Paper Review: Big Data to Establish Resilient Healthcare Supply Chains

oleh Vicky Mahendra, Elok Aflakhah, Rafi Andrian, dan Ayu Kristianty Ferina
Editor: Amalia Zahra, S.Kom., Ph.D.

I.      INTRODUCTION

Pandemi COVID-19 telah memperjelas bahwa rantai pasokan layanan kesehatan masih jauh dari sempurna. Ketersediaan alat pelindung diri, peralatan medis, dan obat-obatan penyelamat sangat terbatas. Tidak diragukan lagi, daya tanggap dan inovasi rantai pasokan kesehatan sangat penting untuk membangun rantai pasokan kesehatan yang berkelanjutan guna memerangi pandemi COVID-19, ketika ketidakpastian permintaan tinggi menunjukkan perlunya fokus pada penggunaan teknologi digital untuk memantau situasi pandemi. Analisis Big Data adalah alat yang ampuh untuk membantu dalam hal ini. Misalnya, manajemen persediaan medis yang didukung analisis big data sangat penting selama tanggap darurat untuk memastikan distribusi persediaan yang tepat. Perangkat medis dengan volume data yang tinggi dapat menerapkan analisis big data untuk memahami tren dan kebutuhan Alat Pelindung Diri (APD) di masa mendatang. Analisis Big Data membantu memprediksi hasil pengiriman obat dan menganalisis klasifikasi pasien dan tanggap darurat yang penting selama pandemi seperti COVID-19. Selain menyimpan data, Analisis Big Data dapat meningkatkan interpretasi untuk mendukung pengambilan keputusan bisnis penting secara tepat waktu. Studi sebelumnya telah menunjukkan bahwa rantai pasokan inovatif mampu mengelola risiko, menentukan posisi kompetitif organisasi, dan meningkatkan interpretasi informasi kunci dan pengembangan strategi. Innovation leadership/Kepemimpinan inovasi dapat meningkatkan inovasi rantai pasokan dan meningkatkan efisiensi. Respon rantai pasokan yang ditujukan untuk mengurangi waktu tunggu produksi dan pengiriman/distribusi. Kemampuan analisis Big Data dapat membantu membangun rantai pasokan responsif yang menempatkan sumber daya utama dan stakeholder di tempat yang tepat untuk keunggulan kompetitif. Teknologi blockchain dan transparansi rantai pasokan operasional dapat lebih meningkatkan kolaborasi antara stakeholder dalam bantuan bencana dan pada akhirnya mengarah pada peningkatan ketahanan rantai pasokan.

            Studi ini menyoroti pentingnya analisis Big Data dalam meningkatkan kapasitas pemrosesan informasi dan ketahanan rantai pasokan untuk pemulihan yang lebih cepat dari gangguan. Namun, kepemimpinanan inovasi untuk inovasi rantai pasokan kesehatan masih merupakan area yang kurang dieksplorasi. Kami berpendapat bahwa analisis Big Data berguna untuk scanning lingkungan dan pemrosesan informasi untuk menggerakkan inovasi rantai pasokan yang membantu membangun rantai pasokan yang responsif. Inovasi rantai pasokan dan daya tanggap sangat penting untuk membangun rantai pasokan yang berkelanjutan. Data dikumpulkan di Afrika Selatan menggunakan kuesioner terstruktur dan hipotesis diuji menggunakan structural equation modeling (SEM) yang menerapkan partial least squares technique (PLS-SEM). Pada bagian kedua, analisis tematik dilakukan dengan menggunakan data yang diperoleh dari 30 kuesioner kualitatif semi terstruktur.

II.   THEORETICAL BACKGROUND AND HYPOTHESES DEVELOPMENT

1. A. Organization Information Processing Theory (OIPT)

Teori OIPT mengusulkan agar organisasi haruslah dapat mengembangkan kapasitas dalam memproses informasi agar dapat bertahan terhadap lingkungan bisnis yang sering berubah dengan cepat. Perubahan yang terjadi dapat menggerakkan kebutuhan untuk membentuk suatu kemampuan dalam memproses informasi dan perusahaan yang bergerah dalam HSC perlu memanfaatkan teknologi industri 4.0 seperti BDA untuk memeriksa dan memproses informasi serta membuat keputusan yang strategis.  OIPT menjelaskan bagaimana perusahaan dapat melakukan pengembangan kapasitas tersebut selama masa pandemi COVID-19 untuk mendapatkan informasi eksternal seperti krisis pengadaan, kebutuhan pasar, penjualan dan persaingan distribusi, besarya penyebaran infeksi, jumlah kasus terinfeksi, jumlah penyembuhan, jumlah kematian, dan hasil atas pemantauan uji coba klinis. Peneliti tidak menyetujui bahwa BDA dapat melakukan pengembangan tersebut selama masa pandemi yang tidak pasti. Hanya dengan menerapkan OIPT saja tidak akan cukup untuk menjelaskan keseluruhan mekanismenya (BDA–innovation–responsiveness–resilience). Untuk itu peneliti menambahkan model SIAP untuk mendapatkan penjelasan yang lebih baik akan keterkaitan hal tersebut.

1. Scanning interpretation–action–performance (SIAP) Model

Untuk menghubungkan antara analisis big data, ketahanan rantai pasokan, RSC dan SCR dapat diadopsi model SIAP dan OIPT. Model SIAP menyarankan untuk mengikuti tiga langkah dasar dalam menyesuaikan lingkungan bisnis melalui proses “scanning, interpreting, dan responding”. Peneliti tidak menyetujui akan RSC yang merupakan strategi inisiasi dalam menghadapi pandemi COVID-19; juga tidak menyetujui bahwa SCR menjadi hasil akhir untuk semua organisasi kesehatan dalam mencapai tujuan selama situasi pandemi.

1. Model Teoris dan Hipotesis Penelitian

Walaupun big data dapat mendorong inovasi suppy chain, studi mengenai metode BDA masih terbatas. Penelitian ini menginisiasi pemanfaatan BDA untuk membuka kebutuhan penilaian bagi penelitian lanjutan. Peneliti tidak menyetujui bahwa BDA memiliki hubungan yang positif dengan RSC dan inovasi. Pada penelitian ini juga dikenalkan Inovation Leadership (IL) sebagai variabel moderasi untuk memeriksa pengaruh dari keterkaitan antara “BDA dengan daya tanggap HCS” dan “BDA dengan SCI”.

III.           RESEARCH METHODS

Pada penelitian ini, terdapat dua pendekatan yang berbeda yaitu pendekatan survei kuantitatif dengan pengujian model teori menggunakan variance dan pendekatan kuesioner kualitatif semi-tersruktur dan analisis semantik. Penggunaan dua metode tersebut didasari adanya keterbatasan pada survey kualitatif dan untuk mendapatkan pandangan dari praktisi melalui kuesioner. Selain itu, penggunaan dua pendekatan tersebut dapat berguna dalam melakukan validasi terhadap hal survey yang dilakukan.

Proses penyusunan materi survey dilakukan menggunakan referensi dari penelitian terdahulu. Pada penelitian ini,  terdapat 28 item yang terdiri dari lima item untuk BDA, enam item untuk SCI, lima item untuk RSC, empat item untuk IL dan delapan item untuk SCR.

Pada tahap awal, sebelum survey yang telah disusun digunakan sebagai alat penelitian, dilakukan proses assessment terhadap survey tersebut yang dilakukan oleh 37 manager pada bidang terkait. Survey tersebut disebar kepada 550 responden secara acak dengan batasan dua responden dalam satu perusahaan yang sama. Dari 550 survey yang disebar, peneliti mendapat respon sebanyak 190 yang diterima dalam dua gelombang. Data dari dua gelombang tersebut digunakan dalam melakukan pengecekan nonresponse bias (NRB) .

Pada pendekatan kualitatif, kuesioner terdiri dari dua bagian yaitu profil responden dan pertanyaan terkait potensi analisis big data pada pengembangan supply chain yang terdiri dari tujuh pertanyaan. Jumlah responden pada kuesioner kualitatif tersebut berjumlah tiga puluh responden.

IV.            DATA ANALYSIS

1. Structural Equation Modeling (SEM) Menerapkan Teknik Partial Least Squares

Dua jenis teknik SEM yang umum diterapkan, yaitu: 1) metode berbasis kovarians, dan 2) metode kuadrat terkecil parsial  the partial least squares– Structural Equation Modeling (PLS-SEM) banyak digunakan oleh para peneliti di berbagai bidang. Banyak makalah penelitian tersedia yang secara kritis memeriksa pro dan kontra dari PLS-SEM.

1. Bias Metode Umum

Masalah yang terkait dengan efek bias metode telah lama disorot dalam literatur. Dalam banyak kasus, instruksi di awal kuesioner dapat mempengaruhi tanggapan dengan cara tertentu (misalnya, dengan menyiratkan keinginan tanggapan tertentu), sehingga memperkenalkan variasi umum di antara indikator dan mencemari hasil utama dengan meningkatkan koefisien jalur karena pengenalan multikolinearitas.

1. Model Pengukuran

• Validitas dan Reliabilitas: Konsistensi internal dari konstruk laten diperiksa, dan uji alpha Cronbach digunakan untuk memeriksa reliabilitas instrumen.
• Model Kecocokan dan Indeks Kualitas: Kualitas model penelitian diperiksa menggunakan indeks kecocokan model klasik dan indeks penilaian kausalitas yang lebih modern.

1. Analisis Model Struktural

Perangkat lunak WarpPLS (versi 6.0) diterapkan untuk analisis. Lima langkah diikuti dalam analisis SEM. Nilai p dari 5% dianggap sebagai nilai batas signifikansi (yaitu, 1% -95%).

1. Hasil Analisis Tematik
   • Memahami Manfaat analisis big data dalam rantai pasok Kesehatan;
   • Memahami Kemampuan analisis big data dalam meningkatkan Responsivitas dan ketahanan rantai pasok;
   • Mengatasi Hambatan Kritis analisis big data;
   • Mengembangkan Model Perawatan Kesehatan yang Tangguh;
   • Peran Kritis Pemimpin;
   • Memperkuat Hubungan Kolaboratif Antar Pasokan Mitra Rantai.

V.    CONCLUSION

Kesimpulan penelitian menunjukkan bahwa analisis Big Data akan memainkan peran penting dalam meningkatkan ketahanan rantai pasokan dan membangun rantai pasok kesehatan yang responsif selama situasi pandemi COVID-19. Pada gilirannya, ketahanan rantai pasokan dan responsivitas mengarah pada pengembangan SCR selama waktu yang tidak pasti. Temuan penting tambahan dari artikel ini adalah bahwa kepemimpinan inovasi yang tinggi di perusahaan perawatan kesehatan memperkuat efek analisis Big Data pada ketahanan rantai pasokan dan daya tanggap.

Referensi: Bag, S., Gupta, S., Choi, T. M., & Kumar, A. (2021). Roles of innovation leadership on using big data analytics to establish resilient healthcare supply chains to combat the COVID-19 pandemic: a multimethodological study. IEEE Transactions on Engineering Management.