Machine Translated by Google

Int. J. Ekonomi Produksi 257 (2023) 108771

Daftar isi tersedia di ScienceDirect

Jurnal Internasional Ekonomi Produksi

beranda jurnal: www.elsevier.com/locate/ijpe

Masalah perutean inventaris lokasi untuk merancang jaringan rantai pasokan

melingkar tertutup dengan kebijakan pajak karbon untuk mencapai
ekonomi sirkular: Pendekatan kendala epsilon yang diperbesar

Kannan Govindan a,b,c,d,*, Farhad Salehian , Hadi Kian F, Seyed Teimoor Hosseini g, Dia

A
Hasan Mina
A
Institut Rantai Pasokan FTZ Tiongkok, Universitas Maritim Shanghai, Shanghai, Tiongkok
B
Pusat Rekayasa Rantai Pasokan Berkelanjutan, Departemen Teknologi dan Inovasi, Institut Studi Lanjutan Denmark, Universitas Southern Denmark,
Odense, Denmark
C
Lab Perbatasan Yonsei, Universitas Yonsei, Seoul, Korea Selatan
D
Sekolah Bisnis, Universitas Woxsen, Sadasivpet, Telangana, India
Dia
Sekolah Teknik Industri, Sekolah Tinggi Teknik, Universitas Teheran, Teheran, Iran
F
Departemen Teknik Industri, Universitas Teknologi KN Toosi, Teheran, Iran
G
Fakultas Sains dan Teknik Polisi Lalu Lintas, Universitas Ilmu Militer Amin, Teheran, Iran

INFO PASAL ABSTRAK

Kata kunci: Munculnya konsep ekonomi sirkular telah mendorong pemilik industri menuju rantai pasokan ramah lingkungan dan
Rantai pasokan loop tertutup melingkar pengurangan limbah. Rantai pasokan loop tertutup berasal dari konsep ekonomi sirkular dan tujuannya adalah untuk
Kebijakan pajak karbon
meningkatkan efisiensi dan profitabilitas dengan mengurangi konsumsi limbah dan energi. Oleh karena itu, dalam
Masalah perutean inventaris lokasi
penelitian ini, model pemrograman linier bilangan bulat campuran bi-objektif terintegrasi dikembangkan dengan tujuan
Masalah penjadwalan kendaraan
Metode batasan epsilon
mengoptimalkan keputusan operasional dan strategis dalam jaringan rantai pasokan loop tertutup. Model yang diusulkan
memanfaatkan masalah perutean inventaris lokasi untuk menyusun jaringan, dan menerapkan kebijakan pajak karbon
dan masalah penjadwalan kendaraan untuk mengurangi emisi dan waktu tunggu kendaraan. Mempertimbangkan
permasalahan seperti pengiriman terpisah, kemungkinan penyimpanan, kekurangan, pemilihan pemasok, alokasi
pesanan, kendaraan yang heterogen, dan permintaan yang tidak menentu telah mengarah pada pengembangan model
yang komprehensif. Pendekatan berbasis skenario stokastik digunakan untuk menghadapi ketidakpastian permintaan,
dan metode kendala epsilon yang ditambah digunakan untuk menyelesaikan model bi-objektif yang diusulkan.
Penerapan model yang diusulkan dan efektivitas pendekatan solusi bi-objektif untuk mencapai ekonomi sirkular
diperiksa melalui penerapannya di industri kabel dan kawat di Iran.

1. . Perkenalan
Sebagai pendekatan sistematis, desain jaringan rantai pasokan (SCN)
bertujuan untuk menentukan campuran produk, pemasok, dan fasilitas yang
ideal melalui pemodelan matematika (Zandkarimkhani et al., 2020). Menurut
(Cammarano et al., 2022; Dwivedi et al., 2021), SCN yang ada saat ini harus
direkayasa ulang dengan mengintegrasikan konsep ekonomi sirkular guna
mencapai tujuan pembangunan berkelanjutan (SDGs). Dalam hal optimalisasi
SCN, kita dapat merujuk pada desain SCN dengan efisiensi setinggi mungkin
(Jain dan Verma, 2021; Moreno-Camacho dkk., 2019). Faktanya, optimasi
SCN memberi perusahaan kemungkinan untuk menilai kinerja rantai melalui
beberapa skenario seperti
“bagaimana-jika” untuk membuat rencana praktis sesuai kriteria yang kuat
(Tavana dkk., 2021). Perlu dicatat bahwa efisiensi SCN dapat bervariasi
berdasarkan kriteria dan ide pengambil keputusan (DM) serta preferensi
pemodelan yang mungkin mereka gunakan (Chopra et al., 2021). Oleh
karena itu, konsep ini dirujuk dalam literatur secara berbeda dari berbagai
sudut pandang. Sejumlah penelitian menempatkan fokus utama pada
pentingnya minimalisasi biaya (Salehi-Amiri et al., 2021; Yuchi et al., 2021),
sedangkan beberapa penelitian lainnya memberikan penekanan tertinggi
pada pentingnya maksimalisasi keuntungan (Ghani et al. , 2018). Namun
sebagian besar penelitian dalam domain ini mengarah pada berbagai tujuan
untuk mengukur efisiensi dan mengevaluasi kinerja SCN (Hasani et al.,
2021; Nili et al., 2021; Nayeri et al., 2020). Pertimbangan alokasi pesanan dan pemilihan

* Penulis yang sesuai. Institut Rantai Pasokan FTZ Tiongkok, Universitas Maritim Shanghai, Shanghai, 201306, Tiongkok.
Alamat email: kgov@iti.sdu.dk (K.Govindan).

https://doi.org/10.1016/j.ijpe.2023.108771
Diterima 1 Mei 2022; Diterima dalam bentuk revisi 4 November 2022; Diterima 3 Januari 2023
Tersedia online 6 Januari 2023
0925-5273/© 2023 Para Penulis. Diterbitkan oleh Elsevier BV Ini adalah artikel akses terbuka di bawah lisensi CC BY (http://creativecommons.org/licenses/by/4.0/).
Machine Translated by Google

K. Govindan dkk. Jurnal Internasional Ekonomi Produksi 257 (2023) 108771

dianggap sebagai langkah pertama dalam desain SCN dengan efisiensi tinggi
susaK (Bhayana et al., 2021; Kannan et al., 2020). Hal ini terjadi karena pemasok merupakan
rajaleb

ÿ
ÿ

ÿ
ÿ

ÿ
–

–
elemen utama di tingkat atas suatu rantai dan sangat berpengaruh dalam kinerja hilir
SCN (Bartos dkk., 2022; Alavi dkk., 2021). Komponen penting lainnya yang harus
diberi penghargaan dalam merancang SCN adalah perencanaan distribusi (Guarna

ÿ
edotem

–
–

–
–
schelli et al., 2020). Salah satu bidang yang mendapat banyak perhatian dalam
literatur adalah bagaimana mengintegrasikan masalah perutean lokasi dengan
masalah pengendalian inventaris (Wu et al., 2021). Beberapa bidang penyelidikan
yang semakin mendapat perhatian adalah logistik terbalik, pengelolaan limbah, serta
ÿ

ÿ
ÿ

ÿ
ÿ

ÿ
eP
K

–
naitsarpokiraedtisto

manufaktur ramah lingkungan dan manufaktur ulang sebagai reaksi terhadap

penegakan undang-undang lingkungan hidup dalam pengurangan polusi dan tekanan
pelanggan (Chen dan Akmalul'Ulya, 2019 ; Kannan dkk., 2022, 2022a). Rantai
nobraK

ÿ
kajap

nakajibek

–
–
pasokan tradisional bertujuan untuk menurunkan biaya dan meningkatkan efisiensi
dan profitabilitas. Dalam rantai pasokan melingkar atau tertutup, produk-produk yang
dibuang dikembalikan ke dalam rantai nilai melalui daur ulang, pemanenan, dan
perbaikan. Rantai pasokan sirkuler bertujuan untuk meningkatkan produktivitas dan
profitabilitas dengan mengurangi konsumsi sumber daya dan energi, mengurangi
ÿ
ÿ

ÿ
ÿ
ÿ
ÿ
ÿ
ÿ

ÿ
nanganntaiuagkkngrueansd
byiIl

emisi polutan, dan menciptakan perusahaan yang bertanggung jawab secara sosial.
naisnaaksoelA
p

ÿ
ÿ

ÿ
ÿ
ÿ
ÿ

ÿ
–

–
–

Memang benar, manajemen rantai pasokan sirkular mengacu pada integrasi

manajemen rantai pasokan dan aturan lingkungan yang mungkin melibatkan konsep
berbeda seperti produksi, kepuasan pelanggan, proses pengiriman, pengadaan
meeP
p

ÿ
ÿ
ÿ
ÿ

ÿ
–

–
–

bahan, dan manajemen kehidupan produk bekas (Bhatia dan Gangwani, 2021 ; Tseng
lim
nkaohsia

dkk., 2019). Meskipun terdapat kepercayaan yang salah di kalangan praktisi bahwa
penerapan proses rantai pasokan sirkular membutuhkan biaya yang sangat besar,
sejumlah alasan juga dapat membuktikan keefektifan biayanya (Waltho dkk., 2019).
nalawdajnep

ÿ
naaradneK

–
–

–
–

Baik teori maupun praktik telah membuktikan bahwa penerapan SCN sirkular mungkin
memakan biaya dalam jangka pendek, namun sebagian besar biaya akan diminimalkan
dalam jangka panjang (Sarkar et al., 2018). Salah satu kriteria yang dapat
menghasilkan desain SCN sirkular yang baik adalah dengan mempertimbangkan arus
maju dan mundur dalam merancang jaringan rantai pasokan karena hal ini akan
ÿ

ÿ
nnaeagraodrenteeK
h

–
–

mengurangi pembuangan produk dan konsumsi sumber daya karena penggunaan

nalaujnep

kembali dan/atau daur ulang. produk yang dikembalikan (Berlin et al., 2022).
–

–
–

Hal ini pada akhirnya dapat mengurangi dampak negatif terhadap lingkungan (Fu et
p nanapmgiynnaeliH
P

ÿ
ÿ

ÿ
–

al., 2021).
Dari poin-poin yang disebutkan di atas, dapat disimpulkan bahwa
mempertimbangkan “arus maju dan mundur”, “pemilihan pemasok dan alokasi
ÿ

ÿ
ÿ

ÿ
nhaaelatusraeM

–
–

pesanan”, “lokasi fasilitas”, “masalah rute kendaraan”, dan “perencanaan inventaris”

dalam desain SCN dapat membawa jaringan yang dirancang lebih dekat dengan
dunia nyata, dan dapat menghasilkan efisiensi dan efektivitas yang lebih tinggi.
ÿ
ÿ

ÿ
ÿ
ÿ
ÿ
ÿ
ÿ

ÿ
siastailkisoaLf

Oleh karena itu, dalam tulisan ini, model bi-objective mixed integer linear program
ming (MILP) dikembangkan untuk merancang jaringan rantai pasokan loop tertutup
melingkar (CLSCN) dengan mempertimbangkan pemilihan pemasok dan alokasi
naprauktugtnreiLt

ÿ
ÿ

ÿ
ÿ
ÿ
ÿ
ÿ
ÿ

pesanan, location-inventory-routing (LIR) masalah, dan kebijakan pajak karbon untuk

mencapai ekonomi sirkular. Menurut Rafigh dkk. (2021) rantai pasokan loop tertutup
(CLSC) sendiri dipadankan dengan konsep ekonomi sirkular dan keberlanjutan. Patut
ÿ
ÿ

ÿ
ÿ
ÿ
ÿ
ÿ
ÿ

dicatat bahwa permintaan yang tidak pasti, kendaraan yang heterogen, dan
penjadwalan kendaraan merupakan beberapa asumsi utama dari model yang
diusulkan. Pendekatan berbasis skenario digunakan untuk mengatasi permintaan
ÿ
ÿ

ÿ
ÿ
ÿ
ÿ
ÿ
ÿ

ÿ
nagsnuirraAj

aM
rudunju

yang tidak pasti, dan metode augmented epsilon-constraint (AUGMECON) diterapkan

untuk menyelesaikan model bi-objektif yang diusulkan. Terakhir, kinerja dan efisiensi
ÿ
ÿ

ÿ
-itluM
edoirep

model dan pendekatan solusi yang diusulkan diukur melalui data yang berkaitan
dengan produksi dan distribusi kawat dan kabel SCN di Iran. Secara umum, motivasi
gnarab

ÿ
ÿ

ÿ
ÿ
ÿ
ÿ
ÿ
ÿ

ÿ
-itluM

makalah ini adalah untuk menjawab pertanyaan-pertanyaan berikut.

fitkejbo

ÿ
itluM

• Model apa yang tepat untuk desain jaringan rantai pasokan terbalik guna
2202ÿ

2202ÿ

1202ÿ

020–
2

0202ÿ

0202ÿ

9102ÿ

9102ÿ
9102ÿ
runltekuduhoratM
S
T

mengoptimalkan keputusan strategis dan operasional dalam industri kawat dan

kabel dengan mempertimbangkan kebijakan LIR dan
pajak karbon? • Pendekatan apa yang tepat untuk menghadapi permintaan
yang tidak menentu? • Metode apa yang cocok untuk menyelesaikan model bi-objektif yang diusu
0kM
G
Z
2
d
.kkd

.kkd

.kkd

.kkd
ir.ikmkA
d

eh
r1ka
a.e
ihelaS

yoaG
N
S
aimamE
r.skakN
d
-tigneakl

halakaim
ni
iravnaaY
d
siluneP

en9
d

Tabel
1
,nila
irneivd
ihdg
na

2
Machine Translated by Google
K. Govindan dkk.
• Bagaimana kinerja model yang diusulkan dan efektivitas pendekatan solusi
dievaluasi dalam industri kawat dan kabel?
Sisa dari penelitian ini disusun sebagai berikut. Bagian 2 mengulas literatur. Pada
Bagian 3, kami menyajikan pernyataan masalah dan model yang diusulkan. Bagian 4
mengusulkan metode solusi bi-objektif.
Bagian 5 dan 6 masing-masing dikhususkan untuk studi kasus dan analisis komparatif.
Terakhir, kami menyatakan implikasi manajerial dan kesimpulan kami masing-masing
di Bagian 7 dan 8.
2. Tinjauan Pustaka
CLSCN merupakan SCN sirkular yang memperhatikan permasalahan lingkungan
dengan tetap mempertimbangkan aspek ekonomi (Govindan dan Soleimani, 2017).
Tinjauan literatur menunjukkan bahwa desain CLSCN telah diterapkan di berbagai
bidang seperti industri makanan (Salehi-Amiri et al., 2021; Jabarzadeh et al., 2020),
kesehatan (Tirkolaee et al., 2022; Rafigh et al., 2021), pengelolaan limbah (Govindan
et al., 2021; Sadeghi Ahangar et al., 2021), industri ban (Fazli-Khalaf et al., 2021;
Abdolazimi et al., 2020), dan beberapa artikel review telah dipresentasikan kepada
memperkenalkan aplikasi dan metode yang digunakan dalam bidang ini
(MahmoumGonbadi et al., 2021; Peng et al., 2020; Kazemi et al., 2019). Beberapa
peneliti telah mengambil langkah lebih jauh dan mengkaji CLSCN dengan berfokus
pada ekonomi sirkular. Govindan dkk. (2020) dan Nasr dkk. (2021) telah menerapkan
konsep ekonomi sirkular untuk merancang CLSCN untuk industri otomotif dan pakaian.
Dalam hal ini, Mahmoum Gonbadi dkk. (2021) menyajikan tinjauan sistematis mengenai
metode dan penerapan artikel CLSCN dengan tujuan transisi menuju ekonomi sirkular.
Berikut ini akan diulas beberapa artikel yang telah menggunakan pendekatan
pemrograman matematika untuk merancang CLSCN. Jindal dan Sangwan (2014)
merumuskan model MILP mereka untuk merancang CLSCN multi-fasilitas dalam
kondisi ketidakpastian. Model mereka memaksimalkan keuntungan jaringan dan
menggunakan pendekatan fuzzy untuk menangani parameter yang tidak pasti. Garg
dkk. (2015) menguji CLSCN terkait isu lingkungan. Untuk tujuan ini, mereka
mengusulkan model bi-objective mixed-integer nonlinear programming (MINLP)
dengan tujuan memaksimalkan keuntungan jaringan dan meminimalkan jumlah
kendaraan yang digunakan untuk mengangkut produk. Mereka mengusulkan fungsi
tujuan kedua untuk mengurangi emisi karbon. Model MILP dikembangkan oleh Chen
et al. (2015) untuk menyusun CLSCN yang komprehensif dengan mempertimbangkan
masalah alokasi lokasi dan tingkat kualitas. Mereka menyarankan algoritma genetika
yang dimodifikasi untuk memecahkan masalah mereka. Zhalechian dkk. (2016)
menyajikan CLSCN berkelanjutan dengan mempertimbangkan teori antrian dan
masalah LIR dalam ketidakpastian.
Mereka menggunakan pendekatan possibilistik-stokastik untuk mengatasi
ketidakpastian dan mengusulkan algoritma meta-heuristik untuk menyelesaikan
masalah yang mereka usulkan dalam ukuran besar. Model optimasi multi-tujuan yang
bertujuan untuk mengurangi total biaya, meningkatkan kinerja pemasok, dan
mengurangi emisi karbon untuk merancang CLSCN yang efisien diusulkan oleh
Govindan et al. (2017). Mereka menggunakan metode pemrograman fuzzy tertimbang
untuk memecahkan model multi-tujuan mereka, dan akhirnya menilai kinerja model
mereka menggunakan data dari industri produksi dan distribusi printer inkjet di India.
Dalam hal ini, Soleimani dkk. (2017) menyajikan model pemrograman matematis
multi-tujuan untuk menyusun CLSCN yang ramah lingkungan dan berkelanjutan
dalam kondisi ketidakpastian. Mereka menggunakan teori fuzzy untuk
mempertimbangkan ketidakpastian, dan merancang metaheuristik berbasis GA untuk
memecahkan masalah yang mereka usulkan dalam skala besar. Masalah LIR
disarankan untuk merancang CLSCN multi-periode dengan mempertimbangkan arus
maju dan mundur oleh Forouzanfar et al. (2018). Untuk tujuan ini, mereka merumuskan
model MINLP bi-objektif dengan tujuan meminimalkan waktu servis dan total biaya,
dan menerapkan model yang mereka usulkan pada industri mobil di Iran. Untuk
menyeimbangkan biaya jaringan dan emisi karbon, CLSCN berkelanjutan dirancang
oleh Zhen dkk.
(2019). Mereka menerapkan pendekatan berbasis skenario untuk mengatasi
ketidakpastian permintaan dan mengusulkan pendekatan relaksasi Lagrangian untuk
menyelesaikan model yang mereka usulkan. Mardan dkk. (2019) membentuk multiproduk,
3
Jurnal Internasional Ekonomi Produksi 257 (2023) 108771
CLSCN hijau multi-periode dengan model MILP bi-objektif. Mereka menggunakan
metode LP-metrik untuk mengubah model bi-objektif menjadi model objektif tunggal,
dan mengembangkan algoritma dekomposisi Benders untuk menyelesaikan model
dalam ukuran besar. Terakhir, kinerja model dan algoritma yang mereka usulkan
dievaluasi berdasarkan data dari industri kawat dan kabel di Iran. Govindan dkk. (2020)
menyajikan pendekatan berbasis pengambilan keputusan multi-kriteria fuzzy dan
model MILP untuk menyusun CLSCN ramah lingkungan dengan mempertimbangkan
pemilihan pemasok dan masalah LIR. Model mereka meminimalkan hilangnya
permintaan dan total biaya secara bersamaan. Mereka menggunakan metode solusi
fuzzy untuk menyelesaikan model bi-objektif mereka dan menerapkan pendekatan
yang mereka usulkan dalam industri produksi suku cadang otomotif di Iran. Demikian
pula Sadeghi Ahan gar dkk. (2021) mengusulkan model MILP untuk merancang
CLSCN hijau menggunakan lokasi fasilitas dan masalah rute kendaraan yang
heterogen.
Mereka mengevaluasi kinerja model yang diusulkan menggunakan data dari
perusahaan suku cadang otomotif. Model optimasi multi-tujuan disarankan untuk
merancang CLSCN yang berkelanjutan dengan mempertimbangkan keputusan
produksi dan perutean oleh Emamian et al. (2021). Model mereka meminimalkan biaya
jaringan, memaksimalkan tanggung jawab sosial, dan meminimalkan emisi, secara
bersamaan. Dalam hal ini, Nasr dkk. (2021) merumuskan model MILP multi-tujuan
untuk menyusun CLSCN yang berkelanjutan. Untuk tujuan ini, mereka menerapkan
masalah LIR dengan kemungkinan penjadwalan kendaraan. Akhirnya, model multi-
tujuan yang diusulkan diselesaikan dengan pendekatan pemrograman tujuan fuzzy
dan diterapkan di industri garmen di Iran. Salehi-Amiri dkk. (2022) mengusulkan
CLSCN untuk mengoptimalkan operasional industri alpukat dengan pertimbangan
sosial. Tujuan mereka adalah meminimalkan total biaya dan memaksimalkan
penciptaan lapangan kerja, dan untuk tujuan ini, mereka mengembangkan model
MILP. Mereka menggunakan metode LP-metrik untuk menyelesaikan model multi-
tujuan mereka. Tavana dkk. (2022) menyarankan CLSCN berkelanjutan yang
komprehensif dengan mempertimbangkan masalah LIR dengan pengambilan dan
pengiriman secara simultan, pemilihan pemasok, dan moda transportasi dalam kondisi
ketidakpastian. Tujuan dari model mereka adalah untuk meminimalkan total biaya,
memaksimalkan lapangan kerja, dan meminimalkan emisi, dan untuk tujuan ini,
mereka merumuskan model MILP multi-tujuan. Mereka mengembangkan pendekatan
simulasi cerdas untuk menghasilkan data dan menguji kinerja model yang diusulkan
menggunakan data simulasi. Perlu dicatat bahwa mereka menggunakan pendekatan
pemrograman tujuan fuzzy untuk menghadapi ketidakpastian dan menyelesaikan
model multi-tujuan.
Tabel 1 menyajikan tinjauan literatur desain jaringan rantai pasok terbalik terkini.
Tinjauan menyeluruh ini menunjukkan beberapa kesenjangan penelitian dalam literatur
untuk CLSCN dengan masalah LIR, dan kebijakan pajak karbon. Ini merupakan studi
pertama perancangan CLSCN sirkular untuk permasalahan LIR dengan ketidakpastian
permintaan, permasalahan penjadwalan kendaraan, kebijakan pajak karbon, dan
metode posteriori sepanjang pengetahuan penulis.
3. Rumusan masalah dan model yang diusulkan
Pada bagian ini dirumuskan model MILP bi-objektif untuk mengelola produksi,
distribusi, inventaris, dan limbah pada kabel dan kawat di industri dengan
mempertimbangkan pengendalian emisi karbon. Untuk tujuan ini, CLSCN multi-periode
dan multi-produk dengan aliran maju mempertimbangkan pemasok, pusat manufaktur,
gudang pusat dan pusat kabel otomotif, dan aliran balik termasuk pusat pembuangan,
daur ulang, dan pengumpulan dikembangkan. Pusat manufaktur memproduksi tiga
produk termasuk kabel otomotif AV, AVS, dan AVSS. “Kawat tembaga 8 mm” dan
“butiran polivinil klorida (PVC)” digunakan untuk memproduksi produk ini. Produk yang
diproduksi dipindahkan ke gudang pusat untuk dikirim ke pusat perkabelan otomotif
melalui perencanaan kendaraan heterogen. Mengingat penjadwalan kendaraan
mengurangi waktu tunggu kendaraan di lokasi pusat kabel otomotif; untuk tujuan ini,
asumsi ini dipertimbangkan. Gambar 1 menunjukkan struktur umum jaringan yang
diteliti. Untuk memperjelas rincian SCN yang diteliti, diberikan asumsi sebagai berikut.
• Jaringan yang diteliti bersifat multi periode dan multi produk.
Machine Translated by Google

K. Govindan dkk. Jurnal Internasional Ekonomi Produksi 257 (2023) 108771

• Jaringan yang diteliti secara bersamaan mempertimbangkan aliran maju termasuk (lanjutan )
pemasok, pusat manufaktur, gudang pusat dan pusat kabel otomotif, dan arus ÿÿpmwt Biaya transportasi antar pusat manufaktur dan gudang pusat
balik termasuk pusat pengumpulan, daur ulang, dan pembuangan. • Kendaraannya
Biaya transportasi antara pusat perkabelan otomotif dan pusat
heterogen. Dengan kata lain, perjanjian ÿÿ

pengumpulan
kapasitas, jumlah konsumsi bahan bakar, dan biaya penyediaan kendaraan berbeda Biaya transportasi antara pusat pengumpulan dan pusat daur ulang
ÿÿrcet
satu sama lain. ÿÿrcdt Biaya transportasi antara pusat pengumpulan dan pusat pembuangan
ÿÿremt Biaya transportasi antara pusat daur ulang dan pusat manufaktur

• Kapasitas kendaraan, pemasok, dan pusat dipertimbangkan

pasti. fawa Jarak antara gudang pusat dan pusat kabel otomotif
ÿaÿ a Jarak antar pusat perkabelan otomotif a ' dan sebuah

• Lokasi pusat produksi, pengumpulan, pembuangan, dan daur ulang serta gudang Tÿÿvwa Jarak waktu antara gudang pusat dan pusat perkabelan otomotif dengan
pusat ditentukan oleh model. • Pengiriman terpisah dipertimbangkan. kendaraan
Dengan kata lain, tidak menutup kemungkinan kebutuhan suatu pusat perkabelan Tÿvaÿ a Jarak waktu antar pusat perkabelan otomotif a ' dan dengan kendaraan
Waktu bongkar produk
otomotif disediakan oleh lebih dari satu kendaraan. ÿat

ÿpat Tingkat pengembalian produk

H' Tingkat bahan baku yang dapat didaur ulang

• Masalah perutean kendaraan multi-depot dipertimbangkan antara gudang pusat benar

Pada Kemungkinan terjadinya skenario i

dan pusat kabel otomotif.
ÿpt Biaya penalti kekurangan
• Kemampuan penyimpanan dan kehilangan penjualan Edxrsmt Emisi karbon per unit pengiriman bahan mentah dari pemasok ke pusat produksi
diperbolehkan. • Kebijakan pajak karbon diterapkan untuk
mengendalikan emisi karbon. • Terdapat ketidakpastian Exfpmwt Emisi karbon per unit pengiriman produk dari pusat manufaktur ke gudang pusat

dalam jumlah permintaan. • Penjadwalan kendaraan dianggap mengurangi waktu tunggu lima
Perjanjian Eÿÿ Emisi karbon per unit produk pengiriman dari pusat perkabelan otomotif ke pusat
hicles di pusat kabel otomotif.
pengumpulan
Benar Emisi karbon per unit pengiriman bahan mentah dari pusat pengumpulan ke pusat
daur ulang
Indeks r Eÿÿrcdt Emisi karbon per unit pengiriman bahan mentah dari pusat pengumpulan ke pusat
pembuangan
ÿ {1, 2,...,R} Bahan mentah p ÿ {1,
2,...,P} Produk s ÿ {1, 2,...,S} Eÿÿremt Emisi karbon per unit pengiriman bahan mentah dari pusat daur ulang ke pusat

Pemasok manufaktur

Pusat manufaktur M}
Eÿv Emisi karbon per unit konsumsi bahan bakar oleh kendaraan
m ÿ {1, 2, ...,
Misalnya Emisi karbon per unit produk manufaktur di pusat-pusat manufaktur

w ÿ {1, 2, ..., Gudang pusat

DI DALAM}
Eÿpw Emisi karbon per unit produk pengolahan di gudang pusat

A A ' ÿ {1, 2,..., Pusat kabel otomotif

Eÿpc Emisi karbon per unit produk pengolahan di pusat pengumpulan
A}
c ÿ {1, 2,...,C} Pusat pengumpulan
Ya Emisi karbon per unit daur ulang bahan mentah saat daur ulang
e ÿ {1, 2,...,E} Pusat daur ulang d ÿ {1, 2,...,
pusat
Pusat pembuangan
Eÿrd Emisi karbon per unit pembuangan bahan mentah
D}
pusat
v, v ' ÿ {1, 2,..., Kendaraan
hal Harga satuan karbon
DI DALAM}

Fÿv Konsumsi bahan bakar per satuan jarak oleh kendaraan

t ÿ {1, 2,...,T} Periode waktu i ÿ {1,
hal Harga bahan bakar
2, ...,I} Parameter
besar Jumlah yang besar
Skenario
Variabel
ÿCPpertama
Kapasitas maksimum pemasok (kg)
Biner Dalam hal memilih pemasok untuk membeli bahan baku r dalam
ÿCP Kapasitas maksimum pusat manufaktur (Jumlah)
sore alamat 10 periode waktu t, dalam skenario i Sebaliknya
ÿCP
Selasa
Kapasitas maksimum gudang pusat (Jumlah) Biner Dalam hal pembukaan pusat produksi m Jika tidak
ÿCP
persen
Kapasitas maksimum pusat pengumpulan (Jumlah) xm { 1 0

Kapasitas maksimum pusat daur ulang (Jumlah) Biner Dalam hal pembukaan gudang pusat dengan cara lain
ÿCP
Kanan

ÿCP Kapasitas maksimum pusat pembuangan (m3 ) ÿÿw { 1 0

dt
Biner Dalam hal pembukaan pusat pengumpulan c Jika tidak
ÿCP Kapasitas maksimum kendaraan (m3 )
hbc { 10
di dalam

ÿCP Permintaan pusat perkabelan otomotif untuk produk pada setiap periode waktu,
demikian juga
Biner Jika membuka pusat daur ulang e Jika tidak
berdasarkan setiap skenario (Jumlah)
bangkit { 1
0
atau Volume bahan baku (m3 )
Biner Dalam hal pembukaan pusat pembuangan d Sebaliknya
K' Volume produk (m3 )
P
ÿÿd { 1 0
ÿrp Jumlah bahan baku r yang digunakan untuk menghasilkan satu unit produk p
Biner Dalam hal pembelian kendaraan v Sebaliknya
ÿPR Biaya pembelian satu unit bahan baku r
pertama
ÿtv { 1 0
ÿPR
sore
Biaya produksi satu unit produk p Biner Jika kendaraan v ditugaskan ke gudang pusat w
ÿPR
Selasa
Biaya pemrosesan produk di gudang pusat vw{ 1 0 Jika tidak

ÿPR Biaya pemrosesan produk yang dikembalikan di pusat pengumpulan Biner Jika rute antara pusat perkabelan otomotif a ' dan sebuah adalah
persen
0
ÿvaÿ dan{ 1 ditugaskan ke kendaraan v dalam periode waktu t, dalam skenario i
ÿPR
Kanan
Biaya daur ulang bahan mentah di pusat daur ulang
Jika tidak
ÿPR Biaya pembuangan bahan mentah di pusat pembuangan
rdt
Biner Jika kendaraan v' mengunjungi pusat perkabelan otomotif a sebelum
April Karena menyimpan produk di gudang pusat perkabelan otomotif
ÿv ÿ vati{ 1
0 kendaraan v dalam periode waktu t, dalam skenario i Sebaliknya
tepuk ÿFX
st Biaya pemesanan ke pemasok
Yÿÿrsmti Positif Jumlah bahan mentah yang dipindahkan dari pemasok ke
ÿFX
M Biaya pembukaan pusat manufaktur m pusat-pusat manufaktur
ÿFX Di dalam
Biaya pembukaan gudang pusat w Yxfpmwti Positif Jumlah produk dipindahkan dari pusat manufaktur ke gudang pusat
ÿFX
C Biaya pembukaan pusat pengumpulan c
ÿFX Dia
Biaya pembukaan pusat daur ulang e Yapvwati Positif Jumlah produk dipindahkan dari gudang pusat ke pusat kabel otomotif
ÿFX Biaya pembukaan pusat pembuangan d dengan kendaraan

d ÿFX Yÿÿpakti Positif Jumlah produk yang dikembalikan dipindahkan dari otomotif
di dalam
Biaya penyediaan kendaraan v
pusat pengkabelan ke pusat pengumpulan
dxrsmt Biaya transportasi antar pemasok dan pusat manufaktur
(lanjutan di halaman berikutnya)
(lanjutan pada kolom berikutnya)

4
Machine Translated by Google

K. Govindan dkk. Jurnal Internasional Ekonomi Produksi 257 (2023) 108771

(lanjutan )

Yÿÿrceti Positif Jumlah bahan mentah dipindahkan dari pusat pengumpulan ke pusat
ÿ Yÿÿrsmti ÿ ÿrp ×ÿ Yÿÿpmwtiÿr, p, m, t = 1, i (5)
daur ulang
Yÿÿrcdti Positif Jumlah bahan mentah yang dipindahkan dari pusat pengumpulan ke S Di dalam

pusat pembuangan
Yÿÿremti Positif Jumlah bahan mentah yang dipindahkan dari pusat daur ulang ke ÿ Yÿÿrsmti + ÿ Yÿÿremti ÿ ÿrp ×ÿ Yÿÿpmwtiÿr, p, m, t > 1, i (6)
pusat manufaktur S Dia Di dalam

keluar Positif Waktu kedatangan kendaraan v ke lokasi pusat perkabelan

otomotif a dalam periode waktu t, pada skenario i (7)
ÿ Yÿÿpmwti ÿ ÿ Yÿÿpvwatiÿp,w, t, i
ÿPpati Jumlah Positif produk p di gudang pusat perkabelan otomotif a pada M v, sebuah

periode waktu t, pada skenario i

ÿNpati Positif Jumlah kekurangan produk p untuk pusat perkabelan otomotif a
dalam periode waktu t, pada skenario i ÿpati = ÿ Yÿÿpvwati ÿ ÿCP ÿ ÿ Yÿÿpactiÿp, a, t = 1, i (8)
demikian juga

ÿpati Bebas Tingkat persediaan di gudang pusat perkabelan otomotif a v,w C

pada periode waktu t, pada skenario i

ZS Positif Total biaya strategis (9)
ÿpati = ÿpa(tÿ 1)i + ÿ Yÿÿpvwati ÿ ÿCP ÿÿ Yÿÿpactiÿp, a, t > 1, i
SEPERTI INI Positif Total biaya operasional
demikian juga

C
v,w

ÿpati = ÿPpati ÿ ÿNpatiÿp, a, t, i (10)

Fungsi objektif
Minimal Z1 = ZS + ZO (1) ÿ Yÿÿpakti = ÿÿpat × Yÿÿpvwatiÿp, a, t, i (11)
C v,w

Minimal Z2 =ÿ PRi × ÿNpati (2)

ÿ Yÿÿpacti × ÿrp = ÿ Yÿÿrceti +ÿ Yÿÿrcdtiÿr, p, c, t, i (12)
hal,a,t,i
A Dia D

st
ÿ Yÿÿrceti = ÿ Yÿÿremtiÿr, e, t, i (13)
C M

ZS = ÿ ÿFX
M × ÿxm +ÿ ÿFX
Di dalam
× ÿw +ÿ ÿFX
C × ÿÿc +ÿ ÿFXDia
× panas +ÿÿFXD × ÿÿd+
M C D
(3)
Di dalam Dia

ÿ ÿFX
di dalam
× tanggal

di dalam

JADI = ÿ ÿFX
st × idrsti + ÿ ÿPR
pertama
× Yÿÿrsmti + ÿ ÿPR
sore
× Yÿÿpmwti+
Saya

PRi× (ÿ r,s,t r,s,m,t hal,m,w,t

ÿ ÿPR
Selasa
× Yÿÿpvwati + ÿ ÿPR × Yÿÿpakti + ÿ ÿPR × Yÿÿrceti + ÿ ÿPRrdt × Yÿÿrcdti+
persen Kanan

hal,v,w,a,t pakta r,c,e,t r,c,d,t

ÿ April
sama
× ÿPpati + ÿ ÿÿrsmt × Yÿÿrsmti + ÿ ÿÿpmwt × Yÿÿpmwti + ÿ perjanjian ÿÿ × perjanjian Yÿÿ+
menepuk r,s,m,t hal,m,w,t pakta

ÿ ÿÿrcet × Yÿÿrceti + ÿ ÿÿrcdt × Yÿÿrcdti + ÿ ÿÿremt × Yÿÿremti+

r,c,e,t r,c,d,t r,e,m,t

ÿ ÿpt × ÿNpati + PF × ÿ Fÿv × ÿÿwa × ÿvw × (ÿv1ati + ÿva1ti)+

menepuk v,w,a>1,t

PF × ÿ Fÿv × ÿa ÿ A × ÿvaÿ dan +ÿ ÿ × Eÿÿrsmt × Yÿÿrsmti+

v, sebuah ' >1,a>1,t r,s,m,t
(4)
ÿ ÿ × Eÿÿpmwt × Yÿÿpmwti + ÿ ÿ × Perjanjian Eÿÿ × Perjanjian Yÿÿ+
hal,m,w,t pakta

ÿ ÿ × Eÿÿrcert × Yÿÿrceti + ÿ ÿ × Eÿÿrcdt × Yÿÿrcdti+

r,c,e,t r,c,d,t

ÿ ÿ × Eÿÿremt × Yÿÿremti + ÿ ÿ × Eÿv × Fÿv × fÿwa × ÿvw × (ÿv1ati + ÿva1ti)+

r,e,m,t v,w,a>1,t

ÿ ÿ × Eÿv × Fÿv × ÿa ÿ A × ÿvaÿ dan +ÿ ÿ × Expm × Yÿÿpmwti+

v, sebuah ' >1,a>1,t hal,m,w,t

ÿ ÿ × Eÿpw × Yÿapvwati + ÿ ÿ × Eÿpc × Yaÿpacti+

hal,v,w,a,t pakta

ÿ ÿ × Eÿre × Yÿÿrceti + ÿ
r,c,e,t r,c,d,t ÿ × Eÿrd × Yÿÿrcdti)

5
Machine Translated by Google

K. Govindan dkk. Jurnal Internasional Ekonomi Produksi 257 (2023) 108771

ÿ Yÿÿrceti = ÿ H
' benar × Yÿÿpacti × ÿrpÿr, p, c, t, i (14) Yÿÿrsmti ÿ besar × ÿÿmÿr,s, m, t, i (32)
Dia A

Yÿÿpmwti ÿ besar × ÿÿmÿp, m, w, t, i (33)

ÿ Yÿÿrsmti ÿ ÿCP pertama
ÿr,s, t, saya (15)
M
Yÿÿremti ÿ besar × ÿÿmÿr, e, m, t, i (34)

ÿ Yÿÿpmwti ÿ ÿCP pmtÿp, m, t, i (16) Yÿÿpmwti ÿ besar × ÿÿwÿp, m, w, t, i (35)

Di dalam

Yÿÿpvwati ÿ besar × ÿÿwÿp, v, w, a, t, i (36)

ÿ Yÿÿpvwati ÿ ÿCP pwtÿp,w, t, i (17)
(37)
v, sebuah

Yÿÿpacti ÿ bigm × ÿÿcÿp, a, c, t, i

ÿ Yÿÿpacti ÿ ÿCP pctÿp, c, t, i (18)

A
Yÿÿrceti ÿ besar × ÿÿcÿr, c, e, t, i (38)

Yÿÿrcdti ÿ besar × ÿÿcÿr, c, d, t, i (39)

ÿ Yÿÿrceti ÿ ÿCP Kanan
ÿr, e, t, saya (19)
C

Yÿÿrceti ÿ besar × ÿÿeÿr, c, e, t, i (40)

ÿ Yÿÿrcdti × ÿr ÿ ÿCP dt
ÿd, t, saya (20)
r,c Yÿÿremti ÿ besar × ÿÿeÿr, e, m, t, i (41)

Yfapvwati × TuanP' ÿ ÿCPÿv,w, t, saya (21) Yÿÿrcdti ÿ besar × ÿÿdÿr, c, d, t, i (42)

ÿ di dalam

hal, a

ÿv ÿ kita dulu punya

ÿ ÿvati + besar × ÿv ÿ mereka berkata
ÿ ÿatÿv ' ÿ= v, a > 1, t, i (43)
ÿvati + (1 ÿ ÿvaÿ dan) × bigm ÿ ÿvaÿ jika + Tÿvaÿ aÿv, a' , a > 1, t, saya (22)
ÿvati ÿ ÿv ÿ kita dulu punya
+ besar × (1 ÿ ÿv ÿ vati) ÿ ÿatÿv' ÿ= v, a > 1, t, i (44)
ÿv1ti + (1 ÿ ÿva1ti) × bigm ÿ ÿvati + Tÿÿvwa × ÿvwÿv,w, a > 1, t, i (23)
Fungsi tujuan pertama meminimalkan total biaya termasuk biaya strategis
(24) dan operasional. Biaya strategis dan operasional diberikan masing-masing
ÿ ÿvaÿ dan ÿÿ ÿvaaÿ ti= 0ÿv, a, t, i
dalam batasan (3) dan (4) .
A ' A '
Fungsi tujuan kedua meminimalkan penjualan yang hilang.
ÿ 1ÿv, a, t, i
ÿvaÿ dan (25) Batasan (3) menghitung biaya strategis. Biaya-biaya ini mencakup biaya
ÿ
A ' pembukaan pusat produksi, gudang pusat, pengumpulan, daur ulang, dan
pusat pembuangan.
Yÿÿpvwati ÿ besar × ÿÿvÿp, v, w, a, t, i (26) Batasan (4) menghitung biaya operasional. Biaya-biaya tersebut antara
lain biaya pemesanan ke supplier, biaya pembelian bahan baku, biaya
Yÿÿpvwati ÿ besar ×ÿ ÿvaÿ atiÿp, v, w, a, t, i (27) pengolahan bahan baku/produk di gudang pusat, pusat produksi,
A ' pengumpulan, daur ulang, dan pembuangan, biaya penyimpanan produk di
gudang pusat perkabelan otomotif, biaya transportasi, kekurangan biaya,
Yÿÿpvwati ÿ besar × ÿvwÿp, v, w, a, t, i (28)
biaya konsumsi bahan bakar kendaraan, dan pajak karbon.
Batasan (5) dan (6) menjamin keseimbangan persediaan di pusat-pusat
ÿ ÿvw ÿ besar × ÿÿwÿw (29) manufaktur. Demikian pula, saldo persediaan untuk gudang pusat dianggap
dalam batasan (7). Batasan (8) dan (9) menghitung tingkat persediaan di
di dalam

gudang pusat perkabelan otomotif, dan hubungan antara tingkat persediaan,

ÿ ÿvw ÿ 1ÿv (30)
Di dalam
kekurangan, dan penyimpanan ditentukan oleh batasan (10). Hal yang perlu
diperhatikan dalam batasan (8) adalah karena kedua variabel ÿPpqti dan
Yÿÿrsmti ÿ bigm × ÿÿrstÿr,s, m, t, i (31) ÿNpqti bernilai positif, maka variabel ÿpqti harus didefinisikan sebagai
variabel bebas. Batasan (11) menghitung jumlahnya

Gambar 1. Struktur jaringan yang diteliti.

6
Machine Translated by Google

K. Govindan dkk. Jurnal Internasional Ekonomi Produksi 257 (2023) 108771

pengembalian produk dari pusat perkabelan otomotif ke pusat pengumpulan. Untuk tujuan ini, variabel biner tambahan (yaitu, Xvwaÿ ati) didefinisikan
Saldo persediaan di pusat pengumpulan dan daur ulang dikendalikan oleh dan diganti dengan suku nonlinier, yaitu sebagai berikut:
kendala (12) dan (13), masing-masing. Jumlah produk yang dikembalikan

ZOÿ = ÿ ÿFX
st × idrsti + ÿ ÿPR
pertama × Yÿÿrsmti + ÿ ÿPR
sore × Yÿÿpmwti+
Saya

PRi× (ÿ r,s,t r,s,m,t hal,m,w,t

ÿ ÿPR
Selasa
× Yÿÿpvwati + ÿ ÿPR × Yÿÿpakti + ÿ ÿPR × Yÿÿrceti + ÿ
persen Kanan
ÿPR
rdt
× Yÿÿrcdti+
hal,v,w,a,t pakta r,c,e,t r,c,d,t

ÿ April
sama × ÿPpati + ÿ ÿÿrsmt × Yÿÿrsmti + ÿ ÿÿpmwt × Yÿÿpmwti + ÿ perjanjian ÿÿ × perjanjian Yÿÿ+
menepuk r,s,m,t hal,m,w,t pakta

ÿ ÿÿrcet × Yÿÿrceti + ÿ ÿÿrcdt × Yÿÿrcdti + ÿ ÿÿremt × Yÿÿremti+

r,c,e,t r,c,d,t r,e,m,t

ÿ ÿpt × ÿNpati + PF × ÿ Fÿv × ÿÿwa × (Xvw1ati + Xvwa1ti)+

menepuk v,w,a>1,t

PF × ÿ Fÿv × ÿa ÿ A × ÿvaÿ dan +ÿ ÿ × Eÿÿrsmt × Yÿÿrsmti+

v, sebuah ' >1,a>1,t r,s,m,t
(45)
ÿ ÿ × Eÿÿpmwt × Yÿÿpmwti + ÿ ÿ × Perjanjian Eÿÿ × Perjanjian Yÿÿ+
hal,m,w,t pakta

ÿ ÿ × Eÿÿrcert × Yÿÿrceti + ÿ ÿ × Eÿÿrcdt × Yÿÿrcdti+

r,c,e,t r,c,d,t

ÿ ÿ × Eÿÿremt × Yÿÿremti + ÿ ÿ × Eÿv × Fÿv × fawa × (Xvw1ati + Xvwa1ti)+

r,e,m,t v,w,a>1,t

ÿ ÿ × Eÿv × Fÿv × ÿa ÿ A × ÿvaÿ dan +ÿ ÿ × Expm × Yÿÿpmwti+

v, sebuah
' >1,a>1,t hal,m,w,t

ÿ ÿ × Eÿpw × Yÿapvwati + ÿ ÿ × Eÿpc × Yaÿpacti+

hal,v,w,a,t pakta

ÿ ÿ × Eÿre × Yÿÿrceti + ÿ
r,c,e,t r,c,d,t ÿ × Eÿrd × Yÿÿrcdti)

dikirim dari pusat pengumpulan ke pusat daur ulang dihitung dengan

batasan (14). Batasan kapasitas pemasok, pusat manufaktur, gudang Kemudian, hubungan antara variabel biner baru dan kedua variabel
pusat, pengumpulan, daur ulang, pembuangan, dan kendaraan masing- biner ÿvw dan ÿvaÿ ati ditentukan dengan menggunakan batasan (46)
masing diwakili dalam batasan ( 15) hingga (21) . Kendala eliminasi sub- dan (47).
wisata dipertimbangkan pada kendala (22) dan (23). Batasan (24) menjamin
1,5 × Xvwaÿ atiÿ ÿvw ÿ 0ÿv,w, a ' , a, t, saya (46)
bahwa jika kendaraan memasuki pusat perkabelan otomotif, kendaraan ÿ ÿvaÿ dan

tersebut harus meninggalkannya. Setiap kendaraan diperbolehkan melayani

setiap pusat perkabelan otomotif paling banyak satu kali, dalam setiap Xvwaÿ dan ÿ ÿvw ÿ ÿvaÿ dan
+ 1,5 ÿ 0ÿv,w, a ' , a, t, saya (47)
periode waktu dan skenario. Masalah ini dikendalikan oleh kendala (25). Jika setidaknya salah satu variabel ÿvw atau ÿvaÿ ati disetel ke nol, maka
Untuk mengirimkan produk ke pusat perkabelan otomotif, kendaraan harus itu, variabel tersebut harus nol. Batasan (46) menjamin masalah ini. Selain
dibeli, kendaraan harus mengunjungi pusat perkabelan otomotif, dan jika kedua variabel Xvwaÿ ati ÿvw dan ÿvaÿ ati bernilai satu pada saat yang
kendaraan yang dibeli harus ditugaskan ke gudang pusat; kondisi ini masing- sama, maka variabel Xvwaÿ ati harus bernilai satu. Batasan (47) membuat hal
masing dipertimbangkan dalam batasan (26) hingga (28) . Batasan (29) ini terjadi.
menyatakan bahwa jika gudang pusat tidak dibuka, kendaraan tidak boleh dialokasikan ke gudang tersebut.
Setiap kendaraan boleh didedikasikan untuk maksimal satu pusat
4. Pendekatan solusi
gudang. Kondisi ini dikelola oleh kendala (30). Kondisi pemesanan
bahan baku ke pemasok dianggap dalam kendala (31). Hwang dkk. (1980) menyatakan bahwa metode penyelesaian
Kondisi lokasi pusat manufaktur dikendalikan oleh batasan (32) optimasi multiobjektif dapat dikategorikan ke dalam tiga kelas, yaitu
hingga (34). Demikian pula kondisi lokasi gudang pusat dikelola oleh metode apriori, interaktif, dan posteriori. Dalam metode apriori, DM
kendala (35) dan (36). Selain itu, batasan (37) hingga (42) masing- diperbolehkan untuk menunjukkan preferensinya atau mengomentari
masing mewakili kondisi lokasi pusat pengumpulan, daur ulang, dan bobot fungsi tujuan sebelum masalah diselesaikan. Kategori kedua,
pembuangan. Kendaraan yang dijadwalkan untuk melayani pusat
perkabelan otomotif dijamin dengan batasan (43) dan (44).

Tabel 2
3.1. Proses linearisasi Jumlah bahan baku yang digunakan untuk memproduksi kabel AV, AVS, dan AVSS sepanjang 100 m.

DARI AVS ASS

Mengalikan dua variabel biner ÿvw dan ÿvaÿ ati pada batasan (4)
menghasilkan suku nonlinier dalam model yang diusulkan. Untuk linierisasi Kawat 800g 700g 600g
tembaga butiran PVC 8 mm 1800g 1800g 1600g
istilah ini, kami menggunakan teknik yang disajikan oleh Govindan dkk. (2022). Untuk ini

7
Machine Translated by Google

K. Govindan dkk. Jurnal Internasional Ekonomi Produksi 257 (2023) 108771

Tabel 3 model preferensi yang sudah ditetapkan oleh DM) serta tugas sulit DM
Jarak antar pusat perkabelan otomotif (km). dalam memiliki komando penuh di depan Pareto bersama dengan metode
ÿaÿ a sebuah = sebuah = sebuah = sebuah = sebuah = sebuah = sebuah =
interaktif, penelitian ini bertujuan untuk menyelesaikan model bi-objektif
1 2 3 4 5 6 7 yang diusulkan melalui metode posteriori. Di antara metode-metode tersebut,
Gudang pusat 0 23.6 19 26.4 18.3 28.2 32.9
inilah metode kendala epsilon yang berfokus pada optimasi satu fungsi
(A ' = 1)
tujuan. Hal ini terjadi ketika semua fungsi tujuan lainnya dianggap sebagai
Alun-Alun Sayang (a
' = 23.6 0 19.2 17.3 23.3 20.5 18.1 kendala. Dalam makalah ini, model bi-objektif yang diusulkan diselesaikan
2) dengan menggunakan metode augmented epsilon-constraint (AUGMECON)
Neraka (a ' = 19 19.2 0 9 8.7 14.2 17.6
yang disajikan oleh Mardan et al. (2019). Bentuk keseluruhan AUGMECON
3) adalah sebagai berikut:
Anbar Naft (a ' = 4) 26.4 17.3 9 0 10.7 3.9 7.3
' 18.3 23.3 8.7 10.7 0 13.9 20.6
+ ... + P
Suasana (a = 5)
' = 28.2 20.5 14.2 3.9 13.9 0 9.3
pinggiran kota (a Min ( F1(x) ÿ ÿ × (ÿ2 r2 rp ))
6)
st
Fardis (a ' = 7) 32.9 18.1 17.6 7.3 20.6 9.3 0

F2(x) + ÿ2 = ÿ2
ÿ
(48)
yaitu metode interaktif, yang mewakili dialog berkelanjutan antara DM dan Fj(x) + ÿj = ÿj
analis yang pada akhirnya dapat menghasilkan konvergensi preferensi
ÿ

dengan solusi. Dalam metode posteriori, difokuskan pada penyelesaian

masalah dan menemukan solusi Pareto yang efektif sehingga DM dapat Fp(x) + ÿp = ÿp
memilih salah satu solusi sesuai dengan preferensinya. Mempertimbangkan ÿ2, ..., ÿp ÿ 0
prasyarat metode apriori (yaitu, jarangnya pengetahuan awal dan
kemampuan kuantifikasi 6 sampai 10ÿ 3
dimana ÿ mewakili sejumlah kecil (biasanya di antara 10ÿ ). ÿj dan

Tabel 4
Permintaan pusat pengkabelan otomotif untuk setiap periode waktu dan skenario.
ÿCP
demikian juga
t=1 t=2 t=3 t=4

saya = 1 saya = 2 saya = 3 saya = 1 saya = 2 saya = 3 saya = 1 saya = 2 saya = 3 saya = 1 saya = 2 saya = 3

hal = sebuah = 0 0 0 0 0 0 0 0 0 0 0 0
1 1
sebuah = 23 19 17 22 20 17 26 22 20 30 25 23
2
sebuah = 20 17 15 24 21 18 23 19 17 26 22 20
3
sebuah = 24 20 18 22 18 16 20 17 15 23 19 17
4
sebuah = 23 19 17 23 19 17 26 22 20 30 25 23
5
sebuah = 23 19 17 29 24 23 31 26 23 35 29 26
6
sebuah = 34 28 25 31 26 23 23 21 19 28 25 21
7
hal = sebuah = 0 0 0 0 0 0 0 0 0 0 0 0
2 1
sebuah = 23 19 17 23 19 17 22 18 16 24 20 18
2
sebuah = 19 16 14 20 17 15 22 18 16 24 20 18
3
sebuah = 28 23 21 23 19 17 20 17 15 24 20 18
4
sebuah = 23 19 16 25 21 19 28 23 21 31 26 23
5
sebuah = 23 19 18 22 18 16 27 25 23 29 24 22
6
sebuah = 26 22 20 19 16 14 23 20 19 24 20 18
7
hal = sebuah = 0 0 0 0 0 0 0 0 0 0 0 0
3 1
sebuah = 20 18 15 20 17 15 26 22 20 29 24 22
2
sebuah = 22 18 16 24 20 18 24 20 18 26 22 20
3
sebuah = 19 17 16 18 15 14 23 19 17 26 22 20
4
sebuah = 19 16 14 22 18 16 26 22 20 28 24 22
5
sebuah = 21 18 17 23 19 17 22 18 16 24 21 19
6
sebuah = 22 19 17 20 17 15 23 21 18 26 24 23
7

8
Machine Translated by Google

K. Govindan dkk. Jurnal Internasional Ekonomi Produksi 257 (2023) 108771

Tabel pusat pengkabelan otomotif, empat pemasok, tiga gudang pusat, tiga pusat
5 Batas bawah dan atas fungsi tujuan (tabel hasil). pengumpulan, tiga pusat pembuangan dan tiga pusat daur ulang, enam
Zÿ1 Zÿ2 kendaraan, empat periode waktu, dan tiga skenario termasuk pesimis, paling
mungkin, dan optimis, untuk validasi model yang diusulkan. Perusahaan ini
–
ZL 1: Minimalkan hanya fungsi tujuan 1 12.628.551
–
memproduksi berbagai macam produk, namun makalah ini menerapkan data
ZL 2: Minimalkan hanya fungsi tujuan 2 0
– pada tiga jenis kabel otomotif, antara lain AV, AVS, dan AVSS. Perlu
KE1 : Minimalkan fungsi tujuan 1 dengan syarat Z2 ÿ ZL 2 15.183.917
KE2 : Minimalkan fungsi tujuan 2 dengan syarat Z1 ÿ ZL
– 473 diketahui, perusahaan ini menggunakan kawat tembaga berukuran 8 mm dan
1
butiran polivinil klorida (PVC) untuk memproduksi produknya. Jumlah bahan
mentah yang dibutuhkan untuk memproduksi produk-produk tersebut disajikan
Tabel pada Tabel 2. Selain itu, Tabel 3 dan 4 masing-masing memberikan jarak
6 Nilai optimal fungsi tujuan yang diperoleh AUGMECON. antar pusat perkabelan otomotif dan permintaan dari pusat-pusat tersebut.
Seperti disebutkan, dalam makalah ini, metode augmented epsilon-
Titik kisi e2 Fungsi tujuan 1 Fungsi tujuan 2
constraint yang disajikan oleh Mardan et al. (2019) digunakan untuk
GP1 0 + 0 × 43 = 0 0 + 15.183.917 0 menyelesaikan model bi-objektif yang diajukan. Langkah pertama dalam
GP2 1 × 43 = 43 0 + 2 × 14.763.038 42.25
menerapkan metode ini adalah menghitung batas bawah dan batas atas
GP3 43 = 86 0 + 3 × 43 14.601.682 86
GP4 = 129 0 + 4 × 43 = 127,75
fungsi tujuan dan membentuk tabel hasil. Metode leksikografis berikut digunakan untuk in
14.349.547
GP5 172 0 + 5 × 43 = 215 13.922.526 169.25 tujuan.
GP6 0 + 6 × 43 = 258 0 + 13.936.115 207.75
GP7 7 × 43 = 301 13.475.744 251
• Asumsikan bahwa fungsi tujuan kedua tidak ada dan model hanya
GP8 13.584.006 289,25
meminimalkan fungsi tujuan pertama. Dalam hal ini, nilai optimal fungsi
GP9 0 + 8 × 43 = 344 13.167.674 336
GP10 0 + 9 × 43 = 387 0 + 12.834.639 381.5 tujuan adalah batas bawah fungsi tujuan pertama.
GP11 10 × 43 = 430 0 + 11 12.974.645 425.5
GP12 × 43 = 473 12.628.551 472.25 • Demikian pula, asumsikan bahwa fungsi tujuan pertama tidak ada dan
model hanya meminimalkan fungsi tujuan kedua. Dalam hal ini, nilai
optimal fungsi tujuan adalah batas bawah fungsi tujuan kedua.

rj masing-masing adalah variabel slack dan rentang fungsi tujuan j. Juga, Fp

• Untuk menghitung batas atas fungsi tujuan kedua, fungsi tujuan kedua
menunjukkan fungsi tujuan p. Perlu dicatat bahwa metode optimasi
harus diminimalkan asalkan fungsi tujuan pertama tidak melebihi batas
leksikografis digunakan untuk menghitung batas bawah dan atas fungsi
bawahnya.
tujuan, yang dijelaskan secara rinci di bagian studi kasus.
• Demikian pula, untuk menghitung batas atas fungsi tujuan pertama, fungsi
tujuan pertama harus diminimalkan asalkan fungsi tujuan kedua tidak
melebihi batas bawahnya.
5. Studi kasus

Nilai batas bawah dan atas fungsi tujuan disajikan pada Tabel 5. Pada
Pada bagian ini, kinerja model jaringan rantai pasokan dan pendekatan
tabel ini, batas bawah dan atas fungsi tujuan 1 ditunjukkan oleh ZL
solusi loop tertutup berbasis ekonomi sirkular yang diusulkan diperiksa dan KE dan KE
1 1 , masing-masing, dan ZL 2 2 mewakili
menggunakan data dan pengetahuan para ahli dari perusahaan produksi dan
batas bawah dan atas fungsi tujuan 2, masing-masing.
distribusi kawat dan kabel di Iran. Perusahaan yang diteliti memiliki luas
Setelah membentuk tabel pembayaran, model yang diusulkan harus
sekitar 14.000 meter persegi dan berlokasi dekat ibu kota Iran (yaitu Teheran);
disusun berdasarkan AUGMECON. Untuk tujuan ini, tujuan pertama
setiap tahunnya memproduksi sekitar 6000 juta meter berbagai kabel dan
didefinisikan sebagai fungsi tujuan utama dan fungsi tujuan kedua ditambahkan
kabel. Tulisan ini menerapkan data terkait enam
ke batasan model. Terakhir, menggunakan struktur yang disajikan

Gambar 2. Perbatasan Pareto memperoleh AUGMECON.

9
Machine Translated by Google

K. Govindan dkk. Jurnal Internasional Ekonomi Produksi 257 (2023) 108771

Tabel 7
Jumlah produk yang dikirim ke pusat perkabelan otomotif dengan kendaraan.

Yapvwati t=1 t=2 t=3 t=4

saya = 1 saya = 2 saya = 3 saya = 1 saya = 2 saya = 3 saya = 1 saya = 2 saya = 3 saya = 1 saya = 2 saya = 3

hal = di = w=2 q=2q 21 0 10 18 0 0 21 19 0 22

1 2 =3q 0 0 14 7 0 19 0 0 7 16 0 19 0 19
=4q 0 0 17 20 0 15 19 0 0 22 0 0
=5q 20 0 0 0 5 0 0 0 20 0 0 21
=6q 0 0 16 25 0 19 15 0 0 29 0 0
=7q 0 0 0 24 0 0 20 0 0 25 0 0
di = w=2 =2q 0 0 0 0 0 0 24 0 0 10 0 0
4 =3q= 0 22 0 0 0 12 0 25 0

4q=5 0 10 0 18 0 0 0 0 0 0 0 0 0 16 0

q=6q 0 0 0 20 0 0 13 21 0 15 0 0
=7q 14 9 0 0 0 0 0 0 0 0 23 0
=2q 12 24 0 0 0 0 0 0 0 0 18 0
di = w=2 =3q 0 18 16 11 0 16 0 0 0 0 0 21
5 =4q 19 0 7 0 0 0 22 0 0 0 0 0
=5q 0 0 16 0 0 14 13 0 0

=6q 0 0 19 0 17 0 0 0 0 0 0 0 0 23 0

=7q 0 0 0 0 21 0 0 20 19 0 0 20
=2q 0 0 0 0 22 20 0 17 16 0 0 0
di = w=2 =3q 0 0 0 0 0 0 0 0 0 19 0 0
6 =4q 0 2 0 0 0 16 0 0 0 0 0 0
=5q 11 0 0 0 0 0 0 0 0 0 0 14
=6q 0 0 0 0 13 17 12 0 0 14 0 0
=7q 7 9 0 0 0 0 16 0 0 0 0 0
=2q 16 0 22 0 0 0 0 0 0 0 0 16
hal = di = w=2 =3q 0 19 0 21 17 0 0 18 16 0 19 0
2 2 =4q 17 0 0 0 15 0 10 17 16 0 20 17
=5q 0 0 0 21 0 15 18 0 0 22 0 0
=6q 5 0 16 0 0 0 0 0 0 0 0 21
=7q 0 0 17 19 0 15 0 0 0 24 0 0
=2q 0 0 0 17 0 0 19 0 0 22 0 0
di = w=2 =3q 0 0 0 0 0 0 11 0 0 0 0
4 =4q 0 0 0 0 0 0 0 0 0 0 24 0 0

=5q 0 21 0 0 0 0 0 0 0 0 18 0
=6q 16 0 0 0 0 0 27 20 0 20 0 0
=7q 18 17 0 0 0 0 0 0 0 0 19 0
=2q 9 19 0 0 0 0 0 0 0 0 15 0
di = w=2 =3q 19 0 16 0 0 15 21 0 0 0 0 18
5 =4q= 0 0 14 19 0 0 0 0 0

5q=6 0 0 0 0 0 16 0 0 0 13 0 13 0 0 0

q=7q 0 18 0 21 0 0 0 0 0 0 24 0
=2q 0 0 0 0 16 0 0 18 17 0 0 17
=3q 0 0 0 0 15 14 0 15 15 0 0 0
di = w=2 =4q 0 0 0 0 0 0 0 0 0 23 0 0
6 =5q 0 16 0 0 0 15 0 0 0 0 0 0
=6q 23 0 19 0 0 0 0 0 16
=7q 0 0 0 0 0 19 0 17 0 0 0 19 8 0 0
=2q 0 0 0 0 0 0 22 0 0 0 0 0
=3q 15 0 18 0 0 0 0 0 0 0 0 15
hal = di = w=2 =4q 16 7 0 0 16 0 0 21 20 0 0 0
3 2 =5q 8 10 0 0 17 0 0 0 0 0 21 18
=6q 0 0 6 17 0 13 20 0 0 21 0 0
=7q 6 0 0 0 0 0 0 0 20
=2q 0 0 7 0 19 0 0 16 9 0 0 0 19 0 0
=3q 0 0 7 18 0 0 19 0 0 20 0 0
di = w=2 =4q 0 0 0 0 0 0 10 0 0 23 0 0
4 =5q 0 0 0 21 0 0 0 19 0 9 0 0
=6q 16 13 0 0 0 0 0 0 0 0 17 0
=7q 12 0 0 10 0 0 0 21 0 12 0 0
=2q 0 0 0 0 0 0 0 0 16 0

=3q 0 18 0 16 0 0 0 0 0 0 0 0 18 0
di = w=2 =4q 0 8 13 19 0 8 14 0 0 0 21 22
5 =5q 12 0 0 0 0 0 23 0 17 0 0 0
=6q 0 0 0 0 14 0 0 15 14 0 0 0
=7q 0 15 0 9 0 0 0 0 0 0 23 0
=2q 0 0 0 0 18 0 0 15 14 0 0 15
=3q 0 0 0 0 16 14 0 13 15 0 0 0
di = w=2 =4q 0 0 0 0 0 6 0 0 0 4 0 0
6 =5q 0 7 15 0 0 16 0 0 0 16 0 0
=6q 0 0 6 0 0 0 0 0 0 0 0 17
=7 0 0 14 0 17 15 25 0 19 13 0 0
20 15 7 0 0 0 10 0 0 0 0 0
0 0 6 0 0 0 0 0 0 0 0 17

10
Machine Translated by Google

K. Govindan dkk. Jurnal Internasional Ekonomi Produksi 257 (2023) 108771

Gambar 3. Urutan rute yang ditetapkan untuk kendaraan 2.

11
Machine Translated by Google

K. Govindan dkk. Jurnal Internasional Ekonomi Produksi 257 (2023) 108771

Tabel Perbatasan Pareto. Untuk tujuan ini, kita harus mengidentifikasi solusi yang
didominasi dan mengeluarkannya dari rangkaian solusi yang layak. Seperti yang ditunjukkan di
8 Nilai optimal fungsi tujuan yang diperoleh AUGMECON.
Tabel 5, GP6, GP8, dan GP11 merupakan solusi yang didominasi; karena titik grid
Titik kisi Fungsi tujuan 1 Fungsi tujuan 2
tersebut masing-masing didominasi oleh GP5, GP7, dan GP10.
GP1 15.183.917 0
Oleh karena itu, untuk mendapatkan solusi Pareto, titik-titik grid ini harus dikeluarkan
GP2 14.802.729 42,5
dari himpunan solusi yang layak. Perbatasan Pareto yang diperoleh dari AUGMECON
GP3 14.601.682 86
GP4 14.328.125 128.25 diilustrasikan pada Gambar 2.
GP5 14.400.437 170.25 DM sekarang dapat memilih titik grid terbaik dari kumpulan solusi Pareto
GP6 14.385.926 209.5 berdasarkan kondisi organisasi mereka. Dalam studi ini, mengingat anggaran
GP7 13.701.662 255
maksimum yang tersedia adalah $14.000.000, DM mengadopsi titik grid 5 (GP5)
GP8 13.591.731 291
GP9 13.120.152 341,25 sebagai keputusan optimal. Berikut ini, nilai optimal dari beberapa variabel keputusan
GP10 13.255.174 378,5 yang terkait dengan titik grid ini diperiksa.
GP11 12.883.251 429.25 Pemasok 2 dan 3 dipilih untuk membeli bahan baku. Gudang pusat 2, pusat
GP12 12.925.226 468.5
pengumpulan 1, pusat daur ulang 1 dan 3, dan pusat pembuangan 2 didirikan.
Kendaraan 2, 4, 5, dan 6 dibeli untuk mengirimkan produk ke pusat perkabelan
otomotif. Jumlah produk yang dikirim ke setiap pusat perkabelan otomotif oleh setiap
kendaraan pada setiap periode waktu dan skenario diberikan pada Tabel 7.

dalam Persamaan. (48), model usulan dirumuskan sebagai berikut:

Misalnya angka 21 pada baris pertama Tabel 7 menyatakan bahwa jika skenario 1
l2 terjadi, 21 unit produk 1 (kabel AV) harus dipindahkan dari gudang pusat 2 ke pusat
Min Z1 = ZS + ZO' ÿ ÿ × 473 ÿ (49)
0 kabel otomotif 2 (Karaj Square) dalam jangka waktu 1. Demikian pula, angka-angka
lain dalam tabel ini dapat dianalisis. Salah satu variabel keputusan yang penting dan
st
praktis dari model yang diusulkan adalah rute yang dilalui kendaraan. Gambar 3
menunjukkan rute yang ditempuh kendaraan 2 pada setiap periode waktu dan skenario
ÿ PRi × ÿNpati + ÿ2 = ÿ2 (50)
masing-masing. Selain itu, rute yang dilalui kendaraan lain disediakan dalam Lampiran.
hal,a,t,i

Batasan (3) dan (5)-47.

Untuk membentuk Pareto frontier, model tujuan tunggal harus dijalankan oleh Misalnya, seperti yang ditunjukkan pada Gambar 3, jika skenario 1 terjadi,
pemecah CPLEX di perangkat lunak GAMS untuk nilai ÿ2 yang berbeda. Untuk tujuan kendaraan 2 akan melakukan perjalanan dari gudang pusat ke pusat Atmosfer dalam
ini, jumlah ÿ2 dihitung menggunakan Persamaan. (51). periode waktu 1, dan kemudian mengunjungi pusat Jahannama dan Karaj Square, dan
akhirnya kembali ke gudang pusat. . Seperti disebutkan, Tabel 7 melaporkan jumlah
2 ÿ ZL2
KE
ÿ2 = ZL2 × kÿk = 0, 1, 2, ..., GP ÿ 1 + (51) produk yang dikirim ke setiap pusat perkabelan otomotif pada setiap periode waktu dan
dokter umum - 1
setiap skenario oleh setiap kendaraan, dan tidak memberikan informasi tentang rute

di mana GP mewakili jumlah titik grid dan ditentukan oleh DM. Dalam makalah ini, 12 yang dilalui oleh kendaraan tersebut. Oleh karena itu, dengan menggabungkan hasil

titik grid dianggap mengekstraksi batas Pareto. Nilai yang dihitung untuk ÿ2 ditunjukkan yang disajikan pada Tabel 7 dan Gambar 3, dapat diperoleh informasi yang lebih akurat
pada Tabel 6. Selain itu, nilai optimal fungsi tujuan untuk setiap titik grid diberikan dan praktis. Misalnya pada periode waktu 1 dan skenario 1, kendaraan 2 memuat 41

dalam tabel ini. unit produk 1, 22 unit produk 2, dan 30 unit produk 3 dari gudang pusat, dan
dipindahkan ke Atmosfer.

Kita harus menggunakan serangkaian solusi yang tidak didominasi untuk membentuk

Gambar 4. Perbatasan Pareto memperoleh metode batasan epsilon klasik.

12
Machine Translated by Google
K. Govindan dkk.
tengah. Ini mengirimkan 20 unit produk 1, 5 unit produk 2, dan 6 unit produk 3 ke
pusat ini, dan menuju ke tujuan berikutnya (yaitu, pusat Jahannama), dan membongkar
17 unit produk 2 dan 8 unit produk 3 di pusat ini. Kemudian sisa produk yakni 21 unit
produk 1 dan 16 unit produk 3 akan diantar ke pusat Karaj Square. Demikian pula,
dengan mengintegrasikan hasil Tabel 7 dan Gambar 3, semua informasi terkait
masalah rute kendaraan untuk semua kendaraan pada setiap periode waktu dan
setiap skenario dapat diekstraksi.
6. Analisis komparatif
Pada bagian ini, model bi-objektif yang diusulkan diselesaikan dengan
menggunakan data studi kasus dengan metode batasan epsilon klasik yang disajikan
oleh Chankong dan Haimes (1983), dan hasil dari metode batasan epsilon klasik
dibandingkan dengan hasil AUGMECON.
Untuk tujuan ini, seperti AUGMECON, 12 titik grid dipertimbangkan. Nilai optimal
fungsi tujuan untuk setiap titik grid yang diperoleh dari metode batasan epsilon klasik
diberikan pada Tabel 8.
Hasil yang disajikan pada Tabel 8 menunjukkan bahwa GP5, GP6, GP10, dan
GP12 merupakan solusi yang didominasi, dan harus dikeluarkan dari himpunan solusi
layak untuk mendapatkan solusi efisien Pareto. Gambar 4 menunjukkan batas Pareto
efisien yang diperoleh dari metode batasan epsilon klasik.
Hasilnya mengungkapkan bahwa dalam kondisi yang sama (yaitu,
mempertimbangkan 12 titik grid), AUGMECON mencapai 9 solusi efisien, sedangkan
metode batasan epsilon klasik memperoleh 8 solusi efisien. Selain itu, perbandingan
nilai optimal fungsi tujuan yang diperoleh dari kedua metode menunjukkan bahwa
himpunan solusi terhitung
untuk GP2, GP7, GP8 dengan metode batasan epsilon klasik didominasi oleh
AUGMECON. Oleh karena itu, dapat disimpulkan bahwa AUGMECON mempunyai
kinerja yang lebih efektif dibandingkan dengan metode epsilon-constraint klasik.
7. Implikasi manajerial
Dalam makalah ini, model MILP bi-objektif dikembangkan untuk merancang
jaringan CLSC sirkular di industri kawat dan kabel untuk mencapai ekonomi sirkular
dalam rantai nilai. Jaringan ini disusun berdasarkan kebutuhan industri kawat dan
kabel di Iran, dan model yang diusulkan dirumuskan menggunakan asumsi dunia
nyata untuk diberikan kepada DM sebagai sistem pendukung keputusan. Model yang
diusulkan memungkinkan DM untuk mengidentifikasi pemasok yang layak dan fasilitas
yang optimal. Selain itu, ia menyediakan program perutean dan penjadwalan
kendaraan untuk DM. Perlu dicatat bahwa model yang diusulkan menerapkan
kebijakan pajak karbon untuk mengurangi emisi.
Karena bahan mentah (yaitu butiran PVC dan kawat tembaga) yang digunakan dalam
industri kawat dan kabel dapat digunakan kembali, model yang diusulkan mencakup
operasi logistik terbalik untuk mengurangi konsumsi sumber daya selain mengurangi
biaya. Oleh karena itu, model yang diusulkan memiliki kontribusi yang signifikan
terhadap pencapaian ekonomi sirkular melalui lingkungan
Lampiran
13
Jurnal Internasional Ekonomi Produksi 257 (2023) 108771
perlindungan karena pengelolaan konsumsi bahan bakar kendaraan dan penggunaan
kembali produk yang dikembalikan, yang selanjutnya dapat mempercepat pencapaian
target SDGs. Salah satu kelebihan model yang diusulkan adalah model ini tidak hanya
memberikan satu solusi optimal pada DM; Hal ini memungkinkan DM untuk memilih
solusi yang paling tepat dari serangkaian solusi optimal sesuai dengan keterbatasan
dan kondisi perusahaannya. Model yang diusulkan bersifat fleksibel dan dapat dengan
mudah diterapkan di industri/SCN yang mengutamakan daur ulang dengan melakukan
sedikit perubahan pada strukturnya. Misalnya, model yang diusulkan mudah
disesuaikan di industri mana pun (industri manufaktur dan distribusi suku cadang
otomotif (Gu et al., 2021; Govindan et al., 2020), rantai pasokan makanan (Salehi-
Amiri et al., 2022 ), industri plastik dan ban (Fathollahi-Fard et al., 2021; Santander et
al., 2020), dan seterusnya) yang mencari keuntungan sirkular dalam rantai pasokan
mereka.
8. Kesimpulan
Dalam tulisan ini, CLSCN sirkular disusun untuk mengelola perencanaan
produksi, distribusi, dan inventaris dalam industri kawat dan kabel untuk penerapan
ekonomi sirkular yang efektif dalam jaringan rantai pasokan mereka. Untuk tujuan ini,
model MILP bi-objektif dirumuskan dengan tujuan untuk mengoptimalkan keputusan
strategis dan operasional. Model yang diusulkan menggunakan masalah LIR
terintegrasi untuk lokasi fasilitas, rute kendaraan yang heterogen, dan perencanaan
inventaris.
Selain itu, model yang diusulkan menerapkan kebijakan pajak karbon untuk
mengurangi emisi, dan masalah penjadwalan untuk mengurangi waktu tunggu
kendaraan. Karena permintaan pada dasarnya tidak pasti, pendekatan berbasis
skenario yang mencakup skenario pesimis, kemungkinan besar, dan optimis
digunakan untuk mengatasi ketidakpastian tersebut. Untuk mencapai kumpulan solusi
optimal yang efisien dan menyelesaikan model bi-objektif, metode augmented epsilon-
constraint (AUGMECON) digunakan. Untuk mengekstraksi batas Pareto, model yang
diusulkan dijalankan menggunakan data dari industri kawat dan kabel untuk 12 titik
jaringan, dan hasilnya menunjukkan bahwa solusi untuk ketiga titik jaringan tersebut
didominasi oleh titik jaringan lainnya. Terakhir, perbatasan Pareto digambarkan
menggunakan sembilan titik jaringan, dan DM memilih solusi terkait titik jaringan 5
(GP5) sesuai dengan anggaran yang tersedia. Masalah LIR termasuk dalam kategori
masalah NP-hard dan tidak mungkin diselesaikan dalam ukuran besar dengan
software komersial. Oleh karena itu, disarankan untuk mengembangkan algoritma
heuristik atau meta heuristik untuk menyelesaikan permasalahan yang diajukan
dalam ukuran besar pada penelitian selanjutnya. Lebih lanjut, tulisan ini tidak
mempertimbangkan aspek sosial dari keberlanjutan seperti Corporate Social
Responsibility (Govin dan, 2022; Simmou et al., 2023), yang disarankan untuk
dibahas pada penelitian selanjutnya.
Ketersediaan data
Datanya disertakan dalam makalah
Machine Translated by Google

K. Govindan dkk. Jurnal Internasional Ekonomi Produksi 257 (2023) 108771

Gambar.A1. Urutan rute yang ditetapkan ke kendaraan 4

14
Machine Translated by Google

K. Govindan dkk. Jurnal Internasional Ekonomi Produksi 257 (2023) 108771

Gambar.A2. Urutan rute yang ditetapkan ke kendaraan5

15
Machine Translated by Google

K. Govindan dkk.
Jurnal Internasional Ekonomi Produksi 257 (2023) 108771

Gambar.A3. Urutan rute yang ditetapkan ke kendaraan 6

Referensi
Abdolazimi, O., Esfandarani, MS, Salehi, M., Shishebori, D., 2020. Desain yang kuat dari rantai pasokan
loop tertutup multi-tujuan dengan mengintegrasikan aspek pengiriman tepat waktu, biaya, dan
lingkungan, studi kasus dari a Pabrik Ban. J.Bersih. Melecut. 264, 121566 https://doi.org/10.1016/
j.jclepro.2020.121566.
Alavi, B., Tavana, M., Mina, H., 2021. Sistem pendukung keputusan dinamis untuk pemilihan pemasok
berkelanjutan dalam ekonomi sirkular. Mempertahankan. Melecut. Mengkonsumsi. 27, 905–920.
Bartos, KE, Schwarzkopf, J., Mueller, M., Hofmann-Stoelting, C., 2022. Faktor penjelasan variasi kinerja
keberlanjutan pemasok di sektor otomotif–Analisis kuantitatif. Logistik dan Rantai Pasokan
yang Lebih Bersih 5, 100068. https://doi.org/10.1016/j.clscn.2022.100068.
Berlin, D., Feldmann, A., Nuur, C., 2022. Keterkaitan rantai pasokan loop terbuka dan tertutup dalam
konteks ekonomi sirkular; membingkai sebuah kontinum. Logistik dan Rantai Pasokan yang
Lebih Bersih, 100048. https://doi.org/10.1016/j.clscn.2022.100048.
Bhatia, MS, Gangwani, KK, 2021. Manajemen rantai pasokan ramah lingkungan: scientometric
review dan analisis penelitian empiris. J.Bersih. Melecut. 284, 124722 https://doi. org/10.1016/
j.jclepro.2020.124722.
Bhayana, N., Gandhi, K., Jain, A., Darbari, JD, Jha, PC, 2021. Pendekatan optimalisasi multi-kriteria
berbasis abu-abu yang terintegrasi untuk pemilihan pemasok berkelanjutan dan perencanaan
distribusi pengadaan . Int. J.Adv. Operasi. Kelola. 13 (1), 39–91.
Cammarano, A., Perano, M., Michelino, F., Del Regno, C., Caputo, M., 2022. Rantai pasokan
berorientasi SDG: praktik bisnis untuk pengadaan dan distribusi.
Keberlanjutan 14 (3), 1325.
Chankong, V., Haimes, YY, 1983. Pengambilan Keputusan Multiobjektif: Teori dan
Metodologi. Belanda Utara, New York.

16
Machine Translated by Google
K. Govindan dkk.
Chen, CK, Akmalul'Ulya, M., 2019. Analisis mekanisme reward-penalty pada rantai pasokan green close loop
dengan remanufaktur produk. Int. J.Prod. ekonomi. 210, 211–223.
Chen, YT, Chan, FTS, Chung, SH, 2015. Rantai pasokan loop tertutup yang terintegrasi
model dengan masalah alokasi lokasi dan keputusan daur ulang produk. Int. J.Prod.
Res. 53 (10), 3120–3140.
Chopra, S., Sodhi, M., Lücker, F., 2021. Mencapai efisiensi dan ketahanan rantai pasokan dengan
menggunakan multi-level commons. Keputusan. Sains. J.52 (4), 817–832.
Dwivedi, A., Agrawal, D., Jha, A., Gastaldi, M., Paul, SK, D'Adamo, I., 2021. Mengatasi tantangan inisiatif
berkelanjutan dalam fleksibilitas rantai nilai: implikasi terhadap Tujuan Pembangunan Berkelanjutan.
Global J. Flex. sistem. Kelola. 22 (2), 179–197.
Emamian, Y., Kamalabadi, IN, Eydi, A., 2021. Mengembangkan dan menyelesaikan permasalahan terpadu
model untuk jalur produksi dalam rantai pasokan loop tertutup yang berkelanjutan. J.Bersih. Melecut.
302, 126997 https://doi.org/10.1016/j.jclepro.2021.126997.
Fathollahi-Fard, AM, Dulebenets, MA, Hajiaghaei-Keshteli, M., Tavakkoli
Moghaddam, R., Safaeian, M., Mirzahosseinian, H., 2021. Dua algoritma meta-heuristik hybrid untuk
masalah desain jaringan rantai pasokan loop tertutup saluran ganda di industri ban dalam ketidakpastian.
Adv. bahasa Inggris Inf. 50, 101418 https://doi.org/ 10.1016/j.aei.2021.101418.
Fazli-Khalaf, M., Naderi, B., Mohammadi, M., Pishvaee, MS, 2021. Desain sebuah
maksimal yang tangguh dan berkelanjutan yang mencakup jaringan rantai pasokan loop tertutup di
bawah ketidakpastian hybrid: studi kasus di industri ban. Mengepung. Dev. Mempertahankan. 23 (7),
9949–9973.
Forouzanfar, F., Tavakkoli-Moghaddam, R., Bashiri, M., Baboli, A., Hadji Molana, SM, 2018. Pemodelan
matematika baru untuk masalah lokasi-perutean-inventaris dalam rantai pasokan loop tertutup multi-
periode dalam industri mobil. Jurnal Teknik Industri Internasional 14 (3), 537–553.
Fu, R., Qiang, QP, Ke, K., Huang, Z., 2021. Jaringan rantai pasokan loop tertutup dengan interaksi logistik
maju dan mundur. Mempertahankan. Melecut. Mengkonsumsi. 27, 737–752.
Garg, K., Kannan, D., Diabat, A., Jha, PC, 2015. Pendekatan optimasi multi-kriteria untuk mengelola masalah
lingkungan dalam desain jaringan rantai pasokan loop tertutup.
J.Bersih. Melecut. 100, 297–314.
Ghani, NMAMA, Vogiatzis, C., Szmerekovsky, J., 2018. Pasokan bahan baku biomassa
desain jaringan rantai dengan insentif konversi biomassa. Pol Energi. 116, 39–49.
Govindan, K., Soleimani, H., 2017. Tinjauan logistik terbalik dan rantai pasokan loop tertutup: fokus Jurnal
Produksi Bersih. J.Bersih. Melecut. 142, 371–384.
Govindan, K., Darbari, JD, Agarwal, V., Jha, PC, 2017. Pendekatan multi-objektif fuzzy untuk pemilihan
pemasok dan keputusan transportasi yang optimal dalam jaringan rantai pasokan loop tertutup yang
ramah lingkungan . J.Bersih. Melecut. 165, 1598–1619.
Govindan, K., Mina, H., Esmaeili, A., Gholami-Zanjani, SM, 2020. Pendekatan hibrida terintegrasi untuk
pemilihan pemasok melingkar dan desain jaringan rantai pasokan loop tertutup dalam ketidakpastian.
J.Bersih. Melecut. 242, 118317 https://doi.org/10.1016/j. jclepro.2019.118317.
Govindan, K., Nasr, AK, Mostafazadeh, P., Mina, H., 2021. Pengelolaan limbah medis selama wabah penyakit
virus corona 2019 (COVID-19): model pemrograman matematika. Hitung. Ind.Eng. 162,
107668 https://doi.org/10.1016/j.
cie.2021.107668.
Govindan, K., Nosrati-Abarghooee, S., Nasiri, MM, Jolai, F., 2022. Desain jaringan logistik terbalik
yang ramah lingkungan untuk pengelolaan limbah medis: transisi ekonomi sirkular melalui
pendekatan kasus. J.Lingkungan. Kelola. 322, 115888 https://doi.org/ 10.1016/j.jenvman.2022.115888.
Gu, X., Zhou, L., Huang, H., Shi, X., Ieromonachou, P., 2021. Penggunaan sekunder baterai kendaraan
listrik di bawah subsidi pemerintah: perspektif rantai pasokan loop tertutup.
Int. J.Prod. ekonomi. 234, 108035 https://doi.org/10.1016/j.ijpe.2021.108035.
Guarnaschelli, A., Salomone, HE, M´endez, CA, 2020. Pendekatan stokastik untuk
perencanaan produksi dan distribusi yang terintegrasi dalam rantai pasokan susu. Hitung.
kimia. bahasa Inggris 140, 106966 https://doi.org/10.1016/j.compchemeng.2020.106966.
Hasani, A., Mokhtari, H., Fattahi, M., 2021. Pendekatan optimasi multi-tujuan untuk desain jaringan rantai
pasokan yang ramah lingkungan dan tangguh: studi kasus di kehidupan nyata. J.Bersih.
Melecut. 278, 123199 https://doi.org/10.1016/j.jclepro.2020.123199.
Hwang, CL, Paidy, SR, Yoon, K., Masud, ASM, 1980. Pemrograman matematika dengan berbagai tujuan:
tutorial. Hitung. Operasi. Res. 7 (1–2), 5–31.
Jabarzadeh, Y., Yamchi, HR, Kumar, V., Ghaffarinasab, N., 2020. Multi-tujuan
model linier campuran bilangan bulat untuk jaringan rantai pasokan buah yang berkelanjutan.
Kelola. Sekitar. Kualitas. Int. J.31 (5), 1351–1373.
Jain, R., Verma, M., 2021. Rantai pasokan dua eselon dengan permintaan bergantung pada harga dan skema
pembayaran premi. Int. J.Bus. Melakukan. Model Rantai Pasokan. 12 (2), 116–128.
Jindal, A., Sangwan, KS, 2014. Desain jaringan rantai pasokan loop tertutup dan
optimasi menggunakan model pemrograman linier bilangan bulat campuran fuzzy. Int. J.Prod. Res. 52
(14), 4156–4173.
Kannan, D., Mina, H., Nosrati-Abarghooee, S., Khosrojerdi, G., 2020. Pemilihan pemasok sirkular
berkelanjutan: pendekatan hibrida baru. Sains. Lingkungan Total. 722, 137936 https://doi.org/10.1016/
j.scitotenv.2020.137936 .
Kannan, D., Shankar, KM, Gholipour, P., 2022. Membuka jalan bagi transisi ramah lingkungan melalui
mitigasi tantangan manufaktur ramah lingkungan: Tinjauan literatur sistematis. Jurnal Produksi
Bersih 132578.
Kannan, D., Solanki, R., Kaul, A., Jha, PC, 2022a. Analisis hambatan untuk penerapan kebijakan
lingkungan peraturan karbon dalam rantai pasokan manufaktur untuk mencapai nol karbon. Jurnal
Produksi Bersih 358, 131910.
17
Jurnal Internasional Ekonomi Produksi 257 (2023) 108771
Kazemi, N., Modak, NM, Govindan, K., 2019. Tinjauan studi logistik terbalik dan manajemen rantai pasokan
loop tertutup yang diterbitkan di IJPR: bibliometrik dan analisis konten. Int. J.Prod. Res. 57 (15–16),
4937–4960.
MahmoumGonbadi, A., Genovese, A., Sgalambro, A., 2021. Rantai pasokan loop tertutup
desain transisi menuju ekonomi sirkular: tinjauan literatur sistematis tentang metode, penerapan, dan
kesenjangan saat ini. J.Bersih. Melecut. 323, 129101 https://doi. org/10.1016/j.jclepro.2021.129101.
Mardan, E., Govindan, K., Mina, H., Gholami-Zanjani, SM, 2019. Percepatan
algoritma dekomposisi bender untuk masalah desain jaringan rantai pasokan loop tertutup hijau bi-
tujuan . J.Bersih. Melecut. 235, 1499–1514.
Moreno-Camacho, CA, Montoya-Torres, JR, Jaegler, A., Gondran, N., 2019.
Metrik keberlanjutan untuk aplikasi kasus nyata dari masalah desain jaringan rantai pasokan : tinjauan
literatur sistematis. J.Bersih. Melecut. 231, 600–618.
Nasr, AK, Tavana, M., Alavi, B., Mina, H., 2021. Model pemilihan pemasok sirkular multi-tujuan fuzzy baru
dan alokasi pesanan untuk rantai pasokan loop tertutup yang berkelanjutan. J.Bersih. Melecut. 287,
124994 https://doi.org/10.1016/j.jclepro.2020.124994.
Nayeri, S., Paydar, MM, Asadi-Gangraj, E., Emami, S., 2020. Pendekatan optimasi fuzzy multi-tujuan
yang kuat untuk desain jaringan rantai pasokan loop tertutup yang berkelanjutan. Hitung. Ind.Eng.
148, 106716 https://doi.org/10.1016/j.cie.2020.106716.
Nili, M., SEEDhosseini, SM, Jabalameli, MS, Dehghani, E., 2021. Model optimasi multi-tujuan untuk desain
jaringan rantai pasokan fotovoltaik surya loop tertutup yang berkelanjutan: studi kasus di Iran.
Memperbarui. Mempertahankan. Energi Rev.150, 111428 https://doi.org/10.1016/j.rser.2021.111428.
Peng, H., Shen, N., Liao, H., Xue, H., Wang, Q., 2020. Faktor ketidakpastian, metode, dan solusi rantai
pasokan loop tertutup—tinjauan untuk situasi saat ini dan prospek masa depan. J.Bersih. Melecut.
254, 120032 https://doi.org/10.1016/j. jclepro.2020.120032.
Rafigh, P., Akbari, AA, Bidhandi, HM, Kashan, AH, 2021. Jaringan rantai pasokan loop tertutup yang
berkelanjutan di bawah ketidakpastian: respons terhadap pandemi COVID-19.
Mengepung. Sains. Polusi. Kontrol Ser. https://doi.org/10.1007/s11356-021-16077-6.
Sadeghi Ahangar, S., Sadati, A., Rabbani, M., 2021. Desain berkelanjutan dari sistem pengelolaan sampah
kota dalam jaringan rantai pasokan loop tertutup terintegrasi menggunakan pendekatan fuzzy: studi
kasus. Jurnal Teknik Industri dan Produksi 38 (5), 323–340.
Salehi-Amiri, A., Zahedi, A., Akbapour, N., Hajiaghaei-Keshteli, M., 2021. Merancang jaringan rantai pasokan
loop tertutup yang berkelanjutan untuk industri kenari. Memperbarui. Mempertahankan.
Energi Rev.141, 110821 https://doi.org/10.1016/j.rser.2021.110821.
Salehi-Amiri, A., Zahedi, A., Gholian-Jouybari, F., Calvo, EZR, Hajiaghaei-Keshteli, M., 2022. Merancang
jaringan rantai pasokan loop tertutup dengan mempertimbangkan faktor sosial; studi kasus pada
industri alpukat. Aplikasi. Matematika. Model. 101, 600–631.
Santander, P., Sanchez, FAC, Boudaoud, H., Camargo, M., 2020. Jaringan rantai pasokan loop tertutup
untuk daur ulang plastik lokal dan terdistribusi untuk pencetakan 3D: pendekatan optimasi berbasis
MILP. Sumber daya. Konservasi. Daur ulang. 154, 104531 https://doi.org/ 10.1016/j.resconrec.2019.104531.
Sarkar, B., Ahmed, W., Kim, N., 2018. Efek gabungan dari biaya emisi karbon variabel dan multi-penundaan
pembayaran berdasarkan kebijakan satu pengaturan-beberapa pengiriman dalam rantai pasokan
global yang berkelanjutan. J.Bersih. Melecut. 185, 421–445.
Simmou, W., Govindan, K., Sameer, I., Hussainey, K., Simmou, S., 2023. Berbuat baik untuk menjadi hijau
dan hidup bersih!-Menghubungkan strategi tanggung jawab sosial perusahaan, inovasi ramah
lingkungan, dan kinerja lingkungan: Bukti dari usaha kecil dan menengah Maladewa dan
Maroko. Jurnal Produksi Bersih 384, 135265.
Soleimani, H., Govindan, K., Saghafi, H., Jafari, H., 2017. Fuzzy multi-objective
desain jaringan rantai pasokan loop tertutup yang berkelanjutan dan ramah lingkungan. Hitung. Ind.Eng.
109, 191–203.
Tavana, M., Kian, H., Nasr, AK, Govindan, K., Mina, H., 2022. Komprehensif
kerangka kerja untuk desain jaringan rantai pasokan loop tertutup yang berkelanjutan. J.Bersih. Melecut.
332, 129777 https://doi.org/10.1016/j.jclepro.2021.129777.
Tavana, M., Tohidi, H., Alimohammadi, M., Lesansalmasi, R., 2021. Lokasi
model perutean inventaris untuk rantai pasokan ramah lingkungan dengan emisi rendah karbon dalam
ketidakpastian. Mengepung. Sains. Polusi. Kontrol Ser. 28 (36), 50636–50648.
Tirkolaee, EB, Goli, A., Ghasemi, P., Goodarzian, F., 2022. Merancang jaringan rantai pasokan masker
wajah loop tertutup yang berkelanjutan selama pandemi COVID-19: algoritma berbasis Pareto.
J.Bersih. Melecut. 333, 130056 https://doi.org/10.1016/j. jclepro.2021.130056.
Tseng, ML, Islam, MS, Karia, N., Fauzi, FA, Afrin, S., 2019. Tinjauan literatur tentang manajemen rantai
pasokan ramah lingkungan: tren dan tantangan masa depan. Sumber daya. Konservasi.
Daur ulang. 141, 145–162.
Waltho, C., Elhedhli, S., Gzara, F., 2019. Desain jaringan rantai pasokan ramah lingkungan: tinjauan yang
berfokus pada adopsi kebijakan dan kuantifikasi emisi. Int. J.Prod. ekonomi. 208, 305–318.
Wu, W., Zhou, W., Lin, Y., Xie, Y., Jin, W., 2021. Algoritme metaheuristik hibrid untuk masalah perutean
inventaris lokasi dengan jendela waktu dan konsumsi bahan bakar.
Sistem Pakar. Aplikasi. 166, 114034 https://doi.org/10.1016/j.eswa.2020.114034.
Yavari, M., Geraeli, M., 2019. Metode heuristik untuk model optimasi yang kuat untuk desain jaringan
rantai pasokan loop tertutup ramah lingkungan untuk barang yang mudah rusak. J.Bersih. Melecut.
226, 282–305.
Yuchi, Q., Wang, N., He, Z., Chen, H., 2021. Heuristik hibrid untuk masalah perutean inventaris lokasi
dalam rantai pasokan loop tertutup. Int. Trans. Operasi. Res. 28 (3),
1265–1295.
Machine Translated by Google
K. Govindan dkk.
Zandkarimkhani, S., Mina, H., Biuki, M., Govindan, K., 2020. Pendekatan pemrograman tujuan fuzzy yang
dibatasi peluang untuk desain jaringan rantai pasokan farmasi yang mudah rusak . Ann. Operasi.
Res. 295 (1), 425–452.
Zhalechian, M., Tavakkoli-Moghaddam, R., Zahiri, B., Mohammadi, M., 2016.
Desain berkelanjutan dari jaringan rantai pasokan inventarisasi rute lokasi loop tertutup di bawah
ketidakpastian yang beragam. Mengangkut. Res. E Logistik. Mengangkut. Wahyu 89, 182–214.
18
Jurnal Internasional Ekonomi Produksi 257 (2023) 108771
Zhen, L., Huang, L., Wang, W., 2019. Desain jaringan rantai pasokan loop tertutup yang ramah lingkungan
dan berkelanjutan dalam kondisi ketidakpastian. J.Bersih. Melecut. 227, 1195–1209.
Govindan, K. (2022). Membangun Teori Melalui Tanggung Jawab Sosial Perusahaan 4.0 untuk Mencapai
SDGs: Sebuah Langkah Praktis Menuju Integrasi Digitalisasi Dengan Pandangan Berbasis Praktik dan
Teori Kebaikan Sosial. Transaksi IEEE pada Manajemen Rekayasa. (sedang dicetak).