Prosiding Konferensi Penelitian Teknik Industri 2009

Optimasi Desain Tata Letak Fasilitas Menggunakan Teknik Heuristik

Anindyo S. Roy
Alberto Marquez, Ph.D., Ryan Underdown, Ph.D., PE
Departemen Teknik Industri
211 Lane Burung Merah
Lamar University, Beaumont, TX 77710, USA

Abstrak
Fokus penelitian ini adalah pada desain tata letak ritel dan pengalihan produk ke lokasi
di toko dengan tujuan memaksimalkan keuntungan toko secara keseluruhan dengan
mengoptimalkan paparan produk margin tinggi di toko untuk pelanggan potensial. Dekat
teknik heuristik optimal digunakan, seperti algoritma genetika untuk mencari rute
terpendek yang terbaik bagi pelanggan dan disimulasikan anil dengan pengalihan
produk-produk di toko.
Kata kunci
Retail, teknik heuristik, algoritma genetika, simulated annealing
1.0 Pendahuluan
Keuntungan dalam bisnis ritel dipengaruhi untuk sebagian besar oleh layout
toko. Layout mungkin direncanakan untuk meningkatkan penjualan dengan
menunjukkan jumlah maksimum produk dalam ruangan toko yang tersedia [1]. Fokus
penelitian ini adalah pada desain tata letak ritel dan pengalihan produk ke lokasi di toko
dengan tujuan memaksimalkan keuntungan toko secara keseluruhan dengan
mengoptimalkan paparan produk margin tinggi di toko untuk pelanggan potensial.
Dekat teknik heuristik optimal digunakan, seperti algoritma genetika (GA) [2] untuk
menemukan rute terbaik terpendek untuk
pelanggan dan simulasi annealing dengan pengalihan produk-produk di
toko. Tujuannya adalah menjaga "must-have"
produk untuk profil pelanggan tertentu terpisah sejauh mungkin.Hal ini menciptakan
paparan lebih tinggi produk untuk
pelanggan, sedangkan mereka bertujuan untuk melakukan perjalanan melalui rute
terpendek yang mungkin mereka [3]. SA diterapkan
bergantian dengan alokasi produk must-have dan non-must-have produk, dan kedua
alokasi
tergantung satu sama lain.

Efisiensi dari tata letak dievaluasi oleh fungsi objektif diatur oleh teknik heuristik untuk
mengukur profit margin yang diperoleh oleh toko. Proses alokasi dilanjutkan sampai
total keuntungan untuk toko dekat mencapai nilai konstan.
2.0 Latar Belakang Masalah
Masalah dalam penelitian ini adalah untuk memaksimalkan keuntungan dari toko ritel
dengan meningkatkan penjualan produk mereka. Salah satu
faktor-faktor utama yang terlibat dalam meningkatkan penjualan kotor adalah dengan
eksposur yang tepat dari produk [4,5] Beberapa
produk tersebut mungkin menjadi 'must-have' untuk beberapa pelanggan, sedangkan
pelanggan lain belum berencana membeli ini
produk (non-must-have). Tujuan dari tesis ini adalah untuk merancang tata letak ritel
dan mengalokasikan produk ke
lokasi untuk memaksimalkan pemaparan mereka sehingga pelanggan, yang tidak
memiliki rencana untuk membeli produk, mungkin berakhir membeli
ketika mereka melihatnya.

Dengan demikian, masalah ini diselesaikan di bagian. Pertama menempatkan harus-

memiliki produk yang bertujuan untuk memaksimalkan jarak perjalanan
untuk pelanggan, dan kemudian menetapkan non-harus-memiliki produk ke lokasi di
jalur nasabah mengenai mereka
rute ke lokasi harus mereka-have untuk memaksimalkan total keuntungan. Peningkatan
laba kotor ini dicapai dengan
memaksimalkan pemaparan dari produk, yaitu memaksimalkan jarak antara-have harus
bagi pelanggan semua
jenis sehingga meningkatkan jarak perjalanan untuk semua jenis pelanggan bahkan
setelah mereka memilih rute terpendek untuk mencapai
harus mereka kaya dan menempatkan produk lainnya di rute yang mereka
pilih. Sedangkan jarak antara harus-
kaya dimaksimalkan, pelanggan mencoba untuk meminimalkan rute terpendek yang
memungkinkan mereka untuk memilih produk.Dengan
memecahkan masalah, must-have untuk setiap tipe pelanggan ditempatkan jauh dari
satu sama lain sehingga bahkan jika

579
 

Roy, Marquez, Underdown

pelanggan mengambil rute terpendek untuk mencapai harus mereka-have, mereka
harus menempuh jarak yang signifikan dan dengan demikian, melihat lebih banyak
produk yang mereka tidak pra-direncanakan untuk membeli.

Fungsi tujuan untuk memecahkan masalah ini merupakan merancang tata letak yang
memaksimalkan jarak perjalanan antara produk dan memaksimalkan pemaparan
produk berdasarkan margin keuntungan mereka dan lokasi mereka.Selain itu,
pelanggan meminimalkan rute tertentu dari harus-harus must-have. Dalam penelitian
ini, diasumsikan bahwa setiap pelanggan hanya membeli satu unit kuantitas dari setiap
produk dan jumlah jenis tertentu produk ditempatkan dalam satu lokasi dan semua
lokasi adalah ukuran yang sama.

2.1 Asumsi
Perilaku pelanggan dan kecenderungan pembelian tidak dipertimbangkan untuk
mengoptimalkan tata letak fasilitas.Keputusan untuk
pembelian non-harus memiliki dimodelkan sebagai variabel acak.Jarak terpendek untuk
mengambil-harus dimiliki adalah
dipilih sebagai rute terbaik untuk semua jenis pelanggan. Untuk perhitungan untuk
probabilitas kunjungan ke lokasi, maka
diasumsikan bahwa ada split setengah dari pelanggan di setiap fasilitas bepergian ke
depan. Semua lokasi diasumsikan
untuk daerah yang sama dan ruang yang sama memiliki untuk penyimpanan
produk. Perhitungan Jarak antara fasilitas tersebut adalah dari
pusat ke pusat lokasi. Ruang untuk setiap lokasi diasumsikan cukup untuk menyimpan
semua kuantitas dari
jenis produk tertentu.
3.0 Model Soal
Masalah ini merupakan kombinasi dari maksimisasi dan minimisasi fungsi tujuan
tertentu. Dalam rangka mencapai
ini, masalah dibagi menjadi tiga bagian: 1) menemukan lokasi terbaik untuk harus
dimiliki dan non-must-have
produk dengan memaksimalkan jarak antara must-have dan karenanya,
memaksimalkan paparan semua produk, 2)
memilih rute terbaik bagi pelanggan tertentu jika diasumsikan mereka akan memilih
jarak minimal, dan
3) menemukan probabilitas pelanggan mengunjungi lokasi.Persamaan model untuk
menemukan dan mengoptimalkan lokasi harus-memiliki produk dan non-harus-memiliki
produk dapat dirumuskan sebagai persamaan (1):
 

KCk

 f *    Max
 


P * (1) * WNI * Dalam *
 
ij mn im m
 
m
 
1 1 i  1 n 

Sesuai dengan:
kk
 
kk
 Min
1d ij 1 j i
 


 
WNI = 1 WNI = 1, 
 
1 1 i n
Dimana,
m = jumlah jenis pelanggan C = total jumlah tipe pelanggan
n = jumlah total produk
k = jumlah total lokasi
i; representasi = j lokasi yang berbeda
DIJ = bujursangkar matriks jarak antar lokasi i dan j = fij aliran pelanggan antara i dan j
lokasi
 


 
= Probabilitas 'n' membeli produk 'm' pelanggan
mn
= Sub rute untuk pelanggan = probabilitas 'm' pelanggan mengunjungi setiap lokasi 'i'
im

1 jika 'n' produk di lokasi 'i'

 

WNI =
 

 
0 sebaliknya
 

Pada profit margin = untuk 'n' produk

 

580
 

Roy, Marquez, Underdown

Pm = populasi ukuran 'm' pelanggan

3.1 Solusi Algoritma
Gambar 1 adalah diagram alir langkah-langkah yang berbeda dalam mencari lokasi
yang optimal untuk produk di toko-toko ritel untuk menghasilkan margin keuntungan
yang maksimal. Langkah-langkah yang berbeda dibahas di bawah ini.
Gambar 1: Algoritma Solusi

581
 

Roy, Marquez, Underdown

4.0 Contoh, Hasil dan Diskusi

Pertimbangkan contoh sampel dari tiga puluh lokasi di toko ritel (k = 30). Lokasi tempat
berbentuk persegi panjang di daerah yang sama dan diatur dengan cara yang 'grid'
layout. Ada tiga puluh produk (n = 30) dan harus diatur dalam tiga puluh lokasi dengan
tujuan memaksimalkan jarak antara produk yang akan dibeli oleh setiap jenis
pelanggan dan, karenanya, meningkatkan eksposur dari produk lainnya.

Untuk mencari layout terbaik dan margin keuntungan maksimum untuk toko, parameter
yang akan diperlukan adalah probabilitas untuk jenis pelanggan mengunjungi setiap
lokasi, produk yang berada di lokasi yang berbeda, probabilitas dari berbagai produk
yang dibeli, dan profit margin untuk produk yang berbeda. Ada empat jenis pelanggan
(m = 4), di mana pelanggan dari satu jenis tertentu membeli produk yang sama. Produk
yang pra-direncanakan dan dibeli oleh pelanggan jenis dianggap sebagai harus-punya
produk untuk jenis pelanggan. Dari tiga puluh produk, produk sepuluh total harus-
memiliki produk untuk semua jenis pelanggan dengan berbagai must-have untuk jenis
pelanggan yang berbeda. The-harus dimiliki untuk pelanggan yang berbeda adalah:
Customer tipe 1: Nomor Produk - 1, 2, 3, 5, 9
Customer tipe 2: Nomor Produk - 2, 4, 6, 8
Pelanggan tipe 3: Nomor Produk - 1, 4, 7, 9, 10
Pelanggan tipe 4: Nomor Produk - 3, 4, 5, 6, 9
Awalnya, untuk jangka pertama,-harus dimiliki adalah secara acak lokasi dalam tata
letak planar. Gambar 2 menunjukkan susunan grid dengan 6 baris dan 5 kolom dan
lokasi dari-have harus. Jarak antara semua lokasi dihitung, matriks DIJ dibangun dan,
jarak antar-have harus untuk semua jenis pelanggan dihitung.
 
 xi, y i
 
Kolom Kolom
12
 

Kolom Kolom Kolom

345
 

Row 1 1 (1) 2 3 (4) 4 5 (7)

 

Row 2 6 7 8 9 10
 

Row 3 11 (8) 12 13 14 15 (2)

 

Row 4 16 17 (3) 18 19 (9) 20

 

Row 5 21 (6) 22 23 (10) 24 25

 

Row 6 26 27 28 29 30 (5)

Gambar 2: Posisi-have Harus di Layout Planar

Berdasarkan jarak antar-have harus, algoritma genetika digunakan untuk mencari rute
terbaik untuk mengambil
must-have oleh semua jenis pelanggan. Rute terbaik untuk pelanggan yang berbeda
digunakan untuk menemukan non-must-have
dalam rute pelanggan. Pemilihan rute terbaik berdasarkan jarak terpendek antara
harus-
have untuk setiap tipe pelanggan. Ada bisa lebih dari satu rute terbaik dengan jarak
terpendek sama untuk setiap pelanggan
tipe.
582
 

Roy, Marquez, Underdown

Fungsi tujuan memberikan margin keuntungan yang maksimal, dimana w (n, i) memiliki
pengaruh yang sangat besar pada solusi akhir dan itu tergantung pada jumlah berjalan,
dan nilai untuk suhu dan tingkat pendakian yang digunakan dalam simulasi
annealing.Dengan mengubah nilai-nilai parameter dalam simulated annealing untuk-
have harus dan non-must-have, dan algoritma genetika, lokasi produk dalam tata letak
yang diubah dan menggunakan profit margin fungsi tujuan untuk setiap pengaturan
diperoleh . Marjin laba untuk pengaturan yang berbeda dan lokasi produk mereka
dibandingkan.

Parameter untuk simulated annealing [6] yang berubah adalah suhu maksimum,
minimum
suhu, dan tingkat peluruhan untuk pendinginan untuk simulated annealing. Dengan
memvariasikan suhu maksimum dan minimum, ada perubahan yang sesuai pada
kisaran temperatur di mana laju pendinginan memutuskan jumlah penayangan yang
diperlukan untuk mencapai margin keuntungan yang mendekati optimum. Bila suhu
tinggi dan r-
nilai bervariasi, seperti r-nilai mengurangi, jumlah penayangan yang diperlukan untuk
mencapai suhu minimum dari suhu maksimum, meningkatkan dan memiliki kesempatan
lebih banyak untuk memeriksa tata letak yang berbeda dan oleh karena itu, lebih
mungkin untuk menemukan solusi optimal. Namun, dengan penurunan dalam kisaran
suhu, jumlah berjalan mengurangi dan kemungkinan untuk menemukan solusi optimum
menurun.
Karena nilai-nilai terbaik dari tingkat kerusakan dan suhu yang digunakan dalam
simulasi annealing untuk alokasi
must-have dan non-must-have tidak diketahui, pemilihan busuk menilai dimulai pada
nilai yang sangat rendah pembusukan
rate (r = 0,003) menjaga kisaran suhu yang lebih dan konstan untuk semua nilai r-dan
membandingkan solusi. The
algoritma dijalankan menjaga berjalan secara maksimal untuk simulated annealing
pada 100.000 berjalan. Jangka maksimum adalah
batas yang diatur sehingga mencakup semua berjalan yang akan diperlukan untuk suhu
untuk mengurangi dari maksimum
minimum dengan tingkat pendinginan yang berbeda. Ini pilihan parameter akan,
bagaimanapun, membawa pengorbanan tentang tertentu. The
pengorbanan akan menjadi antara kualitas solusi dan total waktu untuk
menjalankan. Dengan kenaikan suhu
jangkauan atau penurunan tingkat peluruhan, jumlah peningkatan berjalan sehingga
solusi optimal yang lebih baik dan dekat, tetapi
peningkatan run time.
4.1 Pembahasan Solusi Optimum
Algoritma yang digunakan dalam masalah menghasilkan lokasi baru ke-have harus dan
non-must-have dan memberikan profit margin yang sesuai dari alokasi produk. Solusi
yang diperoleh dengan keuntungan total $ 201.600 dari harga optimum dekat
parameter simulated annealing menghasilkan alokasi musthaves dan non-must-have
seperti yang ditunjukkan pada Gambar 3.

Gambar 3: Lokasi Produk Generated di Solusi Akhir

Seperti pada Gambar 3, sebagian besar-have harus ditugaskan di sepanjang pinggiran
dan pada atau dekat pojok sehingga mencakup semua
lokasi toko. Namun, jika semua sudut ditempati oleh must-have, maka pelanggan akan
bergerak sepanjang
pinggiran toko dan lokasi dalam toko akan tetap belum dikunjungi.Dengan
menempatkan-harus have dekat
sudut, masalah bagi pelanggan mengunjungi lokasi diambil dalam perawatan, karena
pelanggan dapat memilih rute mereka
583
 

Roy, Marquez, Underdown

sepanjang pinggiran mengunjungi semua sudut atau melalui lokasi dalam toko,
sehingga mengunjungi semua lokasi di
toko.

Produk nomor empat adalah yang harus dimiliki untuk jenis, pelanggan 2, 3, dan 4,
sehingga dengan menempatkan empat produk, pelanggan ini cenderung bergerak di
loop bagian dalam toko sehingga untuk mendapatkan produk ini. Apalagi
probabilitasnya menjadi dibeli jika dilihat tinggi, sehingga lokasi sangat penting. Produk
nomor sembilan adalah yang harus dimiliki untuk pelanggan 1, 3, dan 4 dan karenanya
dengan menempatkannya di pinggiran dan dekat sudut, pelanggan dapat mencapai
lokasi di sepanjang pinggiran toko atau melalui cara bagian dalam toko dan
karenanya perjalanan melalui lokasi maksimum.
Produk satu, lima, enam dan tujuh masing-masing-harus dimiliki untuk dua jenis
pelanggan, tetapi menghasilkan keuntungan yang lebih tinggi karena kemungkinan
mereka lebih tinggi yang dibeli, maka ditempatkan dekat sudut sepanjang pinggiran
untuk maksimum penyebaran rute pelanggan. Produk dua dan tiga juga must-have
untuk dua jenis pelanggan tapi menghasilkan keuntungan kurang karena profit margin
yang rendah dan probabilitas rendah yang dibeli. Oleh karena itu, alokasi produk
didasarkan pada fungsi tujuan yang parameter probabilitas kunjungan pelanggan ke
lokasi, kemungkinan pembelian produk, dan margin keuntungan produk dan diatur
dengan teknik algoritma mengoptimalkan, seperti sebagai simulated annealing dan
algoritma genetika.
5.0 Kesimpulan
Alokasi produk di lokasi yang berbeda di toko didasarkan pada jenis pelanggan
mengunjungi setiap lokasi, kemungkinan pelanggan membeli produk yang ada di rute
mereka ketika mereka melihat mereka dan profit margin untuk produk.Keuntungan yang
lebih tinggi menghasilkan produk yang tersebar sepanjang pinggiran toko sehingga
untuk memastikan pelanggan bergerak sepanjang pinggiran dan di dalam
toko. Beberapa produk yang menghasilkan keuntungan tinggi dan must-have untuk
jenis maksimum pelanggan ditempatkan di loop bagian dalam toko untuk menjamin
bahwa pelanggan maksimum perjalanan di dalam toko dan penutup maka di sebagian
besar lokasi.

Algoritma yang digunakan adalah simulated annealing dan algoritma genetika karena
efisiensi mereka dalam memperoleh dekat solusi optimal dalam waktu yang
wajar. Semakin tinggi kisaran suhu di simulated annealing menghasilkan margin
keuntungan yang lebih tinggi didasarkan pada jumlah layout yang berbeda yang dapat
diperiksa. Ini juga dapat dicapai dengan mengurangi tingkat peluruhan untuk suhu
dalam algoritma simulated annealing. Namun, untuk kedua kasus, meningkat run time
untuk jumlah yang cukup. Nilai optimum dekat dari parameter yang telah dipilih dalam
karya ini untuk memperoleh profit margin mendekati optimum dari $ 201.600 untuk
simpan dalam waktu yang wajar adalah 100000, 0,0001, dan 0,05 untuk suhu
maksimum, suhu minimum, dan tingkat peluruhan, masing-masing

5.1 Masa Depan Pekerjaan

Alokasi produk bisa difokuskan pada paparan produk yang profit margin rendah dan
menjual rendah atau profit margin rendah namun produk jual tinggi terkonsentrasi di
pusat toko. kriteria hubungan tertentu dapat digunakan untuk clustering produk
bersama-sama dan teknik heuristik tertentu dapat digunakan untuk mengalokasikan
mereka berdasarkan hubungan ini. Berbeda efisien teknik heuristik cepat dapat
digunakan untuk memecahkan masalah dan solusi untuk algoritma yang berbeda dapat
dibandingkan.
Referensi
1. Corstjens, Marcel dan Doyle, Peter. 1981. Sebuah model untuk mengoptimalkan
alokasi ruang ritel. Manajemen
Science 27 (7)
2. Lee, Young dan Lee Hae Moon Hwan. 2002. Sebuah balok bentuk pendekatan
berbasis layout layout fasilitas
masalah menggunakan algoritma genetika hibrida. Komputer dan Rekayasa Industri 42:
2-4.
3. Hwang, Hark, Bum Choi, dan Lee Min-Jin. 2005. Sebuah model untuk alokasi rak
ruang dan pengendalian persediaan
mempertimbangkan lokasi dan efek tingkat persediaan sesuai permintaan. Jurnal
Ekonomi Produksi
97 (2).
4. Hariga, A. Moncer, Abdulrahman Mohamed Al-Ahmari dan A. Abdel
Rahman. 2007. Sebuah optimasi bersama
model untuk pengisian ulang persediaan, berbagai macam produk, ruang pajang dan
keputusan alokasi area tampilan.
Eropa Jurnal Penelitian Operasional 181 (1).
5. Reyes, Pedro M. dan Gregory V. Frazier. 2007. Goal programming model untuk
ruang kelontong rak
alokasi. Eropa Jurnal Penelitian Operasional 181 (2).
6. Van Laarhoven, P. J. M. dan E. H. L. Aarts. 1987. SA: Teori dan aplikasi. Holland:
D. Perusahaan Penerbitan Reidel.

584
 

Direproduksi dengan izin dari pemilik hak cipta. reproduksi lebih lanjut dilarang tanpa
izin.