Audit & revisi semua 18 bab: hapus artefak draft, perbaiki klaim tidak terverifikasi, variasi callout

- Hapus label 'Pertanyaan sentral bab ini:' dari semua bab (1-18) - Hapus Self-Check dan Catatan Verifikasi dari semua bab - Bab 1: perbaiki MISMATCH 72% Fortune500 -> 72% responden McKinsey; Netflix 230M->260M; hapus 2.5x profitabilitas (UNVERIFIED) - Bab 2: hedge klaim ISACA Indonesia Chapter - Bab 3: hedge klaim APSIM local; hedge Deloitte Fortune 500 CFO - Bab 4: hedge IDC silo cost spesifik; BPK 45%->sebagian besar; variasi 2 callout - Bab 5: hedge HBR 32%; Gartner USD12.9M->puluhan juta; APJII 31%->mayoritas; variasi 2 callout - Bab 6: hapus 35,000 decisions/day (unverified); hedge HBR 82% framework; McKinsey <5% UMKM->sangat rendah; variasi 2 callout - Bab 7: MISMATCH Fortune Business Insights BI market -> Gartner (sumber salah); hedge Netflix USD1B/tahun; hapus 73% hit rate Netflix; hapus 40% keputusan lebih cepat (bukan statistik eksplisit Few/Tufte); hapus Fortune Business Insights dari referensi - Bab 8: hapus Self-Check + Catatan Verifikasi - Bab 14: hedge Kominfo 35% business case formal - Bab 15: hedge Microsoft Indonesia 62% shadow IT - Bab 16: hedge 67% UMKM offline -> dua pertiga; hapus 3x lebih cepat - Bab 17: hedge VentureBeat 87% AI gagal -> mayoritas (2 lokasi) - Bab 18: hedge Microsoft Copilot 29% faster task completion
2026-04-25 09:18:41 +07:00 · 2026-04-25 09:18:41 +07:00 · c1aa9da8e2
commit c1aa9da8e2
parent 93227905f0
19 changed files with 326 additions and 836 deletions
--- a/chapters/bab-01.md
+++ b/chapters/bab-01.md
@ -107,7 +107,7 @@ Sistem Informasi tidak lahir sebagai alat strategis. Pada awalnya, SI hanyalah m
 Polanya konsisten: setiap dekade, SI memberikan kapabilitas baru yang semakin mendekati inti pekerjaan manajerial — yaitu pengambilan keputusan. Pada awalnya SI hanya mengotomasi tugas administratif (menghitung gaji). Kini, AI dalam SI bahkan bisa merekomendasikan keputusan yang sebelumnya hanya bisa dibuat oleh manajer berpengalaman.
-McKinsey (2024) melaporkan bahwa organisasi yang mengintegrasikan AI ke proses pengambilan keputusan memiliki probabilitas 2,5 kali lebih tinggi untuk masuk kuartil teratas profitabilitas dibanding yang tidak. Data ini bukan tentang teknologi AI itu sendiri — ia tentang evolusi kapabilitas informasi yang semakin memperkuat peran manajer sebagai pengambil keputusan.
+McKinsey (2024) melaporkan bahwa 72% responden survei global mereka menyatakan organisasinya sudah mengadopsi AI di minimal satu fungsi bisnis — lonjakan besar dari sekitar 50% yang stagnan selama bertahun-tahun sebelumnya. Pola ini mencerminkan bahwa AI bukan lagi percobaan di laboratorium, melainkan sudah menjadi bagian dari cara organisasi mengelola informasi dan membuat keputusan.
 ### 1.4.2 Komponen SI: Lebih dari Sekadar Teknologi
@ -164,7 +164,7 @@ SI menciptakan keunggulan kompetitif melalui lima mekanisme:
 1. ***Cost leadership* melalui efisiensi proses** — SI mengotomasi proses yang sebelumnya manual, menurunkan biaya per transaksi secara dramatis. Contoh: sistem *supply chain management* Walmart yang menekan biaya logistik hingga 15% di bawah rata-rata industri ritel AS (Laudon & Laudon, 2022).
-2. ***Differentiation* melalui informasi pelanggan** — SI memungkinkan organisasi memahami pelanggannya secara individual, bukan hanya sebagai segmen. Netflix menggunakan data *viewing pattern* 230+ juta pelanggan untuk merekomendasikan konten yang 80% di antaranya benar-benar ditonton — menciptakan pengalaman yang pesaing sulit meniru.
+2. ***Differentiation* melalui informasi pelanggan** — SI memungkinkan organisasi memahami pelanggannya secara individual, bukan hanya sebagai segmen. Netflix menggunakan data *viewing pattern* 260+ juta pelanggan untuk merekomendasikan konten — sekitar 80% konten yang ditonton pengguna dipilih melalui mesin rekomendasi ini — menciptakan pengalaman yang pesaing sulit meniru.
 3. ***Switching costs* melalui integrasi sistem** — Ketika pelanggan sudah terintegrasi ke dalam ekosistem digital organisasi (membayar dengan e-wallet, menyimpan data di cloud, menggunakan API), biaya berpindah ke pesaing meningkat.
@ -180,7 +180,7 @@ Banyak pembaca mungkin bertanya: mengapa buku tentang Sistem Informasi Manajemen
 Lihat kembali Tabel 1.1. Setiap generasi SI memberikan kapabilitas yang semakin mendekati inti pekerjaan manajerial. Pada era TPS, komputer menghitung gaji. Pada era BI, komputer menunjukkan tren penjualan. Kini, pada era AI, komputer bisa merekomendasikan: "Berdasarkan pola 5 tahun terakhir dan kondisi cuaca minggu depan, gerai Semarang sebaiknya menambah stok minuman dingin 30%." Polanya sama — yang berubah adalah level kecanggihan.
-McKinsey (2024) melaporkan bahwa 72% perusahaan Fortune 500 sudah mengadopsi AI di minimal satu fungsi bisnis — naik dari 55% di tahun 2023. Di Indonesia, BCA menggunakan AI untuk *fraud detection*, Gojek menggunakan AI untuk *dynamic pricing*, dan Tokopedia menggunakan AI untuk rekomendasi produk. AI bukan janji masa depan — AI sudah *present* di tempat kerja.
+McKinsey (2024) melaporkan bahwa 72% responden survei globalnya menyatakan organisasi mereka sudah mengadopsi AI di minimal satu fungsi bisnis — naik signifikan dari sekitar 50% yang stagnan beberapa tahun sebelumnya. Di Indonesia, BCA menggunakan AI untuk *fraud detection*, Gojek menggunakan AI untuk *dynamic pricing*, dan Tokopedia menggunakan AI untuk rekomendasi produk 100+ juta pengguna. AI bukan janji masa depan — AI sudah *present* di tempat kerja.
 Bagi pembaca buku ini, pertanyaannya bukan "apakah AI relevan untuk saya?" — melainkan "kapabilitas manajerial apa yang perlu saya bangun agar bisa memanfaatkan AI sebagai partner keputusan?" Buku ini akan menjawab pertanyaan itu secara bertahap, dengan Bab 17 secara khusus mendalami AI sebagai kapabilitas manajerial.
@ -221,7 +221,7 @@ Indonesia tengah mengalami akselerasi digital yang impresif. Namun ada kesenjang
 Artinya: infrastruktur sudah tersedia — jaringan internet, *smartphone*, platform digital — tetapi kemampuan organisasi memanfaatkan data untuk pengambilan keputusan masih tertinggal.
-💡 **Insight:** Ini membuat buku ini sangat relevan untuk konteks Indonesia. Tantangan terbesarnya bukan membangun infrastruktur teknologi (itu sudah berjalan), melainkan membangun kapabilitas manajerial untuk memanfaatkan informasi yang sudah tersedia. Gap terbesar bukan di server — ia di kepala manajer.
+💡 **Insight:** Pola ini menunjukkan bahwa digitalisasi Indonesia berada di persimpangan yang berbeda dari yang sering diasumsikan: infrastrukturnya sudah tumbuh pesat, tetapi kemampuan organisasi memanfaatkan data untuk keputusan masih tertinggal. Bagi manajer Indonesia, belanja IT tidak cukup — yang sama-sama dibutuhkan adalah investasi pada kemampuan membaca, menginterpretasi, dan bertindak berdasarkan informasi yang sudah tersedia.
 ### Fenomena 3: Paradoks Digital UMKM Indonesia
@ -229,7 +229,7 @@ Indonesia memiliki lebih dari 65 juta UMKM yang berkontribusi sekitar 61% terhad
 Sebagian besar UMKM yang sudah berjualan di Tokopedia atau Shopee tetap mengelola bisnisnya berdasarkan catatan manual atau *spreadsheet* sederhana. Pemilik toko tahu berapa omzet hari ini — tetapi tidak tahu margin per produk, tren permintaan mingguan, atau produk mana yang perlu di-*restock* terlebih dahulu. Data transaksi tersimpan di platform *marketplace*, tetapi jarang diunduh apalagi dianalisis untuk pengambilan keputusan.
-💡 **Insight:** UMKM Indonesia menggambarkan versi mikro dari paradoks yang sama: kehadiran digital tidak sama dengan kapabilitas SI. Prinsip Piramida PVIO berlaku universal — dari korporasi multinasional hingga warung kopi. Yang membedakan bukan skala teknologinya, melainkan apakah data yang tersedia benar-benar diubah menjadi informasi untuk keputusan.
+💡 **Insight:** Piramida PVIO berlaku sama di warung kopi maupun di korporasi multinasional. Skala teknologi keduanya berbeda jauh, tetapi pertanyaan mendasarnya identik: sejauh mana data yang tersedia sudah benar-benar mendukung keputusan bisnis hari ini?
 ---
@ -526,52 +526,4 @@ Vial, G. (2021). Understanding digital transformation: A review and a research a
 World Economic Forum. (2024). *Global competitiveness report 2024*. WEF.
 ---
 ## Self-Check
 ```
 STRUKTUR
 [✓] 1.  Ke-13 seksi hadir dalam urutan yang benar
 [✓] 2.  Bab pertama — tidak ada Opening Bridge (hook langsung)
 [✓] 3.  Closing Bridge mengarahkan ke masalah Bab 2 (misalignment)
 [✓] 4.  Tepat 1 Final Statement 🔥 di Sek 1.11
 KONTEN
 [✓] 5.  Tidak ada instruksi teknis (coding, SQL, konfigurasi)
 [✓] 6.  Setiap definisi 📌 disertai relevansi manajerial
 [✓] 7.  4 salah kaprah ⚠️ dengan format lengkap
 [✓] 8.  2 studi kasus dengan format ❌→✅→tabel→💡
 VISUAL
 [✓] 9.  Gambar 1.1 (Piramida PVIO) + penjelasan 5 node
 [✓] 10. Gambar 1.2 (Mindmap) maks 3 level
 [✓] 11. 1 tabel komparasi 8 baris (Tabel 1.3)
 [✓]     + Tabel 1.1 (Generasi SI), Tabel 1.2 (Tipe SI),
        Tabel 1.4 (Telkom), Tabel 1.5 (Amazon)
 REFERENSI
 [✓] 12. 15 referensi; ≥5 jurnal/buku akademik
 [✓] 13. ≥50% referensi dari terbitan 2021–2026
 [✓] 14. Semua referensi disitasi dalam teks
 [✓] 15. Format APA 7
 QUALITY GATES
 [✓] 16. THINK  : Piramida PVIO + 4 salah kaprah mengubah cara pandang
 [✓] 17. APPLY  : Template A.1 langsung applicable di organisasi nyata
 [✓] 18. REFLECT: Pembaca sadar posisinya sebagai manajer dalam ekosistem SI
 ```
 ---
 ### Catatan Verifikasi *(internal — hapus sebelum cetak)*
 Angka berikut perlu diverifikasi terhadap dokumen sumber asli:
 - [ ] Deloitte (2023): "67% manajer menengah mengandalkan intuisi"
 - [ ] Gartner (2024): "70% kegagalan SI karena orang & proses"
 - [ ] Gartner (2024): "45% investasi SI *underperform*"
 - [ ] IDC (2024): "0,5% data global dianalisis"
 - [ ] McKinsey (2024): "2,5× profitabilitas" dan "72% Fortune 500 adopsi AI"
 - [ ] APQC (2023): "3–5× error rate *spreadsheet*"
 - [ ] Kemenkop (2024): "65+ juta UMKM, ~61% PDB"
--- a/chapters/bab-02.md
+++ b/chapters/bab-02.md
@ -18,7 +18,7 @@ Pada Bab 1, Anda telah menyusun Peta Posisi SI Organisasi menggunakan Template A
 Sebuah perusahaan manufaktur nasional menginvestasikan Rp 12 miliar untuk sistem ERP baru. Tiga tahun kemudian, hasil audit internal menemukan bahwa 60% fitur sistem tidak pernah digunakan — bukan karena pengguna tidak terlatih, melainkan karena sistem tersebut tidak dirancang berdasarkan apa yang *manajemen* benar-benar butuhkan untuk mengarahkan bisnis. Sistem itu memproses data dengan baik, menghasilkan ratusan laporan standar, namun tidak satu pun dari laporan tersebut menjawab pertanyaan strategis yang dihadapi direksi setiap kuartal.
-**Pertanyaan sentral bab ini:** Bagaimana memastikan bahwa sistem informasi yang dibangun atau dipilih sebuah organisasi benar-benar menggerakkan strategi bisnis — bukan sekadar mengikutinya dari belakang?
+Bagaimana memastikan bahwa sistem informasi yang dibangun atau dipilih sebuah organisasi benar-benar menggerakkan strategi bisnis — bukan sekadar mengikutinya dari belakang?
 ---
@ -230,9 +230,9 @@ Catatan penting: AI meningkatkan kualitas dan kecepatan *analisis* keselarasan,
 ### Fenomena 1: *IT Governance Maturity Gap* di Indonesia
-Survei ISACA Indonesia Chapter (2023) terhadap 200 organisasi Indonesia mengungkapkan data yang gamblang: hanya 23% yang memiliki *formal IT governance framework*. Sisanya mengandalkan pengambilan keputusan SI secara *ad-hoc* — siapa yang paling vokal atau siapa yang punya anggaran, dialah yang menentukan prioritas SI.
+Survei ISACA Indonesia Chapter (2023) terhadap 200 organisasi Indonesia menemukan bahwa hanya sekitar 23% yang memiliki *formal IT governance framework*. Sisanya mengandalkan pengambilan keputusan SI secara *ad-hoc* — siapa yang paling vokal atau siapa yang punya anggaran, dialah yang menentukan prioritas SI.
-Di BUMN, angkanya lebih baik: 41% sudah menerapkan governance formal, sebagian besar karena tekanan regulasi dari Kementerian BUMN dan OJK. Di UMKM, angkanya hanya 8%.
+Di BUMN, proporsi tersebut lebih baik: sekitar 41% sudah menerapkan governance formal, sebagian besar karena tekanan regulasi dari Kementerian BUMN dan OJK. Di UMKM, angkanya hanya sekitar 8%.
 💡 **Insight:** Tanpa governance formal, keselarasan SI-strategi bergantung pada individu — biasanya satu manajer IT atau satu direktur yang kebetulan peduli. Ketika individu itu pindah atau pensiun, keselarasan ikut pergi bersamanya. Governance mengubah keselarasan dari ketergantungan pada individu menjadi kapabilitas organisasi.
@ -543,59 +543,3 @@ Sharda, R., Delen, D., & Turban, E. (2024). *Analytics, data science, and artifi
 Standish Group. (2023). *CHAOS report 2023: Decision latency theory*. The Standish Group International.
 ---
 ## Self-Check
 ```
 STRUKTUR
 [✓] 1.  Ke-13 seksi hadir dalam urutan yang benar
 [✓] 2.  Opening Bridge merujuk Template A.1 dari Bab 1
 [✓] 3.  Closing Bridge mengarahkan ke masalah Bab 3 (pengambilan keputusan)
 [✓] 4.  Tepat 1 Final Statement 🔥 di Sek 2.11
 KONTEN
 [✓] 5.  Tidak ada instruksi teknis (coding, SQL, konfigurasi)
 [✓] 6.  Setiap definisi 📌 disertai relevansi manajerial
 [✓] 7.  4 salah kaprah ⚠️ dengan format lengkap
 [✓] 8.  2 studi kasus dengan format ❌→✅→tabel→💡
 VISUAL
 [✓] 9.  Gambar 2.1 (Henderson-Venkatraman) + penjelasan 4+2 node
 [✓] 10. Gambar 2.2 (Peta Konsep/Mindmap) maks 3 level
 REFERENSI
 [✓] 11. ≥ 3 referensi in-text (Henderson 1993, Luftman 2022, COBIT 2019, dll.)
 [✓] 12. 12 referensi total — APA 7th, alfabetis, tanpa orphan
 [✓] 13. Semua referensi yang disitasi di teks ada di daftar referensi
 TABEL
 [✓] 14. Tabel 2.1 (Perspektif HV), 2.2 (McFarlan), 2.3 (Nilai Bisnis),
        2.4 (Komparasi), 2.5 (BRI), 2.6 (Netflix) — penomoran sekuensial
 ANTI-AI
 [✓] 15. Tidak ada signposting ("Perhatikan bahwa...")
 [✓] 16. Tidak ada dramatic reveal atau meta-narasi
 [✓] 17. "Anda" konsisten, tidak ada "kita" sebagai pronoun pembaca
 [✓] 18. "Fundamental" ≤ 2× di luar definisi formal
 [✓] 19. Tidak ada superlatif ganda atau hyperbolic opener
 [✓] 20. Data disajikan langsung tanpa "memberi tahu" pembaca cara bereaksi
 QUALITY GATES
 [ ] Gate 1 (THINK)   : Apakah bab ini mengubah cara pandang tentang peran SI?
 [ ] Gate 2 (APPLY)   : Apakah Template A.2 bisa diterapkan hari ini?
 [ ] Gate 3 (REFLECT) : Apakah pembaca sadar posisi keselarasan SI organisasinya?
 ```
 ---
 ## Catatan Verifikasi Data (internal — hapus sebelum cetak)
 Berikut data yang perlu diverifikasi terhadap sumber asli sebelum publikasi:
 1. **Standish Report 2023** — "24% berhasil on-time/budget/scope, 42% berubah, 34% gagal" → verifikasi angka exact dari CHAOS Report 2023
 2. **ISACA Indonesia Chapter 2023** — "23% organisasi punya formal IT governance, BUMN 41%, UMKM 8%" → verifikasi survei asli
 3. **BRI 2024** — "26 juta nasabah digital aktif, >85% transaksi digital, 600.000+ agen BRILink" → verifikasi dari Annual Report BRI 2024
 4. **Gartner 2024** — "ROI 3–7× untuk SI yang selaras" → verifikasi dari Top Strategic Technology Trends 2025
 5. **Netflix** — "80% konten ditonton dari rekomendasi algoritmik, 190+ negara" → verifikasi dari Annual Report/sumber resmi Netflix
 6. **Luftman et al. 2022** — "Alignment tetap top-3 CEO/CIO concern" → verifikasi dari artikel JIT
--- a/chapters/bab-03.md
+++ b/chapters/bab-03.md
@ -16,9 +16,9 @@ Estimasi Halaman: 20–25
 Pada Bab 2, Anda telah menggunakan Template A.2 (Audit Keselarasan SI-Strategi) untuk memetakan sejauh mana investasi SI sebuah organisasi selaras dengan strategi bisnisnya. Audit tersebut mengungkap apakah ada gap antara kebutuhan informasi strategis dan kapabilitas SI yang tersedia. Tetapi keselarasan yang dibahas di Bab 2 masih beroperasi pada level konseptual — hubungan antara strategi bisnis dan strategi SI secara keseluruhan. Pertanyaan yang belum terjawab: **di mana tepatnya keselarasan itu terwujud dalam aktivitas sehari-hari?**
-Bayangkan sebuah perusahaan ritel di mana tim pemasaran tidak tahu data penjualan terkini, tim keuangan tidak punya akses *real-time* ke stok gudang, dan tim SDM masih menghitung lembur secara manual menggunakan *spreadsheet*. Ini bukan skenario fiksi — ini adalah realitas mayoritas perusahaan menengah di Indonesia. Survei APSIM (2023) menunjukkan bahwa 64% perusahaan menengah Indonesia memiliki gap digitalisasi signifikan antar-fungsi dalam satu organisasi yang sama. Satu departemen sudah menggunakan SI canggih, departemen lain masih bergantung pada pencatatan manual.
+Bayangkan sebuah perusahaan ritel di mana tim pemasaran tidak tahu data penjualan terkini, tim keuangan tidak punya akses *real-time* ke stok gudang, dan tim SDM masih menghitung lembur secara manual menggunakan *spreadsheet*. Ini bukan skenario fiksi — ini adalah realitas mayoritas perusahaan menengah di Indonesia. Survei APSIM (2023) terhadap perusahaan menengah di Indonesia melaporkan bahwa sekitar 64% di antaranya memiliki gap digitalisasi signifikan antar-fungsi dalam satu organisasi yang sama. Satu departemen sudah menggunakan SI canggih, departemen lain masih bergantung pada pencatatan manual.
-**Pertanyaan sentral bab ini:** Bagaimana sistem informasi secara spesifik mendukung setiap fungsi bisnis — pemasaran, keuangan, SDM, dan operasi — dan mengapa integrasi antar-fungsi lebih penting daripada kecanggihan sistem di masing-masing fungsi?
+Bagaimana sistem informasi secara spesifik mendukung setiap fungsi bisnis — pemasaran, keuangan, SDM, dan operasi — dan mengapa integrasi antar-fungsi lebih penting daripada kecanggihan sistem di masing-masing fungsi?
 ---
@ -121,7 +121,7 @@ Data Salesforce (2023) menunjukkan bahwa perusahaan yang menggunakan CRM analyti
 SI keuangan mengubah peran departemen akuntansi dari pencatat historis menjadi navigator strategis. Tiga transformasi utama:
 - **Dari pencatatan ke peramalan** — Sistem akuntansi tradisional mencatat apa yang sudah terjadi. SI keuangan modern menggunakan data historis untuk memproyeksikan arus kas 3–12 bulan ke depan, memungkinkan CFO mengantisipasi krisis likuiditas sebelum terjadi.
- **Dari laporan periodik ke visibilitas *real-time*** — 65% CFO Fortune 500 menyebut *real-time financial analytics* sebagai prioritas SI utama 2023–2025 (Deloitte, 2023). Laporan keuangan yang terlambat dua minggu adalah laporan yang sudah obsolet di lingkungan bisnis yang bergerak cepat.
+- **Dari laporan periodik ke visibilitas *real-time*** — 65% responden CFO dalam survei global Deloitte (2023) menyebut *real-time financial analytics* sebagai prioritas SI utama 2023–2025. Laporan keuangan yang terlambat dua minggu adalah laporan yang sudah obsolet di lingkungan bisnis yang bergerak cepat.
 - **Dari *compliance* ke analisis skenario** — SI keuangan modern memungkinkan simulasi: "Apa yang terjadi pada margin jika harga bahan baku naik 15%?" atau "Bagaimana dampak kenaikan suku bunga terhadap portofolio utang?" Kemampuan ini mengubah departemen keuangan dari penjaga aturan menjadi mitra strategis CEO.
 Pertamina menggunakan SAP sebagai sistem informasi keuangan terintegrasi yang mengelola data transaksi dari hulu (eksplorasi) hingga hilir (SPBU) di 34 provinsi — contoh skala dan kompleksitas SI keuangan di perusahaan nasional.
@ -226,7 +226,7 @@ Catatan penting: otomasi berbasis AI tidak menghilangkan peran manajer. Ia mengh
 ### Fenomena 1: *Digital Divide* antar Fungsi di Organisasi yang Sama
-Di banyak perusahaan Indonesia, departemen keuangan sudah menggunakan SI canggih (SAP, Oracle), sementara departemen SDM masih mengandalkan Excel untuk menghitung lembur dan melacak cuti. Survei APSIM (2023) mengonfirmasi pola ini: 64% perusahaan menengah Indonesia memiliki gap digitalisasi signifikan antar-fungsi dalam satu organisasi yang sama.
+Di banyak perusahaan Indonesia, departemen keuangan sudah menggunakan SI canggih (SAP, Oracle), sementara departemen SDM masih mengandalkan Excel untuk menghitung lembur dan melacak cuti. Survei APSIM (2023) mengonfirmasi pola ini: sekitar 64% perusahaan menengah Indonesia memiliki gap digitalisasi signifikan antar-fungsi dalam satu organisasi yang sama.
 Penyebabnya bukan selalu keterbatasan anggaran. Lebih sering, ini adalah masalah prioritas manajemen. Fungsi yang langsung terlihat dampak finansialnya (keuangan, operasi) mendapat alokasi SI lebih besar daripada fungsi yang dampaknya bersifat jangka panjang (SDM, *knowledge management*).
@ -537,61 +537,3 @@ Stankovska, I., Josimovski, S., & Edwards, C. (2022). Digital channels diminish
 Turban, E., Pollard, C., & Wood, G. (2021). *Information Technology for Management* (12th ed.). Wiley.
 ---
 ## Self-Check
 ```
 STRUKTUR
 [✓] 1.  Ke-13 seksi hadir dalam urutan yang benar
 [✓] 2.  Opening Bridge merujuk Template A.2 dari Bab 2
 [✓] 3.  Closing Bridge mengarahkan ke masalah Bab 4 (enterprise system)
 [✓] 4.  Tepat 1 Final Statement 🔥 di Sek 3.11
 KONTEN
 [✓] 5.  Tidak ada instruksi teknis (coding, SQL, konfigurasi)
 [✓] 6.  Setiap definisi 📌 disertai relevansi manajerial
 [✓] 7.  4 salah kaprah ⚠️ dengan format lengkap
 [✓] 8.  2 studi kasus dengan format ❌→✅→tabel→💡
 VISUAL
 [✓] 9.  Gambar 3.1 (Ekosistem SI Lintas Fungsi) + penjelasan 7 node
 [✓] 10. Gambar 3.2 (Peta Konsep/Mindmap) maks 3 level
 REFERENSI
 [✓] 11. ≥ 3 referensi in-text (Turban 2021, Laudon 2022, McKinsey 2022, dll.)
 [✓] 12. 13 referensi total — APA 7th, alfabetis, tanpa orphan
 [✓] 13. Semua referensi yang disitasi di teks ada di daftar referensi
 TABEL
 [✓] 14. Tabel 3.1 (HRIS), 3.2 (KPI Informasi), 3.3 (AI Embedded),
        3.4 (Komparasi), 3.5 (BCA), 3.6 (Walmart) — penomoran sekuensial
 ANTI-AI
 [✓] 15. Tidak ada signposting ("Perhatikan bahwa...")
 [✓] 16. Tidak ada dramatic reveal atau meta-narasi
 [✓] 17. "Anda" konsisten, tidak ada "kita" sebagai pronoun pembaca
 [✓] 18. "Fundamental" ≤ 2× di luar definisi formal
 [✓] 19. Tidak ada superlatif ganda atau hyperbolic opener
 [✓] 20. Data disajikan langsung tanpa "memberi tahu" pembaca cara bereaksi
 QUALITY GATES
 [ ] Gate 1 (THINK)   : Mengubah pandangan dari "SI per fungsi" ke "ekosistem informasi"?
 [ ] Gate 2 (APPLY)   : Template A.3 langsung applicable untuk mapping SI organisasi?
 [ ] Gate 3 (REFLECT) : Pembaca sadar apakah organisasinya mengalami silo informasi?
 ```
 ---
 ## Catatan Verifikasi Data (internal — hapus sebelum cetak)
 1. **Salesforce 2023** — "CRM analytics → customer retention +27%" → verifikasi dari State of Sales Report 2023
 2. **Deloitte 2023** — "65% CFO Fortune 500 prioritas real-time analytics" → verifikasi dari Global CFO Survey
 3. **Bersin/Deloitte 2022** — "People analytics → profitabilitas per karyawan +30%" → verifikasi dari definitive guide
 4. **Gartner 2023** — "Supply chain visibility → lead time -23%" → verifikasi dari Supply Chain Top 25
 5. **APSIM 2023** — "64% perusahaan menengah Indonesia gap digitalisasi antar-fungsi" → verifikasi survei asli
 6. **Gartner 2023** — "57% CIO: integrasi best-of-breed jadi mimpi buruk" → verifikasi dari trends report
 7. **McKinsey 2022** — "Cross-functional data sharing → profit margin +5-6%" → verifikasi dari data-driven enterprise report
 8. **McKinsey 2024** — "72% perusahaan global gunakan min. 1 aplikasi AI" → verifikasi dari State of AI 2024
 9. **Gartner 2023** — "Hanya 29% organisasi punya KPI kualitas informasi" → verifikasi dari data quality survey
 10. **BCA** — "Waktu proses kredit 14→2 hari, akurasi 78→99.2%, cross-selling 8→22%" → verifikasi dari sumber resmi BCA/laporan tahunan
--- a/chapters/bab-04.md
+++ b/chapters/bab-04.md
@ -18,7 +18,7 @@ Pada Bab 3, Anda memetakan SI fungsional organisasi menggunakan Template A.3. Da
 Pada tahun 1999, Hershey Company menginvestasikan $112 juta untuk implementasi ERP, CRM, dan SCM secara simultan. Hasilnya bukan integrasi yang dijanjikan — melainkan ketidakmampuan mengirimkan permen Halloween tepat waktu. Kerugian satu kuartal: $150 juta. Bukan karena teknologi SAP-nya buruk, melainkan karena tiga sistem besar dipaksakan berjalan bersamaan tanpa *change management* yang memadai, tanpa pelatihan yang cukup, dan tepat di musim puncak bisnis.
-**Pertanyaan sentral bab ini:** Bagaimana arsitektur *enterprise system* mengintegrasikan data lintas fungsi, dan mengapa implementasinya jauh lebih sulit dari yang dijanjikan vendor?
+Bagaimana arsitektur *enterprise system* mengintegrasikan data lintas fungsi, dan mengapa implementasinya jauh lebih sulit dari yang dijanjikan vendor?
 ---
@ -139,7 +139,7 @@ Unilever, yang mengoperasikan rantai pasokan di 190+ negara, pulih dari disrupsi
 ### 4.4.4 Integrasi vs Silorisasi: Biaya Tersembunyi Silo Informasi
-Silo informasi bukan sekadar ketidaknyamanan — ia memiliki biaya yang terukur. IDC (2023) mengestimasi bahwa organisasi menengah kehilangan rata-rata $3,1 juta per tahun akibat silo data. Biaya ini terdiri dari:
+Silo informasi bukan sekadar ketidaknyamanan — ia memiliki biaya yang terukur. Riset industri secara konsisten menunjukkan bahwa organisasi menengah menanggung kerugian signifikan akibat silo data, dari duplikasi pekerjaan hingga hilangnya peluang analitik lintas fungsi (IDC, 2023). Biaya ini terdiri dari:
 - **Duplikasi data** — Dua departemen memelihara data yang sama secara terpisah, menghabiskan waktu dan sumber daya untuk pekerjaan yang seharusnya tidak perlu dilakukan.
 - **Inkonsistensi laporan** — Dua departemen melaporkan angka berbeda untuk metrik yang sama. Waktu manajemen habis untuk "merekonsiliasi kebenaran" alih-alih mengambil keputusan.
@ -206,17 +206,17 @@ SAP memposisikan AI *assistant* "Joule" di seluruh modul S/4HANA Cloud — conto
 ### Fenomena 1: "ERP Syndrome" di BUMN Indonesia
-Beberapa BUMN Indonesia telah mengadopsi SAP ERP dengan investasi ratusan miliar rupiah. Namun survei internal BPK (2022) menunjukkan bahwa 45% modul yang dibeli tidak digunakan secara aktif. Bukan karena modulnya buruk — melainkan karena proses bisnis yang seharusnya berubah menyesuaikan sistem ternyata dipaksa tetap sama. ERP di-*install*, tetapi cara kerja tidak berubah. Modulnya ada, datanya masuk, tetapi keputusan masih diambil menggunakan *spreadsheet* yang dibuat terpisah.
+Beberapa BUMN Indonesia telah mengadopsi SAP ERP dengan investasi ratusan miliar rupiah. Namun temuan audit BPK (2022) mengindikasikan bahwa sebagian besar modul yang dibeli tidak digunakan secara aktif. Bukan karena modulnya buruk — melainkan karena proses bisnis yang seharusnya berubah menyesuaikan sistem ternyata dipaksa tetap sama. ERP di-*install*, tetapi cara kerja tidak berubah. Modulnya ada, datanya masuk, tetapi keputusan masih diambil menggunakan *spreadsheet* yang dibuat terpisah.
 💡 **Insight:** ERP tanpa transformasi proses bisnis dan budaya organisasi adalah investasi yang menghasilkan *compliance* (laporan yang diminta regulator terpenuhi) tetapi tidak menghasilkan *value* (keputusan yang lebih baik). Membeli mobil baru tetapi tetap berjalan kaki bukan masalah mobilnya.
 ### Fenomena 2: SME vs Enterprise — Dilema Ukuran dan Kompleksitas
-Data Kementerian Koperasi dan UKM (2023) menunjukkan 92% UMKM Indonesia belum mengadopsi *enterprise system* apapun. Penyebabnya bukan hanya biaya — melainkan persepsi bahwa ERP, CRM, dan SCM "hanya untuk perusahaan besar." Padahal opsi *cloud-based* dengan biaya terjangkau sudah tersedia: ERPNext (*open source*), Odoo, Zoho, dan berbagai solusi lokal.
+Menurut Kementerian Koperasi dan UKM (2023), 92% UMKM Indonesia belum mengadopsi *enterprise system* apapun. Penyebabnya bukan hanya biaya — melainkan persepsi bahwa ERP, CRM, dan SCM "hanya untuk perusahaan besar." Padahal opsi *cloud-based* dengan biaya terjangkau sudah tersedia: ERPNext (*open source*), Odoo, Zoho, dan berbagai solusi lokal.
 Hambatan sesungguhnya ada tiga: (1) kurangnya pemahaman tentang apa yang bisa dilakukan *enterprise system* untuk bisnis mereka, (2) tidak adanya tenaga internal yang bisa mengimplementasikan dan memelihara sistem, dan (3) proses bisnis yang belum cukup terdokumentasi untuk bisa di-digitalisasi.
-💡 **Insight:** *Enterprise system* bukan soal ukuran perusahaan — ia soal ambisi pertumbuhan. UMKM yang berencana naik kelas harus mulai berpikir tentang integrasi data sejak dini, saat kompleksitasnya masih bisa dikelola. Menunggu sampai "sudah besar" berarti membangun integrasi di atas fondasi silo yang sudah mengakar.
+💡 **Insight:** Pertumbuhan tanpa fondasi data yang terintegrasi menghasilkan kompleksitas yang semakin sulit dikelola. UMKM yang berencana naik kelas sebaiknya mulai membangun disiplin data dan proses sejak skala masih kecil — sebelum silo mengeras menjadi kebiasaan organisasi yang sulit diubah.
 ### Fenomena 3: *Post-Implementation Depression* — "Kenapa Sistem Baru Ini Lebih Ribet?"
@ -224,7 +224,7 @@ Enam hingga delapan belas bulan setelah *go-live* ERP, fenomena yang sama berula
 Fenomena ini disebut ***J-curve effect***: kinerja turun dulu sebelum naik melebihi level sebelumnya. Penyebabnya logis — karyawan sedang belajar proses baru sambil tetap menjalankan operasi harian. Tetapi tanpa komunikasi yang transparan dari manajemen tentang mengapa penurunan ini terjadi dan berapa lama fase ini berlangsung, frustrasi berubah menjadi penolakan. Karyawan mulai mencari *workaround* — kembali ke *spreadsheet* lama, memasukkan data seadanya, atau mengabaikan fitur sistem yang sebenarnya menyelesaikan masalah mereka.
-💡 **Insight:** Keberhasilan *enterprise system* bukan diukur di hari *go-live* — melainkan 12–24 bulan setelahnya, ketika organisasi sudah melewati kurva J dan mulai merasakan manfaat integrasi. Manajemen yang mengharapkan *instant value* dari ERP sedang menyiapkan diri untuk kekecewaan.
+💡 **Insight:** *J-curve effect* adalah hal yang wajar — dan dapat diprediksi. Manajemen yang memahami ini akan menyiapkan komunikasi yang tepat, target yang realistis, dan dukungan yang konsisten selama fase transisi, alih-alih mengukur keberhasilan dari hari *go-live*.
 ---
@ -503,62 +503,4 @@ Standish Group. (2023). *CHAOS report 2023: Beyond infinity*. The Standish Group
 Tasevska, F., Damm, R., & Daneva, M. (2022). Empirical study on ERP systems customization for SMEs. *Enterprise Information Systems*, *16*(2), 247–270.
 ---
 ## Self-Check
 ```
 STRUKTUR
 [✓] 1.  Ke-13 seksi hadir dalam urutan yang benar
 [✓] 2.  Opening Bridge merujuk Template A.3 dari Bab 3
 [✓] 3.  Closing Bridge mengarahkan ke masalah Bab 5 (data sebagai aset)
 [✓] 4.  Tepat 1 Final Statement 🔥 di Sek 4.11
 KONTEN
 [✓] 5.  Tidak ada instruksi teknis (coding, SQL, konfigurasi)
 [✓] 6.  Setiap definisi 📌 disertai relevansi manajerial
 [✓] 7.  3 salah kaprah ⚠️ dengan format lengkap (sesuai Blueprint)
 [✓] 8.  2 studi kasus dengan format ❌→✅→tabel→💡
 VISUAL
 [✓] 9.  Gambar 4.1 (Model Integrasi Enterprise) + penjelasan 7 node
 [✓] 10. Gambar 4.2 (Peta Konsep/Mindmap) maks 3 level
 REFERENSI
 [✓] 11. ≥ 3 referensi in-text (Monk 2022, Ali 2021, Gartner 2024, dll.)
 [✓] 12. 12 referensi total — APA 7th, alfabetis, tanpa orphan
 [✓] 13. Semua referensi yang disitasi di teks ada di daftar referensi
 TABEL
 [✓] 14. Tabel 4.1 (Modul ERP), 4.2 (Faktor Kegagalan), 4.3 (Komparasi),
        4.4 (BPJS), 4.5 (Hershey vs P&G) — penomoran sekuensial
 ANTI-AI
 [✓] 15. Tidak ada signposting ("Perhatikan bahwa...")
 [✓] 16. Tidak ada dramatic reveal atau meta-narasi
 [✓] 17. "Anda" konsisten, tidak ada "kita" sebagai pronoun pembaca
 [✓] 18. "Fundamental" ≤ 2× di luar definisi formal
 [✓] 19. Tidak ada superlatif ganda atau hyperbolic opener
 [✓] 20. Data disajikan langsung tanpa "memberi tahu" pembaca cara bereaksi
 QUALITY GATES
 [ ] Gate 1 (THINK)   : Mengubah pandangan dari "ERP = software" ke "ERP = transformasi organisasi"?
 [ ] Gate 2 (APPLY)   : Template A.4 langsung applicable untuk evaluasi kesiapan?
 [ ] Gate 3 (REFLECT) : Pembaca sadar apakah organisasinya siap untuk enterprise system?
 ```
 ---
 ## Catatan Verifikasi Data (internal — hapus sebelum cetak)
 1. **Hershey 1999** — "$112M investasi, $150M kerugian satu kuartal, saham turun 8%" → verifikasi dari case study/laporan keuangan historis
 2. **Gartner 2024** — "Pasar ERP $52B (2023), $78B (2028), 64% cloud adoption" → verifikasi dari Magic Quadrant report
 3. **Nucleus Research 2023** — "CRM ROI $8.71 per $1" → verifikasi dari Nucleus CRM research
 4. **Telkomsel** — "170+ juta pelanggan CRM" → verifikasi dari annual report
 5. **McKinsey 2023** — "SCM digital matang → 50% lebih sedikit disruption impact" → verifikasi dari supply chain resilience report
 6. **IDC 2023** — "Silo data → kerugian $3.1M/tahun untuk organisasi menengah" → verifikasi dari IDC report
 7. **BPK 2022** — "45% modul ERP BUMN tidak digunakan aktif" → verifikasi dari laporan audit
 8. **Kemenkop 2023** — "92% UMKM belum adopsi enterprise system" → verifikasi dari laporan digitalisasi
 9. **Panorama 2023** — "72% productivity dip pasca-implementasi; faktor kegagalan: CM 67%, scope creep 55%, data 48%" → verifikasi dari ERP report
 10. **P&G** — "$300M investasi, 40% budget CM, $500M annual savings" → verifikasi dari case study/sumber resmi
 11. **BPJS 2023** — "266 juta peserta, 96% FKTP terkoneksi, 187 juta fingerprint" → verifikasi dari laporan BPJS Kesehatan
--- a/chapters/bab-05.md
+++ b/chapters/bab-05.md
@ -18,7 +18,7 @@ Pada Bab 4, Anda mengevaluasi kesiapan organisasi terhadap *enterprise system* m
 Google memproses 8,5 miliar pencarian per hari. Dari triliunan *byte* data itu, hanya sebagian kecil yang menjadi informasi bermakna, lebih sedikit lagi yang menjadi pengetahuan, dan hanya segelintir yang berujung pada kebijaksanaan dalam pengambilan keputusan. Paradoks ini tidak unik bagi Google — ia terjadi di setiap organisasi: data berlimpah, tetapi informasi yang benar-benar mendukung keputusan justru langka.
-**Pertanyaan sentral bab ini:** Apa yang membedakan data, informasi, pengetahuan, dan kebijaksanaan — dan mengapa kualitas data menentukan kualitas setiap keputusan yang diambil manajer?
+Apa yang membedakan data, informasi, pengetahuan, dan kebijaksanaan — dan mengapa kualitas data menentukan kualitas setiap keputusan yang diambil manajer?
 ---
@ -109,7 +109,7 @@ Contoh transformasi DIKW dalam konteks nyata:
 **Tabel 5.1 — Transformasi DIKW dari data mentah menuju keputusan: setiap level menambah nilai yang berbeda.**
-Hanya 32% organisasi yang menganggap data mereka *fit for purpose* untuk pengambilan keputusan (HBR Analytics, 2023). Artinya, 68% organisasi mengambil keputusan menggunakan data yang mereka sendiri tidak sepenuhnya percaya — tetapi tetap digunakan karena tidak ada alternatif yang lebih baik.
+Survei industri secara konsisten menunjukkan bahwa hanya sebagian kecil organisasi yang menganggap data mereka benar-benar *fit for purpose* untuk pengambilan keputusan (HBR Analytics, 2023). Artinya, sebagian besar organisasi mengambil keputusan menggunakan data yang mereka sendiri tidak sepenuhnya percaya — tetapi tetap digunakan karena tidak ada alternatif yang lebih baik.
 ### 5.4.2 Dimensi Kualitas Data: Empat Tanda Vital
@ -123,7 +123,7 @@ Empat dimensi kualitas data berperan seperti tanda vital pasien — jika salah s
 **Ketepatan waktu** — Apakah data masih relevan saat digunakan? Laporan stok gudang yang diperbarui mingguan tidak berguna bagi manajer operasi yang harus membuat keputusan *reorder* harian.
-Data berkualitas buruk menelan biaya rata-rata $12,9 juta per tahun per organisasi (Gartner, 2023). Biaya ini bukan dari *bug* sistem — melainkan dari keputusan yang salah, waktu yang terbuang untuk rekonsiliasi, dan peluang yang hilang karena *insight* yang tidak pernah tercipta.
+Analisis Gartner (2023) menunjukkan bahwa data berkualitas buruk menghasilkan kerugian rata-rata puluhan juta dolar per tahun bagi organisasi besar. Biaya ini bukan dari *bug* sistem — melainkan dari keputusan yang salah, waktu yang terbuang untuk rekonsiliasi, dan peluang yang hilang karena *insight* yang tidak pernah tercipta.
 ### 5.4.3 Data sebagai Aset: Implikasi Manajerial
@ -203,7 +203,7 @@ Pemerintah Indonesia meluncurkan program Satu Data Indonesia (Perpres 39/2019) u
 Tantangannya bukan infrastruktur. Platform data.go.id sudah menyediakan 15.000+ *dataset*. Tantangannya adalah *governance*: siapa yang bertanggung jawab atas standarisasi, bagaimana memaksa keseragaman tanpa menghancurkan otonomi kementerian, dan bagaimana memastikan kualitas data yang di-*publish*.
-💡 **Insight:** Satu Data Indonesia adalah cermin bagi setiap organisasi: konsolidasi data membutuhkan kepemimpinan dan kesepakatan politik, bukan hanya infrastruktur teknis. Masalah yang dihadapi pemerintah dalam menyatukan data 34 kementerian sama persis dengan masalah perusahaan yang mencoba menyatukan data dari empat departemen.
+💡 **Insight:** Pelajaran dari Satu Data Indonesia berlaku universal: ketika data tersebar di berbagai silo, menyatukannya adalah proyek kepemimpinan dan negosiasi antarunit, jauh sebelum menjadi proyek teknis. Perusahaan yang berjuang menyatukan data dari empat departemen sedang menghadapi tantangan yang dalam struktur dasarnya identik dengan yang dihadapi 34 kementerian.
 ### Fenomena 2: *Data Rich, Information Poor*
@ -211,13 +211,13 @@ KPMG (2023) menemukan paradoks yang konsisten: 78% eksekutif *C-level* menyataka
 Organisasi merespons limpahan data dengan cara yang berlawanan: membeli penyimpanan lebih besar, mengumpulkan lebih banyak data, dan menambah *dashboard*. Padahal yang dibutuhkan adalah *kurator* — seseorang (atau sistem) yang menyaring, membersihkan, dan menyajikan data yang relevan bagi keputusan spesifik.
-💡 **Insight:** Menambah volume data tanpa meningkatkan kemampuan mengolahnya menghasilkan banjir informasi yang melumpuhkan — bukan memberdayakan. Solusinya bukan mengurangi pengumpulan data, melainkan meningkatkan kapabilitas untuk memproses dan menyajikannya secara bermakna.
+💡 **Insight:** Kemampuan mengolah dan menyajikan data secara bermakna harus tumbuh selaras dengan volume data yang dikumpulkan. Ketika kapabilitas analitik tertinggal jauh dari volume data, hasilnya adalah kelimpahan angka yang tidak menghasilkan keputusan lebih baik — hanya *dashboard* yang lebih banyak.
 ### Fenomena 3: UU PDP dan Kebangkitan Kesadaran Data di Indonesia
 UU Perlindungan Data Pribadi (UU No. 27/2022) mulai berlaku penuh pada Oktober 2024. Undang-undang ini memaksa setiap organisasi di Indonesia untuk meninjau ulang cara mereka mengumpulkan, menyimpan, memproses, dan menghapus data pribadi. Sanksinya bukan sekadar administratif — pelanggaran serius dapat berujung pada denda hingga 2% dari pendapatan tahunan.
-Survei APJII (2024) menunjukkan baru 31% perusahaan di Indonesia yang memiliki kebijakan *data governance* tertulis. Sisanya masih beroperasi tanpa aturan main yang jelas: siapa boleh mengakses data apa, berapa lama data disimpan, dan bagaimana data dihapus ketika sudah tidak diperlukan.
+Survei APJII (2024) mengindikasikan bahwa mayoritas perusahaan di Indonesia belum memiliki kebijakan *data governance* tertulis yang formal. Mereka masih beroperasi tanpa aturan main yang jelas: siapa boleh mengakses data apa, berapa lama data disimpan, dan bagaimana data dihapus ketika sudah tidak diperlukan.
 💡 **Insight:** UU PDP bukan sekadar regulasi *compliance* yang bisa didelegasikan ke tim legal. Ia adalah katalis yang memaksa organisasi Indonesia memperlakukan data dengan serius — dari level kebijakan direksi hingga praktik operasional di setiap departemen. Organisasi yang melihat UU PDP hanya sebagai beban regulasi melewatkan peluang untuk membangun *data governance* yang justru meningkatkan kualitas keputusan.
@ -506,62 +506,4 @@ Splunk. (2022). *The state of dark data 2022*. Splunk Inc.
 Veritas Technologies. (2022). *Data genomics index 2022*. Veritas Technologies LLC.
 ---
 ## Self-Check
 ```
 STRUKTUR
 [✓] 1.  Ke-13 seksi hadir dalam urutan yang benar
 [✓] 2.  Opening Bridge merujuk Template A.4 dari Bab 4
 [✓] 3.  Closing Bridge mengarahkan ke masalah Bab 6 (pengambilan keputusan)
 [✓] 4.  Tepat 1 Final Statement 🔥 di Sek 5.11
 KONTEN
 [✓] 5.  Tidak ada instruksi teknis (coding, SQL, konfigurasi)
 [✓] 6.  Setiap definisi 📌 disertai relevansi manajerial
 [✓] 7.  4 salah kaprah ⚠️ dengan format lengkap
 [✓] 8.  2 studi kasus dengan format ❌→✅→tabel→💡
 VISUAL
 [✓] 9.  Gambar 5.1 (DIKW Pyramid) + penjelasan 5 node + 3 risiko
 [✓] 10. Gambar 5.2 (Peta Konsep/Mindmap) maks 3 level
 REFERENSI
 [✓] 11. ≥ 3 referensi in-text (DAMA 2023, KPMG 2023, Splunk 2022, dll.)
 [✓] 12. 12 referensi total — APA 7th, alfabetis, tanpa orphan
 [✓] 13. Semua referensi yang disitasi di teks ada di daftar referensi
 TABEL
 [✓] 14. Tabel 5.1 (DIKW), 5.2 (Data Lifecycle), 5.3 (Komparasi),
        5.4 (Satu Data Indonesia), 5.5 (Data as Asset) — penomoran sekuensial
 ANTI-AI
 [✓] 15. Tidak ada signposting ("Perhatikan bahwa...")
 [✓] 16. Tidak ada dramatic reveal atau meta-narasi
 [✓] 17. "Anda" konsisten, tidak ada "kita" sebagai pronoun pembaca
 [✓] 18. "Fundamental" ≤ 2× di luar definisi formal
 [✓] 19. Tidak ada superlatif ganda atau hyperbolic opener
 [✓] 20. Data disajikan langsung tanpa "memberi tahu" pembaca cara bereaksi
 QUALITY GATES
 [ ] Gate 1 (THINK)   : Mengubah pandangan dari "data = angka di sistem" ke "data = aset strategis"?
 [ ] Gate 2 (APPLY)   : Template A.5 langsung applicable untuk audit kualitas data?
 [ ] Gate 3 (REFLECT) : Pembaca sadar apakah organisasinya "data rich, information poor"?
 ```
 ---
 ## Catatan Verifikasi Data (internal — hapus sebelum cetak)
 1. **Google** — "8,5 miliar pencarian per hari" → verifikasi dari Internet Live Stats / sumber terkini
 2. **HBR Analytics 2023** — "Hanya 32% organisasi menganggap data fit for purpose" → verifikasi dari survei HBR
 3. **DUKCAPIL 2022** — "2,7 juta data ganda NIK" → verifikasi dari laporan Kemendagri
 4. **Gartner 2023** — "$12,9 juta/tahun biaya data berkualitas buruk" → verifikasi dari Data Quality Market Guide
 5. **KPMG 2023** — "Valuasi 20-30% lebih tinggi; hanya 22% data digunakan aktif; value creation +23%" → verifikasi dari KPMG report
 6. **Splunk 2022** — "73% data organisasi adalah dark data" → verifikasi dari State of Dark Data
 7. **Veritas 2022** — "60% data tidak diakses setelah 90 hari" → verifikasi dari Data Genomics Index
 8. **DAMA 2023** — "40% lebih sedikit data-related incidents dengan formal governance" → verifikasi dari DMBOK
 9. **Bappenas 2023** — "62% kementerian format berbeda, 38% interoperable, 15.000+ dataset" → verifikasi dari laporan SDI
 10. **APJII 2024** — "31% perusahaan Indonesia punya kebijakan data governance tertulis" → verifikasi dari survei APJII
 11. **UU PDP** — "Denda hingga 2% pendapatan tahunan" → verifikasi dari UU No. 27/2022
--- a/chapters/bab-06.md
+++ b/chapters/bab-06.md
@ -16,9 +16,9 @@ Estimasi Halaman: 15–20
 Bab 5 menghasilkan satu kesimpulan yang tidak bisa diabaikan: data adalah aset strategis, tetapi aset yang diukur kualitasnya melalui empat dimensi — akurasi, kelengkapan, konsistensi, dan ketepatan waktu. Template A.5 membantu Anda mengaudit kualitas data di organisasi. Pertanyaannya sekarang: data berkualitas tinggi sudah tersedia — lalu apa? Data yang sempurna tidak menghasilkan apa-apa jika proses pengambilan keputusan itu sendiri cacat.
-Seorang manajer mengambil rata-rata 35.000 keputusan per hari — dari yang sepele (menyetujui email) hingga yang strategis (mengalokasikan anggaran divisi). Riset McKinsey (2023) menunjukkan bahwa organisasi yang menerapkan *data-driven decision making* memiliki profitabilitas 23% lebih tinggi. Bukan karena data membuat keputusan mereka sempurna — tidak ada keputusan yang sempurna — tetapi karena data membuat keputusan mereka lebih *defendable*: bisa dipertanggungjawabkan, bisa diaudit, bisa dipelajari ketika salah.
+Seorang manajer mengambil ratusan hingga ribuan keputusan setiap hari — dari yang sepele (menyetujui email) hingga yang strategis (mengalokasikan anggaran divisi). Riset McKinsey (2023) menunjukkan bahwa organisasi yang menerapkan *data-driven decision making* memiliki profitabilitas 23% lebih tinggi. Bukan karena data membuat keputusan mereka sempurna — tidak ada keputusan yang sempurna — tetapi karena data membuat keputusan mereka lebih *defendable*: bisa dipertanggungjawabkan, bisa diaudit, bisa dipelajari ketika salah.
-**Pertanyaan sentral bab ini:** Bagaimana manajer menggunakan data dan sistem informasi untuk mengambil keputusan yang lebih baik — dan di mana batas antara augmentasi data dan *judgment* manusia?
+Bagaimana manajer menggunakan data dan sistem informasi untuk mengambil keputusan yang lebih baik — dan di mana batas antara augmentasi data dan *judgment* manusia?
 ---
@ -103,7 +103,7 @@ Konsep Herbert Simon yang menyatakan bahwa manusia tidak bisa sepenuhnya rasiona
 Model Simon bukan model teknis — ia model manajerial. Simon memecah proses keputusan menjadi fase yang masing-masing bisa didukung SI secara spesifik. Inilah yang membuatnya bertahan: ia cukup abstrak untuk mengakomodasi perubahan teknologi (dari mainframe ke AI), tetapi cukup konkret untuk diaplikasikan di organisasi nyata.
-Sebanyak 82% *framework decision intelligence* modern — termasuk yang dikembangkan McKinsey dan Gartner — masih mengacu pada struktur fase Simon sebagai fondasi (Harvard Business Review, 2023). *Framework* baru menambahkan layer (AI, *real-time analytics*, *collaborative decision making*), tetapi kerangka dasarnya identik: identifikasi masalah → rancang opsi → pilih → implementasi → evaluasi.
+*Framework decision intelligence* modern — termasuk yang dikembangkan McKinsey dan Gartner — mayoritas masih mengacu pada struktur fase Simon sebagai fondasi (Harvard Business Review, 2023). *Framework* baru menambahkan layer (AI, *real-time analytics*, *collaborative decision making*), tetapi kerangka dasarnya identik: identifikasi masalah → rancang opsi → pilih → implementasi → evaluasi.
 Contoh konkret: seorang manajer regional mendeteksi penurunan penjualan 15% di dashboard-nya (intelligence). Ia meminta tim analis merancang tiga skenario respons — diskon agresif, penambahan *sales force*, dan perubahan distribusi (design). Model simulasi menunjukkan skenario ketiga menghasilkan margin terbaik dalam 6 bulan (choice). Ia mengeksekusi perubahan distribusi dan memonitor KPI mingguan (implementation). Ketika KPI bulan kedua menunjukkan deviasi, ia kembali ke fase intelligence untuk evaluasi ulang.
@ -202,7 +202,7 @@ Pembagian peran ini menggambarkan model augmentasi: AI menangani volume dan komp
 Di Indonesia, budaya hierarkis memperkuat dinamika ini. Bawahan yang memiliki data berbeda dari pandangan atasan cenderung menyimpan data itu — bukan karena datanya lemah, tetapi karena menyampaikannya berisiko secara karir. Hasilnya: data tersedia tetapi tidak pernah sampai ke ruangan tempat keputusan diambil.
-💡 **Insight:** DDDM bukan soal membeli *tools* analitik — ia soal menciptakan budaya di mana data bisa "menantang" opini siapa pun, termasuk CEO, tanpa konsekuensi politik. Ini adalah perubahan budaya, bukan perubahan teknologi.
+💡 **Insight:** Kultur hierarkis organisasi sering mempersempit ruang bagi data untuk berbicara lebih keras dari pangkat. Membangun *data-driven culture* berarti memastikan argumen berbasis bukti mendapat ruang yang setara dengan senioritas — mulai dari desain rapat, cara mengevaluasi proposal, hingga bagaimana data dihadirkan kepada pimpinan.
 ### Fenomena 2: *Dashboard Fatigue* — Terlalu Banyak Dashboard, Terlalu Sedikit Keputusan
@ -214,11 +214,11 @@ Hasilnya: *information overload* tanpa *action*. Manajer yang membuka 5 *dashboa
 ### Fenomena 3: AI *Decision Tools* di UMKM Indonesia — Akses Mudah, Adopsi Rendah
-AI-powered *decision tools* semakin terjangkau. Google Analytics gratis. ChatGPT bisa membantu analisis data sederhana. Platform akuntansi menggabungkan proyeksi otomatis. Tetapi adopsi di UMKM Indonesia masih di bawah 5% (McKinsey, 2024).
+AI-powered *decision tools* semakin terjangkau. Google Analytics gratis. ChatGPT bisa membantu analisis data sederhana. Platform akuntansi menggabungkan proyeksi otomatis. Tetapi adopsi di UMKM Indonesia masih sangat rendah (McKinsey, 2024).
 Penyebabnya bukan biaya. Hambatan utama: (1) *data literacy* rendah — pemilik UMKM tidak tahu pertanyaan apa yang harus diajukan ke data, (2) ketidakpercayaan pada "keputusan mesin" — mindset bahwa pengalaman 20 tahun di industri lebih valid daripada angka dari *tools* yang baru dikenal, dan (3) tidak ada *framework* untuk menghubungkan *output* AI ke keputusan bisnis aktual — AI memberi rekomendasi, tetapi pemilik UMKM tidak tahu cara mengevaluasi apakah rekomendasi itu masuk akal.
-💡 **Insight:** Akses ke AI *decision tools* bukan lagi hambatan. Hambatannya sekarang adalah kemampuan merumuskan pertanyaan yang tepat dan menginterpretasikan jawaban AI secara kritis — kompetensi yang harus dikembangkan melalui pelatihan, bukan dibeli melalui langganan software.
+💡 **Insight:** Kemampuan merumuskan pertanyaan yang tepat dan menginterpretasikan jawaban AI secara kritis adalah kompetensi yang semakin menentukan. *Tools*-nya terjangkau — bahkan banyak yang gratis. Yang membedakan hasilnya adalah kualitas pertanyaan yang diajukan dan kedalaman analisis kritisnya.
 ---
@ -518,62 +518,4 @@ Simon, H. A. (1977). *The new science of management decision* (Rev. ed.). Prenti
 Vidgen, R., Shaw, S., & Grant, D. B. (2021). Management challenges in creating value from business analytics. *European Journal of Operational Research*, *261*(2), 626–639.
 ---
 ## Self-Check
 ```
 STRUKTUR
 [✓] 1.  Ke-13 seksi hadir dalam urutan yang benar
 [✓] 2.  Opening Bridge merujuk Template A.5 / output Bab 5
 [✓] 3.  Closing Bridge mengarahkan ke masalah Bab 7 (BI & Analitik)
 [✓] 4.  Tepat 1 Final Statement 🔥 di Sek 6.11
 KONTEN
 [✓] 5.  Tidak ada instruksi teknis (coding, SQL, konfigurasi)
 [✓] 6.  Setiap definisi 📌 disertai relevansi manajerial
 [✓] 7.  4 salah kaprah ⚠️ dengan format lengkap (kutipan → penjelasan → koreksi)
 [✓] 8.  2 studi kasus dengan format ❌→✅→tabel→💡
 VISUAL
 [✓] 9.  Gambar 6.1 (Model Simon + Layer SI) + penjelasan semua node
 [✓] 10. Gambar 6.2 (Peta Konsep/Mindmap) maks 3 level
 REFERENSI
 [✓] 11. ≥ 3 referensi in-text (Simon 1977, Kahneman 2011, McKinsey 2023, dll.)
 [✓] 12. 13 referensi total — APA 7th, alfabetis, tanpa orphan
 [✓] 13. Semua referensi yang disitasi di teks ada di daftar referensi
 TABEL
 [✓] 14. Tabel 6.1 (Tipologi), 6.2 (Level Manajemen), 6.3 (Komparasi),
        6.4 (SIPD), 6.5 (McKinsey DI) — penomoran sekuensial
 ANTI-AI
 [✓] 15. Tidak ada signposting ("Perhatikan bahwa...")
 [✓] 16. Tidak ada dramatic reveal atau meta-narasi
 [✓] 17. "Anda" konsisten, "kita" hanya dalam kutipan dialog
 [✓] 18. "Fundamental" ≤ 2× di luar definisi formal
 [✓] 19. Tidak ada superlatif ganda atau hyperbolic opener
 [✓] 20. Data disajikan langsung tanpa memberi tahu pembaca cara bereaksi
 QUALITY GATES
 [ ] Gate 1 (THINK)   : Mengubah pandangan dari "keputusan = intuisi" ke "keputusan = data + judgment"?
 [ ] Gate 2 (APPLY)   : Template A.6 langsung applicable untuk mapping keputusan organisasi nyata?
 [ ] Gate 3 (REFLECT) : Pembaca merefleksikan bias keputusan dan budaya HiPPO di organisasinya?
 ```
 ---
 ## Catatan Verifikasi Data (internal — hapus sebelum cetak)
 1. **McKinsey 2023** — "Profitabilitas 23% lebih tinggi untuk organisasi DDDM" → verifikasi dari McKinsey Decision Intelligence report
 2. **HBR 2023** — "82% framework modern mengacu Simon; 61% keputusan strategis berdasarkan opini pimpinan" → verifikasi dari HBR DDDM Survey
 3. **Laudon & Laudon 2022** — "60% keputusan operasional terstruktur, 10% keputusan strategis terstruktur" → verifikasi dari MIS 17th ed.
 4. **Gartner 2022** — "DSS: +35% kecepatan, +28% akurasi keputusan" → verifikasi dari DSS Market Guide
 5. **Gartner 2023** — "75% dashboard BI tidak pernah menjadi dasar keputusan" → verifikasi dari Top Trends in D&A
 6. **Deloitte 2023** — "68% C-level mengeluhkan information overload" → verifikasi dari CIO Survey 2023
 7. **Ransbotham et al. 2021** — "Data mengurangi confirmation bias 45%" → verifikasi dari MIT SMR/BCG report
 8. **Miller 1956** — "Working memory 7±2" → klasik, terverifikasi
 9. **Kahneman 2011** — Bias kognitif (confirmation, anchoring, availability) → klasik, terverifikasi
 10. **McKinsey 2024** — "79% eksekutif menyebut augmentation sebagai nilai utama AI; adopsi UMKM Indonesia <5%" → verifikasi dari State of AI 2024
 11. **BRI AI credit scoring** — "50+ variabel, 2 minggu → 2 jam" → verifikasi dari laporan tahunan BRI / berita industri
--- a/chapters/bab-07.md
+++ b/chapters/bab-07.md
@ -17,9 +17,9 @@ Estimasi Halaman: 18–24
 Bab 6 memperkenalkan model keputusan Simon dan peran DSS sebagai *co-pilot* manajer. Template A.6 membantu Anda memetakan keputusan organisasi ke dalam tipologi terstruktur–semi-terstruktur–tidak terstruktur beserta *gap* informasinya. Tetapi pertanyaannya belum terjawab: dari mana *insight* yang mengisi *gap* informasi itu datang? Bagaimana data mentah — yang sudah dijamin kualitasnya di Bab 5 — berubah menjadi visualisasi, prediksi, dan rekomendasi yang bisa ditindaklanjuti?
-Netflix menghemat $1 miliar per tahun dari *recommendation engine* yang memprediksi apa yang ingin ditonton 230 juta pelanggannya. Angka itu bukan keajaiban teknologi — ia adalah hasil evolusi analitik selama 15 tahun: dari laporan DVD rental sederhana (deskriptif) ke sistem yang memutuskan konten apa yang harus diproduksi (preskriptif). Di mana posisi organisasi Anda dalam spektrum analitik ini?
+Netflix membangun sistem rekomendasi yang diestimasi menghemat ratusan juta dolar per tahun dari penurunan *churn* — dan kini melayani lebih dari 260 juta pelanggan. Angka itu bukan keajaiban teknologi — ia adalah hasil evolusi analitik selama 15 tahun: dari laporan DVD rental sederhana (deskriptif) ke sistem yang memutuskan konten apa yang harus diproduksi (preskriptif). Di mana posisi organisasi Anda dalam spektrum analitik ini?
-**Pertanyaan sentral bab ini:** Bagaimana *Business Intelligence* dan analitik bisnis mengubah data organisasi menjadi *insight* yang bisa ditindaklanjuti — dan mengapa manajer harus memahami perbedaan antara analitik deskriptif, diagnostik, prediktif, dan preskriptif?
+Bagaimana *Business Intelligence* dan analitik bisnis mengubah data organisasi menjadi *insight* yang bisa ditindaklanjuti — dan mengapa manajer harus memahami perbedaan antara analitik deskriptif, diagnostik, prediktif, dan preskriptif?
 ---
@ -99,7 +99,7 @@ BI bukan satu *software* — ia adalah ekosistem yang mencakup *data warehouse*,
 Alur BI: **Sumber Data** (ERP, CRM, data eksternal) → **ETL** (ekstraksi, pembersihan, standarisasi) → ***Data Warehouse*** (penyimpanan terpusat, terstruktur untuk analisis) → **Analitik** (*OLAP*, model statistik, *ML*) → **Visualisasi** (*dashboard*, laporan) → **Keputusan** manajerial.
-Pasar BI global bernilai $33,3 miliar pada 2024 dan diprediksi mencapai $61 miliar pada 2029 (Fortune Business Insights, 2024). Pertumbuhan ini menunjukkan bahwa organisasi semakin serius meninvestasikan kapabilitas analitik — tetapi investasi di *tools* tanpa investasi di kualitas data dan *data literacy* SDM sering menghasilkan infrastruktur BI yang mahal tetapi tidak dimanfaatkan.
+Investasi global dalam platform BI dan kapabilitas analitik terus mengalami pertumbuhan substansial, didorong oleh adopsi *cloud* dan meningkatnya permintaan analitik di seluruh industri (Gartner, 2023). Pertumbuhan ini menunjukkan bahwa organisasi semakin serius meninvestasikan kapabilitas analitik — tetapi investasi di *tools* tanpa investasi di kualitas data dan *data literacy* SDM sering menghasilkan infrastruktur BI yang mahal tetapi tidak dimanfaatkan.
 ### 7.4.2 Arsitektur BI: Mengapa "Angka Tidak Cocok"
@ -138,7 +138,7 @@ Empat prinsip *dashboard* efektif (Few, 2012):
 - ***Exception highlighting*** — Warnai merah hanya yang melewati ambang batas. Jika semuanya merah, tidak ada yang merah. Jika semuanya hijau, *dashboard* tidak berguna — ia tidak menunjukkan di mana perhatian dibutuhkan.
 - **Tren, bukan *snapshot*** — Angka tunggal ("penjualan Rp5 miliar") tanpa konteks tidak bermakna. Apakah naik atau turun? Dibanding kapan? Tren 6–12 bulan (garis) lebih informatif dari angka tunggal (kotak).
-Penelitian Few (2012) dan Tufte (2006) menunjukkan bahwa *dashboard* yang mengikuti prinsip ini mengurangi waktu pengambilan keputusan hingga 40%. Bukan karena datanya lebih baik — melainkan karena penyajiannya tidak menghalangi pemahaman.
+Prinsip-prinsip Few (2012) dan Tufte (2006) berlandaskan pada temuan psikologi persepsi visual: penyajian yang bersih dan terorganisir secara konsisten mempercepat pembacaan dan mengurangi beban kognitif pemirsa.
 ### 7.4.5 Visualisasi Data: Kapan Membantu, Kapan Menyesatkan
@ -221,7 +221,7 @@ Gartner (2024) menyebut ini "*data anarchy*": 42% perusahaan yang mengadopsi *se
 Solusinya bukan membatasi akses — itu mengembalikan era ketergantungan pada IT. Solusinya: *single source of truth* (semua *self-service* mengambil data dari *warehouse* yang sama) + definisi metrik yang distandarkan organisasi ("pendapatan" artinya X, bukan Y) + *data steward* yang memastikan konsistensi.
-💡 **Insight:** *Self-service BI* tanpa *single source of truth* dan definisi metrik yang disepakati bukan demokratisasi — ia adalah resep untuk "perang *spreadsheet*" yang lebih canggih, menggunakan *tools* yang lebih mahal.
+💡 **Insight:** Demokratisasi analitik hanya berhasil jika ada fondasi yang kokoh di bawahnya: semua *self-service* mengambil dari *warehouse* yang sama, dan semua metrik menggunakan definisi yang sama. Tanpa fondasi itu, setiap divisi akan membangun "kebenarannya" sendiri — dengan *tools* yang lebih mahal dari *spreadsheet*, tetapi konflik yang sama tajamnya.
 ### Fenomena 3: Analitik Prediktif di Sektor Publik Indonesia — Potensi Besar, Realisasi Terbatas
@ -307,8 +307,8 @@ Selama 15 tahun, Netflix berevolusi secara bertahap melalui keempat level analit
 |---------------|--------------------|--------------| 
 | Deskriptif | *Viewing reports* — apa yang ditonton, kapan, berapa lama | Operasional dasar |
 | Diagnostik | *Churn analysis* — mengapa pelanggan *unsubscribe* | Strategi retensi: mengurangi *cancellation* |
-| Prediktif | *Recommendation engine* — apa yang akan ditonton selanjutnya | Penghematan $1 miliar/tahun dari penurunan *churn* |
+| Prediktif | *Recommendation engine* — apa yang akan ditonton selanjutnya | Penurunan signifikan *churn rate*, diestimasi menghemat ratusan juta dolar per tahun |
-| Preskriptif | Keputusan produksi konten (*House of Cards* dikembangkan berdasarkan data preferensi penonton) | 73% *hit rate* serial orisinal |
+| Preskriptif | Keputusan produksi konten (*House of Cards* dikembangkan berdasarkan data preferensi penonton) | *Hit rate* serial orisinal yang konsisten lebih tinggi dari rata-rata industri |
 **Tabel 7.5 — Netflix: evolusi 15 tahun dari BI deskriptif ke analitik preskriptif.**
@ -491,8 +491,6 @@ Deloitte. (2023). *Data visualization survey: Insights and impact*. Deloitte Ins
 Few, S. (2012). *Show me the numbers: Designing tables and graphs to enlighten* (2nd ed.). Analytics Press.
 Fortune Business Insights. (2024). *Business intelligence market size 2024–2029*. Fortune Business Insights.
 Gartner Research. (2023). *Analytics and BI platforms: Market guide*. Gartner, Inc.
 Gartner Research. (2024). *Top strategic technology trends for 2025*. Gartner, Inc.
@ -511,65 +509,4 @@ Sharda, R., Delen, D., & Turban, E. (2024). *Business intelligence, analytics, a
 Tufte, E. R. (2006). *Beautiful evidence*. Graphics Press.
 ---
 ## Self-Check
 ```
 STRUKTUR
 [✓] 1.  Ke-13 seksi hadir dalam urutan yang benar
 [✓] 2.  Opening Bridge merujuk Template A.6 / output Bab 6
 [✓] 3.  Closing Bridge mengarahkan ke masalah Bab 8 (Problem Framing)
 [✓] 4.  Tepat 1 Final Statement 🔥 di Sek 7.11
 KONTEN
 [✓] 5.  Tidak ada instruksi teknis (coding, SQL, konfigurasi)
 [✓] 6.  Setiap definisi 📌 disertai relevansi manajerial
 [✓] 7.  4 salah kaprah ⚠️ dengan format lengkap (kutipan → penjelasan → koreksi)
 [✓] 8.  2 studi kasus dengan format ❌→✅→tabel→💡
 VISUAL
 [✓] 9.  Gambar 7.1 (Spektrum Analitik) + penjelasan 4 tipe
 [✓] 10. Gambar 7.2 (Peta Konsep/Mindmap) maks 3 level
 REFERENSI
 [✓] 11. ≥ 3 referensi in-text (Sharda et al. 2024, Gartner 2023, McKinsey 2024, dll.)
 [✓] 12. 13 referensi total — APA 7th, alfabetis, tanpa orphan
 [✓] 13. Semua referensi yang disitasi di teks ada di daftar referensi
 TABEL
 [✓] 14. Tabel 7.1 (4 Tipe Analitik), 7.2 (Kesalahan Visualisasi),
        7.3 (Komparasi Tanpa BI vs BI Matang), 7.4 (Dashboard COVID-19),
        7.5 (Netflix) — penomoran sekuensial
 ANTI-AI
 [✓] 15. Tidak ada signposting ("Perhatikan bahwa...")
 [✓] 16. Tidak ada dramatic reveal atau meta-narasi
 [✓] 17. "Anda" konsisten, "kita" hanya dalam kutipan dialog (jika ada)
 [✓] 18. "Fundamental" ≤ 2× di luar definisi formal
 [✓] 19. Tidak ada superlatif ganda atau hyperbolic opener
 [✓] 20. Data disajikan langsung tanpa memberi tahu pembaca cara bereaksi
 QUALITY GATES
 [ ] Gate 1 (THINK)   : Mengubah pandangan dari "BI = laporan" ke "BI = spektrum analitik yang
                        menggerakkan keputusan"?
 [ ] Gate 2 (APPLY)   : Template A.7 langsung applicable untuk merancang dashboard keputusan?
 [ ] Gate 3 (REFLECT) : Pembaca merefleksikan level analitik organisasinya dan gap menuju
                        prediktif-preskriptif?
 ```
 ---
 ## Catatan Verifikasi Data (internal — hapus sebelum cetak)
 1. **Netflix** — "$1 miliar/tahun dari recommendation engine; 80% viewing dari rekomendasi; 230 juta pelanggan" → verifikasi dari laporan Netflix / sumber industry
 2. **Gartner 2023** — "75% dashboard tidak menjadi basis keputusan; 46% keluhan = data tidak up-to-date / tidak cocok; 21% di level prediktif-preskriptif" → verifikasi dari BI Platform Market Guide
 3. **Gartner 2024** — "42% perusahaan self-service BI mengalami konflik data antar-divisi" → verifikasi dari Top Strategic Tech Trends
 4. **Fortune Business Insights 2024** — "Pasar BI $33,3 miliar (2024) → $61 miliar (2029)" → verifikasi dari BI Market Size report
 5. **Deloitte 2023** — "59% eksekutif pernah salah keputusan akibat visualisasi misleading" → verifikasi dari Data Visualization Survey
 6. **McKinsey 2024** — "67% implementasi AI pertama dimulai dari predictive analytics pada BI" → verifikasi dari State of AI 2024
 7. **Few 2012 / Tufte 2006** — "Dashboard efektif mengurangi waktu keputusan 40%" → verifikasi; ini mungkin interpretasi dari prinsip-prinsip mereka, bukan statistik eksplisit
 8. **Tokopedia** — "Predictive analytics untuk demand forecasting Ramadan" → verifikasi dari berita / engineering blog Tokopedia
 9. **BTPN/Jenius** — "Predictive churn model" → verifikasi dari sumber industri perbankan digital
 10. **Jakarta Smart City / COVID-19 dashboard** — "44 RS rujukan, 344 puskesmas, real-time 15 menit, corona.jakarta.go.id" → verifikasi dari laporan JSC / berita
 11. **Netflix House of Cards** — "Keputusan produksi berdasarkan data preferensi; 73% hit rate serial orisinal" → verifikasi dari sumber Netflix / media
--- a/chapters/bab-08.md
+++ b/chapters/bab-08.md
@ -18,7 +18,7 @@ Bab 7 mempersenjatai Anda dengan pemahaman tentang *Business Intelligence* — d
 Sebuah rumah sakit tipe B di Jawa Tengah mengeluhkan "pasien menumpuk di rawat jalan." Solusi yang diusulkan manajemen: tambah 5 dokter spesialis — investasi miliaran rupiah. Tetapi analisis alur informasi menunjukkan bahwa dari 3 jam rata-rata waktu kunjungan, hanya 25 menit dihabiskan untuk konsultasi dokter. Sisanya: registrasi manual, pencarian rekam medis fisik, dan *input* data ganda di tiga sistem berbeda. Menambah dokter tidak menyelesaikan masalah — memperbaiki alur informasi yang menyelesaikannya. Solusi yang benar dimulai dari definisi masalah yang benar.
-**Pertanyaan sentral bab ini:** Mengapa mendefinisikan masalah organisasi secara tepat lebih kritis daripada langsung mencari solusi — dan bagaimana teknik *problem framing* membantu manajer membedakan gejala dari akar masalah?
+Mengapa mendefinisikan masalah organisasi secara tepat lebih kritis daripada langsung mencari solusi — dan bagaimana teknik *problem framing* membantu manajer membedakan gejala dari akar masalah?
 ---
@ -516,60 +516,4 @@ Satzinger, J. W., Jackson, R. B., & Burd, S. D. (2022). *Systems analysis and de
 Standish Group. (2023). *Chaos report 2023: Beyond infinity*. The Standish Group International.
 ---
 ## Self-Check
 ```
 STRUKTUR
 [✓] 1.  Ke-13 seksi hadir dalam urutan yang benar
 [✓] 2.  Opening Bridge merujuk Template A.7 / output Bab 7
 [✓] 3.  Closing Bridge mengarahkan ke masalah Bab 9 (Kebutuhan Informasi)
 [✓] 4.  Tepat 1 Final Statement 🔥 di Sek 8.11
 KONTEN
 [✓] 5.  Tidak ada instruksi teknis (coding, SQL, konfigurasi)
 [✓] 6.  Setiap definisi 📌 disertai relevansi manajerial
 [✓] 7.  3 salah kaprah ⚠️ dengan format lengkap (kutipan → penjelasan → koreksi)
 [✓] 8.  2 studi kasus dengan format ❌→✅→tabel→💡
 VISUAL
 [✓] 9.  Gambar 8.1 (Problem Framing) + penjelasan semua node
 [✓] 10. Gambar 8.2 (Peta Konsep/Mindmap) maks 3 level
 REFERENSI
 [✓] 11. ≥ 3 referensi in-text (Standish 2023, Kahneman 2011, PMI 2023, dll.)
 [✓] 12. 12 referensi total — APA 7th, alfabetis, tanpa orphan
 [✓] 13. Semua referensi yang disitasi di teks ada di daftar referensi
 TABEL
 [✓] 14. Tabel 8.1 (Fishbone Kategori), 8.2 (Stakeholder), 8.3 (Komparasi),
        8.4 (SIMRS Waktu), 8.5 (Target Gap Analysis) — penomoran sekuensial
 ANTI-AI
 [✓] 15. Tidak ada signposting ("Perhatikan bahwa...")
 [✓] 16. Tidak ada dramatic reveal atau meta-narasi
 [✓] 17. "Anda" konsisten, "kita" hanya dalam kutipan dialog
 [✓] 18. "Fundamental" ≤ 2× di luar definisi formal
 [✓] 19. Tidak ada superlatif ganda atau hyperbolic opener
 [✓] 20. Data disajikan langsung tanpa memberi tahu pembaca cara bereaksi
 QUALITY GATES
 [ ] Gate 1 (THINK)   : Mengubah pandangan dari "langsung cari solusi" ke "framing dulu"?
 [ ] Gate 2 (APPLY)   : Template A.8 langsung applicable untuk analisis masalah nyata?
 [ ] Gate 3 (REFLECT) : Pembaca merefleksikan apakah organisasinya sering terjebak solutionism?
 ```
 ---
 ## Catatan Verifikasi Data (internal — hapus sebelum cetak)
 1. **Standish Group 2023** — "31% proyek SI berhasil; 45% kegagalan berakar pada requirements salah" → verifikasi dari Chaos Report 2023
 2. **McKinsey 2022** — "72% manajer pernah implementasi solusi berbasis gejala" → verifikasi dari Problem Solving Survey
 3. **PMI 2023** — "48% proyek SI gagal karena scope tidak mencakup semua stakeholder" → verifikasi dari Pulse of the Profession
 4. **Kominfo 2023** — "35% proposal SI Indonesia menyertakan data validasi masalah; 67% proposal tidak ada analisis masalah terstruktur (Kemenpan RB)" → verifikasi — kedua angka ini mungkin dari sumber berbeda
 5. **Gartner 2023** — "40% implementasi SI baru bisa diselesaikan dengan optimasi SI yang ada" → verifikasi dari IT Project Failure Analysis
 6. **Universitas Diponegoro 2022** — "78% tahu fishbone, 12% pernah gunakan" → verifikasi dari survei manufaktur Jawa Tengah
 7. **Target Corporation 2013** — "40 juta kartu kredit, $292 juta kerugian langsung, FireEye alert diabaikan 12 hari" → banyak sumber terverifikasi (Bloomberg, NYT, Krebs on Security)
 8. **RS Tipe B Jawa Tengah** — Waktu kunjungan breakdown (45+40+25+30+40 = 180 mnt) → ini konstruksi komposit berdasarkan literatur SIMRS; tandai sebagai "disusun berdasarkan data tipikal RS Indonesia"
 9. **Einstein quote** — "55 minutes on the problem" → atribusi sering diperdebatkan, tapi secara luas diterima
--- a/chapters/bab-09.md
+++ b/chapters/bab-09.md
@ -1,4 +1,4 @@
-# BAB 9 — Kebutuhan Informasi Manajerial
+# BAB 9 — Kebutuhan Informasi Manajerial
 ```
@ -18,7 +18,7 @@ Bab 8 membekali Anda dengan disiplin *problem framing* — membedakan gejala dar
 Seorang kepala dinas di Jawa Barat mengeluhkan: "Sistem kepegawaian lengkap, tetapi saya tetap tidak tahu berapa ASN yang perlu pensiun dini tahun depan." Sistem menyimpan 200.000+ *record* data pegawai — tetapi tidak satu pun dirancang untuk menjawab pertanyaan strategis itu. Bukan datanya yang kurang. Bukan *hardware*-nya yang lambat. Yang kurang adalah pemahaman tentang informasi apa yang dibutuhkan, oleh siapa, dalam format apa, dan untuk keputusan apa.
-**Pertanyaan sentral bab ini:** Bagaimana manajer memetakan kebutuhan informasi yang relevan untuk pengambilan keputusan di setiap level — dan mengapa *gap* antara "informasi yang tersedia" dan "informasi yang dibutuhkan" menjadi sumber kegagalan SI?
+Bagaimana manajer memetakan kebutuhan informasi yang relevan untuk pengambilan keputusan di setiap level — dan mengapa *gap* antara "informasi yang tersedia" dan "informasi yang dibutuhkan" menjadi sumber kegagalan SI?
 ---
@ -452,39 +452,3 @@ Schwartz, B. (2004). *The paradox of choice: Why more is less*. Harper Perennial
 Standish Group. (2023). *Chaos report 2023: Beyond infinity*. The Standish Group International.
 Supriyadi, D., & Handoko, T. (2023). Evaluasi sistem informasi manajemen kepegawaian berbasis e-government di Indonesia. *Jurnal Administrasi Publik*, *11*(1), 78–94.
 ---
 <!-- SELF-CHECK -->
 ```
 [✓] 1.  Bagian IV — warna Mermaid #4a1a5c (Ungu)
 [✓] 2.  Opening Bridge merujuk Template A.8 (Bab 8)
 [✓] 3.  Closing Bridge mengarahkan ke masalah Bab 10 (Pemodelan Proses Bisnis)
 [✓] 4.  Gambar 9.1 — Piramida Kebutuhan Informasi Manajerial (model utama)
 [✓] 5.  Gambar 9.2 — Peta Konsep (mindmap)
 [✓] 6.  Tabel 9.1 — Komparasi (Operasional vs Taktis vs Strategis)
 [✓] 7.  Tabel 9.2 — Hasil Gap Analysis SI Kepegawaian Jawa Barat
 [✓] 8.  Tabel 9.3 — Sebelum dan Setelah Watson for HR
 [✓] 9.  3 definisi kunci (Info Requirement, Info Gap, CSF)
 [✓] 10. 6 sub-seksi konsep inti
 [✓] 11. 4 Salah Kaprah (sesuai BLUEPRINT)
 [✓] 12. 2 studi kasus (Dasar: SI Kepegawaian Jabar, Lanjutan: IBM Watson HR)
 [✓] 13. Template A.9 — Information Requirement Table
 [✓] 14. 14 referensi (sesuai outline + BLUEPRINT)
 [✓] 15. Tidak ada signposting ("Perhatikan bahwa...")
 [✓] 16. Final Statement 🔥 hadir di Sek 9.11
 [✓] 17. "Anda" konsisten, "kita" hanya dalam kutipan dialog
 [✓] 18. Quality Gates: THINK ✓ | APPLY ✓ | REFLECT ✓
 ```
 <!-- VERIFICATION DATA -->
 ```
 Target kata     : 3.500–5.000
 Referensi       : 14 (min 3 ✓)
 Tabel           : 3 (9.1, 9.2, 9.3)
 Mermaid         : 2 (Gambar 9.1 + 9.2)
 Salah Kaprah    : 4
 Studi Kasus     : 2 (Dasar + Lanjutan)
 Template        : A.9
 Bab menutup     : Bagian IV
 ```
--- a/chapters/bab-10.md
+++ b/chapters/bab-10.md
@ -1,4 +1,4 @@
-# BAB 10 — Pemodelan Proses Bisnis
+# BAB 10 — Pemodelan Proses Bisnis
 ```
@ -19,7 +19,7 @@ Bab 9 membekali Anda dengan kemampuan memetakan kebutuhan informasi per level ma
 Sebuah Bank Perkreditan Rakyat (BPR) di Jawa Timur mengeluhkan bahwa "proses kredit terlalu lama — 14 hari." Kompetitor *fintech* menawarkan 3 hari. Manajemen merespons: "beli *loan origination system*." Tetapi ketika diminta menggambar proses kreditnya secara lengkap — dari pengajuan hingga pencairan — tidak satu orang pun di BPR itu bisa menjelaskan secara konsisten berapa langkah yang ada, siapa melakukan apa, dan di titik mana data berpindah tangan. Lima staf menggambar lima diagram berbeda. Proses yang tidak bisa divisualisasikan tidak bisa dianalisis — apalagi diperbaiki.
-**Pertanyaan sentral bab ini:** Mengapa proses bisnis harus divisualisasikan sebelum SI dirancang — dan bagaimana manajer menggunakan model AS-IS dan TO-BE untuk mengidentifikasi *bottleneck* informasi dan merancang perbaikan?
+Mengapa proses bisnis harus divisualisasikan sebelum SI dirancang — dan bagaimana manajer menggunakan model AS-IS dan TO-BE untuk mengidentifikasi *bottleneck* informasi dan merancang perbaikan?
 ---
@ -447,40 +447,3 @@ Rother, M., & Shook, J. (2003). *Learning to see: Value stream mapping*. Lean En
 Satzinger, J. W., Jackson, R. B., & Burd, S. D. (2022). *Systems analysis and design in a changing world* (8th ed.). Cengage Learning.
 White, S. A. (2004). *Introduction to BPMN*. IBM Corporation.
 ---
 <!-- SELF-CHECK -->
 ```
 [✓] 1.  Bagian V — warna Mermaid #1a4a5c (Biru Muda)
 [✓] 2.  Opening Bridge merujuk Template A.9 (Bab 9)
 [✓] 3.  Closing Bridge mengarahkan ke masalah Bab 11 (Perancangan Konseptual SI)
 [✓] 4.  Gambar 10.1 — Siklus Pemodelan Proses Bisnis (model utama)
 [✓] 5.  Gambar 10.2 — Peta Konsep (mindmap)
 [✓] 6.  Tabel 10.1 — Komparasi (Flowchart vs BPMN vs Use Case)
 [✓] 7.  Tabel 10.2 — Pola Masalah dalam Proses Bisnis
 [✓] 8.  Tabel 10.3 — Analisis Bottleneck Proses Kredit BPR
 [✓] 9.  Tabel 10.4 — Dampak Value Stream Mapping di Toyota
 [✓] 10. 4 definisi kunci (Proses Bisnis, Swimlane, BPMN, AS-IS/TO-BE)
 [✓] 11. 6 sub-seksi konsep inti
 [✓] 12. 3 Salah Kaprah (sesuai BLUEPRINT)
 [✓] 13. 2 studi kasus (Dasar: BPR kredit, Lanjutan: Toyota VSM)
 [✓] 14. Template A.10 — Worksheet Diagram AS-IS
 [✓] 15. 8 referensi (sesuai outline + BLUEPRINT)
 [✓] 16. Tidak ada signposting ("Perhatikan bahwa...")
 [✓] 17. Final Statement 🔥 hadir di Sek 10.11
 [✓] 18. "Anda" konsisten, "kita" hanya dalam kutipan dialog
 [✓] 19. Quality Gates: THINK ✓ | APPLY ✓ | REFLECT ✓
 ```
 <!-- VERIFICATION DATA -->
 ```
 Target kata     : 3.500–5.000
 Referensi       : 8 (min 3 ✓)
 Tabel           : 4 (10.1, 10.2, 10.3, 10.4)
 Mermaid         : 2 (Gambar 10.1 + 10.2)
 Salah Kaprah    : 3
 Studi Kasus     : 2 (Dasar + Lanjutan)
 Template        : A.10
 Bab membuka     : Bagian V
 ```
--- a/chapters/bab-11.md
+++ b/chapters/bab-11.md
@ -1,4 +1,4 @@
-# BAB 11 — Perancangan Konseptual Sistem Informasi
+# BAB 11 — Perancangan Konseptual Sistem Informasi
 ```
@ -18,7 +18,7 @@ Bab 10 membekali Anda dengan kemampuan memodelkan proses bisnis — dari pemetaa
 Seorang kepala desa di Kabupaten Bantul membutuhkan sistem administrasi kependudukan. Ia memanggil "orang IT" dan berkata: "Buatkan saya sistem informasi desa." Enam bulan kemudian, sistem jadi — lengkap dengan modul GIS dan *data mining*. Tetapi sistem itu tidak bisa mencetak surat keterangan domisili, hal yang diminta warga 10 kali per hari. Programmer merancang berdasarkan asumsinya tentang "apa yang keren untuk desa" — bukan berdasarkan apa yang benar-benar dibutuhkan perangkat desa. Akar masalahnya: kepala desa tidak pernah menyusun spesifikasi konseptual sebelum menyerahkan pekerjaan ke programmer.
-**Pertanyaan sentral bab ini:** Bagaimana manajer merancang arsitektur konseptual SI yang menghubungkan kebutuhan bisnis dengan kapabilitas teknis — tanpa harus menjadi programmer?
+Bagaimana manajer merancang arsitektur konseptual SI yang menghubungkan kebutuhan bisnis dengan kapabilitas teknis — tanpa harus menjadi programmer?
 ---
@ -463,39 +463,3 @@ Satzinger, J. W., Jackson, R. B., & Burd, S. D. (2022). *Systems analysis and de
 Standish Group. (2023). *Chaos report 2023: Beyond infinity*. The Standish Group International.
 Valacich, J. S., George, J. F., & Hoffer, J. A. (2021). *Essentials of systems analysis and design* (7th ed.). Pearson.
 ---
 <!-- SELF-CHECK -->
 ```
 [✓] 1.  Bagian V — warna Mermaid #1a4a5c (Biru Muda)
 [✓] 2.  Opening Bridge merujuk Template A.10 (Bab 10)
 [✓] 3.  Closing Bridge mengarahkan ke masalah Bab 12 (Alternatif Solusi SI)
 [✓] 4.  Gambar 11.1 — Model IPO Berlapis (model utama)
 [✓] 5.  Gambar 11.2 — Peta Konsep (mindmap)
 [✓] 6.  Tabel 11.1 — Komparasi (Perspektif Manajer vs Teknis)
 [✓] 7.  Tabel 11.2 — Batas Tanggung Jawab Manajer vs Tim Teknis
 [✓] 8.  Tabel 11.3 — Design Brief SID Bantul
 [✓] 9.  Tabel 11.4 — CRM Custom vs Salesforce
 [✓] 10. 3 definisi kunci (Conceptual Design, Design Brief, Business Rules)
 [✓] 11. 6 sub-seksi konsep inti
 [✓] 12. 3 Salah Kaprah (sesuai BLUEPRINT)
 [✓] 13. 2 studi kasus (Dasar: SID Bantul, Lanjutan: Salesforce)
 [✓] 14. Template A.11 — Design Brief SI Satu Halaman
 [✓] 15. 8 referensi (sesuai outline + BLUEPRINT)
 [✓] 16. Tidak ada signposting ("Perhatikan bahwa...")
 [✓] 17. Final Statement 🔥 hadir di Sek 11.11
 [✓] 18. "Anda" konsisten, "kita" hanya jika dalam kutipan dialog
 [✓] 19. Quality Gates: THINK ✓ | APPLY ✓ | REFLECT ✓
 ```
 <!-- VERIFICATION DATA -->
 ```
 Target kata     : 3.500–5.000
 Referensi       : 8 (min 3 ✓)
 Tabel           : 4 (11.1, 11.2, 11.3, 11.4)
 Mermaid         : 2 (Gambar 11.1 + 11.2)
 Salah Kaprah    : 3
 Studi Kasus     : 2 (Dasar + Lanjutan)
 Template        : A.11
 ```
--- a/chapters/bab-12.md
+++ b/chapters/bab-12.md
@ -1,4 +1,4 @@
-# BAB 12 — Alternatif Solusi: *Custom*, Komersial, dan *Cloud*
+# BAB 12 — Alternatif Solusi: *Custom*, Komersial, dan *Cloud*
 ```
@ -18,7 +18,7 @@ Bab 11 membekali Anda dengan kemampuan menyusun *design brief* — spesifikasi k
 Sebuah kabupaten di Indonesia harus memilih: menggunakan SIPD (Sistem Informasi Pemerintah Daerah) yang menjadi platform tunggal untuk seluruh Indonesia, atau membangun sistem anggaran kustom yang sesuai "keunikan daerah." Pilihan pertama gratis tetapi rigid — format nasional yang tidak bisa diubah. Pilihan kedua fleksibel tetapi mahal — dan pengembang sebelumnya sudah *resign* sehingga sistem lama tidak bisa di-*update*. Mana yang benar? Pertanyaan itu sendiri kurang tepat. Yang lebih tepat: "kebutuhan mana yang paling kritis, berapa total biaya kepemilikan di setiap opsi, dan solusi mana yang paling *fit* dengan kapasitas organisasi?"
-**Pertanyaan sentral bab ini:** Bagaimana manajer mengevaluasi dan memilih antara membangun sendiri, membeli paket komersial, atau menyewa solusi *cloud* — dan apa *trade-off* strategis dari setiap pilihan?
+Bagaimana manajer mengevaluasi dan memilih antara membangun sendiri, membeli paket komersial, atau menyewa solusi *cloud* — dan apa *trade-off* strategis dari setiap pilihan?
 ---
@ -466,40 +466,3 @@ McKinsey & Company. (2022). *The data-driven enterprise of 2025*. McKinsey Digit
 Tasevska, F., Damm, R., & Daneva, M. (2022). Empirical study on ERP systems customization for SMEs. *Enterprise Information Systems*, *16*(2), 247–270.
 Wirawan, I. M. A., & Suryadi, K. (2023). Transformasi digital UMKM Indonesia: Analisis adopsi SI berbasis cloud. *Jurnal Manajemen Teknologi*, *22*(3), 201–218.
 ---
 <!-- SELF-CHECK -->
 ```
 [✓] 1.  Bagian V — warna Mermaid #1a4a5c (Biru Muda)
 [✓] 2.  Opening Bridge merujuk Template A.11 (Bab 11)
 [✓] 3.  Closing Bridge mengarahkan ke masalah Bab 13 (Implementasi SI + Manajemen Perubahan)
 [✓] 4.  Gambar 12.1 — Kerangka Keputusan Solusi SI (model utama)
 [✓] 5.  Gambar 12.2 — Peta Konsep (mindmap)
 [✓] 6.  Tabel 12.1 — Komparasi (Custom vs COTS vs SaaS)
 [✓] 7.  Tabel 12.2 — Simulasi TCO 5 Tahun
 [✓] 8.  Tabel 12.3 — Perbandingan 3 Opsi Kabupaten X
 [✓] 9.  Tabel 12.4 — Impact Assessment Slack → Teams
 [✓] 10. 3 definisi kunci (TCO, Vendor Lock-in, SaaS/PaaS/IaaS)
 [✓] 11. 6 sub-seksi konsep inti
 [✓] 12. 4 Salah Kaprah (sesuai BLUEPRINT)
 [✓] 13. 2 studi kasus (Dasar: Pemda & SIPD, Lanjutan: Slack vs Teams)
 [✓] 14. Template A.12 — Matriks Keputusan Solusi SI
 [✓] 15. 8 referensi (sesuai outline + BLUEPRINT)
 [✓] 16. Tidak ada signposting ("Perhatikan bahwa...")
 [✓] 17. Final Statement 🔥 hadir di Sek 12.11
 [✓] 18. "Anda" konsisten, "kita" hanya dalam kutipan dialog jika ada
 [✓] 19. Quality Gates: THINK ✓ | APPLY ✓ | REFLECT ✓
 ```
 <!-- VERIFICATION DATA -->
 ```
 Target kata     : 3.500–5.000
 Referensi       : 8 (min 3 ✓)
 Tabel           : 4 (12.1, 12.2, 12.3, 12.4)
 Mermaid         : 2 (Gambar 12.1 + 12.2)
 Salah Kaprah    : 4
 Studi Kasus     : 2 (Dasar + Lanjutan)
 Template        : A.12
 Bab menutup     : Bagian V
 ```
--- a/chapters/bab-13.md
+++ b/chapters/bab-13.md
@ -1,4 +1,4 @@
-# BAB 13 — Implementasi Sistem Informasi
+# BAB 13 — Implementasi Sistem Informasi
 ```
@ -20,7 +20,7 @@ Proyek e-KTP Indonesia: anggaran Rp 5,9 triliun, teknologi biometrik canggih (*f
 Proyek e-KTP memperlihatkan pola yang berulang di implementasi SI di seluruh dunia: Standish Group (2023) melaporkan bahwa hanya 31% proyek SI "berhasil" — tepat waktu, tepat anggaran, dan memenuhi kebutuhan. Sisanya mengalami *overrun*, gagal sebagian, atau dibatalkan total. Dan penyebab dominannya konsisten: bukan teknologi, melainkan manusia.
-**Pertanyaan sentral bab ini:** Mengapa implementasi SI lebih sering gagal karena faktor manusia daripada faktor teknologi — dan bagaimana manajer merancang strategi manajemen perubahan yang memastikan SI benar-benar diadopsi?
+Mengapa implementasi SI lebih sering gagal karena faktor manusia daripada faktor teknologi — dan bagaimana manajer merancang strategi manajemen perubahan yang memastikan SI benar-benar diadopsi?
 ---
@ -480,40 +480,3 @@ PMI. (2021). *A guide to the PMBOK Guide* (7th ed.). Project Management Institut
 Prosci. (2024). *ADKAR model: A change management methodology*. Prosci Inc.
 Standish Group. (2023). *Chaos report 2023: Beyond infinity*. The Standish Group International.
 ---
 <!-- SELF-CHECK -->
 ```
 [✓] 1.  Bagian VI — warna Mermaid #5c1a1a (Merah Marun)
 [✓] 2.  Opening Bridge merujuk Keputusan Solusi (Bab 12)
 [✓] 3.  Closing Bridge mengarahkan ke masalah Bab 14 (Evaluasi Kelayakan & ROI SI)
 [✓] 4.  Gambar 13.1 — Model Implementasi SI Berbasis Manajemen Perubahan (model utama)
 [✓] 5.  Gambar 13.2 — Peta Konsep (mindmap)
 [✓] 6.  Tabel 13.1 — Komparasi (Keberhasilan vs Kegagalan, 8 dimensi)
 [✓] 7.  Tabel 13.2 — Perbandingan Strategi Deployment
 [✓] 8.  Tabel 13.3 — Evaluasi PPT Proyek e-KTP
 [✓] 9.  Tabel 13.4 — Kontras Implementasi Hershey vs P&G
 [✓] 10. 3 definisi kunci (Manajemen Perubahan, User Adoption, Change Champion)
 [✓] 11. 7 sub-seksi konsep inti (sesuai BLUEPRINT)
 [✓] 12. 4 Salah Kaprah (sesuai BLUEPRINT)
 [✓] 13. 2 studi kasus (Dasar: e-KTP, Lanjutan: SAP Hershey vs P&G)
 [✓] 14. Template A.13 — Change Readiness Assessment
 [✓] 15. 10 referensi (sesuai outline)
 [✓] 16. Tidak ada signposting ("Perhatikan bahwa...")
 [✓] 17. Final Statement 🔥 hadir di Sek 13.11
 [✓] 18. "Anda" konsisten, "kita" hanya dalam kutipan jika ada
 [✓] 19. Quality Gates: THINK ✓ | APPLY ✓ | REFLECT ✓
 ```
 <!-- VERIFICATION DATA -->
 ```
 Target kata     : 3.500–5.000
 Referensi       : 10 (min 3 ✓)
 Tabel           : 4 (13.1, 13.2, 13.3, 13.4)
 Mermaid         : 2 (Gambar 13.1 + 13.2)
 Salah Kaprah    : 4
 Studi Kasus     : 2 (Dasar + Lanjutan)
 Template        : A.13
 Bab membuka     : Bagian VI
 ```
--- a/chapters/bab-14.md
+++ b/chapters/bab-14.md
@ -1,4 +1,4 @@
-# BAB 14 — Evaluasi Kelayakan dan ROI Sistem Informasi
+# BAB 14 — Evaluasi Kelayakan dan ROI Sistem Informasi
 ```
@ -18,9 +18,9 @@ Bab 13 membahas bagaimana mengimplementasikan SI dengan manajemen perubahan yang
 Direktur sebuah rumah sakit tipe C bertanya ke timnya: "Rumah sakit ini menginvestasikan Rp 3 miliar untuk SIMRS. Apakah *worth it*?" Tim IT menjawab: "Sistem berjalan lancar, *uptime* 99,5%." Direktur mengulangi: "Bukan itu pertanyaannya. Apakah rumah sakit ini LEBIH BAIK setelah SIMRS?" Keheningan. Tidak ada yang pernah menyusun *business case* — keputusan investasi diambil karena "rumah sakit lain sudah punya." Tidak ada *baseline metrics* sebelum implementasi. Tidak ada yang bisa menjawab apakah Rp 3 miliar itu menghasilkan nilai yang sepadan.
-Situasi ini bukan anomali. Studi Kominfo (2023) menemukan bahwa hanya 35% proyek SI di Indonesia memiliki *business case* formal. Sisanya diputuskan berdasarkan instruksi pimpinan, tekanan *peer*, atau klaim vendor. Hasilnya: organisasi tidak bisa mengevaluasi apakah investasi SI memberikan nilai — karena tidak pernah mendefinisikan nilai apa yang diharapkan.
+Situasi ini bukan anomali. Berbagai kajian tentang tata kelola SI di Indonesia mengindikasikan bahwa sebagian besar proyek SI diputuskan tanpa *business case* formal yang terdokumentasi — melainkan berdasarkan instruksi pimpinan, tekanan *peer*, atau klaim vendor. Hasilnya: organisasi tidak bisa mengevaluasi apakah investasi SI memberikan nilai — karena tidak pernah mendefinisikan nilai apa yang diharapkan.
-**Pertanyaan sentral bab ini:** Bagaimana manajer mengevaluasi apakah investasi SI memberikan nilai bisnis yang sepadan — dan mengapa ROI saja tidak cukup untuk menilai keberhasilan SI?
+Bagaimana manajer mengevaluasi apakah investasi SI memberikan nilai bisnis yang sepadan — dan mengapa ROI saja tidak cukup untuk menilai keberhasilan SI?
 ---
@ -491,41 +491,3 @@ Nucleus Research. (2023). *AWS cloud ROI: 451 organization study*. Nucleus Resea
 Permana, A. A., & Yulianti, F. (2022). Pengukuran nilai investasi TI menggunakan IT Balanced Scorecard. *Jurnal Elektro Telekomunikasi Terapan*, *9*(2), 1621–1632.
 Rainer, R. K., Prince, B., & Watson, H. J. (2023). *Management information systems* (5th ed.). Wiley.
 ---
 <!-- SELF-CHECK -->
 ```
 [✓] 1.  Bagian VI — warna Mermaid #5c1a1a (Merah Marun)
 [✓] 2.  Opening Bridge merujuk Change Readiness Assessment (Bab 13)
 [✓] 3.  Closing Bridge mengarahkan ke masalah Bab 15 (Risiko, Keamanan, Tata Kelola SI)
 [✓] 4.  Gambar 14.1 — Kerangka Evaluasi Nilai Bisnis SI (model utama)
 [✓] 5.  Gambar 14.2 — Peta Konsep (mindmap)
 [✓] 6.  Tabel 14.1 — Komparasi (NPV vs ROI vs Payback vs BSC)
 [✓] 7.  Tabel 14.2 — Analisis TCO 5 Tahun SIMRS
 [✓] 8.  Tabel 14.3 — Analisis Manfaat SIMRS
 [✓] 9.  Tabel 14.4 — Hasil Studi ROI Cloud (451 organisasi)
 [✓] 10. Tabel 14.5 — Catatan Kritis terhadap Studi
 [✓] 11. 3 definisi kunci (Business Case, Tangible vs Intangible, BSC)
 [✓] 12. 6 sub-seksi konsep inti
 [✓] 13. 4 Salah Kaprah (sesuai BLUEPRINT)
 [✓] 14. 2 studi kasus (Dasar: SIMRS Tipe C, Lanjutan: AWS Cloud ROI)
 [✓] 15. Template A.14 — Business Case Mini
 [✓] 16. 9 referensi (sesuai outline)
 [✓] 17. Tidak ada signposting
 [✓] 18. Final Statement 🔥 hadir di Sek 14.11
 [✓] 19. "Anda" konsisten
 [✓] 20. Quality Gates: THINK ✓ | APPLY ✓ | REFLECT ✓
 ```
 <!-- VERIFICATION DATA -->
 ```
 Target kata     : 3.500–5.000
 Referensi       : 9 (min 3 ✓)
 Tabel           : 5 (14.1, 14.2, 14.3, 14.4, 14.5)
 Mermaid         : 2 (Gambar 14.1 + 14.2)
 Salah Kaprah    : 4
 Studi Kasus     : 2 (Dasar + Lanjutan)
 Template        : A.14
 Bab di          : Bagian VI (tengah)
 ```
--- a/chapters/bab-15.md
+++ b/chapters/bab-15.md
@ -1,4 +1,4 @@
-# BAB 15 — Risiko, Keamanan, dan Tata Kelola SI
+# BAB 15 — Risiko, Keamanan, dan Tata Kelola SI
 ```
@ -20,7 +20,7 @@ Bab 14 membekali Anda dengan kerangka evaluasi nilai bisnis SI — NPV, ROI, *Pa
 Penyebabnya: *ransomware* WannaCry. Bukan serangan yang ditargetkan ke RS Dharmais — *malware* ini menyebar otomatis ke komputer dengan Windows yang belum di-*patch*. Microsoft sudah merilis *patch* keamanan dua bulan sebelumnya. RS Dharmais belum menerapkannya. Satu *patch* yang tertunda — investasi miliaran rupiah di SIMRS kehilangan nilai dalam hitungan menit.
-**Pertanyaan sentral bab ini:** Mengapa risiko SI bukan hanya masalah teknis tetapi masalah manajerial — dan bagaimana tata kelola SI memastikan organisasi tahu risiko apa yang mereka ambil dan mengapa?
+Mengapa risiko SI bukan hanya masalah teknis tetapi masalah manajerial — dan bagaimana tata kelola SI memastikan organisasi tahu risiko apa yang mereka ambil dan mengapa?
 ---
@ -199,7 +199,7 @@ Tetapi akar masalah sebenarnya ada di *governance*: CISO Equifax berlatar belaka
 ### Fenomena 3: *Shadow IT* di Indonesia — Ketika Karyawan Membangun "Sistem Sendiri"
-Survei Microsoft Indonesia (2023) menemukan bahwa 62% karyawan di Indonesia menggunakan aplikasi yang tidak disetujui departemen IT untuk pekerjaan: WhatsApp untuk berbagi data keuangan klien, Google *Sheets* personal untuk menyimpan data pelanggan, Dropbox pribadi untuk *backup* dokumen kerja.
+Penggunaan aplikasi tidak resmi (*shadow IT*) menjadi tantangan nyata di banyak organisasi Indonesia — karyawan menggunakan WhatsApp untuk berbagi data keuangan klien, Google *Sheets* personal untuk menyimpan data pelanggan, atau Dropbox pribadi untuk *backup* dokumen kerja, seringkali tanpa menyadari risiko keamanan dan kepatuhan yang menyertainya.
 Alasan yang diberikan karyawan konsisten: "Aplikasi resmi terlalu sulit digunakan." "IT terlalu lama menyetujui permintaan *software* baru." "WhatsApp lebih cepat daripada *email* kantor." Dari perspektif karyawan, *shadow IT* adalah solusi pragmatis untuk masalah nyata.
@ -451,41 +451,3 @@ Spencer Stuart. (2024). *Board index 2024: IT expertise on corporate boards*. Sp
 UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi. Republik Indonesia.
 Whitman, M. E., & Mattord, H. J. (2022). *Principles of information security* (7th ed.). Cengage Learning.
 ---
 <!-- SELF-CHECK -->
 ```
 [✓] 1.  Bagian VI — warna Mermaid #5c1a1a (Merah Marun)
 [✓] 2.  Opening Bridge merujuk Business Case Mini (Bab 14)
 [✓] 3.  Closing Bridge mengarahkan ke Bab 16 (Transformasi Digital, membuka Bagian VII)
 [✓] 4.  Gambar 15.1 — Kerangka Tata Kelola & Risiko SI (model utama)
 [✓] 5.  Gambar 15.2 — Peta Konsep (mindmap)
 [✓] 6.  Tabel 15.1 — Komparasi (8 skenario risiko)
 [✓] 7.  Tabel 15.2 — Tipologi Risiko SI
 [✓] 8.  Tabel 15.3 — Evaluasi Governance RS Dharmais
 [✓] 9.  Tabel 15.4 — Timeline Breach Equifax
 [✓] 10. 3 definisi kunci (CIA, IT Governance, UU PDP)
 [✓] 11. 6 sub-seksi konsep inti
 [✓] 12. 4 Salah Kaprah (sesuai BLUEPRINT)
 [✓] 13. 2 studi kasus (Dasar: RS Dharmais, Lanjutan: Equifax)
 [✓] 14. Template A.15 — Risk Register SI
 [✓] 15. 9 referensi (sesuai outline)
 [✓] 16. Tidak ada signposting
 [✓] 17. Final Statement 🔥 hadir di Sek 15.11
 [✓] 18. "Anda" konsisten
 [✓] 19. Bab menutup Bagian VI
 [✓] 20. Quality Gates: THINK ✓ | APPLY ✓ | REFLECT ✓
 ```
 <!-- VERIFICATION DATA -->
 ```
 Target kata     : 3.500–5.000
 Referensi       : 9 (min 3 ✓)
 Tabel           : 4 (15.1, 15.2, 15.3, 15.4)
 Mermaid         : 2 (Gambar 15.1 + 15.2)
 Salah Kaprah    : 4
 Studi Kasus     : 2 (Dasar + Lanjutan)
 Template        : A.15
 Bab menutup     : Bagian VI
 ```
--- a/chapters/bab-16.md
+++ b/chapters/bab-16.md
@ -1,4 +1,4 @@
-# BAB 16 — Transformasi Digital dan E-Business
+# BAB 16 — Transformasi Digital dan E-Business
 ```
@ -19,7 +19,7 @@ Bab 15 membekali Anda dengan kerangka tata kelola dan manajemen risiko SI — *R
 Bank BCA — 65 tahun beroperasi sebagai bank konvensional — meluncurkan BCA Digital (blu by BCA) sebagai entitas bank digital mandiri di 2021. Bukan sekadar *mobile banking* dengan tampilan baru; blu adalah organisasi terpisah dengan DNA digital dari nol — tanpa cabang fisik, tanpa formulir kertas, tanpa antrean. Sementara itu, ribuan BPR dan bank regional di Indonesia masih mengirim laporan via faks dan mencatat transaksi di buku besar. Jarak antara organisasi yang *digitally transformed* dan yang *digitally stranded* semakin lebar setiap kuartal.
-**Pertanyaan sentral bab ini:** Apa bedanya digitisasi, digitalisasi, dan transformasi digital — dan mengapa transformasi digital yang sesungguhnya adalah tentang mengubah cara berpikir organisasi, bukan sekadar mengadopsi teknologi baru?
+Apa bedanya digitisasi, digitalisasi, dan transformasi digital — dan mengapa transformasi digital yang sesungguhnya adalah tentang mengubah cara berpikir organisasi, bukan sekadar mengadopsi teknologi baru?
 ---
@ -197,7 +197,7 @@ Shopee masuk Indonesia pada 2015 — saat Tokopedia dan Bukalapak sudah mendomin
 ### Fenomena 3: UMKM Indonesia dan *Digital Divide* yang Melebar
-Google-Temasek-Bain (2024) melaporkan 21 juta UMKM Indonesia sudah *online*. Tetapi Kemenkop UKM mencatat 64 juta UMKM total — artinya 67% masih *offline*. Kesenjangan ini bukan hanya soal akses internet. Literasi digital rendah, modal untuk investasi digital tidak tersedia, dan ketakutan gagap teknologi menciptakan hambatan psikologis dan finansial yang saling memperkuat. UMKM yang sudah digital tumbuh 3× lebih cepat dari yang masih tradisional — melebarkan *gap* setiap tahun.
+Google-Temasek-Bain (2024) melaporkan 21 juta UMKM Indonesia sudah *online*. Tetapi Kemenkop UKM mencatat 64 juta UMKM total — artinya masih dua pertiga yang belum tersentuh digitalisasi. Kesenjangan ini bukan hanya soal akses internet. Literasi digital rendah, modal untuk investasi digital tidak tersedia, dan ketakutan gagap teknologi menciptakan hambatan psikologis dan finansial yang saling memperkuat. UMKM yang sudah digital tumbuh jauh lebih cepat dari yang masih tradisional — melebarkan *gap* setiap tahun.
 💡 **Insight:** DT bukan hanya isu korporasi besar — ia isu ekonomi nasional. Manajer di UMKM menghadapi tekanan unik: *resource* terbatas, literasi rendah, sementara tekanan kompetitif dari *platform e-commerce* sangat agresif. Strategi DT untuk UMKM harus pragmatis: mulai dari digitalisasi proses sederhana (POS digital, akuntansi *cloud*), bukan dari AI dan *big data*.
@ -470,22 +470,3 @@ Verhoef, P. C., Broekhuizen, T., Bart, Y., Bhattacharya, A., Dong, J. Q., Fabian
 Vial, G. (2021). Understanding digital transformation. *Managing Digital Transformation*, 13–66.
 Zhu, K., Kraemer, K. L., & Xu, S. (2006). The process of innovation assimilation by firms. *Management Science*, *52*(10), 1557–1576.
 ---
 <!-- SELF-CHECK -->
 ```
 [✓] 1.  Bagian VII — warna Mermaid #3a3a3a (Abu-abu Modern)
 [✓] 2.  Opening Bridge merujuk Risk Register A.15 dan tata kelola (Bab 15)
 [✓] 3.  Closing Bridge mengarahkan ke Bab 17 (AI dalam Pengambilan Keputusan Manajerial)
 [✓] 4.  Gambar 16.1 — Kerangka Transformasi Digital Organisasi (model utama)
 [✓] 5.  Gambar 16.2 — Peta Konsep (mindmap)
 [✓] 6.  Tabel 16.1 — Komparasi (Digitisasi vs Digitalisasi vs DT, 8 dimensi)
 [✓] 7.  4 definisi kunci (Digitisasi, Digitalisasi, Transformasi Digital, Platform Economy)
 [✓] 8.  7 sub-seksi konsep inti (sesuai BLUEPRINT)
 [✓] 9.  4 Salah Kaprah (sesuai BLUEPRINT)
 [✓] 10. 2 studi kasus (Dasar: BCA, Lanjutan: Shopee/Sea Group)
 [✓] 11. Template A.16 — Digital Maturity Assessment
 [✓] 12. 9 referensi (sesuai outline)
 [✓] 13. Final Statement 🔥 sesuai BLUEPRINT
 ```
--- a/chapters/bab-17.md
+++ b/chapters/bab-17.md
@ -1,4 +1,4 @@
-# BAB 17 — Kecerdasan Buatan dalam Pengambilan Keputusan Manajerial
+# BAB 17 — Kecerdasan Buatan dalam Pengambilan Keputusan Manajerial
 ```
@ -21,7 +21,7 @@ Bank Mandiri memproses lebih dari 50.000 pengajuan kredit per bulan. Sebelum AI,
 Setelah AI *credit scoring*: 90% pengajuan terklasifikasi dalam 30 detik — *approve*, *reject*, atau *flag for review*. Analis manusia fokus pada 10% kasus yang di-*flag* — kasus kompleks yang membutuhkan *judgment* dan informasi kontekstual yang tidak ada dalam data. Apakah AI menggantikan analis? Tidak. Analis yang dulu memproses 4 pengajuan per hari kini menangani 40 kasus *flagged* — dengan akurasi yang lebih tinggi karena perhatian mereka tidak terpecah oleh kasus-kasus rutin.
-**Pertanyaan sentral bab ini:** Bagaimana manajer mengevaluasi di mana AI cocok dan di mana manusia tetap tak tergantikan dalam pengambilan keputusan — dan apa implikasi etis yang harus dipertimbangkan sebelum mengadopsi AI?
+Bagaimana manajer mengevaluasi di mana AI cocok dan di mana manusia tetap tak tergantikan dalam pengambilan keputusan — dan apa implikasi etis yang harus dipertimbangkan sebelum mengadopsi AI?
 ---
@ -150,7 +150,7 @@ Data Indonesia: AI *credit scoring* Bank Mandiri meningkatkan *approval speed* 1
 AI bukan *magic* — ia memiliki limitasi serius yang sering diabaikan oleh organisasi yang terlalu antusias:
-**GIGO** (*Garbage In, Garbage Out*) — AI hanya sebaik datanya. Data tidak lengkap, *outdated*, atau bias menghasilkan *output* AI yang tidak *reliable*. Menurut VentureBeat (2023), 87% proyek AI gagal di fase *data preparation* — bukan karena *algorithm*-nya yang salah, tetapi karena datanya yang tidak siap.
+**GIGO** (*Garbage In, Garbage Out*) — AI hanya sebaik datanya. Data tidak lengkap, *outdated*, atau bias menghasilkan *output* AI yang tidak *reliable*. Laporan industri secara konsisten menunjukkan bahwa sebagian besar proyek AI mengalami hambatan di fase *data preparation* — bukan karena *algorithm*-nya yang salah, tetapi karena datanya yang tidak siap (VentureBeat, 2023).
 **Bias algoritmik** — Amazon (2018) mengembangkan AI untuk *screening* resume secara otomatis, dilatih dengan data *hiring* 10 tahun. Karena industri teknologi secara historis mendominasi *hire* laki-laki, AI belajar bahwa "resume perempuan = *less likely to be hired*" dan mulai menghukum kata-kata seperti "women's" (misalnya "women's chess club"). Amazon menghentikan proyek ini pada 2018 setelah menyadari bias tersebut tidak bisa diperbaiki tanpa mengubah data *training* secara mendasar.
@ -237,7 +237,7 @@ AI mereproduksi pola dari data — termasuk bias yang ada dalam data. Data histo
 ⚠️ **"Cukup beli *tools* AI, hasilnya otomatis bagus"**
-AI *tool* tanpa data berkualitas, *use case* yang jelas, *change management*, dan *governance* = investasi yang terbuang. VentureBeat (2023) melaporkan bahwa 87% proyek AI tidak mencapai produksi — bukan karena teknologinya gagal, tetapi karena organisasi tidak menyiapkan fondasi non-teknisnya. Koreksinya: *framework* sebelum *tools* — (1) definisikan *use case*, (2) nilai kesiapan data, (3) *pilot* dengan KPI terukur, (4) *scale* jika berhasil. *Tools* adalah bagian yang mudah; proses dan manusia adalah bagian yang sulit.
+AI *tool* tanpa data berkualitas, *use case* yang jelas, *change management*, dan *governance* = investasi yang terbuang. Riset industri secara konsisten menunjukkan bahwa mayoritas proyek AI tidak mencapai skala produksi — bukan karena teknologinya gagal, tetapi karena organisasi tidak menyiapkan fondasi non-teknisnya (VentureBeat, 2023). Koreksinya: *framework* sebelum *tools* — (1) definisikan *use case*, (2) nilai kesiapan data, (3) *pilot* dengan KPI terukur, (4) *scale* jika berhasil. *Tools* adalah bagian yang mudah; proses dan manusia adalah bagian yang sulit.
 ---
@ -488,22 +488,3 @@ Laudon, K. C., & Laudon, J. P. (2022). *Management information systems* (17th ed
 Mikalef, P., & Gupta, M. (2021). Artificial intelligence capability. *Information & Management*, *58*(3), 103434.
 VentureBeat. (2023). *Why 87% of AI projects fail*. VentureBeat.
 ---
 <!-- SELF-CHECK -->
 ```
 [✓] 1.  Bagian VII — warna Mermaid #3a3a3a (Abu-abu Modern)
 [✓] 2.  Opening Bridge merujuk Digital Maturity Assessment A.16 dan transformasi digital (Bab 16)
 [✓] 3.  Closing Bridge mengarahkan ke Bab 18 (Tren SI dan Masa Depan Organisasi)
 [✓] 4.  Gambar 17.1 — Kerangka Evaluasi AI Manajerial (model utama)
 [✓] 5.  Gambar 17.2 — Peta Konsep (mindmap)
 [✓] 6.  Tabel 17.1 — Komparasi (8 skenario keputusan AI vs manusia)
 [✓] 7.  4 definisi kunci (AI, HITL, Bias Algoritmik, Generative AI)
 [✓] 8.  7 sub-seksi konsep inti (sesuai BLUEPRINT)
 [✓] 9.  4 Salah Kaprah (sesuai BLUEPRINT)
 [✓] 10. 2 studi kasus (Dasar: Bank Mandiri, Lanjutan: Netflix)
 [✓] 11. Template A.17 — AI Use Case Canvas
 [✓] 12. 10 referensi (sesuai outline)
 [✓] 13. Final Statement 🔥 sesuai BLUEPRINT
 ```
--- a/chapters/bab-18.md
+++ b/chapters/bab-18.md
@ -1,4 +1,4 @@
-# BAB 18 — Tren SI dan Masa Depan Organisasi
+# BAB 18 — Tren SI dan Masa Depan Organisasi
 ```
@ -18,7 +18,7 @@ Bab 17 mendalami AI sebagai kapabilitas manajerial baru — dari *credit scoring
 Pada 2015, satpam di pabrik Toyota memantau 500 CCTV secara manual — mata manusia menyapu layar-layar kecil, berharap menangkap anomali sebelum terjadi insiden. Pada 2025, sensor IoT dan AI *computer vision* mendeteksi anomali produksi, memprediksi kerusakan mesin 72 jam sebelum terjadi, dan mengirim *work order* otomatis ke tim *maintenance* — tanpa manusia melihat layar. Manajer operasi Toyota tidak kehilangan pekerjaan; perannya berubah: dari *operator* yang memonitor mesin menjadi *orchestrator* yang mengoptimalkan sistem *intelligent*. Ini bukan masa depan — ini sudah terjadi hari ini.
-**Pertanyaan sentral bab ini:** Tren SI apa yang akan paling menentukan bentuk organisasi dalam dekade mendatang — dan bagaimana manajer mempersiapkan diri untuk peran baru sebagai *orchestrator* dalam ekosistem digital yang semakin cerdas?
+Tren SI apa yang akan paling menentukan bentuk organisasi dalam dekade mendatang — dan bagaimana manajer mempersiapkan diri untuk peran baru sebagai *orchestrator* dalam ekosistem digital yang semakin cerdas?
 ---
@ -190,7 +190,7 @@ Gojek dimulai pada 2010 sebagai *call center* dengan 20 *driver* ojek di Jakarta
 ### Fenomena 2: Microsoft Copilot — AI sebagai *Default Workspace*
-Microsoft Copilot (diluncurkan 2023, *enterprise rollout* 2024–2025) meng-*embed* AI generatif ke dalam *tools* kerja sehari-hari: Word, Excel, PowerPoint, Teams, Outlook. Lebih dari 50.000 perusahaan global sudah mengadopsinya. Data awal: karyawan yang menggunakan Copilot menyelesaikan tugas penulisan 29% lebih cepat, *meeting summary* otomatis menghemat rata-rata 4 jam per minggu per manajer, dan analisis data di Excel yang biasanya membutuhkan formulasi manual bisa dilakukan dengan *prompt* bahasa natural (Microsoft, 2024).
+Microsoft Copilot (diluncurkan 2023, *enterprise rollout* 2024–2025) meng-*embed* AI generatif ke dalam *tools* kerja sehari-hari: Word, Excel, PowerPoint, Teams, Outlook. Lebih dari 50.000 perusahaan global sudah mengadopsinya. Data awal yang dilaporkan Microsoft menunjukkan peningkatan kecepatan penyelesaian tugas penulisan, penghematan waktu dari *meeting summary* otomatis, dan kemudahan analisis data di Excel melalui *prompt* bahasa natural — meski skala manfaat aktual bervariasi tergantung pola penggunaan dan jenis pekerjaan (Microsoft, 2024).
 Implikasi yang lebih besar dari angka-angka ini: AI *workspace assistant* sedang menjadi *default* — seperti *email* menjadi *default* komunikasi bisnis di awal 2000-an. McKinsey (2024) memprediksikan 70% enterprise akan mengadopsi AI *workspace assistant* pada 2027.
@ -488,23 +488,3 @@ Mikalef, P., & Gupta, M. (2021). Artificial intelligence capability. *Informatio
 Parker, G. G., Van Alstyne, M. W., & Choudary, S. P. (2016). *Platform revolution*. W. W. Norton.
 World Economic Forum. (2025). *Future of Jobs Report 2025*. WEF.
 ---
 <!-- SELF-CHECK -->
 ```
 [✓] 1.  Bagian VII — warna Mermaid #3a3a3a (Abu-abu Modern)
 [✓] 2.  Opening Bridge merujuk AI Use Case Canvas A.17 dan AI manajerial (Bab 17)
 [✓] 3.  Closing Bridge — penutup buku, merangkum perjalanan 18 bab
 [✓] 4.  Gambar 18.1 — Peta Tren SI Menuju Organisasi Masa Depan (model utama)
 [✓] 5.  Gambar 18.2 — Peta Konsep (mindmap)
 [✓] 6.  Tabel 18.1 — Komparasi (Manajer Industri vs Digital, 8 dimensi)
 [✓] 7.  3 definisi kunci (Ekosistem Digital, Cloud-Native Organization, Manajer Orchestrator)
 [✓] 8.  7 sub-seksi konsep inti (sesuai BLUEPRINT)
 [✓] 9.  4 Salah Kaprah (sesuai BLUEPRINT)
 [✓] 10. 2 studi kasus (Dasar: GoTo Group, Lanjutan: Microsoft Copilot)
 [✓] 11. Template A.18 — Peta Transformasi Personal
 [✓] 12. 10 referensi (sesuai outline)
 [✓] 13. Final Statement 🔥 sesuai BLUEPRINT
 [✓] 14. Penutup Buku — merangkum 18 bab dan rantai artefak
 ```
--- a/foundation/SOURCE-VERIFICATION-CHECKLIST.md
+++ b/foundation/SOURCE-VERIFICATION-CHECKLIST.md
@ -0,0 +1,262 @@
 # SOURCE-VERIFICATION-CHECKLIST
 ## Format Audit Sumber, Angka, dan Klaim Faktual per Bab
 > Status: Draft v1.0  
 > Dibuat: April 2026  
 > Tujuan: memastikan setiap angka, klaim faktual, studi kasus, dan kutipan data dalam naskah dapat dipertanggungjawabkan sebelum revisi gaya dan finalisasi bab.
 ---
 ## 1. Fungsi Dokumen
 Checklist ini dipakai sebelum revisi gaya bahasa. Urutannya:
 1. Audit fakta dan sumber.
 2. Perbaiki atau turunkan klaim yang tidak aman.
 3. Baru lakukan revisi gaya penulisan.
 Prinsip utamanya: kalimat yang terdengar meyakinkan tidak boleh lolos jika sumbernya lemah, salah konteks, atau tidak bisa diverifikasi.
 ---
 ## 2. Jenis Klaim yang Wajib Diaudit
 Audit wajib dilakukan untuk semua unsur berikut:
 - angka statistik: persentase, nilai uang, jumlah pengguna, CAGR, ROI, tingkat adopsi
 - angka waktu: tahun, durasi, periode pertumbuhan, horizon proyeksi
 - klaim komparatif: "lebih tinggi", "terbesar", "paling banyak", "mayoritas"
 - klaim kausal atau dampak: "menghemat", "meningkatkan", "mengurangi", "menyebabkan"
 - studi kasus perusahaan atau instansi
 - klaim regulasi, standar, atau kebijakan publik
 - definisi yang dinisbahkan ke textbook, jurnal, atau standar resmi
 Tidak semua kalimat membutuhkan audit sumber. Yang tidak perlu diaudit penuh biasanya hanya contoh hipotetis yang jelas ditandai sebagai ilustrasi internal.
 ---
 ## 3. Hierarki Sumber
 Gunakan urutan prioritas ini saat memverifikasi atau mengganti sumber:
 1. Sumber primer resmi: annual report, quarterly report, investor relations, white paper resmi, standar resmi, situs regulator.
 2. Jurnal bereputasi dan textbook akademik terbaru.
 3. Laporan resmi lembaga kredibel: McKinsey, WEF, Deloitte, ISACA, NIST, OECD, World Bank, BPS, Kemenkominfo, dan sejenisnya.
 4. Media bisnis besar atau dokumentasi publik yang kredibel, hanya jika sumber primer tidak tersedia.
 Hindari menjadikan sumber berikut sebagai dasar klaim utama:
 - blog tanpa editorial kuat
 - kutipan sekunder yang tidak melacak ke sumber asal
 - situs statistik tanpa metodologi jelas
 - market report yang hanya menampilkan teaser, tetapi angka di bab lebih detail daripada yang tampak publik
 ---
 ## 4. Status Verifikasi
 Gunakan salah satu status berikut untuk setiap klaim:
 | Status | Arti | Tindakan |
 |---|---|---|
 | VERIFIED | Klaim didukung langsung oleh sumber yang tepat | Boleh dipertahankan |
 | PARTIAL | Sumber terkait ada, tetapi angka, tahun, definisi, atau konteks tidak identik | Revisi redaksi atau angka |
 | MISMATCH | Sumber yang disitasi tidak mendukung klaim | Ganti sumber atau hapus klaim |
 | UNVERIFIED | Belum ditemukan dukungan yang cukup | Tahan klaim, jangan dipakai final |
 | HYPOTHETICAL | Angka hanya ilustrasi contoh internal | Tandai jelas sebagai contoh, jangan diberi sitasi faktual |
 ---
 ## 5. Aturan Keputusan Editorial
 Jika sebuah klaim gagal diverifikasi, gunakan aturan ini:
 1. Jika angka persis tidak terbukti, tetapi arah umumnya benar: ubah menjadi klaim kualitatif yang lebih hati-hati.
 2. Jika sumber ada tetapi tahun sudah berubah: perbarui ke angka resmi terbaru atau tambahkan konteks waktu.
 3. Jika hanya sumber sekunder yang tersedia: turunkan kekuatan klaim dan hindari angka yang sangat presisi.
 4. Jika sumber yang tercantum ternyata salah objek atau salah laporan: anggap MISMATCH, bukan "cukup dekat".
 5. Jika angka berasal dari contoh ilustratif, jangan campurkan dengan data faktual nyata.
 Contoh:
 - Terlalu kuat: "Netflix menghemat $1 miliar per tahun dari recommendation engine."
 - Lebih aman jika bukti langsung lemah: "Berbagai sumber industri sering mengaitkan sistem rekomendasi Netflix dengan penurunan churn dan peningkatan retensi pelanggan, meskipun estimasi nilainya bervariasi menurut periode dan sumber."
 ---
 ## 6. Red Flags yang Harus Langsung Ditandai
 Tandai segera untuk audit prioritas tinggi jika menemukan pola ini:
 - ada angka sangat spesifik, tetapi sitasinya umum
 - sumber di daftar pustaka ada, tetapi judulnya tidak cocok dengan isi klaim
 - laporan paywalled dipakai untuk angka rinci tanpa bukti akses isi
 - angka perusahaan dipakai tanpa tahun atau periode yang jelas
 - satu sumber dipakai untuk terlalu banyak klaim berbeda yang tampaknya tidak semua dibahas di sana
 - textbook dipakai untuk angka pasar yang seharusnya berasal dari laporan industri atau data resmi terbaru
 - narasi menyebut "menurut Gartner" atau "menurut McKinsey" tetapi sitasi tidak cukup spesifik untuk ditelusuri
 ---
 ## 7. Checklist Cepat per Bab
 Gunakan daftar ini sebelum menyatakan audit satu bab selesai.
 - [ ] Semua angka dan persentase sudah diinventarisasi.
 - [ ] Semua nama organisasi, produk, dan studi kasus sudah dicek ejaan dan periodenya.
 - [ ] Semua sitasi in-text punya pasangan di daftar pustaka.
 - [ ] Semua klaim paling kuat di pembuka dan studi kasus sudah dilacak ke sumber yang tepat.
 - [ ] Tidak ada angka presisi tinggi tanpa sumber primer atau sumber kredibel yang jelas.
 - [ ] Tidak ada market size, CAGR, atau proyeksi yang memakai sumber salah laporan.
 - [ ] Tidak ada data perusahaan yang sudah usang tanpa penanda tahun.
 - [ ] Contoh hipotetis dibedakan jelas dari data faktual.
 - [ ] Klaim yang hanya terverifikasi sebagian sudah dilemahkan redaksinya.
 - [ ] Klaim yang gagal diverifikasi sudah diganti atau dihapus.
 ---
 ## 8. Tabel Audit per Bab
 Salin tabel ini untuk setiap bab.
 ### Audit Sumber Bab [N]
 | No | Lokasi | Klaim/Angka | Jenis Klaim | Sumber Saat Ini | Hasil Cek | Status | Tindakan Editorial | Catatan |
 |---|---|---|---|---|---|---|---|---|
 | 1 | Sec X.1 | [tulis klaim persis] | Statistik pembuka | [sitasi saat ini] | [apa yang benar-benar didukung sumber] | VERIFIED/PARTIAL/MISMATCH/UNVERIFIED/HYPOTHETICAL | Pertahankan/Revisi/Hapus/Ganti sumber | [catatan singkat] |
 | 2 | Sec X.4 | [tulis klaim persis] | Definisi/market size/case | [...] | [...] | [...] | [...] | [...] |
 | 3 | Sec X.6 | [tulis klaim persis] | Fenomena/data lapangan | [...] | [...] | [...] | [...] | [...] |
 | 4 | Sec X.8 | [tulis klaim persis] | Studi kasus | [...] | [...] | [...] | [...] | [...] |
 ---
 ## 9. Format Ringkasan Hasil per Bab
 Setelah tabel audit selesai, tulis ringkasan dengan format ini:
 ### Ringkasan Audit Bab [N]
 - Total klaim yang diaudit: [jumlah]
 - VERIFIED: [jumlah]
 - PARTIAL: [jumlah]
 - MISMATCH: [jumlah]
 - UNVERIFIED: [jumlah]
 - HYPOTHETICAL: [jumlah]
 ### Temuan Kritis
 - [temuan 1]
 - [temuan 2]
 - [temuan 3]
 ### Keputusan Editorial
 - [klaim mana yang dipertahankan]
 - [klaim mana yang harus dilemahkan]
 - [klaim mana yang harus diganti atau dihapus]
 Bab hanya boleh lanjut ke revisi gaya jika tidak ada MISMATCH atau UNVERIFIED pada klaim inti pembuka, fenomena lapangan, studi kasus, dan ringkasan.
 ---
 ## 10. Klasifikasi Klaim Inti vs Klaim Pendukung
 Bedakan klaim menjadi dua tingkat:
 ### Klaim inti
 Klaim yang jika salah akan melemahkan argumen utama bab. Contoh:
 - statistik pembuka bab
 - data utama pada model atau fenomena lapangan
 - angka pada studi kasus utama
 - angka yang muncul kembali pada rangkuman bab
 Klaim inti harus minimal PARTIAL yang kuat, dan idealnya VERIFIED.
 ### Klaim pendukung
 Klaim yang membantu ilustrasi, tetapi bukan pilar utama argumen. Contoh:
 - angka contoh pada paragraf penjelas
 - benchmark tambahan
 - angka pembanding yang tidak menentukan inti analisis
 Klaim pendukung boleh dipertahankan hanya jika aman. Jika ragu, lebih baik sederhanakan atau hapus.
 ---
 ## 11. Protokol untuk Sumber Sulit Diakses
 Beberapa sumber seperti Gartner atau market report komersial sering tidak terbuka penuh. Jika menemui kasus ini:
 1. Cek apakah ada abstrak, ringkasan resmi, press release, atau kutipan publik yang memuat angka yang sama.
 2. Cek apakah angka yang ditulis benar-benar muncul di materi publik yang bisa ditelusuri.
 3. Jika tidak ada, jangan menulis angka presisi tinggi seolah sudah pasti.
 4. Jika perlu tetap dipakai, ubah menjadi klaim yang lebih hati-hati dan beri catatan bahwa estimasi berasal dari laporan industri berbayar.
 Untuk buku akademik, prinsip kehati-hatian lebih penting daripada efek retoris.
 ---
 ## 12. Exit Criteria
 Audit sumber satu bab dianggap selesai hanya jika:
 - semua klaim inti sudah diaudit
 - tidak ada sitasi salah objek
 - tidak ada angka penting tanpa periode waktu
 - tidak ada MISMATCH pada pembuka, studi kasus, dan rangkuman
 - keputusan editorial untuk semua PARTIAL dan UNVERIFIED sudah dibuat
 - bab siap masuk tahap revisi struktural dan revisi gaya
 ---
 ## 13. Template Siap Pakai
 Salin blok berikut saat mulai mengaudit satu bab:
 ```md
 ## Audit Sumber Bab [N] - [Judul Bab]
 ### Ringkasan Awal
 - Fokus audit: [angka pembuka / studi kasus / market size / regulasi / dll.]
 - Jumlah klaim awal terdeteksi: [n]
 | No | Lokasi | Klaim/Angka | Jenis Klaim | Sumber Saat Ini | Hasil Cek | Status | Tindakan Editorial | Catatan |
 |---|---|---|---|---|---|---|---|---|
 | 1 |  |  |  |  |  |  |  |  |
 | 2 |  |  |  |  |  |  |  |  |
 | 3 |  |  |  |  |  |  |  |  |
 ### Ringkasan Audit
 - Total klaim yang diaudit: 
 - VERIFIED: 
 - PARTIAL: 
 - MISMATCH: 
 - UNVERIFIED: 
 - HYPOTHETICAL: 
 ### Temuan Kritis
 - 
 - 
 ### Keputusan Editorial
 - Pertahankan:
 - Revisi:
 - Hapus/ganti sumber:
 ```
 ---
 ## 14. Catatan Praktis untuk Buku Ini
 Untuk proyek buku ini, perhatian khusus harus diberikan pada:
 - klaim pembuka yang memakai angka besar untuk hook
 - statistik pasar dan proyeksi CAGR
 - angka adopsi AI, BI, dan digital transformation dari laporan konsultan
 - studi kasus global seperti Netflix, Amazon, Walmart, Salesforce
 - studi kasus Indonesia yang sering dikutip berulang tanpa sumber primer yang jelas
 Jika harus memilih, selalu menangkan akurasi di atas dramatisasi.