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 :
Perkembangan teknologi memainkan peran penting dalam peningkatan jumlah pengguna e-commerce di Indonesia yang kemudian menyebabkan peningkatan signifikan dalam volume pengiriman paket. Namun, peningkatan ini juga menimbulkan masalah terkait emisi gas rumah kaca terutama pada tahap pengiriman terakhir yang sering melibatkan penggunaan kendaraan bermotor. Selain itu, terdapat pula kendala ketika tempat tujuan sulit dicapai dengan menggunaan kendaraan bermotor pada tahap pengiriman terakhir. Oleh karena itu, perlu dicari solusi yang tidak hanya mengurangi dampak lingkungan, namun juga dapat meningkatkan aksesibilitas pada tahap pengiriman terakhir. Penelitian ini mengintegrasikan penggunaan truk dan drone yang bertujuan untuk mengurangi emisi gas rumah kaca dan mengatasi kendala aksesibilitas dengan kemampuan drone. Metode yang digunakan melibatkan penerapan Constrained Density-Based Spatial Clustering of Applications with Noise (Constrained DBSCAN) untuk melakukan proses clustering terhadap data pelanggan dengan mempertimbangkan kendala jumlah drone yang tersedia dan daya jangkau drone serta penerapan Tabu Search untuk merancang rute pengiriman yang optimal dengan mempertimbangkan kendala time windows pada depot dan seluruh cluster. Implementasi kedua metode tersebut digunakan pada data 90 pelanggan. Constrained DBSCAN dapat mengurangi 63.16% jumlah cluster, mengurangi 69.61% total jarak tempuh rute, mengurangi 44.89% total waktu tempuh rute, dan penurunan 8.73% nilai fungsi objektif jika dibandingkan dengan yang diperoleh dari clustering secara intuitif. ......Technological advancements play a pivotal role in the surge of e-commerce users in Indonesia, subsequently resulting in a substantial increase in parcel delivery volumes. However, this upswing poses challenges related to greenhouse gas emissions, particularly in the last-mile delivery stage that frequently relies on motorized vehicles. Additionally, difficulties arise when the destination is hard to reach using motorized vehicles during the final delivery stage. Hence, a solution is imperative, one that not only mitigates environmental impacts but also enhances accessibility in the last-mile delivery stage. This research integrates the use of trucks and drones with the aim of reducing greenhouse gas emissions and overcoming accessibility constraints through drone capabilities. The methodology employed involves the application of Constrained DBSCAN for clustering customer data, considering constraints such as the available number of drones and drone range. Tabu Search is then implemented to design optimal delivery routes, taking into account time window constraints at depots and across all clusters. Both methods are applied to data representing 90 customers. The implementation of these approaches shows promise in addressing the challenges posed by the last-mile delivery stage, offering a balanced solution that not only reduces environmental impact but also enhances efficiency in the delivery process. Constrained DBSCAN can decrease 63.16% of the number of clusters, decrease 69.61% of the total route distance, decrease 44.89% of the total route time, and decrease 8.73% of the objective function value when compared to that derived from clustering with intuition.

Abstrak :
Pengiriman barang dari depot terakhir menuju ke lokasi pelanggan adalah pengiriman last mile. Pengiriman last mile sering dianggap sebagai tahap yang paling mahal dan kurang efisien. Beberapa permasalahan yang dihadapi dalam pengiriman last mile adalah biaya yang tinggi, waktu pengiriman yang lama, dan kemungkinan barang rusak. Penggunaan sistem kendaraan truck-drone dalam pengiriman last mile dapat dijadikan sebagai solusi untuk mengatasi permasalahan dalam last mile. Tujuan dari penelitian ini adalah menemukan rute pengiriman barang yang meminimalkan biaya pengiriman dengan menggunakan sistem truck-drone dalam last mile. Pendekatan yang diusulkan untuk mencari rute optimal terdiri dari dua fase yaitu fase clustering dan routing. Dalam fase clustering menggunakan mean shift clustering untuk mengelompokkan lokasi pelanggan dan mencari lokasi parkir (pusat cluster). Dalam fase routing menggunakan algoritma genetika untuk menemukan rute optimal. Implementasi pada 90 pelanggan didapatkan penggunaan metode mean shift clustering diikuti oleh algoritma genetika, dapat menghasilkan rute optimal yang meminimalkan total biaya. Hal ini ditunjukkan dari penurunan biaya pada rute mean shift clustering mencapai 3,51% dibandingkan clustering dengan metode intuitif. Selain itu, analisis hasil juga mencerminkan bahwa penerapan mean shift clustering mampu mengurangi total jarak sebesar 27,93 % dan waktu tempuh sebesar 25,83 % delivery. ......Last-mile delivery is often considered the most expensive and less efficient stage. Some challenges in last-mile delivery include high costs, long delivery times, and the possibility of damaged goods. The use of a truck-drone system in last-mile delivery can be a solution to address these challenges. The objective of this research is to find delivery routes that minimize delivery costs using a truck-drone system in the last mile. The proposed approach to finding optimal routes consists of two phases: clustering and routing. In the clustering phase, mean shift clustering is used to group customer locations and identify parking locations (cluster centers). In the routing phase, a genetic algorithm is employed to find the optimal routes. The implementation on 90 customers showed that the use of mean shift clustering followed by a genetic algorithm could generate optimal routes that minimize the total cost. This is evident from the cost reduction in mean shift clustering routes by 3,51% compared to the initial clustering solution with intuitif method. Furthermore, the results analysis also reflects that the implementation of Mean Shift Clustering can reduce the total distance by 27.93% and travel time by 25.83%.