Perpustakaan Digital ITB

Sektor pengiriman last-mile dalam logistik menghadapi tantangan seperti permintaan yang fluktuatif dan volume pengiriman yang tidak dapat diprediksi, sementara memerlukan penjadwalan tenaga kerja yang efisien untuk mengoptimalkan biaya, kualitas layanan, dan kepuasan pelanggan. Penelitian ini menyelidiki penggunaan teknik peramalan deret waktu untuk meningkatkan penjadwalan tenaga kerja dalam operasi pengiriman last-mile pada perusahaan logistik. Penelitian ini mengeksplorasi model peramalan seperti Holt-Winters Exponential Smoothing, Seasonal ARIMA, dan DeepAR, yang diterapkan pada data pengiriman historis untuk memprediksi permintaan dan mengoptimalkan alokasi tenaga kerja. Model-model ini mengatasi kompleksitas seperti fluktuasi musiman, tren jangka panjang, dan lonjakan permintaan yang tidak teratur yang terjadi dalam logistik last-mile. Studi kasus yang menggunakan data waktu pengiriman, volume pesanan, dan lokasi geografis menunjukkan bahwa Holt-Winters menangkap permintaan musiman, sementara Seasonal ARIMA memberikan peramalan jangka panjang yang lebih stabil. DeepAR, model pembelajaran mesin, menangkap pola yang lebih rumit dan unggul dalam menangani dinamika musiman yang kompleks. Pendekatan dinamis ini menyesuaikan staf berdasarkan permintaan yang diprediksi, mengurangi kelebihan staf dan memastikan ketersediaan sumber daya yang cukup selama periode puncak, sehingga meningkatkan keandalan layanan. Sebagai kesimpulan, penelitian ini menunjukkan bahwa peramalan deret waktu meningkatkan akurasi penjadwalan tenaga kerja dan meningkatkan kepuasan pekerja dalam pengiriman last-mile. Penelitian lebih lanjut dapat mengeksplorasi penggunaan faktor eksternal dan teknik pembelajaran mesin yang lebih maju untuk lebih meningkatkan akurasi peramalan.