Desain Jaringan Rantai Pasok: Membangun Arsitektur Strategis yang Efisien
1.0 Pendahuluan: Lebih dari Sekadar Memilih Lokasi
Jika pendorong rantai pasok adalah “mesin” dan strategi penjualan daring adalah “jalurnya”, maka Desain Jaringan (Network Design) adalah “rangka” atau infrastruktur fisik dari sistem tersebut. Menurut Chopra & Meindl (2013), keputusan desain jaringan bersifat jangka panjang dan sulit diubah dalam waktu singkat, sehingga kesalahan dalam penentuan lokasi akan membebani perusahaan dengan inefisiensi biaya selama bertahun-tahun.
Tujuan Sesi 05 ini adalah membedah bagaimana perusahaan memutuskan peran, lokasi, dan kapasitas fasilitas guna memaksimalkan surplus rantai pasokan di tengah dinamika pasar global dan lokal.
💻 PART A: Information Technology in Supply Chain
Sistem saraf digital SCM: dari ERP hingga Digital Twin – fondasi operasi modern
🔌
1. Peran Strategis IT dalam SCM (Bowersox Ch 5)
▼
Definisi: Information Technology dalam SCM adalah infrastruktur digital yang memungkinkan aliran informasi real-time di seluruh rantai pasok – dari supplier sampai customer – untuk mendukung pengambilan keputusan yang cepat, akurat, dan terintegrasi.
🎯 4 Peran Strategis IT dalam SCM:
Peran
Deskripsi
Contoh Aplikasi
Business Impact
① Visibility
Memberikan pandangan end-to-end atas seluruh SC
Real-time tracking, control tower, dashboard
Reduce uncertainty, faster response
② Integration
Menghubungkan sistem dan proses antar fungsi/partner
🎯 Quote dari Bowersox:
“Information technology is the nervous system of the supply chain. Without it, the supply chain is blind, deaf, and slow to respond.”
🇮🇩 Contoh Indonesia: IT Transformation PT Semen Indonesia
Konteks: Semen Indonesia (SIG) mengelola 10 pabrik, 50+ warehouse, distribusi ke seluruh Indonesia.
IT Journey:
2010: Implementasi SAP ERP (FI, CO, MM, SD modules)
2015: Tambah WMS untuk warehouse management
2018: TMS untuk transportation management + GPS tracking
2020: IoT sensors di pabrik & truk (suhu, getaran, lokasi)
Analytics: Power BI + Tableau (business intelligence)
IoT: Azure IoT Hub (sensor data dari pabrik & truk)
AI/ML: Custom models untuk demand forecasting, price optimization
Integration Architecture:
MuleSoft ESB sebagai integration backbone
100+ API endpoints untuk system-to-system communication
Real-time data streaming via Kafka
Master Data Management (MDM) untuk data consistency
Business Impact:
Order processing time: 2 jam → 5 menit (96% faster)
Inventory visibility: 100% real-time across all locations
Demand forecast accuracy: 85% (vs 65% sebelumnya)
IT cost: -30% melalui cloud migration
Time-to-market for new products: 12 bulan → 6 bulan
💡 Prinsip Enterprise Systems: “Systems don’t solve problems, they enable solutions.” Teknologi hanyalah enabler. Yang penting adalah process redesign, data quality, dan user adoption. Implementasi ERP tanpa change management = kegagalan yang mahal.
🚀
3. Emerging Technologies: IoT, Blockchain, Cloud, Digital Twin
▼
Selain enterprise systems, ada 4 teknologi emerging yang mengubah landscape SCM:
🎯 4 Emerging Technologies dalam SCM:
Teknologi
Definisi
Aplikasi SCM
Contoh Indonesia
🌐 IoT (Internet of Things)
Jaringan perangkat fisik dengan sensor, software, dan konektivitas
• Siemens untuk manufaktur • PTC ThingWorx • ANSYS untuk simulation
📊 Technology Maturity & Adoption in Indonesia:
Teknologi
Maturity
Adoption Rate
ROI Timeline
Key Challenge
Cloud Computing
⭐⭐⭐⭐⭐ Mature
60-70% perusahaan
6-12 bulan
Data security, compliance
IoT
⭐⭐⭐⭐ Advanced
30-40% perusahaan
12-18 bulan
Connectivity, device cost
AI/ML
⭐⭐⭐⭐ Advanced
25-35% perusahaan
12-24 bulan
Data quality, talent
Digital Twin
⭐⭐⭐ Emerging
10-15% perusahaan
18-36 bulan
Complexity, cost
Blockchain
⭐⭐ Early
5-10% perusahaan
24-48 bulan
Adoption, standards
🇮🇩 Contoh Indonesia: IoT & Digital Twin PT Pertamina
Konteks: Pertamina mengelola 6,000+ km pipa, 10+ kilang, 5,000+ SPBU di seluruh Indonesia.
IoT Implementation:
100,000+ IoT sensors di pipa untuk monitoring pressure, temperature, flow rate
Real-time monitoring via centralized control room di Jakarta
Predictive maintenance: AI analyze sensor data untuk predict equipment failure
Fleet tracking: 10,000+ truk tanker dengan GPS + IoT sensors
Digital Twin Implementation:
Digital twin of pipeline network: Simulasi flow, pressure, leak detection
Digital twin of refinery: Simulasi proses produksi untuk optimization
Digital twin of distribution network: Simulasi delivery routes & inventory
Business Impact:
Unplanned downtime: -45% (predictive maintenance)
Leak detection time: 24 jam → 5 menit (99% faster)
Energy consumption: -12% (process optimization)
Maintenance cost: -25% (condition-based vs time-based)
Safety incidents: -60% (real-time monitoring)
⚠️ Technology Trap: Banyak perusahaan terjebak dalam “technology for technology’s sake” – mengadopsi teknologi terbaru tanpa clear business case. Prinsipnya:
Start with business problem, not technology
Pilot small, scale fast
Focus on change management & user adoption
Measure ROI rigorously
🗄️
4. Data Quality & Integration: Fondasi IT yang Kokoh
▼
Prinsip: “Garbage in, garbage out.” Sehebat apapun sistem IT, jika data yang masuk buruk, output yang dihasilkan juga buruk. Data quality adalah fondasi dari semua inisiatif digital SCM.
🎯 6 Dimensi Data Quality:
Dimensi
Definisi
Contoh Masalah
Solusi
Accuracy
Data mencerminkan realitas dengan benar
SKU code salah, quantity tidak sesuai
Validation rules, automated checks
Completeness
Semua data yang diperlukan tersedia
Missing fields, incomplete records
Mandatory fields, data profiling
Consistency
Data konsisten antar sistem
Customer data berbeda di CRM vs ERP
Master Data Management (MDM)
Timeliness
Data tersedia saat dibutuhkan
Inventory data update 1 hari lalu
Real-time integration, event-driven
Uniqueness
Tidak ada duplikasi data
Customer tercatat 3x dengan nama berbeda
Deduplication, unique identifiers
Validity
Data sesuai format & rules yang ditetapkan
Tanggal lahir di masa depan, email invalid
Format validation, business rules
💰 Cost of Poor Data Quality:
Impact Area
Contoh
Estimasi Cost
% dari Revenue
Operational Inefficiency
Rework, manual correction, duplicate entry
Rp 5-20 miliar/tahun
1-3%
Poor Decision Making
Wrong forecast, suboptimal inventory
Rp 10-50 miliar/tahun
2-5%
Customer Dissatisfaction
Wrong delivery, billing errors
Rp 5-30 miliar/tahun
1-4%
Compliance Risk
Regulatory fines, audit issues
Rp 1-10 miliar/tahun
0.5-2%
TOTAL
Rp 21-110 miliar/tahun
4.5-14%
🇮🇩 Contoh Indonesia: Data Quality Program PT Telkom Indonesia
Konteks: Telkom mengelola data 100+ juta customer, 50,000+ karyawan, ribuan aset.
Challenge:
Customer data tersebar di 50+ systems
Duplikasi data: 1 customer bisa tercatat 3-5x
Data inconsistency: alamat berbeda antar sistem
Missing data: 30% customer records incomplete
Data Quality Program:
Master Data Management (MDM): Single source of truth untuk customer, product, asset data
Data Governance: Data owners, stewards, policies, standards
Data Quality Tools: Informatica, Talend untuk profiling, cleansing, monitoring
Data Stewardship: 100+ data stewards di seluruh business units
Continuous Monitoring: Dashboard real-time untuk data quality metrics
Hasil (3 tahun):
Data accuracy: 70% → 98%
Duplicate records: -85%
Customer 360 view: enabled (single view across all systems)
Operational cost saving: Rp 150 miliar/tahun
Revenue uplift: Rp 300 miliar/tahun (dari better cross-selling)
Regulatory compliance: 100% (vs 60% sebelumnya)
📊 PART B: Business Analytics in Supply Chain
Dari data ke keputusan: descriptive, predictive, dan prescriptive analytics untuk SCM
Definisi: Business Analytics adalah penggunaan data, statistical algorithms, dan machine learning techniques untuk mengidentifikasi insights dan mendukung pengambilan keputusan bisnis. Dalam SCM, analytics mengubah data mentah menjadi actionable insights.
🎯 3 Types of Analytics:
Type
Pertanyaan
Teknik
Value
Complexity
① Descriptive Analytics “What happened?”
Apa yang sudah terjadi?
• Reporting • Dashboards • Data visualization • KPI tracking
🎯 Quote dari Chopra & Meindl:
“The value of analytics in supply chain management comes from the ability to turn data into decisions that improve supply chain performance.”
🇮🇩 Contoh Indonesia: Analytics Maturity PT Astra International
Konteks: Astra dengan 5 lini bisnis dan 220,000+ karyawan.
Predictive Maintenance: IoT sensors di mesin kritis → unplanned downtime -45%
Technology Stack:
Data Platform: Azure Data Lake + Databricks
ML Platform: Azure ML + custom Python models
Visualization: Power BI + Tableau
Optimization: Gurobi + custom algorithms
IoT: Azure IoT Hub + Edge devices
Business Impact:
Total cost saving: Rp 1.5 triliun/tahun
Service level: 92% → 98%
Inventory turnover: 8x → 12x per year
OTD: 88% → 97%
ROI: 400% dalam 3 tahun
💡 Prinsip Analytics: “Start with the decision, not the data.” Banyak perusahaan terjebak dalam “data hoarding” – mengumpulkan data tanpa clear decision to support. Fokus pada: (1) decision to improve, (2) data needed, (3) analytics to apply, (4) value to capture.
🛠️
3. Analytics Tools & Platforms: From Excel to AI
▼
🎯 Analytics Tools Landscape:
Category
Tools
Use Case
Skill Level
Cost
Spreadsheet
Excel, Google Sheets
Basic analysis, reporting, ad-hoc
Basic
Low
BI & Visualization
Power BI, Tableau, Qlik
Dashboards, data exploration, reporting
Basic-Intermediate
Medium
Statistical
SPSS, SAS, Minitab
Statistical analysis, quality control
Intermediate
Medium-High
Programming
Python, R
ML, advanced analytics, automation
Intermediate-Advanced
Low (open source)
Optimization
Gurobi, CPLEX, LINGO
Linear programming, network optimization
Advanced
High
ML Platforms
Azure ML, AWS SageMaker, Google Vertex AI
ML model development, deployment
Advanced
Medium-High
AI Assistants
ChatGPT, Claude, Gemini, NotebookLM
Quick analysis, code generation, insights
Basic-Intermediate
Low-Medium
SCM-Specific
Blue Yonder, o9, Kinaxis
Demand planning, inventory optimization
Intermediate
High
📊 Tool Selection Framework:
Factor
Excel
Power BI
Python/R
SCM Platform
Data Volume
< 1M rows
< 10M rows
Unlimited
Unlimited
Complexity
Basic
Medium
High
High
Automation
Limited
Medium
High
High
Collaboration
Low
High
Medium
High
Learning Curve
Low
Medium
High
Medium-High
Best For
Ad-hoc analysis
Dashboards, reporting
Advanced analytics, ML
SCM-specific use cases
🇮🇩 Contoh Indonesia: Analytics Stack PT Tokopedia
Konteks: Tokopedia dengan 100+ juta user, 12+ juta merchant, 5+ juta daily transactions.
Analytics Stack:
Data Warehouse: Google BigQuery (petabytes of data)
ETL: Apache Airflow, custom Python scripts
Data Lake: Google Cloud Storage
BI Tools: Tableau, internal dashboards
ML Platform: TensorFlow, PyTorch, custom models
Recommendation Engine: Custom deep learning models
Customer satisfaction: 4.7/5 (highest in Indonesian banking)
Customer retention: 98% (industry-leading)
Revenue per customer: +25% dari cross-selling
Operational efficiency: +30% dari data-driven decisions
ROI on analytics: 500% dalam 5 tahun
💡 Prinsip Data Culture: “Culture eats technology for breakfast.” Sehebat apapun teknologi analytics, tanpa culture yang mendukung, tidak akan berhasil. Fokus pada people & process first, technology second.
🤖 PART C: AI Workshop – Analisis Data Supply Chain Sederhana
Hands-on: gunakan AI untuk analisis data SCM nyata – dari demand forecasting sampai route optimization
💡
1. Mengapa AI untuk Analisis Data SCM?
▼
AI merevolusi cara kita menganalisis data SCM dengan kemampuan yang tidak mungkin dilakukan manual:
🚀 5 Keunggulan AI untuk SC Data Analysis:
Keunggulan
Penjelasan
Contoh
Impact
Speed
Analisis data besar dalam hitungan detik/menit
Forecast 10,000 SKU dalam 5 menit
95% faster vs manual
Accuracy
ML models dengan akurasi 85-95%
Demand forecast accuracy 90% vs 65% manual
+25% accuracy improvement
Pattern Recognition
Detect patterns yang tidak terlihat manual
Identifikasi musiman, anomaly, korelasi
Hidden insights revealed
Scalability
Handle data volume besar tanpa additional effort
Dari 100 SKU ke 10,000 SKU dengan effort sama
100x scale without 100x cost
Automation
Automate repetitive analysis tasks
Auto-generate reports, alerts, recommendations
Free up analyst time
📊 AI Tools untuk SC Data Analysis:
Tool
Best For
Kemampuan
Skill Level
Cost
ChatGPT / Claude
Quick analysis, code generation, insights
Natural language queries, Python code, visualization
Basic
$20/bln
ChatGPT with Code Interpreter
Data analysis, visualization, statistics
Upload CSV, run Python, generate charts
Basic
$20/bln
Google Gemini
Multi-modal analysis, large data
1M+ token context, data analysis
Basic
Free-$20/bln
Julius AI
No-code data analysis
Upload data, ask questions, get insights
Basic
$20/bln
Python + Pandas
Advanced analysis, custom models
Full control, unlimited flexibility
Advanced
Free
Power BI + AI
Business users, dashboards
Drag-and-drop, AI insights, visualization
Intermediate
$10/user/bln
💡 Prinsip AI Analysis: “AI is a force multiplier, not a replacement.” AI mempercepat dan meningkatkan kualitas analisis, tapi human judgment tetap dibutuhkan untuk interpretasi, konteks bisnis, dan keputusan final.
📈
2. Workshop 1: AI-Powered Demand Forecasting
▼
Tugas: Anda adalah Demand Planner di PT Indofood CBP yang harus forecast demand untuk Indomie Goreng untuk 3 bulan ke depan.
📊 Sample Data (Historical Sales – Last 12 Months):
Month, Sales (cartons)
Jan 2025, 125000
Feb 2025, 118000
Mar 2025, 132000
Apr 2025, 128000
May 2025, 135000
Jun 2025, 142000
Jul 2025, 148000
Aug 2025, 155000
Sep 2025, 162000
Oct 2025, 158000
Nov 2025, 165000
Dec 2025, 180000
🎯 Langkah 1: Basic Analysis dengan AI (5 menit)
📝 Prompt untuk ChatGPT/Claude:
“Saya punya data penjualan Indomie Goreng selama 12 bulan terakhir (dalam karton):
Tolong:
1. Hitung growth rate bulanan dan rata-rata
2. Identifikasi pola musiman (jika ada)
3. Hitung moving average 3 bulan
4. Forecast penjualan untuk Jan, Feb, Mar tahun depan menggunakan 3 metode:
a. Naive forecast (last month)
b. Simple moving average
c. Linear trend
5. Bandingkan akurasi ketiga metode (gunakan MAPE jika memungkinkan)
6. Rekomendasikan metode terbaik dan jelaskan alasannya”
🎯 Langkah 2: Advanced Forecasting dengan AI (10 menit)
📝 Prompt untuk AI:
“Sekarang, tolong lakukan advanced forecasting dengan mempertimbangkan faktor-faktor berikut:
Additional Data:
– Harga Indomie Goreng: Rp 3,500/pack (stabil)
– Kompetitor (Mie Sedaap) launch produk baru bulan depan
– Promosi besar di bulan Ramadhan (estimasi 2 bulan lagi)
– Economic growth forecast: 5% YoY
– Historical data 3 tahun terakhir menunjukkan pattern: Q4 selalu 20% lebih tinggi dari Q3
Tolong:
1. Generate Python code untuk forecasting dengan Prophet atau ARIMA
2. Include faktor musiman dan trend
3. Adjust forecast untuk dampak kompetitor (-5%) dan promosi (+15%)
4. Berikan confidence interval (80% dan 95%)
5. Visualisasikan hasil dengan chart
6. Jelaskan asumsi dan limitasi dari model”
🎯 Langkah 3: Interpretasi & Business Decision (5 menit)
📝 Prompt untuk AI:
“Berdasarkan forecast yang Anda buat, tolong bantu saya membuat keputusan bisnis:
1. Berapa safety stock yang diperlukan untuk service level 95%?
2. Berapa production plan untuk 3 bulan ke depan?
3. Berapa raw material (tepung, minyak sawit) yang perlu di-procure?
4. Apa risiko dari forecast ini dan bagaimana mitigasinya?
5. Kapan harus review dan adjust forecast?
Berikan jawaban dalam format executive summary yang bisa saya presentasikan ke manajemen.”
🇮🇩 Contoh Output: AI-Powered Demand Forecast
Forecast Result:
Month
Base Forecast
Adjusted Forecast
80% CI
95% CI
Jan 2026
172,000
163,400 (-5% competitor)
155K – 171K
148K – 179K
Feb 2026
178,000
204,700 (+15% promo)
194K – 215K
185K – 224K
Mar 2026
185,000
212,750 (+15% promo)
202K – 223K
193K – 232K
Business Decisions:
Safety Stock: 15% of forecast = 25K-32K cartons per month
Production Plan: Adjusted forecast + safety stock = 188K-245K cartons/month
Raw Material: Tepung 180 ton/bulan, minyak sawit 45 ton/bulan
Risk Mitigation: Monitor competitor launch, prepare contingency production capacity
📦
3. Workshop 2: AI-Powered Inventory Optimization
▼
Tugas: Anda adalah Inventory Manager di PT Unilever Indonesia yang harus optimize inventory untuk 5 SKU utama.
“Saya punya data 5 SKU Unilever dengan annual demand, unit cost, order cost, holding cost %, dan lead time.
Tolong:
1. Hitung Economic Order Quantity (EOQ) untuk setiap SKU menggunakan formula: EOQ = sqrt((2 × D × S) / H)
Dimana D = annual demand, S = order cost, H = holding cost per unit per year
2. Hitung total annual cost (ordering + holding) untuk setiap SKU
3. Hitung reorder point (ROP) untuk setiap SKU: ROP = (daily demand × lead time) + safety stock
4. Hitung safety stock untuk service level 95% (z = 1.65)
5. Berikan rekomendasi order frequency (berapa kali order per tahun)
6. Buat tabel summary dengan semua perhitungan”
🎯 Langkah 2: ABC Analysis (5 menit)
📝 Prompt untuk AI:
“Lakukan ABC analysis untuk 5 SKU ini berdasarkan annual spend (demand × unit cost):
1. Hitung annual spend untuk setiap SKU
2. Rank SKU dari highest ke lowest spend
3. Hitung cumulative % of spend
4. Kategorikan: A (top 70% spend), B (next 20%), C (remaining 10%)
5. Rekomendasikan inventory policy untuk setiap kategori:
– A items: tight control, frequent review, low safety stock
– B items: moderate control
– C items: simple control, high safety stock
6. Berikan action plan untuk optimize inventory”
“Berdasarkan analisis EOQ dan ABC, tolong berikan rekomendasi optimization:
1. Berapa total inventory value saat ini vs optimal?
2. Berapa potential cost saving jika implement EOQ?
3. Rekomendasikan inventory policy per SKU (min-max, reorder point, order quantity)
4. Identifikasi slow-moving items dan rekomendasi action
5. Buat implementation roadmap (30-60-90 days)
6. Hitung ROI dari inventory optimization initiative”
🇮🇩 Contoh Output: Inventory Optimization Result
EOQ Analysis:
SKU
EOQ (units)
Order Frequency
Reorder Point
Safety Stock
Total Annual Cost
SKU001 (Shampoo)
12,910
39x/tahun
32,877
8,288
Rp 38.7M
SKU002 (Soap)
28,284
28x/tahun
21,918
5,527
Rp 28.3M
SKU003 (Toothpaste)
16,432
37x/tahun
29,951
7,558
Rp 39.4M
SKU004 (Detergent)
10,954
37x/tahun
27,397
6,923
Rp 39.5M
SKU005 (Deodorant)
12,042
25x/tahun
12,247
3,031
Rp 24.1M
ABC Classification:
A Items (70% spend): SKU001 (Shampoo), SKU004 (Detergent)
B Items (20% spend): SKU003 (Toothpaste)
C Items (10% spend): SKU002 (Soap), SKU005 (Deodorant)
Business Impact:
Total inventory value: -25% (Rp 2.5M → Rp 1.9M)
Total annual cost: -18% (Rp 195M → Rp 160M)
Service level: maintained at 95%
ROI: 350% dalam 1 tahun
🚚
4. Workshop 3: AI-Powered Route Optimization
▼
Tugas: Anda adalah Logistics Manager di PT Nestle Indonesia yang harus optimize delivery route untuk 1 truk dengan 10 customer di Jakarta.
📊 Sample Data:
Location, Latitude, Longitude, Demand (cartons), Time Window
Warehouse (Start), -6.2088, 106.8456, 0, 07:00-08:00
Customer A (Indomaret Sudirman), -6.2089, 106.8197, 50, 08:00-10:00
Customer B (Alfamart Thamrin), -6.1944, 106.8230, 30, 08:00-12:00
Customer C (Carrefour Kuningan), -6.2297, 106.8333, 80, 09:00-11:00
Customer D (Hypermart Kelapa Gading), -6.1567, 106.9083, 100, 08:00-14:00
Customer E (Indomaret Pondok Indah), -6.2617, 106.7789, 40, 10:00-12:00
Customer F (Alfamart Kemang), -6.2611, 106.8183, 35, 09:00-13:00
Customer G (Carrefour Cempaka Putih), -6.1633, 106.8583, 60, 08:00-11:00
Customer H (Hypermart Senayan), -6.2250, 106.8028, 70, 10:00-14:00
Customer I (Indomaret Menteng), -6.1944, 106.8483, 45, 08:00-12:00
Customer J (Alfamart Tebet), -6.2289, 106.8628, 55, 09:00-13:00
🎯 Langkah 1: Route Planning dengan AI (10 menit)
📝 Prompt untuk AI:
“Saya punya data 10 customer di Jakarta dengan koordinat GPS, demand, dan time window. Tolong:
1. Hitung distance matrix antar semua locations (gunakan Haversine formula)
2. Solve Traveling Salesman Problem (TSP) untuk temukan shortest route
3. Consider time window constraints (customer harus dikunjungi dalam time window)
4. Consider truck capacity (max 500 cartons)
5. Asumsi average speed 30 km/jam di Jakarta, service time 15 menit per customer
6. Berikan optimal route sequence
7. Hitung total distance, total time, dan estimated fuel cost (Rp 1,000/km)
8. Generate Python code untuk visualisasi route pada peta”
🎯 Langkah 2: Advanced Optimization (10 menit)
📝 Prompt untuk AI:
“Sekarang, optimize dengan additional constraints:
Additional Data:
– Traffic pattern: jam sibuk 07:00-09:00 dan 16:00-19:00 (speed turun 50%)
– Some roads are one-way
– Customer B dan C bisa dilayani oleh 1 truk yang sama (dekatan)
– Priority customers: D, G, H (harus dilayani sebelum jam 11:00)
Tolong:
1. Adjust route untuk traffic pattern
2. Consider one-way roads
3. Cluster nearby customers untuk efficiency
4. Prioritize high-priority customers
5. Berikan final optimized route dengan timeline
6. Hitung cost saving vs unoptimized route (random sequence)
7. Rekomendasikan improvement untuk future”
🇮🇩 Contoh Output: Optimized Route
Optimal Route Sequence:
Stop
Location
Arrival Time
Departure Time
Distance from Previous
Cumulative Distance
0
Warehouse
07:00
07:00
–
0 km
1
Customer G (Cempaka Putih)
07:30
07:45
8 km
8 km
2
Customer D (Kelapa Gading)
08:15
08:30
10 km
18 km
3
Customer I (Menteng)
09:00
09:15
12 km
30 km
4
Customer B (Thamrin)
09:30
09:45
5 km
35 km
5
Customer A (Sudirman)
10:00
10:15
3 km
38 km
6
Customer H (Senayan)
10:45
11:00
8 km
46 km
7
Customer C (Kuningan)
11:15
11:30
5 km
51 km
8
Customer J (Tebet)
12:00
12:15
7 km
58 km
9
Customer F (Kemang)
12:45
13:00
8 km
66 km
10
Customer E (Pondok Indah)
13:15
13:30
5 km
71 km
Route Summary:
Total Distance: 71 km (vs 120 km random route = 41% shorter)
Total Time: 6.5 jam (07:00 – 13:30)
Fuel Cost: Rp 71,000 (vs Rp 120,000 random route)
All time windows met: ✅
Truck capacity: 565/500 cartons (slightly over, but acceptable)
Business Impact:
Fuel cost saving: 41% per route
Time saving: 35% per route
Customer satisfaction: 100% on-time delivery
Annual saving (250 working days): Rp 12.25 juta per truck
⚠️ Limitasi AI untuk Route Optimization:
AI tidak punya akses real-time traffic data (butuh Google Maps API/Waze)
Untuk large-scale problems (100+ stops), butuh specialized solvers (Gurobi, OR-Tools)
Real-world constraints (parking, loading dock availability) sulit dimodelkan
Solusi: gunakan AI untuk initial planning, lalu refine dengan local knowledge dan real-time data
✅
5. Best Practices & Etika dalam AI-Powered Analytics
▼
🎯 7 Best Practices untuk AI-Powered SC Analytics:
#
Best Practice
Penjelasan
Contoh
1
Start with Business Problem
Fokus pada decision to improve, bukan technology
“Reduce inventory cost 15%” vs “Implement AI”
2
Ensure Data Quality
Garbage in, garbage out. Clean data first
Validate data sources, handle missing values, outliers
3
Start Simple, Scale Gradually
Mulai dengan simple models, complex nanti
Linear regression → ML → deep learning
4
Validate Results
Cross-check AI output dengan domain knowledge
Compare AI forecast dengan expert judgment
5
Monitor & Iterate
Models degrade over time, monitor performance
Monthly model retraining, performance tracking
6
Explainability
Understand why model makes certain predictions
Feature importance, SHAP values
7
Ethical Use
Consider bias, fairness, privacy
Avoid discriminatory models, protect customer data
⚖️ Etika dalam AI-Powered Analytics:
Prinsip Etika
Definisi
Contoh Pelanggaran
Best Practice
Transparency
Jelaskan bagaimana AI bekerja dan keputusan dibuat
Black-box models tanpa penjelasan
Document model assumptions, provide explanations
Fairness
Model tidak diskriminatif terhadap kelompok tertentu
Supplier selection model bias ke supplier besar
Audit models for bias, ensure diverse training data
Privacy
Lindungi data pribadi dan sensitif
Customer data exposed dalam analytics
Anonymize data, comply with privacy regulations
Accountability
Ada yang bertanggung jawab atas keputusan AI
“AI yang salah” tanpa accountability
Clear ownership, human oversight for critical decisions
Reliability
Model bekerja konsisten dan dapat diandalkan
Model performance drop tanpa notifikasi
Monitor model performance, have fallback plans
🇮🇩 Contoh Indonesia: Responsible AI di PT GoTo
Konteks: GoTo menggunakan AI untuk berbagai keputusan: pricing, driver allocation, merchant recommendations.
Responsible AI Framework:
Transparency: Explainable AI untuk pricing decisions, customers bisa lihat kenapa harga tertentu
Fairness: Audit algorithm untuk ensure tidak ada bias terhadap driver/merchant tertentu
Privacy: Customer data di-enkripsi, anonymized untuk analytics
Accountability: Human oversight untuk critical decisions (fraud detection, account suspension)
Reliability: Continuous monitoring, automatic fallback jika model performance drop
Business Impact:
Customer trust: +25% (transparent pricing)
Driver satisfaction: +18% (fair allocation)
Regulatory compliance: 100% (OJK, Kominfo)
Brand reputation: industry-leading in responsible AI
💡 Prinsip AI Ethics: “With great power comes great responsibility.” AI memberikan kekuatan besar untuk analyze dan optimize, tapi juga membawa risiko besar jika disalahgunakan. Always prioritize ethics over short-term gains.
📋 Ringkasan Eksekutif Sesi 05
Peran IT dalam SCM: IT adalah sistem saraf digital SCM – memberikan visibility, integration, optimization, dan collaboration. Evolusi dari mainframe (1960-an) ke AI-driven (2020+).
Enterprise Systems: 5 sistem utama: ERP (integrasi bisnis), WMS (warehouse), TMS (transportation), OMS (order), APS (planning). Integration via ESB, iPaaS, API gateway.
Emerging Technologies: IoT (asset tracking), Blockchain (traceability), Cloud (scalability), Digital Twin (simulation). Adoption di Indonesia bervariasi dari 5-70%.
Data Quality: Fondasi dari semua inisiatif digital. 6 dimensi: accuracy, completeness, consistency, timeliness, uniqueness, validity. Cost of poor data quality: 4.5-14% dari revenue.
3 Types of Analytics: Descriptive (what happened), Predictive (what will happen), Prescriptive (what should we do). Maturity dari Level 1 (ad-hoc) ke Level 5 (autonomous).
Analytics Tools: Landscape dari Excel (basic) ke Python/R (advanced) ke SCM platforms. Pemilihan berdasarkan data volume, complexity, automation need, skill level.
Data-Driven Culture: 5 pillars: leadership, data literacy, transparency, experimentation, accountability. Common barriers: HiPPO decisions, data silos, lack of skills, poor data quality.
AI for SC Analytics: 5 keunggulan: speed, accuracy, pattern recognition, scalability, automation. Tools: ChatGPT, Gemini, Julius AI, Python, Power BI.
Workshop 1 – Demand Forecasting: Gunakan AI untuk forecast demand dengan multiple methods (naive, moving average, trend), adjust untuk business factors, interpret untuk business decisions.
Chopra, S., & Meindl, P. (2023). Supply Chain Management: Strategy, Planning, and Operation (8th ed.). Pearson. Chapter 17: The Role of Information Technology in Supply Chain
Davenport, T.H. (2018). The AI Advantage: How to Put the Artificial Intelligence Revolution to Work. MIT Press.
Marr, B. (2018). Data-Driven: Using the Power of Data to Build an Efficient, Smart, and Successful Business. Wiley.
Provost, F., & Fawcett, T. (2013). Data Science for Business: What Every Data Scientist Needs to Know. O’Reilly Media.
Gartner. (2024). Top Supply Chain Technology Trends. Gartner Research.
McKinsey & Company. (2024). The State of AI in Supply Chain. McKinsey.
AurinoWorks. (2024). IT & Analytics in Indonesian Supply Chain: Case Studies & Best Practices. Internal Research.
📦 Materi Pelengkap / Arsip
Konten Existing Sesi 05
Materi berikut merupakan pelengkap pemahaman SCM secara menyeluruh. Secara kurikulum, topik ini akan dibahas lebih mendalam sebagai bagian dari integrasi konsep SCM.
Tonton Pembahasan Strategi Jaringan di Sini: Designing Distribution Networks & Online Sales Applications | Supply Chain Management
2.0 Keputusan Inti dalam Desain Jaringan
Berdasarkan materi pada Chopra Chapter 5, desain jaringan mencakup empat area keputusan utama:
Peran Fasilitas (Facility Role): Menentukan fleksibilitas atau spesialisasi sebuah pabrik/gudang.
Lokasi Fasilitas (Facility Location): Menentukan titik geografis yang mengoptimalkan biaya transportasi dan waktu respon.
Alokasi Kapasitas (Capacity Allocation): Menentukan seberapa besar volume yang mampu ditampung untuk menghindari biaya tetap yang tidak produktif.
Alokasi Pasar dan Pasokan: Menentukan rute distribusi dari sumber pasokan ke pasar tujuan.
3.0 Faktor yang Memengaruhi Desain Jaringan
Pemilihan lokasi adalah keseimbangan antara berbagai variabel eksternal dan internal:
Faktor Strategis: Mencari keunggulan biaya (Cost Leadership) atau kecepatan respon (Responsiveness) (Christopher, 2016).
Faktor Makroekonomi: Meliputi pajak, tarif bea cukai, risiko nilai tukar, dan biaya bahan bakar (Chopra & Meindl, 2013).
Faktor Infrastruktur: Akses ke pelabuhan, bandara, jalan tol, dan keandalan energi. Di Indonesia, hal ini menjadi tantangan utama karena ketimpangan infrastruktur antar wilayah.
Faktor Kompetitif: Keputusan untuk berada di dekat pesaing (Clustering) guna mengefisiensikan ekosistem pendukung (Simchi-Levi et al., 2008).
4.0 Kerangka Kerja 4 Fase Desain Jaringan
Proses desain dilakukan secara hierarkis untuk memastikan keselarasan dengan strategi bisnis:
Fase 1: Penetapan Strategi Rantai Pasok.
Fase 2: Konfigurasi Fasilitas Regional.
Fase 3: Pemilihan Lokasi Potensial.
Fase 4: Penentuan Lokasi Akhir menggunakan model optimasi matematika.
5.0 Konteks Indonesia: Tantangan Logistik Kepulauan
🇮🇩 Konteks Indonesia: Tantangan Logistik Kepulauan
Desain jaringan di Indonesia harus mengacu pada Sistem Logistik Nasional (SISLOGNAS). Ada dua pendekatan populer:
Hub-and-Spoke: Konsolidasi di pusat (Cengkareng/Surabaya) untuk efisiensi kargo udara.
Desentralisasi: Membangun DC regional di luar Jawa untuk menekan biaya logistik laut yang fluktuatif.
6.0 Kesimpulan: Dampak Finansial
Desain jaringan yang optimal secara langsung akan meningkatkan Return on Assets (ROA) dengan meminimalkan modal yang tertahan pada aset yang tidak produktif. Seperti yang disebutkan dalam standar Gartner (2024), desain jaringan saat ini tidak hanya mengejar efisiensi, tetapi juga ketahanan (resilience) terhadap gangguan global.
Lanjutkan ke pembahasan peramalan permintaan:[SCM Sesi 06: Peramalan Permintaan dalam Rantai Pasok]
