sim-manajement-book/chapters/outlines/_archive_v1/outline-bab-03.md

OUTLINE DETAIL — BAB 3

SI untuk Pengambilan Keputusan Manajerial

Bagian: I — Konteks Strategis dan Organisasi
Level: Menengah
Estimasi Halaman: 18–22
Target Kata: 4.500–5.500

---

SEK 3.1 — PEMBUKA

Opening Bridge dari Bab 2: Audit Keselarasan (Template 2.1) yang diselesaikan di Bab 2 menghasilkan satu temuan penting: ada gap antara informasi yang dibutuhkan manajer untuk membuat keputusan dan informasi yang tersedia di sistem saat ini. Bab ini menjelaskan mengapa gap itu terjadi secara sistematis — dan bagaimana SI yang dirancang dengan benar dapat menutupnya.

Hook: Seorang direktur keuangan harus memutuskan apakah perusahaan akan ekspansi ke kota baru. Di mejanya: laporan keuangan 3 tahun terakhir, proyeksi market analyst, dan intuisi dari 15 tahun pengalaman. Ia membuat keputusan dalam 2 jam. Tiga bulan kemudian, ekspansi tersebut mengalami kerugian 40% dari perkiraan — bukan karena data yang salah, tapi karena data yang tepat tidak tersedia saat keputusan dibuat.

Pertanyaan sentral: "Bagaimana SI seharusnya dirancang dan digunakan untuk mendukung seluruh spektrum keputusan manajerial — dari yang rutin hingga yang paling strategis?"

---

SEK 3.2 — MODEL UTAMA (Gambar 3.1)

Nama Model: Matriks Dukungan Keputusan Manajerial (MADKM)

Mermaid diagram: graph TD, 2 dimensi (struktur × level hierarki) membentuk 6 sel

Y-axis: Tingkat Strukturisasi Keputusan (terstruktur → tidak terstruktur)
X-axis: Level Manajemen (operasional → menengah → strategis)

Node utama:
- TPS: mendukung keputusan terstruktur di level operasional
- MIS: mendukung keputusan terstruktur & semi-terstruktur di level menengah
- DSS: mendukung keputusan semi-terstruktur di level menengah-atas
- ESS: mendukung keputusan tidak terstruktur di level strategis
- AI/ML: overlay di semua sel, meningkatkan kualitas di setiap level

Penjelasan per node:

1. TPS — Tidak ada ambiguitas, aturan jelas. Contoh: approval kredit di bawah Rp 5 juta otomatis jika skor kredit > 650.
2. MIS — Memberikan pola dan ringkasan regular. Contoh: laporan mingguan penjualan per region.
3. DSS — Memungkinkan analisis berbagai skenario. Contoh: simulasi dampak kenaikan harga 5% terhadap volume penjualan.
4. ESS — Membantu eksekutif membaca sinyal lemah dari lingkungan eksternal. Contoh: dashboard kompetitor monitoring.
5. AI/ML Overlay — Di setiap level, AI meningkatkan kecepatan dan akurasi: otomatisasi lebih lanjut di operasional, rekomendasi lebih cerdas di taktis, insight prediktif di strategis.

---

SEK 3.3 — DEFINISI KUNCI

1. 📌 Keputusan Terstruktur (Structured Decision) — Keputusan repetitif yang prosedur pencapaiannya dapat didefinisikan dengan jelas dan dapat sepenuhnya atau sebagian diotomatisasi oleh sistem informasi (Simon, 1977; diperbarui Turban et al., 2021). Relevansi: mengidentifikasi keputusan jenis ini memungkinkan manajer mengalihkan waktu ke keputusan yang benar-benar membutuhkan pertimbangan manusia.

2. 📌 Sistem Pendukung Keputusan (Decision Support System) — Sistem informasi interaktif yang membantu pengambil keputusan menggunakan data dan model untuk memecahkan masalah semi-terstruktur (Keen & Morton, 1978; diperbarui Sharda et al., 2024). Relevansi: berbeda dari MIS yang memberikan laporan standar, DSS memberikan kapabilitas "what-if" dan pemodelan.

3. 📌 Kecerdasan Artifisial (Artificial Intelligence) dalam Konteks Manajerial — Kemampuan sistem komputer untuk melakukan tugas-tugas yang biasanya memerlukan kecerdasan manusia, termasuk pengenalan pola, pembuatan rekomendasi, dan prediksi berbasis data historis, yang digunakan untuk meningkatkan kualitas dan kecepatan keputusan manajerial (Davenport & Mittal, 2022). Relevansi: AI bukan pengganti keputusan manajerial, melainkan peningkat kualitas input yang diterima manajer sebelum memutuskan.

4. 📌 Bias Kognitif (Cognitive Bias) dalam Pengambilan Keputusan — Kecenderungan sistematis dalam pemrosesan informasi yang menyebabkan penyimpangan dari rasionalitas dalam penilaian (Kahneman, 2011; Hammond et al., 2022). Relevansi: SI yang baik dirancang untuk menampilkan informasi yang meminimalkan bias kognitif umum — bukan memperkuatnya.

---

SEK 3.4 — KONSEP INTI

3.4.1 — Taksonomi Keputusan Manajerial: Simon dan Beyond

Argumen utama: Herbert Simon (nobelis ekonomi) mengidentifikasi 3 level keputusan yang masih relevan — namun perlu diperbarui dengan dimensi ketidakpastian lingkungan. Framework Simon yang diperbarui:

• Programmed (Structured) → dapat diotomatisasi penuh
• Quasi-programmed (Semi-structured) → butuh pertimbangan manusia + data
• Non-programmed (Unstructured) → dominan pertimbangan manusia, data sebagai konteks Dimensi tambahan modern:
• Kecepatan keputusan yang dibutuhkan (real-time vs strategic horizon)
• Tingkat kepercayaan pada data yang tersedia
• Dampak jika keputusan salah (reversible vs irreversible)

3.4.2 — Proses Keputusan Simon: Intelligence-Design-Choice-Implementation

Argumen utama: Simon (1977) — model IDCI adalah proses universal yang berlaku di semua level manajemen, dan SI harus mendukung setiap fase-nya. 4 fase + peran SI di setiap fase:

1. Intelligence — Identifikasi masalah dan peluang. SI: monitoring dashboards, exception reports, anomaly detection
2. Design — Kembangkan alternatif solusi. SI: DSS, simulation tools, AI recommendation engines
3. Choice — Pilih alternatif terbaik. SI: decision matrix, scoring models, risk analytics
4. Implementation — Eksekusi dan monitoring. SI: workflow systems, KPI tracking, feedback loops

3.4.3 — Bias Kognitif dan Peran SI dalam Memitigasinya

Argumen utama: Manajer terbaik sekalipun memiliki bias kognitif yang dapat menghasilkan keputusan suboptimal — SI yang baik dapat memitigasi bias ini. 6 bias kognitif umum + cara SI memitigasi:

1. Anchoring bias — terpaku pada angka pertama yang dilihat → SI: tampilkan multiple data points sebelum satu angka referensi
2. Confirmation bias — mencari data yang mengkonfirmasi keyakinan awal → SI: "devil's advocate" analytics yang menyajikan kontra-argumen
3. Availability bias — terlalu berat pada kejadian terbaru → SI: historical trend view, normalization analytics
4. Overconfidence bias — terlalu yakin pada perkiraan sendiri → SI: confidence interval displays, uncertainty quantification
5. Status quo bias — menghindari perubahan → SI: opportunity cost calculations, scenario comparison
6. Sunk cost fallacy — tidak bisa melepaskan investasi masa lalu yang rugi → SI: forward-looking projections tanpa sunk cost

3.4.4 — DSS: Anatomi dan Komponen

Argumen utama: DSS memiliki arsitektur spesifik yang membedakannya dari sistem informasi biasa. 3 komponen DSS klasik:

1. Database subsystem — data warehouse, data mart, data feeds dari TPS/ERP
2. Model subsystem — model analitik, simulasi, optimasi, statistical models
3. User interface subsystem — dashboard, form input, visualisasi, narasi otomatis Tren modern:

• Embedded DSS — rekomendasi langsung di tool yang digunakan (tanpa buka aplikasi terpisah)
• Collaborative DSS — mendukung keputusan kelompok secara real-time
• AI-powered DSS — model yang belajar dan menyesuaikan diri dengan pola pengguna

3.4.5 — Group Decision Support dan Dinamika Tim

Argumen utama: Banyak keputusan manajerial penting dibuat dalam konteks tim — dan dinamika grup bisa menghasilkan bias kolektif yang lebih berbahaya dari bias individual. Fenomena:

• Groupthink — tekanan konformitas menghilangkan perspektif alternatif
• Information pooling problem — kelompok cenderung mendiskusikan informasi yang dimiliki semua anggota, bukan informasi unik yang hanya dimiliki satu anggota
• Escalation of commitment — kelompok cenderung lebih komit pada keputusan yang sudah dibuat bersama, meski bukti menunjukkan sebaliknya

Peran GDSS (Group DSS): Mengacu pada Turban et al. (2021) — electronic meeting systems, anonymous input, structured brainstorming tools dapat signifikan meningkatkan kualitas keputusan kelompok.

3.4.6 — AI dan Augmented Decision-Making

Argumen utama: Model terbaik bukan "AI menggantikan manajer" atau "manajer tanpa AI" — melainkan "manajer yang di-augment oleh AI." Contoh nyata:

• Radiolog yang menggunakan AI: akurasi diagnosis lebih tinggi dari radiolog sendiri ATAU AI sendiri (Studi Harvard Medical School, 2022)
• Analis kredit dengan AI: lebih cepat, lebih konsisten, dengan human judgment untuk edge cases
• Manajer operasional dengan AI: AI menangani keputusan terstruktur, manajer fokus pada pengecualian

Prinsip augmented decision-making:

1. AI menangani keputusan bervolume tinggi dan terstruktur
2. Manusia mengatur framework, nilai, dan boundaries
3. Kolaborasi di zona semi-terstruktur yang semakin lebar
4. Review periodik: apa yang seharusnya dimandatkan ke AI vs dipertahankan manusia?

3.4.7 — Kualitas Data sebagai Fondasi Keputusan

Argumen utama: DSS terbaik sekalipun akan menghasilkan keputusan yang salah jika datanya tidak berkualitas. 6 dimensi kualitas data:

1. Accuracy — data mencerminkan realita
2. Completeness — tidak ada data kritis yang hilang
3. Consistency — definisi yang sama di semua sistem
4. Timeliness — data tersedia saat dibutuhkan
5. Validity — data mengikuti format dan aturan bisnis
6. Uniqueness — tidak ada duplikasi yang menyesatkan

Data Indonesia: Hayati (2022) — survei terhadap 150 perusahaan Indonesia menunjukkan 58% manajer menengah tidak mempercayai sepenuhnya data dari sistem internal mereka sendiri.

---

SEK 3.5 — KOMPARASI (Tabel 3.1)

Judul Tabel: "Manajer Tanpa SI vs Manajer dengan SI yang Tepat: 8 Dimensi Keputusan"

Dimensi	Tanpa SI Pendukung	Dengan SI Pendukung Tepat
Sumber informasi utama	Pengalaman + laporan ad-hoc	Data sistematis + pengalaman
Kecepatan keputusan	Lambat (perlu kompilasi manual)	Lebih cepat (data siap tersaji)
Konsistensi keputusan	Bergantung kondisi individu	Lebih konsisten (standar data sama)
Bias yang dominan	Anchoring + availability bias	Lebih terkontrol dengan visualisasi data
Skenario "what-if"	Sulit dilakukan	Bisa dilakukan dalam menit
Dokumentasi keputusan	Minim / informal	Terekam dan bisa diaudit
Kualitas forecasting	Bergantung intuisi	Didukung model statistik/ML
Beban kognitif	Tinggi (semua di kepala/spreadsheet)	Lebih ringan (SI mengelola kompleksitas)

💡 Insight: SI tidak menjamin keputusan yang selalu tepat — tetapi secara konsisten mengurangi varians (frekuensi keputusan yang sangat buruk) dan meningkatkan reproducibility (keputusan serupa dalam kondisi serupa menghasilkan outcome serupa).

---

SEK 3.6 — REALITAS LAPANGAN

Fenomena 1: Paradoks Data Berlimpah, Kepercayaan Rendah

Konten: Era big data seharusnya meningkatkan kualitas keputusan. Namun survei McKinsey (2023) menemukan bahwa 72% eksekutif mengaku masih lebih mengandalkan gut feeling untuk keputusan strategis dibandingkan data analytics. Alasannya: data tersedia tapi tidak trustworthy, tidak timely, atau tidak relevant untuk keputusan yang sedang dibuat.

💡 Insight: Masalah bukan volume data — tapi relevansi dan kepercayaan. SI yang baik bukan yang punya data terbanyak, tapi yang menyajikan data yang tepat pada momentum yang tepat.

Fenomena 2: Dunning-Kruger dalam Manajemen Berbasis Data

Konten: Fenomena paradoks: manajer yang baru mendapat akses analytics tools (low data literacy) sering overconfident dalam interpretasi mereka, sementara manajer dengan data literacy tinggi lebih cautious. Studi Davenport & Mittal (2022) di perusahaan Fortune 500 menemukan fase "dangerous confidence" ketika organisasi baru mengadopsi BI tools.

💡 Insight: Implementasi SI tanpa peningkatan data literacy manajerial bisa justru meningkatkan risiko keputusan buruk yang di-justify dengan "kita punya datanya."

Fenomena 3: Tokopedia AI Recommendation — Decision Augmentation di Skala Jutaan

Konten: Tokopedia menggunakan AI untuk mendukung keputusan harga di lebih dari 100 juta produk secara real-time. Manajer tidak lagi memutuskan harga individual — mereka merancang pricing frameworks dan menentukan exception rules yang mengatur kapan manusia harus intervensi. Hasilnya: conversion rate naik 18%, complaint rate turun 32%. (Laporan GoTo Group 2024)

💡 Insight: Manajemen berbasis AI bukan tentang mengurangi peran manajer — tapi tentang elevasi peran manajer ke level kebijakan dan exception handling yang lebih bernilai.

---

SEK 3.7 — JEBAKAN KOGNITIF

1. ⚠️ "Data berbicara sendiri — kita tinggal baca"

   • Mengapa salah: Data hanya berbicara melalui interpretasi manusia. Visualisasi yang berbeda dari data yang sama bisa menghasilkan kesimpulan yang berbeda — ini bukan masalah teknis, ini masalah epistemologi.
   • Koreksi: Setiap analisis data membutuhkan pertanyaan yang terdefinisi jelas sebelum memulai. Data tidak menjawab pertanyaan yang salah dengan baik.

2. ⚠️ "AI akan memutuskan untuk kita — manajer tidak diperlukan"

   • Mengapa salah: AI sangat baik untuk keputusan terstruktur berbasis pola historis. Ia tidak bisa menilai konteks etis, dinamika politik organisasi, kepentingan stakeholder, atau kondisi yang belum pernah terjadi sebelumnya.
   • Koreksi: Peran manajer bertransformasi, tidak menghilang. Kompetensi yang dibutuhkan: mengajukan pertanyaan yang tepat kepada data, menginterpretasikan konteks, dan membuat keputusan di zona yang belum dipetakan.

3. ⚠️ "DSS adalah sistem mahal khusus perusahaan besar"

   • Mengapa salah: Era cloud dan SaaS telah mendemokratisasi DSS. Power BI, Tableau, bahkan Google Sheets dengan query yang baik sudah berfungsi sebagai DSS dasar.
   • Koreksi: Pertanyaan yang relevan bukan "apakah kita mampu DSS?" tapi "pertanyaan bisnis apa yang kita perlu jawab secara reguler?" — dari situlah mulai.

4. ⚠️ "Keputusan berbasis data selalu lebih baik dari intuisi"

   • Mengapa salah: Kahneman (2011) — System 1 (intuisi) dan System 2 (analitis) keduanya memiliki peran. Intuisi yang terlatih dalam kondisi yang familiar sering lebih cepat dan lebih akurat dari analisis panjang.
   • Koreksi: SI yang terbaik tidak menggantikan intuisi — ia memberikan calibrated data yang memperkuat intuisi yang baik dan mengoreksi intuisi yang menyimpang.

---

SEK 3.8 — STUDI KASUS

Kasus A (Dasar): PT Astra International — DSS untuk Keputusan Dealer Network

Sumber: Annual Report Astra 2024, Wirawan (2023) Kondisi awal (❌): Sebelum 2018 — keputusan pembukaan dealer baru di wilayah tertentu berdasarkan insting regional manager dan presentasi dealer aplikant. Tidak ada model yang mengintegrasikan data demografi, daya beli, kompetitor, dan potensi pasar. Perubahan (✅): 2018–2024 — Astra membangun GeoNetwork DSS yang mengintegrasikan data BPS, data penjualan historis, profil ekonomi wilayah, dan data kompetitor untuk menghasilkan skor potensial per kelurahan/kecamatan. Regional manager menerima rekomendasi berbasis model dan bisa men-drill down ke data pendukung sebelum memutuskan. Tabel: Keputusan sebelum vs sesudah DSS (kecepatan evaluasi, akurasi ROI awal vs realisasi, konsistensi kriteria antar region) Pelajaran: DSS yang baik tidak menghilangkan judgment regional manager — ia memindahkan waktu mereka dari kompilasi data ke interpretasi dan keputusan.

Kasus B (Lanjutan): JPMorgan Chase — AI untuk Keputusan Kredit Korporat

Sumber: Annual Report JPMorgan 2024, Davenport & Mittal (2022) Kondisi awal (❌): Tim analis kredit korporat menghabiskan 360.000 jam/tahun untuk mereview dokumen perjanjian kredit (contract review). Proses manual, lambat, dan rentan kesalahan di dokumen yang kompleks. Perubahan (✅): COiN (Contract Intelligence) — AI berbasis NLP yang mereview dokumen kredit dalam hitungan detik. Analis sekarang fokus pada judgment atas red flags yang sudah di-flag sistem, bukan pada pembacaan dokumen seluruhnya. Pelajaran: AI paling efektif ketika mengambil alih volume-intensive structured tasks — membebaskan manusia untuk pekerjaan yang memerlukan judgment, empati, dan akuntabilitas.

---

SEK 3.9 — TEMPLATE PRAKTIS

Nama Template: Peta Dukungan Keputusan Manajerial

======================================
TEMPLATE 3.1 — PETA DUKUNGAN KEPUTUSAN MANAJERIAL
======================================

BAGIAN A: INVENTARISASI KEPUTUSAN
(Pilih satu area tanggung jawab dan daftarkan 5 keputusan penting)

Area tanggung jawab   : ____________________________

#  | Keputusan | Frekuensi | Tingkat Struktur | Dampak jika Salah
---|-----------|-----------|------------------|-------------------
1  | ________ | _________ | [ ]T [ ]S [ ]TS  | [ ]Tinggi [ ]Sedang
2  | ________ | _________ | [ ]T [ ]S [ ]TS  | [ ]Tinggi [ ]Sedang
3  | ________ | _________ | [ ]T [ ]S [ ]TS  | [ ]Tinggi [ ]Sedang
4  | ________ | _________ | [ ]T [ ]S [ ]TS  | [ ]Tinggi [ ]Sedang
5  | ________ | _________ | [ ]T [ ]S [ ]TS  | [ ]Tinggi [ ]Sedang

Keterangan: T=Terstruktur, S=Semi-terstruktur, TS=Tidak Terstruktur

BAGIAN B: ANALISIS DUKUNGAN SI SAAT INI
Keputusan mana yang SUDAH didukung SI       : ____________________________
Keputusan mana yang PALING BUTUH dukungan SI: ____________________________
Tipe dukungan yang dibutuhkan               : [ ]Data [ ]Analisis [ ]Rekomendasi [ ]Automasi

BAGIAN C: IDENTIFIKASI BIAS KOGNITIF
Bias yang paling mungkin memengaruhi area ini:
[ ] Anchoring   — Strategi mitigasi SI: ____________________________
[ ] Confirmation — Strategi mitigasi SI: ____________________________
[ ] Availability — Strategi mitigasi SI: ____________________________
[ ] Overconfidence — Strategi mitigasi SI: ____________________________
[ ] Sunk cost   — Strategi mitigasi SI: ____________________________

BAGIAN D: RENCANA PENINGKATAN
Keputusan yang bisa diotomatisasi segera     : ____________________________
Keputusan yang butuh DSS dalam 6 bulan       : ____________________________
Keputusan yang tetap butuh human judgment    : ____________________________
Satu perbaikan kualitas data yang paling mendesak: ____________________________

======================================

---

SEK 3.10 — PETA KONSEP (Gambar 3.2)

Root: SI untuk Pengambilan Keputusan Manajerial
├── Taksonomi Keputusan
│   ├── Terstruktur (TPS, automasi)
│   ├── Semi-terstruktur (DSS)
│   └── Tidak terstruktur (ESS, judgment)
├── Proses IDCI (Simon)
│   ├── Intelligence → Design → Choice → Implementation
│   └── Peran SI di setiap fase
├── Bias Kognitif
│   ├── 6 bias utama
│   └── Strategi mitigasi berbasis SI
├── DSS Anatomi
│   ├── Database + Model + UI
│   └── Embedded & AI-powered DSS
└── Augmented Decision-Making
    ├── AI + Human: lebih baik dari keduanya
    └── Evolusi peran manajer

---

SEK 3.11 — RANGKUMAN

7 poin takeaway:

1. Simon's IDCI model masih relevan dan berlaku universal — SI harus dirancang untuk mendukung keempat fase, bukan hanya penyimpanan data.
2. Tiga level keputusan (terstruktur, semi, tidak terstruktur) menentukan tipe SI yang tepat — tidak ada satu sistem yang cocok untuk semua.
3. Enam bias kognitif yang paling merusak keputusan manajerial dapat secara signifikan dimitigasi oleh SI yang dirancang dengan baik.
4. DSS bukan aplikasi mahal eksklusif perusahaan besar — prinsipnya dapat diimplementasikan dengan tools yang tersedia di hampir setiap organisasi.
5. AI di era ini berperan sebagai augmentor, bukan replacer — model terbaik adalah kolaborasi yang memanfaatkan keunggulan masing-masing.
6. Kualitas data adalah fondasi — DSS tercanggih akan menghasilkan keputusan buruk dari data yang buruk.
7. Peran manajer bertransformasi secara konkret: dari analis data ke pembuat keputusan yang menggunakan analisis; dari decision-maker untuk semua hal ke wisdom keeper untuk hal yang paling bernilai.

Closing Bridge ke Bab 4: Bab ini membahas bagaimana SI mendukung keputusan dari dalam organisasi. Namun organisasi tidak beroperasi dalam vacuum — ia selalu terhubung dengan ekosistem luar: pemasok, pelanggan, mitra, regulator. Bab 4 akan mengupas bagaimana SI yang terintegrasi di seluruh rantai nilai secara fundamental mengubah cara kompetisi bisnis berlangsung.

🔥 "Keputusan berbasis data bukan tentang mengganti intuisi manajer — tetapi tentang memberikan intuisi tersebut fondasi yang jauh lebih kuat dari sekadar pengalaman satu orang."

---

SEK 3.12 — LATIHAN & REFLEKSI

Pertanyaan Reflektif:

1. Pikirkan satu keputusan penting yang pernah Anda buat atau saksikan dibuat. Di fase mana proses IDCI paling lemah? Bagaimana SI yang baik bisa memperkuat fase tersebut?
2. Dari 6 bias kognitif yang dibahas, mana yang menurut Anda paling umum terjadi di lingkungan kerja yang Anda kenal? Berikan contoh konkret.
3. Apakah ada keputusan yang sebaiknya TIDAK didelegasikan ke AI meskipun secara teknis bisa? Apa prinsip yang Anda gunakan untuk membuat perbedaan tersebut?
4. Jika Anda harus meningkatkan kualitas satu keputusan rutin di tempat Anda bekerja, alat SI apa yang akan Anda pilih dan mengapa?

Latihan Artefak 3.1 — Peta Dukungan Keputusan Gunakan Template 3.1 untuk satu area tanggung jawab yang Anda kenal:

1. Inventarisasi 5 keputusan penting
2. Klasifikasikan tingkat strukturisasi setiap keputusan
3. Identifikasi 2 bias kognitif yang paling relevan di area tersebut
4. Buat rencana peningkatan — satu keputusan mana yang paling mendesak untuk mendapat dukungan SI lebih baik

Output Artefak 3.1 melengkapi gambaran organisasi yang dibangun dari Artefak 1.1 dan 2.1.

---

REFERENSI BAB 3

• Simon, H. A. (1977). The new science of management decision. Prentice-Hall.
• Kahneman, D. (2011). Thinking, fast and slow. Farrar, Straus and Giroux.
• Davenport, T. H., & Mittal, N. (2022). All-in on AI: How smart companies win big with artificial intelligence. Harvard Business Review Press.
• Turban, E., Pollard, C., & Wood, G. (2021). Information technology for management: On-demand strategies for performance, growth and sustainability (11th ed.). Wiley.
• Sharda, R., Delen, D., & Turban, E. (2024). Analytics, data science, and artificial intelligence (12th ed.). Pearson.
• Hammond, J. S., Keeney, R. L., & Raiffa, H. (2022). Smart choices: A practical guide to making better decisions. HBR Press.
• Hayati, N. (2022). Faktor-faktor yang mempengaruhi kualitas pengambilan keputusan manajerial berbasis data di perusahaan Indonesia. Jurnal Sistem Informasi STMIK SINAR NUSANTARA, 18(1), 1–15.
• McKinsey Global Institute. (2023). The economic potential of generative AI. McKinsey & Company.
• Wirawan, B. (2023). Implementasi decision support system pada manajemen jaringan dealer otomotif nasional. Jurnal Teknologi Informasi dan Komunikasi, 12(2), 78–94.
• Laudon, K. C., & Laudon, J. P. (2022). Management Information Systems: Managing the Digital Firm (17th ed.). Pearson.
• GoTo Group. (2024). Annual report 2024. PT GoTo Gojek Tokopedia Tbk.
• Mikalef, P., & Gupta, M. (2021). AI capability: Conceptualization, measurement calibration, and empirical study on its impact on organizational creativity. Information & Management, 58(3), 103434.