Artikel 7 — Final: Membangun Alur Kerja Lengkap Big Data × SCM Menggunakan GPT-5: Dari Data Mentah Sampai Insight Manajerial

Jawabannya menjadi sangat jelas setelah kita melihat kekuatan GPT-5:

• a. GPT-5 menuliskan kode Python dengan benar.
• b. GPT-5 mengajari konsep Python secara sederhana.
• c. GPT-5 membantu copy–paste kode ke Google Colab.
• d. GPT-5 memperbaiki error dengan cepat.
• e. GPT-5 menganalisis output dan memberikan insight.
• 
  
• Pada titik ini, Python bukan lagi hambatan, tetapi alat bantu. Sedangkan GPT-5 menjadi co-analyst, co-tutor, dan co-mentor yang berjalan berdampingan dengan mahasiswa.
• 
  

Dalam artikel terakhir ini, kita akan menyusun pipeline lengkap Big Data × SCM:

Dari data mentah → cleaning → analisis → visualisasi → interpretasi → insight → rekomendasi manajerial.

Alur ini setara dengan pekerjaan analis data operasional di perusahaan retail, manufaktur, agribisnis, logistik, hingga ekspor–impor.

Bagian 1 — Gambaran Umum Alur Kerja Big Data × SCM

Pipeline dasar Big Data dalam konteks Supply Chain adalah:

• a. Upload Data
• b. Load ke Python
• c. Cleaning (paling penting!)
• d. Exploratory Data Analysis (EDA)
• e. Analisis SCM inti
• f.     Visualisasi
• g. Interpretasi GPT-5
• h. Laporan & Insight
• 
  
• Mari kita bahas dengan detail dan contoh nyata.
• 
  
• Bagian 2 — Upload Dataset 10.000+ Baris ke Google Colab
• 
  

Gunakan kode:

from google.colab import files

uploaded = files.upload()

Pilih file:

scm_bigdata_10000.csv

Hasil upload akan muncul:

Saving scm_bigdata_10000.csv to scm_bigdata_10000.csv

Ini berarti data siap diolah.

Bagian 3 — Load dan Lihat Isi Data

import pandas as pd

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

df.head()

Yang dilakukan:

• a. membaca dataset ke dataframe
• b. menampilkan 5 baris pertama
• 
  
• Tujuan:

memastikan struktur data benar.

Bagian 4 — Cleaning Data (Langkah Terpenting)

Data SCM biasanya tidak rapi:

• a. SKU salah ketik
• b. SPASI di depan/akhir
• c. Huruf kecil/campur
• d. Region tidak konsisten
• e. Tanggal dalam format string
• f.     Null values
• g. Angka salah format
• 
  
• Gunakan kode:

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

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

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

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

• Inilah magic cleaning:
• a. Menyeragamkan SKU
• b. Menyeragamkan region
• c. Membuang baris kosong penting
• d. Mengubah tanggal jadi format datetime
• 
  
• Tanpa cleaning, hasil analisis akan salah.
• 
  

Bagian 5 — Exploratory Data Analysis (EDA)

EDA membantu “melihat isi data” sebelum masuk ke analisis SCM.

1. Jumlah baris & kolom

df.shape

2. Statistik dasar

df.describe()

3. SKU paling sering muncul

df["SKU"].value_counts().head(10)

4. Outlier qty

df["qty"].plot(kind="box", figsize=(4,6))

Tujuan EDA:

mendapatkan pemahaman awal tentang pola, noise, dan potensi masalah data.

Bagian 6 — Analisis SCM Inti

Inilah bagian yang paling sering dipakai di kelas MBA:

1. Demand per Region

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

print(demand_region)

Interpretasi GPT-5:

“Region JABAR menyerap 24% total demand, sehingga harus menjadi prioritas alokasi stok dan replenishment.”

2. Top 10 SKU

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

print(top_sku)

Interpretasi:

“SKU-001 dan SKU-002 adalah fast movers. Perlu forecasting yang lebih akurat dan safety stock lebih besar.”

3. Trend Demand Bulanan

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

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

monthly_demand

Output:

2024-01       8900

2024-02       9100

2024-03   10000

...

Interpretasi:

“Ada pola kenaikan signifikan setelah Maret, menunjukkan onset peak season.”

Bagian 7 — Visualisasi untuk Insight Cepat

Bar Chart — Demand per Region

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

plt.title("Demand per Region")

plt.ylabel("Quantity")

plt.show()

Line Chart — Demand per Bulan

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

plt.title("Monthly Demand Trend")

plt.grid(True)

plt.show()

Histogram — Distribusi Lead Time

df["lead_time"].plot(kind="hist", bins=20, figsize=(8,5))

plt.title("Lead Time Distribution")

plt.show()

• Visualisasi membantu:
• a. menemukan pola
• b. melihat seasonality
• c. mengidentifikasi outlier
• d. memahami risiko operasional
• 
  
• Bagian 8 — Meminta GPT-5 Menginterpretasi Hasil (Yang Paling Penting!)

Setelah hasil muncul, mahasiswa cukup mem-paste hasilnya ke GPT-5.

Contoh prompt:

“GPT-5, berikut hasil groupby region saya:

[paste output]

Berikan interpretasi level MBA dan rekomendasi manajerial.”

Contoh output interpretasi GPT-5:

• “JABAR adalah demand center terbesar dengan kontribusi 24%. Safety stock harus ditingkatkan 15–20%.  BALI dan SUMUT memiliki demand rendah, cocok untuk strategi lean inventory. Distribusi ini menunjukkan kebutuhan diferensiasi kebijakan inventory per region.”
• 
  
• GPT-5 dapat memberikan:
• a. Insight operasional
• b. Insight inventory
• c. Rekomendasi strategi
• d. Analisis risiko
• e. Perbandingan antar region
• f.     Dampak manajerial
• 
  
• Inilah hal yang tidak dapat diberikan Excel.
• 
  

Bagian 9 — Menyusun Laporan Analisis Big Data

Mahasiswa dapat meminta GPT-5 membuat laporan:

• a.  Executive Summary
•  b. Insight manajerial
•  c. Rekomendasi
•  d. Lampiran hasil analisis
•  e. Grafis untuk presentasi
• 
  
• Contoh prompt:

“Buatkan laporan ringkas berbasis hasil analisis ini untuk tugas kuliah SCM.”

GPT-5 akan membuat laporan yang rapi, seperti konsultan.

Bagian 10 — Kesimpulan Besar: GPT-5 dan Python Mengubah Cara Mahasiswa Belajar Big Data

Dari keseluruhan serial ini, satu kesimpulan besar muncul:

Mahasiswa tidak perlu menjadi programmer untuk bisa menganalisis big data. Yang penting adalah kemampuan memahami data — sisanya dibantu GPT-5.

• GPT-5 berperan sebagai:
• a. Penulis kode Python
• b. Pengajar Python
• c. Debugger error
• d. Analis data
• e. Pemberi insight
• f.     Penyusun laporan
• g. Rekan belajar 24 jam
• 
  
• Dengan Google Colab sebagai alat, dan GPT-5 sebagai mentor, mahasiswa kini mampu:
• a. Membaca dataset ribuan–jutaan baris
• b. Membersihkan data
• c. Membuat grafik analitis
• d. Menjalankan simulasi
• e. Mengevaluasi KPI
• f.     Menyusun insight
• g. Membuat rekomendasi manajerial
• h. Melakukan analisis tingkat profesional
• 
  
• Dan semuanya bisa dipelajari bahkan oleh mahasiswa yang tidak pernah coding sebelumnya.