CREATING MACHINE LEARNING MODEL USING CNN TO SOLVE AND OPTIMIZE A ROUTE LOGISTIC DELIVERY

Putra, Sadrakh Zefanya and Mukhlis, Achmad CREATING MACHINE LEARNING MODEL USING CNN TO SOLVE AND OPTIMIZE A ROUTE LOGISTIC DELIVERY. Project Report (Praktek Kerja Lapang dan Magang). Universitas Pembangunan Nasional "Veteran" Jawa Timur.

	Text 22082010093_cover.pdf Download (1MB)
Preview	Text 22082010093_bab 1.pdf Download (87kB) | Preview
	Text 22082010093_bab 2.pdf Restricted to Repository staff only until 21 July 2029. Download (288kB)
	Text 22082010093_bab 3.pdf Restricted to Repository staff only until 21 July 2029. Download (195kB)
	Text 22082010093_bab 4.pdf Restricted to Repository staff only until 21 July 2029. Download (1MB)
Preview	Text 22082010093_bab 5.pdf Download (87kB) | Preview
Preview	Text 22082010093_daftar pustaka.pdf Download (189kB) | Preview
	Text 22082010093_lampiran.pdf Restricted to Repository staff only until 21 July 2029. Download (10MB)

Abstract

sien, dan andal terus meningkat. Namun, penelitian menunjukkan bahwa lebih dari 60% perusahaan logistik masih mengandalkan perutean manual atau alat sederhana seperti Google Maps, yang dirancang untuk navigasi individual dan bukan untuk pengelolaan pengiriman multi-paket (Capgemini Research Institute, 2022). Inefisiensi dalam perutean tersebut dilaporkan dapat meningkatkan biaya operasional hingga 20% dan memperpanjang waktu pengiriman rata-rata sebesar 15% dibandingkan dengan solusi berbasis optimasi otomatis (McKinsey & Company, 2022). Proyek ini bertujuan untuk mengatasi masalah tersebut dengan mengembangkan model pembelajaran mesin (machine learning) yang dirancang khusus untuk mengoptimalkan rute pengiriman multi-paket. Pendekatan ini menggunakan dataset historis pengiriman yang mencakup pola lalu lintas real-time, jarak antar lokasi pengiriman, serta karakteristik depot dan armada pengiriman. Algoritma yang akan digunakan, seperti Vehicle Routing Problem (VRP) yang dimodifikasi dengan elemen pembelajaran mesin, akan mengevaluasi serta merekomendasikan rute optimal untuk setiap skenario pengiriman. Dengan pendekatan ini, kami memperkirakan dapat mencapai pengurangan waktu tempuh hingga 25% dan efisiensi bahan bakar sebesar 15%, berdasarkan hasil simulasi yang dilaporkan dalam studi serupa (Ding et al., 2021). Lebih jauh lagi, implementasi sistem ini diharapkan tidak hanya memberikan manfaat ekonomi tetapi juga lingkungan, dengan potensi pengurangan emisi karbon sebesar 10% hingga 15% dibandingkan metode tradisional. Dalam kerangka waktu satu bulan, solusi ini akan dikembangkan dan diuji menggunakan simulasi berbasis data aktual untuk memastikan keandalannya. Penelitian ini tidak hanya menawarkan solusi praktis untuk tantangan logistik modern tetapi juga menunjukkan bagaimana teknologi berbasis data dapat menjadi pendorong utama efisiensi dan keberlanjutan dalam rantai pasok global.

Item Type:	Monograph (Project Report (Praktek Kerja Lapang dan Magang))
Contributors:	Contribution Contributors NIDN/NIDK Email Thesis advisor Rinjeni, Tri Puspa NIDN@7535774675230202 puspa.rinjeni.fasilkom@upnjatim.ac.id
Subjects:	Q Science > QA Mathematics > QA76.6 Computer Programming
Divisions:	Faculty of Computer Science > Departemen of Information Systems
Depositing User:	Sadrakh Zefanya Putra
Date Deposited:	21 Jul 2026 07:09
Last Modified:	21 Jul 2026 07:09
URI:	https://repository.upnjatim.ac.id/id/eprint/42367

Actions (login required)

View Item