Biaya transportasi merupakan salah satu komponen terbesar dalam operasional logistik, dan dalam praktiknya, sering kali menjadi titik krusial dalam upaya efisiensi perusahaan. Hal ini juga dirasakan oleh PT XYZ, sebuah perusahaan distribusi gas LPG 3 Kg yang melayani 23 titik pangkalan di wilayah Jakarta Selatan. Selama beberapa bulan terakhir, tepatnya dari Juni hingga November 2024, terdapat indikasi bahwa biaya transportasi yang dikeluarkan perusahaan cenderung mengalami peningkatan, terutama ketika permintaan pelanggan sedang tinggi. Berdasarkan data tersebut, muncul dugaan bahwa pola rute distribusi dan alokasi kendaraan yang dijalankan masih belum optimal—bukan karena kesengajaan menggunakan rute tetap, namun karena pendekatan perencanaannya belum sepenuhnya mempertimbangkan efisiensi biaya secara menyeluruh.
Salah satu indikasi permasalahan adalah tidak meratanya pemanfaatan armada, di mana terdapat kendaraan yang bekerja dengan tingkat utilitas sangat tinggi, sementara kendaraan lain justru tidak digunakan secara maksimal. Padahal, PT XYZ memiliki dua tipe armada dengan kapasitas berbeda, yaitu Suzuki Carry Pick Up dengan kapasitas optimal 200 tabung dan Mitsubishi FE dengan kapasitas optimal 560 tabung. Ketimpangan ini turut berkontribusi terhadap kenaikan biaya transportasi, baik dari sisi penggunaan bahan bakar, waktu tempuh, maupun keausan kendaraan. Selain itu, ketika biaya aktual pengiriman pada bulan November 2024 melampaui batas anggaran yang telah ditetapkan perusahaan sebesar Rp 25.600.000, situasi tersebut memperkuat urgensi perlunya evaluasi terhadap sistem distribusi yang berjalan.
Berdasarkan permasalahan tersebut, penelitian ini bertujuan untuk merancang rute distribusi yang optimal, dengan pendekatan matematis berbasis optimasi. Permasalahan yang diangkat tergolong dalam Capacitated Vehicle Routing Problem (CVRP) dengan heterogeneous fleet, mengingat kapasitas setiap kendaraan berbeda-beda. Metode yang digunakan adalah Mixed Integer Linear Programming (MILP), karena mampu menghasilkan solusi optimal untuk distribusi multi-titik dengan berbagai batasan, seperti kapasitas armada, permintaan pelanggan, dan total biaya transportasi.
Data yang digunakan berasal dari internal perusahaan, meliputi permintaan pelanggan selama 6 bulan, titik koordinat setiap pangkalan, jarak dan waktu tempuh antar lokasi, biaya tetap dan variabel tiap kendaraan, serta jam operasional. Model matematis dibangun berdasarkan data tersebut, dan pemecahan masalah dilakukan menggunakan bahasa pemrograman Python dengan bantuan solver CBC (COIN-OR Branch and Cut).
Hasil dari pemodelan menunjukkan bahwa solusi rute usulan mampu menurunkan total biaya transportasi secara signifikan. Dari sebelumnya sebesar Rp 25.861.018 pada rute aktual yang berjalan, total biaya pada rute usulan turun menjadi Rp 25.505.830, atau mengalami penghematan sebesar 2%. Selain itu, total jarak tempuh armada juga berkurang dari 2.789,8 km menjadi 2.368,5 km, yang berarti terjadi efisiensi jarak sebesar 15%. Efisiensi jarak ini berdampak langsung terhadap pengurangan bahan bakar, waktu kerja sopir, serta risiko kelelahan yang dapat memengaruhi keselamatan pengiriman.
Penelitian ini membuktikan bahwa perancangan rute distribusi tidak harus bergantung pada kebiasaan operasional atau intuisi semata. Dengan pendekatan kuantitatif yang tepat, perusahaan bisa memperoleh penghematan biaya yang nyata tanpa harus menambah armada atau melakukan perubahan besar dalam struktur organisasinya. Secara tidak langsung, hasil penelitian ini juga menjadi bukti bahwa pengelolaan distribusi berbasis data dan metode ilmiah mampu meningkatkan efisiensi sistem logistik secara keseluruhan. Harapannya, hasil rancangan ini dapat menjadi rekomendasi yang berguna bagi PT XYZ dalam menyusun kebijakan distribusi LPG 3 Kg yang lebih optimal. Selain itu, penelitian ini diharapkan dapat menjadi referensi untuk studi lanjutan maupun pengembangan sistem distribusi berbasis teknologi informasi secara berkelanjutan.
Kata kunci: Rute Distribusi, Optimasi Transportasi, Mixed Integer Linear Programming, CVRP, Heterogeneous Fleet