🗺️ PART A: Strategic Network Design & Planning
Keputusan lokasi fasilitas: investasi besar, dampak jangka panjang, fondasi competitive advantage
1. Mengapa Keputusan Lokasi Sangat Kritis?
2. Hierarki Keputusan Lokasi (Bowersox Ch 14-15)
Ada 4 level keputusan dalam network design:
| Level | Time Horizon | Pertanyaan Kunci | Contoh Keputusan |
|---|---|---|---|
| ① Strategic | 10-20 tahun | Berapa banyak fasilitas? Di negara/wilayah mana? | Buka pabrik di Indonesia vs Vietnam |
| ② Tactical | 3-5 tahun | Kota mana? Berapa kapasitas? | Warehouse di Semarang dengan kapasitas 50,000 m² |
| ③ Operational | 1 tahun | Penugasan pelanggan ke fasilitas? | Customer Jawa Tengah dilayani dari Semarang |
| ④ Execution | Harian | Routing & scheduling? | Truk A ke customer X, truk B ke customer Y |
3. Model-Model Klasik untuk Facility Location
📐 Model 1: Center of Gravity (Pusat Gravitasi)
Tujuan: Menemukan lokasi yang meminimalkan total jarak berbobot ke semua pasar/supplier.
Y* = (Σ Yi × Vi) / (Σ Vi)
Dimana:
• Xi, Yi = Koordinat lokasi pasar/supplier i
• Vi = Volume permintaan/pengiriman ke/dari lokasi i
• X*, Y* = Koordinat lokasi optimal
🧮 Contoh Perhitungan:
Sebuah perusahaan memiliki 4 pasar utama:
| Pasar | Koordinat (X, Y) | Volume (ton/tahun) |
|---|---|---|
| Jakarta | (106.8, -6.2) | 5,000 |
| Surabaya | (112.7, -7.3) | 3,000 |
| Medan | (98.7, 3.6) | 2,000 |
| Makassar | (119.4, -5.1) | 1,500 |
Perhitungan:
X* = (534,000 + 338,100 + 197,400 + 179,100) / 11,500
X* = 1,248,600 / 11,500 = 108.57
Y* = (-6.2×5000 + -7.3×3000 + 3.6×2000 + -5.1×1500) / 11,500
Y* = (-31,000 + -21,900 + 7,200 + -7,650) / 11,500
Y* = -53,350 / 11,500 = -4.64
Hasil: Lokasi optimal adalah di koordinat (108.57, -4.64), yaitu sekitar Semarang, Jawa Tengah.
🚚 Model 2: Transportation Model (Linear Programming)
Tujuan: Meminimalkan total biaya transportasi dengan mempertimbangkan kapasitas fasilitas dan permintaan pasar.
Dengan kendala:
• Σ Xij ≤ Si (kapasitas fasilitas i)
• Σ Xij ≥ Dj (permintaan pasar j)
• Xij ≥ 0 (jumlah pengiriman non-negatif)
🧮 Contoh Kasus:
Perusahaan memiliki 2 pabrik (P1, P2) dan melayani 3 pasar (M1, M2, M3):
| M1 (Jakarta) | M2 (Surabaya) | M3 (Medan) | Kapasitas | |
|---|---|---|---|---|
| P1 (Bandung) | Rp 10,000 | Rp 15,000 | Rp 25,000 | 8,000 unit |
| P2 (Semarang) | Rp 12,000 | Rp 8,000 | Rp 20,000 | 7,000 unit |
| Permintaan | 5,000 unit | 4,000 unit | 3,000 unit |
Solusi Optimal (menggunakan Solver):
- P1 → M1: 5,000 unit (Rp 50 juta)
- P1 → M2: 3,000 unit (Rp 45 juta)
- P2 → M2: 1,000 unit (Rp 8 juta)
- P2 → M3: 3,000 unit (Rp 60 juta)
- Total Biaya: Rp 163 juta (paling optimal)
⭐ Model 3: Factor Rating Method
Tujuan: Mengevaluasi beberapa lokasi kandidat berdasarkan faktor-faktor kualitatif dan kuantitatif dengan bobot yang berbeda.
🧮 Contoh Evaluasi 3 Lokasi Warehouse:
| Faktor | Bobot (%) | Jakarta | Surabaya | Semarang |
|---|---|---|---|---|
| Biaya Tanah | 20% | 6/10 | 8/10 | 9/10 |
| Akses Pelabuhan | 25% | 9/10 | 8/10 | 7/10 |
| Tenaga Kerja | 15% | 8/10 | 7/10 | 7/10 |
| Infrastruktur Jalan | 20% | 7/10 | 7/10 | 8/10 |
| Pajak Daerah | 10% | 5/10 | 7/10 | 9/10 |
| Insentif Pemerintah | 10% | 6/10 | 8/10 | 9/10 |
Perhitungan Skor:
- Jakarta: (0.20×6) + (0.25×9) + (0.15×8) + (0.20×7) + (0.10×5) + (0.10×6) = 7.15/10
- Surabaya: (0.20×8) + (0.25×8) + (0.15×7) + (0.20×7) + (0.10×7) + (0.10×8) = 7.55/10
- Semarang: (0.20×9) + (0.25×7) + (0.15×7) + (0.20×8) + (0.10×9) + (0.10×9) = 8.00/10 ✓
Keputusan: Semarang adalah lokasi terbaik dengan skor tertinggi (8.00/10).
💰 Model 4: Break-Even Analysis untuk Lokasi
Tujuan: Membandingkan beberapa lokasi berdasarkan struktur biaya (fixed vs variable cost) untuk menentukan lokasi terbaik pada volume tertentu.
Break-Even Volume = (FC1 – FC2) / (VC2 – VC1)
🧮 Contoh:
| Lokasi | Fixed Cost (Rp/tahun) | Variable Cost (Rp/unit) |
|---|---|---|
| Jakarta | 5 miliar | Rp 50,000 |
| Surabaya | 3 miliar | Rp 60,000 |
| Semarang | 2 miliar | Rp 70,000 |
Perhitungan Break-Even:
- Jakarta vs Surabaya: (5M – 3M) / (60K – 50K) = 200,000 unit
- Surabaya vs Semarang: (3M – 2M) / (70K – 60K) = 100,000 unit
Rekomendasi:
- Volume < 100,000 unit → Semarang (biaya tetap rendah)
- Volume 100,000 – 200,000 unit → Surabaya (keseimbangan FC-VC)
- Volume > 200,000 unit → Jakarta (biaya variabel rendah)
4. Total Cost Analysis untuk Keputusan Lokasi
Saat memilih lokasi, jangan hanya lihat biaya tanah atau upah. Hitung Total Cost of Ownership (TCO) selama 10-20 tahun:
| Komponen Biaya | Persentase dari TCO | Contoh |
|---|---|---|
| Biaya Tanah & Konstruksi | 30-40% | Rp 50-200 miliar untuk warehouse 10,000 m² |
| Biaya Transportasi | 25-35% | Fuel, toll, driver, maintenance armada |
| Biaya Tenaga Kerja | 15-25% | Gaji, BPJS, training, turnover |
| Biaya Inventory | 10-15% | Modal kerja, asuransi, shrinkage |
| Biaya Utilitas | 5-10% | Listrik, air, internet, security |
| Pajak & Regulasi | 3-8% | PBB, PPh, izin usaha |
🇮🇩 Contoh Indonesia: Tokopedia & Bukalapak – Strategi Warehouse
Konteks: E-commerce Indonesia menghadapi tantangan geografis (17,000+ pulau) dan infrastruktur yang tidak merata.
Strategi Tokopedia (2020-2024):
- Fase 1 (2020): 1 warehouse di Jakarta (melayani Jawa)
- Fase 2 (2021): Tambah 2 warehouse (Surabaya, Medan) – coverage 60% populasi
- Fase 3 (2022): Tambah 3 warehouse (Semarang, Makassar, Palembang) – coverage 80% populasi
- Fase 4 (2023): Tambah 4 warehouse (Pontianak, Balikpapan, Denpasar, Manado) – coverage 95% populasi
Hasil:
- Lead time turun dari 3-5 hari → 1-2 hari untuk 95% pelanggan
- Biaya logistik turun 35% (dari Rp 25,000 → Rp 16,000 per paket)
- GMV tumbuh 200% dalam 3 tahun
🤖 PART B: AI-Powered Facility Location Decisions
Dari model statis ke dynamic optimization: AI untuk keputusan lokasi yang lebih cerdas
1. Mengapa AI Diperlukan dalam Facility Location?
2. Framework AI untuk Facility Location (6 Langkah)
| # | Langkah | Aktivitas | Output |
|---|---|---|---|
| 1 | Data Collection | Demografi, ekonomi, infrastruktur, logistik, risiko, kompetitor | Integrated data lake dari 50+ sumber |
| 2 | Demand Forecasting | Train ML model dengan data 5-10 tahun, prediksi 1-5 tahun ke depan | Forecast per wilayah dengan akurasi 85-95% |
| 3 | Candidate Generation | AI generate 100-1000 lokasi kandidat, filter berdasarkan kriteria | 20-50 lokasi kandidat terbaik |
| 4 | Multi-Objective Optimization | Optimasi simultan: minimize cost + maximize service + minimize risk | Pareto frontier (10-20 solusi optimal) |
| 5 | Scenario Simulation | Simulasi 10,000+ skenario (Monte Carlo), evaluasi robustness | Solusi paling resilient |
| 6 | Prescriptive Recommendation | AI rekomendasikan 3-5 lokasi terbaik dengan confidence level | Visualisasi peta interaktif + ROI projection |
🛠️ AI Tools untuk Facility Location:
| Platform | Penyedia | Kemampuan Utama | Harga (Estimasi) |
|---|---|---|---|
| Coupa Supply Chain Design | Coupa (LLamasoft) | Network optimization, scenario planning, digital twin | $100K – $500K/tahun |
| Blue Yonder | Panasonic | AI-powered network design, demand forecasting | $80K – $400K/tahun |
| AIMMS | AIMMS | Custom optimization models, what-if analysis | $50K – $300K/tahun |
| anyLogistix | anyLogistix | Simulation-based optimization, risk analysis | $60K – $250K/tahun |
| Custom Python/R | In-house | Model ML custom (Scikit-learn, TensorFlow, PyTorch) | $50K – $200K (development) |
3. Contoh Implementasi: Genetic Algorithm
Genetic Algorithm (GA) adalah teknik optimasi yang meniru proses evolusi alam (seleksi alam, crossover, mutasi).
🧬 Cara Kerja Genetic Algorithm:
- Initialization: Buat populasi awal 100-1000 solusi acak (chromosome)
- Fitness Evaluation: Hitung “fitness score” setiap solusi (semakin rendah biaya = semakin fit)
- Selection: Pilih solusi terbaik untuk “reproduksi” (survival of the fittest)
- Crossover: Gabungkan 2 solusi parent untuk menghasilkan offspring
- Mutation: Ubah sedikit beberapa gene untuk diversifikasi
- Repeat: Ulangi langkah 2-5 selama 100-1000 generasi
- Result: Solusi terbaik setelah konvergensi
🧮 Contoh: Memilih 3 Warehouse dari 20 Kandidat
Masalah: Perusahaan memiliki 20 kandidat lokasi warehouse, harus memilih 3 yang optimal.
Representasi Chromosome:
Angka 1 = dipilih, 0 = tidak dipilih. Contoh di atas: lokasi 1, 3, dan 6 dipilih.
Proses GA:
- Generasi 1: 1000 solusi acak, fitness score rata-rata Rp 50 miliar/tahun
- Generasi 10: Fitness score rata-rata turun ke Rp 35 miliar/tahun
- Generasi 50: Fitness score rata-rata Rp 28 miliar/tahun
- Generasi 100: Konvergensi di Rp 25 miliar/tahun
- Solusi Terbaik: Warehouse di Semarang, Surabaya, dan Medan
Keunggulan GA:
- Bisa menangani 20 kandidat = 1,140 kemungkinan kombinasi (C(20,3))
- Menemukan solusi near-optimal dalam waktu cepat (menit vs hari)
- Fleksibel untuk menambah constraints (kapasitas, jarak minimum, dll)
🇮🇩 Studi Kasus Indonesia: Lazada – AI Network Design
Tantangan: Lazada (Alibaba Group) perlu mendesain ulang network warehouse di Indonesia untuk mendukung pertumbuhan 200% per tahun.
Solusi AI:
- Menggunakan platform LLamasoft (Coupa) untuk network optimization
- Integrasi data dari 50+ sumber (BPS, Google Maps, internal sales data, competitor analysis)
- Demand forecasting dengan LSTM Neural Network (akurasi 92%)
- Multi-objective optimization: Minimize cost + Maximize same-day delivery + Minimize risk
- Monte Carlo Simulation dengan 10,000 skenario (variasi demand, fuel price, exchange rate)
Rekomendasi AI:
| Fase | Tahun | Jumlah Warehouse | Lokasi | Investasi |
|---|---|---|---|---|
| Fase 1 | 2022 | 5 | Jakarta, Surabaya, Medan, Semarang, Makassar | Rp 500 miliar |
| Fase 2 | 2023 | 8 | + Palembang, Balikpapan, Denpasar | Rp 300 miliar |
| Fase 3 | 2024 | 12 | + Pontianak, Manado, Bandung, Malang | Rp 400 miliar |
Hasil (2022-2024):
- Same-day delivery coverage: 40% → 75% populasi Indonesia
- Biaya logistik per paket turun 45% (Rp 22,000 → Rp 12,000)
- Customer satisfaction score: 4.2/5 → 4.7/5
- ROI: 280% dalam 3 tahun
4. Implementasi & Best Practices
🎯 Traditional vs AI-Powered Approach:
| Aspek | Traditional Approach | AI-Powered Approach |
|---|---|---|
| Data yang Digunakan | Biaya transportasi, upah, harga tanah | Big Data (demografi, cuaca, traffic, sentimen, kompetitor) |
| Model Optimasi | Linear programming, center of gravity | Genetic algorithm, neural network, reinforcement learning |
| Objektif | Single objective (minimize cost) | Multi-objective (cost, service, risk, sustainability) |
| Risiko & Ketidakpastian | Tidak dipertimbangkan | Monte Carlo simulation, scenario planning |
| Waktu Analisis | 2-6 bulan | 1-2 minggu (real-time update) |
| Akurasi Prediksi | 60-70% | 85-95% |
| ROI | 15-25% (3-5 tahun) | 200-400% (1-3 tahun) |
🇮🇩 Studi Kasus Indonesia: J&T Express – AI Network Expansion
Latar Belakang: J&T Express tumbuh 300% per tahun (2020-2023), perlu ekspansi network untuk melayani 10 juta paket/hari.
Tantangan:
- Harus membuka 50+ gateway baru dalam 2 tahun
- Setiap gateway membutuhkan investasi Rp 20-50 miliar
- Keputusan salah = kerugian besar dan service level turun
Solusi AI:
- Membangun tim data science internal (10 orang)
- Mengembangkan custom AI model menggunakan Python (Scikit-learn, TensorFlow)
- Integrasi data dari: GPS tracking, order management system, Google Maps API, BPS data
- Model prediksi demand per kecamatan (92% akurasi)
- Genetic algorithm untuk optimasi lokasi gateway
- Dashboard real-time untuk monitoring performance
Hasil:
- Berhasil membuka 50 gateway dalam 18 bulan (on-time, on-budget)
- Coverage area: 85% → 98% populasi Indonesia
- Lead time turun dari 3-5 hari → 1-2 hari
- Biaya per paket turun 40% (Rp 8,000 → Rp 4,800)
- Revenue tumbuh 250% dalam 2 tahun
- ROI: 350% dalam 2 tahun
- Digital Twin: Replika virtual dari seluruh SC untuk simulasi real-time
- Reinforcement Learning: AI belajar dari pengalaman, adaptasi otomatis
- Explainable AI (XAI): AI tidak hanya rekomendasikan, tapi juga jelaskan alasannya
- Sustainability Optimization: Optimasi untuk minimize carbon footprint
- Autonomous Decision Making: AI ambil keputusan kecil-medium secara otomatis
📋 Ringkasan Eksekutif Sesi 11
- Keputusan Lokasi adalah Keputusan Strategis: Investasi besar, dampak jangka panjang (20-30 tahun), dan sulit untuk diubah. Jangan buat keputusan berdasarkan intuisi saja.
- Model Klasik Masih Relevan: Center of Gravity, Transportation Model, Factor Rating, Load-Distance, dan Break-Even Analysis adalah fondasi yang harus dipahami sebelum menggunakan AI.
- AI adalah Game Changer: AI memungkinkan optimasi multi-objectif, memodelkan ketidakpastian, dan menganalisis Big Data yang tidak bisa dilakukan model tradisional.
- Data Quality is King: Hasil AI hanya sebaik data yang dimasukkan. Investasi dalam data collection dan cleaning sama pentingnya dengan algoritma.
- Total Cost of Ownership (TCO): Jangan hanya lihat biaya tanah atau upah. Hitung semua biaya selama 10-20 tahun (transportasi, inventory, utilitas, pajak, dll).
- Customer-Centric Approach: Lokasi terbaik adalah yang paling dekat dengan customer, bukan yang paling murah. Service level tinggi = customer satisfaction tinggi = revenue growth.
📚 Referensi
- Bowersox, D.J., Closs, D.J., & Cooper, M.B. (2019). Supply Chain Logistics Management (5th ed.). McGraw-Hill. Chapter 14: Network Design & Planning, Chapter 15: Facility Location
- Chopra, S., & Meindl, P. (2023). Supply Chain Management: Strategy, Planning, and Operation (8th ed.). Pearson. Chapter 5: Network Design in Supply Chain
- Daskin, M.S. (2013). Network and Discrete Location: Models, Algorithms, and Applications (2nd ed.). Wiley.
- Simchi-Levi, D., Kaminsky, P., & Simchi-Levi, E. (2008). Designing and Managing the Supply Chain (3rd ed.). McGraw-Hill.
- McKinsey & Company. (2024). AI in supply chain network design: From optimization to autonomous decision making.
- Coupa (LLamasoft). (2024). Supply Chain Network Design: Best Practices Guide.
Optimal Product Availability: The Economics of Stockout
Deskripsi Sesi: Menjawab pertanyaan fundamental: “Seberapa tinggi tingkat ketersediaan produk yang SEHARUSNYA kita capai?” Bukan berdasarkan intuisi, tapi berdasarkan hitungan profitabilitas maksimal (Cu vs Co).
Pendahuluan
Pada Sesi 10 kita membahas bagaimana mengelola persediaan. Sesi 11 membahas berapa banyak persediaan yang optimal.
“Target layanan 100% adalah bunuh diri finansial. Tingkat ketersediaan optimal bukan yang tertinggi, tetapi yang memaksimalkan profit total.”
1. Apa itu Product Availability?
Product availability mengukur probabilitas permintaan terpenuhi dari stok yang ada.
Probabilitas tidak terjadi stockout dalam satu siklus. (Fokus pada frekuensi).
Proporsi unit permintaan yang terpenuhi langsung. (Fokus pada kuantitas).
2. The Fundamental Trade-off
⚖️ The Law of Diminishing Returns
Meningkatkan service level dari 90% ke 95% biayanya jauh lebih murah daripada menaikkan dari 98% ke 99%. Biaya inventory naik secara eksponensial di ujung kurva.
| Service Level Target | Implikasi Inventory | Dampak Profit |
|---|---|---|
| Low (80-90%) | Rendah | Kehilangan banyak penjualan (Lost Sales). |
| Optimal (Sweet Spot) | Moderat | Profit Maksimal. Biaya seimbang dengan margin. |
| Extreme (99.9%) | Sangat Tinggi | Biaya simpan memakan margin profit. |
3. Menghitung Optimal CSL (Newsvendor Model)
Untuk produk musiman (seperti koran atau fashion), kita hanya punya satu kesempatan memesan. Keputusan didasarkan pada dua biaya:
- Cost of Overstocking (Co): Kerugian jika barang sisa. (Biaya Beli – Nilai Salvage).
- Cost of Understocking (Cu): Kerugian jika barang kurang. (Harga Jual – Biaya Beli).
🧮 Studi Kasus Matematika
Skenario: Anda menjual Jaket Musim Dingin.
- Harga Jual (p) = $250
- Biaya Beli (c) = $100
- Nilai Obral Akhir Musim (s) = $80
Langkah 1: Hitung Biaya Risiko
- Cu (Untung yg hilang): $250 – $100 = $150
- Co (Rugi barang sisa): $100 – $80 = $20
Langkah 2: Hitung Rasio Kritis (Critical Ratio)
CSL* = Cu / (Cu + Co)
CSL* = 150 / (150 + 20) = 0.88 (88%)
Kesimpulan Manajerial: Karena margin keuntungan ($150) jauh lebih besar daripada risiko kerugian ($20), Anda harus berani menyetok banyak. Target layanan optimal adalah 88%.
4. Tuas Manajerial untuk Meningkatkan Profit
Jangan hanya menerima nasib ketidakpastian. Gunakan strategi ini untuk meningkatkan profit tanpa harus menimbun stok:
Gunakan data AI/Market Intelligence untuk mengurangi standar deviasi error.
Kurangi lead time agar bisa melakukan replenishment di tengah musim, bukan single order di awal.
Tunda diferensiasi produk (misal: pewarnaan) sampai ada pesanan pasti.
5. Postponement: Ilustrasi Nilai Ekonomis
Strategi Benetton: Memproduksi kaos polos (gureige) dulu, baru dicelup warna saat tren warna musim itu sudah jelas.
| Manfaat (Benefits) | Dampak Operasional |
|---|---|
| Fleksibilitas (Agility) | Bisa merespons perubahan tren warna mendadak tanpa stok mati. |
| Pengurangan Risiko | Meminimalkan risiko memproduksi warna yang tidak laku (unsellable). |
| Penghematan Inventory | Stok disimpan dalam bentuk agregat (polos), yang variabilitasnya lebih rendah daripada stok per warna. |
6. Alokasi Kapasitas Terbatas
Jika kapasitas produksi terbatas dan permintaan melebihi suplai, jangan bagi rata. Alokasikan kapasitas ke produk yang memiliki Expected Marginal Contribution (EMC) tertinggi.
Ringkasan Eksekutif Sesi 11
- Economic Decision: Tingkat ketersediaan adalah keputusan ekonomi (Profit vs Cost), bukan target emosional.
- Critical Ratio: CSL optimal ditentukan oleh perbandingan biaya Understocking vs Overstocking.
- Aggregation Benefit: Strategi seperti Postponement memanfaatkan agregasi untuk menurunkan ketidakpastian.
- Smart Allocation: Saat langka, prioritaskan produk dengan kontribusi margin tertinggi.
Chopra, S., & Meindl, P. (2023). Supply chain management: Strategy, planning, and operation (8th ed.). Pearson.