datas, kromosom-kromosom tersebut terbentuk sesua dengan representas kromosom yang telah dtentukan pada bab 3. Representas kromosom pada peneltn n dbag menjad empat segmen, dmana segmen pertama adalah mengurutkan gen untuk menggambarkan ssa ruang yang mash bsa d hemat dar A-31-6

7 kapastas ruang yang ada d return center. Pada kromosom pertama terdapat 16 gen, yang menggambarkan gudang-gudang dar 16 gudang yang ada d Jawa Tmur, sesua dengan ssa ruang yang ada yang dnotaskan dengan unt yang bsa dtampung. Pada kromosom kedua, terdapat 30 gen yang menggambarkan customer, dalam hal n kabupaten-kabupaten yang ada d Jawa Tmur. Setap nla pada gen-gen tersebut merupakan lokas gudang yang akan dalokaskan ke customer. Msalnya pada gen pertama merupakan customer pertama yang berlokas d Bangkalan berdasarkan urutan matrk jarak (dapat dlhat d lampran) akan d alokaskan d gudang Tandes Surabaya berdasarkan urutan gudang. Pada kromosom ketga, terdapat 30 gen yang juga menggambarkan customer, dmana nla setap gen merupakan volume produk yang akan dkrmkan dar DC ke customer j (dtentukan pada kromosom k edua). Sebagamana yang telah delaskan dengan menggunakan contoh d kromosom kedua, besarnya volume produk yang akan dkrmkan dar gudang Tandes d Surabaya adalah sebesar 7 unt produk, dmana asums 1 unt produk = krat, yang ddasarkan pada permntaan dar customer yang merupakan estmas phak marketng. Pada kromosom keempat, dapat delaskan bahwa dalam 1 kromosom juga terdapat 30 gen yang menggambarkan customer, dmana customer-customer tersebuat nantnya akan dalokaskan ke return center dalam pengembalan kemasan botol-botol kosong (RGB). Untuk lebh jelasnya dapat dlhat pada susunan gen berdasarkan gudang yang d tuju, sesua dengan yang dmaksud pada Tabel 2 dan Tabel 3 d bawah n. Tabel 2. Susunan Gen Berdasarkan Gudang Yang D Tuju Gudang R x Tabel 3. Susunan Gen Berdasarkan Besarnya Volume Produk Yang Akan Dkrmkan Dar Gudang Ke Customer Customer s Customer s Berdasarkan Tabel 1 dan Tabel 2 datas, dapat delaskan berapa lokas gudang yang optmal serta berapa volume produk yang dkrm ke customer dan volume RGB yang mash bsa d smpan d return center. Dar 16 gudang yang ada d Jawa Tmur yang berungs sebaga dstrbuton center dan return center, berdasarkan hasl dar runnng yang dlakukan dengan menggunakan sotware program MATLAB d dapatkan kromosom terbak, dmana dar kromosom tersebut berdasarkan representas kromosom d bab 3, ddapatkan bahwa hanya satu gudang yang tdak optmal yatu gudang 3, dmana lokas gudang 3 adalah d Bangkalan Tdak optmalnya kedua gudang tersebut, dapat dpcu karena demand dar customer yang sedkt, kapastas gudang yang terlalu besar serta membengkaknya baya yang harus dkeluarkan setap tahunnya. Dar hasl runnng, ddapatkan juga berdasarkan hasl kromosom terbak yatu return center mana saja yang dgunakan sebaga gudang untuk menampung pengembalan RGB dar customer ke gudang serta ssa tempat untuk menaruh pengembalan RGB dar customer ke gudang ddapatkan bahwa dar 16 gudang yang A-31-7

8 doperaskan saat n, dmana 1 gudang sudah tdak optmal sementara 1 gudangnya yatu gudang 13, dmana lokas gudang adalah d Banyuwang, ungs gudang tersebut hanyalah sebaga dstrbuton center saja. Total baya yang dhaslkan dengan menggunakan sotware program MATLAB adalah lebh bak jka dbandngkan dengan total baya yang harus dkeluarkan oleh skenaro saat n untuk semua gudang yang doperaskannya dalam rangka untuk menngkatkan perormans sstem dstrbusnya, dengan total baya yang harus dkeluarkan adalah sebesar Rp untuk tahun Analsa Senstvtas Terhadap Perubahan Parameter GA total cost (Rp.) max_gen/300 pop_sze/100 Gambar 4. Analsa Senstvtas Terhadap Perubahan Parameter GA Gambar 4 datas merupakan grak yang menunjukkan analsa senstvtas terhadap perubahan parameter GA, dmana pada gambar datas apabla nla maksmum generas drubah dengan ukuran populas tetap, dan begtu pula sebalknya jka ukuran populas drubah dengan nla maksmum generas tetap, ddapatkan bahwa dengan merubah parameter GA ternyata tdak begtu mempengaruh terhadap solus yang d dapatkan, atau dapat dkatakan bahwa perubahan yang terjad tdak dapat dsmpulkan menuju ke solus yang lebh bak atau lebh buruk. KESIMPULAN Berdasarkan hasl dar analsa pada bab sebelumnya mengena penyelesaan penentuan lokas asltas dengan menggunakan pendekatan algortma genetk dmana pengolahan data yang dlakukan adalah menggunakan bantuan sotware program MATLAB, ddapatkan kesmpulan sebaga berkut : 1. Pengolahan data yang dlakukan dengan menggunakan bantuan sotware program MATLAB, ddapatkan bahwa total baya dar hasl runnng adalah sebesar Rp ,560 adalah lebh bak jka dbandngkan dengan total baya skenaro saat n yatu sebesar Rp Hal n berart adanya penghematan baya sebesar 6.99% atau Rp , Dar 16 gudang yang doperaskan d seluruh Jawa Tmur untuk menangan permntaan dar 30 customernya, dalam hal n adalah kabupaten-kabupaten d seluruh Jawa Tmur ddapatkan hanya satu gudang yang tdak optmal yatu gudang 3, yang berlokas d Bangkalan Madura. 3. Terdapat satu gudang yang hanya berungs sebaga dstrbuton center saja dar 15 gudang yang optmal berdasarkan hasl dar runnng program untuk memlh kromosom terbak, yatu gudang 13 yang berlokas d Banyuwang. A-31-8

9 4. Analsa senstvtas yang dlakukan untuk mengetahu pengaruh terhadap perubahan pada parameter GA bak tu pada nla generas maksmum dan ukuran populas dengan probabltas crossover dan mutas yang tetap, menunjukkan bahwa perubahan yang terjad tdak dapat dsmpulkan menuju ke solus yang lebh bak atau lebh buruk DAFTAR PUSTAKA Freeman, L. Mchael dan Charles L. Karr. (1998). Industral Applcaton o Genetc Algorthms. CRC Press. Boca Paton, Florda. Goldberg, Davd. (198 9). Genetc Algorthm In Search, Optmzaton, And Machne Learnng, ddson-wesley Publshng Company. Jaramllo, J.H., Bhadury J., dan Batta R. (2002). On The Use o Genetc Algorthms to Solve Locaton Problems. Computer and Operatonal Research. 29 : Krkke, H.R., (1998). Partnershp In Reverse Logstcs : OR-Model Buldng In New O Practcal Developments. Paper. Erasmus Unversty, School o Management Studes. Rotterdam, The Netherlands. hal 1-11 Mn, Hokey, Hyung Jeung Ko, dan Chang Seong Ko. (2006). A Genetc Algorthms Approach to Devolopng Mult-Echelon Reverse Logstcs Network or Return glass bottles. European journal O Management Scence. 34: l W., Bagus Ad Ismal. (2007). Implementas Model Sngle Source Capactated Locaton Problem Dalam Jarngan Dstrbus Logstk d PT. Phlps Indones. Thess, Insttut Teknolog Sepuluh Nopember, Surabaya. Wese, Thomas. (2007). Global Optmzaton Algorthms : Theory and Applcaton. Zhou, Gengu, Zhenyu Cao, Fangzhong Q, dan Jan Cao. (2006). A Genetc Algorthm Approach On A Logstcs Dstrbuton System Wth Uncertan Demand And Return glass bottle. World Journal O Modellng And Smulaton. Vol. 2 (2006) A-31-9

10 A-31-10

11 A-31-11