Perpustakaan Digital ITB

Robotic Mobile Fulfillment System (RMFS) meningkatkan efisiensi pemenuhan pesanan melalui pengangkutan pod ke stasiun pengambilan, tetapi pergerakan robot juga meningkatkan penggunaan energi. Penggunaan energi dipengaruhi bersama oleh penempatan SKU, pemilihan dan pengembalian pod, serta pengisian daya robot. Karena keputusan tersebut melibatkan sumber daya dan kondisi gudang yang sama, perbaikan terpisah dapat menimbulkan trade-off. Penelitian ini merancang strategi terintegrasi untuk menurunkan penggunaan energi RMFS Perusahaan X sekurang-kurangnya 1,5% tanpa menurunkan kinerja pemenuhan pesanan. Alokasi penyimpanan menggabungkan Business Category Nearest Neighbor untuk produk baru, pengelompokan hierarkis berbasis Dynamic Time Warping untuk pola permintaan temporal, indeks Jaccard untuk kemunculan bersama produk, dan Mayfly Algorithm untuk optimasi. Pemilihan dan pengembalian pod menggunakan deep reinforcement learning berbasis Proximal Policy Optimization, sedangkan pengisian daya menggunakan penyaringan penempatan, Response Surface Methodology, dan Taguchi robust design. Seluruh modul diterapkan dan dievaluasi secara terpisah maupun terintegrasi melalui simulasi berbasis agen Python- NetLogo. Solusi terintegrasi dibandingkan dengan kondisi awal melalui sepuluh replikasi dan pengujian statistik. Solusi terintegrasi menurunkan energi per pesanan terselesaikan sebesar 18,66%, serta meningkatkan baris pesanan terselesaikan sebesar 8,49% dan pile-on sebesar 4,52%. Ketiganya signifikan secara statistik, sedangkan throughput tidak berbeda signifikan dari kondisi awal. Secara terpisah, alokasi penyimpanan, pemilihan pod, dan pengisian daya memperbaiki indikator sasaran, tetapi pengembalian pod belum menurunkan waktu siklus robot. Strategi ini meningkatkan efisiensi energi tanpa menurunkan throughput secara signifikan, tetapi masih memerlukan koordinasi antarmodul dan validasi pada gudang nyata.