sim-manajement-book/chapters/outlines/outline-bab-08.md

# OUTLINE DETAIL — BAB 8
## Pengambilan Keputusan Berbasis Data

> **Bagian:** III — SI dalam Proses Bisnis dan Pengambilan Keputusan
> **Level:** Menengah–Lanjutan  
> **Estimasi Halaman:** 15–20  
> **Reader Outcome:** Pembaca mampu **mengaplikasikan** model pengambilan keputusan manajerial dengan dukungan SI dan **membedakan** keputusan terstruktur vs tidak terstruktur dalam konteks bisnis nyata.

---

### SEK 6.1 — PEMBUKA

**Hook:** Seorang manajer mengambil rata-rata 35.000 keputusan per hari. Dari jumlah itu, berapa banyak yang benar-benar didukung oleh data? Riset McKinsey (2023) menunjukkan bahwa organisasi yang menerapkan *data-driven decision making* memiliki profitabilitas 23% lebih tinggi — bukan karena data membuat keputusan mereka sempurna, tetapi karena data membuat keputusan mereka lebih defendable.

**Opening Bridge (dari Bab 5):**
> Bab 5 membuktikan bahwa data adalah aset strategis yang harus dikelola kualitasnya. Tetapi data yang berkualitas pun tidak bernilai jika tidak digunakan untuk keputusan. Bab ini menjawab pertanyaan "lalu bagaimana?" — memperkenalkan model, tipologi, dan framework yang membantu manajer mengubah data menjadi keputusan yang terstruktur dan akuntabel.

**Central Question:**
> *Bagaimana manajer menggunakan data dan sistem informasi untuk mengambil keputusan yang lebih baik — dan di mana batas antara augmentasi data dan judgment manusia?*

---

### SEK 6.2 — MODEL UTAMA (Gambar 6.1)

**Nama Model:** Model Pengambilan Keputusan Simon (dengan Layer Informasi)

```mermaid
graph TD
    INT[INTELLIGENCE: Identifikasi & Pahami Masalah] -->|data scanning| DES[DESIGN: Rancang Alternatif Solusi]
    DES -->|analisis skenario| CHO[CHOICE: Pilih Solusi Terbaik]
    CHO -->|eksekusi| IMP[IMPLEMENTATION: Jalankan & Monitor]
    IMP -->|feedback loop| INT
    
    SI1[SI: Data monitoring, alert system, dashboard] -.-> INT
    SI2[SI: Model simulasi, what-if analysis, DSS] -.-> DES
    SI3[SI: Scoring model, decision matrix, AI recommendation] -.-> CHO
    SI4[SI: KPI tracking, real-time reporting] -.-> IMP
```

**Penjelasan Node:**
- **INTELLIGENCE** — fase mengenali dan memahami masalah. SI mendukung melalui data monitoring, alert system, dan dashboard yang menyoroti anomali atau tren yang membutuhkan perhatian manajer.
- **DESIGN** — fase merancang alternatif solusi. SI mendukung melalui model simulasi dan *what-if analysis* yang memungkinkan manajer mengevaluasi skenario tanpa eksperimen nyata.
- **CHOICE** — fase memilih solusi terbaik dari alternatif. SI mendukung melalui scoring model, decision matrix, dan AI recommendation yang mengkuantifikasi trade-off antar opsi.
- **IMPLEMENTATION** — fase menjalankan keputusan dan memonitor hasilnya. SI mendukung melalui KPI tracking dan real-time reporting yang memberi sinyal jika implementasi menyimpang.
- **Feedback loop** — keputusan tidak linear; hasil implementasi menjadi input untuk siklus berikutnya — ini membedakan organisasi yang belajar dari yang mengulang kesalahan.
- **Garis putus-putus (SI)** — di setiap fase, SI berperan sebagai *augmentor* keputusan manajer, bukan pengganti. SI menyediakan fondasi, manajer menyediakan judgment.

---

### SEK 6.3 — DEFINISI KUNCI

📌 **Pengambilan Keputusan Berbasis Data** (*Data-Driven Decision Making* / DDDM)
Pendekatan pengambilan keputusan yang mengutamakan bukti data terverifikasi di atas intuisi atau kebiasaan semata. (Definisi kanonik — lihat MASTER-ANCHOR)
**Relevansi manajerial:** DDDM bukan berarti data menggantikan manajer — melainkan data menjadi fondasi yang memperkuat judgment. Manajer yang DDDM tetap menggunakan pengalaman, tetapi pengalaman tersebut di-ground-kan pada bukti.

📌 **Keputusan Terstruktur** (*Structured Decision*)
Keputusan yang mengikuti prosedur baku, berulang, dan dapat diotomasi karena memiliki kriteria dan data yang jelas. (Definisi kanonik — lihat MASTER-ANCHOR)
**Relevansi manajerial:** Manajer harus mengidentifikasi keputusan terstruktur di organisasinya dan mempertimbangkan otomasi — agar waktu dan energi bisa dialokasikan ke keputusan yang benar-benar membutuhkan judgment manusia.

📌 **Sistem Pendukung Keputusan** (*Decision Support System* / DSS)
Sistem informasi interaktif yang membantu manajer dalam pengambilan keputusan semi-terstruktur dan tidak terstruktur dengan menyediakan akses data, model analitik, dan tools simulasi.
**Relevansi manajerial:** DSS bukan decision-making system — ia decision-SUPPORT system. Manajer tetap pembuat keputusan; DSS menyediakan lens yang membuat keputusan lebih informed.

📌 **Bounded Rationality** (*Rasionalitas Terbatas*)
Konsep Herbert Simon bahwa manusia tidak bisa sepenuhnya rasional karena keterbatasan informasi, waktu, dan kemampuan kognitif — sehingga cenderung mencari solusi yang "cukup baik" (*satisficing*) bukan yang optimal.
**Relevansi manajerial:** Memahami bounded rationality membantu manajer menerima bahwa data dan SI tidak menjadikan mereka perfectly rational — tetapi memperluas batas rasionalitas mereka secara signifikan.

---

### SEK 6.4 — KONSEP INTI (7 sub-seksi)

**6.4.1 Model Keputusan Simon: Intelligence–Design–Choice**
- **Argumen:** Model Simon (1977) tetap relevan setelah hampir 50 tahun karena ia memecah proses keputusan menjadi fase yang masing-masing bisa didukung SI secara spesifik. Ini bukan model teknis — ini model manajerial.
- **Data pendukung:** 82% framework decision intelligence modern (termasuk McKinsey dan Gartner) masih mengacu pada struktur fase Simon sebagai fondasi (Harvard Business Review, 2023).
- **Contoh:** Seorang manajer regional yang mendeteksi penurunan penjualan (intelligence) → merancang 3 skenario respons (design) → memilih berdasarkan simulasi margin (choice) → melaksanakan dan memonitor KPI (implementation).

**6.4.2 Tipologi Keputusan: Terstruktur, Semi-Terstruktur, Tidak Terstruktur**
- **Argumen:** Tidak semua keputusan bisa didukung SI dengan cara yang sama. Keputusan terstruktur (reorder inventory) bisa diotomasi sepenuhnya; keputusan tidak terstruktur (memasuki pasar baru) membutuhkan judgment yang SI hanya bisa augmen, bukan replace.
- **Data pendukung:** 60% keputusan di level operasional bersifat terstruktur, tetapi hanya 10% keputusan strategis bersifat terstruktur (Laudon & Laudon, 2022).
- **Tabel mini:**
  | Tipe | Contoh | Peran SI | Peran Manajer |
  |------|--------|---------|---------------|
  | Terstruktur | Reorder point | Otomasi penuh | Oversight |
  | Semi-terstruktur | Budget allocation | Model + data | Judgment + negosiasi |
  | Tidak terstruktur | Market entry | Insight + analisis | Visi + intuisi terinformasi |

**6.4.3 Decision Support System (DSS): Konsep dan Peran**
- **Argumen:** DSS dirancang bukan untuk mengambilkan keputusan, melainkan untuk memperluas batas kemampuan manajer dalam mengolah informasi kompleks. Ia berada di antara "otomasi penuh" dan "intuisi murni."
- **Data pendukung:** Perusahaan yang menggunakan DSS melaporkan 35% peningkatan kecepatan keputusan dan 28% peningkatan akurasi keputusan (Gartner DSS Survey, 2022).
- **Contoh Indonesia:** SIPD (Sistem Informasi Pemerintah Daerah) membantu kepala daerah mengalokasikan anggaran berdasarkan data capaian program — contoh DSS di sektor publik Indonesia.

**6.4.4 Informasi per Level Manajemen: Operasional, Taktis, Strategis**
- **Argumen:** Kebutuhan informasi berbeda drastis antar level. Manajer operasional butuh data transaksi real-time; manajer menengah butuh ringkasan tren dan exception report; top management butuh insight strategis dan sinyal eksternal.
- **Data pendukung:** Kesalahan paling umum dalam desain SI adalah menyediakan informasi operasional ke eksekutif strategis — 68% C-level mengeluhkan "information overload dari data yang tidak relevan" (Deloitte CIO Survey, 2023).
- **Tabel:** Level × karakteristik informasi (frekuensi, horizon waktu, sumber, format).

**6.4.5 Bias Kognitif vs Keputusan Berbasis Data**
- **Argumen:** Kahneman (2011) membuktikan bahwa otak manusia memiliki bias sistematis — confirmation bias, anchoring, availability heuristic — yang secara konsisten menghasilkan keputusan suboptimal. Data bukan obat sempurna, tetapi ia adalah penangkal terkuat terhadap bias.
- **Data pendukung:** Eksperimen kontrol menunjukkan bahwa keputusan yang didukung data mengurangi confirmation bias hingga 45% dibanding keputusan murni-intuisi (Ransbotham et al., 2021).
- **Contoh:** Manajer yang yakin "produk X akan laku di pasar Y" berdasarkan pengalaman sebelumnya (anchoring). Data penjualan aktual menunjukkan sebaliknya — tetapi tanpa budaya DDDM, data tersebut sering diabaikan demi mempertahankan "perasan" si manajer.

**6.4.6 Bounded Rationality: Keterbatasan Manusia dalam Keputusan Kompleks**
- **Argumen:** Simon sendiri mengingatkan bahwa manusia bukan makhluk rasional sempurna — ia *satisficer*, bukan optimizer. SI memperluas batas rasionalitas tetapi tidak menghapusnya. Manajer yang sadar akan bounded rationality akan lebih open terhadap data.
- **Data pendukung:** Eksperimen neurologi menunjukkan bahwa kemampuan working memory manusia terbatas pada 7±2 variabel simultan (Miller, 1956) — DSS membantu dengan menyintesis lebih banyak variabel dari yang bisa diproses otak.
- **Contoh:** Negosiasi kontrak yang melibatkan 15+ variabel (harga, volume, term, penalty, dll.) — tanpa DSS, manajer cenderung fokus hanya pada 2-3 variabel yang paling salient, mengabaikan sisanya.

**6.4.7 AI sebagai Augmentasi Keputusan (Bukan Pengganti)**
- **Argumen:** AI dalam konteks keputusan bukan tentang menggantikan manajer — ia tentang augmentasi: membuat manajer mampu melihat pola yang tidak terlihat oleh mata manusia, dan memproses volume data yang melampaui kapasitas otak.
- **Data pendukung:** 79% eksekutif yang menggunakan AI untuk keputusan menyebut augmentasi (bukan automation) sebagai value utama (McKinsey AI Survey, 2024).
- **Contoh Indonesia:** Bank BRI menggunakan AI-based credit scoring yang memproses 50+ variabel untuk keputusan kredit mikro — mempercepat proses dari 2 minggu menjadi 2 jam, tetapi relationship manager tetap memiliki otoritas override.

---

### SEK 6.5 — KOMPARASI (Tabel 6.1)

**Judul:** "Keputusan Intuitif vs Keputusan Berbasis Data: 8 Dimensi Perbandingan"

| Dimensi | Keputusan Intuitif | Keputusan Berbasis Data |
|---------|-------------------|------------------------|
| **Fondasi** | Pengalaman, gut feeling, pattern recognition | Data terverifikasi, model analitik, evidence |
| **Kecepatan** | Sangat cepat (detik–menit) | Lebih lambat (menit–hari, tergantung kompleksitas) |
| **Akurasi pada situasi familiar** | Tinggi (jika pengalaman relevan) | Tinggi (jika data berkualitas) |
| **Akurasi pada situasi baru** | Rendah (bias ekstrapolasi) | Lebih tinggi (data memberi perspektif baru) |
| **Skalabilitas** | Terbatas (1 otak, 1 perspektif) | Tinggi (bisa melibatkan ribuan data point) |
| **Auditabilitas** | Sulit dipertanggungjawabkan | Transparent dan reproducible |
| **Risiko bias** | Sangat tinggi (confirmation, anchoring) | Lebih rendah (tetapi bias data tetap ada) |
| **Peran manajer** | Decision maker murni | Decision maker + data interpreter |

💡 **Insight:** Dikotomi "intuisi vs data" adalah false dichotomy. Manajer terbaik menggunakan keduanya — data untuk mengurangi blind spot, intuisi untuk mengisi gap di mana data belum tersedia. Yang berbahaya bukan intuisi itu sendiri, melainkan intuisi yang menolak divalidasi oleh data.

---

### SEK 6.6 — REALITAS LAPANGAN (3 fenomena)

**Fenomena 1: HiPPO Effect — Highest Paid Person's Opinion**
> Di banyak organisasi Indonesia dan global, keputusan akhir sering ditentukan oleh "siapa yang bicara" bukan "data apa yang bicara." Harvard Business Review (2023) menyebut ini HiPPO effect — dan melaporkan bahwa 61% perusahaan masih membuat keputusan strategis berdasarkan opini pimpinan, bukan data. Di Indonesia, budaya hierarkis memperkuat dinamika ini.

💡 **Insight:** DDDM bukan hanya soal tools — ia soal budaya. Organisasi yang ingin data-driven harus menciptakan ruang aman di mana data bisa "menantang" opini atasan tanpa konsekuensi karir.

**Fenomena 2: Dashboard Fatigue — Terlalu Banyak Dashboard, Terlalu Sedikit Keputusan**
> Gartner (2023) melaporkan bahwa 75% dashboard BI yang dibangun perusahaan "tidak pernah menjadi dasar keputusan aktual." Fenomena "dashboard fatigue" terjadi: organisasi membangun dashboard di mana-mana tetapi tidak pernah mendefinisikan keputusan apa yang seharusnya didukung oleh masing-masing dashboard. Hasilnya: information overload tanpa action.

💡 **Insight:** Dashboard tanpa decision framework adalah dekorasi mahal. Setiap dashboard harus dimulai dengan pertanyaan "keputusan apa yang akan berubah karena data ini?" — bukan "data apa yang menarik untuk ditampilkan?"

**Fenomena 3: Paradoks AI Decision Support di UMKM Indonesia**
> McKinsey (2024) melaporkan bahwa AI-powered decision tools semakin terjangkau, tetapi adopsi di UMKM Indonesia masih di bawah 5%. Penyebabnya bukan biaya — tools seperti Google Analytics, ChatGPT, dan Canva AI sudah gratis atau sangat murah. Hambatan utama: (1) data literacy rendah, (2) ketidakpercayaan pada "keputusan mesin", (3) tidak ada framework untuk menghubungkan output AI ke keputusan bisnis aktual.

💡 **Insight:** Akses ke AI decision tools bukan lagi masalah. Masalahnya sekarang adalah kemampuan manajer untuk merumuskan pertanyaan yang tepat dan menginterpretasikan jawaban AI secara kritis — ini adalah kompetensi yang harus dikembangkan, bukan dibeli.

---

### SEK 6.7 — SALAH KAPRAH (⚠️)

⚠️ **Jebakan 1:** *"Manajer berpengalaman tidak perlu data — intuisi sudah cukup"*
> **Mengapa salah:** Intuisi yang dibangun dari 20 tahun pengalaman di industri yang stabil bisa menjadi liabilitas di era VUCA (Volatile, Uncertain, Complex, Ambiguous). Pengalaman relevan hanya jika kondisi masa depan mirip masa lalu — dan semakin sering, kondisi itu tidak mirip.
> **Koreksi:** Intuisi bukan musuh data — ia partner. Manajer terbaik menggunakan data untuk mengkalibrasi intuisi, dan intuisi untuk menginterpretasikan data di mana angka saja tidak cukup.

⚠️ **Jebakan 2:** *"Lebih banyak analisis artinya keputusan lebih baik"*
> **Mengapa salah:** *Analysis paralysis* — ketika manajer terus meminta data tambahan sebagai strategi menghindari risiko keputusan. Pada titik tertentu, manfaat marginal dari data tambahan lebih kecil dari opportunity cost keterlambatan.
> **Koreksi:** Tetapkan decision deadline dan "good enough" data threshold. Keputusan 80% informed yang diambil tepat waktu akan selalu lebih baik dari keputusan 100% informed yang datang terlambat.

⚠️ **Jebakan 3:** *"AI akan menggantikan manajer dalam pengambilan keputusan"*
> **Mengapa salah:** AI unggul di keputusan terstruktur (pattern recognition, prediksi dari data historis). AI lemah di keputusan yang membutuhkan: konteks sosial, judgment etis, visi strategis, dan negosiasi antar-manusia. Manajer yang "digantikan" AI bukan karena AI terlalu pintar, tetapi karena manajer tersebut hanya mengambil keputusan terstruktur yang memang bisa diotomasi.
> **Koreksi:** Fokus pada kompetensi yang AI tidak bisa gantikan: framing masalah, stakeholder management, ethical judgment, dan creative strategy. Serahkan keputusan repetitif ke AI.

⚠️ **Jebakan 4:** *"Kalau sudah ada dashboard, keputusan otomatis jadi lebih baik"*
> **Mengapa salah:** Dashboard hanya alat visualisasi. Tanpa framework keputusan (apa pertanyaannya, siapa yang memutuskan, kapan, dengan threshold apa), dashboard hanya menjadi "wallpaper digital" yang indah tapi tidak actionable.
> **Koreksi:** Setiap dashboard harus dirancang dengan decision question yang spesifik dan action threshold yang jelas. "Jika KPI turun di bawah X, maka Y harus dilakukan" — bukan sekadar "lihat tren."

---

### SEK 6.8 — STUDI KASUS (📊)

**📊 Studi Kasus Dasar — SIPD: Data-Driven Budgeting di Pemerintah Daerah**

❌ **Kondisi Awal:**
Proses alokasi anggaran daerah sebelum SIPD sangat bergantung pada "musyawarah" dan "kebiasaan tahun lalu" — bukan data capaian program. Prioritas anggaran ditentukan oleh lobi politik dan seniority pejabat, bukan evidence pencapaian.

✅ **Solusi & Transformasi:**
SIPD (Sistem Informasi Pemerintah Daerah) mengintegrasikan data perencanaan, penganggaran, dan capaian program dalam satu platform. Kepala daerah dan DPRD kini bisa melihat data capaian program sebagai basis alokasi anggaran tahun berikutnya.

| Dimensi | Sebelum SIPD | Sesudah SIPD |
|---------|-------------|-------------|
| Basis alokasi | Kebiasaan + lobi | Data capaian + kebiasaan |
| Transparansi | Dokumen fisik terbatas | Dashboard online publik |
| Waktu penyusunan | 3–4 bulan | 1–2 bulan |
| Akuntabilitas | Sulit di-trace | Audit trail lengkap |

💡 **Pelajaran:** SIPD belum sempurna (budaya lobi belum hilang), tetapi ketersediaan data membuat keputusan alokasi lebih *challengeable* — karena sekarang ada basis untuk bertanya "mengapa program ini dapat anggaran besar padahal capaiannya rendah?"

**📊 Studi Kasus Lanjutan — McKinsey Decision Intelligence Framework**

❌ **Kondisi Awal:**
Bahkan di perusahaan Fortune 500, McKinsey (2023) menemukan bahwa hanya 20% keputusan strategis menggunakan data secara sistematis. Sisanya: kombinasi pengalaman, intuisi, dan konsensus politik. Hasilnya: keputusan besar (M&A, market entry, product launch) gagal pada rate 60%+.

✅ **Framework yang Diusulkan:**
McKinsey Decision Intelligence membagi keputusan ke dalam 4 kategori berdasarkan frequency × impact, lalu menentukan level dukungan data yang tepat untuk masing-masing:

| Kategori | Contoh | Dukungan Data | AI Role |
|----------|--------|--------------|---------|
| High-frequency, Low-impact | Pricing adjustments | Full automation | Decision maker |
| High-frequency, High-impact | Credit approvals | AI + human override | Recommender |
| Low-frequency, High-impact | M&A decisions | Rich data + analysis | Informer |
| Low-frequency, Low-impact | Office location minor changes | Minimal data needed | Not involved |

💡 **Pelajaran:** Tidak semua keputusan membutuhkan level data support yang sama. Framework Decision Intelligence membantu manajer mengalokasikan "investasi analitik" secara proporsional — bukan merata ke semua keputusan.

---

### SEK 6.9 — TEMPLATE PRAKTIS (🔧)

**Nama:** Matriks Keputusan Manajerial

```
TEMPLATE A.6 — MATRIKS KEPUTUSAN MANAJERIAL

Nama Organisasi     : ________________________________________
Departemen/Unit     : ________________________________________
Tanggal Analisis    : ________________________________________

═══════════════════════════════════════════════════════════════

KEPUTUSAN 1:
Deskripsi keputusan        : ________________________________________
Tipe (Terstruktur/Semi/Tidak): ________________________________________
Fase Simon saat ini        : [ ] Intelligence  [ ] Design  [ ] Choice  [ ] Implementation
Data yang dibutuhkan       : ________________________________________
Data yang tersedia         : ________________________________________
Gap Informasi              : ________________________________________
SI pendukung yang ada      : ________________________________________
Rekomendasi peningkatan    : ________________________________________

KEPUTUSAN 2:
Deskripsi keputusan        : ________________________________________
Tipe (Terstruktur/Semi/Tidak): ________________________________________
Fase Simon saat ini        : [ ] Intelligence  [ ] Design  [ ] Choice  [ ] Implementation
Data yang dibutuhkan       : ________________________________________
Data yang tersedia         : ________________________________________
Gap Informasi              : ________________________________________
SI pendukung yang ada      : ________________________________________
Rekomendasi peningkatan    : ________________________________________

KEPUTUSAN 3:
Deskripsi keputusan        : ________________________________________
Tipe (Terstruktur/Semi/Tidak): ________________________________________
Fase Simon saat ini        : [ ] Intelligence  [ ] Design  [ ] Choice  [ ] Implementation
Data yang dibutuhkan       : ________________________________________
Data yang tersedia         : ________________________________________
Gap Informasi              : ________________________________________
SI pendukung yang ada      : ________________________________________
Rekomendasi peningkatan    : ________________________________________

(Ulangi untuk keputusan 4 dan 5)

═══════════════════════════════════════════════════════════════

ANALISIS RINGKAS:
Jumlah keputusan terstruktur     : ____ (kandidat otomasi)
Jumlah keputusan semi-terstruktur: ____ (butuh DSS)
Jumlah keputusan tidak terstruktur: ____ (butuh insight + judgment)
Gap informasi terbesar           : ________________________________________
Prioritas perbaikan SI           : ________________________________________
```

---

### SEK 6.10 — PETA KONSEP (Gambar 6.2)

```mermaid
mindmap
  root((Pengambilan Keputusan Berbasis Data))
    Model Simon
      Intelligence
      Design
      Choice
      Implementation
      Feedback Loop
    Tipologi Keputusan
      Terstruktur — otomasi
      Semi-terstruktur — DSS
      Tidak terstruktur — judgment
    Dukungan SI
      DSS
      Dashboard
      AI Augmentation
      What-if Analysis
    Bias Kognitif
      Confirmation Bias
      Anchoring
      HiPPO Effect
      Analysis Paralysis
    Level Manajemen
      Operasional — data transaksi
      Taktis — exception report
      Strategis — insight eksternal
    Bounded Rationality
      Satisficing
      Cognitive Limits
      SI sebagai Expander
```

---

### SEK 6.11 — RANGKUMAN

**Takeaway utama:**
1. Model Simon (Intelligence–Design–Choice–Implementation) tetap menjadi fondasi pengambilan keputusan manajerial — dan setiap fase bisa didukung oleh SI secara spesifik.
2. Tidak semua keputusan sama: keputusan terstruktur bisa diotomasi, semi-terstruktur butuh DSS, tidak terstruktur butuh judgment yang di-augmen data.
3. DSS bukan pengganti manajer — ia pemperluas batas rasionalitas (*bounded rationality*) yang secara fundamental terbatas pada kapasitas kognitif manusia.
4. Bias kognitif (confirmation, anchoring, HiPPO) adalah musuh diam-diam keputusan — data adalah penangkal terkuat, tetapi hanya jika budaya organisasi mengizinkan data menantang opini.
5. Dashboard tanpa decision framework adalah dekorasi. Setiap dashboard harus dirancang dengan pertanyaan keputusan spesifik dan action threshold.
6. AI augments, not replaces, keputusan manajerial — nilai AI tertinggi ada di keputusan semi-terstruktur di mana volume data terlalu besar untuk otak manusia.
7. DDDM bukan soal tools — ia soal budaya organisasi yang menghargai evidence di atas hierarki.

**Closing Bridge (ke Bab 7):**
> Model keputusan sudah dipahami, tipologi keputusan sudah dipetakan. Tetapi dari mana insight untuk keputusan itu datang? Bab 7 membahas Business Intelligence dan Analitik Bisnis — teknologi dan framework yang mengubah data mentah menjadi visualisasi, prediksi, dan rekomendasi yang actionable.

🔥 **Final Statement:**
> "Pengambilan keputusan berbasis data bukan tentang menghilangkan penilaian manusia, tetapi tentang memastikan bahwa penilaian itu dibangun di atas fondasi yang dapat dipertanggungjawabkan."

---

### SEK 6.12 — LATIHAN & REFLEKSI

**Pertanyaan Refleksi:**
1. Identifikasi satu keputusan di organisasi Anda yang saat ini dibuat berdasarkan intuisi tetapi seharusnya berbasis data. Apa hambatan utama untuk beralih?
2. Apakah organisasi Anda mengalami HiPPO effect? Jika ya, apa yang bisa dilakukan untuk mengatasinya tanpa memicu konflik hierarkis?
3. Evaluasi satu dashboard yang ada di organisasi Anda: apakah ia dirancang untuk menjawab pertanyaan keputusan spesifik, atau hanya menampilkan data yang "menarik"?
4. Diskusikan: dalam konteks budaya Indonesia yang hierarkis, bagaimana DDDM bisa diimplementasikan tanpa mengancam otoritas pimpinan?

**Tugas Artefak:**
> Gunakan Template A.6 (Matriks Keputusan) untuk memetakan 5 keputusan nyata di satu organisasi ke dalam tipologi Simon. Identifikasi gap informasi terbesar dan rekomendasikan dukungan SI yang diperlukan.

---

### REFERENSI BAB 6

1. Simon, H. A. (1977). *The New Science of Management Decision* (Rev. ed.). Prentice-Hall.
2. Kahneman, D. (2011). *Thinking, Fast and Slow*. Farrar, Straus and Giroux.
3. 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.
4. Sari, D. P., Wibowo, A., & Nugroho, T. (2023). Pengaruh kualitas sistem informasi terhadap kinerja manajerial. *Jurnal Akuntansi dan Keuangan Indonesia*, *20*(1), 45–62.
5. Ransbotham, S., Khodabandeh, S., Fehling, R., LaFountain, B., & Kiron, D. (2021). *Expanding AI's impact with organizational learning*. MIT SMR/BCG.
6. Laudon, K. C., & Laudon, J. P. (2022). *Management Information Systems* (17th ed.). Pearson.
7. McKinsey & Company. (2023). *Decision intelligence: Topgrading your decision making*. McKinsey Digital.
8. McKinsey & Company. (2024). *The state of AI in 2024*. McKinsey Digital.
9. Gartner Research. (2022). *Decision support systems: Market guide*. Gartner, Inc.
10. Gartner Research. (2023). *Top trends in data and analytics*. Gartner, Inc.
11. Harvard Business Review. (2023). *Data-driven decision making survey 2023*. HBR Analytics Services.
12. Deloitte. (2023). *CIO survey 2023: Technology leadership in the age of AI*. Deloitte Insights.

---

### QUALITY GATES CHECK

```
[✓] 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 di organisasinya dan peran data/SI
```