RPS minggu 3 · sub-CPMK 2 · 2x50 menit

Network Design & Facility Location

S1 Manajemen — Konsentrasi Operasi · FEB UNDIP

Peta Pembelajaran Hari Ini

Sub-CPMK 2 (lanjutan): merancang jaringan operasi global yang optimal. Empat indikator yang harus Anda kuasai.

Jam ke-1 (50 menit)

Center of gravity method — review & arcs
AHP (Analytic Hierarchy Process) untuk multi-kriteria
Pairwise comparison & consistency ratio

Jam ke-2 (50 menit)

Multi-objective optimization (cost-service-risk)
Facility location-allocation
Mini-case: FMCG Indonesia network redesign

Tool hari ini akan Anda pakai jika bekerja di supply chain consulting, network planning, atau strategy MNC.

Mengapa Network Design Menentukan Profitabilitas 5-10%

Network design yang optimal dapat menurunkan total supply chain cost 5-15% dan meningkatkan service level 10-25%.

Cost reduction

5-15%

Network optimization via facility consolidation (McKinsey studies, dihedge ~)

Service level

+10-25%

Lead time improvement via optimal facility location

Network design adalah keputusan jangka panjang — plant dan warehouse adalah capital intensive yang sulit diubah. Investasikan waktu untuk optimasi sebelum commit.

Saya ingin Anda merasakan magnitudo value dari network design yang optimal. Studi McKinsey dan BCG menunjukkan network optimization dapat menurunkan total supply chain cost 5-15 persen via facility consolidation dan location optimal. Service level naik 10-25 persen via lead time improvement. Untuk perusahaan FMCG besar dengan revenue USD 1 miliar, saving 10 persen = USD 100 juta per tahun — angka yang signifikan untuk bottom line. Tetapi network design adalah keputusan jangka panjang — plant dan warehouse adalah capital intensive yang sulit diubah setelah dibangun. Investasi 6-12 bulan untuk optimasi sebelum commit adalah investasi yang sangat berharga. Banyak perusahaan Indonesia masih pakai intuisi atau historical precedent untuk network design, padahal tool kuantitatif sudah mature. Sebagai konsultan, Anda harus introduce pendekatan kuantitatif ke klien.

Bagian 1 · 1/4

Center of Gravity — Aplikasi Lanjutan

Diskusi kelas: kalau Anda punya 5 customer dengan volume berbeda, bagaimana Anda hitung lokasi optimal?

Center of Gravity: Recap Formula & Arc

X* = Σ(Vᵢ × Xᵢ) / Σ(Vᵢ)
Y* = Σ(Vᵢ × Yᵢ) / Σ(Vᵢ)

Formula dasar untuk single facility location. Untuk multi-facility, gunakan location-allocation algorithm.

Single Facility

1 DC untuk serv seluruh market
Asumsi: cost transport linier dengan distance
Limitation: tidak handle multi-modal

Multi-Facility

N DC untuk serv market dengan clustering
Algorithm: location-allocation (p-median)
Software: Llamasoft, anyLogistix, AIMMS

Mari kita recap center of gravity method dari P2. Formula dasar: X* = jumlah dari (volume customer i kali koordinat X i) dibagi jumlah semua volume. Y* dengan cara yang sama. Ini untuk single facility location. Untuk multi-facility (mis. 3 warehouse untuk serv Indonesia), perlu algorithm lebih sophisticated seperti location-allocation atau p-median problem. Algorithm ini meng-cluster customer ke N facility dan hitung lokasi optimal untuk setiap facility. Software seperti Llamasoft (sekarang Coupa), anyLogistix, dan AIMMS bisa handle multi-facility dengan constraint kompleks (capacity, service level, multi-modal). Untuk Anda sebagai mahasiswa S1 Manajemen, paham formula dasar center of gravity sudah cukup untuk kasus sederhana — software akan handle kasus kompleks. Yang penting: Anda paham konsep pusat massa weighted by volume, dan limitation asumsi linear cost yang tidak realistis untuk archipelago Indonesia.

Hitung dari Nol: Multi-Customer Center of Gravity

Skenario: Perusahaan e-commerce butuh 1 fulfillment center untuk serv 5 kota Indonesia. Volume (orders/day): Jakarta 1.000 (0,0), Bandung 400 (-150,-80), Surabaya 600 (500,-50), Medan 200 (-200,800), Makassar 300 (700,-300). Koordinat dalam km relatif Jakarta. Hitung center of gravity.

Kota	Vᵢ	Xᵢ	Yᵢ	Vᵢ×Xᵢ	Vᵢ×Yᵢ
Jakarta	1.000	0	0	0	0
Bandung	400	-150	-80	-60.000	-32.000
Surabaya	600	500	-50	300.000	-30.000
Medan	200	-200	800	-40.000	160.000
Makassar	300	700	-300	210.000	-90.000
Total	2.500			410.000	8.000
*X = 410k / 2,5k = 164 km**	→ Jateng area
*Y = 8k / 2,5k = 3,2 km**	→ sedikit utara Pantura

Lokasi optimal

Pekalongan/Semarang

Hasil konsisten dengan banyak perusahaan e-commerce Indonesia yang punya fulfilment hub di Jateng

Mari kita hitung multi-customer center of gravity untuk 5 kota Indonesia. Volume orders per hari: Jakarta 1.000 (pasar terbesar), Bandung 400, Surabaya 600, Medan 200, Makassar 300 — total 2.500 orders per hari. Koordinat dalam km relatif Jakarta: Bandung (-150,-80) artinya 150 km ke selatan-barat, Surabaya (500,-50) 500 km ke timur-laut, Medan (-200,800) 200 km barat dan 800 km utara (Sumatera), Makassar (700,-300) 700 km timur dan 300 km selatan (Sulawesi). Hitung Vᵢ×Xᵢ: Jakarta 0, Bandung -60k, Surabaya 300k, Medan -40k, Makassar 210k. Total 410.000. X* = 410k / 2,5k = 164 km. Hitung Vᵢ×Yᵢ: Jakarta 0, Bandung -32k, Surabaya -30k, Medan 160k, Makassar -90k. Total 8.000. Y* = 8k / 2,5k = 3,2 km. Lokasi optimal jatuh di koordinat (164, 3,2) — area Pekalongan atau Semarang di Pantura Jawa Tengah. Memang, banyak perusahaan e-commerce Indonesia seperti Shopee, Tokopedia, dan Bukalapak punya fulfillment hub di Jateng karena lokasi strategis serv pasar nasional. Center of gravity mengkonfirmasi intuisi ini secara kuantitatif. Untuk aplikasi real-world dengan 30+ kota dan multi-modal, perlu software seperti anyLogistix.

Simulasi Interaktif: Global Network Mapper ASEAN+China

Geser slider volume tiap pasar (Jakarta, Singapore, Bangkok, Manila, Guangzhou, dll). Bintang merah = lokasi pabrik optimal hasil perhitungan weighted center of gravity.

Sekarang mari kita eskalasikan dari domestic ke regional ASEAN dan China. Widget ini menunjukkan peta ASEAN+China dengan 8 pasar utama. Setiap pasar punya slider volume (ton per tahun). Saat Anda geser slider, algoritma menghitung ulang weighted center of gravity berdasarkan koordinat longitude-latitude. Bintang merah menunjukkan lokasi pabrik optimal yang meminimumkan weighted transport work (jumlah volume kali jarak ke pabrik). Mari kita coba bersama. Pertama, set default: Jakarta 120, Guangzhou 100, Singapore 90. Perhatikan CoG jatuh di sekitar Laut Tiongkok Selatan dekat Vietnam atau Kalimantan. Kedua, geser Guangzhou ke 400 (dominan China market). CoG akan bergeser ke utara, mendekati Hong Kong atau Guangdong sendiri. Ketiga, geser kembali Guangzhou ke 0 dan Jakarta-Surabaya masing-masing 400. CoG turun ke selatan, jatuh di Kalimantan atau Jawa. Pelajaran: lokasi optimal sangat sensitif terhadap distribusi volume pasar. Untuk perusahaan FMCG Indonesia yang mau ekspansi ke ASEAN, lokasi pabrik optimal bisa berbeda 1.000 km tergantung strategi market. Catatan: metode CoG hanya mempertimbangkan transport cost, abaikan factor lain seperti labor cost, pajak, dan trade barrier. Gunakan sebagai starting point analisis, bukan keputusan final.

Bagian 2 · 2/4

AHP — Analytic Hierarchy Process

Diskusi kelas: kalau Anda harus pilih lokasi plant di 3 opsi dengan 4 kriteria (cost, market, risk, talent), bagaimana Anda meng-integrasikan?

AHP (Analytic Hierarchy Process) — Kerangka Decision Multi-Kriteria

Method Saaty (1980) untuk decision multi-kriteria via pairwise comparison dan consistency check.

Langkah 1

Hierarchy: goal → kriteria → alternatif

Langkah 2

Pairwise comparison kriteria (1-9 scale)

Langkah 3

Hitung priority weight & consistency ratio

Langkah 4

Score setiap alternatif per kriteria → total weighted score → rekomendasi

AHP unggul untuk decision strategis dengan kriteria kualitatif (regulasi, budaya) dan kuantitatif (cost, distance).

AHP (Analytic Hierarchy Process) adalah method yang dikembangkan Thomas Saaty tahun 1980 untuk decision multi-kriteria. Empat langkah utama: pertama, bangun hierarchy — goal di puncak (mis. "pilih lokasi plant terbaik"), kriteria di level kedua (cost, market access, risk, talent), alternatif di level dasar (Vietnam, Thailand, Indonesia). Kedua, pairwise comparison antar kriteria dengan skala 1-9 Saaty — misalnya "cost versus market access: 5" artinya cost jauh lebih penting dari market access. Ketiga, hitung priority weight dari pairwise matrix dan consistency ratio untuk validasi (CR < 0,10 = konsisten). Keempat, score setiap alternatif per kriteria, kalikan dengan priority weight, dapat total weighted score untuk setiap alternatif. AHP unggul untuk decision strategis dengan mix kriteria kualitatif (regulasi, budaya) dan kuantitatif (cost, distance). Software seperti Expert Choice dan MakeItRational memudahkan perhitungan, tetapi Anda harus paham logikanya untuk interpretasi hasil.

Pairwise Comparison Scale (Saaty 1-9)

Intensitas	Definisi	Penjelasan
1	Equal importance	Dua kriteria sama penting
3	Moderate importance	Satu kriteria sedikit lebih penting
5	Strong importance	Satu kriteria jelas lebih penting
7	Very strong importance	Satu kriteria sangat dominan
9	Extreme importance	Satu kriteria mutlak dominan
2,4,6,8	Intermediate values	Antara dua definisi di atas
Reciprocal	1/1, 1/3, 1/5, dst	Untuk comparison inverse

Saaty scale 1-9 adalah standar pairwise comparison di AHP. Intensitas 1 = equal importance (dua kriteria sama penting). 3 = moderate importance (satu kriteria sedikit lebih penting). 5 = strong importance (jelas lebih penting). 7 = very strong (sangat dominan). 9 = extreme (mutlak dominan). 2, 4, 6, 8 untuk intermediate values. Reciprocal (1/1, 1/3, 1/5 dst) untuk comparison inverse — kalau A versus B = 5, maka B versus A = 1/5. Scale ini force decision maker untuk explicit tentang preference. Issue: human bias bisa inkonsisten — misalnya kalau A lebih penting dari B (5), dan B lebih penting dari C (3), maka A harus lebih penting dari C dengan intensitas sekitar 8 (5 kali 3 dari sisi logaritma). Kalau decision maker bilang A versus C hanya 3, ada inconsistency. AHP measure ini via Consistency Ratio (CR) — harus kurang dari 0,10 untuk decision valid. CR tinggi menandakan pairwise perlu revisi. Sebagai fasilitator AHP workshop, Anda harus guide stakeholder untuk consistency dan revisi bila CR > 0,10.

Hitung dari Nol: AHP Pemilihan Lokasi Plant

Skenario: Pilih lokasi plant ASEAN dari 3 alternatif (Indonesia, Vietnam, Thailand) dengan 4 kriteria (Cost, Market, Risk, Talent). Pairwise matrix kriteria: Cost-Market = 5, Cost-Risk = 3, Cost-Talent = 7, Market-Risk = 1/3, Market-Talent = 3, Risk-Talent = 5. Hitung priority weight dan consistency.

	Cost	Market	Risk	Talent	Geomean	Weight
Cost	1	5	3	7	(1×5×3×7)^(1/4) = 3,20	3,20/4,66 = 0,687
Market	1/5	1	1/3	3	(0,2×1×0,33×3)^(1/4) = 0,67	0,67/4,66 = 0,144
Risk	1/3	3	1	5	(0,33×3×1×5)^(1/4) = 1,47	1,47/4,66 = 0,315 — perlu normalize
Talent	1/7	1/3	1/5	1	(0,14×0,33×0,2×1)^(1/4) = 0,32	0,32/4,66 = 0,069

Priority Weight (approx)

Cost 0,69

Cost 0,69 > Risk 0,17 > Market 0,08 > Talent 0,06 (normalized). Cost dominan dalam decision ini. Consistency Ratio akan dicek lebih lanjut — bila CR < 0,10 decision valid.

Hitungan AHP dari nol untuk pemilihan lokasi plant. Empat kriteria: Cost, Market, Risk, Talent. Pairwise matrix diberikan: Cost-Market 5 (Cost jauh lebih penting), Cost-Risk 3 (Cost lebih penting), Cost-Talent 7 (Cost sangat dominan), Market-Risk 1/3 (Risk sedikit lebih penting dari Market), Market-Talent 3 (Market lebih penting dari Talent), Risk-Talent 5 (Risk jauh lebih penting dari Talent). Untuk hitung priority weight, gunakan geometric mean method: untuk Cost, (1×5×3×7)^(1/4) = 3,20. Market (0,2×1×0,33×3)^(1/4) = 0,67. Risk (0,33×3×1×5)^(1/4) = 1,47. Talent (0,14×0,33×0,2×1)^(1/4) = 0,32. Total 5,66. Normalize: Cost 3,20/5,66 = 0,565, Risk 1,47/5,66 = 0,260, Market 0,67/5,66 = 0,118, Talent 0,32/5,66 = 0,057. Priority weight: Cost dominan 56 persen, Risk 26 persen, Market 12 persen, Talent 6 persen. Setelah dapat weight kriteria, langkah berikutnya: score setiap alternatif (Indonesia, Vietnam, Thailand) per kriteria dengan pairwise comparison juga, lalu hitung total weighted score. Konsultan strategy pakai AHP untuk decision kompleks yang melibatkan stakeholder multiple — pairwise comparison memaksa eksplisit.

Bagian 3 · 3/4

Multi-Objective Optimization

Diskusi kelas: bagaimana Anda menyeimbangkan cost minimum vs service level maksimum vs risk minimum?

Multi-Objective Optimization: Konsep Pareto Frontier

Ketika multiple objective konflik (cost vs service vs risk), tidak ada solusi tunggal optimal — ada Pareto frontier.

Pareto optimal: tidak ada solusi lain yang lebih baik di semua objective sekaligus

Trade-off Cost-Service

1 DC: cost rendah, service lambat
5 DC: cost tinggi, service cepat
3 DC: balance — sering pilihan optimal

Trade-off Cost-Risk

Single source: cost rendah, risk tinggi
Dual source: cost +5%, risk -50%
Triple source: cost +15%, risk -75%

Multi-objective optimization menghasilkan set solusi Pareto optimal — decision maker pilih berdasarkan risk appetite dan strategic priority.

Multi-objective optimization berbeda dari single-objective. Dalam single-objective cost minimization, ada satu solusi optimal. Dalam multi-objective (cost, service, risk), ada set solusi Pareto optimal — solusi yang tidak ada solusi lain lebih baik di semua objective sekaligus. Trade-off klasik cost-service: 1 DC cost rendah tetapi service lambat (lead time tinggi ke customer jauh). 5 DC cost tinggi (fixed cost duplikasi) tetapi service cepat. 3 DC sering balance optimal — dan banyak perusahaan FMCG Indonesia punya 3-4 DC regional. Trade-off cost-risk: single source cost rendah tetapi risk disruption tinggi. Dual source cost plus 5 persen tetapi risk turun 50 persen. Triple source cost plus 15 persen tetapi risk turun 75 persen. Decision tergantung risk appetite perusahaan. Multi-objective optimization software seperti Llamasoft dan AIMMS menghasilkan set Pareto optimal — visualisasi frontier memungkinkan decision maker memilih trade-off yang fit dengan strategic priority. Sebagai konsultan, Anda harus facilitate executive workshop untuk pilih titik optimal di Pareto frontier.

Hitung dari Nol: Pareto Trade-Off DC Network

Skenario: Perusahaan pertimbangkan 1, 2, 3, atau 4 DC untuk serv Indonesia. Cost tahunan: 1 DC Rp 10 M (operating + transport), 2 DC Rp 12 M, 3 DC Rp 14 M, 4 DC Rp 17 M. Service level (% order delivered <48 jam): 1 DC 60%, 2 DC 78%, 3 DC 90%, 4 DC 95%. Hitung marginal cost per service point untuk identify Pareto optimal.

Konfigurasi	Cost (Rp M)	Service %	ΔCost	ΔService	Cost/Service Point
1 DC	10	60%	—	—	—
2 DC	12	78%	+2 M	+18 pp	Rp 111 jt/pp
3 DC	14	90%	+2 M	+12 pp	Rp 167 jt/pp
4 DC	17	95%	+3 M	+5 pp	Rp 600 jt/pp

Rekomendasi Pareto optimal

3 DC

3 DC memberi service 90% (acceptable untuk FMCG) dengan marginal cost Rp 167 jt/service point — jauh lebih efisien dari 4 DC Rp 600 jt/pp. 2 DC alternative kalau budget tight.

Hitungan ini menggambarkan trade-off cost-service untuk DC network Indonesia. Empat opsi konfigurasi: 1 DC cost Rp 10 miliar per tahun service 60 persen, 2 DC cost Rp 12 miliar service 78 persen, 3 DC cost Rp 14 miliar service 90 persen, 4 DC cost Rp 17 miliar service 95 persen. Hitung marginal cost per service point (percentage point): 1 → 2 DC: plus Rp 2 miliar untuk plus 18 pp = Rp 111 juta per pp. 2 → 3 DC: plus Rp 2 miliar untuk plus 12 pp = Rp 167 juta per pp. 3 → 4 DC: plus Rp 3 miliar untuk plus 5 pp = Rp 600 juta per pp. Rekomendasi: 3 DC adalah Pareto optimal — service 90 persen acceptable untuk FMCG dengan marginal cost Rp 167 juta per service point. 4 DC cost marginal Rp 600 juta per pp jauh lebih tinggi (diminishing return). 2 DC alternative kalau budget tight dengan service 78 persen. Banyak perusahaan FMCG Indonesia seperti Indofood, Unilever, Wings punya 3-4 DC regional — konsisten dengan analisis Pareto ini. Sebagai konsultan network, Anda harus present trade-off curve ke executive dan facilitate pilihan titik optimal sesuai strategic priority.

Facility Location-Allocation: Konsep

Setelah dapat jumlah facility optimal (mis. 3 DC), langkah berikutnya: lokasi setiap facility dan alokasi customer ke facility.

Langkah	Question	Method
1. Jumlah facility	Berapa N?	Multi-objective optimization (Pareto)
2. Lokasi facility	Di mana?	Center of gravity + clustering
3. Alokasi customer	Customer ke facility mana?	Assignment problem (nearest facility)
4. Capacity	Berapa kapasitas setiap facility?	Volume forecast + safety capacity
5. Routing	Bagaimana delivery dari DC ke customer?	Vehicle routing problem (VRP)

Facility location-allocation adalah kelanjutan dari network design. Setelah dapat jumlah facility optimal (mis. 3 DC dari Pareto analysis), lima langkah berikutnya: pertama, lokasi setiap facility — pakai center of gravity method dengan clustering customer ke N region, lalu hitung center of gravity per cluster. Kedua, alokasi customer ke facility — assignment problem standar: assign setiap customer ke facility terdekat. Ketiga, capacity planning — volume forecast plus safety capacity 20-30 persen untuk peak. Keempat, routing delivery dari DC ke customer — Vehicle Routing Problem (VRP) untuk optimasi rute truk. Software seperti Llamasoft dan anyLogistix mengintegrasikan semua lima langkah dalam satu model. Untuk Anda sebagai mahasiswa S1, paham konsep dan logika sudah cukup — software akan handle komputasi. Yang penting: Anda bisa interpretasi hasil dan communicate ke executive. Network design project di consulting firms biasanya 6-12 minggu dengan fee USD 200 ribu sampai USD 2 juta — sangat valuable.

Mini-Case: FMCG Indonesia Network Redesign

Studi kasus sintesis: perusahaan FMCG dengan revenue Rp 5 triliun ingin redesign network distribution Indonesia.

Situasi Awal

1 DC di Jakarta serv seluruh Indonesia
Lead time ke Papua 14 hari, ke Sumatera 5 hari
Service level 65% (order delivered <48 jam)
Cost transport tinggi karena long-haul

Hasil Redesign

3 DC: Jakarta (30%), Surabaya (25%), Makassar (10%)
+40 hub lokal di kota tier-2
Lead time ke Papua 5 hari, Sumatera 2 hari
Service level 88%, cost naik 8% (ROI positif)

Pelajaran: network design dapat simultaneously improve service dan cost — bukan trade-off zero-sum jika design tepat.

Mini-case ini apply semua konsep hari ini ke perusahaan FMCG Indonesia. Situasi awal: 1 DC di Jakarta serv seluruh Indonesia. Lead time ke Papua 14 hari (kapal dari Tanjung Priok ke Jayapura via Surabaya dan Makassar), ke Sumatera 5 hari (truk dan kapal). Service level 65 persen (order delivered kurang dari 48 jam). Cost transport tinggi karena long-haul Jakarta-Papua. Hasil redesign menggunakan network optimization: 3 DC strategis — Jakarta serv Jawa-Barat (30 persen volume), Surabaya serv Jawa Timur-Bali-NTB-NTT (25 persen), Makassar serv Sulawesi-Papua-Maluku (10 persen). Plus 40 hub lokal di kota tier-2 (Medan, Palembang, Banjarmasin, Manado, dll). Hasil: lead time ke Papua turun ke 5 hari (DC Makassar lebih dekat), ke Sumatera 2 hari (DC Pengembangan di Medan). Service level naik ke 88 persen. Cost naik 8 persen (additional DC operating) tetapi revenue naik 12 persen karena better service — ROI positif. Pelajaran: network design dapat simultaneously improve service dan cost — bukan trade-off zero-sum jika design tepat. Banyak perusahaan FMCG Indonesia sedang dalam journey network redesign pasca e-commerce growth. Sebagai konsultan, ini adalah project valuable yang bisa Anda deliver.

Software Network Design: Landscape Vendor

Vendor	Strength	Indonesia User
Coupa (Llamasoft)	Supply chain guru, multi-objective	Unilever, P&G, Indofood
anyLogistix	Simulation + optimization	Pertamina, Astra
AIMMS	Optimization modeling	Konsultan strategy
SAP IBP	Integrated dengan SAP ERP	BCA, Telkom, Astra
Excel + Solver	Simple, low-cost	SME, mahasiswa

Untuk pemula: Excel + Solver sudah cukup untuk masalah sederhana. Software advanced butuh training dan license cost USD 50k-200k.

Landscape vendor software network design terbagi beberapa tier. Coupa (sebelumnya Llamasoft Supply Chain Guru): leader untuk multi-objective optimization, digunakan Unilever, P&G, Indofood untuk global network design. anyLogistix: simulation plus optimization combination, digunakan Pertamina dan Astra untuk energy dan automotive network. AIMMS: optimization modeling platform, populer di konsultan strategy seperti McKinsey dan BCG. SAP Integrated Business Planning (IBP): terintegrasi dengan SAP ERP, digunakan BCA, Telkom, Astra yang sudah SAP shop. Excel plus Solver add-in: simple dan low-cost, cukup untuk masalah sederhana dengan 10-20 variabel. Untuk Anda sebagai mahasiswa S1, Excel Solver sudah cukup untuk belajar. Software advanced butuh training 1-2 minggu dan license cost USD 50 ribu sampai USD 200 ribu per tahun — biasanya hanya perusahaan besar yang afford. Sebagai konsultan, Anda harus paham capability setiap tool untuk rekomendasi sesuai kebutuhan klien.

Hitung dari Nol: Cost-Benefit 3 DC Network

Skenario: FMCG Indonesia compare 1 DC vs 3 DC. 1 DC: cost Rp 50 miliar/tahun, revenue Rp 4 triliun (service 65%). 3 DC: cost Rp 54 miliar/tahun, revenue Rp 4,5 triliun (service 88%, revenue +12,5% karena better service). Margin 20%. Hitung (a) profit 1 DC vs 3 DC, (b) payback jika investasi awal 3 DC Rp 8 miliar.

Komponen	1 DC	3 DC
Revenue	Rp 4,0 T	Rp 4,5 T (+12,5%)
Gross margin (20%)	Rp 800 M	Rp 900 M
Network cost	Rp 50 M	Rp 54 M
EBITDA	Rp 750 M	Rp 846 M
ΔEBITDA	—	+Rp 96 M/tahun
Investasi awal	—	Rp 8 M (build 2 new DC)
Payback period	—	Rp 8 M / Rp 96 M = 1 bulan (over-simplified)

Rekomendasi

3 DC

3 DC secara finansial unggul: EBITDA +Rp 96 juta/tahun dengan investasi Rp 8 juta — payback sekitar 1 bulan (assumption revenue lift 12,5% sustained). Network design investment justified.

Hitungan ini menggambarkan cost-benefit finansial dari network redesign. 1 DC: revenue Rp 4 triliun, gross margin 20 persen = Rp 800 miliar, network cost Rp 50 miliar, EBITDA Rp 750 miliar. 3 DC: revenue Rp 4,5 triliun (plus 12,5 persen karena better service — service level naik dari 65 persen ke 88 persen mengurangi stockout dan increase order conversion), gross margin Rp 900 miliar, network cost Rp 54 miliar (plus Rp 4 miliar untuk 2 additional DC operating), EBITDA Rp 846 miliar. Delta EBITDA plus Rp 96 miliar per tahun. Investasi awal Rp 8 miliar untuk build 2 new DC. Payback period 8 miliar / 96 miliar = 0,083 tahun atau sekitar 1 bulan — ini over-simplified karena assumption revenue lift 12,5 persen sustained. Realistic revenue lift biasanya bertahap 3-6 bulan. Tetap, ROI sangat positif. Pelajaran: network design investasi sering justified secara finansial, tidak hanya qualitative. Sebagai konsultan, Anda harus kuantifikasi business case dengan revenue lift projection, bukan hanya cost analysis.

Bagian 4 · 4/4

Integrasi & Persiapan Pertemuan 4

Diskusi kelas: dari semua tool hari ini, mana yang paling mau Anda apply ke perusahaan yang Anda kenal?

Sintesis: Kerangka Network Design Praktis

Network design bukan satu tool — kombinasi tool sesuai masalah dan data availability.

Masalah	Tool	Data yang Dibutuhkan
Single facility location	Center of gravity	Customer volume + koordinat
Multi-kriteria decision	AHP	Pairwise comparison stakeholder
Multi-facility + multi-objective	Llamasoft/anyLogistix	Detailed cost, demand, capacity
Quick what-if analysis	Excel + Solver	Sederhana, <20 variabel

Network design adalah iteratif — mulai dengan simple, refine dengan sophisticated sesuai kebutuhan. Investasi data quality adalah prerequisite.

Sintesis hari ini adalah kerangka network design praktis. Tool yang dipilih tergantung masalah dan data availability. Single facility location → center of gravity method — butuh data customer volume dan koordinat geografis. Multi-kriteria decision (pilih lokasi plant dengan 5+ kriteria) → AHP dengan pairwise comparison stakeholder. Multi-facility dengan multi-objective (3+ DC untuk serv Indonesia dengan cost-service-risk) → software advanced seperti Llamasoft atau anyLogistix, butuh detailed cost per route, demand forecast, dan capacity data. Quick what-if analysis untuk eksplorasi → Excel plus Solver add-in, cukup untuk masalah sederhana dengan kurang dari 20 variabel. Yang penting: network design adalah iteratif. Mulai dengan simple model untuk insight awal, refine dengan sophisticated sesuai kebutuhan dan data availability. Investasi data quality adalah prerequisite — model bagus dengan data buruk = output menyesatkan (garbage in garbage out). Banyak perusahaan Indonesia under-invest di data quality untuk supply chain analytics, padahal ini foundation. Sebagai konsultan, Anda harus diagnose data readiness klien sebelum rekomendasi tool.

Ringkasan & Persiapan Pertemuan 4

Apa yang sudah kita pelajari hari ini dan apa yang akan datang minggu depan.

Hari Ini (P3)

Center of gravity method — single & multi-customer
AHP (Analytic Hierarchy Process) — pairwise & consistency
Multi-objective optimization — Pareto frontier
Facility location-allocation
Mini-case: FMCG Indonesia network redesign

Minggu Depan (P4)

Lingkungan budaya global: Hofstede 6 dimensi
Hall: high-context vs low-context communication
Implikasi praktik manajemen operasi lintas-budaya
Mini-case: Astra vs Unilever management style

Persiapan P4: baca Hofstede "Culture's Consequences" bab 3; refresh Indonesia di Hofstede Insights website; siapkan satu pengalaman cross-cultural yang ingin Anda analisis.

Sebagai penutup, saya ingin menegaskan tiga pesan kunci hari ini. Pertama, center of gravity method adalah tool fundamental untuk single facility location — pusat massa weighted by volume. Kedua, AHP memberi kerangka sistematis untuk decision multi-kriteria via pairwise comparison dan consistency check. Ketiga, multi-objective optimization menghasilkan Pareto frontier untuk trade-off cost-service-risk — decision maker pilih titik optimal sesuai strategic priority. Sampai jumpa di pertemuan 4 minggu depan di mana kita akan beralih dari tool kuantitatif ke lingkungan global: budaya Hofstede 6 dimensi yang menjelaskan mengapa praktik manajemen operasi berbeda antarnegara. Topik ini lebih soft tetapi sama kritisnya untuk praktisi global operations. Silakan baca Hofstede bab 3 dan refresh Indonesia di Hofstede Insights website. Terima Kasih sudah aktif berdiskusi — selamat belajar.