Anda di halaman 1dari 23

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 real-
time.
 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 pesanan-
ke-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 Prosess Aplikasi


1 Planification 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.
2 Supplying 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.
3 Production i) Kecerdasan pasar
untuk usaha kecil dan
menengah.
ii) Kelompok data
terbesar terkait dengan
kemampuan
penginderaan
otomatis, konektivitas
dan kecerdasan untuk
aplikasi sistem

9
penanganan dan
pengemasan bahan
yang dikembangkan.
iii) Mendapatkan kembali
ketersediaan kapasitas
waktu nyata
4 Distribution 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

10
meminimalkan biaya
dan penundaan, serta
gangguan proses
5 Return i) Pengurangan
pergantian
pengemudi,
penugasan
pengemudi,
menggunakan analisis
data sentiment.
ii) Manajemen loyalitas
pelanggan;
Peningkatan layanan
berkelanjutan dan
inovasi produk
iii) Manfaat untuk
pemerintah (mis.,
perencanaan kota)
dan perusahaan (mis.,
iklan lokal, perutean
yang dioptimalkan)
iv) Menciptakan
pandangan terpadu
tentang interaksi
pelanggan dan kinerja
operasional,
memastikan
kepuasan pengirim
dan penerima
v) Teknologi telah
membuatnya lebih
layak daripada
sebelumnya untuk
mengakses dan
memahami data
pelanggan, karena Big
Data memungkinkan
penginderaan
terhadap perilaku
sosial

11
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. 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.
3.2. 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