Perpustakaan Digital ITB

Distribusi BBM memiliki kompleksitas operasional yang tinggi karena mobil tangki umumnya berkonfigurasi multi kompartemen dan dapat mengangkut lebih dari satu jenis produk dalam satu perjalanan, sementara kapasitas layanan sangat ditentukan oleh konfigurasi fasilitas pada filling shed. Pada studi kasus Depot Teluk Kabung (Sumatra Barat), depot menyalurkan BBM ke sekitar 165 SPBU dan memiliki 17 loading bay, namun kondisi aktual menunjukkan setiap loading bay hanya memiliki satu loading arm produk. Akibatnya, mobil tangki yang membawa dua produk berbeda berpotensi harus melakukan pengisian dua kali pada loading bay yang berbeda sehingga waktu layanan per shipment meningkat, sedangkan untuk produk yang sama, keterbatasan jumlah arm menghambat pengisian paralel. Literatur pada konteks fuel terminal masih dominan membahas VRP dan scheduling, sementara struktur keputusan yang menggabungkan capacity design fasilitas pemuatan dan assignment kendaraan dalam satu model relatif belum banyak disentuh. Karena itu, posisi penelitian ini diklaim sebagai model perencanaan secara simultan untuk mencari konfigurasi loading arm multi produk dan penugasan mobil tangki pada loading bay, dengan rujukan struktur keputusan dari dua studi warehouse yaitu (Young et al., 2023) dan (Derhami et al., 2018). Secara konseptual, sel pada gudang dipandang sepadan dengan loading bay, iii sementara kapasitas fisik seperti pemilihan racking dan block stacking diposisikan sepadan dengan jumlah dan konfigurasi loading arm per produk. Penelitian ini mengembangkan model optimasi (MILP) yang secara simultan menentukan jumlah loading arm per produk di setiap loading bay dan mengalokasikan setiap mobil tangki ke tepat satu loading bay sehingga seluruh kompartemen kendaraan diisi pada bay yang sama dengan batas jam operasi harian. Untuk skala besar, model dilengkapi greedy heuristic sebagai metode praktis ketika penyelesaian eksak menjadi berat secara komputasi Hasil uji komputasi menunjukkan bahwa model optimasi yang dikembangkan mampu merepresentasikan keputusan terintegrasi antara konfigurasi jumlah loading arm multi produk pada setiap loading bay dan alokasi kendaraan multi kompartemen ke bay layanan. Pada skala data kecil hingga menengah, solver LINGO mampu mencapai solusi global optimal dengan GAP 0% dan waktu komputasi singkat. Namun, ketika ukuran masalah meningkat, waktu komputasi LINGO cenderung naik dan pada beberapa skenario mencapai batas waktu maksimum sehingga solusi berada pada kategori layak. Di sisi lain, algoritma heuristik greedy menghasilkan kualitas solusi yang kompetitif dengan rata-rata GAP terhadap LINGO sekitar 4,9% serta waktu komputasi jauh lebih cepat, sehingga sesuai untuk skala data besar. Secara operasional, konfigurasi fasilitas multi produk dan penugasan kendaraan yang simultan menurunkan kebutuhan kendaraan berpindah antar bay, meningkatkan paralelisme layanan, dan memperbaiki efisiensi waktu operasi pengisian. Temuan ini mengindikasikan bahwa pendekatan terintegrasi dapat mendukung pemenuhan permintaan SPBU secara lebih andal. Pengembangan lanjutan mencakup integrasi time windows, perencanaan multi periode, serta pemodelan gangguan operasional.