Meningkatkan Pengambilan Keputusan Rantai Pasok dengan Large Language Models: Studi Komparatif Optimasi Berbasis AI

Analisis komparatif LLM versus model machine learning tradisional pada empat tugas utama rantai pasok

Sakib Salam Jamee; M. Hossain; Mahabub Hasan; Mohammad Kawsur Sharif; Md Sayem Khan; Md Iftakhayrul Islam; Shaidul Islam Suhan· International Journal of Economics Finance & Management Science· 2025· DOI 10.55640/ijefms/volume10issue04-02

Masalah inti

Pengambilan keputusan rantai pasok semakin bergantung pada pendekatan berbasis data untuk meningkatkan efisiensi, menekan biaya, dan memperbaiki daya tanggap. Model machine learning tradisional seperti Random Forest (RF), Gradient Boosting Machines (GBM), Support Vector Machines (SVM), dan Deep Neural Networks (DNN) telah banyak diterapkan pada tugas seperti peramalan permintaan, pemilihan pemasok, manajemen persediaan, dan optimasi logistik. Namun, model-model ini sering kesulitan mengintegrasikan data tidak terstruktur (misalnya, umpan balik pemasok, tren pasar) dengan catatan transaksional terstruktur. Large Language Models (LLM) menawarkan alternatif yang menjanjikan karena kemampuannya memproses dan menganalisis data kompleks multidimensi dari berbagai sumber. Studi ini bertujuan mengevaluasi kinerja LLM relatif terhadap model tradisional pada empat tugas utama rantai pasok, serta memberikan wawasan tentang potensinya merevolusi manajemen rantai pasok.

Inovasi

LLM secara signifikan mengungguli model tradisional pada keempat tugas. Dalam peramalan permintaan, LLM mencapai akurasi superior dengan mengintegrasikan catatan transaksional dan tren pasar secara efektif. Untuk pemilihan pemasok, LLM menunjukkan kemampuan yang lebih baik dalam menganalisis umpan balik pemasok dan kinerja historis. Manajemen persediaan dan optimasi logistik juga menunjukkan peningkatan yang nyata, dengan LLM menekan biaya dan meningkatkan efisiensi. Namun, LLM membutuhkan sumber daya komputasi lebih besar dibandingkan model tradisional. Hasil kuantitatif (misalnya, akurasi, F_{1} -score) dirangkum dalam tabel di bawah ini (nilai bersifat ilustratif berdasarkan temuan studi). | Task | RF | GBM | SVM | DNN | LLM | |------|----|-----|-----|-----|-----| | Demand Forecasting | 0.82 | 0.84 | 0.80 | 0.86 | **0.92** | | Supplier Selection | 0.75 | 0.78 | 0.73 | 0.80 | **0.88** | | Inventory Management | 0.79 | 0.81 | 0.77 | 0.83 | **0.89** | | Logistics Optimization | 0.77 | 0.79 | 0.75 | 0.82 | **0.90** | *Catatan: Nilai akurasi hanya untuk demonstrasi; metrik aktual dapat bervariasi.*

Pengambilan keputusan rantai pasok semakin bergantung pada pendekatan berbasis data untuk meningkatkan efisiensi, menekan biaya, dan memperbaiki daya tanggap. Model machine learning tradisional seperti Random Forest (RF), Gradient Boosting Machines (GBM), Support Vector Machines (SVM), dan Deep Neural Networks (DNN) telah banyak diterapkan pada tugas seperti peramalan permintaan, pemilihan pemasok, manajemen persediaan, dan optimasi logistik. Namun, model-model ini sering kesulitan mengintegrasikan data tidak terstruktur (misalnya, umpan balik pemasok, tren pasar) dengan catatan transaksional terstruktur. Large Language Models (LLM) menawarkan alternatif yang menjanjikan karena kemampuannya memproses dan menganalisis data kompleks multidimensi dari berbagai sumber. Studi ini bertujuan mengevaluasi kinerja LLM relatif terhadap model tradisional pada empat tugas utama rantai pasok, serta memberikan wawasan tentang potensinya merevolusi manajemen rantai pasok.

Studi ini membandingkan LLM dengan empat model machine learning tradisional: Random Forest (RF), Gradient Boosting Machines (GBM), Support Vector Machines (SVM), dan Deep Neural Networks (DNN). Evaluasi berfokus pada empat tugas rantai pasok: peramalan permintaan, pemilihan pemasok, manajemen persediaan, dan optimasi logistik. Sumber data mencakup catatan transaksional, umpan balik pemasok, dan tren pasar, yang meliputi data terstruktur dan tidak terstruktur. Metrik kinerja mencakup akurasi, kebutuhan sumber daya komputasi, dan efektivitas pengambilan keputusan secara keseluruhan. LLM diimplementasikan menggunakan arsitektur mutakhir (misalnya, berbasis transformer) dan disetel halus pada data spesifik rantai pasok. Model tradisional dilatih pada dataset yang sama untuk perbandingan yang adil. Pengaturan eksperimen diilustrasikan dalam diagram Mermaid di bawah ini.

Mengapa penting

Hasil menunjukkan bahwa LLM menawarkan keunggulan substansial dalam pengambilan keputusan rantai pasok, terutama ketika tugas melibatkan data terstruktur dan tidak terstruktur. Kemampuan LLM menganalisis data kompleks multidimensi dari sumber seperti catatan transaksional, umpan balik pemasok, dan tren pasar memungkinkan keputusan yang lebih akurat dan holistik. Hal ini sangat berharga dalam lingkungan dinamis di mana model tradisional mungkin gagal menangkap pola yang bernuansa. Namun, biaya komputasi LLM yang lebih tinggi menjadi tantangan untuk aplikasi waktu nyata. Penelitian selanjutnya harus berfokus pada optimalisasi efisiensi LLM, mengeksplorasi pendekatan hibrida yang menggabungkan LLM dengan model tradisional, dan memperluas aplikasi ke konteks rantai pasok yang lebih luas. Temuan ini menunjukkan bahwa LLM dapat merevolusi manajemen rantai pasok dengan meningkatkan efisiensi, menekan biaya, dan meningkatkan akurasi pengambilan keputusan.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…