AI untuk Logistik: Pelajaran dari Bukom 2026

Kapasiti pemprosesan Aster di Pulau Bukom dijangka naik daripada 237,000 tong sehari (bpd) kepada 307,000 bpd apabila projek utama siap pada separuh kedua 2026. Itu bukan sekadar berita industri minyak & gas—itu isyarat jelas bahawa operasi industri di Singapura makin padat, saling bergantung, dan sensitif kepada kos.

Bila sebuah fasiliti boleh beralih daripada menerima kargo dengan kapal lebih kecil kepada VLCC (very large crude carriers) yang membawa ~2 juta tong setiap kali berlabuh, logistiknya berubah terus. Jadual kapal, perancangan inventori, penggunaan tenaga, dan penyelenggaraan aset kritikal semuanya perlu bergerak serentak. Dalam keadaan begini, AI dalam logistik dan rantaian bekalan bukan “nice to have”. Ia jadi cara paling praktikal untuk kurangkan pembaziran—masa, tenaga, dan margin.

Artikel asal menyentuh beberapa projek Aster: pengoperasian condensate splitter 70,000 bpd, pembaikan single-buoy mooring untuk menerima kapal lebih besar, monetisasi 4.3 juta m³ kapasiti storan, serta rancangan tenaga rendah karbon termasuk solar dan loji gas yang boleh membakar hidrogen menjelang 2029. Saya nak bawa cerita ini ke arah yang lebih berguna untuk pembaca: apa yang perubahan ini ajar tentang penggunaan AI untuk mengurus logistik, penyelenggaraan, dan tenaga dalam operasi berskala besar di Singapura.

Apa yang sebenarnya berubah bila kapasiti naik (dan kapal jadi lebih besar)

Jawapan ringkasnya: bila throughput naik dan saiz kargo meningkat, variabiliti dan risiko jadual turut meningkat—dan itu biasanya memakan kos.

Di Bukom, Aster merancang dua perubahan yang sangat “logistik-heavy”:

1. Naik taraf pemprosesan melalui condensate splitter (70,000 bpd), termasuk keupayaan memproses 30% sour condensate.
2. Membolehkan VLCC berlabuh semula selepas pembaikan single-buoy mooring, supaya import boleh dibuat dengan kapal lebih besar dan lebih murah per tong.

Kesan langsung pada perancangan rantaian bekalan

Bila kargo datang dalam lot yang jauh lebih besar (VLCC), anda dapat penjimatan kos pengangkutan per unit—tetapi anda juga menghadapi:

• Lonjakan inventori (inventory spikes) yang menekan kapasiti tangki dan perancangan campuran feedstock
• Kesan domino pada jadual jika berlaku kelewatan berlabuh, cuaca, kesesakan pelabuhan, atau isu teknikal mooring
• Risiko demurrage (caj kelewatan kapal) yang boleh jadi sangat mahal untuk aset maritim besar
• Keperluan perancangan tenaga yang lebih tepat kerana kadar operasi (running rate) dan beban utiliti boleh berubah mengikut feedstock dan jadual pemprosesan

Di sinilah AI masuk dengan cara yang sangat praktikal: AI bagus untuk peramalan, penjadualan dinamik, dan pengoptimuman berbilang kekangan (multi-constraint optimization).

AI dalam logistik industri: 3 kegunaan yang terus beri ROI

Jawapan paling jujur: kebanyakan syarikat tak perlu “AI besar-besaran” dulu. Anda perlukan AI yang menyelesaikan tiga punca kebocoran kos: ketidakpastian jadual, downtime aset, dan penggunaan tenaga.

1) Penjadualan kapal & inventori secara ramalan (predictive scheduling)

Untuk operasi yang bergantung pada feedstock import, “plan” biasa dalam Excel cepat rosak bila realiti berubah. AI membantu dengan membina model yang sentiasa mengemas kini jadual berdasarkan data sebenar:

• ETA kapal, kelajuan, cuaca, keadaan laluan
• status berth/mooring dan tetingkap operasi
• paras tangki, kualiti feedstock, dan keperluan blending
• kekangan proses downstream (cracker, unit pemisahan, utiliti)

Hasil yang boleh diukur biasanya datang dalam bentuk:

• pengurangan demurrage dan masa menunggu
• peningkatan ketepatan perancangan stok (safety stock yang lebih tepat, bukan “main letak buffer”)
• kadar penggunaan tangki yang lebih stabil

Praktikal untuk Singapura: operasi pulau seperti Bukom/Jurong Island sangat sensitif kepada ruang dan slot jadual. AI-driven logistics boleh jadi “menara kawalan” (control tower) yang menyatukan data kapal, tangki, dan operasi.

2) Predictive maintenance untuk aset kritikal (mooring, pam, compressor, heat exchanger)

Aster menekankan pembaikan single-buoy mooring. Ini contoh terbaik aset yang bila rosak, kosnya bukan sekadar alat ganti—ia hentikan keseluruhan ekonomi import.

Predictive maintenance menggunakan data sensor (vibration, pressure, temperature, flow) untuk:

• mengesan corak awal kegagalan
• menjangka baki hayat komponen
• menjadualkan kerja penyelenggaraan ketika gangguan paling rendah

Satu jam downtime di fasiliti proses bukan “satu jam”. Ia boleh jadi kehilangan peluang throughput, penalti kontrak, pembaziran tenaga, dan jadual kapal yang huru-hara.

AI di sini bukan magic. Ia disiplin: data bersih, tag sensor konsisten, dan proses tindakan bila model beri amaran.

3) Energy optimization bila carbon tax naik

Artikel menyebut Singapura akan naikkan cukai karbon kepada $45 per tan (daripada $25 pada 2024–2025) untuk perniagaan berpelepasan tinggi. Ini menukar “tenaga” daripada kos utiliti biasa kepada isu margin strategik.

Untuk operasi penapisan/petrokimia, AI biasanya digunakan untuk:

• real-time energy management: mengoptimumkan penggunaan steam, power, dan fuel gas
• set-point optimization: cari titik operasi yang capai spesifikasi produk dengan tenaga minimum
• load forecasting: jangka beban untuk elak peak charges / pembaziran

Tambahan pula, Aster merancang solar dan loji gas yang boleh membakar hidrogen menjelang 2029. Bila sumber tenaga semakin bercampur, keperluan untuk AI energy optimization jadi lebih kuat—kerana anda perlu memutuskan bila guna apa, pada harga dan kekangan grid yang berubah-ubah.

Rantaian bekalan serantau: dari Bukom ke Cilegon, Indonesia

Jawapannya: bila Aster eksport ethylene tambahan ke kompleks Chandra Asri di Cilegon, ia menambah satu lagi lapisan koordinasi rentas sempadan.

Bila satu lokasi tingkatkan output intermediate (contohnya ethylene), anda perlukan penyelarasan dengan:

• jadual kapal/terminal untuk eksport
• keupayaan penerimaan dan penggunaan di downstream plant
• kontrak supply dan penalti jika volume/quality lari
• risiko geopolitik dan gangguan laluan maritim

Bagaimana AI bantu dalam demand forecasting & allocation

Dalam konteks AI dalam rantaian bekalan, dua perkara paling bernilai ialah:

1. Ramalan permintaan yang lebih granular (bukan sekadar bulanan/kuartal)
2. Allocation optimization bila kapasiti terhad: siapa dapat volume, bila hantar, dan spesifikasi apa

Untuk industri kimia, variasi kecil pada spesifikasi boleh mempengaruhi harga dan kesesuaian pemprosesan. AI boleh mengesyorkan allocation berdasarkan margin bersih selepas mengambil kira kos logistik, tenaga, dan risiko kelewatan.

“People also ask”: Soalan biasa tentang AI untuk logistik industri

Adakah AI hanya untuk syarikat besar seperti refinery?

Tidak. Prinsipnya sama untuk SME logistik di Singapura: peramalan + penjadualan + pengoptimuman kos. Bezanya cuma skala dan jenis data.

Data saya berselerak. Boleh mula juga?

Boleh, tapi mulakan dengan satu aliran data yang memberi impak segera—contohnya ETA penghantaran + inventori + SLA pelanggan. Saya biasanya sarankan bina minimum viable dashboard dulu, kemudian tambah model AI bila aliran data stabil.

Apa projek AI paling cepat nampak hasil?

Dalam logistik, tiga kategori paling cepat nampak hasil:

• ETA prediction dan notifikasi pengecualian (exception alerts)
• route & schedule optimization untuk kurangkan masa idle
• inventory forecasting untuk kurangkan overstock/stockout

Pelan tindakan 30-60-90 hari untuk mula guna AI dalam logistik

Jawapan paling berguna ialah pelan yang boleh dibuat minggu ini, bukan tahun depan.

30 hari: pilih satu masalah yang jelas dan metrik yang keras

Contoh metrik:

• kos demurrage / penalti lewat
• masa kitaran (cycle time) dari ketibaan ke pemprosesan
• penggunaan tangki (tank utilization) dan bilangan “near overflow” events
• intensiti tenaga (GJ per tan produk) atau kos tenaga per batch

60 hari: bina “control tower” data ringan

• satukan data operasi utama (penghantaran, inventori, jadual)
• wujudkan definisi data (apa maksud “arrival”, “unloading start”, “complete”)
• bina papan pemuka pengecualian: apa yang perlu perhatian manusia hari ini

90 hari: automasikan keputusan kecil yang berulang

• cadangan jadual semula bila ETA berubah
• amaran awal risiko kekurangan kapasiti tangki
• cadangan bila jalankan maintenance berdasarkan risiko kegagalan

Keputusan besar masih manusia yang buat. AI patut ambil kerja “mengesan masalah awal” dan “mencadangkan pilihan” supaya pasukan operasi boleh fokus pada tindakan.

Apa yang patut pemimpin operasi di Singapura ambil daripada berita Aster

Jawapan tegasnya: apabila industri di Singapura menaik taraf kapasiti dan infrastruktur (splitter, mooring, storan, tenaga), mereka sebenarnya membina operasi yang lebih kompleks, bukan lebih mudah.

Kompleks itu boleh jadi kelebihan jika anda boleh menguruskannya dengan baik. AI ialah cara paling konsisten untuk mengurus kerumitan tanpa menambah lapisan birokrasi—terutamanya untuk AI-driven logistics, predictive maintenance, dan energy optimization dalam persekitaran kos karbon yang semakin ketat.

Jika anda mengikuti siri “AI dalam Logistik dan Rantaian Bekalan”, ini benang merahnya: pengoptimuman bukan lagi tentang satu fungsi (pengangkutan sahaja atau gudang sahaja). Ia tentang menyambungkan keputusan merentas sistem—penghantaran, inventori, operasi, dan tenaga—supaya semua bergerak selari.

Langkah seterusnya mudah: pilih satu titik kebocoran kos yang paling ketara dalam rantaian bekalan anda, dan jadikan AI alat untuk mengurangkannya secara terukur. Bila projek industri besar seperti Bukom bergerak ke fasa baharu pada 2H 2026, soalan yang patut kita fikirkan ialah: adakah operasi kita masih diurus dengan “cara lama” sedangkan rantaian bekalan sudah berubah?