Analisis Big Data Dalam SCM (MATERI 11) [PDF]

Citation preview

MAKALAH KAPITA SELEKTA ANALISIS BIG DATA DALAM SUPPLY CHAIN MANAGEMENT Diajukan Untuk Memenuhi Salah Satu Tugas Kapita Selekta



Dosen Pengampu: Dr. Haryadi Ismail



Disusun oleh: Kelompok 4 1. Dimas Soebianto Putra



(6164123)



2. Nining Yuningsih



(6164136)



3. Syaibani Dita Ardella



(6164142)



4. Triska Nurhaniifah



(6164143)



PROGRAM STUDI DIPLOMA IV LOGISTIK BISNIS POLITEKNIK POS INDONESIA BANDUNG 2019



KATA PENGANTAR Puji dan syukur kami panjatkan kehadirat Tuhan Yang Maha Esa karena berkat rahmat dan karunia-Nya kami dapat menyelesaikan makalah yang diberikan oleh dosen pengampu mata kuliah kapita selekta dengan judul “ANALISIS BIG DATA DALAM SUPPLY CHAIN MANAGEMENT”. Kami mengucapkan terimakasih kepada bapak Dr. Haryadi Ismail, selaku dosen pengampu mata kuliah kapita selekta yang telah memberikan kepercayaan kepada kami untuk dapat menyelesaikan makalah ini. Tak lupa juga kami mengucapkan terimakasih kepada teman-teman yang telah berkontribusi dengan memberikan ide-idenya sehingga makalah ini dapat diselesaikan dengan baik. Kami berharap makalah yang telah kami susun ini dapat memberikan manfaat dalam bentuk pengetahuan kepada pembaca. Namun terlepas dari hal itu, kami sebagai penulis juga memahami bahwa makalah yang kami selesaikan ini masih jauh dari kata sempurna sehingga kami sangat mengharapkan kritik serta saran yang bersifat membangun demi terciptanya kesempatan kepada kami untuk menyelesaikan makalah selanjutnya dengan lebih baik lagi.



Bandung, Desember 2019



i



DAFTAR ISI



HALAMAN JUDUL KATA PENGANTAR ..................................................................................................................... i DAFTAR ISI ................................................................................................................................. ii BAB I........................................................................................................................................... 1 1.1. Latar Belakang .................................................................................................................. 1 1.2. Rumusan Masalah ............................................................................................................ 1 1.3. Tujuan ............................................................................................................................... 1 1.4. Batasan Masalah .............................................................................................................. 1 BAB II.......................................................................................................................................... 2 2.1. Pendahuluan .................................................................................................................... 2 2.1.1. Big Data ................................................................................................................. 2 2.1.2. Supply chain Management ................................................................................... 5 2.1.3. Big Data Analisis (BDA) ......................................................................................... 5 2.2. Pentingnya Big Data Analisis Dalam Supply chain Management ..................................... 6 2.3. Peluang Untuk Big Data Analisis Dalam Supply chain Management ............................... 6 2.3.1. Aplikasi Big Data Analisis Dalam Supply chain ...................................................... 7 2.3.2. Sumber Data Dalam Supply chain....................................................................... 12 2.3.3. Area Supply chain Management yang menerapkan Big Data Analisis ............... 13 2.3.4. Teknik Big Data Analisis Dalam Mengembangkan Supply chain ........................ 15 2.4. Tantangan Dalam Mengadopsi Big Data Analisis Untuk Supply chain ........................... 16 2.5. Tingkat Big Data Analisis Dalam Supply chain ................................................................ 17 BAB III....................................................................................................................................... 19 3.1. Kesimpulan ..................................................................................................................... 19 3.2. Saran ............................................................................................................................... 18 Daftar Pustaka ......................................................................................................................... 19



ii



BAB I PENDAHULUAN 1.1.



Latar Belakang Dengan dunia bergerak menuju Standar Industri 4.0, jumlah mesin, proses, dan layanan yang menghasilkan dan mengumpulkan data dalam jumlah besar akan meningkat pesat di masa mendatang. Ini akan memunculkan Big Data, yang merupakan sejumlah besar data yang tidak dapat diproses dengan teknik komputasi konvensional. Untuk mengungkap pola dalam jumlah besar data dan mendapatkan wawasan yang berharga tentang itu, Big Data Analytics dirancang. Supply chain adalah kontributor signifikan untuk Big Data di mana keragaman informasi adalah besar. Data yang diakumulasikan oleh Supply chain berisi informasi dari entitas utama seperti manufaktur, logistik, dan ritel. Penggunaan Big Data Analytics pada kumpulan set data yang banyak dapat menumbuhkan pendekatan pengambilan keputusan yang proaktif untuk memprediksi peluang dan risiko utama dalam Supply chain. Banyaknya kasus bisnis ditandai dengan kompleksitas yang semakin luas. Ini didasarkan pada peningkatan kolaborasi antara perusahaan, pelanggan, dan organisasi pemerintah di satu sisi dan lebih banyak produk dan layanan individual di sisi lain. Karena itu, perusahaan berencana untuk mengatasi masalah ini dengan solusi Big Data. Perkembangan big data Indonesia akhir-akhir ini terus meningkat. Penggunaannya hampir menyeluruh dan menyentuh segala aspek industri yang berjalan. Mulai dari industri kesehatan, layanan kesehatan, marketing, retail, hingga telekomunikasi dan asuransi. Peningkatan tersebut bukannya tanpa alasan. Fungsi utama yang ditawarkan big data dengan mengolah informasi dari pelanggan dan menyajikannya langsung kepada pengusaha jelas membuat pengusaha lebih mengetahui kondisi pasar dan mengenal lebih baik konsumennya. Sebenarnya big data sendiri bukan tentang seberapa besar data yang dimiliki, namun lebih kepada pengumpulan data secara tepat dan signifikan sehingga hasil pengolahannya bisa dijadikan referensi atau acuan terhadap keputusan bisnis yang dijalankan. Minat yang berkembang pesat baik dari akademisi dan praktisi dalam penerapan analitik data besar (BDA) dalam manajemen supply chain (SCM) telah mendesak perlunya peninjauan terhadap pengembangan penelitian terbaru untuk mengembangkan agenda baru. Tinjauan ini menanggapi panggilan dengan mengusulkan kerangka klasifikasi baru yang menyediakan gambaran lengkap literatur saat ini di mana dan bagaimana BDA telah diterapkan dalam konteks SCM.



1



1.2.



Rumusan Masalah 1.2.1. Apa yang dimaksud dengan Big Data dan Big Data Analisis (BDA)? 1.2.2. Apa peluang Penerapan Big Data Analisis (BDA) dalam supply chain? 1.2.3. Bagaimana penerapan Big Data Analisis (BDA) di dalam Supply chain Management?



1.3.



Tujuan 1.3.1. Mengetahui apa yang dimaksud dengan Big Data Analisis (BDA. 1.3.2. Mengetahui bagaimana penerapan Big Data Analisis (BDA) di dalam Supply chain management. 1.3.3. Mengetahui apa saja peluang Penerapan Big Data Analisis (BDA) dalam supply chain.



1.4.



Batasan Masalah Pembatasan suatu masalah digunakan untuk menghindari adanya penyimpangan maupun pelebaran pokok masalah agar penelitian tersebut lebih terarah dan memudahkan dalam pembahasan sehingga tujuan penelitian akan tercapai. Beberapa batasan dalam makalah ini adalah: 1.4.1. Analisis penerapan Big Data hanya di area supply chain. 1.4.2. Jenis model big data analisis (BDA) yang diterapkan dalam supply chain management. 1.4.3. Penerapan big data analisis (BDA) untuk pengoptimalan beberapa property di dalam supply chain management.



2



BAB II PEMBAHASAN 2.1.



Pendahuluan 2.1.1. Big Data Big Data adalah istilah yang menggambarkan volume data yang besar, baik data yang terstruktur maupun data yang tidak terstruktur. Big Data telah digunakan dalam banyak bisnis. Tidak hanya besar data yang menjadi poin utama tetapi apa yang harus dilakukan organisasi dengan data tersebut. Big Data dapat dianalisis untuk wawasan yang mengarah pada pengambilan keputusan dan strategi bisnis yang lebih baik. Big data juga berarti “ aset informasi bervolume tinggi, berkecepatan tinggi, dan / atau bervarietas tinggi yang menuntut bentuk-bentuk pemrosesan informasi inovatif yang hemat biaya yang memungkinkan peningkatan wawasan, pengambilan keputusan, dan otomatisasi proses”. Istilah "data besar" mengacu pada data yang sangat besar, cepat atau kompleks sehingga sulit atau tidak mungkin untuk diproses menggunakan metode tradisional. Tindakan mengakses dan menyimpan sejumlah besar informasi untuk analitik sudah ada sejak lama. Tetapi konsep big data mendapatkan momentum di awal 2000-an ketika analis industri Doug Laney mengartikulasikan definisi big data yang sekarang menjadi 3 bagian penting sebagai 3V:  Volume: Organisasi mengumpulkan data dari berbagai sumber, termasuk transaksi bisnis, media sosial dan informasi dari sensor atau mesin. Di masa lalu, aktivitas semacam ini menjadi masalah, namun dengan adanya teknologi baru (seperti Hadoop) bisa meredakan masalah ini.  Velocity (Kecepatan): Velocity adalah laju di mana data sedang dikumpulkan. Dengan peningkatan aksesibilitas Internet di seluruh dunia dan integrasi mesin dan proses dengan Internet dan teknik pengumpulan data terpusat, kecepatan pengumpulan data meningkat secara terus menerus. Aliran data harus ditangani dengan secara cepat dan tepat bisa melalui hardware maupun software. Teknologi hardware seperti tag RFID, sensor pintar lainnya juga dibutuhkan untuk menangani data yang realtime.  Variety: Seiring dengan Volume dan laju pembuatan data, tipe data juga merupakan atribut penting dalam mendefinisikan Big Data. Data yang dikumpulkan dapat terstruktur atau tidak terstruktur. Data terstruktur adalah data sistematis yang dikumpulkan dari sumber seperti penjualan atau transaksi keuangan, sistem reservasi. Data Tidak Terstruktur adalah data yang dihasilkan dari sumber-sumber seperti media sosial, email, dan komunikasi (Teknologi, 2018). 3



Selain definisi tradisional Laney, Big Data dapat dijelaskan dengan dua tambahan 'V' dengan konsep 5V. Dua tambahan 'V' adalah:  Veracity: Veracity sering didefinisikan sebagai kualitas, kebenaran atau kepercayaan data yang dikumpulkan. Mempertimbangkan keakuratan data yang dikumpulkan dan menganalisisnya adalah penting. Jadi, kualitas selalu lebih disukai daripada kuantitas. Untuk fokus pada kualitas, penting untuk mengatur metrik di sekitar jenis data yang dikumpulkan dan sumbernya.  Nilai: Memperoleh dataset dari skala Big Data melibatkan investasi besar. Nilai dataset dapat ditentukan dengan memperkirakan wawasan yang dapat dihasilkan dari dataset pasca-analitik. Hari ini, data berasal dari berbagai sumber sehingga cukup sulit untuk menghubungkan, mencocokan, membersihkan dan mengubah data di seluruh sistem. Namun, Big Data sangat dibutuhkan untuk memiliki korelasi antar data, hierarki dan beberapa keterkaitan data lainnya atau data yang acak. Manfaat Big Data Dalam Logistik Dalam industri logistik, analisis Big Data dapat memberikan keunggulan kompetitif karena lima karakteristik yang berbeda dapat diterapkan secara efektif di industri logistik. 1. Optimasi operasional Optimasi proses operasi seperti waktu pengiriman, pemanfaatan sumber daya, dan cakupan geografis merupakan tantangan yang melekat dalam logistik. Operasi logistik skala besar memerlukan data untuk mengelola operasi logistik secara efisien. 2. Penyerahan barang berwujud Penyerahan barang berwujud membutuhkan interaksi pelanggan langsung pada saat pick-up dan pengiriman. Pada skala global, jutaan titik interaksi dengan nasabah setiap hari dapat menciptakan kesempatan bagi intelijen pasar, umpan balik produk atau bahkan demografi. Big Data menyediakan sarana serbaguna analitik untuk menghasilkan pemahaman yang berharga tentang sentimen konsumen dan kualitas produk. 3. Sinkronisasi dengan pelanggan bisnis Solusi logistik modern mengintegrasikan ke dalam produksi dan distribusi proses di berbagai industri. Tingkat integrase yang ketat dengan operasi pelanggan memungkinkan penyedia jasa logistik merasakan detak jantung dari usaha perorangan, pasar vertikal, atau wilayah. Penerapan metodologi analitik pengetahuan yang luas ini mengungkapkan risiko rantai pasokan dan memberikan ketahanan terhadap gangguan. 4. Jaringan informasi Transportasi dan jaringan pengiriman adalah sumber data yang sangat penting. Selain menggunakan data untuk mengoptimalkan jaringan itu sendiri, 4



jaringan data dapat memberikan wawasan berharga tentang aliran arus barang global. Kekuatan dan keragaman analisis Big Data bergerak tingkat observasi untuk sudut pandang ekonomi mikro. 5. Cakupan global, kehadiran lokal Kehadiran lokal dan operasi desentralisasi merupakan suatu keharusan bagi layanan logistik. Armada kendaraan bergerak di seluruh negeri untuk secara otomatis mengumpulkan informasi lokal di sepanjang rute transportasi. Pengolahan aliran Big Data yang berasal dari armada pengiriman besar menciptakan tampilan informasi yang berharga bagi demografi, statistik lingkungan, dan lalu lintas.



2.1.2. Supply chain Management Supply chain dapat dianggap sebagai kombinasi dari empat entitas independen namun saling terkait seperti Pemasaran, Pengadaan, Manajemen Gudang dan Transportasi. Manajemen Supply chain bertanggung jawab untuk menciptakan dan memelihara hubungan berbagai entitas dalam bisnis yang bertanggung jawab atas pengadaan bahan baku hingga pengiriman produk kepada pengguna akhir (Halo, 2018). Makalah ini berfokus pada sumber data yang dihasilkan dalam Supply chain, peluang dalam Supply chain dari analisis data yang dikumpulkan dan tantangan dalam pemanfaatan data itu. 2.1.3. Analisis Big Data Big data analytics atau analisis big data adalah proses pengujian set data yang besar untuk menemukan pola yang tersembunyi, korelasi yang tidak diketahui, tren pasar, preferensi pelanggan dan informasi bisnis lainnya yang berguna. Temuan analitis tersebut dapat membuat pemasaran menjadi lebih efektif, peluang pendapatan baru, layanan pelanggan yang lebih baik, meningkatkan efisiensi operasional, keunggulan kompetitif dan keuntungan bisnis lainnya.



Big data analytics mengacu pada proses mengumpulkan, mengorganisasikan dan menganalisa sekumpulan besar data (big data) untuk mendapatkan pola-pola dan informasi yang berguna. Big data analytics tidak hanya membantu untuk memahami informasi yang terkandung di dalam data tapi juga membantu untuk mengidentifikasi data yang paling penting untuk keputusan bisnis saat ini dan masa datang. Big data analytics pada dasarnya ingin untuk menghasilkan pengetahuan (knowledge) dari hasil analisis data. Big Data Analytics melibatkan penggunaan teknik analitik canggih untuk mengekstraksi pengetahuan yang berharga dari sejumlah besar data, memfasilitasi pengambilan keputusan berdasarkan data. Big Data Analytics terdiri dari tiga tingkat analitik yang berbeda. Setiap tingkat analitik memiliki peran dan hasil yang diinginkan berbeda.



5



2.2.



Pentingnya Big Data Analisis Dalam Supply chain Dengan kemajuan teknologi di seluruh entitas Supply chain, data yang dihasilkan meningkat dengan cepat. Aliran informasi didokumentasikan dalam bentuk dokumen fisik hingga penggunaan Teknologi Informasi dalam Supply chain. Sekarang, sebagian besar aliran informasi terkait dengan aliran material sedang didokumentasikan dalam bentuk data terstruktur digital. Karena ruang lingkup Supply chain saat ini di seluruh dunia, volume data yang dikumpulkan dari berbagai proses dan kecepatan yang dihasilkannya dapat dikualifikasikan sebagai Big Data. Selain itu, entitas seperti pemasaran dan penjualan sekarang mengandalkan analisis data tidak terstruktur bersama dengan data terstruktur untuk mendapatkan wawasan yang lebih baik tentang kebutuhan pelanggan dan meningkatkan aspek biaya dari proses Supply chain. Penggunaan Big Data dapat menawarkan nilai signifikan di berbagai bidang seperti pengembangan produk, prediksi permintaan pasar, penyediaan keputusan, optimisasi distribusi, dan umpan balik pelanggan. Ringkasan kontribusi Big Data di setiap domain bisnis ditampilkan pada Tabel 1. Tabel 1. Percentage of Big Data Contribution in Business Domains Name of The Business Operations Contribution to the Business (%) Marketing 45 Operations 43 Sales 38 Risk Management 35 IT Analysis 33 Finance 32 Product Development 32 Customer Service 30 Logistic 22 HR 12 Other 12 Brand Management 8



2.3.



Peluang Untuk Big Data Analisis Dalam Supply chain Motif yang signifikan untuk memperkenalkan Big Data Analytics dalam Supply chain adalah untuk memecahkan masalah yang ada yang tidak dapat diselesaikan dengan teknik tradisional. Salah satu tantangan signifikan yang dihadapi Big Data dan Big Data Analytics dalam Supply chain adalah kompleksitas proses dan data yang tidak terstruktur berevolusi darinya. Entitas Supply chain saling berhubungan oleh aliran fisik yang signifikan yang mencakup bahan baku, barang inventaris proses kerja, produk jadi dan barang yang dikembalikan, arus informasi, dan aliran keuangan. Mengelola meningkatnya kompleksitas dalam Supply chain diperlukan agar perusahaan dapat bersaing lebih 6



baik di pasar global. Kompleksitas dalam Supply chain dikaitkan dengan aliran material dan informasi antara entitas Supply chain yang berbeda. Secara tradisional, aliran ini diatur secara berurutan dari pemasok ke pelanggan. Saat ini, arus informasi tidak mengikuti bentuk linear ini. Aliran informasi agak sekarang terlihat seperti pertukaran simultan, terutama melalui pertukaran elektronik antara semua mitra Supply chain. Supply chain terdiri dari banyak bagian atau elemen dari berbagai jenis, yang terhubung satu sama lain secara langsung atau tidak langsung. Berbagai elemen ini dan keterkaitannya sangat penting untuk kompleksitas yang terjadi dalam suatu sistem. Karakteristik kompleksitas perlu dipertimbangkan untuk memahami dampaknya. Karakteristik utama dari kompleksitas Supply chain adalah:  Jumlah entitas Supply chain: Semua entitas yang berbeda dari Supply chain perlu dipertimbangkan. Menghitung data dari berbagai entitas seperti itu bisa sulit karena data yang dikumpulkan meningkat dengan meningkatnya jumlah entitas yang dipertimbangkan  Keragaman: Supply chain dapat diklasifikasikan sesuai dengan homogenitas atau heterogenitasnya.  Saling ketergantungan: Saling ketergantungan antara barang, produk, dan mitra Supply chain. Kompleksitas meningkat dalam proporsi langsung dengan peningkatan interdependensi.  Variety: Variety merepresentasikan perilaku dinamis suatu sistem.  Ketidakpastian: Ketidakpastian dalam Supply chain berlaku karena kurangnya pengetahuan tentang keseluruhan sistem atau entitas tertentu. Kompleksitas Supply chain meningkat dengan meningkatnya Ketidakpastian. Maka dari itu, ada beberapa peluang yang dapat membuat Big Analisis diterapkan dalam supply chain, diantara lain mengenai aplikasi yang diterapkan, sumber data, area yang menggunakan big data analisis dan bagaimana teknik big data analisis yang dijalankan. 2.3.1. Aplikasi Big Data Analisis Dalam supply chain Menurut sebuah artikel yang diterbitkan di Computerworld, Memprioritaskan pengembangan strategi analitik Data Besar akan membantu organisasi Anda mengatasi tantangan Rantai Pasokan ini: Dengan memanfaatkan Analisis Big Data dan Big Data, Rantai Pasokan harus berfungsi dengan sasaran Peningkatan di bidang-bidang seperti prediksi kebutuhan pelanggan, penilaian Supply Chain, efisiensi keseluruhan Supply Chain, waktu reaksi, penilaian Risiko (ComputerWorld, 2018).  Meningkatkan Prediksi tentang Kebutuhan Pelanggan: Perusahaan dapat kehilangan pelanggan mereka jika gagal memenuhi permintaan pelanggan. Selain itu, reputasi perusahaan dapat dipengaruhi karena sebagian dipenuhi atau tidak memenuhi pesanan. Di zaman pelanggan, menawarkan produk yang tepat, kepada orang yang tepat pada waktu dan 7



tempat yang tepat adalah kunci untuk mendapatkan (atau mempertahankan) kepuasan dan loyalitas pelanggan. Organisasi yang cerdas akan memanfaatkan Big Data untuk mendapatkan pandangan 360 derajat penuh dari pelanggan Anda untuk memprediksi kebutuhan pelanggan dengan lebih baik, memahami preferensi pribadi, dan menciptakan pengalaman merek yang unik.  Meningkatkan Efisiensi Rantai Pasokan: Memanfaatkan analitik Big Data untuk analisis yang tepat, efisiensi biaya, pengurangan biaya, dan pengeluaran akan berlanjut sebagai prioritas bisnis utama dalam manajemen Rantai Pasokan.  Meningkatkan Penilaian Risiko dalam Rantai Pasokan: Analisis Prediktif adalah bagian utama dari Analisis Data Besar. Dengan bantuan Predictive Analytics dapat membantu menilai probabilitas terjadinya suatu masalah, dampak potensial. Analisis Prediktif dalam Big Data dapat membantu dalam mengidentifikasi risiko Rantai Suplai dengan menganalisis volume besar data historis dan teknik pemetaan risiko. Prediksi risiko yang tepat dapat membantu mengembangkan alat dan teknik untuk meminimalkan efek risiko potensial.  Meningkatkan Keterlacakan dalam Rantai Pasokan: Peningkatan Keterlacakan memastikan pelacakan barang yang lebih baik dari produksi ke ritel. Penelusuran yang lebih baik dapat membantu dalam mengintegrasikan entitas rantai pasokan yang berbeda dan mempertahankan aliran barang yang lebih baik. Kemampuan pelacakan yang lebih baik memberikan kontrol yang lebih baik terhadap proses rantai pasokan.  Meningkatkan Waktu Reaksi: Sembilan puluh persen perusahaan mengatakan bahwa kelincahan dan kecepatan penting atau sangat penting bagi bisnis mereka. Kemampuan untuk secara cepat dan fleksibel memenuhi tujuan pemenuhan pelanggan dinilai sebagai penggerak terpenting kedua dari keunggulan kompetitif di semua industri. Menanamkan analisis Big Data dalam operasi dapat berdampak pada waktu reaksi organisasi terhadap masalah Rantai Suplai (41 persen) dan dapat menyebabkan peningkatan 4,25x dalam waktu pengiriman pesananke-siklus, menurut Accenture. Seiring dengan peluang dan aplikasi spesifik atribut untuk Big Data Analytics, ada beberapa aplikasi spesifik proses Big Data Analytics yang ditunjukkan pada Tabel 2. Dalam makalah mereka, Benabdellah et al. (2016) membahas kemungkinan aplikasi Big Data Analytics dalam proses seperti Plantifikasi, Pemasok, Produksi, Distribusi, dan Pengembalian.



8



Tabel 2. Application of Big Data Analytics Nomer Seri 1



Prosess Planification



2



Supplying



3



Production



9



Aplikasi i) Evaluasi risiko dan perencanaan ketahanan ii) Mengurangi risiko investasi infrastruktur dan kapasitas eksternal yang dikontrak iii) Memungkinkan pemantauan kinerja, serta meningkatkan fungsi perencanaan dan manajemen. i) Mengurangi kapasitas dan distribusi penyimpanan ii) Mengaktifkan lebih banyak jaringan pemasok yang berfokus pada kolaborasi pengetahuan sebagai nilai tambah dari sekadar menyelesaikan transaksi. iii) Mencapai tingkat terperinci pada pola pengadaan agregat. i) Kecerdasan pasar untuk usaha kecil dan menengah. ii) Kelompok data terbesar terkait dengan kemampuan penginderaan otomatis, konektivitas dan kecerdasan untuk aplikasi sistem



4



Distribution



10



penanganan dan pengemasan bahan yang dikembangkan. iii) Mendapatkan kembali ketersediaan kapasitas waktu nyata i) Routing optimal ii) Optimalisasi rute waktu nyata; verifikasi alamat; penjemputan dan pengiriman berbasis keramaian; kecerdasan lingkungan iii) Meningkatkan keterlacakan Rantai Suplai iv) Optimalisasi real-time dari rute pengiriman v) Diperkirakan waktu tunggu berdasarkan kondisi lalu lintas, cuaca vi) variabel, biaya marjinal waktu nyata untuk saluran yang berbeda vii) Mengoptimalkan kegiatan logistik berkat pengurangan biaya, peningkatan kepuasan pelanggan dan kinerja rantai pasokan viii) Mengoptimalkan proses manufaktur, manajemen lantai pabrik dan logistik manufaktur ix) Mengurangi waktu tunggu dan



5



Return



i)



ii)



iii)



iv)



v)



11



meminimalkan biaya dan penundaan, serta gangguan proses Pengurangan pergantian pengemudi, penugasan pengemudi, menggunakan analisis data sentiment. Manajemen loyalitas pelanggan; Peningkatan layanan berkelanjutan dan inovasi produk Manfaat untuk pemerintah (mis., perencanaan kota) dan perusahaan (mis., iklan lokal, perutean yang dioptimalkan) Menciptakan pandangan terpadu tentang interaksi pelanggan dan kinerja operasional, memastikan kepuasan pengirim dan penerima Teknologi telah membuatnya lebih layak daripada sebelumnya untuk mengakses dan memahami data pelanggan, karena Big Data memungkinkan penginderaan terhadap perilaku sosial



vi) Mengakses dan memahami data pelanggan, karena Big Data memungkinkan penginderaan terhadap perilaku sosial vii) Mengetahui persepsi pelanggan tentang produk dan layanan yang ditawarkan dan menemukan karakteristik mereka yang tidak dapat diobservasi 2.3.2. Sumber Data Dalam Supply chain Sumber data terutama dibagi menjadi data internal dan eksternal. Data internal sebagian besar tersedia dalam sistem dan basis data IT bisnis, misalnya dari sistem ERP. Komunikasi internal sistem produksi juga tersedia sebagai aliran data, misalnya dari perangkat identifikasi frekuensi radio (RFID). Sebanyak 52 sumber utama Big Data di seluruh Rantai Pasokan dipertimbangkan untuk memvisualisasikan klasifikasi sumber ke dalam data Terstruktur, Semi-Terstruktur dan Tidak Terstruktur sehubungan dengan Velocity dan Volume generasi data untuk setiap sumber, seperti yang ditunjukkan pada Gambar 1.



Gambar 1.Classification of Sources of Data Menurut pengamatan statistik tentang pertumbuhan data dari berbagai sumber, data yang dikumpulkan dari Transaksi, Media Sosial, Sensor dan pemindaian RFID atau POS (Point of Sale) dicatat menjadi 88%, 43%, 43%, 42% dan 41% masing-masing, peringkat mereka di antara 8 sumber teratas untuk 12



pembuatan data dan analitik. Jumlah perusahaan yang bersaing untuk memanfaatkan data ini meningkat dengan cepat. Pemanfaatan yang tepat dari data ini sangat penting untuk transformasi bisnis di seluruh dunia, yang telah terbukti menjadi paradigma untuk semua bisnis yang akan datang. Namun, dalam beberapa aplikasi, seperti transportasi laut dan logistik berbasis laut, pengumpulan data melalui pemindaian dan sensor RFID sangat sulit karena sifat aplikasi atau lingkungan (Awwad & Pazour, 2018). 2.3.3. Area Supply chain yang Menerapkan Big Data Analisis Dalam bidang logistik, manajemen transportasi berlaku, dengan fokus khusus pada tiga fungsi fundamental ITS: optimasi rute, pemantauan operasi lalu lintas waktu-nyata, dan manajemen keselamatan proaktif. Patut dicatat bahwa masalah routing yang digerakkan oleh BDA terutama dipelajari dalam lingkungan statis berdasarkan pada basis data historis (Ehmke et al., 2016; Zhang et al., 2016), sementara penggunaan BDA untuk optimisasi routing dinamis di dunia nyata. Manfaat yang pertama berfokus pada dampak big data pada kinerja, seperti efisiensi perusahaan, ketepatan rantai pasokan, transparansi, kualitas, dan produktivitas. Manfaat yang kedua berfokus pada manfaat yang terkait dengan kemampuan, seperti dukungan dalam menentukan strategi, dalam menciptakan proses informasi, dan dalam mengembangkan model dan produk bisnis yang inovatif. Namun, langkah-langkah ini tidak spesifik untuk pengadaan. Untuk memotivasi perusahaan untuk memperkenalkan big data ke dalam proses pengadaan, dampak positif dari big data yang belum dilakukan pada kinerja pengadaan harus ditekankan. terdapat dua aspek yang tidak dapat dipisahkan. Aspek tersebut adalah aspek format dari big data dan tujuan dari adanya big data tersebut. Format data dijelaskan dalam dua kategori yang berbeda: 







Data terstruktur, merujuk pada semua data yang menyajikan skema dan dapat disimpan menggunakan model data base relasional. Kategori ini mencakup semua sumber data internal dan eksternal yang sering disimpan dalam sistem data perusahaan tradisional. Data tidak terstruktur, merujuk pada semua data yang tidak menyajikan skema dan tidak dapat disimpan dalam data base relasional tradisional. Kategori ini mencakup beberapa sumber data, seperti gambar, video, konten media sosial, surat kabar, dan data web.



Istilah pemroses data di pasar yang menjanjikan untuk memperoleh manfaat dari Big Data untuk supply chain, yaitu dalam hal pengambilan keputusan. Perusahaan solusi supply chain seringkali menawarkan untuk mengintegrasi berbagai sistem dari generasi sebelumnya, memungkinkan 13



perusahaan untuk memvisualisasikan data set pada setiap tingkatan korporat agar perincian dan kapasitas analitik yang diinginkan Big Data meningkat. Namun, Big Data bukanlah sekedar memiliki kemampuan untuk memproses informasi yang lebih banyak, tetapi juga kemampuan untuk berinovasi, mengotomatisasi, dan menggunakan data untuk memperkuat pengambilan keputusan. Big Data dimaksudkan untuk diaplikasikan, tidak hanya dimiliki. Melihat kembali pada contoh pedometer sebelumnya mungkin dapat membantu mengilustrasikan perbedaan antara memiliki piranti lunak solusi dan secara aktif memaksimalkan Big Data. pada awalnya, pedometer hanya bisa melacak informasi – menjadikannya penghasil data. Jika perangkat tersebut disambungkan ke Cloud dan ditransmisikan ke pemroses data, maka peran perangkat tersebut dapat disebut sebagai pembantu penghasil Big Data, walau bukanlah perangkat Big Data karena tidak pernah secara aktif membantu pengguna membuat keputusan. Dari semua data yang tersimpan didalam basis data, akan dibantu diolah dengan teknologi big data yang akan melakukan analisa terhadap semua transaksi dan proses data. Big data mampu melakukan analisa terhadap pola order dari customer, alokasi kendaraan dan perjalanan. Big data dengan algoritmanya akan membaca pola dan memberikan dukungan terhadap keputusan yang diambil, semisal menentukan rasio BBM, menentu utilisasi kendaraan dan peningkatan efisiensi. Tabel 3. Distribution of Articles by BDA Techniques TOLONG BIKININ TABELNYA YAAA kaya yg iniii



Sehubungan dengan operasi pergudangan, itu telah didokumentasikan dengan baik dalam literatur bahwa tugas penyimpanan dan pengendalian inventaris mengambil keuntungan dari BDA. Namun, dinamika terkait pengendalian inventaris, seperti efek Bullwhip, baru-baru ini dibahas secara teori (Hofmann, 2015). Selain itu, hanya sedikit penelitian yang membahas masalah pengambilan pesanan di pergudangan yang mendukung BDA (Ballestin et al., 2013; Chuang et al., 2014). Studi tentang bagaimana BDA dapat



14



mengoptimalkan proses pengambilan pesanan, seperti pemesanan batching, routing, dan penyortiran, masih langka. Studi BDA di bidang pengadaan tersebar secara merata di tiga aplikasi utama pemilihan pemasok, peningkatan biaya sumber, dan analisis risiko sumber. BDA telah banyak diadopsi untuk memfasilitasi proses pemilihan pemasok dan upaya baru-baru ini telah dilakukan untuk mengintegrasikan kegiatan ini dengan masalah alokasi pesanan dan untuk mengurangi biaya sumber daya (Kuo et al., 2015). Dalam hal sumber manajemen risiko, sebagian besar studi hanya mengeksploitasi manfaat BDA dalam secara akurat mendeteksi risiko pengadaan berdasarkan database pemasok yang cukup besar, sementara model dan sistem pendukung keputusan (DSS) yang memberikan tindakan pencegahan proaktif masih kurang (Ghedini Ralha dan Sarmento Silva, 2012; Miroslav et al., 2014). Literatur yang diperiksa memberikan banyak kontribusi dalam hal menangkap perubahan permintaan secara real-time. BDA dapat membantu dalam merasakan perilaku permintaan untuk meningkatkan ketangkasan dan keakuratan peramalan permintaan (Fang dan Zhan, 2015; Salehan dan Kim, 2016; Wang et al., 2014). Aplikasi umum BDA lain dalam manajemen permintaan adalah membentuk permintaan agar selaras dengan kapasitas produksi dan logistik. Namun, studi saat ini tentang masalah ini telah mengambil perspektif intelijen pemasaran daripada perspektif SCM operasional (Marine-Roig dan Anton Clavé, 2015; Schmidt et al., 2015). 2.3.4. Teknik Big Data Analisis Dalam Mengembangkan Supply chain Ada berbagai macam teknik dan algoritma BDA yang telah digunakan dalam konteks SCM. Beberapa dari mereka lazim dalam pendekatan pemodelan tertentu, misalnya, SVM dalam model klasifikasi, pendekatan heuristik dalam model optimisasi, dan jaringan internal dalam model peramalan. Tinjauan ini juga mengidentifikasi beberapa teknik serbaguna yang dapat disesuaikan dengan berbagai jenis model. Misalnya, algoritma pengelompokan K-means adalah salah satu teknik yang paling mudah beradaptasi karena dapat diadopsi dalam pengelompokan (St-Aubin et al., 2015; Tan dan Lee, 2015), klasifikasi (Chien et al., 2014), peramalan ( Stefanovic, 2015), dan pemodelan dan simulasi (Lei and Moon, 2015). Dalam studi tersebut, K-means sering dilakukan pada fase awal proses analisis data untuk memisahkan dataset heterogen mentah menjadi segmen yang lebih homogen. Studi menemukan bahwa teknik penambangan data canggih seperti pohon keputusan dan jaringan saraf akan mengembangkan model prediksi yang lebih akurat dengan memanfaatkan hasil analisis klaster (Krumeich et al., 2016; Lei dan Bulan, 2015; Stefanovic, 2015).



15



Teknik BDA lain yang sangat mudah beradaptasi adalah ARM. Selain analitik deskriptif, para sarjana semakin menggunakan metode ini untuk memfasilitasi analitik yang lebih rumit pada tingkat prediktif dan pra-skriptik. Sampai saat ini, kami hanya menemukan satu makalah, Ling Ho dan Wen Shih (2014), yang mengonseptualisasikan gagasan menggunakan ARM bersama dengan teknik pohon keputusan untuk mengembangkan model prediksi yang sangat akurat untuk risiko pengadaan. Namun, model dan algoritma matematika untuk menerapkan ide ini ke dalam praktik masih hilang. Menariknya, sementara aplikasi prediktif ARM sedikit dibahas dalam literatur, kontribusinya terhadap analitik preskriptif tampaknya lebih diakui. Memang, kami menemukan 4 makalah yang menggabungkan ARM dengan model optimisasi untuk secara efektif menyelesaikan masalah alokasi di berbagai area SC. Sebagai contoh, Li et al. (2016) menggunakan ARM dan Generic algorithm (GA) untuk mengoptimalkan penugasan penyimpanan, sehingga meningkatkan proses pengambilan pesanan. Tsai dan Huang (2015) mengoptimalkan alokasi ruang rak dengan menggunakan ARM, penambangan pola sekuensial, dan pendekatan optimisasi kombinatorial. Untuk perencanaan logistik dan transportasi, Lee (2016) menggunakan ARM untuk mengekstraksi pola pembelian dan melakukan aturan if-then-else untuk memprediksi perilaku pembelian pelanggan, sehingga mengusulkan pendekatan GA untuk mengoptimalkan penugasan pengiriman antisipatif. Akhirnya, ARM juga dapat digunakan dalam masalah optimisasi hibrida dari pemilihan pemasok dan alokasi pesanan (Kuo et al., 2015). Tidak mengherankan, ada sejumlah besar kertas di bawah kategori "campuran / orang lain" (yaitu kombinasi lebih dari tiga metode yang berbeda) karena tidak ada teknik tunggal yang sepenuhnya mampu mengelola sifat BD yang kompleks dan beragam (Chen). dan Zhang, 2014). 2.4.



Tantangan Dalam Mengadopsi Big Data Analisis Untuk Supply chain Masalah dan tantangan dalam mengadopsi Big Data Analytics untuk Rantai Suplai dapat dikategorikan secara luas menjadi dua kategori seperti Tantangan Organisasi dan Tantangan Teknis (Arunachalam, Kumar, & Kawalek, 2017) Masalah dan tantangan di bawah tantangan Organisasi terdaftar sebagai:  Memakan waktu: Faktor-faktor seperti volume Big Data, Kompleksitas Supply Chain dan tujuan interpretasi untuk dataset bersama dengan faktor-faktor eksternal seperti kurangnya akses ke data berkontribusi dalam membuat proses analitik memakan waktu.  Sumber daya tidak mencukupi: Untuk hasil yang lebih baik, ketersediaan data waktu nyata sangat penting. Supply Chain sebagai platform yang menghasilkan data lintas fungsional yang kompleks untuk entitas yang saling terkait, pengumpulan dan penyimpanan data lintas fungsional harus dirampingkan. 16







Masalah privasi dan keamanan: Berbagi data di Jaringan Rantai Pasokan merupakan faktor utama dalam mengumpulkan data dari berbagai sumber, menganalisisnya, dan memberikan wawasan. Meskipun, Jaringan Rantai Pasokan regional atau global mungkin menghadapi kesulitan dalam berbagi data di berbagai sumbernya karena berbagai Privasi, undang-undang Keamanan terkait dengan berbagi data. Kurangnya data bersama dalam kasus seperti itu dapat memengaruhi keakuratan wawasan yang mungkin dihasilkan oleh Big Data Analytics.  Masalah perilaku: Risiko rantai pasokan dan biaya persediaan dapat menjadi risiko tinggi jika pembuat keputusan bereaksi terhadap perubahan yang tidak signifikan di dunia fisik yang akan memperburuk ‘‘ efek bullwhip ". Karena keragaman dan volume Big Data, ada peningkatan risiko pengambil keputusan mengidentifikasi korelasi yang tidak relevan tetapi hubungan yang signifikan secara statistik dengan hubungan sebab akibat yang tidak signifikan.  Masalah dengan Pengembalian Investasi (ROI): Volume dan variasi Big Data yang dikumpulkan membuat sulit untuk memperkirakan nilai data yang dikumpulkan. Melakukan analitik pada Big Data membutuhkan sejumlah besar investasi untuk membangun infrastruktur. Karena ketidakpastian pada nilai data, ada peningkatan risiko pengembalian yang mungkin dihasilkan dari investasi infrastruktur.  Kurangnya keterampilan: Kompleksitas Big Data yang dihasilkan dari sumber Supply Chain membutuhkan kombinasi keterampilan analisis pengetahuan domain yang baik dan kemampuan untuk menafsirkan kegunaan data. Menurut survei, kombinasi seperti itu bersama dengan pengalaman sulit ditemukan. Tantangan teknis terdaftar sebagai:  Skalabilitas data: Masalah Skalabilitas Data dianggap sebagai masalah teknis utama dalam proses penggunaan Big Data Analytics dalam sistem apa pun. Ketidakmampuan organisasi untuk beralih dari basis data terbatas tradisional ke basis data terdistribusi atau penyimpanan awan mempengaruhi wawasan dari Big Data Analytics karena jumlah data relatif dikompromikan.  Kualitas Data: Kualitas data yang disimpan dan digunakan dapat mempengaruhi kinerja hasil dari teknik analitik. Data menjadi tidak berwujud dan multidimensi berdasarkan sumber dan aplikasinya. Dimensi dataset multidimensi dapat diklasifikasikan sebagai intrinsik dan kontekstual. Untuk hasil yang konsisten dan dapat diandalkan untuk keperluan pengambilan keputusan, kualitas data harus konsisten. Keragaman data dan jenis sumber untuk data dalam rantai pasokan dapat memengaruhi kualitas data yang dikumpulkan.  Kurangnya teknik: Ketidakmampuan perusahaan untuk memanfaatkan data memengaruhi ketahanan wawasan yang dikembangkan setelah menganalisis kumpulan data. Teknik yang digunakan untuk menganalisis, menghitung,



17



memperkirakan dan memvisualisasikan perlu diubah atau ditingkatkan sesuai dengan kompleksitas atau volume data (Arunachalam et al., 2017). 2.5.



Tingkat Analitik Big Data Analisis Dalam Supply chain Dalam analisis tren, hasil menunjukkan bahwa analitik preskriptif adalah area yang paling umum dan paling cepat berkembang dalam SCM yang digerakkan oleh BDA, yang diikuti dengan analitik prediktif, sementara analitik deskriptif menerima lebih sedikit pertimbangan. Untuk lebih spesifik, bidang logistik / transportasi, manufaktur, dan pergudangan merupakan kontributor utama analisis preskriptif, berkat meningkatnya adopsi berbagai sistem canggih seperti CPS di Industri 4.0. Di sisi lain, analitik prediktif masih menjadi aktor utama dalam manajemen permintaan dan pengadaan, terutama untuk peramalan permintaan dan sumber manajemen risiko, sementara analitik preskriptif masih jarang dibahas (Ghedini Ralha dan Sarmento Silva, 2012).



Gambar 3. Distribution of Analytics Level by Year Gambar 3 menggambarkan popularitas masing-masing jenis analitik berdasarkan tahun. Meskipun tren dari 2011 hingga 2013 kurang terwakili karena kurangnya jumlah studi BDA-SCM, kita masih dapat melihat bahwa sebagian besar studi pada tahap awal ini menggunakan BDA untuk analisis deskriptif, sementara analitik prediktif dan preskriptif kurang dibahas.



18



BAB III PENUTUP 3.1.



3.2.



Kesimpulan Berdasarkan penjelasan sebelumnya, dapat disimpulkan bahwa: 1. Big Data adalah istilah yang menggambarkan volume data yang besar, baik data yang terstruktur maupun data yang tidak terstruktur. Big data juga berarti “aset informasi bervolume tinggi, berkecepatan tinggi, dan / atau bervarietas tinggi yang menuntut bentuk-bentuk pemrosesan informasi inovatif yang hemat biaya yang memungkinkan peningkatan wawasan, pengambilan keputusan, dan otomatisasi proses”. 2. Big data analytics adalah proses pengujian set data yang besar untuk menemukan pola yang tersembunyi, korelasi yang tidak diketahui, tren pasar, preferensi pelanggan dan informasi bisnis lainnya yang berguna. Big data analytics tidak hanya membantu untuk memahami informasi yang terkandung di dalam data tapi juga membantu untuk mengidentifikasi data yang paling penting untuk keputusan bisnis saat ini dan masa datang. 3. Penerapan big data dalam supply chain, berfokus pada perencanaan dan juga pengambilan keputusan. Dari semua data yang tersimpan didalam basis data, akan dibantu diolah dengan teknologi big data yang akan melakukan analisa terhadap semua transaksi dan proses data. Big data mampu melakukan analisa terhadap pola order dari customer, alokasi kendaraan dan perjalanan. 4. Teknik dan algoritma BDA yang telah digunakan dalam konteks SCM misalnya, algoritma pengelompokan K-means adalah salah satu teknik yang paling mudah beradaptasi karena dapat diadopsi dalam pengelompokan, klasifikasi, peramalan, dan pemodelan serta simulasi. 5. Peluang diadopsinya Big Data Analisis di dalam supply chain yaitu karena entitas Supply chain yang saling berhubungan oleh aliran fisik yang signifikan yang mencakup bahan baku, barang inventaris proses kerja, produk jadi dan barang yang dikembalikan, arus informasi, dan aliran keuangan. Kompleksitas dalam Supply chain dikaitkan dengan aliran material dan informasi antara entitas Supply chain. Saran Penelitian khusus untuk membuat Big Data Analytics harus dibuat lebih hemat biaya dengan mengurangi biaya infrastruktur untuk menyimpan Big Data. Untuk meningkatkan volume dan keakuratan data yang dihasilkan dari berbagai proses seperti manufaktur dan logistik, meningkatkan akurasi sensor dalam sistem fisik bersama dengan peningkatan teknologi integrasi data di antara berbagai proses bisnis diperlukan dan dapat menjadi bidang studi potensial untuk selanjutnya penelitian. Selain itu investigasi lebih lanjut dari aplikasi BDA serta menggabungkan berbagai teknik analitik data untuk mengembangkan model BDA yang lebih maju dan adaptif sangat penting dalam supply chain untuk mengoptimalkan segala proses kegiatan di dalamnya. 19



DAFTAR PUSTAKA Awwad, M. dkk. 2017. Big Data Analytics in Supply Chain: A Literature Review. https://www.researchgate.net/publication/327979282. Leveling,



J.



2014.



Big



Data



Analytics



for



Supply



Chain



Management.



www.researchgate.net/publication/269107422. Nguyen, T. 2017. Big Data Analytics In Supply Chain Management: A State-Of-The-Art Literature Review. Computers and Operations Research 98 (2018) 254–264



20