Catatan Pengaturan Armada & Balasan Pertanyaan Logistik Jadi Ringan dengan Claude Code

Jam 6 pagi, di meja admin pengaturan armada. Semalam ada 10 catatan dari sopir yang masuk lewat WhatsApp, 3 lembar coretan dari telepon pengirim yang bertanya “muatan tadi sekarang di mana?”, dan satu lembar jadwal armada penuh singkatan yang cuma bisa dibaca sendiri.

Waktu pertama kali saya bantu pekerjaan ini, yang paling mengejutkan justru di sini. Bukan pengaturan armadanya, tapi “waktu untuk mengubah catatan jadi bentuk yang bisa dibaca orang lain” dan “waktu untuk menjelaskan hal yang sama berulang kali ke penanya yang berbeda” — dua hal itu menghabiskan setengah hari kerja.

Lebih parah lagi, catatan singkatan itu langsung jadi tidak terbaca siapa pun begitu si admin libur. “Box pendingin 4 ton, Cikarang trip 3, balik kosong, drop Bekasi” — coba tunjukkan ke rekan di meja sebelah, apakah dia paham? Kemungkinan besar tidak.

Hari ini saya bahas dua hal: “merapikan catatan armada” dan “membalas pertanyaan”, supaya jadi lebih ringan dengan Claude Code (alat untuk memakai AI generatif lewat baris perintah). Ini bukan soal menyuruh AI memutuskan pengaturan armada. Ini soal memangkas pekerjaan kasar yang ada di depannya.

Poin penting

Beban admin armada — “menyalin ulang catatan” dan “mengulang pertanyaan yang sama” — bisa dipangkas jadi kurang dari separuh dengan AI generatif.
Keputusan pengaturan armada tidak diserahkan ke AI. Yang diserahkan hanya “merapikan, membuat draf, menunjukkan yang terlewat”.
Tersedia 3 template prompt siap copas dan satu skrip verifikasi yang mengubah catatan armada jadi tabel.
Nama pengirim, nomor telepon, dan plat nomor adalah data pribadi: butuh aturan internal dan penyamaran (anonimisasi).
Kalau 90 menit pekerjaan kasar per hari turun jadi 30 menit, itu sekitar 20 jam per bulan. Garis efek yang realistis per satu admin armada.

Gambaran pembaca dan alur kerja sekarang

Pembaca yang saya bayangkan adalah orang yang mengatur armada di perusahaan logistik kecil-menengah. Skala 10–50 truk, pengirim sebagian besar pelanggan tetap, komunikasi dengan sopir lewat telepon dan WhatsApp. Sistem pengaturan armada khusus sebenarnya sudah ada, tapi pada akhirnya semua dirakit lewat catatan dan ingatan di kepala.

Alur satu hari kira-kira begini.

Malam hingga subuh, permintaan dan perubahan untuk besok masuk berceceran dari sopir maupun pengirim.
Admin membaca semua itu lalu mengalokasikan ke kendaraan dan orang.
Hasil alokasi disalin rapi ke jadwal armada, lalu dikabarkan ke tiap sopir.
Siang hari, pertanyaan “muatan itu bagaimana?”, “bisa geser jam jemput?” masuk terus terputus-putus.
Setelah jam kerja, realisasi dicatat untuk persiapan besok.

Dari semua itu, yang butuh keputusan hanya nomor 2. Nomor 1, 3, 4, 5 adalah pekerjaan “merapikan informasi” dan “menyampaikan hal yang sama” — dan di sinilah AI unggul.

Kekeliruan dan kerepotan yang sering terjadi

Saya tuliskan dulu sandungan yang berkali-kali saya lihat di lapangan. Pasti minimal satu cocok dengan perusahaan Anda.

Menunggu pembacaan catatan singkatan: cuma si admin yang bisa membaca, begitu libur pekerjaan berhenti.
Kabar ganda: perubahan yang sudah disampaikan ke sopir belum sampai ke pengirim, jadwal di lapangan meleset.
“Katanya begini, katanya begitu”: janji yang diselesaikan lewat telepon tidak tercatat, belakangan jadi perselisihan.
Salah copas saat menyalin: jadwal kemarin dipakai ulang, lupa mengganti tanggal atau nama trip.
Karyawan baru tak kunjung bisa: isi kepala senior tidak terucap, jadi tidak bisa dioper.

Tidak ada satu pun yang butuh “AI super pintar”. Semua hilang kalau ada petugas yang “merapikan ke bentuk baku” dan “menunjukkan yang terlewat”.

Use case 1: Mengubah catatan armada singkatan jadi tabel yang siapa pun bisa baca

Inilah yang paling terasa efeknya. Catatan singkatan dari sopir ditempel apa adanya, lalu minta diubah jadi tabel.

Misalnya kita berikan input seperti ini.

Box pendingin 4t Cikarang trip 3 balik kosong drop Bekasi / 2t Tanjung Priok jemput jam 8 Pasar Induk balik sembako / 10t Cilincing kontainer 14.00 pool

Lalu minta diubah jadi tabel berkolom “jenis kendaraan / trip / titik jemput / jenis muatan / balik”. Tidak perlu manusia membuka satu per satu singkatannya. Template prompt-nya saya taruh di bawah.

Mari sekali ini perjelas batas mana yang diserahkan ke AI dan mana yang wajib diputuskan manusia.

Tahap	Diserahkan ke AI	Wajib diputuskan manusia
Menyalin catatan	Menguraikan singkatan, menyusun tabel, menandai item terlewat	Saat singkatan khas perusahaan, konfirmasi akhir apakah uraiannya benar
Alokasi armada	Merapikan kandidat, mendaftar kendaraan kosong	Kendaraan mana untuk trip mana, keputusan akhir
Membuat teks kabar	Draf teks untuk sopir maupun pengirim	Cek fakta sebelum menekan tombol kirim
Mencatat realisasi	Menyatukan format, menyalin	Pencocokan apakah angka dan jam sudah benar

Keputusan alokasi dipegang manusia. Hanya ini yang jangan pernah dilepas. AI memang bisa memberi tahu “balik dari drop Bekasi kosong”, tapi muatan apa yang harus diisi ke kendaraan kosong itu agar untung hanya bisa diputuskan orang yang tahu hubungan dengan pengirim dan tarifnya.

Use case 2: Membuat draf balasan pertanyaan

Yang kedua adalah balasan pertanyaan. Untuk “muatan itu sekarang di mana?” atau “bisa undur jemput 1 jam?” dari pengirim, menyusun kalimat dari nol ternyata diam-diam memakan waktu.

Di sini AI kita biarkan mengingat beberapa pertanyaan dan jawaban yang umum di internal, lalu begitu ada pertanyaan baru, ia mengeluarkan draf. Dikirim atau tidak, manusia yang memutuskan.

Dijalankan dengan checklist supaya tidak goyang.

Apakah isi pertanyaan sudah diringkas satu baris?
Apakah draf jawaban memuat fakta (jam, tempat, nama trip)?
Apakah fakta itu cocok dengan jadwal armada atau sistem? (di sini manusia yang cek)
Apakah ada data yang tak boleh keluar — nama pengirim, nomor telepon — terselip di teks?
Apakah sudah dibaca ulang atas nama admin sebelum dikirim?

Nomor 3 dan 4 mutlak dikerjakan manusia. AI menulis “kira-kira tiba jam 14.00” dengan penuh percaya diri, tapi apakah jam 14.00 itu benar, AI tidak tahu.

Use case 3: Pemeriksaan ganda jadwal armada

Yang ketiga, jadwal armada yang sudah jadi diminta diperiksa “apakah ada yang terlewat”. Manusia sulit menyadari salahnya sendiri di tabel buatan sendiri. Lupa ganti tanggal, sopir yang sama di dua tempat pada jam sama, kolom balik yang kosong. Pemeriksaan mekanis seperti ini, sekali dilewatkan ke AI, bisa terjaring.

Di sini pun AI tidak mengambil keputusan. Biarkan ia menunjuk “sopir nomor 7 ada dua tugas jam 9 dan 9.30, secara geografis rasanya mustahil”, lalu yang membenahi manusia. Hanya dengan ini, “salah copas” yang tadi disebut berkurang banyak.

Template prompt siap copas

Supaya bisa langsung dipakai, saya taruh tiga. Ganti nama perusahaan dan tabel singkatan dengan milik perusahaan Anda sendiri.

Template 1: mengubah catatan singkatan jadi tabel.

Kamu adalah asisten pengaturan armada perusahaan logistik. Ubah catatan armada berikut jadi tabel.
Kolomnya: "jenis kendaraan / trip / titik jemput / jenis muatan / balik / hal tidak jelas".
Uraikan singkatan sebagai istilah logistik umum; yang tidak bisa kamu pastikan, tulis di "hal tidak jelas".
Jangan mengalokasikan armada sendiri, dan jangan menambah trip yang tidak tertulis.

Catatan:
(tempel catatan singkatan di sini)

Template 2: draf jawaban pertanyaan.

Kamu adalah petugas pembuat draf balasan layanan pelanggan perusahaan logistik.
Buat draf balasan yang sopan tapi ringkas untuk pertanyaan berikut.
Untuk bagian yang butuh fakta seperti jam atau tempat, jangan memastikan; sisakan sebagai
placeholder seperti "[Perlu dicek: jam tiba]". Jangan mengarang fakta.

Pertanyaan:
(tempel isi pertanyaan di sini)

Template 3: pemeriksaan ganda jadwal armada.

Periksa jadwal armada berikut, lalu tunjukkan HANYA pertentangannya dalam bentuk poin.
Yang dilihat: "tumpang tindih jam sopir yang sama", "kemustahilan geografis antara titik jemput dan jam",
"kolom balik yang kosong", "ketidakcocokan tanggal atau nama trip".
Kamu tidak perlu menyusun ulang pengaturan armadanya. Cukup tunjukkan masalahnya saja.

Jadwal armada:
(tempel jadwal armada di sini)

Skrip verifikasi: mengubah catatan singkatan jadi data tabel

Memeriksa hasil prompt dengan tangan tiap kali itu melelahkan, jadi saya taruh skrip kecil yang mengubah catatan jadi data terstruktur lalu memeriksa item terlewat secara mekanis. Bisa jalan asal ada Node.js. Skrip ini membaca output AI (diasumsikan dipisah tab) dan hanya memperingatkan baris yang masih punya “hal tidak jelas” — alat sederhana tapi mujarab.

import { readFileSync } from "node:fs";

// Asumsikan AI mengembalikan format pisah-tab: "kendaraan\ttrip\tjemput\tmuatan\tbalik\ttidak_jelas"
const raw = readFileSync(process.argv[2] ?? "armada.tsv", "utf8");
const cols = ["kendaraan", "trip", "jemput", "muatan", "balik", "tidak_jelas"];

const rows = raw
  .trim()
  .split("\n")
  .map((line) => line.split("\t"))
  .map((cells) => Object.fromEntries(cols.map((c, i) => [c, (cells[i] ?? "").trim()])));

let warnings = 0;
for (const [idx, r] of rows.entries()) {
  const n = idx + 1;
  if (!r["jemput"]) { console.log(`Baris ${n}: titik jemput kosong`); warnings++; }
  if (!r["kendaraan"]) { console.log(`Baris ${n}: jenis kendaraan kosong`); warnings++; }
  if (r["tidak_jelas"]) { console.log(`Baris ${n}: perlu dicek -> ${r["tidak_jelas"]}`); warnings++; }
}

console.log(`---\n${warnings} dari ${rows.length} baris perlu dicek`);
if (warnings > 0) process.exitCode = 1;

Menjalankannya hanya begini.

node check-armada.mjs armada.tsv

Dengan ini, kecelakaan “hal tidak jelas lolos ke jadwal armada” berhenti. Kalau ada satu saja yang perlu dicek, kode keluar (exit code) jadi 1, jadi kalau dipasang ke alur otomatis, pemeriksaan manusia bisa dipaksakan.

Sebelum dan sesudah penerapan

Dilihat dari angka, efeknya jelas. Ini hanya patokan per satu admin armada.

Pekerjaan	Sebelum	Sesudah
Menyalin catatan singkatan	40 menit di pagi hari	Sekitar 10 menit (tempel + cek)
Menyusun balasan pertanyaan	5 menit per item	1–2 menit per item (draf + sunting)
Mencari salah di jadwal armada	Baru sadar setelah jadi masalah	Masalah muncul saat itu juga

Andai menyalin hemat 30 menit, dan 20 pertanyaan masing-masing hemat 3 menit, kasar-kasar sekitar 90 menit per hari. Dengan 20 hari kerja per bulan, sekitar 30 jam terbebas. Bila upah admin armada diandaikan Rp50.000 per jam, setara sekitar Rp1,5 juta per bulan. Dikurangi repot penerapan pun, ruang beberapa ratus ribu hingga jutaan per bulan saya rasa garis yang realistis.

Mau dipakai untuk apa waktu yang terbebas itu, terserah perusahaan. Tapi di lapangan yang saya lihat, yang besar adalah waktu “senior mendampingi karyawan baru untuk mengajar”.

Catatan keamanan dan data pribadi

Justru karena ini perusahaan logistik, bagian ini tak bisa dilewati. Catatan armada memuat nama perusahaan pengirim, alamat tujuan kirim, nama sopir, plat nomor kendaraan, kadang sampai isi muatan. Semua itu jelas data pribadi dan data transaksi.

Setidaknya, patuhi hal berikut.

Tentukan dulu sebagai perusahaan: “untuk pekerjaan, layanan AI generatif mana, paket apa, yang boleh dipakai”. Jangan tempel data kerja ke akun gratis pribadi.
Nama pengirim, nama orang, nomor telepon, samarkan jadi “Perusahaan A”, “Petugas B” sebelum diberikan ke AI. Menyisipkan satu tahap penggantian di depan skrip tadi lebih aman.
Pastikan setelan dan kontraknya membuat data yang diinput tidak dipakai untuk pelatihan model.
Jangan mengirim output mentah-mentah ke luar. Bersama cek fakta, manusia memeriksa apakah ada data pribadi tercampur.

Pola pikir penyamaran dan penyusunan aturan lebih aman digarap satu paket dengan desain operasional internal. Cara membuat Claude Code mengingat aturan ada di claude-md-best-practices, dan jalur agar non-engineer mulai memakainya dengan aman ada di claude-code-for-non-engineers. Langkah pertama penerapan paling enak dibaca di claude-code-getting-started-guide. Sebagai acuan keputusan, ada baiknya sekali-sekali membaca panduan resmi pemerintah soal perlindungan data, misalnya halaman Undang-Undang PDP Indonesia.

Pertanyaan umum

T. Bisakah pengaturan armada diserahkan sepenuhnya ke AI? Tidak. Yang diserahkan hanya merapikan, membuat draf, menunjukkan masalah. Kendaraan mana untuk trip mana adalah keputusan yang mencakup tarif, hubungan dengan pengirim, sampai kondisi badan sopir — terlalu banyak hal yang tidak diketahui AI. Keputusan dipegang manusia.

T. Apakah AI memahami singkatan dan aturan khas internal kami? Tidak begitu saja. Anda perlu memberikan tabel singkatan di dalam prompt, atau merangkum aturan internal ke sebuah berkas dan membacakannya tiap kali. Cara mengajarinya bisa merujuk ke claude-code-prompt-engineering-advanced.

T. Apakah admin armada yang kurang akrab dengan komputer pun bisa pakai? Kalau hanya menempel prompt dan memeriksa hasilnya, tidak sulit. Mulailah dari operasi copas dulu, setelah terbiasa baru otomatiskan dengan skrip. Kiat pemakaian harian ada di claude-code-productivity-tips.

T. Berapa biaya penerapannya? Biaya pakai AI generatif bisa dimulai dari skala puluhan ribu rupiah per bulan. Yang lebih besar bukan biaya, melainkan repotnya “menyusun aturan internal”; kalau ini dilewati, risiko kebocoran data pribadi tetap ada.

Hasil yang benar-benar saya coba

Saya coba sendiri: bikin 15 catatan singkatan dummy dan 10 pertanyaan, lalu jalankan alur ini.

Catatan singkatan, setelah dijadikan tabel dengan Template 1 lalu dilewatkan ke skrip verifikasi, memunculkan peringatan “titik jemput kosong” dan “balik belum diisi” pada 3 baris. Ternyata itu memang bagian yang benar-benar terlewat di catatan asli, yang luput saat diperiksa mata manusia. Penjaga gerbang mekanis itu yang menjaringnya.

Draf pertanyaan, Template 2 dengan baik menyisakan placeholder “[Perlu dicek: jam tiba]”. Sengaja saya tanya dengan cara menjebak agar ia memastikan fakta, tapi ia tidak mengarang jam — ini bahan ketenangan.

Di sisi lain ada juga batas yang saya sadari. Singkatan khas perusahaan, misalnya kode rahasia yang menunjuk gudang sendiri, kalau tabel padanannya tidak diberikan akan jujur dialihkan ke “hal tidak jelas”. Ini justru perilaku yang benar, lebih aman daripada ditebak sembarangan.

Kesimpulannya: keputusan pengaturan armada tetap dipegang manusia seperti biasa, lalu bagian di depannya — “merapikan, membuat draf, menunjukkan yang terlewat” — diserahkan ke AI, maka pekerjaan kasar jelas jadi ringan. Itu yang saya rasakan sekarang. Kalau ingin menata dari aturan penerapan tingkat perusahaan, lewat pelatihan & konsultasi kita bisa merumuskan bersama cara yang pas untuk lapangan Anda.