Di balik kenyamanan berbelanja online yang kita nikmati saat ini, ada sistem logistik yang bekerja tanpa henti. Salah satu tantangan terbesarnya adalah bagaimana menyusun pesanan pelanggan dengan cepat dan efisien, terutama saat volume pesanan sangat tinggi. Untuk menjawab tantangan ini, banyak gudang kini mengandalkan sistem otomatis berbasis robot, salah satunya adalah Robotic Mobile Fulfillment System (RMFS).

Gambar 1. Ilustrasi proses pengambilan pesanan di gudang otomatis: robot mengangkut rak berdasarkan kemiripan isi pesanan dan mengantarkannya ke stasiun pengambilan untuk diproses.Dibuat oleh ChatGPT & DALL·E berdasarkan paper pada catatan di bawah.

Sistem RMFS menggunakan robot bergerak mandiri atau AMR (Autonomous Mobile Robot) yang bertugas mengantar rak penyimpanan berisi barang—disebut pod—ke stasiun pengambilan, tempat barang diproses untuk dikirimkan ke pelanggan. Teknologi ini secara drastis mengurangi kebutuhan akan tenaga kerja manusia untuk berjalan keliling gudang mencari produk. Tapi tetap saja, muncul satu pertanyaan penting: bagaimana sistem tahu rak mana yang harus diambil, dan ke mana pesanan harus dikirim untuk diproses seefisien mungkin?

Penelitian dari tim di National Taiwan University of Science and Technology mencoba menjawab pertanyaan ini. Mereka mengembangkan sebuah strategi yang memadukan dua proses penting: penugasan pesanan (Pick Order Assignment) dan pengelompokan pesanan (Order Batching). Strategi ini bertujuan untuk mengurangi jumlah rak yang harus dipindahkan, meningkatkan jumlah barang yang bisa diambil dalam satu kunjungan rak ke stasiun, dan secara keseluruhan mempercepat waktu penyelesaian pesanan.

Alih-alih menugaskan pesanan secara acak seperti pendekatan konvensional, strategi baru ini menggunakan ukuran kesamaan antar pesanan. Mereka menghitung seberapa mirip isi dua pesanan dengan menggunakan Jaccard Similarity Index, sebuah metode yang mengukur tumpang tindih antara dua set item. Jika dua pesanan memiliki banyak produk serupa, maka mereka dikelompokkan ke dalam batch yang sama dan diproses di stasiun yang sama. Ini memungkinkan satu rak untuk memenuhi beberapa pesanan sekaligus, mengurangi pergerakan robot, dan memaksimalkan pemanfaatan kapasitas rak.

Simulasi yang dijalankan menunjukkan bahwa strategi ini berhasil mengurangi jumlah rak yang perlu dipindahkan secara signifikan, sekaligus meningkatkan jumlah item yang bisa diambil dari setiap kunjungan rak ke stasiun. Walaupun peningkatan throughput atau efisiensi keseluruhan terlihat dalam kisaran moderat, dampaknya tetap bermakna—terutama saat diterapkan dalam skala besar. Artinya, tanpa menambah jumlah robot atau memperluas gudang, sistem tetap bisa memproses lebih banyak pesanan dengan strategi penugasan dan pengelompokan yang lebih cerdas.

Selain itu, peneliti juga melakukan analisis sensitivitas untuk memahami bagaimana perubahan variabel seperti jumlah stasiun pengambilan, kapasitas tiap stasiun, waktu pengelompokan pesanan, dan jumlah robot akan memengaruhi performa sistem. Temuan mereka menunjukkan bahwa ada batas optimal: menambah robot atau stasiun memang membantu, tetapi hanya sampai titik tertentu. Setelah melewati titik tersebut, dampak positifnya cenderung menurun atau bahkan mengganggu efisiensi sistem karena potensi kemacetan atau idle time yang meningkat.

Penelitian ini menyampaikan pesan penting bahwa efisiensi dalam sistem otomatis bukan hanya soal seberapa banyak robot yang dimiliki, tapi juga seberapa cerdas sistem mengambil keputusan berbasis data. Dalam dunia logistik modern, algoritma dan logika pengambilan keputusan memainkan peran yang sama pentingnya dengan perangkat keras.

Bagi generasi muda yang tertarik pada bidang teknologi, logistik, atau data science, studi ini bisa jadi contoh nyata bagaimana penggabungan antara algoritma sederhana dan simulasi bisa menghasilkan solusi berdampak besar. Dunia logistik bukan hanya tentang mengangkut barang dari titik A ke B, tapi juga tentang mendesain sistem yang efisien, adaptif, dan cerdas—dan itu dimulai dari memahami bagaimana pesanan diproses, bahkan sebelum barang bergerak satu sentimeter pun.

 

 

Catatan:
Artikel ini disarikan dari publikasi ilmiah berjudul:“Pick Order Assignment and Order Batching Strategy for Robotic Mobile Fulfilment System Warehouse” oleh Shuo-Yan Chou, Aisyahna Nurul Mauliddina, Anindhita Dewabharata, dan Ferani E. Zulvia, dipresentasikan dalam Proceedings of the 2023 Winter Simulation Conference, San Antonio, TX, USA. DOI: https://doi.org/10.1109/WSC60868.2023.10408409