PENENTUAN RUTE DISTRIBUSI MAKANAN RINGAN UD.XYZ MENGGUNAKAN ANT COLONY OPTIMIZATION

Abstrak

Distribusi yang efisien merupakan aspek penting dalam menjaga ketepatan waktu dan biaya operasional pada perusahaan yang bergerak di bidang logistik dan pemasaran produk konsumsi. UD. XYZ merupakan perusahaan yang bergerak dalam distribusi makanan ringan dan menghadapi permasalahan rute pengiriman yang tidak efisien, sehingga menyebabkan jarak tempuh lebih panjang, biaya operasional meningkat, dan kapasitas armada tidak digunakan secara optimal. Penelitian ini bertujuan untuk menentukan rute distribusi terbaik menggunakan metode Ant Colony Optimization (ACO) pada permasalahan Capacitated Vehicle Routing Problem (CVRP). Data yang digunakan meliputi permintaan 17 agen, koordinat lokasi, serta kapasitas dua armada distribusi. Perhitungan jarak dilakukan menggunakan koordinat geografis dan bantuan pemodelan algoritmik berbasis Python. Hasil penelitian menunjukkan bahwa metode ACO mampu menghasilkan enam rute optimal dengan total jarak tempuh 1536,59 km, di mana rute tersebut lebih efisien dibandingkan rute sebenarnya perusahaan. Selain itu, algoritma ACO dapat mengelompokkan agen berdasarkan jarak terdekat dan memastikan batas kapasitas kendaraan tidak terlampaui. Temuan ini menunjukkan bahwa penerapan ACO dapat mengurangi waktu distribusi, meningkatkan efisiensi biaya transportasi, serta memperbaiki kualitas layanan pengiriman UD. XYZ.

Efficient distribution is a crucial aspect in maintaining timeliness and operational costs for companies engaged in logistics and consumer product marketing. UD. XYZ is a company engaged in the distribution of snacks and faces the problem of inefficient delivery routes, resulting in longer travel distances, increased operational costs, and underutilization of fleet capacity. This study aims to determine the best distribution route using the Ant Colony Optimization (ACO) method for the Capacitated Vehicle Routing Problem (CVRP). The data used include requests from 17 agents, location coordinates, and the capacity of two distribution fleets. Distance calculations were performed using geographic coordinates and the assistance of Python-based algorithmic modeling. The results show that the ACO method is able to generate six optimal routes with a total distance of 1536.59 km, where these routes are more efficient than the company's actual routes. In addition, the ACO algorithm can group agents based on the closest distance and ensure that vehicle capacity limits are not exceeded. These findings indicate that the implementation of ACO can reduce distribution time, increase transportation cost efficiency, and improve the quality of UD. XYZ's delivery services.