Artikel 4 — Praktik Lengkap: GPT-5 Membuat Script Big Data untuk SCM (10.000 Baris) — Cleaning, Analisis, Visualisasi

• Di perkuliahan Big Data × SCM atau Business Analytics, mahasiswa sering bingung:
• a. Bagaimana membaca data besar,
• b. Bagaimana membersihkannya,
• c. Bagaimana mencari insight,
• d. Bagaimana membuat grafik,
• e. Bagaimana membuat laporan.
• 
  
• Artikel ini menjawab semua itu step-by-step, dengan bantuan GPT-5 sebagai:
• a. Penulis kode Python,
• b. Tutor bagi pemula,
• c. Analis data,
• d. Interpreter hasil,
• e. Dan konsultan SCM.
• 
  
• Anda cukup:
• a. Menceritakan apa yang ingin dianalisis,
• b. GPT-5 membuatkan kodenya,
• c. Jalankan di Google Colab,
• d. Lihat grafik dan insight,
• e. GPT-5 jelaskan artinya.
• 
  
• Mari kita mulai.
• 
  

Bagian 1 — Dataset: scm_bigdata_10000.csv

• Dataset contoh terdiri dari 10.000 baris data transaksi SCM, biasanya berisi:
• a. Date
• b. Region
• c. SKU
• d. Qty
• e. Price
• f.   Revenue
• g. Lead_time
• h. Dll.
• 
  
• Inilah dataset besar yang akan kita olah.
• 
  

Bagian 2 — Instruksi Mahasiswa ke GPT-5

Misalnya mahasiswa bertanya kepada GPT-5:

• “GPT-5, tuliskan kode Google Colab untuk:
• a. Membaca dataset 10.000 baris
• b. Membersihkan kolom SKU dan region
• c. Menghitung total demand per region
• d. Menghitung top 10 SKU
• e. Membuat grafik bar dan line
• 
  
• Jelaskan juga arti setiap bagian kode.”

GPT-5 lalu merespons dengan script lengkap (lihat bagian berikutnya).

Bagian 3 — Script Big Data Sederhana (Versi GPT-5)

Berikut kode yang GPT-5 tulis untuk mahasiswa pemula:

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

# 1. Upload file

from google.colab import files

uploaded = files.upload()

# 2. Membaca dataset besar

df = pd.read_csv("scm_bigdata_10000.csv")

# 3. Melihat 5 baris pertama

df.head()

• Penjelasan:
• a. Numpy, pandas, matplotlib → tiga library inti big data.
• b. Files.upload() → membuka jendela upload di Colab.
• c. Read_csv() → membaca dataset.
• d. Head() → melihat contoh 5 baris.
• 
  
• Bagian 4 — Cleaning Data (Versi GPT-5)

GPT-5 otomatis memberikan langkah cleaning:

# Cleaning SKU dan region

df["SKU"] = df["SKU"].str.strip().str.upper()

df["region"] = df["region"].str.strip().str.upper()

# Menghapus baris kosong

df = df.dropna(subset=["qty", "SKU", "region"])

• Penjelasan:
• a. Strip() → menghapus spasi kiri–kanan
• b. Upper() → menyeragamkan kapital
• c. Dropna() → membuang baris kosong penting
• 
  
• Insight SCM:
• Data kotor seperti:
• a. " sku01 "
• b. "SKU01"
• c. "sku01"
• 
  
• akan dianggap 3 SKU berbeda.

Cleaning ini mencegah kesalahan analisis dan duplikasi SKU.

Bagian 5 — Analisis: Total Demand per Region

# Total demand per region

demand_region = df.groupby("region")["qty"].sum().sort_values(ascending=False)

print(demand_region)

• Penjelasan:
• a. groupby("region") = pivot table versi Python
• b. sum() = menjumlahkan qty per region
• c. sort_values() = mengurutkan dari terbesar
• 
  
• Insight untuk kelas MBA:
• a. Region permintaan tertinggi = prioritas alokasi stok.
• b. Region permintaan terendah = potensi efisiensi distribusi.
• c. Perencanaan safety stock harus mempertimbangkan region demand tertinggi.
• 
  
• Bagian 6 — Analisis: Top 10 SKU

# TOP 10 sku

top_sku = df.groupby("SKU")["qty"].sum().sort_values(ascending=False).head(10)

print(top_sku)

• Penjelasan:
• a. Sama seperti pivot SKU
• b. Hasil digunakan untuk:
•        o Pareto analysis
•        o SKU classification
•        o inventory prioritization

• Insight:
• Dalam SCM, 20% SKU menghasilkan 80% volume (Pareto 80/20).
• Top SKU ini seharusnya diberi:
• a. Forecasting lebih akurat
• b. Safety stock lebih besar
• c. Monitoring yang lebih ketat
• 
  
• Bagian 7 — Visualisasi Demand per Region

demand_region.plot(kind="bar", figsize=(8,6), color="skyblue")

plt.title("Total Demand per Region")

plt.ylabel("Quantity")

plt.show()

• Penjelasan:
• a. Bar chart sangat cocok untuk perbandingan antar wilayah
• b. Lebih cepat dibaca oleh manajemen
• c. Mendukung pengambilan keputusan strategis
• 
  
• Insight:
• Grafik menunjukkan:
• a. Region mana paling dominan
• b. Region mana yang menurun
• c. Kemungkinan mismatch stok antar wilayah
• 
  
• Bagian 8 — Visualisasi Demand per Bulan

df["date"] = pd.to_datetime(df["date"])

df["month"] = df["date"].dt.to_period("M")

monthly_demand = df.groupby("month")["qty"].sum()

monthly_demand.plot(kind="line", marker="o", figsize=(10,5))

plt.title("Demand per Month")

plt.ylabel("Quantity")

plt.grid(True)

plt.show()

• Penjelasan:
• a. to_datetime() mengubah string menjadi tanggal
• b. to_period("M") → bulan
• c. line chart cocok untuk tren jangka waktu
• 
  
• Insight:
• Mahasiswa dapat melihat pola:
• a. Seasonality
• b. Peak demand
• c. Low season
• d. Pola produksi dan distribusi
• 
  
• Bagian 9 — Bagaimana GPT-5 Menginterpretasi Outputnya?

Mahasiswa cukup menyalin hasil output dari Colab ke GPT-5.

Contoh prompt:

“GPT-5, ini hasil groupby region saya:

[paste output]

Tolong interpretasi secara manajerial untuk konteks SCM.”

• GPT-5 akan memberikan:
• a. Ringkasan pola
• b. Penyebab kemungkinan
• c. Implikasi terhadap stockout
• d. Rekomendasi supply chain
• e. Strategi inventory
• 
  
• Contoh interpretasi seperti GPT-5:

“Region JABAR memiliki demand 25% tertinggi.

Artinya JABAR perlu safety stock lebih besar dan lead time monitoring lebih intensif.

Region BALI stabil sehingga cocok memakai fixed reorder point.”

Inilah yang membuat GPT-5 bukan hanya “mesin coding”, tetapi analis supply chain virtual.

Bagian 10 — Kesimpulan: Mahasiswa Tidak Lagi Takut Big Data

• Setelah membaca Artikel 4 ini, mahasiswa pemula kini tahu:
• a. Bagaimana dataset besar diproses
• b. Bagaimana GPT-5 menulis kode lengkap
• c. Bagaimana cleaning dilakukan
• d. Bagaimana groupby dipakai seperti pivot
• e. Bagaimana grafik dibuat
• f.     Bagaimana insight ditarik dari data
• 
  
• Dengan kombinasi GPT-5 + Google Colab:
• a. Mahasiswa tidak perlu belajar coding dari nol
• b. Fokus langsung pada analisis dan insight
• c. Bisa mengolah data besar (10.000+ baris)
• d. Percaya diri dalam mengambil keputusan berbasis data
•