Accounting Research Journal of Sutaatmadja (ACCRUALS) Volume 09 Nomor 01 Tahun 2025 (Hal : 15-.
DOI : .
ttps://doi.
org/10.
35310/accruals.
https://ojs.
id/index.
php/accruals/index ISSN 2614-5286 (Prin.
ISSN 2615-0409 (Onlin.
How Can Product Delivery Efficiency Be Improved? A Comparative Study Between the Shortest Path Method and Vehicle Routing Problem with Pool Clustering Implementation in Kukami Delivery Subang Muhammad Ridlan Akbar1.
Didit Damur Rochman2 1Magister Program in Management Science.
Widyatama University.
Indonesia 2Department of Management Science.
Widyatama University.
Indonesia Email: ridlan@stiesa.
INFO ARTIKEL
ABSTRACT
Histori Artikel :
Tgl.
Masuk : 02-22-2024 Tgl.
Diterima : 07-12-2024 Tersedia Online : 30-03-2025 Keywords:
Due to the volume of orders and network complexity.
KUKAMI Delivery faces high operational costs and suboptimal routing using the Shortest Path Method.
This method often results in inefficient routes in terms of distance because the starting points could be more optimal.
Therefore, a more practical approach is needed to improve route efficiency.
This study compares two route optimization methods: the Shortest Path Method and the Vehicle Routing Problem (VRP) with the Saving Matrix approach and Pool Clustering.
The latter technique groups partners or suppliers within specific areas, facilitating more efficient rider assignments.
The results of this study are significant for KUKAMI Delivery.
They show that the Shortest Path Method can improve distance and operational costs by 8.
54% for inter-cluster and cross-cluster routes.
However, applying the VRP with the Saving Matrix Method and Pool Clustering can further enhance distance and operational efficiency by 3.
36% compared to the Shortest Path Method.
These findings provide valuable insights for enhancing KUKAMI DeliveryAos operations better to meet the growing demand in the local delivery industry.
Efisiensi Operasional.
Shortest Path Method.
Vehicle Routing Problem (VRP).
Pool Clustering.
Pengiriman Produk.
Akuntansi Manajemen
PENDAHULUAN
Industri pengiriman di Indonesia telah mengalami pertumbuhan yang signifikan dalam beberapa tahun terakhir, terutama seiring dengan pesatnya perkembangan ecommerce.
Dengan semakin banyaknya platform e-commerce yang beroperasi, mayoritas pengiriman saat ini didominasi oleh paket kecil yang sering kali terkait dengan pesanan dari berbagai segmen, termasuk online retail, marketplace, dan sistem pembayaran.
Pertumbuhan ini tidak hanya menciptakan peluang bisnis yang luas, tetapi juga menimbulkan tantangan besar dalam hal pengelolaan logistik yang efisien dan handal.
Kebutuhan akan infrastruktur logistik yang mampu mendukung pengiriman yang semakin meningkat menjadi sangat penting.
Dalam konteks ini, efisiensi pengiriman produk menjadi salah satu faktor kunci yang dapat menentukan keberhasilan suatu usaha, terutama bagi Usaha Mikro.
Kecil, dan Menengah (UMKM) seperti KUKAMI Delivery di Kabupaten Subang.
KUKAMI
Delivery, yang menawarkan layanan antar penumpang, barang, dan produk belanja, harus mampu mengelola sumber daya dan memenuhi ekspektasi pelanggan yang terus Penelitian menganalisis efisiensi pengiriman produk Volume 09.
No.
01 Ae Maret dengan membandingkan dua metode, yaitu Shortest Path Method dan Vehicle Routing Problem, serta menerapkan Pool Clustering dalam konteks KUKAMI Delivery.
Dengan melakukan analisis terhadap 18.
transaksi yang terjadi, diharapkan penelitian ini dapat memberikan wawasan yang berharga bagi pengelolaan logistik dan pengiriman di era digital ini, serta memberikan rekomendasi yang dapat meningkatkan kinerja operasional KUKAMI Delivery.
KERANGKA TEORITIS DAN
PENGEMBANGAN HIPOTESIS
Optimasi Rute Pengiriman Optimasi rute pengiriman adalah proses yang bertujuan untuk menentukan jalur pengiriman yang paling efisien, sehingga dapat mengurangi biaya dan waktu perjalanan.
Menurut penelitian terbaru, optimasi rute pengiriman sangat penting dalam konteks e-commerce, di mana efisiensi dalam pengiriman barang dapat berdampak langsung pada kepuasan pelanggan dan keberhasilan bisnis (Husni et , 2.
Beberapa metode yang digunakan untuk memecahkan masalah optimasi rute pengiriman meliputi algoritma genetika, algoritma ant colony optimization, dan algoritma generate and test.
Tujuan utama dari optimasi rute pengiriman adalah untuk mengurangi jarak tempuh total, biaya pengiriman, dan meningkatkan tingkat Shortest Path Method.
Algoritma Djikstra Algoritma Dijkstra merupakan salah satu algoritma yang efektif dalam memberikan lintasan terpendek dari suatu lokasi ke lokasi yang lainnya.
Prinsip dari algoritma Dijkstra adalah mencari titik lokasi dengan pencarian dua lintasan yang paling Pada setiap iterasi, jarak titik yang diketahui .
ari titik awa.
diperbaharui bila ternyata didapat titik yang baru yang memberikan jarak terpendek.
Syarat algoritma ini adalah bobot sisinya yang harus non-negatif.
(Satyananda, 2012:.
Sebelum penyelesaian dengan Algoritma Dijkstra, penting untuk mengetahui jarak antar titik.
Salah satu metode yang dapat digunakan adalah rumus Haversine.
Formula tersebut digunakan untuk menentukan jarak antara dua titik di permukaan bumi.
Dalam metode ini, variabel yang digunakan adalah garis lintang .
dan garis bujur .
, dengan asumsi bahwa bumi berbentuk bulat Formula Haversine menghitung jarak lingkaran besar antara dua titik pada permukaan bola .
berdasarkan koordinat lintang dan bujur, dengan asumsi jari-jari bumi adalah 6.
367,45 km.
Posisi kedua titik tersebut dinyatakan dengan koordinat lintang dan bujur masing-masing, yaitu long1, lat1, dan long2, lat2.
Rumus Haversine dapat ditulis dengan persamaan sebagai berikut:
coycayc2 ycoycayc.
ycu = .
coycuycuyci2 Oe ycoycuycuyci.
O cos yc = .
coycayc2 Oe ycoycayc.
ya = Ooycu O ycu yc O yc O ycIa.
Dimana, x = Latitude/ Lintang Y = Longitude/Bujur D = Jarak R = Radius Bumi .
1 k.
Selain itu, perhitungan jarak dapat kalkulator jarak online yang tersedia, seperti di situs web w.
Alat ini memungkinkan perhitungan jarak antara dua titik berdasarkan koordinat lintang dan bujur secara cepat dan akurat, tanpa perlu perhitungan manual.
Vehicle Routing Problem Dalam buku The Vehicle Routing Problem karya Toth dan Vigo .
Vehicle Routing Problem (VRP) adalah masalah optimasi kombinatorial yang berkaitan dengan pencarian rute optimal untuk armada kendaraan dalam melayani seperti kapasitas kendaraan, batasan waktu, dan jarak.
Masalah ini telah mendapatkan banyak perhatian dalam bidang ilmu pengetahuan, dan beberapa varian masalah VRP telah dirumuskan dan VRP capacitated adalah varian yang Accounting Research Journal of Sutaatmadja (ACCRUALS) paling sederhana dan paling sering diuji, sementara varian lainnya seperti VRP dengan batasan jarak.
VRP dengan waktu jangka.
VRP dengan backhauls, dan VRP dengan pick up dan delivery (VRPPD) juga telah dikembangkan.
Berbagai model dan algoritma telah dirancang untuk menyelesaikan masalah VRP, termasuk model kendaraan, model komoditas, dan model pembagian set.
Masalah VRP memiliki aplikasi praktis transportasi, logistik, dan manajemen rantai pasokan (Toth & Vigo, 2.
Tujuan metode Vehicle Routing Problem (VRP) adalah untuk menemukan rute perjalanan yang paling efisien untuk melayani sejumlah lokasi tertentu.
Hal ini melibatkan optimasi penggunaan sumber daya, seperti waktu dan bahan bakar, serta meminimalkan biaya operasional.
Metode VRP bertujuan untuk mengatasi kendalakendala seperti kapasitas kendaraan, batasan jarak, dan batasan waktu, sambil memastikan semua lokasi terlayani (Toth & Vigo, 2.
Sebelum menentukan rute, perhitungan jarak pada metode Vehicle Routing Problem (VRP) juga dapat menggunakan formula Haversine.
Formula Haversine digunakan untuk menghitung jarak antara dua titik di permukaan bumi berdasarkan koordinat lintang dan bujur.
Capacitated VRP VRP Capacitated (CVRP) adalah varian paling umum yang dikaji dari Vehicle Routing Problem (VRP).
Dalam CVRP, setiap pelanggan mewakili pengiriman dan permintaan yang diketahui sebelumnya.
Kendaraan seragam dan berbasis di satu depot pusat, dengan satusatunya Tujuan utamanya adalah meminimalkan biaya total, yang merupakan fungsi dari jumlah rute dan panjang atau waktu perjalanan, untuk memenuhi semua permintaan pelanggan.
Dalam CVRP, setiap pelanggan memiliki permintaan pengiriman yang diketahui sebelumnya, dan rute perjalanan yang direncanakan harus memastikan kendaraan tidak Pencarian rute perjalanan yang paling efisien untuk mengantarkan pesanan ke sejumlah lokasi pelanggan menjadi inti dari CVRP.
Dalam berbagai aplikasinya di industri logistik, pengiriman, dan layanan jasa.
CVRP memberikan kontribusi dalam upaya perencanaan rute yang efisien.
VRP with Pick-Up and Delivery Vehicle Routing Problem with Pickup and Delivery (VRPPD) merupakan varian dari Vehicle Routing Problem (VRP) yang memperhitungkan kebutuhan pelanggan untuk penjemputan dan pengiriman.
Dalam VRPPD, setiap pelanggan memiliki jendela waktu, yaitu rentang waktu di mana kendaraan harus tiba di lokasi pelanggan.
Selain itu, kendaraan memiliki batasan kapasitas dan waktu tempuh untuk setiap Tujuan VRPPD menemukan rute paling efisien untuk mengantarkan pesanan ke beberapa lokasi batasan waktu, kapasitas kendaraan, dan jendela waktu pelanggan (Zakaria, 2.
VRPPD termasuk dalam masalah optimasi kombinatorial yang dikategorikan sebagai NP-sulit (NP-har.
Ini berarti tidak ada algoritma yang diketahui dapat menyelesaikan masalah ini dalam waktu polinomial untuk semua kasus.
Toth dan Vigo .
menjelaskan bahwa VRPPD memiliki tingkat kompleksitas yang tinggi dalam perencanaan rute kendaraan, yang membuat penyelesaiannya sulit dilakukan dalam waktu polinomial.
Ribeiro dan de Carvalho .
juga menegaskan bahwa VRPPD termasuk dalam kategori NP-sulit, menunjukkan bahwa tidak ada algoritma efisien yang dapat menyelesaikan masalah ini secara umum.
Open Vehicle Routing Problem Open Vehicle Routing Problem (OVRP) adalah varian dari Vehicle Routing Problem (VRP), yang merupakan masalah optimasi rute dalam bidang logistik dan transportasi.
OVRP bertujuan untuk menentukan rute optimal untuk setiap kendaraan yang beroperasi dari gudang .
ke pelanggan, dengan mempertimbangkan Volume 09.
No.
01 Ae Maret biaya, jarak, dan waktu.
Namun, pada OVRP, kendaraan tidak diperlukan untuk kembali ke gudang .
setelah selesai melakukan pengiriman.
Menurut Patel .
, "OVRP adalah masalah yang bertujuan untuk menentukan rute optimal untuk setiap kendaraan yang beroperasi dari gudang ke pelanggan, dengan mempertimbangkan biaya, jarak, dan waktuAy.
Open Vehicle Routing Problem with Pick Up and Delivery Open Vehicle Routing Problem with Pick Up and Delivery (OVRP-PD) adalah jenis masalah optimasi rute yang memerlukan kendaraan untuk mengambil (Pick U.
barang dari beberapa titik awal dan mengirimkannya .
ke lokasi tujuan, dengan memperhatikan urutan tugas yang ditetapkan.
Karakteristik utama dari OVRP-PD adalah bahwa kendaraan tidak perlu kembali ke depot setelah menyelesaikan fleksibilitas dalam perencanaan rute untuk meminimalkan jarak total atau waktu Masalah ini penting dalam industri logistik dan distribusi untuk meningkatkan efisiensi operasional dan mengoptimalkan penggunaan sumber daya transportasi dengan cara yang efektif dan Saving Matrix Method Metode Saving Matrix adalah algoritma yang digunakan untuk menentukan rute distribusi produk dengan meminimalkan jarak atau waktu transportasi.
Algoritma ini memberikan solusi yang efisien dalam perancangan rute, terutama pada masalah Vehicle Routing Problem (VRP), dengan mempertimbangkan faktor-faktor seperti waktu pengiriman dan kapasitas kendaraan (Toth & Vigo, 2.
Keunggulan metode saving matrix pada kemudahannya dimodifikasi jika terdapat batasan seperti waktu pengiriman, kapasitas kendaraan, jumlah kendaraan, atau batasan lainnya, sehingga mampu memberikan solusi yang penjadwalan pengiriman secara praktis dan cepat (Yunarti, 2013, dalam Evelyn et al.
Metode Saving Matrix digunakan untuk menyelesaikan Vehicle Routing Problem (VRP) dengan cara yang sistematis.
Langkah pertama adalah identifikasi titik dan jarak, di mana semua titik pelanggan yang perlu dikunjungi ditentukan dan jarak antara semua pasangan titik, termasuk jarak dari dan ke depot, dihitung.
Langkah selanjutnya adalah hitungan nilai saving, menggunakan rumus:
ycIycnyc = ycc0ycn ycc0ycn Oe yccycnyc a.
di mana ycc0ycn adalah jarak dari depot ke titik ycn, ycc0ycn adalah jarak dari depot ke titik yc, dan yccycnyc adalah jarak langsung antara titik ycn dan yc.
Nilai ycIycnyc menunjukkan penghematan yang diperoleh dari menggabungkan rute ke titik ycn dan yc dibandingkan dengan melakukan perjalanan langsung ke depot.
Setelah mengetahui jarak antar titik dan membuat matrix saving, langkah-langkah berikutnya adalah:
Urutkan nilai saving.
Setelah perhitungan selesai, urutkan nilai-nilai saving dari yang terbesar ke yang terkecil.
Buat rute awal Mulai dengan rute-rute individu yang menghubungkan depot ke setiap titik Pastikan setiap pelanggan hanya dikunjungi sekali dan setiap rute dimulai serta diakhiri di depot.
Gabungkan rute Gabungkan rute berdasarkan nilai saving yang telah diurutkan, dimulai dari nilai terbesar.
Pastikan bahwa penggabungan tidak melanggar batas Periksa batasan kapasitas Verifikasi kapasitas kendaraan.
Sesuaikan rute jika diperlukan untuk menghindari pelanggaran kapasitas.
Sesuaikan rute Pastikan semua titik pelanggan dikunjungi sekali dan semua batasan Accounting Research Journal of Sutaatmadja (ACCRUALS) Lakukan penyesuaian pada rute jika diperlukan.
Optimasi dan validasi Lakukan optimasi tambahan untuk meningkatkan efisiensi rute dan pastikan bahwa solusi akhir memenuhi semua kriteria dan batasan yang K - Means Clustering K-Means Clustering metode analisis cluster yang bertujuan untuk membagi objek menjadi k-cluster kemudian mengamati dimana setiap objek cluster diperoleh mean terdekat.
Algoritma ini adalah salah satu algoritma sederhana yang terkenal dan mudah dipelajari sebagai pengelompokan kumpulan data.
Algoritma K-Means merupakan algoritma evolusioner yang mode operasinya memiliki arti yang sama dengan nama algoritmanya.
Algoritma observasi ke dalam k grup, di mana k adalah parameter input.
Kemudian, setiap tingkat data ditugaskan untuk setiap pengamatan cluster berdasarkan seberapa dekat pengamatan dengan rata-rata cluster.
Ratarata dalam cluster kemudian dihitung beberapa kali selama proses awal (Kamila.
Khairunnisa and Mustakim, 2.
Centre of Gravity Centre of Gravity (CG) adalah titik di mana massa suatu benda atau sistem dianggap seimbang.
Dalam penentuan lokasi.
CG berfungsi sebagai referensi untuk menentukan posisi benda atau sistem dalam ruang tiga dimensi (Khan, 2.
Menurut Khan .
CG adalah "titik di mana benda memiliki massa yang seimbang, sehingga dapat bergerak secara stabil jika diletakkan di atasnya.
CG memiliki peranan penting dalam berbagai aplikasi, seperti desain struktur, analisis dinamika, dan simulasi pergerakan Dengan mengetahui lokasi CG, perilaku benda dapat diprediksi dan Oleh karena itu, memahami dan mengontrol posisi CG sangat penting dalam berbagai situasi untuk memastikan stabilitas dan efisiensi pergerakan benda.
Untuk menghitung Centre of Gravity (CG) atau dapat juga disebut dengan Titik Berat adalah dengan rumus sebagai berikut:
ycU1 = ycU1 ya1 ycU2 ya2 U ya1 ya2 U Diketahui.
X = Latitude dan A = Bobot ycU1 = ycU1 ya1 ycU2 ya2 U ya1 ya2 U a.
Diketahui.
Y = Longitude dan A = Bobot dimana X1 dan Y1 adalah koordinat titik massa dan adalah berat titik massa pada himpunan titik - titik koordinat.
Akuntansi Manajemen Biaya dalam Pengambilan Keputusan Akuntansi manajemen biaya berperan penting dalam meningkatkan pengambilan keputusan dengan menyediakan informasi yang akurat, relevan, dan tepat waktu.
Dalam aplikasi seperti metode jalur terpendek (Shortest Path Metho.
dan Vehicle Routing Problem (VRP), data biaya menjadi elemen penting untuk menentukan solusi optimal yang dapat meminimalkan memaksimalkan efisiensi.
Dengan berfokus pada biaya relevanAi biaya yang secara langsung terpengaruh oleh sebuah keputusanAimanajer dapat mengabaikan data yang tidak relevan, sehingga mengurangi kompleksitas dan Dalam logistik, pemahaman tentang biaya variabel seperti bahan bakar, tenaga kerja, dan perawatan, bersama dengan biaya tetap, membantu organisasi merancang rute dan jadwal yang hemat biaya, memastikan alokasi sumber daya sesuai dengan tujuan bisnis.
Aplikasi pada Shortest Path Method dan Vehicle Routing Problem Ketika diterapkan pada metode jalur terpendek dan VRP, akuntansi manajemen biaya memastikan bahwa pengambil keputusan mempertimbangkan variabel yang paling berdampak, seperti jarak perjalanan, waktu, dan biaya terkait.
Informasi relevan yang disediakan oleh sistem akuntansi biaya dapat memandu Volume 09.
No.
01 Ae Maret perhitungan algoritmis dalam memilih rute optimal yang mengurangi total biaya.
Sebagai contoh, menganalisis biaya per-kilometer serta mempertimbangkan kendala seperti kapasitas kendaraan atau jendela waktu pengiriman memungkinkan solusi yang disesuaikan dengan kebutuhan operasional tertentu.
Mengintegrasikan akuntansi manajemen biaya ke dalam metode ini tidak hanya membantu dengan mengatasi keterbatasan di dunia nyata dan meningkatkan kinerja logistik secara keseluruhan.
METODOLOGI PENELITIAN
ini, sumber data sekunder yang diperoleh adalah data transaksi atau POS (Point of Sal.
yang terkumpul selama bulan Desember 2023.
Cara Pengumpulan Data Penelitian transaksi KUKAMI Delivery Subang-Jawa Barat dengan populasi mencakup 18.
transaksi pada Desember 2023.
Populasi didefinisikan sebagai kumpulan elemen dengan karakteristik serupa (Malhotra, 2.
, dan sampel diambil menggunakan Purposive Sampling.
UMKM/Mitra dengan lebih dari 21 pesanan per bulan.
Teknik ini dipilih untuk mencerminkan variasi sesuai tujuan Teknik Pengumpulan Data Pengumpulan data dilakukan dengan teknik yang sesuai untuk mendukung penelitian, meliputi pengumpulan data sekunder berupa transaksi, titik koordinat Mitra UMKM, dan titik koordinat Pelanggan KUKAMI, wawancara dengan pengelola dan admin KUKAMI, serta klasifikasi data untuk analisis lebih lanjut.
Gambar 2.
1 Diagram Alir Penelitian Sumber Data Sumber data yang digunakan dalam penelitian ini adalah sumber data primer dan sumber data sekunder.
Adapun sumber data yang dapat dijadikan acuan dalam penelitian ini adalah sebagai berikut.
Data Primer Sumber data primer adalah sumber data yang diperoleh secara langsung dari Sumber data tersebut diantaranya adalah hasil wawancara.
Data sekunder Sumber data sekunder merujuk pada sebelumnya dan dapat digunakan untuk mendukung penelitian.
Dalam konteks Klasifikasi Data Supplier Data Desember mencakup informasi seperti Kode Struk.
Tanggal.
Jam.
Nama Outlet.
Nama Kasir/Rider.
Produk.
Jarak.
Jumlah Produk.
Harga.
Subtotal, dan Total Transaksi.
Langkah awal adalah memilah dan mengurutkan data untuk memastikan integritasnya, menghindari transaksi fiktif Data diklasifikasikan ke dalam tiga layanan Antar Barang.
Antar Penumpang, dan Food Delivery dengan fokus pada layanan atau data supplier yang terlibat selama periode tersebut, untuk membentuk populasi data Supplier.
Klasifikasi Data Demand Data sekunder tidak mencakup nama atau permintaan konsumen, sehingga peneliti mewawancarai owner KUKAMI Delivery konsumen dengan transaksi tertinggi.
Lokasi Google Maps setiap konsumen yang Accounting Research Journal of Sutaatmadja (ACCRUALS) diberikan admin dicatat untuk simulasi optimasi rute.
Simulasi dan Analisis Shortest Path Method Perhitungan jarak antar titik dan total rute dilakukan menggunakan Shortest Path Method atau algoritma Dijkstra, yang juga diimplementasikan oleh Google Maps .
plikasi operasional KUKAMI Deliver.
Titik awal simulasi rute ditetapkan pada pusat gravitasi .
entre of gravit.
kumpulan mitra UMKM, berdasarkan frekuensi pesanan, longitude, dan latitude.
Pusat gravitasi ini dihitung menggunakan Rumus Centre of Gravity (No.
dengan frekuensi pesanan sebagai bobot.
Simulasi dan Analisis Vehicle Routing Problem Selain Shortest Path Method, simulasi perhitungan jarak rute juga menggunakan Vehicle Routing Problem (VRP) dengan pendekatan Saving Matrix Method.
VRP
bertujuan meminimalkan total jarak atau biaya operasional sambil memenuhi kendala operasional.
Perhitungan jarak antar titik menggunakan rumus Haversine (No.
mempertimbangkan bentuk bulat bumi, dan Metode Saving Matrix dimulai dengan membuat matriks jarak antar titik, menghitung nilai saving untuk setiap pasangan titik (Rumus No.
, dan mengurutkan nilai saving dari terbesar Rute digabungkan berdasarkan nilai saving batasan seperti kapasitas kendaraan.
Titik awal simulasi ditetapkan pada centroid klaster mitra pesanan yang paling dominan.
Tabel 4.
7 Titik Centroid Masing - masing Klaster Centroid Klaster Latitude Longitude (Sumber: Hasil Pengolahan SPSS) Jika digambarkan dalam peta, berikut adalah lokasi untuk masing - masing centroid klaster:
Gambar 4.
6 Titik Centroid dan Titik Berat 60 Mitra (Sumber: Google Map.
Selain itu, hasil dari SPSS juga menunjukan jumlah mitra pada masingmasing klaster sebagai berikut:
Tabel 4.
8 Jumlah Anggota Setiap Cluster Cluster Number of Cases HASIL DAN PEMBAHASAN Dari 60 mitra yang dilengkapi dengan titik Latitude dan Longitude, peneliti membagi mitra-mitra tersebut menjadi 3 klaster (K=.
menggunakan metode KMeans Clustering dengan software SPSS .
utput SPSS terlampi.
Hasil klasterisasi adalah sebagai berikut:
Valid Missing (Sumber: Hasil Pengolahan SPSS) Volume 09.
No.
01 Ae Maret Kemudian, dengan menggunakan variabel Latitude dan Longitude masingmasing mitra kukami, scatter plot yang terbentuk adalah sebagai berikut:
Gambar 4.
7 Scatter Plot Sebaran Klaster (Sumber: Hasil Pengolahan SPSS) Hasil Skenario Order di Dalam Klaster Dari hasil simulasi skenario dalam klaster ini, metode Shortest Path menunjukkan total jarak tempuh sebesar 456 km dengan biaya operasional Rp 585,76.
Sementara itu, metode Vehicle Routing Problem mencatat total jarak tempuh sebesar 3.
340 km dan biaya operasional sebesar Rp 566,10.
Dengan demikian, pada skenario order di dalam klaster, metode Vehicle Routing Problem dengan penggunaan titik Centroid 2 sebagai titik awal menghasilkan jarak tempuh yang lebih pendek dan biaya yang lebih efisien.
Hasil Skenario Order Lintas Klaster Sedangkan hasil simulasi skenario lintas klaster, metode Shortest Path menunjukkan total jarak tempuh sebesar 960 km dengan biaya operasional Rp 501,69.
Sementara itu, metode Vehicle Routing Problem mencatat total jarak tempuh sebesar 3.
227 km dan biaya operasional sebesar Rp 546,94.
Dengan demikian, pada skenario order lintas klaster, metode Shortest Path dengan penggunaan titik Centre of Gravity 60 Mitra sebagai titik awal menghasilkan jarak tempuh yang lebih pendek dan biaya yang lebih efisien.
Hasil Skenario Luar Klaster Kemudian dari hasil simulasi skenario luar klaster, metode Shortest Path menunjukkan total jarak tempuh sebesar 509 km dengan biaya operasional Rp 764,23.
Sementara itu, metode Vehicle Routing Problem mencatat total jarak tempuh sebesar 4.
944 km dan biaya operasional sebesar Rp 837,96.
Pada skenario luar klaster ini, kedua metode menghasilkan rute yang sama, tetapi berbeda pada titik awal.
Hasilnya, pada skenario order luar klaster, metode Shortest Path dengan penggunaan titik Centre of Gravity dari 60 Mitra sebagai titik awal menghasilkan jarak tempuh yang lebih pendek dan biaya yang lebih efisien.
Analisa Keseluruhan Hasil dari ketiga simulasi menunjukkan bahwa metode Vehicle Routing Problem (VRP) lebih efektif untuk mengatur rute dalam satu klaster, mengurangi jarak dan biaya operasional.
Namun, pada skenario lintas klaster dan luar klaster, metode Shortest Path menghasilkan rute dengan jarak lebih Penerapan teknik pool clustering oleh KUKAMI Delivery dapat meningkatkan efisiensi rute dengan mengelompokkan mitra dan menggunakan centroid untuk menentukan titik awal pengiriman.
Ini memungkinkan penugasan rider yang lebih baik di setiap area klaster, sehingga mengurangi jarak tempuh dan biaya secara Penyesuaian Metode VRP dengan Implementasi Pool Clustering Implementasi Pool Clustering dalam kerangka Vehicle Routing Problem (VRP) meningkatkan pengambilan keputusan dengan menambahkan efisiensi biaya dan optimasi operasional.
Pool Clustering mengelompokkan titik pengantaran atau tujuan menjadi klaster yang dapat dikelola berdasarkan kedekatan lokasi, permintaan, atau faktor logistik lainnya.
Segmentasi ini memungkinkan perencanaan rute dan alokasi biaya yang lebih presisi dengan meminimalkan perjalanan berulang dan penggunaan sumber daya.
Accounting Research Journal of Sutaatmadja (ACCRUALS) Dari perspektif akuntansi manajemen biaya.
Pool Clustering menyederhanakan analisis biaya variabel, seperti konsumsi bahan bakar dan jam kerja pengemudi, pengambilan keputusan untuk wilayah pengantaran tertentu.
Pendekatan ini memastikan bahwa alokasi sumber daya sesuai dengan biaya-manfaat mengurangi biaya operasional secara Integrasi Wawasan Manajemen Biaya dalam Pool Clustering Dengan mengintegrasikan akuntansi manajemen biaya ke dalam Pool Clustering, bisnis dapat menyelaraskan strategi logistik dengan tujuan keuangan.
Pool Clustering menyediakan pendekatan terstruktur untuk mengatasi kompleksitas VRP, memastikan rute yang dipilih dalam setiap klaster tidak hanya hemat biaya tetapi juga sesuai dengan kendala organisasi, seperti jendela Hasil penelitian merekomendasikan metode ini karena meningkatkan relevansi informasi biaya dalam pengambilan memusatkan perhatian pada faktor-faktor yang dapat dikendalikan dan memengaruhi total biaya logistik.
Selain itu.
Pool Clustering kendaraan yang lebih baik, mengurangi waktu menganggur, dan mendukung tujuan penggunaan bahan bakar dan emisi, mengatasi tantangan VRP.
KESIMPULAN
Hasil penelitian menunjukkan bahwa penerapan Shortest Path Method oleh KUKAMI Delivery Subang, menggunakan Centre of Gravity pada 60 mitra, menghasilkan rute yang lebih optimal pada skenario pesanan lintas klaster dan luar klaster.
Metode ini mampu mengurangi jarak tempuh dan biaya operasional hingga 8,54% dibandingkan Vehicle Routing Problem (VRP) dalam kedua skenario Vehicle Routing Problem (VRP) dengan metode Saving Matrix dan teknik Pool Clustering, yang menggunakan centroid klaster sebagai titik awal, lebih efektif untuk pesanan dalam satu klaster.
Pendekatan ini menunjukkan efisiensi pengurangan jarak tempuh dan waktu pengiriman sebesar 3,36% dibandingkan Shortest Path Method.
Secara keseluruhan.
Shortest Path Method unggul untuk pesanan lintas dan antar klaster.
Namun, jika KUKAMI Delivery menerapkan pool clustering dengan membagi rider ke dalam beberapa klaster, penggunaan VRP dan Saving Matrix dapat meningkatkan efisiensi rute, mengurangi jarak tempuh, waktu pengiriman, dan biaya efektivitas distribusi.
IMPLIKASI DAN
KETERBATASAN
Beberapa saran untuk penelitian selanjutnya meliputi pengembangan model optimasi yang lebih komprehensif dengan fluktuasi permintaan, kondisi lalu lintas, dan kapasitas kendaraan untuk menghasilkan hasil yang lebih akurat dan aplikatif.
Studi kasus pada industri atau perusahaan lain juga disarankan guna memahami adaptasi metode seperti Vehicle Routing Problem dan Shortest Path Method dalam konteks yang berbeda, sehingga dapat memperluas wawasan tentang fleksibilitas dan efektivitas metode tersebut.
Selain itu, penelitian tentang pengaruh teknologi baru seperti kecerdasan buatan (AI) dan Internet of Things (IoT) dalam optimasi rute pengiriman dapat membuka peluang untuk meningkatkan efisiensi panduan bagi pelaku usaha dalam mengadopsi teknologi terkini.
Volume 09.
No.
01 Ae Maret
REFERENCES