GARUDARISETIDGARUDARISETID

Current Perspective on Business OperationsCurrent Perspective on Business Operations

Penelitian ini mempelajari bagaimana menggabungkan teknologi blockchain dengan pembelajaran mesin (ML) dapat meningkatkan transparansi, efisiensi, dan ketahanan dalam manajemen rantai pasok. Menggunakan pendekatan mixed-methods, penelitian ini merancang kerangka kerja blockchain dan mengevaluasi beberapa model ML termasuk LSTM, ARIMA, Isolation Forest, One-Class SVM, Q-Learning, dan Deep Q-Networks untuk tugas seperti peramalan permintaan, deteksi anomali, dan optimisasi. Hasil menunjukkan bahwa blockchain meningkatkan integritas data, keandalan, dan visibilitas waktu nyata, terutama dalam sektor seperti makanan dan farmasi. Di antara model yang diuji, LSTM unggul dalam peramalan dinamis permintaan, Isolation Forest paling efektif untuk deteksi anomali waktu nyata, dan Deep Q-Networks unggul dalam tantangan optimisasi kompleks meskipun membutuhkan sumber daya komputasi tinggi, sementara Q-Learning bekerja baik untuk kebutuhan optimisasi sederhana. Kerangka kerja terintegrasi blockchain dan ML menunjukkan potensi kuat dalam meningkatkan ketahanan rantai pasok dengan memungkinkan operasi yang aman dan fleksibel di berbagai industri. Namun, tantangan tetap ada—blockchain menghadapi keterbatasan skalabilitas, dan model ML lanjutan membutuhkan daya komputasi besar. Kendala ini memperlihatkan peluang penelitian masa depan untuk mengembangkan solusi blockchain yang lebih skalabel dan teknik ML yang efisien secara komputasi.

Penelitian ini menonjolkan dampak transformasi integrasi blockchain dengan pembelajaran mesin (ML) dalam manajemen rantai pasok.Blockchain dengan basis aman, tidak bisa diubah, dan dekentralisasi menawarkan fondasi tepercaya untuk meningkatkan transparansi, keandalan, dan efisiensi operasional.Lingkungan data tepercaya ini memungkinkan model ML bekerja lebih efektif dalam analitik prediktif, deteksi anomali, dan optimisasi, sekaligus meningkatkan integritas data, mengurangi kecurangan, dan memperkuat tanggung jawab stakeholder serta ketahanan rantai pasok.Evaluasi komparatif model ML menunjukkan bahwa setiap model paling sesuai untuk konteks tertentu.Untuk peramalan permintaan, LSTM melampaui ARIMA dalam menangkap fluktuasi non-linear kompleks, sementara ARIMA dengan sederhana dan biaya komputasi rendah efektif untuk pola permintaan stabil.

Peneliti lanjutan dapat mempertimbangkan pengembangan arkitektur blockchain sederhana (misalnya, hybrid atau federated) untuk mengatasi keterbatasan skalabilitas dalam transaksi volume tinggi. Selain itu, perlu dicari model pembelajaran mesin yang lebih efisien secara komputasi untuk mengurangi beban proses, terutama dalam pengaturan industri nyata. Ide lain adalah eksplorasi integrasi teknologi terkini seperti komputasi kuantum atau AI terdesentralisasi untuk meningkatkan efisiensi dan kapabilitas sistem rantai pasok berbasis blockchain tanpa mengorbankan keamanan data.

  1. Anomaly detection: A survey: ACM Computing Surveys: Vol 41, No 3. anomaly detection survey acm computing... dl.acm.org/doi/10.1145/1541880.1541882Anomaly detection A survey ACM Computing Surveys Vol 41 No 3 anomaly detection survey acm computing dl acm doi 10 1145 1541880 1541882
  2. Blockchain challenges and opportunities: a survey | International Journal of Web and Grid Services. blockchain... doi.org/10.1504/IJWGS.2018.095647Blockchain challenges and opportunities a survey International Journal of Web and Grid Services blockchain doi 10 1504 IJWGS 2018 095647
  3. View of TRANSFORMING CUSTOMER RETENTION IN FINTECH INDUSTRY THROUGH PREDICTIVE ANALYTICS AND MACHINE... doi.org/10.37547/tajet/Volume06Issue10-17View of TRANSFORMING CUSTOMER RETENTION IN FINTECH INDUSTRY THROUGH PREDICTIVE ANALYTICS AND MACHINE doi 10 37547 tajet Volume06Issue10 17
  1. #efisiensi operasional#efisiensi operasional
  2. #integrasi teknologi blockchain#integrasi teknologi blockchain
Read online
File size278.41 KB
Pages12
Short Linkhttps://juris.id/p-2W9
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test