🌍 SCM Sesi 10: Memahami SCM Global
Global Supply Chain Network Design & AI-Powered Country Risk Analysis
Deskripsi: Memahami bagaimana perusahaan merancang dan mengelola jaringan rantai pasok global untuk mencapai keunggulan kompetitif melalui efisiensi biaya dan responsivitas pasar.
🎯 Tujuan Utama SCM Global
Definisi Inti: SCM Global bertujuan untuk mengintegrasikan tiga aliran utama lintas batas negara:
📦 Aliran Barang
Perpindahan fisik produk dari bahan baku hingga ke tangan konsumen akhir di berbagai negara
💻 Aliran Informasi
Pertukaran data order, inventory, tracking, forecast, dan dokumentasi kepabeanan secara real-time
💰 Aliran Keuangan
Pembayaran, letter of credit, transfer valuta asing, asuransi, dan manajemen risiko kurs
🎯 Fokus Strategis SCM Global
SCM Global memiliki dua tujuan yang tampaknya bertentangan, tetapi harus diseimbangkan:
| Tujuan | Strategi | Indikator Keberhasilan |
|---|---|---|
| 1. Meminimalkan Biaya Total |
|
|
| 2. Memaksimalkan Nilai Pelanggan |
|
|
⚖️ Trade-off: Biaya vs Responsivitas
Dilema: Memproduksi di China (biaya murah) tapi lead time 45 hari ke Indonesia vs memproduksi di Indonesia (biaya lebih tinggi 15%) tapi lead time hanya 3 hari.
Solusi: Gunakan strategi “Postponement”:
- Produksi komponen standar di China (efisiensi biaya)
- Assembly & kustomisasi akhir di Indonesia (responsivitas tinggi)
- Contoh: Samsung mengimpor komponen dari Korea/Vietnam, lalu merakit TV di pabrik Cikarang sesuai spesifikasi pasar Indonesia
🔄 SCM Global vs SCM Domestik: Perbedaan Fundamental
Berikut adalah 4 dimensi utama yang membedakan SCM Global dari Domestik:
| Dimensi | SCM Domestik | SCM Global | Dampak pada Operasional |
|---|---|---|---|
| 📏 Jarak & Waktu |
|
|
|
| 🌍 Budaya & Bahasa |
|
|
|
| ⚖️ Hukum & Regulasi |
|
|
|
| 🛃 Bea Cukai & Dokumen |
|
|
|
🇮🇩 Contoh Nyata Indonesia: Integrasi 3 Aluran di PT Unilever Indonesia Tbk
Konteks: Unilever Indonesia mengimpor 40% bahan baku dari 15 negara (China, Malaysia, Singapura, Belanda, USA) dan mendistribusikan produk ke 100.000+ outlet di seluruh Indonesia.
📦 Aliran Barang:
- Bahan baku dari China → Pelabuhan Tanjung Priok (30 hari laut)
- Produksi di pabrik Rungkut (Surabaya) dan Cikarang (Bekasi)
- Distribusi ke 30+ warehouse regional, lalu ke retailer
- Tantangan: Infrastruktur antar-pulau mahal, dwelling time pelabuhan tinggi
💻 Aliran Informasi:
- Menggunakan SAP S/4HANA terintegrasi dengan HQ di Rotterdam (Belanda)
- Real-time tracking shipment dari supplier global via IoT sensor
- Demand forecasting menggunakan AI untuk 5.000+ SKU
- Tantangan: Beda zona waktu dengan HQ (7 jam), perlu tim 24/7
💰 Aliran Keuangan:
- Pembayaran ke supplier China dalam USD, ke Malaysia dalam MYR, ke Belanda dalam EUR
- Menggunakan Letter of Credit (LC) untuk transaksi > $100.000
- Hedging valuta asing untuk melindungi dari fluktuasi kurs Rupiah
- Tantangan: Kurs Rupiah volatil (bisa berubah 5-10% dalam sebulan), mempengaruhi biaya bahan baku
Hasil Integrasi:
- Inventory turnover: 12x per tahun (setara dengan perusahaan global top)
- Service level: 98.5% (produk selalu tersedia di outlet)
- Total logistics cost: 8% dari revenue (di bawah rata-rata industri FMCG Indonesia: 12%)
🌐 Contoh Global: Zara (Inditex) – Integrasi 3 Aliran Tercepat di Dunia
Model Bisnis: Fast fashion – dari desain hingga toko hanya 15 hari (vs industri fashion: 6 bulan)
📦 Aliran Barang:
- Desain di Spanyol → Produksi di Spanyol, Portugal, Maroko, Turki (dekat dengan pasar Eropa)
- Distribusi via udara (bukan laut) ke seluruh dunia
- 2x pengiriman per minggu ke setiap toko (total 50.000+ SKU baru per tahun)
💻 Aliran Informasi:
- Store manager mengirim data penjualan real-time ke HQ setiap hari
- AI menganalisis tren fashion dari media sosial & runway show
- Feedback pelanggan langsung ke tim desain (loop tertutup 7 hari)
💰 Aliran Keuangan:
- Pembayaran ke supplier dalam 30 hari (vs industri: 90-120 hari)
- Konsumen bayar cash di toko (cash conversion cycle negatif = Zara dibayar dulu, baru bayar supplier)
- Modal kerja sangat efisien (-€1.2 miliar cash conversion cycle)
Hasil: Zara menjadi retailer fashion terbesar di dunia dengan margin 2-3x lebih tinggi dari kompetitor.
SCM Global bukan sekadar “SCM Domestik + lintas batas”. Kompleksitasnya eksponensial, bukan linear. Perusahaan yang sukses adalah yang bisa mengubah kompleksitas menjadi keunggulan kompetitif melalui integrasi teknologi, kemitraan strategis, dan manajemen risiko yang proaktif.
1. Apa Itu Global Supply Chain?
Global Supply Chain adalah jaringan fasilitas, pemasok, produsen, distributor, dan pengecer yang tersebar di berbagai negara untuk memperoleh bahan baku, memproduksi, dan mendistribusikan produk ke pasar global.
2. Strategi Desain Jaringan Global
Ada 4 strategi utama dalam mendesain jaringan global (Bowersox Ch 13):
| Strategi | Karakteristik | Cocok Untuk |
|---|---|---|
| International | Ekspor dari negara asal, sedikit adaptasi lokal | Produk standar, pasar kecil |
| Multidomestic | Fasilitas independen di setiap negara, adaptasi penuh | Produk perlu adaptasi budaya (makanan, fashion) |
| Global | Skala ekonomi global, standar di semua negara | Elektronik, otomotif, produk high-tech |
| Transnational | Kombinasi efisiensi global + responsivitas lokal | Perusahaan multinasional besar (Unilever, P&G) |
📊 Contoh Nyata: Apple Inc.
Strategi: Global + Transnational
- Design: California, USA (Innovation hub)
- Manufacturing: China (Foxconn), India, Vietnam (Cost efficiency)
- Components: Japan (Display), Korea (Memory), USA (Chip)
- Distribution: Hub di Singapura, Belanda, USA untuk distribusi global
Hasil: Apple bisa memproduksi iPhone dengan biaya rendah tapi tetap menjaga kualitas premium dan distribusi cepat ke 175+ negara.
🇮🇩 Contoh Indonesia: Indofood Sukses Makmur
Strategi: Multidomestic + International
- Domestic: 50+ pabrik tersebar di Sumatera, Jawa, Sulawesi, Papua untuk melayani pasar lokal dengan biaya logistik minimal
- International: Ekspor Indomie ke 100+ negara, dengan pabrik di Nigeria (untuk pasar Afrika) dan Mesir (untuk pasar Timur Tengah)
- Adaptasi Lokal: Rasa Indomie disesuaikan dengan selera lokal (contoh: Indomie Rasa Rendang untuk pasar Malaysia, Rasa Kari untuk India)
Keunggulan: Indofood bisa bersaing dengan produk lokal di setiap negara karena memiliki fasilitas produksi lokal, tapi tetap mendapat keuntungan dari skala ekonomi global untuk bahan baku (gandum, minyak sawit).
3. Total Landed Cost (TLC) dalam Konteks Global
Saat memilih lokasi produksi atau sourcing global, jangan hanya lihat harga unit. Hitunglah Total Landed Cost:
| Komponen Biaya | Contoh Kasus | Persentase dari TLC |
|---|---|---|
| Unit Price (FOB) | Harga beli dari pabrik China | 40-50% |
| Freight (Laut/Udara) | $3.000 per kontainer 20ft (Laut), $15.000 (Udara) | 15-25% |
| Bea Masuk & Pajak | 5-30% tergantung HS Code dan negara asal | 10-20% |
| Inventory In-Transit | Modal mati selama 30-45 hari di laut | 5-10% |
| Risk & Quality | Produk cacat, keterlambatan, fluktuasi kurs | 5-15% |
🧮 Studi Kasus: Sourcing dari China vs Lokal (Indonesia)
Produk: Komponen elektronik untuk perakitan di Cikarang
Opsi A: Import dari Shenzhen, China
- Unit Price: $10/unit
- Freight Laut: $1.500/kontainer (isi 10.000 unit) = $0.15/unit
- Bea Masuk (10%): $1/unit
- Inventory (40 hari @ 8% p.a.): $0.09/unit
- Risk (2% defect rate): $0.20/unit
- Total Landed Cost: $12.44/unit
Opsi B: Beli dari Supplier Lokal (Batam)
- Unit Price: $13/unit (lebih mahal)
- Transport Lokal: $0.10/unit
- Bea Masuk: $0 (dalam negeri)
- Inventory (3 hari): $0.01/unit
- Risk (0.5% defect): $0.065/unit
- Total Landed Cost: $13.175/unit
Keputusan: Meskipun harga unit China lebih murah ($10 vs $13), setelah dihitung TLC-nya, selisihnya hanya $0.735/unit. Dengan pertimbangan lead time (40 hari vs 3 hari) dan fleksibilitas, opsi lokal mungkin lebih baik untuk produk dengan demand fluktuatif.
Deskripsi: Menggunakan Artificial Intelligence (AI) dan Machine Learning untuk memetakan, memprediksi, dan memitigasi risiko logistik di berbagai negara dalam rantai pasok global.
1. Mengapa Country Risk Analysis Penting?
Dalam rantai pasok global, perusahaan menghadapi berbagai risiko yang berbeda di setiap negara:
| Jenis Risiko | Deskripsi | Dampak pada SCM |
|---|---|---|
| Political Risk | Perubahan kebijakan, sanksi, perang, instabilitas | Gangguan pasokan, aset disita, operasional terhenti |
| Economic Risk | Inflasi, fluktuasi kurs, resesi | Biaya membengkak, margin tergerus |
| Infrastructure Risk | Jalan rusak, pelabuhan tidak efisien, listrik tidak stabil | Lead time panjang, biaya logistik tinggi |
| Natural Disaster Risk | Gempa, banjir, tsunami, pandemi | Fasilitas rusak, pasokan terhenti total |
| Regulatory Risk | Perubahan regulasi impor/ekspor, standar produk | Barang ditahan di bea cukai, biaya compliance |
🤖 Bagaimana AI Membantu Country Risk Analysis?
AI dan Machine Learning dapat menganalisis data dalam jumlah besar (Big Data) dari berbagai sumber untuk memprediksi risiko:
- Data Sources:
- Sentimen media sosial & berita (NLP – Natural Language Processing)
- Data satelit (citra pelabuhan, kemacetan, aktivitas pabrik)
- Data IoT dari kontainer (suhu, lokasi, guncangan)
- Data historis kinerja supplier
- Indikator makroekonomi (World Bank, IMF)
- AI Techniques:
- Predictive Analytics: Memprediksi kemungkinan gangguan (contoh: probabilitas pemogokan buruh dalam 30 hari)
- Computer Vision: Menganalisis citra satelit untuk mendeteksi kemacetan pelabuhan atau kerusakan infrastruktur
- NLP (Natural Language Processing): Menganalisis berita dan media sosial untuk mendeteksi early warning political unrest
- Network Analysis: Memetakan ketergantungan antar supplier dan mengidentifikasi single point of failure
2. Framework Country Risk Assessment dengan AI
Berikut adalah framework 5 langkah untuk melakukan Country Risk Analysis menggunakan AI:
- Data Collection & Integration
- Kumpulkan data dari 50+ sumber (World Bank LPI, Ease of Doing Business, berita, media sosial)
- Integrasikan ke dalam data lake terpusat
- Risk Scoring dengan Machine Learning
- Train model ML (Random Forest, XGBoost) dengan data historis gangguan
- Hasil: Skor risiko 0-100 untuk setiap negara dan kategori risiko
- Predictive Modeling
- Gunakan time-series forecasting (LSTM, Prophet) untuk prediksi risiko 30/60/90 hari ke depan
- Contoh: Prediksi kemungkinan lockdown di Vietnam berdasarkan tren kasus COVID-19
- Scenario Simulation
- Gunakan Monte Carlo Simulation untuk memodelkan berbagai skenario gangguan
- Hitung dampak finansial dari setiap skenario
- Prescriptive Analytics
- AI merekomendasikan strategi mitigasi (dual-sourcing, safety stock level, rute alternatif)
- Optimasi trade-off antara biaya dan ketahanan (resilience)
📊 Contoh Penerapan AI: DHL Resilience360
Platform: DHL Resilience360 adalah platform AI-powered untuk supply chain risk management.
Kemampuan:
- Memantau 300.000+ sumber data secara real-time (berita, media sosial, data cuaca)
- Mengidentifikasi 10.000+ risiko potensial setiap hari
- Menggunakan NLP untuk menganalisis sentimen dan mendeteksi early warning
- Memberikan rekomendasi tindakan mitigasi secara otomatis
Studi Kasus: Ketika terjadi protes di pelabuhan Hong Kong (2019), Resilience360 mendeteksi early warning dari media sosial 48 jam sebelum protes dimulai. DHL bisa mengalihkan rute melalui pelabuhan Shenzhen sebelum terjadi gangguan, menghemat $2 juta dalam biaya keterlambatan.
🇮🇩 Country Risk Profile: Indonesia (Analisis AI)
Sumber Data: World Bank LPI 2023, Ease of Doing Business, berita lokal, data infrastruktur
| Kategori Risiko | Skor (0-100) | Analisis AI | Rekomendasi Mitigasi |
|---|---|---|---|
| Political Stability | 75/100 (Rendah-Sedang) | Stabil pasca-Pemilu 2024, namun ada risiko perubahan kebijakan investasi | Diversifikasi ke Vietnam/Malaysia sebagai backup |
| Infrastructure Quality | 55/100 (Sedang) | Tol Trans-Jawa memperbaiki konektivitas, tapi pelabuhan masih congested (dwelling time tinggi) | Gunakan hub di Singapura untuk ekspor, kurangi ketergantungan pada Tanjung Priok |
| Natural Disaster | 40/100 (Tinggi) | AI mendeteksi 15.000+ gempa/tahun, risiko banjir di Jakarta & Semarang | Sebar pabrik di 3+ pulau (Jawa, Sumatera, Sulawesi), gunakan asuransi parametrik |
| Regulatory Complexity | 50/100 (Sedang-Tinggi) | OSS (Online Single Submission) memperbaiki, tapi regulasi daerah masih tumpang tindih | Gunakan jasa customs broker lokal, patuhi SNI (Standar Nasional Indonesia) |
| Logistics Cost | 45/100 (Tinggi) | Biaya logistik 14% dari PDB (vs Thailand 8%), infrastruktur antar-pulau mahal | Strategi multi-plant (seperti Indofood), manfaatkan Tol Laut program pemerintah |
Contoh Nyata: Unilever Indonesia menggunakan AI untuk memprediksi risiko banjir di pabrik Rungkut (Surabaya). Sistem AI menganalisis data curah hujan, pasang surut, dan drainase kota untuk memberikan early warning 72 jam sebelum banjir. Unilever bisa memindahkan stok ke gudang yang lebih tinggi dan mengatur produksi shift, menghindari kerugian $500.000.
🔮 AI Tools untuk Country Risk Analysis
Berikut adalah beberapa platform AI yang digunakan perusahaan global:
| Platform | Penyedia | Kemampuan Utama | Harga (Estimasi) |
|---|---|---|---|
| Resilience360 | DHL | Real-time monitoring, predictive alerts, 300K+ data sources | $50.000 – $200.000/tahun |
| RiskMethods | SAP | AI-powered risk scoring, supplier monitoring, scenario planning | $30.000 – $150.000/tahun |
| Everstream Analytics | Everstream | Predictive supply chain analytics, geospatial risk mapping | $25.000 – $100.000/tahun |
| Zephyr | Resilinc | Multi-tier supplier mapping, disruption impact analysis | $40.000 – $180.000/tahun |
| Custom AI Solution | In-house / Consultant | Model ML custom (LSTM, Random Forest) dengan data internal | $100.000 – $500.000 (development) |
3. Studi Kasus: Mitigasi Risiko dengan AI di Indonesia
🚢 Kasus: Pelindo (Pelabuhan Indonesia) – AI untuk Predictive Maintenance
Masalah: Crane di pelabuhan sering breakdown, menyebabkan dwelling time tinggi dan keterlambatan kapal.
Solusi AI:
- Pasang sensor IoT pada crane (vibrasi, suhu, beban)
- Kumpulkan data ke cloud platform
- Train model Machine Learning (Isolation Forest) untuk mendeteksi anomali
- Sistem memberikan alert 7 hari sebelum kemungkinan breakdown
Hasil:
- Dwelling time turun dari 4.5 hari → 2.8 hari (38% improvement)
- Biaya maintenance turun 25% (predictive vs reactive)
- Throughput pelabuhan naik 30%
🏭 Kasus: Astra International – AI untuk Supplier Risk Monitoring
Masalah: Astra memiliki 5.000+ supplier di 30 negara, sulit memantau risiko secara manual.
Solusi AI:
- Implementasi platform AI (mirip Resilience360)
- Monitor 50.000+ sumber data (berita, media sosial, data keuangan supplier)
- NLP menganalisis sentimen dalam Bahasa Indonesia, Inggris, Mandarin
- Dashboard real-time menunjukkan “traffic light” status setiap supplier (Hijau/Kuning/Merah)
Hasil:
- Early warning 2-4 minggu sebelum supplier mengalami gangguan
- Bisa switch ke alternate supplier sebelum terjadi stockout
- Supply disruption turun 60% dalam 2 tahun
1. Framework Keputusan: Make Global vs Buy Local
Setiap perusahaan global menghadapi dilema: Apakah harus memproduksi di negara berbiaya rendah (offshoring) atau dekat dengan pasar (nearshoring/reshoring)?
| Faktor | Bobot (%) | Offshoring (China/Vietnam) | Nearshoring (Indonesia/Meksiko) | Onshoring (USA/Eropa) |
|---|---|---|---|---|
| Total Landed Cost | 30% | 9/10 | 7/10 | 4/10 |
| Lead Time | 20% | 3/10 | 7/10 | 9/10 |
| Risk Level | 20% | 5/10 | 6/10 | 8/10 |
| Fleksibilitas | 15% | 4/10 | 7/10 | 9/10 |
| Kualitas | 15% | 7/10 | 7/10 | 9/10 |
| Total Skor | 100% | 6.15 | 6.85 | 6.75 |
Kesimpulan: Dalam skenario ini, Nearshoring (Indonesia) memberikan keseimbangan terbaik antara biaya dan risiko. Namun, keputusan akhir tergantung pada strategi perusahaan: apakah mengutamakan efisiensi biaya (pilih Offshoring) atau ketahanan rantai pasok (pilih Nearshoring/Onshoring).
2. Strategi “China + 1” dan Diversifikasi
Setelah pandemi COVID-19 dan ketegangan geopolitik AS-China, banyak perusahaan mengadopsi strategi “China + 1”:
📈 Tren Global: Pergeseran Manufaktur dari China
Data AI Analysis (2020-2025):
- Investasi manufaktur asing (FDI) ke China turun 40% (dari $140B → $85B per tahun)
- Vietnam: FDI manufaktur naik 150% (dari $15B → $38B)
- India: FDI manufaktur naik 120% (dari $20B → $44B)
- Indonesia: FDI manufaktur naik 80% (dari $20B → $36B)
- Meksiko: FDI manufaktur naik 90% (dari $25B → $48B)
Contoh Perusahaan:
- Apple: Memindahkan 10-20% produksi iPhone dari China ke India dan Vietnam (2023-2025)
- Samsung: Menutup pabrik terakhir di China (2019), pindah ke Vietnam (70% produksi smartphone)
- Nike: 50% sepatu diproduksi di Vietnam (vs 35% di China pada 2010)
- Unilever: Membuka pabrik baru di Indonesia dan Brasil untuk mengurangi ketergantungan pada China
🇮🇩 Peluang Indonesia dalam “China + 1”
Keunggulan Kompetitif Indonesia:
- Pasar Domestik Besar: 280 juta konsumen (pasar ke-4 terbesar di dunia)
- Sumber Daya Alam: Nikel (untuk baterai EV), sawit, karet
- Upah Kompetitif: $2-3/jam (vs China $6-8/jam)
- Stabilitas Politik: Demokrasi stabil, tidak ada sanksi internasional
- Perjanjian Dagang: RCEP, ASEAN-China FTA, Indonesia-EU CEPA (dalam negosiasi)
Tantangan:
- Biaya logistik tinggi (14% PDB vs Vietnam 8% PDB)
- Birokrasi kompleks dan korupsi
- Keterampilan tenaga kerja masih perlu ditingkatkan
- Infrastruktur antar-pulau belum optimal
Contoh Sukses: Hyundai membangun pabrik mobil di Cikarang (2022) dengan investasi $1.5 miliar. Hyundai memilih Indonesia karena: (1) Pasar domestik besar, (2) Akses ke nikel untuk baterai EV, (3) Insentif pajak dari pemerintah. Pabrik ini memproduksi 150.000 unit/tahun untuk pasar ASEAN dan ekspor global.
3. Role of AI in Future Global SCM
AI akan terus mengubah cara perusahaan mengelola rantai pasok global:
🔮 Tren AI dalam Global SCM (2025-2030)
- Digital Twin: Replika virtual dari seluruh rantai pasok global untuk simulasi dan optimasi real-time
- Autonomous Supply Chain: AI mengambil keputusan otomatis (reorder, reroute, reschedule) tanpa intervensi manusia
- Predictive Risk Intelligence: AI memprediksi risiko 6-12 bulan ke depan dengan akurasi 85%+
- Blockchain + AI: Traceability produk dari hulu ke hilir dengan smart contract otomatis
- Generative AI: Chatbot untuk supplier negotiation, automatic report generation, scenario planning
🚀 Contoh Nyata: Siemens Digital Twin
Implementasi: Siemens membuat digital twin dari seluruh rantai pasok global mereka (10.000+ supplier di 80 negara).
Kemampuan:
- Simulasi dampak gangguan (contoh: jika pelabuhan Shanghai tutup 2 minggu, apa dampaknya?)
- Optimasi inventory level di setiap warehouse global
- Prediksi demand dengan akurasi 92% (vs 78% dengan metode tradisional)
Hasil:
- Inventory turun 20% ($500 juta penghematan modal kerja)
- Service level naik dari 94% → 98%
- Response time terhadap gangguan turun dari 2 minggu → 2 hari
🎯 Key Takeaways
- Global Supply Chain adalah Pedang Bermata Dua: Peluang laba besar, tapi risiko juga eksponensial. Hitunglah Total Landed Cost, bukan hanya harga unit.
- Country Risk Analysis adalah Keharusan: Setiap negara memiliki profil risiko unik (politik, infrastruktur, bencana alam). Jangan pilih lokasi hanya berdasarkan biaya murah.
- AI adalah Game Changer: AI memungkinkan perusahaan memprediksi risiko 30-90 hari ke depan, memberikan early warning, dan merekomendasikan strategi mitigasi secara otomatis.
- Diversifikasi adalah Kunci Ketahanan: Strategi “China + 1” dan multi-sourcing mengurangi ketergantungan pada satu negara/supplier. Indonesia memiliki peluang besar sebagai alternatif manufaktur.
- Fleksibilitas > Efisiensi Murni: Dalam dunia yang penuh ketidakpastian, kemampuan beradaptasi (agility) lebih berharga daripada biaya terendah.
“In the 21st century, the competition is no longer between companies, but between supply chains. The winners will be those who can leverage AI to build resilient, agile, and cost-effective global networks.” – Adapted from Sir Martin Christopher
📚 Referensi
- Bowersox, D.J., Closs, D.J., & Cooper, M.B. (2019). Supply Chain Logistics Management (5th ed.). McGraw-Hill. Chapter 13: Global Logistics Strategy
- Chopra, S., & Meindl, P. (2023). Supply Chain Management: Strategy, Planning, and Operation (8th ed.). Pearson. Chapter 6: Designing Global Supply Chain Networks
- World Bank. (2023). Connecting to Compete 2023: Trade Logistics in the Global Economy (LPI Report).
- McKinsey & Company. (2024). AI in supply chain management: The next frontier.
- DHL. (2024). Resilience360: Supply Chain Risk Management Platform.
Inventory Management: Economies of Scale & Uncertainty
Deskripsi Sesi: Membedah dua sisi mata uang persediaan: “Cycle Inventory” untuk mengejar efisiensi skala (EOQ), dan “Safety Inventory” untuk melindungi dari ketidakpastian.
PART A: Cycle Inventory (Economies of Scale)
Cycle inventory adalah persediaan rata-rata yang timbul karena perusahaan memesan dalam lot (batch) besar untuk menghemat biaya pesan, bukan karena kebutuhan saat itu juga.
📉 The Saw-Tooth Pattern (Pola Gigi Gergaji)
Stok naik tajam saat order datang (Q), lalu turun perlahan seiring konsumsi.
Rata-rata Inventory = Q / 2
1. Trade-off Biaya: The EOQ Logic
Tujuan kita adalah meminimalkan Total Biaya Tahunan (Total Annual Cost). Ada dua kekuatan yang saling tarik-menarik:
Semakin sering pesan (Q kecil), biaya admin & transport membengkak.
Semakin jarang pesan (Q besar), gudang penuh dan modal mati.
🧮 Rumus Economic Order Quantity (EOQ)
EOQ = √ [ (2 × D × S) / H ]
Contoh Kasus:
- Permintaan (D) = 12.000 unit/tahun
- Biaya Pesan (S) = Rp 4.000.000 / order
- Biaya Simpan (H) = Rp 100.000 / unit / tahun
Hasil Hitungan:
EOQ = √ [ (2 × 12.000 × 4.000.000) / 100.000 ]
EOQ = √ [ 960.000.000 ] = 980 Unit
Artinya: Pesanlah 980 unit setiap kali order untuk biaya termurah.
PART B: Safety Inventory (Managing Uncertainty)
Safety inventory adalah “bantal pengaman” untuk melindungi kita dari dua musuh utama: Fluktuasi Permintaan (Demand Uncertainty) dan Keterlambatan Pemasok (Lead Time Uncertainty).
2. Agregasi Risiko (Square-Root Law)
Konsep paling *powerful* dalam manajemen risiko stok: Sentralisasi.
Jika Anda menggabungkan stok dari n gudang cabang menjadi 1 gudang pusat, total safety stock Anda akan turun sebesar akar kuadrat dari n.
Contoh Riil: Menggabungkan 4 gudang daerah menjadi 1 gudang pusat akan memotong safety stock hingga 50% (karena √4 = 2).
| Strategi | Safety Stock | Biaya Transport (Last Mile) | Cocok Untuk |
|---|---|---|---|
| Desentralisasi (Banyak Gudang) | Tinggi (Mahal) | Rendah (Dekat User) | Barang murah, fast moving (Sabun, Mie Instan). |
| Sentralisasi (Satu Gudang) | Rendah (Efisien) | Tinggi (Kirim Jauh) | Barang mahal, slow moving (Sparepart Mesin, Elektronik High-end). |
3. Strategi Menekan Safety Stock Tanpa Mengorbankan Layanan
Jangan asal potong stok. Gunakan strategi cerdas:
Gunakan satu komponen standar untuk banyak produk (Contoh: Baut yang sama untuk 5 model mobil). Ini mengurangi variabilitas.
Tunda perakitan akhir sampai ada pesanan (Contoh: Cat tembok dicampur warnanya di toko, bukan di pabrik).
Memotong lead time pemasok dari 4 minggu jadi 1 minggu akan drastis menurunkan kebutuhan stok pengaman.
Ringkasan Eksekutif Sesi 10
- Cycle Stock: Adalah hasil dari motif ekonomi (menghemat biaya pesan). Dioptimalkan dengan rumus EOQ.
- Safety Stock: Adalah biaya ketakutan (takut telat/takut lonjakan demand). Dioptimalkan dengan Agregasi & Pengurangan Lead Time.
- The Balance: Manajer SCM harus menyeimbangkan efisiensi lot size (Cycle) dengan perlindungan risiko (Safety).
Chopra, S., & Meindl, P. (2023). Supply chain management: Strategy, planning, and operation (8th ed.). Pearson.