Pendahuluan

Last mile delivery dalam B2C e-commerce menghadapi tantangan besar, terutama dalam pengiriman gagal akibat ketidakhadiran pelanggan. Masalah ini meningkatkan biaya operasional, memperpanjang waktu pengiriman, dan menurunkan kepuasan pelanggan.

Paper ini membahas solusi inovatif menggunakan smart keys berbasis IoT yang memungkinkan kurir mengakses rumah pelanggan dengan aman, sehingga mengurangi tingkat pengiriman gagal dan biaya logistik.

Tantangan Last Mile Delivery

• Biaya tinggi: Menyumbang hingga 50% dari total biaya logistik e-commerce.
• Pengiriman gagal: 11% dari total pengiriman tidak berhasil karena pelanggan tidak ada di rumah.
• Efisiensi rute: Perusahaan logistik kesulitan merancang rute optimal akibat pengiriman yang tertunda.

Solusi: Implementasi Smart Keys dalam Last Mile Delivery

1. Smart Keys: Teknologi IoT untuk Pengiriman Aman

• Bagaimana Cara Kerjanya?
  • Kurir mendapat akses sementara ke rumah pelanggan melalui smart lock yang dikendalikan oleh IoT.
  • Pelanggan bisa memantau pengiriman secara real-time melalui kamera dan aplikasi ponsel.
• Keuntungan Smart Keys
  ✅ Mengurangi pengiriman gagal hingga 100% karena kurir dapat masuk meski pelanggan tidak ada di rumah.
  ✅ Memotong biaya pengiriman hingga 11% dibandingkan pengiriman tradisional.
  ✅ Meningkatkan efisiensi kurir dengan mengurangi waktu tunggu dan optimasi rute.

2. Studi Kasus: Penggunaan Smart Keys di Milan

• Metodologi: Simulasi dilakukan pada 80 titik pengiriman di Milan, membandingkan pengiriman tradisional vs. smart key.
• Hasil utama:
  ✅ Pada skenario dengan 25% rumah menggunakan smart key, tingkat pengiriman gagal turun dari 11% ke 7%.
  ✅ Dengan 100% adopsi smart key, pengiriman gagal turun hingga 0%, menghemat biaya operasional 10%.
  ✅ Biaya per pengiriman sukses turun dari €2,14 menjadi €1,91, menghasilkan penghematan signifikan bagi perusahaan logistik.

3. Model Optimasi Rute (VRPSK)

• VRPSK (Vehicle Routing Problem with Smart Keys) dikembangkan untuk mengoptimalkan rute kurir berdasarkan kemungkinan keberhasilan pengiriman.
• Keunggulan Model:
  ✅ Meminimalkan jarak tempuh, mengurangi konsumsi bahan bakar.
  ✅ Menjadwalkan kurir ke rumah dengan tingkat keberhasilan tertinggi.

Tantangan & Solusi Implementasi

1. Keamanan & Privasi
   • Beberapa pelanggan masih ragu untuk memberikan akses ke rumah mereka.
   • Solusi: Sistem enkripsi & pengawasan kamera memastikan pengiriman aman.
2. Biaya Implementasi Smart Keys
   • Harga perangkat dan infrastruktur masih relatif mahal.
   • Solusi: Model bisnis berbasis sewa atau subsidi dari e-commerce besar.
3. Adopsi Konsumen
   • Perlu edukasi untuk membangun kepercayaan pengguna.
   • Solusi: Uji coba gratis & kampanye pemasaran berbasis pengalaman pelanggan.

Kesimpulan & Rekomendasi

Paper ini membuktikan bahwa adopsi smart keys berbasis IoT dapat mengoptimalkan last mile delivery dengan mengurangi biaya hingga 11% dan meningkatkan efisiensi logistik.

✅ Kolaborasi dengan e-commerce besar untuk mempercepat adopsi teknologi ini.
✅ Mengintegrasikan smart key dengan AI & IoT untuk analisis rute yang lebih cerdas.
✅ Kampanye edukasi pelanggan untuk meningkatkan kepercayaan terhadap sistem smart key.

Dengan strategi ini, last mile delivery dapat menjadi lebih efisien, ekonomis, dan ramah lingkungan.

Sumber Artikel:
Seghezzi A., Siragusa C., Mangiaracina R., Tumino A. (2024). Logistics 4.0 & e-commerce: evaluating the impacts of smart keys on last-mile delivery. Politecnico di Milano.

Pendahuluan

Last-mile delivery adalah tahap terakhir dalam rantai pasok yang paling mahal dan menantang, menyumbang lebih dari 50% total biaya pengiriman. Tantangan utama dalam sektor ini meliputi kemacetan lalu lintas, emisi karbon tinggi, dan ketidakefisienan rute pengiriman. Studi ini membahas solusi berbasis multi-criteria optimization yang mengintegrasikan smart lockers otomatis, jaringan distribusi kapiler (capillary distribution), dan crowdshipping untuk meningkatkan efisiensi, keberlanjutan, dan fleksibilitas operasional dalam logistik kota.

Konsep Optimasi Last-Mile Delivery

Penelitian ini menawarkan tiga pendekatan utama untuk meningkatkan efisiensi last-mile delivery:

1. Smart Lockers Otomatis

✅ Pengurangan Biaya Logistik: Pengiriman ke smart lockers lebih murah 15%-30% dibandingkan pengiriman langsung ke rumah pelanggan.
✅ Keamanan & Fleksibilitas: Konsumen dapat mengambil paket kapan saja dengan kode unik, mengurangi risiko kehilangan atau pencurian paket.
✅ Dampak Lingkungan Positif: Mengurangi jumlah kendaraan kurir yang beroperasi di dalam kota, menekan emisi karbon hingga 20%.

2. Capillary Distribution

✅ Distribusi berbasis mikro-hub: Menggunakan titik distribusi kecil yang tersebar di area perkotaan untuk mempersingkat jarak pengiriman.
✅ Peningkatan Efisiensi Rute: Mengurangi waktu perjalanan kurir hingga 40% dengan memanfaatkan infrastruktur transportasi umum dan lokasi strategis.

3. Crowdshipping

✅ Memanfaatkan Komunitas untuk Pengiriman: Sistem berbasis sharing economy di mana individu membawa paket saat bepergian.
✅ Pengurangan Biaya Operasional: Menghemat biaya tenaga kerja dan kendaraan dengan memberdayakan individu untuk mengantarkan paket.

Metodologi Penelitian

Penelitian ini menggunakan model optimasi multi-kriteria, yang mempertimbangkan faktor seperti biaya, waktu pengiriman, kapasitas kendaraan, dan efisiensi sumber daya. Studi kasus dilakukan di Wrocław, Polandia, yang memiliki lebih dari 400 smart lockers tersebar di 78 distrik.

Studi Kasus & Hasil Empiris

1. Implementasi Smart Lockers di Polandia

✅ Penghematan Biaya: Pengiriman dari locker ke locker 30% lebih murah dibanding pengiriman langsung ke rumah.
✅ Reduksi Emisi Karbon: Smart lockers membantu mengurangi penggunaan kendaraan kurir hingga 25%, yang berdampak langsung pada penurunan polusi udara.
✅ Peningkatan Keamanan Paket: Dengan metode ini, kasus kehilangan atau pencurian paket turun hingga 50%.

2. Optimasi Distribusi dengan Capillary Distribution

✅ Reduksi Waktu Perjalanan: Dengan jaringan distribusi berbasis mikro-hub, waktu pengiriman berkurang hingga 40% dibanding model konvensional.
✅ Peningkatan Ketersediaan Paket: Pelanggan bisa mendapatkan paket lebih cepat karena paket disimpan di titik-titik yang lebih dekat.

3. Efektivitas Crowdshipping dalam Pengiriman Last-Mile

✅ Efisiensi Biaya: Memanfaatkan kapasitas kendaraan pribadi yang tidak terpakai, menghemat hingga 20% biaya logistik.
✅ Peningkatan Fleksibilitas Pengiriman: Memungkinkan pengiriman yang lebih cepat dan fleksibel karena adanya partisipasi masyarakat dalam sistem logistik.

Tantangan & Solusi Implementasi

1. Kendala Integrasi Digital

🚧 Masalah: Banyak perusahaan masih menggunakan sistem logistik konvensional.
💡 Solusi: Investasi dalam AI, IoT, dan blockchain untuk meningkatkan transparansi dan efisiensi operasional.

2. Biaya Implementasi yang Tinggi

🚧 Masalah: Pengadaan smart lockers dan sistem crowdshipping membutuhkan investasi awal besar.
💡 Solusi: Model Software-as-a-Service (SaaS) untuk mengurangi biaya modal awal bagi perusahaan logistik.

3. Regulasi & Kebijakan Kota

🚧 Masalah: Kebijakan lalu lintas dan regulasi pengiriman sering berubah-ubah.
💡 Solusi: Kolaborasi dengan pemerintah kota untuk menciptakan kebijakan yang mendukung logistik pintar dan berkelanjutan.

Kesimpulan & Rekomendasi

Penelitian ini menegaskan bahwa kombinasi smart lockers, capillary distribution, dan crowdshipping dapat meningkatkan efisiensi, menekan biaya, dan mengurangi dampak lingkungan dalam logistik kota.

📌 Rekomendasi utama untuk implementasi sukses:
✅ Mengintegrasikan smart lockers secara luas di area perkotaan untuk mengurangi pengiriman langsung ke rumah.
✅ Menggunakan data real-time dan AI untuk optimasi rute dan distribusi paket.
✅ Mendukung kebijakan smart city yang inklusif dan berbasis data.

Dengan penerapan strategi ini, industri logistik dapat menekan biaya operasional, mengurangi emisi karbon, dan meningkatkan kepuasan pelanggan, menjadikan last-mile delivery lebih efisien dan berkelanjutan.

Sumber Artikel: Sawik, Bartosz (2024). Optimizing Last-Mile Delivery: A Multi-Criteria Approach with Automated Smart Lockers, Capillary Distribution and Crowdshipping. Logistics 2024, 8, 52.

Pendahuluan

Dalam era digitalisasi, industri logistik menghadapi tantangan besar dalam mengoptimalkan proses pengiriman barang. Last Mile Delivery menjadi tahap paling kompleks dan mahal dalam rantai pasok ,terutama karena faktor eksternal seperti kemacetan lalu lintas dan keterlambatan operasional. Untuk mengatasi tantangan ini, implementasi kecerdasan buatan (Artificial Intelligence - AI) menawarkan solusi inovatif.

Penelitian ini membahas bagaimana model klasifikasi berbasis Machine Learning dapat meningkatkan efisiensi pengambilan keputusan dalam pemantauan real-time pengiriman paket. Studi kasus yang dilakukan di perusahaan logistik besar di Belanda menunjukkan bahwa penerapan model Random Forest dapat meningkatkan akurasi prediksi kebutuhan penjadwalan ulang hingga 93,6%, memungkinkan pengambilan keputusan yang lebih cepat dan efektif oleh tim operasional.

Tantangan dalam Last Mile Delivery

Sistem pemantauan real-time dalam logistik sering menghadapi beberapa kendala utama:

1. Ketergantungan pada Pemantauan Manual – Banyak keputusan penjadwalan ulang masih dibuat berdasarkan pengalaman dan intuisi pegawai, sehingga rentan terhadap kesalahan.
2. Kelelahan Operator Control Room – Pegawai harus memantau ratusan perjalanan setiap hari, menyebabkan kesulitan dalam mendeteksi perjalanan yang bermasalah.
3. Kurangnya Integrasi Teknologi AI – Meskipun data tersedia secara real-time, belum banyak perusahaan yang mengimplementasikan algoritma prediksi otomatis dalam sistem pemantauan mereka.

Metode Penelitian dan Implementasi AI dalam Pemantauan Real-Time

1. Pemanfaatan Data Real-Time untuk Keputusan Otomatis

Penelitian ini dilakukan di perusahaan logistik besar yang menangani 1,1 juta paket per hari di wilayah Benelux. Sistem pemantauan real-time mereka masih bergantung pada pemantauan manual yang memakan waktu dan tidak efisien.

Untuk mengatasi hal ini, tim peneliti mengembangkan model klasifikasi berbasis Random Forest yang mampu menganalisis pola perjalanan dan mendeteksi kapan perjalanan membutuhkan penjadwalan ulang. Data yang digunakan meliputi:

• Perencanaan awal perjalanan – Informasi mengenai rute dan waktu tempuh yang diharapkan.
• Event real-time dari lapangan – Data dari perangkat GPS dan pemindai paket yang mencatat setiap peristiwa selama perjalanan.
• Data reschedule historis – Informasi perjalanan yang mengalami perubahan rute di masa lalu.

2. Pemilihan Model Machine Learning

Dari enam model klasifikasi yang diuji, empat model dengan performa terbaik dipilih:

• Decision Tree
• Random Forest
• Naïve Bayes
• Neural Network

Hasil pengujian menunjukkan bahwa Random Forest memberikan performa terbaik dengan F1-score sebesar 85,8%, yang kemudian meningkat menjadi 93,6% setelah optimasi fitur dan teknik resampling.

Hasil dan Dampak Implementasi AI dalam Logistik

Studi ini menunjukkan bahwa penerapan model Random Forest memberikan dampak signifikan terhadap efisiensi pengambilan keputusan dalam pemantauan real-time.

• Akurasi Prediksi Meningkat – Model mampu mendeteksi 94% kasus di mana perjalanan benar-benar membutuhkan penjadwalan ulang, dengan tingkat kesalahan hanya 1 dari 20 keputusan.
• Pengurangan Beban Kerja Operator – Dengan sistem prediksi otomatis, pegawai tidak lagi harus memantau setiap perjalanan secara manual, memungkinkan mereka untuk fokus pada tugas yang lebih strategis.
• Peningkatan Efisiensi Operasional – Waktu yang dibutuhkan untuk memproses satu juta sampel hanya 10 detik, memungkinkan perusahaan merespons perubahan secara instan.

Studi Kasus: Implementasi AI di Perusahaan Logistik Belanda

Perusahaan ini menghadapi masalah utama dalam memantau ribuan perjalanan setiap hari. Sebelum implementasi AI, operator harus secara manual mencari perjalanan yang bermasalah, menyebabkan kesalahan identifikasi sebesar 32:1 antara perjalanan yang bermasalah dan tidak.

Setelah implementasi model Random Forest, hasil yang diperoleh adalah:

• Peningkatan akurasi deteksi perjalanan bermasalah dari 85,8% menjadi 93,6%
• Penurunan kesalahan reschedule hingga 99,8%
• Pengurangan waktu pemrosesan data dari 20 menit menjadi 10 detik untuk satu juta sampel

Dampak positif ini memungkinkan perusahaan untuk mengembangkan sistem pemantauan yang lebih cerdas, dengan potensi ekspansi ke departemen lain dalam organisasi.

Tantangan dan Solusi dalam Implementasi AI di Logistik

1. Keseimbangan Data (Class Imbalance)

Tantangan utama dalam pengembangan model adalah jumlah data tidak seimbang antara perjalanan yang memerlukan reschedule dan yang tidak (rasio 32:1).
Solusi: Menggunakan teknik resampling untuk menambah sampel dari kelas minoritas, sehingga model dapat lebih akurat dalam mengenali pola perjalanan yang bermasalah.

2. Pemilihan Fitur yang Relevan

Model awal menggunakan berbagai fitur, tetapi tidak semuanya berkontribusi signifikan terhadap prediksi.
Solusi: Hanya menggunakan empat fitur numerik terbaik, meningkatkan akurasi prediksi hingga 4% lebih tinggi.

3. Integrasi dengan Sistem yang Ada

Mengimplementasikan model AI dalam sistem yang sudah berjalan membutuhkan penyesuaian agar kompatibel dengan infrastruktur yang ada.
Solusi: Mengembangkan model yang dapat dengan mudah diintegrasikan dengan aplikasi pemantauan real-time yang sedang dibangun oleh tim IT perusahaan.

Kesimpulan & Rekomendasi

Berdasarkan studi ini, dapat disimpulkan bahwa implementasi Machine Learning dalam pemantauan Last Mile Delivery dapat memberikan keuntungan signifikan, termasuk:

✅ Peningkatan akurasi deteksi perjalanan bermasalah hingga 93,6%
✅ Pengurangan waktu pemantauan dan pengambilan keputusan secara manual
✅ Peningkatan efisiensi operasional melalui pengolahan data real-time

Rekomendasi bagi perusahaan logistik yang ingin mengadopsi AI dalam pemantauan pengiriman:

1. Gunakan model Machine Learning berbasis klasifikasi untuk mendeteksi perjalanan bermasalah secara otomatis.
2. Optimalkan fitur data yang digunakan untuk meningkatkan akurasi prediksi.
3. Gunakan teknik resampling untuk menangani ketidakseimbangan data dalam model AI.
4. Integrasikan model AI dengan sistem pemantauan real-time agar proses reschedule dapat berjalan otomatis.

Dengan strategi ini, perusahaan logistik dapat meningkatkan efisiensi dan kualitas layanan mereka, sekaligus mengurangi biaya operasional dalam jangka panjang.

Sumber Artikel:

Zwienenberg, I.B. (2022). Improving real-time decision-making in the last-mile delivery by applying a classification model. Master Thesis, University of Twente.

Pendahuluan

Dalam industri e-commerce yang semakin kompetitif, kecepatan pengiriman menjadi faktor utama yang mempengaruhi kepuasan pelanggan dan daya saing bisnis. Same-Day Delivery (SDD) muncul sebagai solusi inovatif untuk memenuhi ekspektasi pelanggan yang menginginkan fleksibilitas dan kecepatan dalam layanan pengiriman. Namun, implementasi SDD tidak hanya berdampak pada tingkat layanan, tetapi juga pada keberlanjutan dan biaya operasional perusahaan.

Penelitian ini menganalisis integrasi opsi SDD dalam rantai pasok e-commerce dengan studi kasus Beerwulf, perusahaan ritel bir yang beroperasi di 10 negara Eropa. Dengan fokus pada pasar Amsterdam dan London, penelitian ini mengevaluasi dampak layanan SDD dari tiga aspek utama: tingkat layanan, keberlanjutan, dan biaya operasional.

Tantangan dalam Implementasi Same-Day Delivery

1. Tingkat Permintaan yang Tidak Stabil
   • SDD bergantung pada volume pesanan harian yang dapat bervariasi drastis.
   • Jika permintaan terlalu rendah, biaya operasional meningkat karena kapasitas kendaraan tidak terpakai secara optimal.
   • Jika permintaan terlalu tinggi, keterbatasan kapasitas kendaraan menyebabkan keterlambatan dan kompensasi pelanggan.
2. Dampak Keberlanjutan
   • SDD membutuhkan kendaraan dengan mobilitas tinggi, yang dapat meningkatkan jejak karbon jika tidak dikelola dengan baik.
   • Model optimasi rute diperlukan untuk meminimalkan emisi CO₂ per pesanan.
3. Biaya Operasional Tinggi
   • SDD sering kali lebih mahal dibandingkan pengiriman standar karena membutuhkan armada khusus dan pengelolaan rute yang lebih kompleks.
   • Biaya tetap per kendaraan yang tidak diimbangi oleh volume pesanan dapat menyebabkan kerugian finansial.

Metode Penelitian dan Model Simulasi

1. Pendekatan Simulasi untuk Evaluasi Kinerja SDD

Penelitian ini menggunakan pendekatan simulasi berbasis Discrete Event Simulation (DES) untuk mengevaluasi performa SDD dalam berbagai skenario permintaan. Model simulasi ini mempertimbangkan faktor-faktor seperti:

• Volume pesanan harian
• Kapasitas kendaraan pengiriman
• Biaya operasional per pesanan
• Dampak emisi karbon per pengiriman

Studi ini dilakukan di dua pasar utama Beerwulf: Amsterdam (Belanda) dan London (Inggris), dengan perbedaan struktur logistik sebagai faktor pembanding.

2. Desain Eksperimen dan Parameter Simulasi

Peneliti membangun delapan skenario simulasi untuk masing-masing kota, mencakup dua periode permintaan utama:

• Periode permintaan tinggi – Lonjakan pesanan selama akhir pekan atau musim liburan.
• Periode permintaan rendah – Hari biasa dengan volume pesanan yang lebih sedikit.

Hasil simulasi dibandingkan dengan metrik kinerja utama (KPI) yang mencakup:

• Tingkat layanan (Service Level) – Persentase pengiriman yang berhasil dalam waktu yang dijanjikan.
• Keberlanjutan (Carbon Footprint) – Emisi CO₂ per pesanan dibandingkan dengan metode pengiriman standar.
• Profitabilitas (Cost per Order) – Biaya operasional per pesanan berdasarkan volume dan efisiensi armada.

Hasil Penelitian: Efektivitas Same-Day Delivery dalam E-Commerce

1. Dampak pada Tingkat Layanan

• Pada skenario permintaan tinggi, SDD gagal mencapai efisiensi optimal karena:
  • Kapasitas kendaraan tidak cukup untuk menampung lonjakan pesanan.
  • Terlalu banyak pesanan yang memerlukan kompensasi akibat keterlambatan.
• Pada skenario permintaan rendah, tingkat layanan meningkat secara signifikan:
  • Tingkat keberhasilan pengiriman mencapai 99,9% di Amsterdam dan 95,2% di London.
  • Namun, rendahnya volume pesanan meningkatkan biaya per pesanan.

2. Dampak Keberlanjutan

• Ketika jumlah pesanan rendah, emisi karbon per pesanan meningkat karena kendaraan beroperasi dengan kapasitas tidak penuh.
• Di London, salah satu skenario menunjukkan bahwa integrasi SDD dapat menghasilkan margin positif sebesar €0,28 per pesanan dengan tingkat emisi yang lebih rendah dari perkiraan.
• Sebaliknya, dalam skenario lain, emisi CO₂ dari SDD tercatat 3,48 kali lebih tinggi dibandingkan metode pengiriman standar.

3. Dampak Finansial

• Dalam periode permintaan tinggi, biaya operasional SDD melonjak akibat tingginya biaya kompensasi pelanggan.
• Dalam periode permintaan rendah, biaya per pesanan mengalami kerugian antara €-22,3 hingga €-7,8 per pesanan karena kapasitas kendaraan tidak terisi penuh.
• Di beberapa kasus, pengiriman SDD bisa menghasilkan keuntungan kecil (€0,28 per pesanan) jika jumlah pesanan cukup untuk menutupi biaya tetap armada.

Studi Kasus: Implementasi Same-Day Delivery di Beerwulf

Amsterdam (Belanda)

• Model Pengiriman:
  • Pesanan dikirim dari gudang Beerwulf ke pusat distribusi di Zaltbommel, lalu didistribusikan menggunakan van listrik ke pelanggan di Amsterdam.
  • Batas cut-off waktu: 15.00
• Hasil Simulasi:
  • Tingkat layanan mencapai 99,9% dalam skenario permintaan rendah.
  • Namun, biaya operasional per pesanan masih lebih tinggi dibandingkan pengiriman standar.

London (Inggris)

• Model Pengiriman:
  • Pesanan dari gudang di Birmingham dikirim ke pusat distribusi di London sebelum dikirim ke pelanggan.
  • Batas cut-off waktu: 14.30
• Hasil Simulasi:
  • Salah satu skenario menunjukkan bahwa SDD dapat menghasilkan keuntungan kecil (€0,28 per pesanan) jika volume cukup tinggi.
  • Namun, pada skenario lain, biaya per pesanan lebih tinggi dibandingkan pengiriman standar.

Tantangan dan Rekomendasi dalam Implementasi SDD

1. Mengatasi Variabilitas Permintaan

Solusi:

• Menerapkan model prediksi berbasis AI untuk mengoptimalkan perencanaan kapasitas kendaraan.
• Menawarkan promosi SDD hanya pada hari-hari tertentu untuk meningkatkan volume pesanan.

2. Meningkatkan Keberlanjutan

Solusi:

• Menggunakan armada kendaraan listrik untuk mengurangi jejak karbon.
• Mengoptimalkan rute pengiriman untuk mengurangi jarak tempuh dan konsumsi energi.

3. Menurunkan Biaya Operasional

Solusi:

• Menetapkan biaya tambahan untuk SDD agar menutupi biaya tambahan operasional.
• Menggunakan model harga dinamis, di mana biaya SDD disesuaikan berdasarkan permintaan harian.

Kesimpulan

Implementasi Same-Day Delivery dalam industri e-commerce menawarkan manfaat dalam hal kepuasan pelanggan dan daya saing, tetapi memiliki tantangan dari sisi keberlanjutan dan biaya operasional.

✅ SDD efektif dalam meningkatkan tingkat layanan hingga 99,9% dalam kondisi tertentu.
✅ Namun, dalam banyak skenario, biaya operasional per pesanan lebih tinggi dibandingkan pengiriman standar.
✅ Keberlanjutan harus menjadi perhatian utama, dengan strategi pengurangan emisi dan optimasi rute pengiriman.

Keputusan untuk mengadopsi SDD harus mempertimbangkan keseimbangan antara biaya, keberlanjutan, dan kepuasan pelanggan, dengan pendekatan berbasis data dan simulasi.

Sumber Artikel:

Collot, C. (2022). Assessing the integration of same-day delivery option from the sustainable, financial, and service angles: a case study in the e-commerce sector. University of Twente.

Pendahuluan

Last mile delivery adalah tahap akhir dalam rantai pasok yang memiliki dampak ekonomi, sosial, dan lingkungan yang signifikan. Dengan meningkatnya e-commerce, tantangan dalam pengiriman jarak terakhir semakin besar, terutama dalam hal efisiensi operasional, emisi karbon, dan kemacetan perkotaan.

Penelitian ini mengeksplorasi berbagai solusi keberlanjutan untuk meningkatkan efisiensi pengiriman last mile dengan wawasan dari penyedia layanan logistik pihak ketiga dan pakar mobilitas publik di Belgia. Studi ini menggabungkan analisis literatur dan wawancara dengan pelaku industri untuk memahami praktik terbaik dan tantangan dalam mengimplementasikan solusi ramah lingkungan.

Tantangan dalam Last Mile Delivery

1. Fragmentasi dan Ketidakefisienan Operasional

• Last mile membutuhkan banyak kendaraan kecil yang sering kali beroperasi dengan kapasitas tidak penuh, meningkatkan biaya dan konsumsi bahan bakar.
• Diperkirakan 28% dari total biaya transportasi paket berasal dari tahap last mile karena kurangnya skala ekonomi.

2. Dampak Lingkungan

• Pengiriman barang dalam kota meningkatkan emisi CO₂, polusi udara, dan kemacetan.
• E-commerce meningkatkan lalu lintas kendaraan logistik, terutama di area padat penduduk.

3. Regulasi dan Kebijakan Perkotaan

• Kota-kota besar menghadapi tantangan dalam menyeimbangkan efisiensi logistik dengan keberlanjutan.
• Beberapa kebijakan seperti zona rendah emisi (LEZ) dan pembatasan kendaraan besar mendorong penggunaan transportasi alternatif.

Solusi Berkelanjutan dalam Last Mile Delivery

1. Peningkatan Efisiensi Rute Pengiriman

• Optimalisasi rute menggunakan AI dan big data dapat mengurangi konsumsi bahan bakar dan meningkatkan efisiensi pengiriman.
• Implementasi sistem Dynamic Routing memungkinkan perubahan jalur secara real-time berdasarkan kondisi lalu lintas.

2. Konsolidasi Pengiriman dan Penggunaan Micro-Hubs

• Urban Consolidation Centers (UCCs) memungkinkan pengiriman lebih efisien dengan mengurangi jumlah kendaraan kecil di pusat kota.
• Micro-hubs di pinggiran kota digunakan untuk mengelompokkan paket sebelum didistribusikan dengan kendaraan ramah lingkungan.

3. Penggunaan Moda Transportasi Alternatif

• Sepeda kargo dan kendaraan listrik mengurangi emisi dan lebih fleksibel dalam menavigasi lingkungan perkotaan.
• Beberapa perusahaan telah menguji penggunaan drone dan robot otonom untuk pengiriman paket kecil di daerah perkotaan.

4. Penggunaan Pickup Points dan Parcel Lockers

• Automated parcel lockers memungkinkan pelanggan mengambil paket mereka kapan saja, mengurangi jumlah pengiriman gagal.
• Pengiriman ke titik koleksi (service points) mengurangi jumlah kendaraan yang perlu melakukan pengantaran langsung ke rumah pelanggan.

Studi Kasus: Implementasi Keberlanjutan dalam Last Mile Delivery

1. DHL: Penggunaan Micro-Hubs dan Sepeda Kargo

• DHL telah mengimplementasikan sepeda kargo listrik di beberapa kota besar di Eropa, yang terbukti mengurangi emisi CO₂ sebesar 60% dibandingkan dengan van diesel.
• Penggunaan micro-hubs memungkinkan konsolidasi paket sebelum didistribusikan dengan kendaraan ramah lingkungan.

2. UPS: Sistem Konsolidasi Pengiriman

• UPS menerapkan Urban Consolidation Centers (UCCs) yang membantu mengurangi jumlah kendaraan di jalan.
• Implementasi teknologi AI dalam optimasi rute memungkinkan peningkatan efisiensi hingga 20%.

3. Bpost: Kebijakan Pengiriman Berbasis Keberlanjutan

• Bpost, penyedia layanan pos Belgia, mengadopsi kendaraan listrik dan hybrid untuk pengiriman perkotaan.
• Implementasi titik koleksi dan parcel lockers telah mengurangi kebutuhan pengiriman langsung sebesar 30%.

Tantangan dan Rekomendasi dalam Implementasi Solusi Berkelanjutan

1. Biaya Implementasi yang Tinggi

• Solusi: Mendorong insentif pemerintah dan subsidi bagi perusahaan logistik yang beralih ke kendaraan listrik dan teknologi ramah lingkungan.

2. Perubahan Kebiasaan Konsumen

• Solusi: Meningkatkan kesadaran pelanggan tentang opsi pengiriman berkelanjutan seperti pickup points dan parcel lockers.

3. Regulasi yang Beragam di Setiap Kota

• Solusi: Mendorong kerja sama antara pemerintah dan penyedia layanan logistik untuk menciptakan kebijakan yang seragam dan efisien.

Kesimpulan

Keberlanjutan dalam last mile delivery menjadi semakin penting di era e-commerce yang berkembang pesat. Optimalisasi rute, konsolidasi pengiriman, penggunaan transportasi ramah lingkungan, dan strategi pickup points adalah solusi utama yang dapat mengurangi dampak lingkungan sekaligus meningkatkan efisiensi.

✅ Penggunaan AI dan big data dapat meningkatkan efisiensi operasional.
✅ Micro-hubs dan UCCs membantu mengurangi fragmentasi pengiriman.
✅ Moda transportasi alternatif seperti sepeda kargo dan kendaraan listrik dapat mengurangi emisi CO₂ secara signifikan.
✅ Parcel lockers dan pickup points mengurangi pengiriman gagal dan meningkatkan fleksibilitas pelanggan.

Dengan kombinasi strategi ini, industri logistik dapat menciptakan sistem last mile delivery yang lebih berkelanjutan dan efisien di masa depan.

Sumber Artikel: Ducarme, Dimitri. Sustainable solutions for “last mile” deliveries in the parcel industry: A qualitative analysis using insights from third-party logistics service providers and public mobility experts. Louvain School of Management, Université catholique de Louvain, 2019.

Pendahuluan

Dalam beberapa dekade terakhir, pertumbuhan e-commerce dan urbanisasi telah meningkatkan kebutuhan akan last-mile logistics, yaitu tahap akhir dalam rantai pasok di mana barang dikirim dari pusat distribusi ke pelanggan akhir. Namun, sektor ini juga menyumbang 25% dari total emisi CO₂ transportasi di perkotaan dan menyebabkan peningkatan polusi udara serta kemacetan lalu lintas. Oleh karena itu, berbagai pemangku kepentingan mulai mencari solusi untuk menjadikan last-mile logistics lebih berkelanjutan.

Studi ini mengkaji skenario potensial untuk tahun 2035 dengan fokus pada tiga faktor utama: kerja sama antar pemangku kepentingan, regulasi pemerintah, dan inovasi teknologi. Dengan menggunakan pendekatan Disaggregative Policy Delphi, penelitian ini mengumpulkan perspektif dari 26 pemangku kepentingan logistik yang berperan dalam perencanaan dan implementasi sistem distribusi di tiga kota Eropa.

Tantangan dalam Last-Mile Logistics

1. Dampak Lingkungan

• Transportasi menyumbang hampir 25% dari total emisi CO₂ global, dengan 29,4% berasal dari logistik jalan raya.
• Kendaraan pengiriman menyumbang emisi NOx dan partikel debu yang memperburuk kualitas udara perkotaan.

2. Fragmentasi dan Ketidakefisienan Operasional

• Hanya 10–15% dari total lalu lintas perkotaan berasal dari kendaraan logistik, tetapi mereka menyebabkan kemacetan yang signifikan.
• Banyak kendaraan beroperasi dengan kapasitas tidak penuh, meningkatkan konsumsi bahan bakar dan biaya operasional.

3. Regulasi dan Kebijakan Perkotaan

• Beberapa kota mulai menerapkan zona rendah emisi (LEZ) dan pembatasan kendaraan besar, tetapi implementasi masih beragam.
• Pemerintah daerah memiliki peran krusial dalam membentuk kebijakan logistik perkotaan agar lebih berkelanjutan.

Skenario Masa Depan Last-Mile Logistics di 2035

Penelitian ini mengembangkan enam skenario potensial berdasarkan faktor regulasi, inovasi, dan kerja sama.

1. The Old Wild West – Minim Regulasi dan Inovasi

• Kondisi: Pemerintah minim intervensi, perusahaan beroperasi secara individual, dan inovasi berlangsung lambat.
• Dampak: Emisi tetap tinggi, efisiensi rendah, dan persaingan bisnis kurang sehat karena tidak ada insentif untuk inovasi.

2. The New Wild West – Inovasi Didorong oleh Pasar

• Kondisi: Persaingan tinggi di antara perusahaan mendorong inovasi tanpa campur tangan pemerintah.
• Dampak: Teknologi baru seperti kendaraan listrik dan drone mulai digunakan, tetapi kurangnya regulasi menyebabkan fragmentasi industri dan kurangnya koordinasi.

3. New Cool Collective – Kolaborasi Optimal antara Pemerintah dan Swasta

• Kondisi: Pemerintah dan swasta bekerja sama dalam regulasi dan adopsi teknologi berkelanjutan.
• Dampak: Emisi CO₂ berkurang hingga 50%, efisiensi logistik meningkat melalui pusat konsolidasi perkotaan (UCCs) dan penggunaan sepeda kargo listrik.

4. Revolution by Design – Regulasi Ketat Mendorong Transformasi

• Kondisi: Pemerintah menerapkan regulasi ketat seperti pembatasan kendaraan berbahan bakar fosil dan pengenaan pajak karbon tinggi.
• Dampak: Perusahaan dipaksa mengadopsi teknologi hijau, meningkatkan penggunaan kendaraan listrik hingga 72,2%, tetapi biaya operasional meningkat.

5. Thriving, Individually – Inovasi Tinggi, tetapi Minim Kerja Sama

• Kondisi: Perusahaan mengadopsi teknologi canggih tetapi tetap beroperasi sendiri tanpa koordinasi dengan pemangku kepentingan lain.
• Dampak: Efisiensi meningkat, tetapi kemacetan dan emisi tetap tinggi karena kurangnya sistem logistik terpadu.

6. Good Intentions Abound – Regulasi Berlebihan Tanpa Implementasi Efektif

• Kondisi: Pemerintah mencoba mengendalikan logistik dengan regulasi ketat, tetapi implementasinya buruk.
• Dampak: Banyak perusahaan logistik kecil terpaksa keluar dari pasar, sementara pemain besar mempertahankan dominasi mereka.

Solusi Keberlanjutan dalam Last-Mile Logistics

1. Optimalisasi Rute dan Konsolidasi Pengiriman

• Menggunakan AI dan big data untuk merancang rute pengiriman yang lebih efisien dan mengurangi emisi.
• Menerapkan pusat konsolidasi perkotaan (UCCs) untuk mengurangi jumlah kendaraan yang memasuki kota.

2. Penggunaan Moda Transportasi Ramah Lingkungan

• Mengadopsi kendaraan listrik dan sepeda kargo untuk mengurangi emisi.
• Menguji drone dan robot pengiriman untuk area dengan akses terbatas.

3. Pemanfaatan Parcel Lockers dan Pickup Points

• Mengurangi pengiriman gagal hingga 30% dengan menyediakan titik pengambilan paket otomatis.
• Menggunakan pickup points untuk meningkatkan efisiensi distribusi dan mengurangi kebutuhan perjalanan kendaraan.

Studi Kasus Implementasi Keberlanjutan dalam Last-Mile Logistics

1. DHL: Micro-Hubs dan Sepeda Kargo Listrik

• Implementasi micro-hubs di pusat kota untuk konsolidasi paket sebelum pengiriman.
• Penggunaan sepeda kargo listrik mengurangi emisi karbon hingga 60% dibandingkan van diesel.

2. UPS: Optimasi Rute Berbasis AI

• Implementasi teknologi AI dalam optimasi rute meningkatkan efisiensi pengiriman sebesar 20%.
• Program pengiriman malam hari mengurangi kemacetan dan meningkatkan kecepatan pengiriman.

3. Bpost: Penggunaan Parcel Lockers

• Implementasi pickup points dan parcel lockers telah mengurangi kebutuhan pengiriman langsung ke rumah sebesar 30%.

Tantangan dan Rekomendasi Implementasi Solusi Berkelanjutan

1. Biaya Implementasi yang Tinggi

Solusi: Insentif pajak dan subsidi bagi perusahaan yang beralih ke kendaraan listrik dan pusat distribusi ramah lingkungan.

2. Kurangnya Kesadaran Konsumen

Solusi: Kampanye edukasi pelanggan tentang dampak lingkungan dari pilihan pengiriman mereka.

3. Regulasi yang Tidak Konsisten

Solusi: Standarisasi kebijakan keberlanjutan antar kota untuk menciptakan ekosistem logistik yang lebih efisien.

Kesimpulan

Keberlanjutan dalam last-mile logistics memerlukan kombinasi inovasi teknologi, regulasi yang efektif, dan kerja sama antara pemangku kepentingan.

✅ Optimalisasi rute dan pusat konsolidasi dapat meningkatkan efisiensi dan mengurangi emisi.
✅ Kendaraan listrik dan moda transportasi alternatif menjadi solusi utama untuk kota besar.
✅ Pickup points dan parcel lockers dapat mengurangi perjalanan kendaraan dan meningkatkan fleksibilitas pelanggan.

Dengan strategi ini, masa depan last-mile logistics yang lebih berkelanjutan dan efisien dapat terwujud pada tahun 2035.

Sumber Artikel: Plazier, P., Rauws, W., Neef, R., & Buijs, P. (2024). Towards sustainable last-mile logistics? Investigating the role of cooperation, regulation, and innovation in scenarios for 2035. University of Groningen.