See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/267408628

Pengembangan Model Distribusi Produk Perishable Multi Temperatur dengan

Mempertimbangkan Biaya Energi

Article

CITATIONS READS

0 689

3 authors:

Luki Trihardani Ahmad Rusdiansyah

Universitas Internasional Semen Indonesia Institut Teknologi Sepuluh Nopember
4 PUBLICATIONS   0 CITATIONS    38 PUBLICATIONS   114 CITATIONS   

SEE PROFILE SEE PROFILE

Iwan Vanany
Institut Teknologi Sepuluh Nopember
55 PUBLICATIONS   313 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

S3 Eko View project

Model of the Coil Steels Loading Planning Problem in Railway... View project

All content following this page was uploaded by Ahmad Rusdiansyah on 03 March 2015.

The user has requested enhancement of the downloaded file.

 Pengembangan Model Distribusi Produk
Perishable Multi Temperatur dengan
Mempertimbangkan Biaya Energi
Luki Trihardani†1; Ahmad Rusdiansyah2; Iwan Vanany3

Transportation and Distribution Logistics (TDLog) Research Group

Departement of Industrial Engineering, Sepuluh Nopember Institute of Technology (ITS), Surabaya 6011, Indonesia
Email: trihardani@yahoo.com1, arusdian@ie.its.ac.id2,vanany@ie.its.ac.id3

ABSTRAK
Temperatur menjadi atribut penting yang konsisten mempertahankan kualitas serta keamanan produk pe-
rishable sebelum diterima pelanggan. Penelitian ini mengembangkan model Vehicle Routing Problem with Time Win-
dows (VRPTW) untuk menentukan rute serta penjadwalan pengiriman produk perishable multi temperatur. Penelitian
ini merupakan pengembangan model sebelumnya mengenai VRPTW produk perishable single item single temperatur.
Tujuan model ini adalah meminimalkan baiaya distribusi yang tidak hanya memperhatikan kendala kapasitas serta time
windows, tetapi juga variasi temperatur pada cold chain. Kedua trade off yang terintegrasi disini adalah biaya perjalanan
yang berhubungan dengan jarak serta biaya energi yang berhubungan dengan temperatur penyimpanan.
Kasus ini menggunakan dua strategi yang berbeda untuk menentukan rute. Kedua strategi tersebut adalah
strategi dependent distance yang fokus terhadap jarak (route first, cluster second) serta strategi dependent temperature
yang fokus terhadap temperatur penyimpanan (cluster first, route second). Penelitian ini juga membandingkan antara
kedua strategi tersebut untuk menilai keefektifan strategi pengiriman produk perishable. Metode yang digunakan pada
penelitian ini adalah Nearest Neighbor (NN) serta Particle Swarm Optimization (PSO). Rute hasil NN akan dijadikan
solusi inisial PSO. Hasil perhitungan menunjukkan bahwa biaya energi berkontribusi signifikan terutama pada kelas
data terklaster. Lokasi pelanggan yang terklaster menyebabkan biaya energi semakin besar, tetapi biaya transportasi dan
penggunaan kendaraan semakin kecil. Selain itu antara strategi dependent distance dengan dependent temperature me-
miliki dua trade off yang berbeda, biaya transportasi dan penggunaan kendaraan serta biaya energi

Keywords: cold storage, energi, produk perishable product, temperatur, Vehicle Routing Problem with Time Windows

1.Pendahuluan
Konsumsi produk tidak tahan lama (perishable),
terutama produk makanan perishable meningkat signifi-
kan pada dekade terakhir. Penjualan produk makanan
perishable berkontribusi sepertiga dari total penjualan
ritel dunia tahun 2006, yang melebihi $1000 miliar
(Broekmeulen dan Donselaar, 2009). melebihi $1000
miliar (Broekmeulen dan Donselaar, 2009). Selain itu,
sebagian besar belanja rata-rata pelanggan Eropa (lebih
dari 60%) berasal dari pembelian produk makanan dingin
(chilled foods), makanan beku (frozen foods), serta pro-
duk makanan yang dapat dikonsumsi tanpa pemanasan
(Jackson dkk., 2007). Peningkatan permintaan produk
perishable disamping menjanjikan keuntungan juga me-
miliki resiko tersendiri.
Produk perishable memiliki umur ketahanan
(shelf life) relatif terbatas. Sepanjang shelf life, nilai (va-
lue) produk perishable kontinu menurun yang rentan
menyebabkan kehilangan (loss). Loss kuantitas dan kua-
litas produk perishable mulai produksi sampai ritel di-
perkirakan mencapai 20% di negara berkembang dan
10% di negara maju (Kader dan Rolle, 2004). Kedua
trade off ini menuntut pihak-pihak sepanjang rantai pa-
sok mampu mengintegrasikan atribut perishable dalam
proses bisnisnya. Selain efektif dan seefisien, proses
transformasi dan distribusi rantai pasok produk perisha-
ble harus mampu mempertahankan shelf life serta kuali-
tas produk.
 Pengelolaan temperatur berkontribusi signifi-
kan mempertahankan shelf life, kualitas, serta keama-
nan produk perishable (Bogataj dkk., 2005; Montanari,
2008; Ovca dan Jevsnik, 2009; Kuo dan Chen, 2010).
Pada produk perishable, kestabilan temperatur mampu
meminimalkan resiko pembusukan karena lambatnya
pertumbuhan mikroorganisme. Selain alasan ekonomis,
stabilitas temperatur juga memiliki alasan keamanan
(khususnya produk makanan dan medis perishable).
HACCP dan ATP adalah contoh-contoh regulasi penga-
turan standar temperatur penyimpanan sepanjang rantai
pasok karena alasan keamanan (Bogataj dkk., 2005)
Cold storage berfungsi mengendalikan temperatur
dalam kendaraan agar tetap stabil tidak mengikuti fluk-
tuasi temperatur lingkungan. Seiring naiknya permintaan,
pengiriman produk perishable juga semakin membutuh-
kan cold storage. Tercatat lebih dari 50,000 cold storage
terdaftar di Jerman untuk pendistribusian produk perish-
able (Jedderman, 2006). Pada cold chain, perubahan
jarak serta temperatur menyebabkan peningkatan biaya,
sementara nilai tambah (added value) rantai pasok sema-
kin berkurang (Bogataj dkk., 2005)
Sistem distribusi sederhana diawali dari sentral de-
pot untuk loading muatan kendaraan. Perlu diperhatikan,
muatan yang diangkut tidak boleh melebihi kapasitas
kendaraan. Muatan ini kemudian dikirimkan ke pelang-
gan sesuai permintaan dimana setiap pelanggan hanya
boleh dilayani satu kendaraan saja. Setelah menyelesai-
kan rute perjalanan, kendaraan kembali ke sentral depot
untuk unloading muatan. Suatu sistem distribusi harus
mampu menyusun strategi rute perjalanan kendaraan
yang cost effective sehingga mampu meminimalkan bi-
aya distribusi. Permasalahan tersebut merupakan salah
satu cabang ilmu dari manajemen distribusi, Vehicle
Routing Problem (VRP).
Sepanjang pengetahuan, masih sedikit peneli-
tian yang fokus pada permasalahan VRP produk perish-
able. Padahal faktor routing begitu kritis pada distribusi
produk perishable. Hanya penelitian Hsu dkk. (2007)
serta Osvald dan Stirn (2008) yang mempertimbangkan
perishability sebagai bagian sistem distribusi produk
perishable. Menariknya dari kedua penelitian tersebut,
hanya penelitian Hsu dkk. (2007) yang memasukkan
biaya energi sebagai elemen integral biaya distribusi.
Biaya energi berkontribusi signifikan karena peng-
gunaan kendaraan cold storage untuk mempertahankan
perishability. Kendaraan cold storage selain investasinya
lebih mahal juga mengkonsumsi energi lebih banyak
dibandingkan kendaraan umum. Estimasi konsumsi
energi cold storage di Amerika Serikat mencapai 0.082
gigajoule/ton/hari dengan konsumsi tahunan 1,254 kWh
per cold storage (Vanek dan Sun, 2008). Energi ini
digunakan untuk menstabilkan temperatur ruangan agar
tidak mengikuti fluktuasi temperatur lingkungan. Melihat
besarnya konsumsi energi cold storage, sangat beralasan
mempertimbangkan biaya energi sebagai bagian total
biaya distribusi produk perishable.
Penelitian ini berangkat dari model SVRPSTW
(Stochastic Vehicle Routing Problem with Soft Time
Windows) Hsu dkk. (2007). Model dasar ini bertu-
juan untuk meminimasi total biaya distribusi, yang terdiri
dari biaya tetap penggunaan kendaraan, biaya transporta-
si, biaya persediaan, biaya energi, serta biaya penalti
karena melanggar time windows. Penelitian Hsu dkk.
(2007) selain mempertimbangkan perishability juga
mempertimbangkan ketidakpastian waktu perjalanan.
Berbagai faktor tidak terkendali (cuaca, kondisi lalu lin-
tas, kecelakaan) akan mempengaruhi lama perjalanan
yang akan berpotensi menyebabkan loss.
Apabila permasalahan Hsu dkk. (2007) memfo-
kuskan distribusi single item single temperatur, fokus
permasalahan penelitian ini tertuju pada distribusi multi
item multi temperatur. Kendaraan cold storage akan
memuat berbagai item (multi item), dimana setiap item
mempunyai standar temperatur penyimpanan yang ber-
beda-beda (multi temperatur). Biaya energi akan menjadi
suatu trade off permasalahan pengiriman produk
perishable multi item multi temperatur. Strategi depen-
dent distance atau dependent routing (route first cluster
second) memungkinkan kendaraan mengangkut berbagai
item dengan berbagai temperatur penyimpanan. Tempe-
ratur cold storage kendaraan akan disetting berdasar ke-
butuhan temperatur penyimpanan item terendah pada
setiap klaster. Sebaliknya, pada strategi dependent tem-
perature, suatu klaster kendaraan terdiri dari berbagai
item tetapi memiliki kesamaan temperatur
penyimpanan. Produk perishable yang memiliki
kesamaan temperatur penyimpanan akan dikelompokkan
dalam suatu klaster kendaraan terlebih dahulu baru
ditentukan rute pengirimannya (cluster first, route
second). Karena memiliki kesamaan temperatur
penyimpanan, temperatur cold storage kendaraan akan
disetting berdasar kebutuhan temperatur penyimpanan
item pada setiap klaster.
Kesenjangan (gap) yang akan diisi penelitian
ini adalah pengembangan model matematis pengiriman
produk perishable dengan kondisi multi item multi
temperatur. Model ini akan diselesaikan menggunakan
dua strategi, dependent distance dan dependent
temperature. Efektivitas penggunaan masing-masing
strategi dapat dianalisis melalui perbandingan total biaya
distribusi yang dihasilkan. Model ini diselesaikan secara
heuristik menggunakan algoritma Nearest Neighbor
(seperti Hsu dkk., 2007) dan metaheuristik Particle
Swarm Optimization. Masing-masing teknik penyusunan
rute tersebut diikuti dengan perbaikan rute local search
menggunakan algoritma Expanding Neighborhood
Search (ENS). Masing-masing teknik penyelesaian akan
dianalisis kualitas solusinya, mana yang lebih efektif
meminimumkan biaya. Penelitian ini juga akan melaku-
kan dampak sensitivitas antara parameter jarak dan tem-
peratur. Berdasarkan perhitungan numerik algoritma
pada kondisi bagaimana lebih optimal menggunakan
salah satu strategi (dependent distance ataupun depen-
dent temperature).
2. Biaya Energi
Penggunaan kendaraaan cold storage
mengkonsumsi energi lebih banyak daripada kendaran
biasa. Energi ini selain digunakan untuk transportasi,
juga digunakan untuk mendinginkan muatan. Pada
penelitian ini, perhitungan energi untuk mendinginkan
dilakukan berdasar pendekatan Adler (2010). Menurut
Adler, (2010), energi yang diperlukan kompresor untuk
mendinginkan terbagi menjadi dua, yaitu thermal losses
serta freeze power. Thermal losses atau panas terbuang
(heat losses) umum terjadi pada barang-barang
elektronik yang mengkonsumsi energi. Besarnya thermal
losses ekivalen dengan luasan area permukaan yang
membuang panas, atau
1 tex dan S adalah himpunan panah (arc). Himpunan vertex
Pt = x k x A x Δt* (1)
𝑔𝑔
where:
P t = thermal losses permukaan (kkal/jam);
s= ketebalan permukaan (m);
k = koefisien insulating material (k = 0.002);
A= luasan area permukaan (m2);
Δt* = perbedaan temperatur antara dua sisi permukaan
(umumnya diasumsikan Δt* = 1
Selain thermal losses, freeze power juga
berkontribusi pada energi untuk mendinginkan. Energi
untuk mendinginkan/membuang panas adalah akumulasi
antara energi mendinginkan dari temperatur eksternal ke
temperatur netral (0°C) serta energi mendinginkan dari
temperatur netral ke temperatur cold storage. Konsep
tersebut bisa diilustrasikan Gambar 2.5. Energi untuk
mendinginkan dipengaruhi oleh karakteristik muatan,
berat muatan, serta perbedaan temperatur eksternal dan
cold storage.
1
𝑃𝑃𝑓𝑓 = |(𝐺𝐺 ∗ 𝐶𝐶 ∗ ∆𝑡𝑡1 ) + (𝐺𝐺 ∗ 𝐶𝐶𝐶𝐶) + (𝐺𝐺 ∗ 𝐶𝐶 ∗ ∆𝑡𝑡2 )| (2)
24
dimana:
P f = Energi untuk mendinginkan (kkal/jam);
G = berat muatan (kg);
c = spesifikasi panas muatan (kkal); c = 0.77 kkal
Δt 1 = perbedaan antara temperatur eksternal dengan 0°C;
Cl = panas laten muatan (kkal/kg); dimana Cl = 60
kkal/kg
Δt 2 = perbedaan antara temperatur 0°C dengan tempera-
tur cold storage
1/24 adalah konstanta energi untuk mendinginkan per
jam, berdasarkan studi selama 24 jam
Energi yang diperlukan kompresor untuk
mendinginkan adalah penambahan antara energi thermal
losses serta freeze power, atau:
P = Pt + Pf (3)
dimana:
dimana P = Total energi untuk mendinginkan (kkal/jam).
3. Deskripsi Model
Struktur distribusi yang akan dibangun dalam
model ini adalah dua eselon. Pemasok atau distributor
dengan satu fasilitas yang akan mengirimkan produknya
ke banyak pelanggan menggunakan kendaraan cold sto-
rage l. VRP model ini bisa didefinisikan pada grafik G =
(I 0 , S), dimana I 0 = {0,….,i,…,n) adalah himpunan ver-
I 0 terdiri atas subset I = {1,….,i,…,n) yang berarti ritel
dan vertex 0 yang berarti sentral depot (Rusdiansyah dan
Tsao, 2005). Setiap panah (i, j) ϵ S berhubungan dengan
jarak non negatif antara vertex i dengan vertex j, c ij , i, j ϵ
I 0 . Matrik jarak diasumsikan mengikuti triangle inequa-
lity, c ij ≤ c ir + c rj untuk ∀i, j, r ϵ I 0 . Jarak perpindahan
c ij diperoleh dengan menghitung jarak Euclidean antar
titik sehingga c ij = c ji (i ≠ j).
Setiap panah (i, j) ϵ S juga berhubungan den-
gan waktu perjalanan non negatif t ij , i, j ϵ I 0 . Himpunan
kendaraan v, dinotasikan sebagai L = {1,…, l,…., v)
dengan kapasitas sama, K, tersedia di depot untuk mela-
yani permintaan ritel. Setiap ritel i ϵ I berhubungan den-
gan permintaan non negatif, d i , dimana tidak ada per-
mintaan untuk sentral depot, d 0 = 0. Kendaraan cold
storage akan mengangkut produk perishable, s, dinota-
sikan sebagai M = {1,….., m,…., s}. VRP sendiri harus c ij Jarak pelanggan i ke pelanggan j; i, j ϵ I 0 .
memenuhi persyaratan sebagai berikut: (a) ritel hanya dimana 𝑐𝑐𝑖𝑖𝑖𝑖 = �(𝑎𝑎𝑖𝑖 − 𝑎𝑎𝑗𝑗 )2 + (𝑏𝑏𝑖𝑖 − 𝑏𝑏𝑗𝑗 )2
dikunjungi satu kali dengan satu kendaraan (split delive- Parameter aspek temperatur
ry tidak berlaku), (b) Pengiriman selalu berawal dan be- Tm Temperatur penyimpanan produk m; m ϵ M
rakhir di sentral depot, (c) setiap kendaraan hanya mela- A Luasan permukaan cold storage (m2)
yani satu ritel, serta (d) muatan kendaraan tidak melebihi s Ketebalan permukaan cold storage (m)
kapasitas kendaraan, ∑𝑛𝑛𝑖𝑖=1 𝑑𝑑𝑖𝑖 ≤ 𝐾𝐾. k koefisien insulating material; k = 0.002
Setiap ritel/pelanggan i ϵ I 0 berhubungan C spesifikasi panas muatan; C = 0.77
dengan time windows [r i , s i ], dimana r i adalah waktu Cl panas laten; Cl = 60
mulai pelayanan serta s i adalah waktu akhir pelayanan. e Temperatur eksternal cold storage;
Pelayanan setiap ritel i ϵ I 0 harus dimulai dan diakhiri T0 Temperatur netral (0°C)
sesuai time windows. Time windows yang berlaku pada Parameter time windows
penelitian ini adalah soft time windows. Kedatangan ri Waktu awal pelayanan time windows pelanggan i;
kendaraan sebelum time windows awal ritel i ϵ I diabai- si Waktu akhir pelayanan time windows pelanggan i;
kan dari penalti dan diasumsikan menunggu hingga time Si Waktu akhir penalti pelanggan i
windows awal ritel i ϵ I. Sementara kedatangan setelah Parameter aspek waktu
time windows akhir ritel i ϵ I, selama tidak melanggar ui Durasi pelayanan di pelanggan i
time windows penalti ritel i ϵ I, S i , masih diterima den- 𝑙𝑙̅
𝑡𝑡𝑖𝑖𝑖𝑖 Lama perjalanan yang diharapkan pelanggan i ke j;
gan konsekuensi penalti.
β0 Invers kecepatan tanpa kepadatan lalu lintas
Penelitian ini juga mengasumsikan muatan β 1 ,β 2 Invers kecepatan dengan kepadatan lalu lintas
barang bersifat diskrit, bukan kontinu. Asumsi ini akan p Probabilitas terjadi kepadatan lalu lintas
mengabaikan adanya muatan ekstra untuk mengantisipasi Parameter permintaan
loss seperti model Hsu dkk. (2007). Akan tetapi, peneli-
di Permintaan pelanggan i yang harus dipenuhi; i ϵ I
tian ini tetap memperhitungkan probabilitas loss sebagai
K Kapasitas kendaraan
bagian dari pengiriman produk perishable. Loss peneli- Parameter perishability
tian ini ditujukan sebagai biaya resiko untuk menganti- hm Shelf life produk m; m ϵ M
sipasi adanya penyusutan yang ditanggung distributor. F(-) Fungsi kumulatif probabilitas loss f(y),
Tujuan pemodelan ini adalah meminimalkan total G(d i ) Probabilitas loss karena membuka cold storage,
biaya distribusi yaitu: biaya tetap penggunaan kendaraan,
biaya transportasi, biaya persediaan, biaya energi, serta Variabel pemodelan ini adalah sebagai berikut:
biaya penalti keterlambatan. 𝑡𝑡𝑙𝑙𝑙𝑙 Setting temperatur kendaraan
𝑦𝑦0𝑙𝑙𝑙𝑙 Waktu kembali ke sentral depot kendaraan
Himpunan indeks model penelitian ini adalah sebagai
𝑦𝑦𝑖𝑖𝑖𝑖𝑖𝑖 Waktu kedatangan ke pelanggan i
berikut:
𝑤𝑤𝑙𝑙𝑙𝑙 Muatan yang dibawa kendaraan cold storage
 I 0 Himpunan ritel / pelanggan = {0,., i,., n);
l jumlah kendaraan yang digunakan
dimana I = {1,., i,., n) dan {0} = sentral depot
1; jika rute (i, j) dilewati kendaraan l
 L Himpunan kendaraan = {1,…, l,…., v)
𝑞𝑞𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖
 M Himpunan produk perishable = {1,., m,., s}.
0; jika tidak
1; jika kendaraan l memuat item m
Parameter model penelitian ini adalah sebagai
berikut: Parameter unit biaya 𝑧𝑧𝑖𝑖𝑙𝑙𝑙𝑙
0; jika tidak
f Biaya tetap penggunaan kendaraan yang digunakan per unit
P Biaya resiko terjadi loss per unit item
R Biaya transportasi kendaraan l per unit jarak
E Biaya energi per unit kalori
U Biaya penalti keterlambatan per unit waktu
Parameter aspek jarak
ai Koordinat-x posisi pelanggan i; i ϵ I 0
bi Koordinat-y posisi pelanggan i; i ϵ I 0
 𝒎𝒎𝒎𝒎𝒎𝒎 � 𝒇𝒇 + � � � � 𝑹𝑹𝒄𝒄𝒊𝒊𝒊𝒊 𝒒𝒒𝒊𝒊𝒊𝒊𝒊𝒊𝒊𝒊 + + � � � � 𝑷𝑷𝒛𝒛𝒋𝒋𝒋𝒋𝒋𝒋 𝒅𝒅𝒊𝒊 adalah nol), serta time windows pelanggan dan sentral
∀𝒍𝒍∈𝑳𝑳 ∀𝒊𝒊∈𝑰𝑰𝟎𝟎 ∀𝒋𝒋∈𝑰𝑰𝟎𝟎 ∀𝒎𝒎∈𝑴𝑴 ∀𝒍𝒍∈𝑳𝑳 ∀𝒊𝒊∈𝑰𝑰𝟎𝟎 ∀𝒋𝒋∈𝑰𝑰 ∀𝒎𝒎∈𝑴𝑴 ∀𝒍𝒍∈𝑳𝑳
𝒊𝒊≠𝒋𝒋 𝒋𝒋≠𝒊𝒊 depot. Lama pelayanan diasumsikan linear dengan ba-
𝟏𝟏 𝟏𝟏
+ � � � � 𝑬𝑬�𝒚𝒚𝒊𝒊𝒊𝒊𝒊𝒊 − 𝒚𝒚(𝒊𝒊−𝟏𝟏)𝒍𝒍𝒍𝒍 �( 𝒌𝒌𝒌𝒌) + (( 𝒘𝒘𝒍𝒍𝒍𝒍 𝑪𝑪(𝒆𝒆 − 𝑻𝑻𝟎𝟎 ) nyaknya permintaan pelanggan. Semakin banyak per-
𝒈𝒈 𝟐𝟐𝟐𝟐
∀𝒊𝒊∈𝑰𝑰𝟎𝟎 ∀𝒋𝒋∈𝑰𝑰 ∀𝒎𝒎∈𝑴𝑴 ∀𝒍𝒍∈𝑳𝑳
mintaan maka membutuhkan waktu pelayanan yang se-
+ (𝒓𝒓𝒍𝒍𝒍𝒍 𝑪𝑪𝑪𝑪) + (𝒓𝒓𝒍𝒍𝒍𝒍 𝑪𝑪(𝑻𝑻𝟎𝟎 − 𝒕𝒕𝒍𝒍𝒍𝒍 )))
makin lama. Seperti juga permintaan, lama pelayanan di
+ � 𝑼𝑼𝑼𝑼𝒊𝒊 (𝟒𝟒)
∀𝒊𝒊∈𝑰𝑰𝟎𝟎 sentral depot adalah nol.
Himpunan data Solomon sebenarnya terdiri
Subject to:
atas 101 node, 100 pelanggan dan 1 sentral depot. Per-
𝑙𝑙; ∀𝑖𝑖 ∈ 𝐼𝐼0
� � � 𝑧𝑧𝑖𝑖𝑖𝑖𝑚𝑚 = � cobaan numerik penelitian ini tidak mengambil semua
1; ∀𝑖𝑖 ∈ 𝐼𝐼
∀𝑖𝑖∈𝐼𝐼0 ∀𝑙𝑙∈𝐿𝐿 ∀𝑚𝑚 ∈𝑀𝑀 (5) data Solomon, hanya 26 node pertama, terdiri dari 25
� � � � 𝑞𝑞𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 = 𝑧𝑧𝑗𝑗𝑗𝑗𝑗𝑗 ; ∀𝑖𝑖, 𝑗𝑗 ∈ 𝐼𝐼0 pelanggan serta 1 sentral depot. Hal ini disebabkan pene-
∀𝑖𝑖∈𝐼𝐼0 ∀𝑗𝑗 ∈𝐼𝐼0 ∀𝑙𝑙∈𝐿𝐿 ∀𝑚𝑚 ∈𝑀𝑀 (6) litian ini lebih berfokus pada pengembangan model baru
𝛽𝛽0 𝑐𝑐𝑖𝑖𝑖𝑖 ; 𝑛𝑛𝑜𝑜 𝑡𝑡𝑟𝑟𝑎𝑎𝑓𝑓𝑓𝑓𝑖𝑖𝑐𝑐 ′ 𝑠𝑠 𝑝𝑝𝑒𝑒𝑎𝑎𝑘𝑘
dan bukan fokus pada kecepatan teknik penyelesaian.
̅ =�
𝑡𝑡𝑖𝑖𝑖𝑖 � ∀ 𝑖𝑖, 𝑗𝑗 ∈ 𝐼𝐼
[𝑝𝑝𝑝𝑝1 +(1 − 𝑝𝑝)𝛽𝛽2 ]𝑐𝑐𝑖𝑖𝑖𝑖 ; 𝑤𝑤𝑖𝑖𝑡𝑡ℎ 𝑡𝑡𝑟𝑟𝑎𝑎𝑓𝑓𝑓𝑓𝑖𝑖𝑐𝑐 ′ 𝑠𝑠𝑝𝑝𝑒𝑒𝑒𝑒𝑘𝑘 Data Solomon yang digunakan dalam uji numerik pene-
(7)
litian ini adalah data kelas C1 dan R1. Kedua kelas
̅
𝑦𝑦(𝑖𝑖+1) ≥ 𝑦𝑦𝑖𝑖 + 𝑢𝑢𝑖𝑖 + 𝑡𝑡𝑖𝑖(𝑖𝑖+1) − �1 − 𝑥𝑥𝑖𝑖(𝑖𝑖+1) �; ∀𝑖𝑖 ∈ 𝐼𝐼, ∀𝑙𝑙 ∈ 𝐿𝐿, ∀𝑚𝑚 ∈ 𝑀𝑀
(8) data ini ini mewakili karakteristik penyebaran lokasi pe-
̅
𝑦𝑦𝑖𝑖 ≥ 𝑦𝑦0𝑙𝑙𝑙𝑙 +𝑡𝑡0𝑖𝑖𝑖𝑖𝑖𝑖 − (1 − 𝑥𝑥0𝑖𝑖𝑖𝑖𝑖𝑖 )𝑀𝑀; ∀𝑖𝑖 ∈ 𝐼𝐼, ∀𝑙𝑙 ∈ 𝐿𝐿, ∀𝑚𝑚 ∈ 𝑀𝑀
langgan, klaster (C1) atau random (R1). Percobaan nu-
(9) merik menggunakan kelas data yang berbeda dilakukan
̅
𝑦𝑦0𝑙𝑙𝑙𝑙 ≥ 𝑦𝑦(𝑖𝑖+1) + 𝑢𝑢(𝑖𝑖+1) + 𝑡𝑡(𝑖𝑖+1)0𝑙𝑙𝑙𝑙 − �1 − 𝑥𝑥(𝑖𝑖+1)0𝑙𝑙𝑙𝑙 �𝑀𝑀 , ∀𝑖𝑖 ∈ 𝐼𝐼 karena akan mempengaruhi running dan penyelesaian
(10)
model. Perbedaan karakteristik kelas data akan mem-
𝑟𝑟𝑖𝑖 ≤ 𝑦𝑦𝑖𝑖 ≤ 𝑆𝑆𝑖𝑖 , ∀𝑖𝑖 ∈ 𝐼𝐼
(11) pengaruhi perilaku model, dilihat dari waktu perhitungan
𝑤𝑤𝑙𝑙𝑙𝑙 = � � � 𝑧𝑧𝑖𝑖𝑖𝑖𝑖𝑖 ≤ 𝐾𝐾; ∀𝑖𝑖 ∈ 𝐼𝐼; ∀𝑙𝑙 ∈ 𝐿𝐿, ∀𝑚𝑚 ∈ 𝑀𝑀
serta penyelesaian model (Muller, 2010).
∀𝑖𝑖∈𝐼𝐼 ∀𝑙𝑙∈𝐿𝐿 ∀𝑚𝑚 ∈𝑀𝑀 (12)
Tabel 1 Nilai parameter inisial
𝑥𝑥0𝑖𝑖𝑖𝑖𝑖𝑖 = 𝑥𝑥0𝑖𝑖𝑖𝑖𝑖𝑖 𝑟𝑟𝑙𝑙𝑙𝑙 𝑥𝑥�𝐹𝐹�𝑦𝑦𝑖𝑖𝑖𝑖𝑖𝑖 − 𝑦𝑦𝑗𝑗𝑗𝑗𝑗𝑗 � + 𝐺𝐺(𝑑𝑑𝑖𝑖 )�, ∀𝑖𝑖 ∈ 𝐼𝐼; ∀𝑙𝑙 ∈ 𝐿𝐿, ∀𝑚𝑚 ∈ 𝑀𝑀
(13) Symbol Definition Initial value
𝑡𝑡𝑖𝑖𝑖𝑖𝑖𝑖 = 𝑚𝑚𝑚𝑚𝑚𝑚{0, (𝑡𝑡𝑖𝑖𝑖𝑖𝑖𝑖 )}; ∀𝑖𝑖 ∈ 𝐼𝐼; ∀𝑙𝑙 ∈ 𝐿𝐿, ∀𝑚𝑚 ∈ 𝑀𝑀 f Dispatching cost 250,000/unit
(14)
𝑡𝑡𝑖𝑖𝑖𝑖𝑖𝑖 = 𝑡𝑡(𝑖𝑖+1)𝑙𝑙𝑚𝑚 ; ∀𝑖𝑖 ∈ 𝐼𝐼; ∀𝑙𝑙 ∈ 𝐿𝐿, ∀𝑚𝑚 ∈ 𝑀𝑀
R Transportation cost 562.5/km
(15)
P Risk cost 500/kg
𝑞𝑞𝑖𝑖 = max⁡{0, (𝑦𝑦𝑖𝑖 − 𝑠𝑠𝑖𝑖 )}; ∀𝑖𝑖 ∈ 𝐼𝐼 E Energy cost 30/kcal
(16)
U Penalty cost 100/mins
𝑞𝑞𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖 ∈ {0,1}, 𝑧𝑧𝑖𝑖𝑖𝑖𝑖𝑖 ∈ {0,1} (17) e External temperature 32°C
Fungsi obyektif (4) adalah meminimasi fungsi A Surface area 22.5 m2
biaya distribusi, termasuk: biaya penggunaan kendaraan, g Surface thickness 0.035 m
biaya persediaan, biaya energi, serta biaya penalti karena β0, β1 Inverse vehicle speed 1.2 mins/km
melanggar time windows. Kendala routing terdiri atas (without traffic’s peak)
Flow constraints, satu kendaraan mengunjungi pelang- β2 Inverse vehicle speed 2 mins/km
gan satu kali (5), Flow constraints, satu rute dikunjungi (with traffic’s peak)
kendaraan satu kali (6), Kendala expected travel time (7), hm Item’s shelf life 24 to 72 hour
(random)
Kendala time windows (8), (9), (10), (11), Kendala kapa-
Tm Storage temperature -7°C to -3°C
sitas (12), Kendala loss (13), Kendala temperatur (14),
(random)
(15), Kendala penalti (16), Variabel biner dan non nega-
tif (17).
Nilai untuk parameter diestimasi dengan parame-
ter inisial seperti ditunjukkan Tabel 1
4. Contoh Numerik Berdasarkan Gambar 1 terlihat lebih detail
Data numerik penelitian ini menggunakan data bahwa biaya energi berkontribusi besar (26%) untuk ke-
Solomon. Informasi data Solomon menyangkut data-data las C1. Lokasi yang terklaster satu dengan lain menye-
sebagai berikut: kapasitas kendaraan (kapasitas sama babkan biaya transportasi pada kelas data C1 juga sema-
untuk setiap kendaraan), lokasi geografis (koordinat kar- kin kecil. Kontribusi biaya transportasi hanya mencapai
tesian pelanggan dan sentral depot), permintaan pelang- 9% pada data C1. Biaya penggunaan kendaraan juga
gan yang harus dipenuhi sentral depot (permintaan depot
 semakin kecil karena jumlah kendaraan yang semakin kecil. Hal ini disebabkan semakin banyak jum-
digunakan hanya 5 unit. lah kendaraan menyebabkan muatan tiap kendaraan akan
semakin kecil (disesuaikan dengan kapasitas) sehingga
3,000
energi yang dibutuhkan untuk mendinginkan ekivalen
semakin kecil. Sebaliknya, lokasi pelanggan yang ter-
113 klaster menyebabkan jumlah kendaraan yang dibutuh-
2,500
Penalti cost(Rp)
kan akan semakin kecil. Kurangnya jumlah kendaraan
akan berpengaruh pada biaya transportasi yang semakin
2,000 Energi cost (Rp) kecil tetapi biaya energi semakin besar. Hal ini disebab-
Cost (in Rp)

546 kan semakin sedikit jumlah kendaraan menyebabkan

Inventory cost (Rp)
1,500 muatan tiap kendaraan akan semakin besar (disesuaikan
Transportatation cost dengan kapasitas) sehingga energi yang dibutuhkan un-
(Rp)
tuk mendinginkan ekivalen semakin besar.
1,000 Dispatching cost (Rp)

5. Kesimpulan dan Penelitian lebih lanjut

500
0
C1 R1
Gambar 1 Breakdown Biaya Distribusi dengan Memper-
timbangkan Energi
Sedangkan untuk lokasi pelanggan acak (kelas
data R1), berdasarkan Gambar 4.4, terlihat penurunan
kebutuhan biaya energi. Biaya energi hanya berkontribu-
si 4% untuk kelas R1. Lokasi yang acak satu dengan lain
menyebabkan biaya transportasi pada kelas data R1 juga
semakin besar. Kontribusi biaya transportasi mencapai
12% pada data R1. Biaya penggunaan kendaraan juga
semakin besar karena jumlah kendaraan yang digunakan
mencapai 9 unit.
Kesimpulannya, terdapat korelasi antara pe-
nyebaran pelanggan dengan biaya energi yang dibutuh-
kan. Lokasi pelanggan yang tersebar menyebabkan jum-
lah kendaraan yang dibutuhkan akan semakin banyak.
Banyaknya jumlah kendaraan akan berpengaruh pada
biaya transportasi yang semakin besar tetapi biaya energi
Kesimpulan penelitian ini adalah sebagai berikut:
1. Faktor energi berkontribusi pada pengiriman pro-
duk perishable menggunakan cold storage.
2. Besar kecilnya kontribusi biaya energi tergantung
pada energi yang dibutuhkan untuk mendinginkan
serta penyebaran pelanggan, acak atau terklaster.
3. Penyebaran pelanggan terklaster menyebabkan bi-
aya energi semakin besar tetapi dari sisi lain me-
nyebabkan biaya penggunaan kendaraan semakin
kecil. Sebaliknya penyebaran pelanggan acak me-
nyebabkan biaya energi semakin kecil sementara
tetapi biaya penggunaan kendaraan semakin besar.
Penelitian ini memiliki asumsi dan batasan yang
direlaksasi untuk penelitian lanjutan. Penelitian lanjutan
untuk melengkapi dan menyempurnakan hasil penelitian
ini adalah dengan setting permasalahan yang berbeda,
yaitu:
1. Penelitian lanjutan bisa menyertakan pertimbangan
klastering temperatur berdasar range temperatur
sehingga satu kendaraan bisa terdiri dari berbagai
range temperatur tapi masih dalam satu klaster

6. Referensi Bogataj, L. Bogataj, and Vodopivec,“Stability of Pe-

Adler, W.A. (2010). “Transfair Engineering: Survey
about CFC-free Refrigerator Production-Part 4: Design-
ing and Prototyping of Refrigerator and Freezer Cool-
ing”. Transfair GmbH. Dusseldorf.
rishable Goods in Cold Logistics Chains,” Int. J. Pro-
duction Economics, Vol. 93, pp. 345-346.
Broekmeulen, R.A.C.M and Donselaar K. (2009). "A
Heuristic to Manage Perishable Inventory with Batch
Ordering, Positive Lead-Times, and Time-Varying
Demand”, Computers & Operations Research, Vol. 36,
pp.3013-3018.
 Hsu, S.F. Hung, and Li, “Vehicle Routing Problem
with Time-Windows for Perishable Food Deli-
very,” Journal of Food Engineering, Vol. 80, pp.
465–475.
Jackson, V., Blair, I. S., McDowell, D.A., Kennedy, J.,
and Bolton, D. J. (2007). “The Incidence of
Significant Food Borne Pathogens in Domestic
Refrigerators”, Food Control, Vol. 18, hal 346–351.
Jedermann, R., Ruiz-Garcia, and L., Lang. (2009).
“Spatial Temperature Profiling by Semi -Passive RFID
for Perishable Food Transportation”, Computers and
Electronics in Agriculture, Vol. 65, pp. 145–154.
Kader, A., Rolle, R. (2004). “The Role of Post Harvest
Management in Assuring the Quality and Safety of Hor-
ticultural Produce”, FAO Agricultural Service Bulletin,
Vol. 152, pp.1-2.
Vanek, F. and Sun, Y. (2008). "Transportation Versus
Perishability in Life Cycle Energy Consumption”,
View publication stats
Kuo, J. and Chen, M.C. (2010).”Developing an Advanced
Multi-Temperature Joint Distribution System for the Food
Cold Chain”, Food Control, Vol. 21, pp. 559–566.
Montanari, R. (2008). “Cold Chain Tracking: a Mana-
gerial Perspective”, Trends in Food Science & Technol-
ogy, Vol. 19 (8), pp. 425–431.
Muller, J. (2010). “Approximate Solutions to the Bicrite-
rion Vehicle Routing Problem With Time Windows”.
European Journal of Operational Research, Vol. 202,
pp. 223-223.
Osvald, A. and Stirn., L.Z. (2008). “A Vehicle Routing
Algorithm for the Distribution Of Fresh Vegetables
and Similar Perishable Food”, Journal of Food Engi-
neering, Vol. 85, pp. 285-295.
Ovca, A. and Jevšnik, M. (2009). “Maintaining a Cold
Chain from Purchase to the Home at Home: Con-
sumer Opinions”, Food Control, Vol. 20, pp. 167–172.
Tranportation Research, Vol. 13,