Apa Itu Route Optimization? Algoritma, Constraint, dan API

Route optimization adalah praktik mengurutkan stop dan menugaskan vehicle agar fleet menyelesaikan pekerjaannya dengan waktu, jarak, atau biaya seminimum mungkin. Inilah yang membedakan driver pengiriman yang selesai pukul 4 sore dari yang selesai pukul 7 malam dengan van dan stop yang sama. Di balik setiap tombol "optimised route" dalam aplikasi logistik, ada solver yang baru saja mengunyah jutaan kemungkinan urutan dan memilih satu.

Panduan ini menjelaskan apa sebenarnya route optimization, bagaimana solver mendekatinya, di mana ia muncul di dunia nyata, serta constraint dan jebakan apa saja yang membedakan demo dari production.

Apa Itu Route Optimization Sebenarnya

Dalam computer science, route optimization tinggal di dalam dua problem klasik. Travelling Salesman Problem (TSP) bertanya: diberikan daftar kota dan jarak antar mereka, apa rute terpendek yang mengunjungi setiap kota tepat satu kali dan kembali ke awal? Ini adalah problem single-vehicle. Vehicle Routing Problem (VRP) menggeneralisasi ini ke sebuah fleet: diberikan sebuah depot, sekumpulan pelanggan, dan beberapa vehicle, bagaimana pelanggan harus dibagi di antara vehicle, dan dalam urutan apa setiap vehicle mengunjungi mereka?

Kedua problem itu NP-hard. Jumlah kemungkinan urutan tumbuh secara faktorial dengan jumlah stop. Dua puluh stop saja sudah menghasilkan lebih dari 10 pangkat 18 kemungkinan rute. Tidak ada algoritma eksak yang bisa mencari di space itu secara real time. Optimization, di production, oleh karena itu bukan tentang menemukan jawaban yang sempurna. Ia tentang menemukan jawaban yang sangat baik dengan cukup cepat untuk ditindaklanjuti.

Bagaimana Solver Mendekati Problem

Karena search space sangat besar, solver nyata mencampurkan beberapa teknik.

Untuk problem kecil (di bawah kira-kira 15 stop), metode eksak seperti branch-and-bound atau integer programming bisa mengembalikan solusi yang terbukti optimal dalam hitungan detik. Di luar skala itu, metode eksak berhenti praktis dan field beralih ke heuristik.

Pipeline tipikal dimulai dengan heuristik konstruktif seperti nearest-neighbour atau Clarke-Wright savings algorithm untuk menghasilkan rute awal. Rute itu kemudian diserahkan ke metaheuristik, yang secara iteratif menukar stop, membalik sub-tour, atau memindahkan stop antar vehicle untuk memperbaiki objektif. Simulated annealing, tabu search, large neighbourhood search, dan genetic algorithm adalah pilihan paling umum. Masing-masing berbentuk sama: coba sebuah perubahan, putuskan apakah menerimanya, ulangi untuk anggaran waktu tetap.

Input kritis lainnya adalah distance matrix: tabel pre-computed berisi waktu tempuh dan jarak antara setiap pasangan stop. Optimizer mem-query matrix jutaan kali selama pencariannya, jadi matrix dibangun sekali di awal oleh routing engine dan disimpan di memori selama solver berjalan.

Di Mana Route Optimization Muncul

Route optimization diam-diam menjalankan daftar panjang bisnis operasional.

• Last-mile delivery: parcel carrier, grocery delivery, dan e-commerce fulfilment semuanya mengurutkan puluhan hingga ratusan stop per van per hari
• Field service: teknisi HVAC, instalator telekomunikasi, dan home health worker mengunjungi pelanggan di seluruh region dengan appointment window dan persyaratan skill
• Mobile workforce: kru utility, pembaca meter, dan inspektur yang mencakup teritori dengan tipe task campuran
• Food delivery: agregator restoran mem-batch beberapa order ke dalam satu trip rider ketika geografi sejalan
• Pengangkutan sampah: truk municipal yang menjalankan ronde mingguan tetap di mana reordering kecil menghemat bahan bakar nyata
• Sales rep: perencanaan teritori di mana satu rep mengunjungi 8 hingga 12 akun per hari dan urutannya penting untuk drive time dan kepadatan meeting

Dalam setiap kasus, user melihat daftar stop dalam urutan yang tepat. Pekerjaan terjadi di optimizer di belakangnya.

Constraint yang Penting

Solver yang hanya meminimalkan jarak adalah mainan. Routing production didefinisikan oleh constraint-nya.

• Kapasitas vehicle: setiap van punya batas berat, volume, atau pallet yang tidak boleh dilampaui stop yang ditugaskan
• Time window: pelanggan mengharapkan pengiriman antara, misalnya, jam 9 dan 11 pagi, dan tiba pukul 11:05 adalah kegagalan
• Shift driver: jam kerja maksimum, istirahat wajib, dan start dan end di depot tertentu
• Pencocokan skill atau vehicle: instalasi kulkas butuh tim dua orang, pengiriman cold-chain butuh van berpendingin
• Multi-depot: fleet besar dispatching dari beberapa gudang dan solver yang memutuskan depot mana menangani stop mana
• Return-to-base: beberapa rute open (driver berakhir di rumah), lainnya closed (driver kembali ke depot)

Setiap constraint menyusutkan feasible set rute dan mendorong solver ke arah solusi yang terlihat sedikit lebih buruk di atas kertas tetapi sebenarnya dapat dikirimkan.

Jebakan di Production

Route optimization adalah kategori di mana demo selalu berhasil dan rollout sering tidak.

Mengoptimalkan objektif yang salah. Meminimalkan jarak adalah default, tetapi untuk banyak fleet, revenue atau service-level compliance lebih penting daripada kilometer yang dihemat. Rute yang menambah satu paket ekstra dengan biaya 2 km biasanya adalah kemenangan.

Free-flow vs traffic-aware times. Matrix yang dibangun dari kecepatan jalan mentah akan mengatakan rute butuh 4 jam padahal di lalu lintas jam sibuk butuh 6. Pakai routing engine yang mengekspos waktu tempuh yang traffic-aware untuk waktu dalam sehari saat rute akan berjalan.

Tidak ada replanning real-time. Plan akan bergeser saat driver bertemu lalu lintas tak terduga, pelanggan membatalkan, atau stop baru masuk. Tim operasi butuh cara untuk re-optimise stop yang tersisa di tengah hari tanpa membuang pekerjaan pagi.

Frozen plan staleness. Rute mingguan tetap terlihat optimal di Januari dan sekarang 20 persen lebih buruk karena pelanggan pindah, volume bergeser, dan jalan satu arah baru muncul. Jalankan ulang optimization secara berkala dan bandingkan plan baru dengan yang live sebelum memaksakan perubahan pada driver.

Route Optimization di MapAtlas

MapAtlas Optimize Route API menyelesaikan problem routing single-vehicle dan fleet dengan constraint yang sebenarnya dibutuhkan tim operasi: kapasitas, time window, shift, skill, dan setup multi-depot. Ia mengembalikan plan terurut per vehicle bersama prediksi waktu tiba dan berangkat untuk setiap stop.

Ia berpasangan secara alami dengan dua endpoint lain di stack MapAtlas. Distance Matrix API membangun tabel waktu tempuh yang dikonsumsi solver, dengan waktu yang traffic-aware sehingga plan tetap valid pada jam sibuk. Directions API menggambar jalur jalan turn-by-turn yang sebenarnya antara stop berurutan setelah urutan ditetapkan, sehingga aplikasi driver bisa menampilkan polyline nyata, bukan garis lurus.

Route optimization tidak akan terlihat glamor di slide deck. Ia adalah sebuah solver, sebuah matrix, dan sebuah daftar constraint. Tetapi itulah lapisan yang memutuskan apakah sebuah fleet menyelesaikan harinya tepat waktu dan sesuai anggaran, dan mendapatkannya dengan benar adalah yang membedakan fitur routing yang ship dari yang diam-diam dimatikan.