Peran Artificial Inteligent Dalam Meningkatkan Ketahanan Rantai Pasok Industri
DOI:
https://doi.org/10.51903/f4j58f47Kata Kunci:
Artificial Intelligence, Ketahanan Industri, Manajemen Risiko, Prediktif Analitik, Rantai PasokAbstrak
Artikel ini mengkaji bagaimana Kecerdasan Buatan (AI) berkontribusi dalam memperkuat ketahanan rantai pasok industri di tengah meningkatnya ketidakpastian global. Penelitian ini bertujuan untuk mengidentifikasi sejauh mana sistem berbasis AI dapat meningkatkan visibilitas rantai pasok, memprediksi potensi gangguan, memfasilitasi pengambilan keputusan adaptif, serta mengoptimalkan alur operasi pada jaringan industri yang saling terhubung. Dengan menggunakan metode analisis deskriptif, penelitian ini meninjau berbagai penerapan AI termasuk algoritma machine learning, pemodelan prediktif, alat peramalan otomatis, dan pemantauan real-time yang digunakan dalam lingkungan manufaktur dan logistik. Hasil penelitian menunjukkan bahwa AI mampu memperkuat deteksi gangguan, mempercepat tindakan mitigasi, dan meningkatkan kelincahan rantai pasok, sehingga memungkinkan industri untuk tetap beroperasi dalam kondisi yang bergejolak. Selain itu, optimalisasi berbasis AI mendukung pengendalian persediaan yang lebih efisien, waktu tunggu yang lebih singkat, serta koordinasi yang lebih baik antar mitra rantai pasok. Secara keseluruhan, temuan ini menunjukkan bahwa integrasi teknologi AI tidak hanya mengurangi kerentanan terhadap guncangan eksternal, tetapi juga mendorong ketahanan jangka panjang dan daya saing sektor industri. Studi ini menegaskan pentingnya adopsi AI sebagai strategi bagi organisasi yang ingin memperkuat sistem rantai pasoknya di era transformasi digital.
Unduhan
Referensi
Abdullah, M., & Priyanto, D. (2024). Enhancing supplier risk visibility using AI-driven analytics in manufacturing supply chains. Journal of Supply Chain Intelligence, 12(2), 115–129.
Ahmed, S., & Park, J. (2025). Machine learning adoption for operational forecasting in industrial systems. International Journal of Industrial Technologies, 9(1), 44–59.
Barton, K., & Silva, R. (2024). Digital resilience strategies in global supply networks: A systematic review. Supply Chain Review, 33(4), 221–240.
Chen, L., & Harsono, A. (2023). Discovery-based learning and cognitive performance in industrial problem-solving. Education and Technology Review, 17(3), 89–104.
Cruz, M., & Tan, S. (2025). Predictive disruption modelling in multi-tier supply chains using deep learning. IEEE Transactions on Engineering Management, 72(1), 1–14.
El-Sharif, H., Omar, A., & Malik, F. (2025). Real-time monitoring for supply chain resilience: Evidence from smart manufacturing. Computers & Industrial Engineering, 195, 110–125.
Fernandez, D., & Gupta, R. (2024). Rethinking supply chain resilience mechanisms: AI-enabled recovery models. Journal of Operations and Digital Transformation, 6(1), 55–73.
Gomez, R., & Alvarez, P. (2024). Artificial Intelligence in logistics optimization: A cross-industry analysis. Journal of Logistics and Technology, 14(2), 78–92.
Hair, J. F., Hult, G., Ringle, C., & Sarstedt, M. (2025). A primer on partial least squares structural equation modeling (PLS-SEM) (4th ed.). Sage Publications.
Ibrahim, H., & Santos, V. (2025). AI-based decision systems in industrial manufacturing. Procedia Engineering and Management, 204, 230–247.
Kumar, S., & Rahman, A. (2024). Early risk detection using AI-enabled supply chain analytics. International Journal of Production Economics, 260, 108–129.
Lee, D., & Carter, J. (2025). Automation maturity and resilience outcomes in digital supply chains. Manufacturing Systems Journal, 42(1), 14–32.
Lopez, M., & Tan, J. (2025). Dimensions of modern supply chain resilience: Agility, adaptability, and anticipation. Journal of Industrial Supply Systems, 8(2), 101–120.
Malik, H., Zhu, Y., & Carter, B. (2024). Learning autonomy and deep cognitive processing in industrial training models. Journal of Engineering Education & Practice, 23(4), 233–252.
Nguyen, T., & Abdullah, R. (2024). AI-enabled demand planning and inventory optimization. Operations and Information Management Journal, 19(3), 144–162.
O’Reilly, G., & Wang, Z. (2024). Integration challenges in digital supply chain management. Journal of Operations Integration, 18(2), 65–82.
Putra, T., & Widodo, A. (2024). Kesiapan digital dalam manajemen rantai pasok industri manufaktur Indonesia. Jurnal Teknologi Industri & Sistem, 15(1), 33–48.
Sanchez, P., & Li, W. (2025). Artificial Intelligence governance in industrial operations. Journal of Industrial Digital Policy, 7(1), 55–72.
Sharma, M., & Patel, G. (2025). Data-driven resilience capabilities for sustainable supply chains. Journal of Sustainable Operations, 11(2), 88–107.
Zhu, X., & Carter, L. (2025). AI-driven scenario simulation for post-disruption supply chain recovery. Decision Analytics & Innovation, 9(1), 72–90.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Seminar Nasional Teknologi dan Multidisiplin Ilmu (SEMNASTEKMU)
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
