Pendahuluan

Seiring meningkatnya e-commerce dan tuntutan pengiriman cepat, last mile delivery menghadapi tantangan besar dalam hal biaya, efisiensi, dan keberlanjutan lingkungan. Paper ini membahas solusi inovatif untuk mengatasi masalah ini, termasuk penggunaan kendaraan listrik, drone, pusat konsolidasi perkotaan (UCC), dan smart lockers.

Tantangan Last Mile Delivery

• Biaya tinggi: Last mile delivery mencakup lebih dari 50% total biaya logistik e-commerce.
• Polusi & kemacetan: Kendaraan pengiriman berkontribusi pada peningkatan CO₂ dan kepadatan lalu lintas.
• Efisiensi operasional: Banyak pengiriman gagal akibat ketidakhadiran penerima atau keterbatasan rute.

Solusi Berkelanjutan untuk Last Mile Logistics

1. Smart Lockers: Efisiensi & Reduksi Biaya

• Studi Kasus: Amazon Hub Locker
  • Menyediakan lokasi penyimpanan paket yang dapat diambil pelanggan kapan saja.
  • Mengurangi biaya logistik hingga 30% karena mengurangi pengiriman gagal.
  • Meningkatkan efisiensi dengan mengurangi emisi CO₂ hingga 21% dibandingkan pengiriman rumah.
• Kelebihan:
  • Mengurangi lalu lintas kendaraan karena kurir mengantarkan paket dalam jumlah besar ke satu lokasi.
  • Fleksibilitas bagi pelanggan untuk mengambil paket kapan saja tanpa harus menunggu kurir.

2. Kendaraan Listrik: Mengurangi Emisi & Biaya Operasional

• Studi Kasus: IKEA Retail
  • Menargetkan 100% pengiriman menggunakan kendaraan listrik pada 2025.
  • Di Shanghai, IKEA telah mencapai 100% pengiriman bebas emisi.
  • Efisiensi biaya: Pemeliharaan kendaraan listrik lebih murah dibanding diesel.
• DHL Cubicycle (Cargo Bike)
  • Menggunakan sepeda listrik empat roda dengan kapasitas 125 kg.
  • Mengurangi emisi CO₂ hingga 30% dibandingkan van diesel.
  • Meningkatkan fleksibilitas pengiriman di perkotaan yang memiliki aturan ketat bagi kendaraan bermotor.

3. Urban Consolidation Centers (UCCs): Optimalisasi Rantai Pasok

• Studi Kasus: DHL di Barcelona
  • Mengurangi jumlah kendaraan pengiriman di dalam kota hingga 30%.
  • Menurunkan emisi CO₂ sebesar 25% dan meningkatkan efisiensi rute distribusi.
  • Mempercepat waktu pengiriman karena pengemasan dan pengiriman dilakukan dalam satu pusat distribusi.

4. Drone Delivery: Masa Depan Logistik

• Studi Kasus: Amazon Prime Air
  • Menggunakan drone untuk pengiriman dalam waktu kurang dari 30 menit.
  • Mengurangi emisi karbon hingga 40% dibandingkan kendaraan darat.
  • Kendala utama: regulasi penerbangan dan kapasitas muatan terbatas.
• Wing (Google)
  • Mengembangkan sistem pengiriman berbasis drone di AS, Australia, dan Finlandia.
  • Mengurangi kemacetan lalu lintas dan mempercepat pengiriman barang ringan.

5. Packaging Ramah Lingkungan & Manajemen Limbah

• Studi Kasus: Carlsberg Group
  • Mengurangi limbah kemasan hingga 30% dengan material daur ulang.
  • Menggunakan sistem pengumpulan botol kaca untuk meningkatkan tingkat daur ulang.
  • Kemasan lebih ringan mengurangi biaya transportasi dan konsumsi energi.

Kesimpulan & Rekomendasi

Paper ini menunjukkan bahwa solusi berkelanjutan dalam last mile delivery dapat mengurangi biaya, meningkatkan efisiensi, dan meminimalkan dampak lingkungan.

Rekomendasi untuk Industri Logistik & E-commerce

✅ Adopsi kendaraan listrik & AI untuk mengoptimalkan rute dan mengurangi emisi.
✅ Pengembangan smart lockers untuk mengurangi pengiriman gagal dan meningkatkan kepuasan pelanggan.
✅ Implementasi pusat konsolidasi perkotaan (UCCs) untuk meningkatkan efisiensi distribusi.
✅ Kolaborasi dengan pemerintah untuk mempercepat regulasi drone dan kendaraan otonom.

Dengan strategi yang tepat, masa depan last mile delivery akan lebih cepat, efisien, dan ramah lingkungan.

Sumber Artikel:
[SLD18.pdf] – Sustainable Solutions in Last Mile Logistics

Pendahuluan

Last mile delivery memainkan peran krusial dalam e-commerce, tetapi juga berkontribusi pada kemacetan, emisi karbon, dan biaya logistik tinggi. Paper ini mengeksplorasi berbagai solusi green logistics seperti kendaraan listrik (EV), drone, pusat distribusi perkotaan (UCC), dan smart grids untuk menciptakan sistem pengiriman yang lebih efisien dan ramah lingkungan.

Tantangan Last Mile Delivery

• Polusi & kemacetan: Kendaraan pengiriman menyumbang 30% emisi CO₂ perkotaan.
• Biaya tinggi: Mencakup lebih dari 50% total biaya logistik e-commerce.
• Efisiensi rendah: Banyak pengiriman gagal atau tertunda akibat sistem logistik konvensional.

Solusi Logistik Hijau dalam Last Mile Delivery

1. Kendaraan Listrik (EV) & Pengurangan Emisi

• Studi Kasus: DHL & UPS
  • DHL telah mengadopsi Cubicycle, sepeda kargo listrik yang mengurangi emisi hingga 30% dibandingkan van diesel.
  • UPS menggunakan truk listrik & hybrid di Eropa, menghemat hingga 50% biaya bahan bakar.
• Keunggulan EV dalam Logistik Hijau
  ✅ Bebas emisi karbon dengan efisiensi bahan bakar lebih tinggi.
  ✅ Biaya operasional lebih rendah dibanding kendaraan diesel.
  ✅ Didukung regulasi ramah lingkungan di Eropa dan Amerika Utara.

2. Urban Consolidation Centers (UCCs) untuk Efisiensi Distribusi

• Studi Kasus: Barcelona & London
  • Barcelona mengurangi jumlah kendaraan pengiriman di kota hingga 30% dengan UCC.
  • London menurunkan emisi karbon sebesar 25% dengan optimasi pusat distribusi.
• Keuntungan UCCs
  ✅ Mengurangi jumlah perjalanan pengiriman dalam kota.
  ✅ Memungkinkan penggunaan EV & sepeda kargo untuk pengiriman jarak pendek.
  ✅ Meningkatkan efisiensi rute distribusi dengan sistem berbasis AI.

3. Drone Delivery: Masa Depan Logistik Cepat & Ramah Lingkungan

• Studi Kasus: Amazon Prime Air & Wing (Google)
  • Amazon Prime Air: Pengiriman drone dapat menghemat 40% emisi karbon dibandingkan kendaraan darat.
  • Wing (Google): Mengoperasikan layanan drone di AS, Australia, dan Finlandia dengan sukses.
• Tantangan & Solusi
  ❌ Regulasi penerbangan membatasi penggunaan drone di beberapa negara.
  ✅ Integrasi drone dengan kendaraan otonom untuk meningkatkan jangkauan pengiriman.

4. Smart Grids & Pengisian EV Berbasis Energi Terbarukan

• Studi Kasus: Tesla Supercharger & Grid Eropa
  • Tesla telah membangun jaringan Supercharger berbasis energi matahari untuk mendukung EV.
  • Di Eropa, beberapa kota mengadopsi smart grids untuk mendukung pengisian kendaraan listrik dari sumber energi hijau.
• Manfaat Smart Grids dalam Logistik
  ✅ Mengurangi ketergantungan pada bahan bakar fosil.
  ✅ Mengoptimalkan biaya listrik dengan pemanfaatan energi terbarukan.

Kesimpulan & Rekomendasi

Paper ini membuktikan bahwa logistik hijau dalam last mile delivery dapat mengurangi emisi, meningkatkan efisiensi, dan mengoptimalkan biaya.

Rekomendasi untuk E-commerce & Perusahaan Logistik

✅ Adopsi kendaraan listrik & AI untuk optimasi rute pengiriman.
✅ Pengembangan pusat distribusi perkotaan (UCCs) untuk mengurangi kemacetan.
✅ Investasi dalam smart grids & energi terbarukan untuk mendukung keberlanjutan logistik.
✅ Kolaborasi dengan regulator untuk mempercepat adopsi drone dan kendaraan otonom.

Dengan strategi yang tepat, last mile delivery dapat menjadi lebih cepat, efisien, dan berkelanjutan.

Sumber Artikel:
Saleh, M. (2017). Green Logistics in Last Mile Delivery (B2C E-Commerce). Politecnico di Milano.

Pendahuluan

Dalam era digital dan pertumbuhan e-commerce yang pesat, tantangan dalam rantai pasok semakin kompleks, terutama dalam last mile delivery—tahap akhir pengiriman barang ke pelanggan. Paper ini membahas berbagai solusi inovatif untuk meningkatkan efisiensi last mile delivery, seperti drone, kendaraan otomatis (AGV), droid, pengiriman dalam kendaraan (in-car delivery), hingga smart lockers. Dengan menggunakan model Hau Lee, penelitian ini mengidentifikasi faktor kritis keberhasilan (Critical Success Factors - CSF) yang mempengaruhi efektivitas berbagai metode pengiriman.

Konsep Last Mile Delivery

Last mile delivery mencakup semua proses dari pusat distribusi terakhir hingga ke tangan pelanggan. Beberapa tantangan utama yang dihadapi dalam proses ini antara lain:

• Biaya tinggi: Mencakup lebih dari 50% total biaya logistik e-commerce.
• Kecepatan pengiriman: Konsumen menginginkan pengiriman yang lebih cepat, bahkan di hari yang sama (same-day delivery).
• Keberlanjutan: Emisi karbon dari kendaraan pengiriman perlu ditekan untuk mencapai rantai pasok yang lebih ramah lingkungan.

Untuk menjawab tantangan ini, paper ini mengusulkan berbagai solusi berbasis otomatisasi dan digitalisasi.

Metodologi Penelitian

Penelitian ini menggunakan pendekatan studi kasus dan analisis literatur terhadap solusi otomasi dalam last mile delivery. Model Hau Lee diterapkan untuk menilai keseimbangan antara permintaan pelanggan dan ketersediaan layanan logistik. Studi ini juga mengeksplorasi CSF dari berbagai metode pengiriman yang diuji dalam industri logistik, e-commerce, dan makanan.

Studi Kasus & Data Empiris

1. Drone Delivery: Solusi Cepat & Efektif

• Studi Kasus: Amazon Prime Air
  • Menggunakan drone untuk pengiriman dalam waktu kurang dari 30 menit.
  • Mengurangi emisi karbon hingga 40% dibandingkan kendaraan darat.
  • Kendala utama: regulasi penerbangan dan kapasitas muatan terbatas.
• Efektivitas Drone
  • Cocok untuk daerah perkotaan dengan lalu lintas padat dan lokasi sulit dijangkau.
  • Reduksi biaya operasional hingga 25% dibandingkan kendaraan konvensional.

2. Kendaraan Otonom (AGV) untuk Distribusi Efisien

• Studi Kasus: Ford & Nuro
  • Ford mengembangkan AGV untuk distribusi ritel tanpa pengemudi.
  • Nuro, startup kendaraan otonom, berhasil mengurangi biaya tenaga kerja hingga 60%.
  • Tantangan utama: investasi awal tinggi dan keterbatasan infrastruktur jalan.
• Dampak Penggunaan AGV
  • Mempercepat pengiriman di wilayah urban hingga 35%.
  • Mengurangi konsumsi bahan bakar sebesar 20% dibandingkan kendaraan konvensional.

3. Smart Lockers: Solusi untuk Efisiensi Logistik

• Studi Kasus: Amazon & Alibaba
  • Amazon Hub Locker dan Cainiao Smart Locker (Alibaba) meningkatkan fleksibilitas pelanggan dalam mengambil paket kapan saja.
  • Mengurangi biaya logistik hingga 30% karena meminimalkan perjalanan pengiriman gagal.
  • Hemat 50% biaya tenaga kerja dibandingkan dengan pengiriman door-to-door.
• Keuntungan Smart Lockers
  • Mengurangi kemacetan akibat pengiriman individu.
  • Meningkatkan pengalaman pelanggan dengan kemudahan akses 24/7.

4. Pengiriman dengan Droid & In-Car Delivery

• Droid Delivery: Starship Technologies
  • Menggunakan robot kecil untuk mengantarkan paket dalam radius 5 km.
  • Mengurangi emisi karbon hingga 80% dibandingkan kendaraan bermotor.
• In-Car Delivery: Volvo & Amazon Key
  • Pelanggan dapat menerima paket langsung di bagasi mobil mereka.
  • Meningkatkan tingkat keberhasilan pengiriman hingga 95% dibandingkan pengiriman ke rumah.

Tantangan & Solusi Implementasi

1. Regulasi & Keamanan
   • Penggunaan drone dan kendaraan otonom masih dibatasi oleh regulasi penerbangan dan lalu lintas.
   • Solusi: Kolaborasi dengan pemerintah untuk mengembangkan regulasi yang mendukung inovasi.
2. Investasi Teknologi yang Tinggi
   • Kendaraan otonom dan smart lockers membutuhkan investasi besar di awal.
   • Solusi: Model bisnis berbasis sewa atau kemitraan dengan startup teknologi.
3. Adopsi Konsumen & Kepercayaan Publik
   • Pelanggan mungkin masih ragu menggunakan pengiriman otomatis.
   • Solusi: Kampanye edukasi dan uji coba gratis untuk meningkatkan kepercayaan pengguna.

Kesimpulan & Rekomendasi

Paper ini menyoroti bahwa otomatisasi dalam last mile delivery memiliki potensi besar untuk mengurangi biaya, meningkatkan kecepatan pengiriman, dan mengurangi dampak lingkungan. Adopsi teknologi seperti drone, AGV, smart lockers, dan droid delivery dapat meningkatkan efisiensi rantai pasok secara signifikan.

Rekomendasi untuk Industri Logistik & E-commerce

✅ Investasi dalam teknologi otonom & AI untuk meningkatkan efisiensi pengiriman.
✅ Peningkatan infrastruktur smart lockers untuk mengurangi ketergantungan pada pengiriman individu.
✅ Kolaborasi dengan regulator untuk mempercepat adopsi teknologi baru.
✅ Edukasi pelanggan untuk meningkatkan penerimaan terhadap metode pengiriman otomatis.

Dengan strategi yang tepat, masa depan last mile delivery akan lebih cepat, efisien, dan ramah lingkungan.

Sumber Artikel:
[SLD17.pdf] – Soluzioni delle modalità di Last Mile Delivery

Pendahuluan

Last mile delivery dalam B2C e-commerce menghadapi tantangan besar, terutama dalam pengiriman gagal akibat ketidakhadiran pelanggan. Masalah ini meningkatkan biaya operasional, memperpanjang waktu pengiriman, dan menurunkan kepuasan pelanggan.

Paper ini membahas solusi inovatif menggunakan smart keys berbasis IoT yang memungkinkan kurir mengakses rumah pelanggan dengan aman, sehingga mengurangi tingkat pengiriman gagal dan biaya logistik.

Tantangan Last Mile Delivery

• Biaya tinggi: Menyumbang hingga 50% dari total biaya logistik e-commerce.
• Pengiriman gagal: 11% dari total pengiriman tidak berhasil karena pelanggan tidak ada di rumah.
• Efisiensi rute: Perusahaan logistik kesulitan merancang rute optimal akibat pengiriman yang tertunda.

Solusi: Implementasi Smart Keys dalam Last Mile Delivery

1. Smart Keys: Teknologi IoT untuk Pengiriman Aman

• Bagaimana Cara Kerjanya?
  • Kurir mendapat akses sementara ke rumah pelanggan melalui smart lock yang dikendalikan oleh IoT.
  • Pelanggan bisa memantau pengiriman secara real-time melalui kamera dan aplikasi ponsel.
• Keuntungan Smart Keys
  ✅ Mengurangi pengiriman gagal hingga 100% karena kurir dapat masuk meski pelanggan tidak ada di rumah.
  ✅ Memotong biaya pengiriman hingga 11% dibandingkan pengiriman tradisional.
  ✅ Meningkatkan efisiensi kurir dengan mengurangi waktu tunggu dan optimasi rute.

2. Studi Kasus: Penggunaan Smart Keys di Milan

• Metodologi: Simulasi dilakukan pada 80 titik pengiriman di Milan, membandingkan pengiriman tradisional vs. smart key.
• Hasil utama:
  ✅ Pada skenario dengan 25% rumah menggunakan smart key, tingkat pengiriman gagal turun dari 11% ke 7%.
  ✅ Dengan 100% adopsi smart key, pengiriman gagal turun hingga 0%, menghemat biaya operasional 10%.
  ✅ Biaya per pengiriman sukses turun dari €2,14 menjadi €1,91, menghasilkan penghematan signifikan bagi perusahaan logistik.

3. Model Optimasi Rute (VRPSK)

• VRPSK (Vehicle Routing Problem with Smart Keys) dikembangkan untuk mengoptimalkan rute kurir berdasarkan kemungkinan keberhasilan pengiriman.
• Keunggulan Model:
  ✅ Meminimalkan jarak tempuh, mengurangi konsumsi bahan bakar.
  ✅ Menjadwalkan kurir ke rumah dengan tingkat keberhasilan tertinggi.

Tantangan & Solusi Implementasi

1. Keamanan & Privasi
   • Beberapa pelanggan masih ragu untuk memberikan akses ke rumah mereka.
   • Solusi: Sistem enkripsi & pengawasan kamera memastikan pengiriman aman.
2. Biaya Implementasi Smart Keys
   • Harga perangkat dan infrastruktur masih relatif mahal.
   • Solusi: Model bisnis berbasis sewa atau subsidi dari e-commerce besar.
3. Adopsi Konsumen
   • Perlu edukasi untuk membangun kepercayaan pengguna.
   • Solusi: Uji coba gratis & kampanye pemasaran berbasis pengalaman pelanggan.

Kesimpulan & Rekomendasi

Paper ini membuktikan bahwa adopsi smart keys berbasis IoT dapat mengoptimalkan last mile delivery dengan mengurangi biaya hingga 11% dan meningkatkan efisiensi logistik.

✅ Kolaborasi dengan e-commerce besar untuk mempercepat adopsi teknologi ini.
✅ Mengintegrasikan smart key dengan AI & IoT untuk analisis rute yang lebih cerdas.
✅ Kampanye edukasi pelanggan untuk meningkatkan kepercayaan terhadap sistem smart key.

Dengan strategi ini, last mile delivery dapat menjadi lebih efisien, ekonomis, dan ramah lingkungan.

Sumber Artikel:
Seghezzi A., Siragusa C., Mangiaracina R., Tumino A. (2024). Logistics 4.0 & e-commerce: evaluating the impacts of smart keys on last-mile delivery. Politecnico di Milano.

Pendahuluan

Last-mile delivery adalah tahap terakhir dalam rantai pasok yang paling mahal dan menantang, menyumbang lebih dari 50% total biaya pengiriman. Tantangan utama dalam sektor ini meliputi kemacetan lalu lintas, emisi karbon tinggi, dan ketidakefisienan rute pengiriman. Studi ini membahas solusi berbasis multi-criteria optimization yang mengintegrasikan smart lockers otomatis, jaringan distribusi kapiler (capillary distribution), dan crowdshipping untuk meningkatkan efisiensi, keberlanjutan, dan fleksibilitas operasional dalam logistik kota.

Konsep Optimasi Last-Mile Delivery

Penelitian ini menawarkan tiga pendekatan utama untuk meningkatkan efisiensi last-mile delivery:

1. Smart Lockers Otomatis

✅ Pengurangan Biaya Logistik: Pengiriman ke smart lockers lebih murah 15%-30% dibandingkan pengiriman langsung ke rumah pelanggan.
✅ Keamanan & Fleksibilitas: Konsumen dapat mengambil paket kapan saja dengan kode unik, mengurangi risiko kehilangan atau pencurian paket.
✅ Dampak Lingkungan Positif: Mengurangi jumlah kendaraan kurir yang beroperasi di dalam kota, menekan emisi karbon hingga 20%.

2. Capillary Distribution

✅ Distribusi berbasis mikro-hub: Menggunakan titik distribusi kecil yang tersebar di area perkotaan untuk mempersingkat jarak pengiriman.
✅ Peningkatan Efisiensi Rute: Mengurangi waktu perjalanan kurir hingga 40% dengan memanfaatkan infrastruktur transportasi umum dan lokasi strategis.

3. Crowdshipping

✅ Memanfaatkan Komunitas untuk Pengiriman: Sistem berbasis sharing economy di mana individu membawa paket saat bepergian.
✅ Pengurangan Biaya Operasional: Menghemat biaya tenaga kerja dan kendaraan dengan memberdayakan individu untuk mengantarkan paket.

Metodologi Penelitian

Penelitian ini menggunakan model optimasi multi-kriteria, yang mempertimbangkan faktor seperti biaya, waktu pengiriman, kapasitas kendaraan, dan efisiensi sumber daya. Studi kasus dilakukan di Wrocław, Polandia, yang memiliki lebih dari 400 smart lockers tersebar di 78 distrik.

Studi Kasus & Hasil Empiris

1. Implementasi Smart Lockers di Polandia

✅ Penghematan Biaya: Pengiriman dari locker ke locker 30% lebih murah dibanding pengiriman langsung ke rumah.
✅ Reduksi Emisi Karbon: Smart lockers membantu mengurangi penggunaan kendaraan kurir hingga 25%, yang berdampak langsung pada penurunan polusi udara.
✅ Peningkatan Keamanan Paket: Dengan metode ini, kasus kehilangan atau pencurian paket turun hingga 50%.

2. Optimasi Distribusi dengan Capillary Distribution

✅ Reduksi Waktu Perjalanan: Dengan jaringan distribusi berbasis mikro-hub, waktu pengiriman berkurang hingga 40% dibanding model konvensional.
✅ Peningkatan Ketersediaan Paket: Pelanggan bisa mendapatkan paket lebih cepat karena paket disimpan di titik-titik yang lebih dekat.

3. Efektivitas Crowdshipping dalam Pengiriman Last-Mile

✅ Efisiensi Biaya: Memanfaatkan kapasitas kendaraan pribadi yang tidak terpakai, menghemat hingga 20% biaya logistik.
✅ Peningkatan Fleksibilitas Pengiriman: Memungkinkan pengiriman yang lebih cepat dan fleksibel karena adanya partisipasi masyarakat dalam sistem logistik.

Tantangan & Solusi Implementasi

1. Kendala Integrasi Digital

🚧 Masalah: Banyak perusahaan masih menggunakan sistem logistik konvensional.
💡 Solusi: Investasi dalam AI, IoT, dan blockchain untuk meningkatkan transparansi dan efisiensi operasional.

2. Biaya Implementasi yang Tinggi

🚧 Masalah: Pengadaan smart lockers dan sistem crowdshipping membutuhkan investasi awal besar.
💡 Solusi: Model Software-as-a-Service (SaaS) untuk mengurangi biaya modal awal bagi perusahaan logistik.

3. Regulasi & Kebijakan Kota

🚧 Masalah: Kebijakan lalu lintas dan regulasi pengiriman sering berubah-ubah.
💡 Solusi: Kolaborasi dengan pemerintah kota untuk menciptakan kebijakan yang mendukung logistik pintar dan berkelanjutan.

Kesimpulan & Rekomendasi

Penelitian ini menegaskan bahwa kombinasi smart lockers, capillary distribution, dan crowdshipping dapat meningkatkan efisiensi, menekan biaya, dan mengurangi dampak lingkungan dalam logistik kota.

📌 Rekomendasi utama untuk implementasi sukses:
✅ Mengintegrasikan smart lockers secara luas di area perkotaan untuk mengurangi pengiriman langsung ke rumah.
✅ Menggunakan data real-time dan AI untuk optimasi rute dan distribusi paket.
✅ Mendukung kebijakan smart city yang inklusif dan berbasis data.

Dengan penerapan strategi ini, industri logistik dapat menekan biaya operasional, mengurangi emisi karbon, dan meningkatkan kepuasan pelanggan, menjadikan last-mile delivery lebih efisien dan berkelanjutan.

Sumber Artikel: Sawik, Bartosz (2024). Optimizing Last-Mile Delivery: A Multi-Criteria Approach with Automated Smart Lockers, Capillary Distribution and Crowdshipping. Logistics 2024, 8, 52.

Pendahuluan

Dalam era digitalisasi, industri logistik menghadapi tantangan besar dalam mengoptimalkan proses pengiriman barang. Last Mile Delivery menjadi tahap paling kompleks dan mahal dalam rantai pasok ,terutama karena faktor eksternal seperti kemacetan lalu lintas dan keterlambatan operasional. Untuk mengatasi tantangan ini, implementasi kecerdasan buatan (Artificial Intelligence - AI) menawarkan solusi inovatif.

Penelitian ini membahas bagaimana model klasifikasi berbasis Machine Learning dapat meningkatkan efisiensi pengambilan keputusan dalam pemantauan real-time pengiriman paket. Studi kasus yang dilakukan di perusahaan logistik besar di Belanda menunjukkan bahwa penerapan model Random Forest dapat meningkatkan akurasi prediksi kebutuhan penjadwalan ulang hingga 93,6%, memungkinkan pengambilan keputusan yang lebih cepat dan efektif oleh tim operasional.

Tantangan dalam Last Mile Delivery

Sistem pemantauan real-time dalam logistik sering menghadapi beberapa kendala utama:

1. Ketergantungan pada Pemantauan Manual – Banyak keputusan penjadwalan ulang masih dibuat berdasarkan pengalaman dan intuisi pegawai, sehingga rentan terhadap kesalahan.
2. Kelelahan Operator Control Room – Pegawai harus memantau ratusan perjalanan setiap hari, menyebabkan kesulitan dalam mendeteksi perjalanan yang bermasalah.
3. Kurangnya Integrasi Teknologi AI – Meskipun data tersedia secara real-time, belum banyak perusahaan yang mengimplementasikan algoritma prediksi otomatis dalam sistem pemantauan mereka.

Metode Penelitian dan Implementasi AI dalam Pemantauan Real-Time

1. Pemanfaatan Data Real-Time untuk Keputusan Otomatis

Penelitian ini dilakukan di perusahaan logistik besar yang menangani 1,1 juta paket per hari di wilayah Benelux. Sistem pemantauan real-time mereka masih bergantung pada pemantauan manual yang memakan waktu dan tidak efisien.

Untuk mengatasi hal ini, tim peneliti mengembangkan model klasifikasi berbasis Random Forest yang mampu menganalisis pola perjalanan dan mendeteksi kapan perjalanan membutuhkan penjadwalan ulang. Data yang digunakan meliputi:

• Perencanaan awal perjalanan – Informasi mengenai rute dan waktu tempuh yang diharapkan.
• Event real-time dari lapangan – Data dari perangkat GPS dan pemindai paket yang mencatat setiap peristiwa selama perjalanan.
• Data reschedule historis – Informasi perjalanan yang mengalami perubahan rute di masa lalu.

2. Pemilihan Model Machine Learning

Dari enam model klasifikasi yang diuji, empat model dengan performa terbaik dipilih:

• Decision Tree
• Random Forest
• Naïve Bayes
• Neural Network

Hasil pengujian menunjukkan bahwa Random Forest memberikan performa terbaik dengan F1-score sebesar 85,8%, yang kemudian meningkat menjadi 93,6% setelah optimasi fitur dan teknik resampling.

Hasil dan Dampak Implementasi AI dalam Logistik

Studi ini menunjukkan bahwa penerapan model Random Forest memberikan dampak signifikan terhadap efisiensi pengambilan keputusan dalam pemantauan real-time.

• Akurasi Prediksi Meningkat – Model mampu mendeteksi 94% kasus di mana perjalanan benar-benar membutuhkan penjadwalan ulang, dengan tingkat kesalahan hanya 1 dari 20 keputusan.
• Pengurangan Beban Kerja Operator – Dengan sistem prediksi otomatis, pegawai tidak lagi harus memantau setiap perjalanan secara manual, memungkinkan mereka untuk fokus pada tugas yang lebih strategis.
• Peningkatan Efisiensi Operasional – Waktu yang dibutuhkan untuk memproses satu juta sampel hanya 10 detik, memungkinkan perusahaan merespons perubahan secara instan.

Studi Kasus: Implementasi AI di Perusahaan Logistik Belanda

Perusahaan ini menghadapi masalah utama dalam memantau ribuan perjalanan setiap hari. Sebelum implementasi AI, operator harus secara manual mencari perjalanan yang bermasalah, menyebabkan kesalahan identifikasi sebesar 32:1 antara perjalanan yang bermasalah dan tidak.

Setelah implementasi model Random Forest, hasil yang diperoleh adalah:

• Peningkatan akurasi deteksi perjalanan bermasalah dari 85,8% menjadi 93,6%
• Penurunan kesalahan reschedule hingga 99,8%
• Pengurangan waktu pemrosesan data dari 20 menit menjadi 10 detik untuk satu juta sampel

Dampak positif ini memungkinkan perusahaan untuk mengembangkan sistem pemantauan yang lebih cerdas, dengan potensi ekspansi ke departemen lain dalam organisasi.

Tantangan dan Solusi dalam Implementasi AI di Logistik

1. Keseimbangan Data (Class Imbalance)

Tantangan utama dalam pengembangan model adalah jumlah data tidak seimbang antara perjalanan yang memerlukan reschedule dan yang tidak (rasio 32:1).
Solusi: Menggunakan teknik resampling untuk menambah sampel dari kelas minoritas, sehingga model dapat lebih akurat dalam mengenali pola perjalanan yang bermasalah.

2. Pemilihan Fitur yang Relevan

Model awal menggunakan berbagai fitur, tetapi tidak semuanya berkontribusi signifikan terhadap prediksi.
Solusi: Hanya menggunakan empat fitur numerik terbaik, meningkatkan akurasi prediksi hingga 4% lebih tinggi.

3. Integrasi dengan Sistem yang Ada

Mengimplementasikan model AI dalam sistem yang sudah berjalan membutuhkan penyesuaian agar kompatibel dengan infrastruktur yang ada.
Solusi: Mengembangkan model yang dapat dengan mudah diintegrasikan dengan aplikasi pemantauan real-time yang sedang dibangun oleh tim IT perusahaan.

Kesimpulan & Rekomendasi

Berdasarkan studi ini, dapat disimpulkan bahwa implementasi Machine Learning dalam pemantauan Last Mile Delivery dapat memberikan keuntungan signifikan, termasuk:

✅ Peningkatan akurasi deteksi perjalanan bermasalah hingga 93,6%
✅ Pengurangan waktu pemantauan dan pengambilan keputusan secara manual
✅ Peningkatan efisiensi operasional melalui pengolahan data real-time

Rekomendasi bagi perusahaan logistik yang ingin mengadopsi AI dalam pemantauan pengiriman:

1. Gunakan model Machine Learning berbasis klasifikasi untuk mendeteksi perjalanan bermasalah secara otomatis.
2. Optimalkan fitur data yang digunakan untuk meningkatkan akurasi prediksi.
3. Gunakan teknik resampling untuk menangani ketidakseimbangan data dalam model AI.
4. Integrasikan model AI dengan sistem pemantauan real-time agar proses reschedule dapat berjalan otomatis.

Dengan strategi ini, perusahaan logistik dapat meningkatkan efisiensi dan kualitas layanan mereka, sekaligus mengurangi biaya operasional dalam jangka panjang.

Sumber Artikel:

Zwienenberg, I.B. (2022). Improving real-time decision-making in the last-mile delivery by applying a classification model. Master Thesis, University of Twente.