Studi Awal Penerapan Reinforcement Learning pada Penyelesaian Heterogeneous Vehicle Routing Problem with Soft Time Windows

Abstract

Sistem distribusi yang efisien menjadi penting bagi perusahaan karena dapat meminimasi pengeluaran biaya dalam proses transportasi. Salah satu caranya adalah dengan menentukan rute transportasi atau dikenal dengan vehicle routing problem (VRP), sebuah ilmu optimasi yang paling banyak dipelajari. VRP biasanya dapat diselesaikan dengan linear programming lewat bantuan aplikasi LINGO. Penelitian ini akan menerapkan Reinforcement Learning (RL) ke dalam heterogeneous vehicle routing problem with soft time windows (HVRPSTW). Penggunaan RL dapat memperoleh insight dari agent yang berinteraksi dengan lingkungannya untuk mencapai suatu tujuan lalu mampu menangani data yang besar dan beragam, serta menarik kesimpulan antar kumpulan data bahkan dalam situasi yang kompleks untuk terus melakukan perbaikan berkelanjutan. Secara definisi RL merupakan bagian dari artificial intelligence dan machine learning, yang berfokus pada integrasi antar statistik, optimasi dan subjek matematika lainnya. Hasil penelitian ini bahwa model RL dapat menyelesaikan HVRPSTW.