Perpustakaan Digital ITB

Industri Fast-Moving Consumer Goods (FMCG) membutuhkan operasi gudang barang jadi yang cepat, konsisten, dan akurat untuk mendukung jaringan distribusi berkecepatan tinggi. Namun, sistem gudang konvensional masih bergantung pada proses semi-manual pada tahap stocking dan picking, yang memicu keterlambatan, antrean tinggi, penumpukan barang yang melebihi batas ideal, tingginya potensi human error pada penghitungan jumlah barang, serta masalah mistracking akibat pemindahan barang ke area penempatan sementara yang tidak tercatat di sistem. Selain itu, terdapat ketidaksinkronan data secara real-time antara basis data gudang lokal dan pusat data akibat pembaruan yang masih manual. Sebagai respons terhadap permasalahan tersebut, sistem beralih menuju konsep Smart Warehouse yang memadukan robotika bergerak otonom, pemantauan nirkabel, dan Warehouse Management System (WMS) terintegrasi. Akan tetapi, penskalaan robot bergerak pada sebuah grid bersama yang aktif memunculkan persoalan yang tidak ada pada penerapan robot tunggal, yaitu sinkronisasi keadaan (state) antara sistem penglihatan dan basis data, resolusi konflik yang deterministik, koordinasi pesanan yang asinkronus, serta pemeliharaan gambaran armada yang seragam secara global dengan latensi rendah. Seluruh tanggung jawab tersebut berada pada pengendali armada (fleet controller), yaitu komponen terpusat yang menjembatani permintaan pesanan dari WMS dan pergerakan fisik armada robot. Tugas akhir ini membahas perancangan dan implementasi sebuah pengendali armada terpusat berbasis protokol MQTT untuk mengoordinasikan dua Automated Guided Vehicle (AGV) pada sebuah Sistem Manajemen Gudang. Secara fungsional, pengendali armada bertugas menerima kejadian pesanan (order event) dari WMS, mengubahnya menjadi Job yang dapat dialamatkan, merencanakan jalur pada peta grid terkini, mengirimkan langkah gerak ke AGV yang tepat melalui MQTT, serta melacak setiap acknowledgement langkah hingga tuntas. Dari sisi antarmuka, sistem ini menerima snapshot peta grid berbasis AprilTag dari kamera atas melalui topik /local, kejadian pesanan pick atau store dari backend WMS melalui topik /order, serta acknowledgement status dan telemetri dari tiap AGV, dan menghasilkan luaran berupa satu perintah gerak per pesan yang dialamatkan ke AGV tertentu melalui topik /job, pembaruan transisi status pesanan ke WMS, serta pemaparan keadaan armada melalui antarmuka HTTP. Dari sisi perilaku, pengendali armada diimplementasikan sebagai sebuah proses tunggal berbahasa Go yang terdiri atas empat komponen paralel, yaitu MapStore yang menyimpan peta grid terbaru, Order Handler yang menerjemahkan pesanan menjadi Job, JobExecutor per robot yang mengeksekusi Job secara paralel tanpa penjadwal global, dan Conflict Detector yang menyelesaikan konflik melalui tabel prioritas. Lokalisasi didelegasikan sepenuhnya kepada sebuah kamera atas yang menerbitkan snapshot grid berbasis AprilTag pada topik /local dan diperlakukan sebagai satu-satunya sumber kebenaran (single source of truth), sehingga menghilangkan kesalahan laporan posisi oleh robot oleh robot. Pesanan dari WMS diubah menjadi Job dan diselesaikan oleh sebuah perencana jalur Breadth-First Search (BFS) yang menerapkan aturan masuk satu arah pada rak dan sel dok serta memetakan setiap langkah ke gerak dasar firmware. Setiap eksekutor per robot memilih secara dinamis antara konfirmasi acknowledgement firmware atau konfirmasi kedatangan berbasis kamera pada tiap langkah, sehingga rantai gerak maju dapat dipipeline untuk memaksimalkan throughput sekaligus mempertahankan konfirmasi kuat pada gerakan batas seperti rotasi dan operasi dock. Lapisan bounded-retry dengan penahan gerak pada keadaan terblokir (blocked-state gating) mengubah kegagalan sementara, seperti putus koneksi MQTT dan kehilangan garis lantai, menjadi keadaan tunggu yang dapat pulih sendiri (self-healing) tanpa intervensi manual. Selain itu, pengendali menyimpan Robot Registry yang mengikat identitas robot ke penanda AprilTag dan Health Monitor yang membedakan robot diam dari robot yang terputus. Validasi dilakukan pada sebuah Proof of Concept berukuran 2,4 × 1,2 meter yang dipetakan ke grid diskret. Pengujian fungsional mengonfirmasi enam perilaku utama, yaitu serialisasi per robot yang benar, perencanaan jalur dengan batasan yang valid, pengurutan interaksi rak, deduplikasi pesanan, pemulihan mandiri (self-healing), serta keadaan armada yang konsisten. Hasil pengujian sistem menunjukkan produktivitas 29,3 tugas/jam per robot, Traffic Factor 0,869, akurasi tugas 100%, keberulangan 100%, dan safety yang seluruhnya memenuhi spesifikasi yang ditetapkan. Dengan demimakin, pengendali armada yang dirancang berhasil menjadi tulang punggung koordinasi multi-AGV yang terpercaya, deterministik, dan berlatensi rendah pada sistem manajemen gudang, serta menyediakan fondasi arsitektur yang dapat dikembangkan menuju skala industri.