PENJUALAN RETAIL · PRODI MANAJEMEN FEB UNDIP

Penjualan Retail

Pertemuan 7: Analisis Data dan Teknologi untuk Penilaian Lokasi Retail (GIS, Traffic Count, Demografi)

Dari intuisi ke bukti: bagaimana peritel modern memakai peta digital, penghitungan lalu lintas, dan data kependudukan untuk memutuskan di mana toko akan berdiri.

RPS minggu 7 · 2x50 menit

Selamat datang kembali, Anda baru saja menyelesaikan pembahasan kriteria pemilihan lokasi retail minggu lalu, dan hari ini kita masuk lebih dalam ke bagaimana keputusan itu dibuktikan dengan data, bukan sekadar feeling pemilik toko. Bayangkan Anda adalah tim ekspansi Indomaret yang setiap tahun harus memutuskan ratusan lokasi gerai baru, tidak mungkin semuanya disurvei dengan jalan kaki keliling kampung. Di pertemuan ini Anda akan belajar tiga alat utama, yaitu GIS atau sistem informasi geografis, traffic count atau penghitungan lalu lintas, dan analisis demografi, lalu bagaimana ketiganya digabungkan menjadi skor kelayakan lokasi yang terukur. Sesi ini dua kali lima puluh menit, akan ada dua latihan hitungan langkah demi langkah supaya Anda benar-benar paham logikanya, bukan cuma menghafal istilah.

BAGIAN 1 DARI 3

Mengapa Keputusan Lokasi Butuh Data, Bukan Cuma Insting

Menyambung kriteria pemilihan lokasi minggu lalu dengan alat ukur konkret yang dipakai peritel modern hari ini.

Tujuan Pembelajaran Hari Ini

SUB-CPMK A

GIS

Sistem Informasi Geografis

Menjelaskan konsep GIS dan bagaimana peta digital berlapis membantu memvisualisasikan wilayah cakupan (trade area) sebuah toko.

SUB-CPMK B

TC + Demografi

Traffic count & data kependudukan

Menghitung estimasi potensi penjualan dari data lalu lintas dan menafsirkan data demografi untuk menilai kesesuaian pasar.

Target akhir sesi: Anda mampu menyusun skor kelayakan lokasi dari kombinasi tiga sumber data ini, dan menjelaskan keterbatasannya.

Dari Kriteria Kualitatif ke Data Kuantitatif

Minggu lalu Anda mempelajari kriteria pemilihan lokasi seperti aksesibilitas, visibilitas, kepadatan target pasar, dan kompetisi sekitar. Ketiganya kini bisa diukur dengan data, bukan sekadar dinilai secara kasat mata.

AKSESIBILITAS

Diukur lewat GIS: jarak tempuh, waktu tempuh, jaringan jalan.

KERAMAIAN

Diukur lewat traffic count: jumlah kendaraan/pejalan kaki lewat per hari.

KESESUAIAN PASAR

Diukur lewat demografi: usia, pendapatan, kepadatan penduduk sekitar.

Taruhan Besar di Balik Satu Titik Lokasi

KOMITMEN JANGKA PANJANG

5–10 th

Rata-rata masa sewa/kontrak lokasi retail

Berbeda dari harga atau promosi yang bisa diubah dalam hitungan hari, keputusan lokasi terikat kontrak sewa jangka panjang.

BIAYA SALAH LANGKAH

Tinggi

Investasi renovasi, sewa, dan SDM hilang

Toko yang sepi bukan hanya rugi penjualan, tapi juga menyeret biaya operasional tetap yang tetap berjalan setiap bulan.

Contoh nyata: sejumlah gerai minimarket yang tutup dalam 1–2 tahun sering kali berakar dari asesmen lokasi yang hanya mengandalkan pengamatan sekilas, tanpa validasi data lalu lintas atau demografi sekitar.

Mari kita renungkan sejenak mengapa topik ini layak mendapat satu pertemuan penuh, sebab keputusan lokasi retail itu berbeda dengan keputusan harga yang bisa Anda ubah besok pagi kalau ternyata keliru. Sekali Anda menandatangani kontrak sewa ruko atau kios di mal, Anda biasanya terikat selama lima sampai sepuluh tahun, jadi kesalahan asesmen lokasi menjadi kesalahan jangka panjang yang mahal. Anda pasti pernah melihat sendiri ruko yang berganti-ganti bisnis setiap beberapa bulan, dari warung makan menjadi toko pulsa lalu tutup, itu sering kali gejala lokasi yang sebetulnya secara data tidak layak dari awal. Oleh sebab itu perusahaan retail besar seperti Alfamart dan Indomaret punya tim riset lokasi khusus yang bekerja dengan data sebelum satu rupiah pun dikeluarkan untuk sewa dan renovasi.

Tiga Pilar Analisis Data Lokasi Retail

Ketiga pilar ini saling melengkapi: GIS memetakan ruang, traffic count mengukur keramaian, demografi menilai kecocokan pasar.

BAGIAN 2 DARI 3

GIS dan Traffic Count: Memetakan Ruang dan Keramaian

Membedah bagaimana peta digital berlapis dan penghitungan lalu lintas menjadi dasar estimasi potensi penjualan.

Apa Itu GIS (Geographic Information System)?

GIS (Sistem Informasi Geografis) adalah sistem yang mengumpulkan, menyimpan, dan menampilkan data dalam bentuk peta berlapis (layer) — jauh lebih kaya daripada peta biasa karena setiap lapisan bisa dianalisis dan digabung.

CONTOH LAPISAN (LAYER) GIS RETAIL

Lapisan jalan & jaringan transportasi
Lapisan lokasi kompetitor sejenis
Lapisan kepadatan penduduk per kelurahan
Lapisan titik transit (halte, stasiun, terminal)

ISTILAH KUNCI

Geocoding: mengubah alamat menjadi koordinat titik di peta.
Trade area: wilayah cakupan tempat mayoritas pelanggan sebuah toko berasal.
Drive-time: radius yang dihitung dari waktu tempuh, bukan jarak lurus.

Bayangkan GIS seperti tumpukan plastik transparan di atas satu peta dasar, tiap lembar plastik itu memuat satu jenis informasi berbeda, ada yang berisi jaringan jalan, ada yang berisi lokasi kompetitor, ada pula yang berisi kepadatan penduduk. Ketika lembar-lembar itu ditumpuk, Anda bisa melihat pola yang tidak terlihat kalau hanya menatap satu peta biasa, misalnya area mana yang padat penduduk tetapi belum ada minimarket sama sekali. Istilah geocoding penting Anda ingat karena inilah proses yang mengubah alamat tertulis seperti "Jalan Pandanaran nomor 10 Semarang" menjadi titik koordinat lintang dan bujur yang bisa diproses komputer. Trade area dan drive-time juga istilah penting, sebab keduanya menentukan seberapa jauh sebenarnya jangkauan realistis sebuah toko menarik pelanggan, dan drive-time lebih akurat daripada sekadar menggambar lingkaran radius di peta karena memperhitungkan kondisi jalan sesungguhnya.

Aplikasi GIS: Memetakan Wilayah Cakupan Toko

Trade area primer: sumber ~60-70% pelanggan, jarak tempuh singkat.

Trade area tersier: kontribusi kecil, hanya pelanggan yang sengaja jauh-jauh datang.

Diagram cincin konsentris ini adalah cara GIS memvisualisasikan wilayah cakupan sebuah toko, dan perhatikan bahwa cincin-cincin ini tidak digambar berdasarkan jarak lurus di atas kertas, melainkan berdasarkan waktu tempuh nyata di jalan, itulah kenapa disebut drive-time analysis. Wilayah primer adalah area inti tempat mayoritas pelanggan datang, biasanya kurang dari lima menit berkendara, sedangkan wilayah tersier adalah pelanggan langka yang bersedia menempuh jarak jauh karena alasan khusus, misalnya toko itu satu-satunya yang menjual produk tertentu. Contoh nyatanya, Transmart Carrefour biasanya menganalisis trade area sebelum membuka gerai baru untuk memastikan tidak terjadi kanibalisasi dengan gerai Transmart lain yang sudah ada di kota yang sama. Dengan GIS, tim ekspansi bisa melihat langsung di peta apakah trade area calon lokasi baru tumpang tindih signifikan dengan gerai eksisting, sebelum keputusan investasi dibuat.

Traffic Count: Mengukur Keramaian Lalu Lintas

Traffic count adalah proses menghitung jumlah kendaraan dan/atau pejalan kaki yang melewati suatu titik lokasi dalam periode waktu tertentu, biasanya per hari.

METODE MANUAL

Surveyor mencatat langsung di titik lokasi, jam sibuk & jam sepi.

SENSOR/KAMERA

Sensor infrared atau kamera CCTV dengan penghitung otomatis.

DATA MOBILE/GPS

Data pergerakan agregat dari aplikasi peta & operator seluler.

Traffic count baru berguna jika dikombinasikan dengan asumsi conversion rate (persentase orang yang lewat lalu benar-benar mampir ke toko) dan ATV/Average Transaction Value (rata-rata nilai transaksi per pelanggan).

Traffic count sebenarnya konsepnya sederhana, yaitu berapa banyak orang atau kendaraan yang lewat di depan calon lokasi toko dalam satu hari, tetapi cara mengukurnya bisa bermacam-macam tergantung anggaran dan ketelitian yang dibutuhkan. Cara paling murah adalah survei manual, di mana surveyor duduk di lokasi dan mencatat dengan tally counter selama beberapa jam mewakili jam sibuk dan jam sepi. Cara yang lebih canggih memakai sensor infrared atau kamera yang otomatis menghitung, bahkan sekarang banyak peritel modern memakai data agregat pergerakan dari aplikasi peta digital untuk memperkirakan keramaian tanpa perlu survei fisik sama sekali. Namun ingat, angka traffic count mentah belum berarti apa-apa sebelum dikalikan dengan asumsi berapa persen orang yang lewat itu benar-benar akan mampir, dan berapa rata-rata belanja mereka, dua hal itulah yang akan kita hitung bersama di slide berikutnya.

Hitung dari Nol #1: Estimasi Penjualan dari Traffic Count

Kasus: calon lokasi minimarket di ruas jalan dengan traffic count kendaraan hasil survei = 5.000 kendaraan/hari. Asumsi rata-rata penumpang 1,5 orang/kendaraan, conversion rate 3%, ATV Rp45.000.

Langkah	Perhitungan	Nilai
1. Traffic count kendaraan/hari	Hasil survei langsung	5.000 kendaraan
2. Estimasi orang melintas	5.000 × 1,5 orang	7.500 orang/hari
3. Captured customers (konversi)	7.500 × 3%	225 orang/hari
4. Estimasi penjualan harian	225 × Rp45.000 (ATV)	Rp10.125.000/hari
5. Estimasi penjualan bulanan	Rp10.125.000 × 30 hari	Rp303.750.000/bulan

ESTIMASI POTENSI PENJUALAN LOKASI

Rp303,75 jt

per bulan, sebelum dibandingkan dengan biaya sewa & operasional

Mari kita hitung bersama langkah demi langkah, dan Anda boleh mengikuti dengan kalkulator sendiri supaya benar-benar paham logikanya, bukan hanya melihat hasil akhirnya. Kita mulai dari angka traffic count mentah lima ribu kendaraan per hari, lalu kita ubah menjadi estimasi jumlah orang dengan asumsi rata-rata satu setengah penumpang per kendaraan, sehingga menjadi tujuh ribu lima ratus orang yang berpotensi melihat toko tersebut setiap hari. Dari situ tidak semua orang akan mampir, makanya kita kalikan dengan conversion rate tiga persen, angka ini biasanya diperoleh dari benchmark industri retail sejenis atau uji coba langsung di lapangan, hasilnya dua ratus dua puluh lima orang yang benar-benar menjadi pelanggan per hari. Terakhir kita kalikan dengan rata-rata nilai transaksi Rp45.000, yang di banyak minimarket cukup mendekati kenyataan, sehingga ketemu estimasi omzet sekitar Rp303,75 juta per bulan, angka inilah yang nanti dibandingkan dengan target penjualan minimum yang ditetapkan manajemen sebelum lokasi tersebut disetujui.

Demografi: Menilai Kecocokan Profil Penduduk Sekitar

Data demografi menjawab pertanyaan: apakah orang di sekitar lokasi ini cocok dengan target pasar produk yang akan dijual?

VARIABEL DEMOGRAFI KUNCI

Kepadatan penduduk per km² di trade area
Struktur usia (dominan muda/dewasa/lansia)
Tingkat pendapatan rata-rata rumah tangga
Komposisi rumah tangga (jumlah anggota, gaya hidup)

SUMBER DATA

BPS (Badan Pusat Statistik): sensus & survei sosial ekonomi
Data kelurahan/kecamatan setempat
Survei primer langsung di lapangan
Data pihak ketiga (penyedia data lokasi komersial)

Setelah Anda tahu seberapa ramai suatu lokasi lewat traffic count, pertanyaan berikutnya adalah siapa sebenarnya orang-orang yang ramai itu, dan di sinilah data demografi berperan penting. Toko kosmetik seperti Sociolla misalnya membutuhkan trade area dengan proporsi perempuan usia produktif dan pendapatan menengah ke atas yang lebih tinggi dibanding toko kebutuhan pokok sehari-hari yang bisa cocok di hampir semua profil penduduk. Sumber data demografi paling terpercaya di Indonesia adalah BPS, yang rutin merilis data sensus penduduk dan survei sosial ekonomi nasional hingga level kecamatan, bahkan kelurahan untuk beberapa indikator. Selain data resmi pemerintah, banyak peritel besar juga melakukan survei primer sendiri atau membeli data dari penyedia riset pasar komersial untuk mendapatkan gambaran yang lebih granular dan terkini dibanding data sensus yang biasanya diperbarui tidak setiap tahun.

Model Huff: Memprediksi ke Mana Konsumen Akan Pergi

Huff Model (model gravitasi retail) memprediksi probabilitas seorang konsumen memilih toko tertentu, berdasarkan daya tarik toko (biasanya ukuran/luas) dibagi jarak kuadrat ke toko tersebut.

P(i) = (S_i / D_i²) ÷ Σ (S_k / D_k²)

Semakin besar toko (S) dan semakin dekat jaraknya (D), semakin besar probabilitas konsumen memilih toko itu — tapi ukuran besar bisa mengimbangi jarak yang lebih jauh.

Sekarang kita masuk ke satu model klasik dalam ilmu lokasi retail yang disebut Huff Model, dinamai dari ekonom William Huff yang mengembangkannya pada tahun enam puluhan, dan model ini masih dipakai sampai sekarang dalam bentuk yang lebih canggih di software GIS modern. Logikanya mirip gravitasi dalam fisika, semakin besar massa suatu benda dan semakin dekat jaraknya, semakin kuat tariknya, nah dalam retail massa itu diganti dengan ukuran atau luas toko, dan jarak yang dipangkatkan dua karena efek jarak terhadap keengganan konsumen bepergian tidak linear, melainkan mengecil drastis semakin jauh. Perhatikan ilustrasi ini, Toko A lebih kecil tapi lebih dekat, sedangkan Toko B jauh lebih besar tapi sedikit lebih jauh, pertanyaannya konsumen di titik tengah ini akan lebih condong ke mana, dan itu yang akan kita hitung bersama di slide berikutnya. Model ini penting karena sering kali toko besar seperti hypermarket bisa "menyedot" pelanggan dari radius yang jauh lebih luas dibanding warung kecil meski jaraknya lebih jauh.

Hitung dari Nol #2: Probabilitas Kunjungan dengan Huff Model

Toko A: luas 300 m², jarak 2 km. Toko B: luas 900 m², jarak 3 km. λ (eksponen jarak) = 2.

Langkah	Perhitungan	Nilai
1. Daya tarik Toko A	300 ÷ 2² = 300 ÷ 4	75
2. Daya tarik Toko B	900 ÷ 3² = 900 ÷ 9	100
3. Total daya tarik	75 + 100	175
4. Probabilitas pilih Toko A	75 ÷ 175 × 100%	~42,9%
5. Probabilitas pilih Toko B	100 ÷ 175 × 100%	~57,1%

HASIL PREDIKSI

57,1% ke Toko B

Meski lebih jauh, ukuran Toko B yang 3x lebih besar membuatnya lebih menarik bagi mayoritas konsumen di zona ini

Ayo kita hitung persis seperti rumus yang baru saja Anda lihat, langkah pertama kita bagi luas Toko A dengan jarak kuadratnya, tiga ratus dibagi dua pangkat dua sama dengan tiga ratus dibagi empat, hasilnya tujuh puluh lima, itulah daya tarik Toko A. Langkah kedua kita lakukan hal sama untuk Toko B, sembilan ratus dibagi tiga pangkat dua sama dengan sembilan ratus dibagi sembilan, hasilnya seratus, jadi meskipun lebih jauh, daya tarik Toko B justru lebih tinggi karena ukurannya tiga kali lipat Toko A. Setelah dijumlahkan menjadi seratus tujuh puluh lima sebagai total daya tarik, kita bisa menghitung proporsi masing-masing, Toko A mendapat sekitar empat puluh dua koma sembilan persen probabilitas dipilih, dan Toko B mendapat lima puluh tujuh koma satu persen. Ini mengajarkan Anda pelajaran penting dalam retail, yaitu toko besar seperti hypermarket atau supermarket bisa menarik pelanggan dari radius lebih jauh justru karena ukurannya, sementara minimarket kecil harus benar-benar dekat dengan pelanggan untuk bisa bersaing.

Coba Sendiri: Kalkulator Huff Model

Ubah luas dan jarak masing-masing toko, lalu amati bagaimana probabilitas konsumen memilih tiap toko berubah menurut Huff Model.

BAGIAN 3 DARI 3

Mengintegrasikan Data, Teknologi Lanjutan, dan Batasannya

Menyatukan GIS, traffic count, dan demografi menjadi satu skor keputusan, plus mengenal teknologi terkini dan jebakannya.

Menyatukan Semua Data: Skoring Lokasi Berbobot

Setiap kriteria diberi bobot (sesuai prioritas strategi perusahaan) dan skor (1–5) per lokasi, lalu dijumlahkan menjadi skor akhir untuk dibandingkan antar calon lokasi.

Kriteria	Bobot	Skor Lokasi X (1–5)	Skor Terbobot
Traffic count (keramaian)	35%	4	1,40
Kesesuaian demografi	30%	5	1,50
Aksesibilitas (GIS drive-time)	20%	3	0,60
Kepadatan kompetitor	15%	2	0,30
Total skor			3,80 / 5

Skor gabungan ini yang dibandingkan antar calon lokasi — bukan sekadar "lokasi mana yang terlihat lebih ramai".

Sekarang bayangkan Anda harus membandingkan lima calon lokasi sekaligus untuk satu gerai baru, tidak mungkin Anda hanya mengandalkan perasaan mana yang paling bagus, di sinilah skoring berbobot menjadi alat yang sangat praktis. Setiap kriteria yang sudah kita pelajari, yaitu traffic count, demografi, aksesibilitas dari GIS, dan kepadatan kompetitor, diberi bobot sesuai prioritas strategi perusahaan, misalnya minimarket biasanya memberi bobot tertinggi pada traffic count karena model bisnisnya mengandalkan pembelian impulsif dan cepat. Setiap lokasi lalu dinilai dengan skor satu sampai lima untuk tiap kriteria, dikalikan bobotnya, dan dijumlahkan menjadi satu angka akhir yang bisa dibandingkan apel-ke-apel antar lokasi. Contoh di tabel ini menunjukkan lokasi dengan skor total 3,80 dari skala 5, angka ini kemudian dibandingkan dengan skor minimum yang ditetapkan manajemen, katakanlah minimal 3,5, sebagai syarat lokasi tersebut layak dilanjutkan ke tahap negosiasi sewa.

Teknologi Lanjutan dalam Penilaian Lokasi

DATA PERGERAKAN PONSEL

GPS

Mobile location data

Data agregat & anonim pergerakan pengguna ponsel untuk memetakan pola lalu lintas tanpa survei manual.

BIG DATA

E-commerce

Data transaksi & pencarian online

Pola pencarian produk di Tokopedia/Shopee per wilayah membantu memetakan permintaan sebelum toko fisik dibuka.

AI PREDIKTIF

Machine Learning

Model prediksi omzet

Algoritma belajar dari ratusan gerai eksisting untuk memprediksi omzet calon lokasi baru secara otomatis.

Selain tiga alat dasar yang sudah Anda kuasai, peritel besar di Indonesia kini mulai memakai teknologi yang lebih mutakhir untuk mempertajam keputusan lokasi. Data pergerakan ponsel misalnya, memanfaatkan data lokasi agregat dan anonim dari operator seluler atau aplikasi peta untuk memahami pola pergerakan penduduk sepanjang hari, jauh lebih detail dibanding survei traffic count manual yang hanya menangkap potret beberapa jam saja. Perusahaan retail juga mulai memanfaatkan big data dari platform e-commerce seperti Tokopedia dan Shopee, dengan melihat wilayah mana yang paling banyak mencari kategori produk tertentu secara online, sebagai sinyal awal potensi permintaan sebelum membuka toko fisik di wilayah itu. Yang paling mutakhir adalah model machine learning yang dilatih dari data ratusan gerai yang sudah beroperasi, sehingga bisa memprediksi estimasi omzet calon lokasi baru secara otomatis hanya dengan memasukkan koordinat dan beberapa variabel kunci, meski model semacam ini masih butuh biaya investasi data yang besar dan baru bisa dijangkau peritel skala nasional.

Tantangan dan Keterbatasan Analisis Data Lokasi

KUALITAS & BIAYA DATA

Data sensus BPS tidak selalu ter-update setiap tahun
Survei traffic count primer butuh biaya & waktu
Software GIS & data komersial berbayar mahal bagi UMKM retail

PRIVASI & ETIKA DATA

Data pergerakan ponsel harus dianonimkan & agregat
Regulasi UU PDP (Pelindungan Data Pribadi) membatasi penggunaan data personal
Model tidak boleh menggantikan sepenuhnya penilaian manusia di lapangan

Data bagus mengurangi risiko, tapi tidak menghilangkan risiko — kunjungan lapangan & uji coba tetap diperlukan sebelum keputusan final.

Sebagai calon manajer yang kritis, penting bagi Anda untuk tidak terlalu percaya buta pada angka dan model, sebab semua alat yang sudah kita bahas hari ini punya keterbatasan nyata di lapangan. Data sensus dari BPS misalnya tidak diperbarui setiap tahun, jadi bisa jadi data yang Anda pakai sebenarnya mencerminkan kondisi wilayah dua atau tiga tahun lalu, sementara pembangunan perumahan baru bisa mengubah demografi sebuah wilayah dengan cepat. Survei traffic count primer dan software GIS komersial juga membutuhkan biaya yang tidak murah, sehingga usaha retail skala kecil dan menengah sering kali tidak mampu mengaksesnya dan harus mengandalkan observasi manual sederhana. Satu isu yang juga wajib Anda pahami adalah privasi data, karena penggunaan data pergerakan ponsel harus tunduk pada Undang-Undang Pelindungan Data Pribadi, artinya data yang dipakai harus sudah dianonimkan dan diagregasi, tidak boleh melacak individu tertentu. Karena itu, betapapun canggihnya data dan teknologi yang Anda pakai, kunjungan langsung ke lokasi dan diskusi dengan warga sekitar tetap menjadi langkah validasi yang tidak boleh dilewatkan.

Latihan Kelompok: Menilai Dua Calon Lokasi

INSTRUKSI

Dalam kelompok 3–4 orang, Anda diberi data dua calon lokasi minimarket di kota yang sama:

Lokasi P: traffic count 3.200 kendaraan/hari, kepadatan penduduk trade area tinggi, ada 1 kompetitor sejenis dalam radius 500 m.
Lokasi Q: traffic count 6.000 kendaraan/hari, kepadatan penduduk sedang, ada 3 kompetitor sejenis dalam radius 500 m.

Tugas: (1) hitung estimasi penjualan bulanan tiap lokasi seperti contoh Hitung dari Nol #1 (asumsikan 1,5 orang/kendaraan, konversi 3%, ATV Rp45.000); (2) susun skor berbobot sederhana (traffic, demografi, kompetisi); (3) tentukan rekomendasi lokasi mana yang dipilih beserta alasannya.

Waktu: 10 menit diskusi kelompok, dilanjutkan presentasi singkat 2 kelompok terpilih.

Sekarang giliran Anda mempraktikkan langsung apa yang sudah dipelajari, silakan berkumpul dalam kelompok kecil tiga sampai empat orang dan kerjakan kasus di depan Anda ini bersama-sama. Perhatikan bahwa Lokasi Q punya traffic count jauh lebih tinggi dibanding Lokasi P, tetapi juga punya kompetitor sejenis jauh lebih banyak, jadi jangan buru-buru menyimpulkan traffic count tinggi otomatis lebih baik. Gunakan rumus yang sama persis dengan contoh Hitung dari Nol pertama tadi untuk menghitung estimasi omzet kedua lokasi, lalu buat skor berbobot sederhana sendiri, misalnya bobot traffic 40 persen, demografi 30 persen, dan kompetisi 30 persen. Setelah sepuluh menit, saya akan meminta dua kelompok untuk mempresentasikan rekomendasi mereka beserta alasan di baliknya, sehingga kita bisa mendiskusikan apakah ada perbedaan pendekatan antar kelompok.

Rangkuman & Persiapan Minggu Depan

Alat	Fungsi Utama	Output
GIS	Memetakan ruang & trade area	Peta drive-time, cakupan wilayah
Traffic count	Mengukur keramaian lokasi	Estimasi captured customers & omzet
Demografi	Menilai kecocokan pasar	Profil penduduk vs target pasar
Skoring berbobot	Integrasi keputusan akhir	Skor kelayakan lokasi (0–5)

MINGGU DEPAN (PERTEMUAN 9)

Setelah lokasi ditentukan: Tata Letak Toko & Zonasi Traffic — bagaimana mengatur alur pelanggan di dalam toko.

TUGAS SEBELUM MINGGU DEPAN

Observasi

Kunjungi 1 toko retail terdekat

Amati dan catat estimasi traffic count kasar selama 15 menit di jam sibuk, bawa hasilnya ke kelas berikutnya.

Mari kita rangkum perjalanan kita hari ini, Anda sudah belajar tiga alat utama yaitu GIS untuk memetakan ruang, traffic count untuk mengukur keramaian, dan demografi untuk menilai kecocokan pasar, lalu ketiganya disatukan lewat skoring berbobot menjadi satu angka keputusan yang objektif. Anda juga sudah mempraktikkan dua hitungan dari nol, yaitu mengubah traffic count menjadi estimasi omzet, dan menggunakan Huff Model untuk memprediksi ke mana konsumen lebih cenderung pergi antara dua toko dengan ukuran berbeda. Minggu depan, setelah lokasi toko ditentukan dengan metode yang baru saja Anda pelajari, kita akan masuk ke topik tata letak toko dan zonasi traffic, yaitu bagaimana mengatur alur jalan pelanggan begitu mereka sudah masuk ke dalam toko. Sebagai tugas kecil sebelum pertemuan berikutnya, silakan kunjungi satu toko retail terdekat dari rumah Anda dan coba amati sendiri selama lima belas menit di jam sibuk, hitung kira-kira berapa orang yang lewat dan berapa yang benar-benar masuk, supaya Anda punya rasa langsung terhadap angka-angka yang kita bahas hari ini.