Merancang Truck Appointment System dengan Bijak

Kemacetan truk di pabrik kimia merupakan masalah logistik yang signifikan, yang tidak hanya mengganggu produktivitas tetapi juga meningkatkan biaya operasional dan berpotensi merusak lingkungan. Masalah ini telah lama menjadi perhatian banyak pihak, baik itu pengelola pabrik, perusahaan pengangkut, maupun perencana sosial yang ingin mengurangi emisi dari kendaraan yang menganggur. Namun, kebanyakan solusi yang diusulkan cenderung menguntungkan salah satu pihak saja, tanpa mempertimbangkan kepentingan pihak lainnya. Hal ini menciptakan ketidakseimbangan yang memperburuk masalah.

Salah satu solusi yang sering digunakan adalah sistem janji temu truk (Truck Appointment System, TAS). Sistem ini mengatur waktu kedatangan truk untuk meminimalkan antrean dan kemacetan di area pabrik. Namun, meskipun beberapa pabrik telah menerapkan TAS, hasilnya seringkali kurang optimal karena pengaturannya hanya mempertimbangkan satu sudut pandang, baik dari pengelola pabrik atau perusahaan pengangkut saja. Selain itu, kebiasaan truk yang datang lebih awal dari jadwal untuk menghindari keterlambatan dalam waktu yang padat juga menambah masalah. Oleh karena itu, pendekatan yang lebih komprehensif diperlukan untuk mengoptimalkan penerapan TAS di pabrik kimia.

Penelitian yang dilakukan oleh Budhi Wibowo dan Jan Fransoo menawarkan solusi dengan mengusulkan model optimasi bersama (joint optimization) yang melibatkan semua pemangku kepentingan—pengelola pabrik, perusahaan pengangkut, dan pihak perencana sosial. Dengan pendekatan ini, peneliti berhasil menunjukkan bahwa dengan mempertimbangkan kepentingan setiap pihak, sistem TAS dapat lebih efisien dalam mengurangi waktu tunggu truk, mengurangi biaya operasional, serta mengurangi emisi yang dihasilkan dari truk yang menganggur.

Kontribusi utama dari penelitian ini adalah pengembangan model optimasi bersama yang mengakomodasi kepentingan berbagai pihak secara simultan. Berbeda dengan pendekatan sebelumnya yang hanya fokus pada salah satu stakeholder, penelitian ini mengintegrasikan tujuan masing-masing pihak ke dalam satu sistem yang lebih adil dan efisien. Sebagai contoh, pengelola pabrik lebih diuntungkan dengan berkurangnya waktu lembur karena penerapan TAS yang lebih efisien, sementara perusahaan pengangkut mendapat manfaat dari pengurangan waktu tunggu truk yang dapat meningkatkan produktivitas mereka.

Sebagai tambahan, penelitian ini juga mengembangkan metode baru untuk mengevaluasi kinerja sistem antrian dinamis, yang dikenal sebagai WB-PSFFA (Whitt-Bisection Pointwise Stationary Fluid Flow Approximation). Metode ini merupakan perbaikan dari metode sebelumnya, B-PSFFA, dengan menggabungkan prinsip aliran fluida dan pendekatan stasioner. Pengembangan metode baru ini adalah salah satu kontribusi penting penelitian ini, karena memungkinkan estimasi yang lebih akurat terhadap sistem antrian non-stasioner yang menggambarkan dinamika kedatangan truk yang bervariasi terhadap fungsi waktu. Dengan metode baru ini, peneliti dapat memodelkan kinerja TAS di pabrik kimia dengan lebih presisi, meskipun terdapat variasi dalam pola kedatangan truk sepanjang hari.

Implikasi manajerial dari temuan ini sangat penting bagi pengelola pabrik dan perusahaan logistik. Penerapan sistem TAS yang dioptimalkan bersama dapat mengurangi kemacetan di pabrik, meningkatkan efisiensi operasional, dan pada saat yang sama mengurangi emisi karbon yang dihasilkan oleh kendaraan. Dari perspektif pengelola pabrik, hal ini berpotensi menurunkan biaya terkait operasional dan meningkatkan produktivitas. Sementara itu, perusahaan pengangkut dapat merasakan manfaat dari berkurangnya waktu tunggu truk yang berdampak langsung pada penghematan biaya dan peningkatan efisiensi.

Namun, penerapan model ini bukan tanpa tantangan. Pengelola pabrik dan perusahaan pengangkut harus saling berbagi informasi mengenai pola kedatangan truk dan waktu pelayanan yang sebenarnya agar optimasi dapat berjalan dengan lancar. Selain itu, peran perencana sosial, seperti pemerintah, juga sangat penting untuk memastikan bahwa sistem ini dapat berjalan tanpa menambah beban sosial atau lingkungan.

Secara keseluruhan, penelitian ini memberikan wawasan baru mengenai pentingnya kolaborasi antar pemangku kepentingan dalam mengoptimalkan sistem logistik di pabrik kimia. Meskipun belum sepenuhnya terimplementasi secara luas, hasil dari penelitian ini menunjukkan bahwa optimasi bersama dapat membawa manfaat yang lebih besar bagi semua pihak yang terlibat. Sebagai langkah selanjutnya, perlu ada kolaborasi yang lebih erat antar stakeholder serta eksperimen lebih lanjut untuk menyesuaikan sistem dengan dinamika nyata di lapangan.

Sumber: Wibowo, B., & Fransoo, J. (2021). Joint-optimization of a truck appointment system to alleviate queuing problems in chemical plants. International Journal of Production Research, 59(13), 3935-3950.
Disclaimer: Sebagian konten dalam tulisan dikembangkan dengan bantuan teknologi kecerdasan buatan (AI) dari platform OpenAI ChatGPT. AI digunakan untuk mengkonversi artikel ilmiah yang merupakan karya asli penulis ke dalam bahasa artikel populer. AI juga digunakan untuk membuat ilustrasi pada kepala tulisan. Gambar lain merupakan karya asli penulis. Penulis tetap melakukan pengecekan dan pengeditan atas semua konten untuk memastikan akurasi, relevansi, serta kesesuaian dengan sumber aslinya.

Perencanaan Rute Kendaraan Dinamis dengan Algoritma Fuzzy Ant Colony Systems

Dalam dunia layanan berbasis perusahaan, terutama yang menyediakan layanan di lokasi seperti pemeliharaan atau perbaikan, tantangan terbesar terletak pada pengelolaan rute kendaraan untuk memenuhi permintaan layanan yang datang secara dinamis. Salah satu permasalahan utama yang dihadapi oleh banyak perusahaan layanan adalah Dynamic Vehicle Routing Problem (DVRP), di mana rute kendaraan harus terus disesuaikan dengan kedatangan pesanan layanan baru selama jam kerja. Permasalahan ini semakin rumit dengan ketidakpastian waktu layanan yang harus disesuaikan dengan berbagai faktor eksternal yang tidak dapat diprediksi dengan pasti, seperti kemacetan lalu lintas atau kesalahan dalam estimasi waktu layanan.

Di sinilah pentingnya menciptakan solusi yang dapat mengoptimalkan keputusan pengambilan rute secara real-time, sehingga perusahaan dapat tetap melayani pelanggan dengan efisien tanpa mengorbankan kualitas layanan. Dalam konteks ini, pengelolaan rute yang fleksibel dan adaptif menjadi kunci untuk meningkatkan kinerja operasional sekaligus meminimalkan keterlambatan dan kegagalan dalam memenuhi permintaan layanan.

Untuk mengatasi masalah ini, penelitian ini mengusulkan algoritma Fuzzy Ant Colony System (ACS) yang merupakan pengembangan dari algoritma metaheuristik berbasis perilaku koloni semut. Algoritma ini dirancang untuk menangani DVRP dengan waktu layanan yang tidak pasti, di mana ketidakpastian tersebut dimodelkan menggunakan logika fuzzy. Dalam solusi ini, waktu layanan yang tidak dapat dipastikan digantikan dengan variabel fuzzy, memungkinkan algoritma untuk membuat keputusan yang lebih fleksibel dan adaptif terhadap dinamika situasi.

Kontribusi utama dari pendekatan ini terletak pada penggunaan metode cluster insertion yang meningkatkan tahap inisialisasi algoritma ACS. Metode ini mengelompokkan pelanggan berdasarkan kedekatannya, dan setiap kendaraan akan melayani kelompok pelanggan tertentu. Ketika permintaan layanan baru muncul, pelanggan tersebut akan dimasukkan ke dalam kelompok yang paling dekat. Hal ini mengoptimalkan distribusi feromon dalam ACS, yang berperan dalam menentukan rute kendaraan. Dengan cara ini, algoritma dapat menghindari potensi kesalahan yang terjadi akibat distribusi feromon yang buruk, yang sering kali menjadi masalah pada algoritma ACS dasar.

Selain itu, algoritma ini juga memperkenalkan penyesuaian dinamis dalam pembaruan rute yang berlangsung dalam beberapa interval waktu yang telah ditentukan. Setiap kali ada pembaruan, algoritma ini mengevaluasi kembali rute yang optimal berdasarkan informasi terkini, termasuk pesanan baru yang masuk, waktu layanan yang sudah diperkirakan, dan waktu perjalanan yang dapat berubah-ubah. Hasil dari penerapan algoritma ini menunjukkan bahwa penggunaan metode cluster insertion dalam inisialisasi feromon secara signifikan meningkatkan kinerja dibandingkan dengan penggunaan distribusi feromon acak pada ACS biasa.

Dari sisi implikasi manajerial, penerapan algoritma ini memiliki dampak yang cukup besar dalam pengelolaan operasional perusahaan layanan. Dengan solusi yang adaptif ini, perusahaan dapat mengoptimalkan pengalokasian sumber daya yang ada, seperti kendaraan dan teknisi, dengan cara yang lebih efisien. Hal ini tidak hanya meningkatkan kepuasan pelanggan dengan pengurangan waktu tunggu yang lebih cepat, tetapi juga menurunkan biaya operasional yang timbul akibat keterlambatan atau kegagalan dalam memenuhi permintaan. Lebih jauh lagi, sistem ini memberi perusahaan kemampuan untuk menangani dinamika yang lebih tinggi dalam operasi layanan, yang sangat penting di dunia yang semakin serba cepat dan penuh ketidakpastian.

Selain itu, algoritma ini juga memberikan fleksibilitas dalam menentukan parameter pengelolaan risiko, seperti indeks preferensi kredibilitas, yang memungkinkan pengambil keputusan untuk menyesuaikan tingkat risiko yang ingin diambil. Ini memberikan perusahaan ruang untuk menentukan kebijakan internal yang sesuai dengan tingkat dinamisitas yang dihadapi, apakah lebih konservatif atau lebih berani dalam mengambil keputusan.

Secara keseluruhan, pendekatan ini memberikan kontribusi signifikan dalam menyelesaikan tantangan DVRP dengan ketidakpastian waktu layanan, memungkinkan perusahaan layanan untuk lebih efisien dalam menghadapi ketidakpastian dan dinamika operasional. Implementasi dari algoritma ini tidak hanya mengarah pada efisiensi operasional yang lebih baik tetapi juga pada kepuasan pelanggan yang lebih tinggi, yang pada gilirannya akan berkontribusi pada keberlanjutan dan daya saing perusahaan dalam jangka panjang.

Sumber: Kuo, R. J., Wibowo, B. S., & Zulvia, F. E. (2016). Application of a fuzzy ant colony system to solve the dynamic vehicle routing problem with uncertain service time. Applied Mathematical Modelling, 40(23-24), 9990-10001.