Universitas PGRI Adi Buana Surabaya, Maret 2021

ISBN: xxx-xxx-xxxx-xx-x

ANALISIS BIG DATA DALAM RANTAI PASOKAN

Geronsius sendra lirin, Heribertus v. Asnonte, Revi Katilasari, Lailatul Fitri

Dina Martha A. C.

Program Studi Manajemen, Universitas PGRI Adi Buana Surabaya

*Email : sendra@gmailcom, martadina@gmail.com, revikatilasari87@gmail.com

venansan33@gmail.com, lailatulfitri602@gmail.com

Abstrak

Dengan dunia yang bergerak menuju Standar Industri 4.0, jumlah mesin, proses, dan layanan yang
menghasilkan dan mengumpulkan data dalam jumlah besar akan meningkat pesat di masa depan. Hal
ini akan memunculkan Big Data, yaitu sejumlah besar data yang tidak dapat diolah dengan teknik
komputasi konvensional. Untuk mengungkap pola dalam sejumlah besar data dan mendapatkan
wawasan berharga tentangnya, Big Data Analytics dirancang. Rantai Pasokan adalah kontributor
signifikan untuk Big Data di mana keragaman informasinya besar. Data yang dikumpulkan oleh
Supply Chain berisi informasi dari entitas kunci seperti manufaktur, logistik, dan ritel. Penggunaan
Big Data Analytics pada kumpulan kumpulan data yang berlebihan dapat menumbuhkan pendekatan
pengambilan keputusan proaktif untuk memprediksi peluang dan risiko utama dalam Rantai Pasokan.
Makalah ini membahas berbagai aplikasi, manfaat dan tantangan Big Data dan Big Data Analytics
dalam Supply Chain.
Kata kunci: Big Data, Rantai Pasokan, Big Data Analytics

PENDAHULUAN
Big Data Menurut Gartner (2012), Big Data didefinisikan sebagai: “Aset
informasi bervolume tinggi, berkecepatan tinggi, dan/atau beraneka ragam yang
menuntut bentuk pemrosesan informasi yang hemat biaya dan inovatif yang
memungkinkan peningkatan wawasan , pengambilan keputusan, dan otomatisasi
proses.” Selain itu, Big Data telah didefinisikan dengan konsep '3V' oleh Laney
(2001):
Volume Hingga 2010, diperkirakan 13.000 Exabytes data dihasilkan di mana 1
Exabyte sama dengan 1 Miliar Gigabyte (Firican, 2017). Volume kumpulan data Big
Data saat ini adalah atribut yang signifikan karena kumpulan data tersebut dianggap di
luar cakupan dalam hal Teknik Manajemen Basis Data tradisional yang berlaku. •
Velocity: Velocity adalah kecepatan pengumpulan data. Dengan peningkatan
aksesibilitas Internet di seluruh dunia dan integrasi mesin dan proses dengan Internet
dan teknik pengumpulan data terpusat, kecepatan pengumpulan data terus meningkat.

Prosiding Seminar Nasional Hasil Riset dan Pengabdian | 1

 Universitas PGRI Adi Buana Surabaya, Maret 2021
ISBN: xxx-xxx-xxxx-xx-x

Variasi: Seiring dengan Volume dan kecepatan pembuatan data, jenis 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 seperti media
sosial, email, dan komunikasi (Technology, 2018). Selain definisi Laney tradisional,
Big Data dapat dijelaskan dengan dua 'V' tambahan dengan konsep 5V. Dua tambahan
'V' adalah Kebenaran sering didefinisikan sebagai kualitas atau kepercayaan dari data
yang dikumpulkan. Mempertimbangkan keakuratan data yang dikumpulkan dan
menganalisisnya adalah penting. Jadi, dalam hal Big Data, kualitas selalu diutamakan
daripada kuantitas. Untuk fokus pada kualitas, penting untuk menetapkan metrik
seputar jenis data yang dikumpulkan dan sumbernya.
Nilai Memperoleh kumpulan data skala Big Data melibatkan investasi yang
besar. Nilai suatu kumpulan data dapat ditentukan dengan memperkirakan wawasan
yang dapat dihasilkan dari kumpulan data pasca-analisis (XSNET, 2017).Tujuan
analisis ini adalah dalam rangka menganalisa big data yang dilakukan dalam rantai
pasokan

METODE

Desain penelitian ini adalah Literature Review atau tinjauan pustaka.

Penelitian kepustakaan atau kajian literatur (literature review, literature research)
merupakan penelitian yang mengkaji atau meninjau secara kritis pengetahuan,
gagasan, atau temuan yang terdapat di dalam tubuh literatur berorientasi akademik
(academic-oriented literature), serta merumuskan kontribusi teoritis dan
metodologisnya untuk topik tertentu, Cooper (2010). Adapun sifat dari penelitian ini
adalah analisis deskriptif, yakni penguraian secara teratur data yang telah diperoleh,
kemudian diberikan pemahaman dan penjelasan agar dapat dipahami dengan baik
oleh pembaca

HASIL DAN PEMBAHASAN

Data yang digunakan untuk analisis deskriptif sebagian besar adalah data
Historis (Nguyen, Zhou, Spiegler, Ieromonachou, & Lin, 2017). 2. Pentingnya Big
Data dalam Supply Chain Dengan kemajuan teknologi di seluruh entitas Supply

Prosiding Seminar Nasional Hasil Riset dan Pengabdian | 2

 Universitas PGRI Adi Buana Surabaya, Maret 2021
ISBN: xxx-xxx-xxxx-xx-x

Chain, data yang dihasilkan meningkat dengan kecepatan tinggi. Aliran informasi
didokumentasikan dalam bentuk dokumen fisik hingga penggunaan Teknologi
Informasi dalam Supply Chain. Sekarang, sebagian besar aliran informasi yang terkait
dengan aliran material sedang didokumentasikan dalam bentuk data terstruktur digital.
Karena ruang lingkup Rantai Pasokan saat ini di seluruh dunia, volume data yang
dikumpulkan dari berbagai prosesnya dan kecepatan yang dihasilkannya dapat
dikualifikasikan sebagai Big Data. Selain itu, entitas seperti pemasaran dan penjualan
kini mengandalkan analisis data tidak terstruktur bersama dengan data terstruktur
untuk mendapatkan wawasan yang lebih baik tentang kebutuhan pelanggan dan
meningkatkan aspek biaya proses Rantai Pasokan.
Potensi Big Data dan Big Data Analytics Menurut sebuah studi oleh
Accenture (2014), perusahaan dengan strategi disiplin memanfaatkan Big Data
Analytics memiliki pengembalian yang lebih besar untuk investasi masing-masing di
Big Data Analytics seperti yang ditunjukkan pada Gambar 2. Seperti yang terlihat
bahwa strategi yang jelas dan sistematis terhadap Big Data Analytics dapat
memberikan Return On Investment yang baik, area di Supply Chain seperti
Marketing, Procurement, Transportation, Warehousing dapat dimanfaatkan oleh Big
Data dan Big Data Analytics (Benabdellah, Benghabrit, Bouhaddou, & Zemmouri,
2016).
Peluang untuk Analisis Big Data dalam Rantai Pasokan Motif signifikan
memperkenalkan Analisis Data Besar dalam Rantai Pasokan 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 tidak terstruktur
yang berevolusi darinya. Entitas Rantai Pasokan saling berhubungan oleh aliran fisik
yang signifikan yang mencakup bahan mentah, persediaan barang dalam proses,
produk jadi dan barang yang dikembalikan, aliran informasi, dan aliran keuangan.
Mengelola peningkatan kompleksitas dalam Rantai Pasokan diperlukan bagi
perusahaan untuk bersaing lebih baik di pasar global. Kompleksitas dalam Rantai
Pasokan dikaitkan dengan aliran material dan informasi antara entitas Rantai Pasokan
yang berbeda. Secara tradisional, arus ini diatur secara berurutan dari pemasok ke
pelanggan. Saat ini, arus informasi tidak mengikuti bentuk linier ini. Arus informasi
agaknya sekarang terlihat seperti pertukaran simultan, terutama melalui pertukaran
elektronik antara semua mitra Rantai Pasokan. Sebuah Supply Chain terdiri dari

Prosiding Seminar Nasional Hasil Riset dan Pengabdian | 3

 Universitas PGRI Adi Buana Surabaya, Maret 2021
ISBN: xxx-xxx-xxxx-xx-x

banyak bagian atau elemen dari berbagai jenis, yang dihubungkan satu sama lain
secara langsung atau tidak langsung.
Berbagai elemen ini dan keterkaitannya penting untuk kompleksitas yang
terjadi dalam suatu sistem. Karakteristik kompleksitas perlu dipertimbangkan untuk
memahami dampaknya. Karakteristik utama dari kompleksitas Rantai Pasokan
adalah:
 Jumlah entitas Rantai Pasokan: Semua entitas yang berbeda dari Rantai
Pasokan perlu dipertimbangkan. Menghitung data dari banyak entitas
semacam itu bisa jadi sulit karena data yang dikumpulkan meningkat
seiring dengan peningkatan jumlah entitas yang dipertimbangkan.
 Keanekaragaman: Sebuah Rantai Pasokan dapat diklasifikasikan
menurut homogenitas atau heterogenitasnya.
 Saling ketergantungan: Saling ketergantungan antara item, produk, dan
mitra Rantai Pasokan. Kompleksitas meningkat dalam proporsi
langsung dengan peningkatan saling ketergantungan.
 Ragam: Ragam mewakili perilaku dinamis dari suatu sistem.
 Ketidakpastian: Ketidakpastian dalam Rantai Pasokan berlaku karena.
 Penerapan Big Data Analytics dalam Supply Chain Menurut sebuah
artikel yang diterbitkan di Computerworld, Memprioritaskan
pengembangan strategi analisis Big Data akan membantu organisasi
Anda mengatasi tantangan Supply Chain ini: Dengan memanfaatkan
Big Data dan Big Data Analytics, Supply Chain harus berfungsi
dengan tujuan Meningkatkan di bidang-bidang seperti prediksi
kebutuhan pelanggan, penilaian Rantai Pasokan, efisiensi Rantai
Pasokan secara keseluruhan, waktu reaksi, penilaian Risiko
(ComputerWorld, 2018).
 Meningkatkan Prediksi Kebutuhan Pelanggan: Perusahaan dapat
kehilangan pelanggannya jika gagal memenuhi permintaan pelanggan.
Selain itu, reputasi perusahaan dapat terpengaruh karena pemenuhan
sebagian atau tidak memenuhi pesanan. Di usia pelanggan,
menawarkan produk yang tepat, kepada orang yang tepat pada waktu
dan tempat yang tepat adalah kunci untuk mendapatkan (atau
mempertahankan) kepuasan dan loyalitas pelanggan. Organisasi yang

Prosiding Seminar Nasional Hasil Riset dan Pengabdian | 4

 Universitas PGRI Adi Buana Surabaya, Maret 2021
ISBN: xxx-xxx-xxxx-xx-x

cerdas akan memanfaatkan Big Data untuk mendapatkan tampilan 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 dengan tepat, efisiensi biaya, pengurangan biaya, dan analitik
pengeluaran akan terus menjadi 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 kemungkinan
terjadinya suatu masalah, potensi dampaknya. Analisis Prediktif dalam
Big Data dapat membantu dalam mengidentifikasi risiko Rantai
Pasokan dengan menganalisis volume besar data historis dan teknik
pemetaan risiko. Prediksi risiko yang tepat dapat membantu
mengembangkan alat dan teknik untuk meminimalkan efek dari
potensi risiko.
 •Meningkatkan Ketertelusuran dalam Rantai Pasokan: Peningkatan
Ketertelusuran memastikan pelacakan barang yang lebih baik dari
produksi ke ritel. Peningkatan ketertelusuran 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 atas
proses rantai pasokan.

KESIMPULAN
Dalam pembahasan ini, konsep Big Data dan Big Data Analytics dalam Supply Chain
ditinjau. Skala Big Data dianggap sebagai alasan utama untuk mengadopsinya dengan Supply
Chain. Setelah mempelajari sumber pembuatan Big Data dalam proses dan aktivitas Rantai
Pasokan, wawasan berharga mengenai potensi Big Data Analytics terungkap. Diamati bahwa
kombinasi data kompleks dari aktivitas rantai pasokan dan ruang lingkup Big Data dalam hal
Volume, Variasi, Kecepatan, Kebenaran dan Nilai memiliki aplikasi praktis yang dapat
memecahkan beberapa tantangan paling umum yang dihadapi oleh rantai pasokan bahkan
baru-baru ini. bertahun-tahun. Mempertimbangkan adopsi Big Data Analytics, sebuah

Prosiding Seminar Nasional Hasil Riset dan Pengabdian | 5

 Universitas PGRI Adi Buana Surabaya, Maret 2021
ISBN: xxx-xxx-xxxx-xx-x

fenomena yang relatif baru, ditemukan bahwa laju pembuatan infrastruktur untuk menopang
peningkatan data perlu ditingkatkan. Ditemukan bahwa tidak tersedianya profesional dengan
keahlian yang sesuai dapat menghambat potensi Analisis Big Data dalam Rantai Pasokan.

DAFTAR PUSTAKA
Andita, A., & Jaya, T. I. (2018). Rancang Bangun Sistem Informasi Manajemen
Rantai Pasokan Di Pt Argo Pantes. Jurnal Teknik Informatika, 9(2), 158–165.
https://doi.org/10.15408/jti.v9i2.5607

Araujo, 2010. (2017). Инновационные подходы к обеспечению качества в

здравоохраненииNo Title. In Вестник Росздравнадзора (Vol. 6).

No Title. (n.d.-a). https://supplychainindonesia.com/pemanfaatan-big-data-dalam-

logistik/

No Title. (n.d.-b). https://kanalpengetahuan.tp.ugm.ac.id/menara-ilmu/2018/1365-

peran-big-data-untuk-optimasi-pengelolaan-rantai-pasok.html

No Title. (n.d.-c). https://www.integrity-indonesia.com/id/blog/2018/02/15/3-metode-

revolusioner-analisis-big-data-dalam-deteksi-kecurangan-asuransi/

No Title. (n.d.-d).
https://www.researchgate.net/publication/348274462_Peningkatan_Kualitas_SDM_Dalam_M
endukung_Pengembangan_Desa_Wisata_Banjarsari_Kecamatan_Manyar_Kabupaten_Gresik

No Title. (n.d.-e). https://web.thisisbeast.com/manajemen-rantai-pasok-supply-chain-

management-pdf

No Title. (n.d.-f).
https://journal.feb.unmul.ac.id/index.php/INOVASI/article/view/8069

No Title. (n.d.-g). https://id.scribd.com/document/496781779/2069-Article-Text-

6042-2-10-20191211

No Title. (n.d.-h).
http://repository.uma.ac.id/bitstream/123456789/11060/1/138220012 - Jimmi Aulia -
Fulltext.pdf

Nurdina, & Suhardiyah, M. (2017). Universitas pgri adi buana surabaya. 67(1127),
4–5.

Nurhuda, L., Setiawan, B., & Andriani, D. R. (2017). Analisis Manajemen Rantai
Pasok Kentang (Solanum Tuberosum L.) di Desa Ngadas, Kecamatan Poncokusumo,
Kabupaten Malang. Jurnal Ekonomi Pertanian Dan Agribisnis, 1(2), 130–143.

Prosiding Seminar Nasional Hasil Riset dan Pengabdian | 6

 Universitas PGRI Adi Buana Surabaya, Maret 2021
ISBN: xxx-xxx-xxxx-xx-x

https://doi.org/10.21776/ub.jepa.2017.001.02.6

Purnaningrum, E., & Ariqoh, I. (2019). Google Trends Analytics dalam Bidang
Pariwisata. Majalah Ekonomi, 24(2), 232–243.

Rayat, R. S. (2019). Peran Big Data Dalam Penentuan Zona Fasilitas Logistik :
Suatu Kajian. 1–9.

Sitorus, M. Y., Baihaqi, I., & Ardiantono, D. S. (2020). Supply Chain Analytics
Maturity Model: Sebuah Tinjauan Pustaka. Jurnal Teknik ITS, 9(1).
https://doi.org/10.12962/j23373539.v9i1.50436

Suoth, O., Sumarauw, J., & Karuntu, M. (2017). Analisis Desain Jaringan Supply
Chain Komoditas Beras Di Desa Karondoran Kecamatan Langowan Timur Kabupaten
Minahasa. Jurnal EMBA, 5(2), 511–519.

Sutandi, S. (2018). Pengaruh Big Data Dan Teknologi Blockchain Terhadap Model
Bisnis Sektor Logistik Dengan Pendekatan Business Model Canvas. Jurnal Logistik
Indonesia, 2(1), 9–20. https://doi.org/10.31334/jli.v2i1.214

Arunachalam, D., Kumar, N., & Kawalek, J. P. (2017). Memahami kemampuan

analitik data besar dalam manajemen rantai pasokan: Mengungkap masalah, tantangan, dan
implikasi untuk praktik. Penelitian Transportasi Bagian E: Kajian Logistik dan Transportasi.
doi:https://doi.org/10.1016/j.tre.2017.04.001

Awwad, M., & Pazour, J. (2018). Rencana Pencarian untuk Satu Item dalam Sistem
Penyimpanan Terbalik T k-Deep. Riset Operasi Militer, 23(1), 5-22.

Benabdellah, A. C., Benghabrit, A., Bouhaddou, I., & Zemmouri, E. M. (2016, 29

November 2016-2 Desember 2016). Data besar untuk manajemen rantai pasokan: Peluang
dan tantangan. Makalah dipresentasikan pada 2016 IEEE/ACS 13th International Conference
of Computer Systems and Applications (AICCSA).

Colombus, L. (2015). Sepuluh Cara Big Data Merevolusi Manajemen Rantai

Pasokan. Dunia Komputer. (2018). Mengatasi 5 Tantangan Rantai Pasokan Utama dengan
Big Data Analytics. Firican, G. (2017). 10 Vs Data Besar.

Gartner. (2012). Apa Itu BigData? Ghosh, D. (2015, 14-15 September 2015). Big
Data dalam Manajemen Logistik dan Rantai Pasokan - langkah pemikiran ulang. Makalah
dipresentasikan pada Simposium Internasional 2015 tentang Komputasi dan Komunikasi
Lanjut (ISACC).

Lingkaran cahaya. (2018). Penjelasan Analitik Deskriptif, Prediktif, dan Preskriptif.

Laney, D. (2001). 3 D Manajemen Data: Mengontrol Volume, Kecepatan, dan Variasi Data.

Prosiding Seminar Nasional Hasil Riset dan Pengabdian | 7

 Universitas PGRI Adi Buana Surabaya, Maret 2021
ISBN: xxx-xxx-xxxx-xx-x

Miguel, J., & Gómez, F. (2016). Tantangan Teratas untuk Big Data dalam Proses
Manajemen Rantai Pasokan.

Nguyen, T., Zhou, L., Spiegler, V., Ieromonachou, P., & Lin, Y. (2017). Analisis data
besar dalam manajemen rantai pasokan: Tinjauan literatur mutakhir. Komputer & Riset
Operasi. doi:https://doi.org/10.1016/j.cor.2017.07.004

Technology, N.J.I.o. (2018). Mengapa Data adalah Perbatasan Inovasi Berikutnya.

XSNET. (2017). Diperbarui untuk 2017: The V's of Big Data: Velocity, Volume, Value,
Variety, dan Veracity.

Prosiding Seminar Nasional Hasil Riset dan Pengabdian | 8