Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Pengiriman barang merupakan salah satu kegiatan umum masyarakat yang semakin sering dilakukan akibat peningkatan pengguna sarana belanja dalam jaringan (daring). Peningkatan kegiatan belanja daring mengakibatkan permintaan terhadap jasa pengiriman barang juga mengalami peningkatan. Hal ini juga berdampak pada meningkatnya masalah pengiriman barang terkait masalah lingkungan seperti meningkatnya polusi udara dan juga efisiensi pengiriman barang. Oleh karena itu, dibutuhkan suatu solusi untuk mengatasi masalah lingkungan serta menambah efisiensi pengiriman barang di tahap terakhirnya. Penelitian ini berfokus pada tahap last-mile delivery, yaitu tahap barang dikirimkan dari depot terakhir ke lokasi pelanggan dengan memanfaatkan penggunaan truk pengiriman dan digabung dengan drone. Kombinasi truk dan drone dipandang sebagai solusi yang inovatif. Drone yang menggantikan pengiriman dengan kendaraan bermotor tidak menghasilkan polusi yang biasanya dihasilkan oleh kendaraan berbahan bakar minyak bumi. Kemacetan juga dapat dihindari oleh drone sehingga waktu pengiriman bisa dipersingkat. Drone dapat dengan mudah melakukan pengiriman ke tempat-tempat yang tidak bisa dijangkau oleh kendaraan pengirim barang seperti truk. Dibalik semua kelebihannya, drone memiliki beberapa kendala yaitu harganya yang mahal sehingga menimbulkan keterbatasan kesediaan drone dan juga keterbatasan jangkauan terbangnya. Metode clustering diperkenalkan untuk mengatasi batasan tersebut. Pada penelitian ini digunakan metode Hierarchical Agglomerative Clustering (HAC) dengan mempertimbangkan jumlah drone yang tersedia dan jangkauan terbang maksimum dari drone. Hasil pengelompokkan kemudian digunakan untuk mencari rute optimal dengan metode Tabu Search (TS). Kedua metode ini diimplementasikan pada data simulasi sebanyak 90 pelanggan. Biaya pengiriman yang terdiri dari biaya operasional drone, biaya operasional truk, biaya penggunaan drone serta biaya penggunaan truk akan diminimalkan. Hasil berupa biaya pengiriman, jarak tempuh serta waktu tempuh yang diperoleh dibandingkan dengan hasil dari clustering data berdasarkan jarak tanpa memaksimalkan penggunaan drone serta memperhatikan batasannya. Implementasi HAC dan TS memberikan hasil pengurangan waktu sekitar 45%, pengurangan jarak sekitar 70% dan pengurangan biaya pengiriman sekitar 9%. ......Goods delivery is a common activity in the society, and it’s becoming more frequent with the existence of online shopping. The surge in online shopping has led to a heightened demand for delivery services. This increase in demand impacts environmental concerns such as escalating air pollution and the efficiency of parcel delivery. Consequently, there’s a need for a solution to address environmental issues and enhance the efficiency of last-mile delivery. This research focuses on the last-mile delivery stage, specifically the movement of goods from the final depot to the customer’s location, utilizing a combination of delivery trucks and drones. The integration of trucks and drones is seen as an innovative solution. Drones, replacing motor vehicles in delivery, reduce pollution typically generated by fossil fuel-powered vehicles. Additionally, drones can evade traffic congestion, shortening delivery times, and easily access locations inaccessible to trucks. However, despite their advantages, drones have constraints, including high costs leading to limited availability and flight range limitations. Clustering methods are introduced to address these constraints. This study employs the Hierarchical Agglomerative Clustering (HAC) method, considering the available number of drones and their maximum flight range. The resulting clusters are then utilized to determine the optimal routes using the Tabu Search (TS) method. Both of this method is implemented on a simulation data of 90 customers. Delivery cost that includes drone operational cost, truck operational cost, drone cost, and truck cost is minimized. The result (delivery cost, distance traveled, and duration) are compared to clustering based on distance only without maximized drones available or consider its constraints. The implementation of HAC and TS provides a reduction in time of around 45%, a distance reduction of about 70%, and a shipping cost reduction of about 9%.

Abstrak :
Pada masa sekarang permasalah penentuan rute kendaraan merupakan keadaan yang harus diperhitungkan dalam bisnis pengiriman. Dalam logistic permasalah penentuan rute kendaraan memiliki peranan kunci bagi perusahaan guna meminimalisir biaya transportasi, biaya penalti atas keterlambatan, dan meningkatkan kualitas layanan pada pengiriman. Permasalahan ketepatan waktu dalam proses pengiriman pada saat sekarang ini. Penelitian ini berpusat pada pengoptimalan biaya bahan bakar dan pinalti. Dalam makalah ini nantinya penulis memakai Vehicle Routing Problem with Time Windows (VRPTW). Dimana VRPTW sendiri merupakan masalah penentuan rute kendaraan yang paling banyak dibahas dalam  dunia nyata. Algoritma Artificial Bee Colony (ABC) dan Algoritma Camel (CA) akan diterapkan dalam penelitian ini. Selanjutnya kedua algoritma akan dilihat mana dari kedua algoritma yang paling ideal untuk penyelesaian permasalahan penentuan rute dalam VRPTW. ......At present The problem of determining vehicle routes is a condition that must be taken into account in the shipping business. In logistics, the problem of determining vehicle routes has a key role for companies to minimize transportation costs, penalty fees for delays, and improve service quality on delivery. The problem of timeliness in the delivery process at this time. This research focuses on optimizing fuel costs and penalties. In this paper, the author will use the Vehicle Routing Problem with Time Windows (VRPTW). Where VRPTW itself is the problem of determining vehicle routes that are most widely discussed in the real world. Artificial Bee Colony Algorithm (ABC) and Camel Algorithm (CA) will be applied in this research. Furthermore, the two algorithms will determine which of the two algorithms is the most ideal for solving the problem of determining routes in VRPTW.

Abstrak :
Vehicle Routing Problem (VRP) merupakan salah satu model yang dapat mengatasi permasalahan rute distribusi. Salah satu permasalahan yang ada di dunia nyata adalah rute distribusi kantong darah di UDD PMI DKI Jakarta. UDD PMI DKI Jakarta harus mengirim kantong darah setiap harinya menuju lima UDD PMI masing-masing kota di Provinsi DKI Jakarta. Adanya durasi shelf life darah dan kapasitas mobil yang terbatas membuat permasalahan ini berkembang menjadi Capacitated Vehicle Routing Problem with Time Windows (CVRPTW). Dengan menggunakan software Gurobi, terbukti bahwa rute distribusi masih bisa dioptimasi. Di mana rute awal memerlukan waktu selama 1.034 menit, dan rute hasil optimasi memerlukan waktu selama 707 menit. Pengurangan waktu yang didapat adalah 31,6%, dengan tetap memenuhi kendala lainnya, seperti kapasitas kendaraan dan durasi shelf life kantong darah. Analisis sensitivitas juga dilakukan untuk mengetahui apakah model dapat dipakai dengan fluktuasi permintaan kantong darah yang merepresentasikan kondisi sebenarnya. Dari hasil optimasi menggunakan tiga skenario, didapat bahwa terdapat perubahan durasi perjalanan dan penambahan jumlah kendaraan yang dipakai, serta perubahan rute yang dipilih oleh setiap kendaraan. ......The Vehicle Routing Problem (VRP) is a model that addresses distribution route issues. One real-world problem is the distribution of blood bags at UDD PMI DKI Jakarta. UDD PMI DKI Jakarta needs to deliver blood bags daily to five UDD PMI located in each city in DKI Jakarta. The presence of limited blood shelf life duration and vehicle capacity has led to the development of the Capacitated Vehicle Routing Problem with Time Windows (CVRPTW) for this problem. By using Gurobi software, it has been proven that the distribution routes can be optimized. The initial route took 1.034 minutes, while the optimized route took 707 minutes. This resulted in a time reduction of 31,6%, while still meeting other constraints such as vehicle capacity and blood bag shelf life duration. Sensitivity analysis was also conducted to assess whether the model can be used with blood bag demand fluctuations that represent real-world conditions. From the optimization results using three scenarios, it was found that there were changes in travel duration, an increase in the number of vehicles used, and changes in the selected routes for each vehicle.