PERAN KECERDASAN BUATAN DALAM MENINGKATKAN EFEKIFITAS MANAJEMEN OPERASI : TINJAUAN LITERATUR SISTEMATIS

Abstract

Perkembangan pesat Artificial Intelligence (AI) telah mendorong transformasi signifikan dalam manajemen operasi (operations management/OM), terutama pada fungsi forecasting, scheduling, dan optimization. Namun, pemetaan komprehensif terkait penerapan AI pada ketiga domain tersebut masih terbatas. Penelitian ini melakukan Systematic Literature Review (SLR) menggunakan pedoman PRISMA 2020 terhadap 132 artikel terpilih yang dipublikasikan dalam periode 2020–2025. Tujuan penelitian adalah untuk mengidentifikasi perkembangan metode AI, mengevaluasi efektivitas algoritma dalam konteks operasional, serta menganalisis tantangan dan peluang integrasinya dengan teknologi pendukung seperti Internet of Things (IoT), digital twin, dan blockchain. Hasil SLR menunjukkan bahwa AI secara konsisten meningkatkan akurasi demand forecasting melalui pendekatan machine learning, deep learning, hingga model hybrid. Pada penjadwalan produksi, metode Deep Reinforcement Learning (DRL) dan Graph Neural Networks (GNN) terbukti memberikan solusi adaptif yang mengungguli heuristik tradisional. Sementara itu, dalam supply chain optimization, algoritma reinforcement learning dan multi-agent systems menawarkan kebijakan inventori yang lebih efisien serta meningkatkan performa vehicle routing. Penelitian ini juga menemukan bahwa teknologi pendukung memperkuat kapabilitas AI dalam menciptakan operasi yang responsif dan real-time. Meskipun demikian, penelitian ini memiliki keterbatasan terkait cakupan basis data, heterogenitas studi, dan tantangan implementasi industri. Temuan ini menegaskan bahwa AI memiliki peran strategis dalam mendorong operasi yang lebih efisien, adaptif, dan berkelanjutan, sekaligus membuka peluang penelitian selanjutnya dalam integrasi lintas fungsi OM, pengembangan explainable AI, dan pemanfaatan teknologi generasi baru seperti federated learning dan quantum optimization.