Model Natural Language Processing untuk Pemetaan Diskusi Publik di Media Sosial tentang Sustainable Supply Chain Management

Authors

  • Tri Retno Setiyawati
  • Nila Nurlina
  • Rizqa Ula Fahada
  • Arif Rahman Saleh

DOI:

https://doi.org/10.30606/aptek.v15i1.2049

Keywords:

sustainable supply chain management, natural language processing, manajemen logistik

Abstract

Konsep mengenai Sustainable Supply Chain Management (SSCM) menarik perhatian akademisi dan praktisi dengan konsep triple bottom line (ekonomi, sosial, lingkungan). Dalam menjalankan manajemen rantai pasok, melalui kinerja ekonomis mempertimbangkan faktor lingkungan dan sosial. Usaha mengurangi dampak buruk bagi kehidupan social dan lingkungan adalah hal yang dipertimbangkan dalam SSCM dengan menerapkan konsep tersebut ke dalam seluruh jaringan rantai pasok. Penerapan SSCM menjadi sangat rumit karena mempertimbangkan banyak hal, penelitian yang berkembang berkisar pada manajemen operasional. Sedangkan diskusi dari sisi konsumen tidak banyak dibahas. Penelitian ini bertujuan untuk mengetahui topik bahasan yang didiskusikan oleh publik terkait SSCM. Dengan metode Natural Language Processing (NLP), diskusi publik pada platform Twitter disarikan untuk mendapatkan daftar topik. Hasil dari ekstraksi topik diskusi pada platform twitter ini menunjukkan bahwa pembahasan mengenai ekonomi dan lingkungan lebih banyak didiskusikan daripada faktor sosial. Hal ini dapat terjadi karena adanya kemungkinan konsep mengenai Green SCM sudah lebih dahulu dikenal. Konsep ini membahas mengenai faktor lingkungan yang perlu dipertimbangkan dalam SCM

Downloads

Download data is not yet available.

Downloads

Published

2022-12-28

How to Cite

Tri Retno Setiyawati, Nila Nurlina, Rizqa Ula Fahada, & Arif Rahman Saleh. (2022). Model Natural Language Processing untuk Pemetaan Diskusi Publik di Media Sosial tentang Sustainable Supply Chain Management . Aptek, 15(1), 75–82. https://doi.org/10.30606/aptek.v15i1.2049

Similar Articles

1 2 > >> 

You may also start an advanced similarity search for this article.