JURUSAN TEKNIK INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER 2013 ALGORITMA SIMULATED ANNEALING UNTUK MENYELESAIKAN MULTI OBJECTIVE AGGREGATE PRODUCTION PLANNING (APP) Hajariyah Agustina (2510100143) Prof. Ir. Budi Santosa, M.S. Ph.D Disusun Oleh Pembimbing
55
Embed
ALGORITMA SIMULATED ANNEALING UNTUK … filepada jangka waktu perencanaan yang spesifik, yakni 3-18 bulan (Chopra & Meindl, 2007) Algoritma Simulated Annealing Untuk Menyelesaikan
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
JURUSAN TEKNIK INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER 2013
ALGORITMA SIMULATED ANNEALING UNTUK MENYELESAIKAN MULTI OBJECTIVE AGGREGATE PRODUCTION PLANNING (APP)
Hajariyah Agustina (2510100143)
Prof. Ir. Budi Santosa, M.S. Ph.D
Disusun Oleh
Pembimbing
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Hiring
Aggregate Production Planning
Overtime
Inventory
BackorderLayoff
proses dimana perusahaan menentukan level yang ideal untuk kapasitasproduksi, subcontracting, persediaan, stockouts dan bahkan pricingpada jangka waktu perencanaan yang spesifik, yakni 3-18 bulan (Chopra& Meindl, 2007)
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Aggregate Production Planning
Total Biaya
Pekerja
Backorder
Servis Level Konsumen
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Multi ObjectiveAggregate Production Planning
Maksimasi Servis Level Konsumen
Minimasi Perubahan Jumlah Pekerja
Minimasi total biaya
Servis level konsumen yang dicapaisetidaknya cukup tinggi
Meminimumkan jumlah hiring danlayoff selama periode perencanaan
Meminimumkan total biaya produksi, inventory dan backorder.
Minimasi biaya kerugian pembeliankomponen cacat
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Multi ObjectiveAggregate Production
Planning
Pendekatan Eksak
Branch and Bound
20 Produk, 12 PeriodeWaktu komputasi >40 Jam
Metode Metaheuristik
Simulated Annealing
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Simulated Annealing
Ditemukan oleh Metropolis, Rosenbluth dan Teller pada tahun 1953untuk menyimulasikan proses pendinginan material dalam heat bath.
kemampuannya terhindar dari jebakan local optimadengan menerima solusi yang lebih buruk untuksementara
merupakan salah satu metoda metaheuristik yang meniru perilaku alamyakni proses pendinginan baja secara perlahan atau yang biasa disebutannealing
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Algoritma Simulated Annealing untuk Menyelesaikan Multi Objective Aggregate Production Planning (APP)
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Ruang Lingkup Penelitian
Batasan1. Permasalahan yang diteliti adalah multi objective APP dengan fungsi tujuan minimasi
biaya, minimasi perubahan jumlah tenaga kerja dan maksimasi service level konsumen.2. Data uji menggunakan data sekunder yang merupakan modifikasi dari jurnal penelitian
Jamalnia & Soukhakian (2008) dan juga data artificial.3. Komputasi model dilakukan dengan spesifikasi komputer yang telah ditentukan
sebelumnya.4. Kapasitas seluruh supplier yang tersedia lebih dari jumlah kebutuhan komponen.
Asumsi1. Lavel persediaan pada periode awal adalah nol.2. Seluruh input data bersifat deterministik selama periode perencanaan.3. Diperbolehkan untuk tidak ada backorder level pada akhir periode.4. Tidak dipertimbangkan adanya kebijakan untuk melakukan subcontract.5. Terdapat batasan jumlah pekerja maksimum dan minimum serta batasan jumlah
inventory maksimum dan minimum
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Tujuan Penelitian
Mendapatkan model multi objective APP yang mempertimbangkan fungsi tujuanminimasi biaya, minimasi perubahan jumlah tenaga kerja dan maksimasi servicelevel konsumen.
Mengembangkan algoritma Simulated Annealing untuk menyelesaikanpermasalahan multi objective aggregrate production planning
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Model Multiobjective APP
Model Multiobjective APP
Algoritma Simulated Annealing untuk Multi Objective APP
Eksperimen dan Analisis
Kesimpulan dan Saran
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
MODEL MULTI OBJECTIVE APP
Input
Multi Objective Aggregate Production
Planning
Output
• Demand forecast per periode • Biaya backorder setiap produk • Biaya produksi setiap produk • Biaya inventory setiap produk • Biaya hiring dan lay off tiap pekerja untuk
• Kapasitas produksi pada tiap alternatif produksi• Keseimbangan inventory di tiap periode• Jumlah maksimum backorder• Kapasitas warehouse• Kapasitas pembelian komponen tiap produk• Keseimbangan jumlah pekerja• Kapasitas komponen tiap supplier
• Jumlah produksi tiap produk di tiap periode• Jumlah backorder tiap produk untuk tiap
periode• Inventory produk di tiap periode• Jumlah tenaga kerja yang di hiring• Jumlah tenaga kerja yang di layoff• Jumlah komponen yang di pesan di tiap
supplier• Jumlah tenaga kerja tiap periode• Jumlah jam kerja overtime
Decision
Mengalokasikan demand di tiap periode menggunakan alternatif
solusi yang feasible
Performance Criteria
• Minimasi total biaya• Minimasi perubahan jumlah pekerja• Maksimasi servis level konsumen
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
MODEL MULTI OBJECTIVE APP
Parameter t = waktu perencanaan ( Tt ∈ ) m = jenis produk ( Mm ∈ ) s = jenis supplier ( Ss ∈ ) k = komponen raw material ( Kk ∈ )
BmC = Biaya backorder setiap produk m (biaya/unit) PmC = Biaya produksi setiap produk m (biaya/unit) omC = Gaji pekerja untuk memproduksi overtime tiap jam overtime
untuk tiap produknya (biaya/jam kerja). ImC = Biaya inventory untuk setiap produk m (biaya/unit) HmC = Biaya hiring untuk setiap pekerja untuk produk m
(biaya/pekerja) LmC = Biaya lay off untuk setiap pekerja untuk produk m
(biaya/pekerja)
ksC = Biaya pemesanan komponen k pada supplier s (biaya/unit)
ksDC = Biaya kerugian akibat adanya komponen k yang dipesan dari
supplier k yang mengalami kecacatan (biaya/unit).
kmn = Koefisien penggunaan komponen k untuk produk m
ksθ = Defect rate komponen k yang dipesan pada supplier s
mtD = Demand tiap produk m pada periode t (unit)
mτ = Waktu yang dibutuhkan untuk memproduksi tiap unit produk (jam)
ksMax = makasimum kapasitas produksi komponen k untuk tiap supplier s
MaxI mt = maksimum inventory untuk produk m pada periode t
MinI mt = minimum inventory untuk produk m pada periode t
MaxW mt = maksimum pekerja untuk produk m pada periode t
MinW mt = minimum pekerja untuk produk m pada periode t
tβ = Kapasitas maksimum jam kerja overtime tiap periode t (jam)
tα = Jam kerja tersedia tiap periode t (jam)
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
MODEL MULTI OBJECTIVE APP
Decision Variable
mtP = jumlah produksi produk m pada jenis produk overtime maupun reguler pada periode ke t (unit).
mtO = Jam kerja overtime yang digunanakan untuk memproduksi produk m pada periode ke t (jam).
mtB = jumlah backorderproduk m pada periode ke t (unit).
mtI = Inventori produk m pada periode ke t (unit).
mtW = Jumlah tenaga kerja tiap periode t untuk tiap produk m (pekerja).
mtH = Jumlah tenaga kerja yang di-hiring untuk produk m pada periode ke t (pekerja).
mtL = Jumlah tenaga kerja yang di-lay offuntuk produk m pada periode ke t (pekerja)
kstQ = jumlah komponen k yang di-purchase dari supplier s untuk produk m pada periode ke t (unit)
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
MODEL MULTI OBJECTIVE APP• Minimasi Total Biaya
• Minimasi Perubahan Jumlah Pekerja
+++++++= ∑∑= =
)1 1
mtWmmt
Lmmt
Hmmt
Im
T
t
M
mmt
Bmmt
ommt
Pm WCLCHCICBCOCPCZMin
∑∑∑= = =
+T
t
K
k
S
skstks
Dksks QCC
1 1 1)*( θ
∑∑= =
+=T
t
M
mmtmt LHZMin
1 1)(
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
MODEL MULTI OBJECTIVE APP
• Maksimasi Servis Level Kosumen
dinyatakan secara linguistic term “customer service level should be rather high”
10% 20% 30% 40% 50% 60% 70%
VH H RH M RL L VL
BLPt
μ
1
tBLPtBLP
tBLPtBLP
tBLP≤
≤≤≤
−
=30
302525
05
301
µ
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Model Multiobjective APP
Maksimasi Servis level Konsumendinyatakan secara linguistic term “customer service level should be rather high”
tBLPtBLP
tBLPtBLP
tBLP≤
≤≤≤
−
=30
302525
05
301
µ
∑=
−=
T
ttBLP
MaxZ1 5
303
BLP merupakan backorder level percentage yang didapatkan dari persentase perbandingan backorder pada akhir periode t (Bt) dengan demand
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
MODEL Multiobjective APP
mtIBDP mt
H
hmtmtmht ∀=+−=∑
=
,1;1
mtBIBIDP tmmt
H
hmttmmtmht ∀>∀++−−= −
=−∑ ,1;)1(
1)1(
• Konstrain yang memastikan bahwa jumlah yang diproduksi sesuai dengan kebutuhanproduksinya.
• Konstrain yang menunjukkan bahwa jumlah jam kerja yang digunakan untuk prosesproduksi tidak boleh melebihi jam kerja kapasitas produksinya.
hmtOWP ttmmt ∀∀∀+≤ ,,;ατ
• Konstrain yang memastikan bahwa jam kerja overtime yang digunakan tidak melebihiwaktu kerja tersedia untuk melakukan overtime.
tt WO β<=
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
MODEL Multiobjective APP
itnPQK
k
M
m
H
himmhtikt ∀∀×=∑ ∑∑
− = =
,;)(1 1 1
• Konstrain batasan maksimum dan minimum jumlah inventory
• Jumlah komponen yang disupply harus sama dengan jumlah komponen yang dibutuhkan untuk tiap produk yang diproduksi.
• Konstrain batasan kapasitas supplier
• Konstrain batas maksimum backorder
mtDB mtmt ∀∀≤ ,;mTtBmt ∀== ,;0
mtMaxIIMinI mtmt
mt ∀∀≤≤ ,;
sktMaxQ kskst ∀∀∀<= ,,;
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
MODEL Multiobjective APP
mtFHWW mtmttmmt ∀∀−=− − ,;)1(
• Keseimbangan Jumlah Pekerja
• Batasan Maksimum dan Minimum Jumlah Pekerja
mtMaxWWMaxW mtmt
mt ∀∀≤≤ ,;
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Model Multiobjective APP
MaksimasiServis Level KonsumenMax F1(x)S.t x∈ X Minimasi
PerubahanJumlah Pekerja
Min F2(x)S.t x∈ X
F1(x)≥F1(x*)Minimasi Total
BiayaMin F3(x)S.t x∈ X
F1(x)≥F1(x*)F2(x)≤ F2(x*)
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Algoritma Simulated Annealing untuk Multi Objective APP
Eksperimen dan Analisis
Kesimpulan dan Saran
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Algoritma Simulated Annealing untuk Multi Objective APP
Gambaran Struktur Solusi
W I
t1 t2 t t1 t2 t
m1 Wm1t1 Wm1t2 … Im1t1 Im1t2 …
m2 Wm2t1 Wm2t2 … Im2t1 Im2t2 …
m … … Wmt … … Imt
Urutan Supplier
s1 s2 S
k1 1 2 …
k2 2 1 …
K … …
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Algoritma Simulated Annealing untuk Multi Objective APP
1. Tentukan parameter : Temperatur awal (To), Faktor pereduksi temperaur (c), sikluspenurunan suhu (n) dan stopping criteria
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Eksperimen dan Analisis
Tujuan 1 Tujuan 2 Tujuan 3
Data Uji 1 Data validasi
Data Uji 2 108 53 $ 74,577,508.17
Data Uji 3 431.33 127 $ 9,858,985,000.00
Data Uji 4* 1437.519 258 $ 44,100,000,000.00
*Solusi yang ditemukan solusi feasible bukan optimal
GAP tujuan 1 GAP tujuan 2 GAP tujuan3GAP waktukomputasi
Data Uji 2 0% 0% 0.00% 55.53
Data Uji 3 0.% 0% 0.1117% 1263.8
Data Uji 4 0% 17% 1.1187% 0.2756
Hasil Eksperimen Eksak
GAP Eksak dan SA (dari solusi terbaik yang dihasilkan)
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Kesimpulan dan Saran
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Kesimpulan dan Saran
Kesimpulan
Dihasilkan model multi objective aggregate planning yang mempertimbangkan tujuanmaksimasi servis level konsumen, minimasi perubahan jumlah pekerja serta minimasi totalbiaya.
Algoritma SA yang dikembangkan dapat menyelesaikan permasalahan multi objective APPdengan baik pada setiap data uji yang digunakan. Pada data skala kecil kualitas solusi yangdihasilkan SA memiliki solusi yang cukup mendekati solusi optimalnya, sedangkan padakasus besar waktu komputasi yang dibutuhkan SA lebih cepat.
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Kesimpulan dan Saran
Saran
1. Menerapkan teknik penyelesaian multi objective lain seperti pendekatan pareto ataupundengan pendekatan weighted obejective.
2. Menggunakan algoritma metaheuristik lain yang termasuk dalam kelompok population based seperti PSO, ACO dan beberapa teknik lainnya untuk mengetahui perbandinganperformansi algoritma SA dengan algoritma lain pada kasus multi objective APP ini.
3. Dalam pengembangan model multi objective APP selanjutnya, dapat dipertimbangkanbeberapa faktor lain yang dapat mempertimbangkan kualitas produk dan servis level konsumen selain dilihat dari tingkat persentase backorder-nya
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Daftar PustakaAliev, R.A., Fazlollahi, B., Guirimov, B.G. & Aliev, R.R., 2007. Fuzzy-genetic approach to aggregate
production–distribution. Elseiver Information Sciences, 177.Chopra, S. & Meindl, P., 2007. Supply Chain Management. In Strategy Planning and Operation. 3rd ed.
New Jersey: Pearson Prentice Hall. pp.218-19.Fahminia, B., Luong, L.H.S. & Marian, R.M., 2008. Modeling and Optimization of Aggregate Production
Planning-Genetic Algorithm Approach. World Academy of Science, 21, pp.1007-12.Hanka, M.K.R., 2013. Pengembangan Algoritma Hybrid Cross Entropy-Genetic Algorithm pada
Permasalahan Multiobjective Job Shop Scheduling untuk Minimasi Makespan dan Mean FlowTime. Surabaya: Institut Teknologi Sepuluh Nopember.
Jaimes, A.L.o., Mart´ınez, S.Z. & Coello, C.A.C., 2009. An Introduction to Multiobjective OptimizationTechnique. Nova Science Publishers, pp.1-26.
Jamalnia, A. & Soukhakian, M.A., 2008. A hybrid fuzzy goal programming approach with different goalpriorities. Elseiver Computer & Industrial Engineering, 56.
Liang, T.-F. & Cheng, H.-W., 2011. Multi-Objective Aggregate Production Planning. Journal OfIndustrial And Management Optmization, 7(2).
Luangpaibon, L. & Aungkulanon, P., 2013. Integrated Approaches to Enhace Aggregate roductionPlanning with Inventory Uncertainty Based on Improved Harmony Search Algorithm. WorldAcademy of Science, Engineering and Technology, p.73.
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Daftar PustakaMadadi, N. & Wong, K.Y., 2013. A Deterministic Agregrate Production Planning Model Considering
Quality of Products. International Conference on Manufacturing, Optimization, Industrialand Material Engineering.
Pan, L. & Kleiner, B.H., 1995. Aggregrate Planning Today. Work Study, 44(3), pp.4-7.Pradenas, L., Alvarez, C. & Ferland, J.A., 1991. A Solution for the Aggregate Production Planning.Pradenas, L., Penailillo, F. & Ferland, J., 2004. Aggregate production planning problem. A New
Algorithm. Elseiver: Electronic Notes in Discrete Mathematics, 18, pp.193-99.Ramezanian, R., Rahmani, D. & Barzinpour, F., 2012. An aggregate production planning model for
two phase production systems: Solving. Elseiver:Expert Systems with Applications, 39,pp.1256-63.
Santosa, B. & Willy, P., 2011. Metoda Metaheuristik Konsep dan Implementasi. 1st ed. Surabaya:Prima Printing.
Smith, S.B., 1989. Computer-Based Production and Inventory Control. New Jersey: Prentice-Hall Inc.Tabucanon, M.T., 1988. Multiple Criteria Decison Making in Industry. Amsterdam: Elseiver.Ulucam, V., 2010. Aggregrate Production Planning Model Based On Mixed Integer Linier
Programming. Temmuz, pp.195-201.UNESCO, 2005. Fuzzy Optimization. In Water Resources Systems Planning and Management. pp.135-
43.Wang, R.C. & Fang, H.H., 2000. Aggregrate Production Planning with Multiple Objective in a Fuzzy
Environtment. Elseiver European Journal of Operational Research, (133).Zadeh, L.A., 1965. Fuzzy Sets. Information and Control, 8.
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Posisi Penelitian
Model Multiobjective APP
Algoritma Simulated Annealing untuk Multi Objective APP
Eksperimen dan Analisis
Kesimpulan dan Saran
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Posisi PenelitianPENELITIAN MODEL TEKNIK SOLUSI FUNGSI TUJUAN
Jamalnia & Soukhakian
(2008): A Hybrid Fuzzy Goal
Programming Approach
with Different Goal
Priorities to Aggregate
Production Planning
Hybrid fuzzy multi
objective nonlinier
programming (H-
FMONLP)
GENOCOP III (Genetic
Algorithm for Numerical
Optimization of
Constrained Problem)
1. Minimasi total biaya produksi :biaya
produksi reguler, biaya produksi overtime,
biaya pekerja (bersifat non-linier karena
terdapat unsur learning curve pada
decision variable pekerja)
2. Minimasi biaya inventory dan backorder
3. Minimasi perubahan jumlah pekerja
Madadi & Wong, (2013): A
Deterministic Aggregate
Production Planning Model
Conseidering Quality of
Products
Multi objective
mixed integer linier
programing (MILP)
Fuzzy Goal Programming
1. Minimasi total biaya produksi: biaya
produksi reguler dan overtime, biaya
invetory, biaya backorder, biaya gaji
pekerja, biaya training dan biaya
pemesanan komponen
2. Maksimasi kualitas produk: Minimasi raw
materal cacat dan jumlah pekerja skill
rendah
3. Maksimasi servis level konsumen
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Posisi PenelitianPENELITIAN MODEL TEKNIK SOLUSI FUNGSI TUJUAN
Luangpaiboon & Aungkulanon (2013):
Integrated Approaches to Enhance
Aggregate Production Planning with
Inventory Uncertainty based on
Improved Harmony Search Algorithm
Multi objective
mixed integer linier
programing (MILP)
Improved Harmony
Search Algorithm
1. Minimasi total biaya produksi: biaya
produksi reguler , biaya gaji
pekerja, biaya hiring dan biaya lay
off
2. Minimasi biaya inventory
3. Minimasi perubahan jumlah pekerja
Penelitian ini
Multi objective pure
integer linier
programing (PILP)
Simulated Annealing
1. Minimasi total biaya : biaya produksi
reguler dan overtime, biaya
inventory, biaya backorder, biaya
gaji pekerja, biaya hiring, biaya lay
off, biaya pemesanan komponen dan
biaya kerugian akibat memesan
komponen cacat
2. Minimasi perubahan jumlah pekerja
3. Maksimasi servis level konsumen
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Perumusan Masalah
Bagaimana mengembangkan model multi objective aggregateproduction planning yang mampu meminimumkan total biaya, totalperubahan jumlah tenaga kerja serta servis level pada konsumen.
Bagaimana mengembangkan algoritma simulated annealing yang dapatdigunakan untuk menyelesaikan permasalahan multi objective aggregateproduction planning.
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
Manfaat Penelitian
untuk memberikan konstribusi di bidang keilmuan optimasikhususnya metaheuristik dan bidang production andplanning control dalam penyelesaian problem APP.
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
INPUTParameter = faktor pereduksi temperatur (cr), jumlah
inventory minimum, inventory maksimum, biaya, kapasitasproduksi, pekerja awal, kebutuhan komponen dan jam kerja sertadefect rate.
OUTPUTP,W,H,L,O,B,I,Q,waktu komputasi,tujuan,iterasiCREATEmatriks kosong x ukuran (produk x( periode x 2))BEGIN%inisialisasi solusi awal jumlah pekerjaFOR (untuk setiap produk) DO
FOR (untuk setiap periode) DOHitung nilai x, dimana x= round (bb+(ba-bb)*rand)END
END%inisialisasi urutan supplierMembangkitkan matriks bilangan random dengan ukuran
komponen x supplierMengurutkan bilangan random berdasarkan baris
(komponen) secara ascendingEvaluasi fungsi tujuanTetapkan iterasi =1Tetapkan siklus =0
WHILE (stopping criteria belum terpenuhi) DOWHILE (jumlah siklus < n) DO
FOR (untuk setiap produk) DOFOR (untuk setiap periode) DOBangkitkan nilai x baruENDENDLakukan pengacakan urutan baru supplierEvaluasi fungsi tujuan baru
Hitung deltaf =Fungsi tujuan baru –fungsi tujuanIF deltaf <0 THEN
Tetapkan W=WbaruUrutan supplier =urutan baruFungsi tujuan =fungsi tujuan baru
ELSEIF rand <Tetapkan W=WbaruUrutan supplier =urutan baruFungsi tujuan =fungsi tujuan baruEND
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)
INPUTMatrik pekerja dan inventory (x), urutan supplier (urut)Data : demand, inventory minimum, biaya, kapasitas ,pekerja awal, kebutuhanOUTPUTFungsi tujuan,P,O,B,I,H,L,QBEGINCREATEmatrik kosong untuk P,O,B,I,H,L,QFOR (untuk setiap periode t (t ∈T)) DOFOR (untuk setiap produk m (m ∈M)) DOIF periode =1 THENtentukan pekerja hiring dan layoff berdasarkan data pekerja awalELSEtentukan pekerja hiring dan layoff berdasarkan data pekerja periode sebelumnyaENDENDENDFOR (untuk setiap periode t (t ∈T)) DOFOR (untuk setiap produk m (m ∈M)) DOHitung kebutuhan produksi pada tiap periode%Pada periode 1 : demand ditambahkan dengan inventory%Pada periode selanjutnya: demand ditambah inventorysaat ini dikurangi
inventory pada periode sebelumnya dan ditambah backorder pada periode sebelumnyaHitung waktu produksi berdasarkan kebutuhan produksinyaIF waktu produksi kurang dari kapasitas jam kerja regularTHEN
Tetapkan kebutuhan produksi sebagai PELSEHitung kapasitas produksi regulerIF kebutuhan produksi melebihi produksi regulernya THENHitung kebutuhan produksi tambahanHitung kapasitas overtimeIF kebutuhan produksi tambahan kurang dari kapasitas overtimeTHEN
Tetapkan kebutuhan produksi tambahan sebagai P overtimeTetapkan waktu produksi overtime sebagai O
ELSETetapkan kapasitas produksi maksimum overtime sebgai P overtimeTetapkan kapasitas waktu kerja maksimum overtime sebagai O
END
Hitung P total=P total regular + P overtimeIF jumlah produksi total (P) melebihi kebutuhan produksi THENTetapkan kelebihan produksi sebagai inventoryTetapkan produksi total sebagai sebagai PELSEHitung kebutuhan produksi tambahanTetapkan kebutuhan produksi tambahan sebagai backorder%Pada periode terakhir langsung tetapkan backorder sebagai B dan bebankan
penalty untuk seluruh unit B.IF backorder kurang dari demand THEN
Tetapkan Backorder sebagai BELSE
Tetapkan Backorder sebagai BHitung selisih backorder dengan demand dan bebankan penalty pada tiap unit
backorder yang melebihi demandEND
ENDEND
Hitung jumlah inventoryFOR (untuk setiap komponen k (k∈K) DOHitung kebutuhan komponen kWHILE z <= banyak supplierDO
IF kebutuhan komponen kurang dari kapasitas supplier urutan zTHENTetapkan kebutuhan kompnen sebagai QTetapkan selisih = 0ELSEHitung selisih=kebutuhan komponen-kapasitas supplier zTetapkan kapasitas supplier z sebagai QENDTetapkan kebutuhan komponen=selisihz=z+1ENDEND
ENDEND
Hitung nilai fungsi tujuan.
Pseudo Fungsi Tujuan
Algoritma Simulated Annealing Untuk MenyelesaikanMulti Objective Aggregate Production Planning (App)