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.