Terjemahan Data Analytics in Small and Mid-Size Enterprises - Enablers and

Machine Translated by Google
Jurnal Internasional Sistem Informasi Akuntansi 44 (2022) 100547
Daftar konten tersedia di ScienceDirect
Jurnal Akuntansi Internasional

Sistem Informasi
beranda jurnal: www.elsevier.com/locate/accinf
Analitik data di perusahaan kecil dan menengah: Pengaktif dan

penghambat untuk nilai bisnis dan kinerja perusahaan
Arif Perdana a,*, Hwee Hoon Lee B, SzeKee Koh B, Desi Arisandi B
A
Universitas Monash, Indonesia
b
Institut Teknologi Singapura, Singapura
INFORMASI ARTIKEL ABSTRAK
Kata kunci: Muncul pertanyaan kritis apakah analitik data (DA) dapat memberikan nilai dan meningkatkan kinerja
nilai bisnis TI
organisasi. Manfaat yang ditawarkan oleh DA dapat dicapai hanya jika organisasi mampu mengarahkan
Analisis data perhatian mereka pada faktor-faktor pengondisi yang memperkuat nilai bisnis. Pada saat yang sama,
Konsep faktor ganda
organisasi harus hati-hati menyelesaikan masalah yang mengurangi nilai bisnis DA. Studi ini menerapkan
Tampilan berbasis sumber daya
RBV resource-based view (RBV) dan konsep dual factor untuk memahami faktor-faktor tersebut dalam
Perusahaan kecil dan menengah
konteks Usaha Kecil dan Menengah (UKM). Hasilnya mengungkapkan bahwa kualitas informasi dan
UKM sistem adalah katalis untuk nilai bisnis analitik data, sedangkan kurangnya pemahaman dan kekhawatiran
sumber daya yang diaktifkan TI atas keamanan dan privasi data adalah prediktor paling menonjol yang dapat mencegah UKM
mewujudkan nilai bisnis DA. Studi kami menyoroti pentingnya memahami pendukung dan penghambat
dalam penelitian nilai bisnis TI. Kami juga menawarkan strategi kepada pemangku kepentingan untuk
membantu UKM mewujudkan nilai bisnis DA.
1. Perkenalan
Lingkungan bisnis yang kompetitif mengharuskan perusahaan untuk beradaptasi dengan cepat untuk memenuhi kebutuhan pelanggan dan
menerapkan praktik inovatif. Analisis data (DA) memiliki potensi untuk menghadirkan berbagai inovasi dengan memungkinkan perusahaan memanfaatkan
data seperti preferensi pelanggan dan penjualan produk. Memanfaatkan DA, perusahaan dapat mengidentifikasi, mengumpulkan, dan memanfaatkan
pengetahuan untuk mengatasi lingkungan bisnis yang berpotensi menantang saat ini dan di masa depan (Wu et al., 2019a). Misalnya, sejumlah besar
data tentang penggunaan media sosial, pola penelusuran web, dan penggunaan ponsel dapat dianalisis, memungkinkan perusahaan memahami
perilaku, sentimen, dan pendapat konsumen (Schaupp dan Belanger, 2014; Tambe, 2014). Pada saat yang sama, efisiensi perusahaan dapat
ditingkatkan melalui analisis data operasional yang ada dari sistem informasi perusahaan (Aral et al., 2012).
Dalam dekade terakhir, banyak yang telah dipublikasikan tentang manfaat DA. Pada awal tahun 2000-an, perusahaan besar mulai menyadari bahwa
DA sangat penting untuk pengembangan perusahaan mereka, yang memerlukan penggunaan data dalam jumlah besar dan teknologi informasi (TI)
yang canggih (Davenport dan Patil, 2012). Namun, TI bukanlah obat mujarab. Seperti yang dijelaskan dalam artikel Nicholas Carr "ITU Tidak Penting"
(Carr, 2003), DA kemungkinan akan memiliki keuntungan yang semakin berkurang jika penggunaannya tetap generik daripada strategis. Penelitian telah
menunjukkan bahwa meskipun optimisme tentang potensi DA meningkat dan pengadopsiannya menjadi arus utama, jumlah perusahaan yang memiliki
keunggulan kompetitif karena DA telah menurun sejak 2014 (Akter et al., 2016; Bean dan Davenport, 2019; Ransbotham et al., 2016). Penjelasan yang
mungkin untuk tren ini adalah bahwa peluang tak ternilai yang ditawarkan oleh DA dapat dicapai hanya jika perusahaan dapat terus melakukan orientasi
* Penulis yang sesuai.

Alamat email: arif.perdana@monash.edu (A.Perdana), HweeHoon.Lee@Singaporetech.edu.sg (HH Lee), SzeKee.Koh@Singaporetech.edu.sg
(S. Koh), Desi.Arisandi@Singaporetech.edu.sg (D. Arisandi).
https://doi.org/10.1016/j.accinf.2021.100547
Diterima 25 Mei 2021; Diterima dalam bentuk revisi 28 November 2021; Diterima 20 Desember 2021
Tersedia online 29 Desember 2021 1467-0895/© 2021 Elsevier Inc. Semua hak dilindungi undang-undang.
A. Perdana dkk. Jurnal Internasional Sistem Informasi Akuntansi 44 (2022) 100547
bisnis mereka seputar peningkatan proses (Wu et al., 2019b). Perusahaan juga harus memastikan proses bisnis mereka menghasilkan data berkualitas tinggi;
mereka juga harus menghindari silo data dan berusaha untuk memiliki budaya berbasis data.
Menerapkan DA membutuhkan sumber daya keuangan dan manusia yang besar (Boÿziÿc dan Dimovski, 2019; Grover et al., 2018). Bean dan Davenport
(2019) melaporkan bahwa 91,6% dari 65 perusahaan terkemuka Fortune 1000 telah meningkatkan laju investasi DA mereka, dan bahwa 55% dari investasi DA
perusahaan ini melebihi $50 M. Perusahaan juga telah menciptakan posisi level C baru, sebagai Chief Data Officer, dan mempekerjakan lebih banyak ilmuwan
data. Karena ketersediaan sumber daya di perusahaan besar, pengeluaran investasi DA mungkin tidak terlalu penting.
Namun, untuk usaha kecil dan menengah (UKM) dengan sumber daya keuangan dan manusia yang terbatas, hambatan budaya, dan konservatisme intrinsik
(Ghobakhloo dan Ching, 2019), berinvestasi di DA mungkin bermasalah. Meskipun penggunaan DA di UKM dapat menimbulkan beberapa tantangan, DA
berpotensi memungkinkan UKM untuk mengubah bisnis mereka secara digital. Misalnya, UKM Singapura yang mengembangkan perangkat lunak untuk industri
makanan dan minuman memberi pelanggannya aplikasi online yang mencakup pembayaran, keterlibatan pelanggan, akuntansi bersama, dan layanan pajak.
Dengan aplikasi ini, data dapat diproses secara mulus, dan informasi ditampilkan secara visual di dasbor, memungkinkan UKM melacak tindakan akuntansi
mereka secara real-time (Pan dan Sun, 2018). Oleh karena itu, memahami bagaimana DA dapat bermanfaat bagi UKM patut diselidiki (Coleman et al., 2016).
Penelitian kami bertujuan untuk mengeksplorasi sejauh mana UKM di Singapura memanfaatkan aplikasi DA untuk menghasilkan nilai bisnis. Studi ini dapat
menjelaskan bagaimana akuntan harus memobilisasi kemampuan DA mereka bersama dengan sumber daya organisasi lainnya untuk menciptakan sumber daya
yang berbeda. Pemandangan DA di Singapura menarik. Pemerintah Singapura telah memberikan beberapa inisiatif untuk transformasi digital, seperti Smart
Nation Initiative dan berbagai hibah untuk implementasi inovasi dan teknologi, namun masih ada tantangan bagi UKM untuk mengimplementasikan DA. Hal itu
terlihat dari dua survei yang dilakukan pada 2017 dan 2020. Pertama, Committee on the Future Economy (CFE) melaporkan bahwa sekitar sepertiga perusahaan
lokal belum menyadari potensi Big Data Analytics atau teknologi lainnya. Selain itu, sekitar 80% belum memanfaatkan potensi teknologi kecerdasan buatan (AI).
Banyak dari perusahaan ini menyatakan bahwa mereka kurang memiliki kesadaran dan keahlian dalam menggunakan Ilmu Data dan AI atau takut melanggar
peraturan perlindungan data (The Committee on the Future Economy, 2017). Kedua, studi yang dilakukan oleh Singapore Association of Small and Medium
Enterprises (ASME) dan Microsoft tentang adopsi teknologi digital menemukan bahwa transformasi digital telah meningkat pesat, dengan 83% UKM memiliki
strategi transformasi digital. Namun, COVID-19 menunda rencana mereka untuk mengadopsi teknologi digital. Selain itu, hanya dua dari lima UKM dalam studi
tersebut yang menganggap upaya mereka dalam menerapkan teknologi digital berhasil1
.
Mempertimbangkan banyaknya upaya dalam mendorong adopsi dan investasi di DA, menyelidiki dampak DA pada nilai bisnis dan kinerja perusahaan sangat
penting. Sementara penelitian tentang DA terus berkembang biak, hubungan antara kemampuan DA (misalnya, sistem DA dan kualitas informasi) sebagai
pendukung dan penghambat potensial, nilai bisnis, dan kinerja perusahaan masih belum dijelajahi.
Baru-baru ini, para peneliti telah mengambil minat aktif untuk memahami hubungan ini (Akter et al., 2016; Boÿziÿc dan Dimovski, 2019; Ghase maghaei, 2021;
Grover et al., 2018; Ren et al., 2017). Mereka telah menemukan bahwa infrastruktur DA dan kapabilitas DA berpotensi memengaruhi penciptaan nilai DA dan
kinerja perusahaan (Grover et al., 2018). Untuk menghasilkan nilai bisnis DA, tantangan mungkin datang dari pengelolaan teknologi, data, dan aset manusia.
Ketiga sumber daya ini sangat penting untuk berhasil memberikan nilai dari penggunaan DA (Boÿziÿc dan Dimovski, 2019; Grover et al., 2018).
Dengan meningkatnya penelitian tentang nilai bisnis DA, sudah saatnya untuk memeriksa faktor pendukung dan penghambat pada nilai dan dampak DA.
Beberapa pekerjaan berfokus pada pendukung daripada penghambat. Ren dkk. (2017) mempelajari sejauh mana kualitas informasi dan sistem memengaruhi
nilai bisnis DA dan kinerja perusahaan, sedangkan Ghasemaghaei (2021) menemukan bahwa karakteristik data besar seperti volume, kecepatan, variasi, nilai,
dan kebenaran berdampak positif pada kinerja perusahaan. Sampai saat ini, sedikit penelitian yang menonjol telah ditemukan pada penghambat nilai bisnis DA
dan kinerja perusahaan. Oleh karena itu, penelitian kami menyelidiki potensi pencegah dan katalis bagi perusahaan untuk mencapai nilai bisnis dan kinerja
perusahaan dari DA. Untuk memandu penelitian kami, kami mengajukan pertanyaan berikut: Apa saja yang memungkinkan dan menghambat nilai bisnis DA dan
dampaknya terhadap kinerja perusahaan?
Kontribusi penelitian kami empat kali lipat. Pertama, kami membangun penelitian saat ini dengan menggunakan teori pandangan berbasis sumber daya
(RBV) dan konsep nilai bisnis teknologi informasi (ITBV) (Barney, 1986; Barney, 1991; Bharadwaj, 2000). Kami kemudian mengadaptasi konsep faktor ganda
untuk menguji peran pendukung dan penghambat dengan memperluas penyelidikan hingga dampaknya terhadap nilai bisnis DA dan kinerja perusahaan
(Cenfetelli, 2004; Cenfetelli dan Schwarz, 2011). Kedua, penelitian kami menguraikan variabel yang relevan untuk penghambat yang mempengaruhi nilai bisnis
DA. Pengukuran nilai bisnis DA kami mencakup kinerja keuangan dan non-keuangan yang dilaporkan sendiri, yang merupakan variabel yang digunakan juga
untuk menentukan nilai bisnis dalam domain sistem informasi akuntansi (AIS) (Elbashir et al., 2008; Koreff et al., 2021 ; Krieger et al., 2021; Masli et al., 2011;
Rikhardsson dan Yigitbasioglu, 2018). Analisis kami menunjukkan bahwa kurangnya pemahaman dan kepedulian terhadap keamanan dan privasi data adalah
prediktor paling menonjol yang dapat mencegah UKM mewujudkan nilai bisnis DA. Ketiga, analisis kami menunjukkan bahwa kapabilitas DA memainkan peran
moderasi dalam hubungan antara nilai bisnis DA dan kinerja perusahaan. Peran ini, bagaimanapun, perlu ditafsirkan secara hati-hati dalam konteks UKM.
Keempat, kami menawarkan kontribusi praktis. Karena fokus kami adalah pada UKM, saat ini sekelompok bisnis yang kurang terwakili dalam literatur yang masih
ada tentang nilai bisnis DA, penelitian kami berpotensi memiliki relevansi praktis dengan mereka.
Pada bagian berikut, kami menjelaskan RBV, ITBV dan konsep faktor ganda yang bersama-sama membentuk kerangka penelitian kami. Kami kemudian
meringkas penelitian yang masih ada tentang nilai bisnis UKM dan DA sebelum menjelaskan bagaimana hipotesis kami dikembangkan. Selanjutnya, kami
menjelaskan metode penelitian dan data sampel kami, diikuti dengan diskusi tentang manfaat praktis dan kontribusi dari pekerjaan kami. Kami menyimpulkan
dengan keterbatasan dan kemungkinan penelitian masa depan di daerah tersebut.
1
https://news.microsoft.com/en-sg/2020/10/22/over-80-of-singapore-smes-embrace-digital-transformation-more-than-half-report-slowdowns
karena-ke-covid-19-asme-microsoft-study-2020/
2
2. Kajian literatur dan pengembangan hipotesis
2.1. Tampilan berbasis sumber daya dan nilai bisnis TI
Nilai bisnis teknologi informasi (ITBV) berakar pada literatur pandangan berbasis sumber daya (RBV) (Nevo dan Wade, 2010; Ferguson et al., 2005; Masli et
al., 2011; Wade dan Hulland, 2004). RBV mengasumsikan bahwa perusahaan bersaing dan mempertahankan bisnis mereka dengan sumber daya organisasi,
yang berharga, langka, tidak dapat ditiru secara sempurna, dan tidak dapat digantikan (Barney, 1986; Barney, 1991; Bhar adwaj, 2000). Banyak perusahaan
dapat dengan mudah membeli, menerapkan, dan mengadopsi TI ke dalam proses bisnis mereka. Namun, beberapa perusahaan mungkin tidak siap
mengumpulkan banyak sumber daya untuk berhasil mencapai nilai bisnis dan kinerja perusahaan dengan TI (Bharadwaj, 2000; Melville et al., 2004).
TI memungkinkan organisasi menciptakan sumber daya “unik” untuk membantu meningkatkan bisnis. Namun, organisasi harus menyadari bahwa menciptakan
sumber daya memerlukan kemampuan organisasi untuk (kembali) mengkonfigurasi TI dengan sumber daya yang ada. Orang, proses, dan teknologi dapat
dimodifikasi dan dikonfigurasi ulang dengan berbagai cara untuk membantu organisasi menjalankan bisnis mereka secara optimal dan mempertahankan model
bisnis mereka (Grover et al., 2009; Melville et al., 2004). Dalam domain akuntansi, upaya sebelumnya dilakukan oleh Nicolau (2004) dan Poston dan Grabski
(2000) untuk membangun hubungan antara teknologi dan kinerja perusahaan. Meskipun para peneliti ini tidak mendasarkan penyelidikan mereka secara khusus
pada teori RBV, analisis mereka konsisten dengan teori yang diajukan. Mereka menyarankan bahwa perencanaan sumber daya perusahaan (ERP) membantu
perusahaan menciptakan sumber daya dan kemampuan yang berbeda. Sumber daya lain seperti manajemen dan kepemimpinan juga harus mendukung
implementasi, adopsi, dan konfigurasi ERP, jika gagal sumber daya ini dapat menghambat pembangkitan nilai bisnis dari ERP.
Penelitian sebelumnya menerapkan RBV untuk memahami peran teknologi dalam menciptakan nilai bisnis yang pada akhirnya mengarah pada kinerja bisnis
yang optimal (misalnya, Bharadwaj, 2000; Melville et al., 2004; Grover et al., 2009; Nevo dan Wade, 2010). Penerapan teori ini telah mengarah pada aliran
penelitian tentang nilai bisnis TI (ITBV), atau sumber daya yang dimungkinkan oleh TI, dalam domain sistem informasi (IS).
Penelitian tentang ITBV telah ditampilkan dalam jurnal IS primer (yaitu, MISQ, ISR, dan JMIS) sejak pergantian abad ke-21 (Jeyaraj dan Zadeh, 2020). ITBV
mengacu pada dampak TI pada kinerja organisasi baik pada tingkat proses perantara dan tingkat keseluruhan organisasi, dan mencakup efisiensi dan efek
kompetitif (Melville et al., 2004). Di bidang akuntansi, RBV telah digunakan dalam banyak penelitian, misalnya untuk mendukung tata kelola TI yang efektif
(Prasad dan Green, 2015), untuk memahami bagaimana TI memungkinkan organisasi meningkatkan kemampuan analitis dan bagaimana hal itu sangat dihargai
oleh investor (Huang et al., 2018; Muhanna dan Stoel, 2010), serta memahami bagaimana usaha kecil menciptakan nilai melalui media sosial (Schaupp dan
Belanger, 2014).
Penelitian ITBV dapat ditelusuri ke pertanyaan menarik oleh para sarjana dan praktisi tentang hasil investasi TI yang sangat besar (Brynjolfsson, 1993) dan
temuan bahwa investasi besar dalam TI tidak selalu berkorelasi dengan pertumbuhan produktivitas (Brynjolfsson dan Hitt, 2000). Oleh karena itu, apakah
perusahaan perlu membelanjakan sumber daya mereka untuk TI menjadi masalah kritis bagi banyak perusahaan besar, dan terlebih lagi bagi perusahaan kecil
dengan sumber daya terbatas. Upaya awal untuk memahami hubungan antara pengeluaran TI dan kinerja perusahaan telah menunjukkan hasil yang beragam.
Meskipun TI telah terbukti menciptakan nilai (Kohli dan Grover, 2008), dampaknya terhadap kinerja perusahaan bergantung pada kemampuan perusahaan untuk
secara strategis membedakan sumber daya TI mereka, yang meliputi infrastruktur TI, kemampuan manusia TI, dan strategi TI (Bharadwaj, 2000; Kohli dan
Devaraj, 2008; Mithas dan Rust, 2016). Kinerja perusahaan juga dapat tercermin dari ukuran keuangan, proses, dan persepsi (Kohli dan Grover, 2008). Misalnya,
Mithas et al. (2012) melaporkan bahwa investasi TI memengaruhi ukuran keuangan perusahaan (yaitu, profitabilitas); dalam hal ini, profitabilitas perusahaan
meningkat karena pertumbuhan pendapatan yang dimungkinkan oleh TI daripada pengurangan biaya yang dimungkinkan oleh TI. Di sisi lain, Ghasemaghaei
(2021) dan Ghasemaghaei et al. (2018) mempelajari variabel persepsi kinerja perusahaan yang dipengaruhi oleh big data. Ghasemaghaei (2021) meneliti sejauh
mana karakteristik Big Data yang dirasakan (yaitu, volume, kecepatan, variasi, dan kebenaran) memengaruhi nilai data yang dirasakan dan kinerja perusahaan.
Volume, kecepatan, dan variasi ditemukan terkait dengan nilai data, sedangkan kebenaran dan nilai data dapat memengaruhi kinerja bisnis.
Mengikuti penelitian di ITBV, para sarjana sekarang mencoba untuk memahami dampak DA pada kinerja perusahaan. Ghasemaghaei (2021), misalnya,
mempelajari hubungan antara karakteristik big data dan kinerja perusahaan. Dia menemukan bahwa sejumlah besar data dan kecepatan menghasilkan atau
mengumpulkan data tidak serta merta mempengaruhi nilai data yang mengarah pada kinerja perusahaan. Keanekaragaman data, bagaimanapun, mempengaruhi
nilai data dan kinerja perusahaan. Secara keseluruhan, para peneliti tampaknya setuju bahwa DA dapat mengarah pada produktivitas perusahaan ketika
perusahaan menggunakannya untuk terus meningkatkan proses yang ada (Wu et al., 2019a). Riset kami merujuk literatur RBV dan ITBV untuk memandu kami
sejauh mana DA dapat membantu menghasilkan nilai dan mengarah pada peningkatan kinerja UKM.
Mengikuti klasifikasi ITBV yang dikemukakan oleh Masli et al. (2011), kami mempertimbangkan hasil keuangan dan non-keuangan dari nilai perusahaan DA.
Hasil keuangan meliputi hasil kinerja akuntansi (pengurangan biaya operasi dan pengembalian aset keuangan) dan hasil kinerja pemasaran (meningkatkan
hubungan pelanggan dan layanan), sedangkan kinerja non-keuangan terdiri dari efisiensi manajemen rantai pasokan, peningkatan produktivitas karyawan, dan
respons yang lebih cepat terhadap perubahan. . Namun, karena akses terbatas ke data keuangan sampel kami, data yang dilaporkan sendiri dikumpulkan
sebagai gantinya.
2.2. Konsep faktor ganda
Konsep faktor ganda sebagian besar diterapkan pada penelitian tentang adopsi dan penggunaan TI. Dalam banyak penelitian di bidang ini, para sarjana
cenderung berfokus pada satu aspek – penerimaan. Penerimaan didorong oleh faktor pendukung seperti ekspektasi upaya, ekspektasi kinerja, kualitas informasi,
dan kualitas layanan (DeLone dan McLean, 1992; Petter et al., 2008; Venkatesh et al., 2012; Venkatesh et al., 2016). Adopsi sistem informasi (IS) dapat
dipercepat karena adanya enabler (Lapointe dan Rivard, 2005). Namun, sedikit yang diketahui tentang faktor-faktor yang memengaruhi keputusan perusahaan
untuk tidak mengadopsi dan menggunakan teknologi (van Offenbeek et al., 2013). Faktor-faktor ini termasuk pendukung dan penghambat adopsi dan penggunaan
TI (Cenfetelli, 2004). Namun, inhibitor bukanlah kebalikan dari enabler (Cenfetelli, 2004). Keduanya
3
faktor pendukung dan penghambat mengacu pada persepsi; perbedaannya adalah bahwa sementara satu perangkat persepsi mendorong adopsi dan penggunaan TI,
perangkat lainnya tidak mendukung (Cenfetelli, 2004).
Faktanya, baik enabler maupun inhibitor dapat hidup berdampingan dalam adopsi dan penggunaan TI (Cenfetelli, 2004; Cenfetelli dan Schwarz, 2011; van Offenbeek
et al., 2013). Hal ini menunjukkan bahwa seseorang mungkin memiliki persepsi yang baik dan tidak baik tentang teknologi yang mempengaruhi adopsi dan penggunaan,
atau seseorang juga dapat memiliki salah satu dari persepsi tersebut karena faktor pendukung dan penghambat memiliki efek independen pada adopsi dan penggunaan
TI. Pernyataan ini didukung oleh penelitian berikut. Menggunakan model kesuksesan IS Delone dan MacLean (DeLone dan McLean, 2003), Cenfetelli dan Schwarz (2011)
mempelajari kedua faktor pendukung dan penghambat penggunaan TI pada tingkat individu dan sistem.
Mereka mengusulkan kualitas informasi dan sistem sebagai pendukung. Inhibitor, di sisi lain, bisa berasal dari atribut IS yang tidak menguntungkan, seperti informasi
yang berlebihan, permintaan yang tidak relevan, gangguan, dan ketidakpastian proses. Dalam studi mereka, Henderson et al. (2016) mengklasifikasikan penghambat
penggunaan TI sebagai berbasis objek (masalah sistem) dan berbasis perilaku (yaitu, ancaman yang dirasakan), dan pendukung sebagai perseptual (persepsi kemudahan
penggunaan dan kegunaan yang dirasakan). King dan Teo (1994, 1996) menyarankan lima pendukung penggunaan strategis TI di tingkat organisasi, yaitu kebutuhan
inovatif, posisi kompetitif, lingkungan, skala ekonomi, dan bimbingan manajemen puncak; mereka juga mengidentifikasi tiga variabel penghambat, yaitu kurangnya
penggerak TI, kurangnya skala ekonomi, dan kurangnya kebutuhan inovatif. Mengikuti logika faktor ganda, kami memperluas penggunaannya untuk menyelidiki pendukung
dan penghambat nilai bisnis DA dan kinerja perusahaan.
Sementara penelitian adopsi teknologi telah memasukkan pendukung dan penghambat (Cenfetelli, 2004; Cenfetelli dan Schwarz, 2011; van Offenbeek et al., 2013),
kami berpendapat bahwa konsep faktor ganda ini juga dapat membantu kita memahami nilai bisnis TI. Argumen kami konsisten dengan teori RBV (Barney 1986; 1991;
Bharadwaj, 2000) dan aliran penelitian sumber daya ITBV atau IT-enabled (Jeyaraj dan Zadeh, 2020). Mengikuti RBV, kami menempatkan aset TI (yaitu, sumber daya TI
dan kapabilitas TI) sebagai sumber daya yang diaktifkan dalam organisasi. Sumber daya TI meliputi komponen infrastruktur TI fisik, sumber daya TI manusia, dan sumber
daya TI tak berwujud seperti aset pengetahuan. Di sisi lain, kapabilitas TI meliputi desain TI dan kemampuan organisasi untuk menyebarkan sumber daya TI (Drnevich
dan Croson, 2013).
Studi kami berfokus pada kemampuan TI, yang merupakan aplikasi DA yang dapat menganalisis data dan menghasilkan informasi untuk memfasilitasi organisasi
memanfaatkan data dan mendapatkan wawasan yang dapat ditindaklanjuti, yang pada akhirnya menghasilkan kinerja organisasi yang lebih baik. Namun, kemampuan TI
tersebut perlu didukung oleh sumber daya organisasi lainnya seperti keterampilan dan infrastruktur, manajemen data, kepemimpinan, dan dukungan manajemen
(Bharadwaj, 2000; Wade dan Hulland, 2004; Willcocks et al. 2018). Jika tidak, kemampuan TI tidak akan memberikan nilai bisnis yang diharapkan. Drnevich dan Croson
(2013) menyatakan bahwa mewujudkan nilai bisnis TI bergantung pada kumpulan yang tepat dari sumber daya TI dan sumber daya non-TI. Oleh karena itu, sumber daya
organisasi lainnya harus melengkapi kemampuan TI untuk menciptakan sumber daya yang mendukung TI yang sinergis (Nevo dan Wade, 2010). Ketika diimplementasikan
dengan benar, TI dan sumber daya organisasi lainnya akan menjadi pendukungnya. Sebaliknya, sumber daya organisasi yang gagal bersinergi dengan sumber daya TI
akan menghambat terciptanya ITBV. Sayangnya, penelitian masih terbatas dalam meneliti inhibitor ini. Penelitian diperlukan untuk menjelaskan faktor-faktor yang dapat
menghambat terwujudnya ITBV (Nevo dan Wade, 2010). Tabel 1 menyajikan gambaran kami tentang konsep faktor ganda dalam penelitian ITBV.
2.3. Analisis data dalam akuntansi
Penelitian analitik data dalam akuntansi secara luas menggunakan empat terminologi: Business Intelligence (BI) (misalnya, Elbashir et al., 2008; Peters et al., 2016;
Peters et al., 2018), Business Analytics (BA) (misalnya, Appelbaum et al., 2017), Business Intelligence and Analytics (BI&A) (misalnya, Rikhardsson dan Yigitbasioglu,
2018) dan Data Analytics (DA) (Koreff et al., 2021; Krieger et al., 2021). Sistem BI adalah bagian dari analitik dan pelaporan data yang mendukung posisi kepemimpinan
di berbagai tingkatan dengan informasi yang tepat waktu, relevan, dan mudah digunakan yang memungkinkan mereka membuat keputusan yang lebih baik (Elbashir et
al., 2008) . Peters et al. (2018) mengemukakan bahwa BI mencakup sistem pendukung manajemen untuk pengumpulan, penyimpanan, dan akses data untuk mendukung
pengambilan keputusan. Pengambilan keputusan ini sangat penting untuk mendukung sistem pengendalian manajemen dan mengevaluasi kinerja unit bisnis (Peters et
al., 2016). Appelbaum et al. (2017) mengadopsi definisi BI&A dari Davenport dan Harris (2007) untuk konteks akuntansi manajemen. Mereka menyarankan agar BI&A
membantu akuntan manajemen untuk menggunakan data dengan TI, analisis statistik, metode kuantitatif, dan model matematika atau berbasis komputer. BI&A mencakup
metode deskriptif, prediktif, atau preskriptif yang memfasilitasi organisasi dalam menghasilkan informasi yang relevan dari bisnis
Tabel 1
Konsep faktor ganda dalam penelitian TI.
Konsep Faktor Ganda dalam Adopsi dan Penggunaan TI
Pengaktif Inhibitor
Sistem dan teknologi informasi (IST) yang secara umum dirancang dengan baik IST yang dirancang dengan buruk dan tidak berfungsi (Cenfetelli dan Schwarz, 2011)
dan mahir secara fungsional (Cenfetelli, 2004)
Contoh enabler dapat berupa kapabilitas TI seperti kualitas informasi dan kualitas sistem Contoh inhibitor dapat berupa inhibitor informasi dan inhibitor sistem (
(Cenfetelli, 2004) Cenfetelli dan Schwarz, 2011)
Adaptasi Konsep Dual Factor ke Riset ITBV
Pengaktif Inhibitor
Sumber daya dan kapabilitas TI adalah pendukung bagi organisasi untuk menciptakan Inhibitor muncul ketika kurangnya keselarasan dan dukungan dari sumber daya organisasi
nilai bisnis (Drnevich dan Croson, 2013; Wade dan Hulland, 2004) lainnya untuk mendukung sumber daya TI (Bharadwaj, 2000; Nevo dan Wade, 2010)
Contoh enabler adalah arsitektur desain TI, fitur TI, keterampilan TI ( Contoh penghambat adalah kurangnya sumber daya tidak berwujud TI seperti keterampilan
Drnevich dan Croson, 2013; Wade dan Hulland, 2004) dan pengetahuan (Nevo dan Wade, 2010)
4
operasi dan menghasilkan wawasan yang dapat ditindaklanjuti. Rikhardsson dan Yigitbasioglu (2018) mengadopsi pandangan serupa dengan Appelbaum et al. (2017)
dengan mendefinisikan BI&A secara borad. Baru-baru ini, Krieger et al. (2021) menggunakan terminologi DA untuk mendeskripsikan statistik, penambangan data, dan
teknik visualisasi untuk mengekstraksi dan mengubah data menjadi informasi yang relevan dan berharga.
Penelitian sebelumnya di bidang akuntansi juga mengkategorikan penggunaan DA menjadi penggunaan dasar dan lanjutan (Krieger et al., 2021), atau penggunaan
rendah ke tinggi (Peters et al., 2018). Penggunaan dasar atau rendah mencerminkan penggunaan DA untuk analisis tradisional seperti analitik deskriptif dan penggunaan
teknologi berbasis spreadsheet. Sebaliknya, penggunaan tingkat lanjut atau tinggi melampaui penggunaan tradisional dan mencakup analisis prediktif canggih, alat
canggih, dan teknik canggih. Secara umum, penelitian DA dalam akuntansi berupaya menghubungkan penerapan analitik dengan topik inti akuntansi, yaitu manajemen,
perpajakan, keuangan, sistem informasi, dan audit (misalnya, Cao et al., 2015; Cheng et al., 2021; Kogan et al., 2019; Eilifsen et al., 2020; Lassila et al., 2019; Perols et
al., 2017; Rikhardsson dan Yigitbasioglu, 2018; Zhang, 2019). Baru-baru ini, kemampuan DA tingkat lanjut (yaitu, pembelajaran mesin) juga telah diintegrasikan dengan
kecerdasan buatan (AI) dan otomatisasi proses robot (RPA). Integrasi ini memungkinkan industri akuntansi untuk mengimplementasikan intelligent process automation
(IPA) untuk tugas-tugas yang lebih kompleks yang melibatkan data terstruktur dan tidak terstruktur (Zhang, 2019). Bersama dengan teknologi lain seperti Blockchain dan
Cloud Computing, DA dan IPA memungkinkan organisasi menjalankan proses bisnis mereka secara optimal dan menghasilkan nilai bisnis, yang pada akhirnya
memengaruhi kinerja bisnis mereka secara keseluruhan.
DA banyak digunakan dalam domain akuntansi. Ini membantu akuntan untuk memahami pola yang tertanam dalam data dan menggunakan data untuk pengambilan
keputusan. DA juga dapat membantu merampingkan pemrosesan data dan membantu akuntan lebih fokus pada inferensi, prediksi, dan jaminan (Schneider et al., 2015).
Oleh karena itu, DA bermanfaat untuk bisnis besar dan kecil (Chen, et al., 2018; Pan and Sun, 2018; Coleman, et al., 2016). Sementara perusahaan besar mungkin
lebih baik dalam mengadopsi dan menerapkan DA, UKM mungkin menghadapi tantangan untuk melakukan hal yang sama. UKM mungkin harus membuat trade-off
antara biaya dan fungsionalitas, kurangnya keahlian internal, dan menghadapi masalah kompleks lainnya seperti keamanan data (Liu et al., 2020a). Oleh karena itu,
kami berpendapat bahwa terlepas dari tantangan yang mungkin dihadapi UKM dengan DA, memanfaatkan praktik DA dengan intervensi desain sistem yang baik
memiliki potensi kuat untuk meningkatkan pertumbuhan UKM.
Meskipun banyak penelitian telah mengeksplorasi dan membahas masalah analitik data (misalnya, Ghasemaghaei, 2021; Ghasemaghaei et al., 2018), hanya sedikit
yang meneliti bagaimana UKM mengadopsi dan menerapkan DA. Studi kami berusaha untuk mengatasi kurangnya literatur tentang UKM dan DA. Sementara perangkat
lunak ERP atau akuntansi standar memiliki beberapa kemampuan analitik, penelitian kami menyelidiki aplikasi DA yang terpisah dari perangkat lunak tersebut. Aplikasi
DA khusus berfokus pada deskripsi, prediksi, resep, eksplorasi, dan visualisasi. Pengamatan awal kami mengungkapkan bahwa penggunaan DA oleh UKM dapat dibagi
menjadi penggunaan dasar dan lanjutan, seperti yang kami jelaskan sebelumnya. Dalam penggunaan dasar, UKM menggunakan sistem manajemen basis data
relasional (RDBMS) untuk menyimpan data mereka dan mengintegrasikan spreadsheet untuk menganalisis dan memvisualisasikan data keuangan mereka. UKM lain
menggunakan perangkat lunak visualisasi data khusus untuk mengeksplorasi lebih lanjut data akuntansi mereka. UKM yang mampu membeli aplikasi DA yang lebih
canggih mencakup analitik prediktif dan otomatisasi gabungan dengan kemampuan analitik untuk pemahaman dokumen, analisis teks, dan identifikasi objek. Kemampuan
ini dapat digunakan untuk merampingkan prosedur akuntansi mereka terutama untuk mengotomatisasi ekstraksi dokumen. Tabel 2 menunjukkan tujuan penggunaan
DA, alat, dan aplikasi yang digunakan oleh UKM.
2.4. UKM dan penciptaan nilai analitik data
Baik perusahaan besar maupun kecil di seluruh dunia beradaptasi dengan lingkungan yang berubah dan persaingan ketat yang menyertai transformasi digital
(Brynjolfsson dan McElheran, 2016; Li et al., 2018). Transformasi tidak bisa dihindari; pertanyaannya adalah, perusahaan mana yang akan menjadi inovator dan mana,
pengadopsi terlambat. Kenaikan DA yang tiba-tiba untuk memanfaatkan data perusahaan memaksa banyak perusahaan, termasuk UKM, untuk mengadopsi teknologi
analitik. Memang benar bahwa adopsi teknologi saja tidak menjamin keberhasilan DA. Sebaliknya, kunci untuk mencapai potensi DA adalah kemampuan perusahaan
untuk mengelola data mereka dengan benar, menggunakan teknik yang relevan untuk mengungkap pola tersembunyi dalam data, dan memahami hasil analitik.
Ketika diimplementasikan dengan benar, DA juga dapat memungkinkan UKM menghasilkan nilai (Boÿziÿc dan Dimovski, 2019). Penerapan DA mungkin bersifat
dasar, seperti memahami penjualan masa lalu dan produk yang paling menguntungkan. Ini kemudian dapat melanjutkan ke tugas-tugas kompleks seperti mengelola
inventaris dan menganalisis sentimen pelanggan. Saat UKM dapat mengubah hasilnya menjadi wawasan yang dapat ditindaklanjuti, nilai DA akan terwujud. Ambil,
misalnya, Pendleton & Son, seorang tukang daging lokal di London, yang memasang sensor sederhana yang memungkinkan perusahaan melacak jumlah orang yang
berjalan di toko, jumlah yang berhenti untuk melihat pajangan mereka, dan nomor yang memasuki toko. Hasil analitik mungkin
Tabel 2
Tujuan penggunaan analitik data.
Analisis Data Alat Analisis Data Jenis Data Teknik dan Aplikasi Analisis
Tujuan penggunaan Data
Intelijen Bisnis Google Spreadsheet dan Microsoft Excel Akuntansi dan keuangan, sumber daya manusia, dan data Dasbor dan visualisasi
Kecerdasan Bisnis MySQL, Microsoft Access, SQL operasional lainnya
Server, dan PostgreSQL
Intelijen Bisnis Tableau, Qlik Sense, Microsoft
Power BI, dan Strategi Mikro
Analisis Lanjutan Perayapan Opini, dan Semantria Umpan balik atau pendapat pelanggan di media sosial Analitik audit, Otomatisasi
Analisis Lanjutan R dan Phyton Akuntansi dan keuangan, sumber daya manusia, umpan balik atau proses.
Analisis Lanjutan Desainer Alteryx, RapidMiner dan pendapat pelanggan di media sosial dan data operasional lainnya
Oranye
Analisis Lanjutan Mesin SAS, KNIME, MS Azure
Learning Studio, dan BigML
5
terlihat sederhana; namun, perusahaan tersebut mengubah hasilnya menjadi wawasan yang dapat ditindaklanjuti untuk membuat tampilan promosi yang menarik pelanggan mereka.
Selanjutnya, perusahaan memperluas analitik mereka dengan memperkenalkan aplikasi loyalitas pelanggan (Marr, 2016).
DA di UKM dapat berdampak karena kontribusinya yang signifikan terhadap pertumbuhan ekonomi. Di banyak negara, kontribusi pendapatannya
berkisar antara 70% hingga 95% dari semua perusahaan (OECD, 2017). Meskipun potensi ini diakui, masih ada tantangan untuk menggunakan DA secara
strategis di UKM. Meskipun sumber daya keuangan dan manusia mereka terbatas, dan ketidakpastian lingkungan (Raymond et al., 2019), UKM cenderung
lebih gesit daripada rekan mereka yang lebih besar. Karakteristik ini dapat membantu mereka dengan mudah mengkonfigurasi ulang proses bisnis mereka
dengan lebih sedikit birokrasi (Chan et al., 2019). Namun, UKM mungkin menghadapi tantangan tertentu, seperti kurangnya pemahaman DA dan penolakan
terhadap perubahan di antara pemilik dan karyawan UKM, kurangnya komitmen untuk mengadopsi DA, dan sumber daya keuangan yang terbatas (Krieger
et al., 2021) . Tantangan terakhir mungkin memaksa UKM untuk mempertimbangkan pertukaran antara biaya dan fungsi.
Tantangan lain yang mungkin terjadi adalah menentukan bagaimana keberhasilan implementasi DA diukur. ITBV dari implementasi DA, dapat
dimanifestasikan dalam banyak cara, seperti mengurangi lead time, mengurangi potensi kegiatan penipuan, meningkatkan kepuasan karyawan dan
pelanggan, memproyeksikan ukuran akuntansi, dan mencapai profitabilitas. Namun, hasil penerapan TI mungkin tidak langsung, karena mungkin diperlukan
waktu bertahun-tahun untuk menyadari nilainya (Kohli dan Grover, 2008). Tantangan ini mendorong kami untuk mengkaji bagaimana DA bermanfaat bagi
UKM. Berbeda dengan studi oleh Ren et al. (2017) tentang faktor pendukung nilai bisnis DA menggunakan kualitas sistem dan informasi, penelitian kami
menawarkan wawasan tentang faktor pendukung dan penghambat nilai bisnis DA. Kami fokus pada nilai bisnis yang berkaitan dengan proses akuntansi
umum, seperti peningkatan proses dalam manajemen rantai pasokan, efisiensi biaya operasi, peningkatan pengembalian aset, produktivitas karyawan,
kepuasan pelanggan, dan fasilitasi produk berkualitas lebih baik. Nilai bisnis DA terkait dengan pengendalian internal dan proses tata kelola UKM berada di
luar cakupan penelitian kami. Selain itu, kami berpendapat bahwa hubungan antara nilai bisnis DA dan kinerja perusahaan mungkin berbeda, bergantung
pada kemampuan teknologi DA, seperti apakah perusahaan menggunakan intelijen bisnis atau analitik lanjutan. Gambar. 1 menyajikan model penelitian
kami.
2.5. Pengaktif nilai bisnis DA
Konstruksi kualitas – kualitas sistem dan kualitas informasi – diakui penting dalam penelitian SI; misalnya, mereka telah digunakan untuk mengevaluasi
keberhasilan IS (DeLone dan McLean, 1992; Petter et al., 2013), penggunaan IS (Cenfetelli dan Schwarz, 2011), dan kepercayaan IS (Vance et al., 2008).
Sistem dan kualitas informasi adalah bagian dari kapabilitas TI karena mencerminkan desain dan arsitektur SI, yang memungkinkan SI untuk melakukan
tugas yang relevan dengan kebutuhan organisasi (Drnevich dan Croson, 2013). Dengan demikian, sejalan dengan RBV, kualitas sistem dan informasi
adalah pendukung kemampuan TI yang memfasilitasi UKM untuk memperoleh nilai bisnis DA (lihat Tabel 3).
Kualitas sistem mencerminkan persepsi seseorang tentang interaksinya dengan sistem (Nelson et al., 2005), sehingga semakin baik persepsi seseorang
terhadap sistem, semakin besar kemungkinan persepsi ini mencerminkan kualitas sistem yang tinggi. Kualitas sistem dapat memiliki beberapa dimensi,
seperti kehandalan, fleksibilitas, aksesibilitas, waktu respon, dan integrasi (Nelson et al., 2005).
Dalam konteks DA, kualitas sistem dapat tercermin dari fitur perangkat lunak DA. Misalnya, alat visualisasi data lebih fleksibel untuk eksplorasi data
daripada spreadsheet. R dan Python lebih dapat disesuaikan dengan paketnya yang berbeda untuk banyak
Gambar 1 Model Penelitian
6
Tabel 3
Ringkasan karakteristik UKM dan pendukung dan penghambat untuk nilai bisnis DA.
Karakteristik UKM Pengaktif dan Penghambat Nilai Bisnis DA
• UKM cenderung lebih gesit daripada rekan mereka yang lebih besar Pengaktif: Meskipun sumber daya keuangan UKM terbatas, dan mereka mungkin memprioritaskan biaya
(Chan et al., 2019). • daripada fungsionalitas, UKM mungkin cepat mengadopsi aplikasi teknologi karena ketangkasannya (Liu
Mereka menghadapi keterbatasan sumber daya keuangan dan manusia, et al., 2020b). Misalnya, pertimbangan biaya ini dapat mendorong UKM untuk menemukan aplikasi DA
yang terjangkau dengan kualitas sistem dan informasi yang memadai, seperti aplikasi DA sumber terbuka
serta ketidakpastian lingkungan (Raymond et al., 2019). • Mereka
(mis., Python, R atau Orange), serta bayar sesuai penggunaan atau Perangkat Lunak sebagai model
kurang memahami teknologi dan menunjukkan resistensi terhadap
Layanan (SaaS). Oleh karena itu, keterbatasan keuangan ini tidak serta merta mempengaruhi kemampuan
perubahan (Chau, 2001). • Mereka memperhatikan keamanan, privasi,
UKM untuk memperoleh sistem DA. Kelincahan dan hirarki yang tidak terlalu birokratis dibandingkan
dan perusahaan besar, pada kenyataannya, dapat membantu UKM memilih aplikasi DA yang sesuai.
masalah kerahasiaan (Coleman et al., 2016; Liu et al., 2020a).
Penghambat: Sumber daya keuangan yang terbatas, kurangnya kemampuan dan infrastruktur TI, serta
• UKM mungkin harus menerima pertukaran antara biaya dan fungsi masalah privasi dan keamanan data adalah sumber daya organisasi yang harus ditangani (Kannabiran
(Liu et al., 2020b). dan Dharmalingam, 2012; Lee et al., 2013), Jika tidak, kekurangan sumber daya ini akan menghambat
realisasi nilai bisnis DA (Bharadwaj, 2000; Nevo dan Wade, 2010).
analisis. Kami berpendapat bahwa tidak seperti perusahaan besar, UKM dapat memprioritaskan biaya daripada fungsionalitas saat mengadopsi aplikasi DA.
Pertimbangan biaya ini dapat mendorong UKM untuk menemukan aplikasi DA yang terjangkau dengan kualitas sistem yang memadai. Misalnya, R atau Python,
yang memiliki kualitas sistem yang cukup kuat dan tidak memerlukan biaya berlangganan, dapat digunakan untuk mengembangkan analitik tingkat lanjut. Demikian
pula, model pay-as-you-go, yang lebih terjangkau untuk aplikasi DA yang canggih, dan Perangkat Lunak sebagai Layanan (SaaS) dapat diadopsi untuk membantu
UKM mengurangi biaya perolehan, pengembangan, dan pemeliharaan DA dengan layanan berkualitas tinggi (Liu et al., 2020a).
Secara keseluruhan, kami berpendapat bahwa kualitas sistem DA kemungkinan akan membantu UKM menyadari nilai hasil analitik – pernyataan yang didukung
oleh penelitian lain (Ren et al., 2017). Oleh karena itu, kami mengusulkan Hipotesis 1:
Hipotesis 1. Kualitas Sistem akan memiliki hubungan positif dengan Nilai Bisnis DA.
Kualitas informasi mengacu pada informasi yang layak untuk digunakan. Penelitian yang dikhususkan untuk kualitas informasi, seperti yang dilakukan oleh
Neely dan Cook (2011), secara umum sepakat bahwa kualitas informasi bersifat multidimensi. Wang dan Strong (1996) mengusulkan beberapa dimensi kualitas
informasi: nilai tambah, relevansi, ketepatan waktu, kelengkapan, jumlah data yang sesuai, interpretabilitas, kemudahan pemahaman, konsistensi representasional,
dan kesimpulan representasional. Nelson dkk. (2005) menyarankan empat dimensi untuk mengukur kualitas informasi: akurasi, kelengkapan, mata uang, dan
format. Kualitas informasi sangat penting dalam pengambilan keputusan karena membantu pengguna memanfaatkan data dan mempromosikan keputusan yang
tepat (Chengalur-Smith et al., 1999; Neely dan Cook, 2011).
Fokus kami adalah pada kualitas informasi daripada kualitas data. Sampai batas tertentu, kualitas informasi dipengaruhi oleh kemampuan aplikasi DA, seperti
visualisasi, tata letak, dan interaktivitas. Kualitas informasi juga tergantung pada kualitas data. Kualitas data yang buruk akan menghasilkan informasi yang buruk
terlepas dari aplikasi teknologinya. Misalnya, data berkualitas buruk yang dimasukkan ke dalam modul ERP akan memengaruhi modul lain, yang pada akhirnya
memengaruhi kualitas informasi yang dihasilkan dari ERP (Haug et al., 2009). Namun, data berkualitas tinggi harus dilengkapi dengan fitur DA yang memadai dan
tersedia untuk analitik guna menghasilkan informasi berkualitas tinggi untuk digunakan dalam operasi, pengambilan keputusan, dan perencanaan (Liu et al., 2020b).
Dengan demikian, kualitas data benar-benar independen dari aplikasi DA. Misalnya, saat mengembangkan dasbor dengan visualisasi, analis harus melakukan
persiapan dan pembersihan data sebelum melakukan analisis.
Ketika aplikasi DA menghasilkan informasi berkualitas tinggi, UKM kemudian dapat menghasilkan wawasan yang relevan dengan keputusan. Kami berpendapat
bahwa sumber daya keuangan yang terbatas mungkin tidak menjadi kendala bagi UKM untuk mengadopsi aplikasi DA yang canggih. Misalnya, Python dan R
tersedia secara gratis bagi UKM untuk menghasilkan informasi canggih dan berkualitas tinggi untuk pengambilan keputusan berbasis data, yang akan berubah
menjadi nilai bisnis (Ren et al., 2017). Tantangan bagi UKM mungkin terletak pada ketersediaan keterampilan teknis (Willets et al., 2021) untuk menghasilkan data
berkualitas baik. Oleh karena itu, UKM perlu memastikan bahwa data yang mereka gunakan untuk analisis berkualitas tinggi. Oleh karena itu, kami menawarkan
hipotesis 2:
Hipotesis 2. Kualitas Informasi akan memiliki hubungan positif dengan Nilai Bisnis DA.
2.6. Penghambat nilai bisnis DA
Seperti disebutkan, sedikit perhatian telah diberikan untuk menyelidiki penghambat adopsi TI (Chau, 2001; Kannabiran dan Dharma lingam, 2012; King dan
Teo, 1994, 1996; Lee et al., 2013). Juga, penghambat dapat muncul dari sumber daya organisasi yang gagal mendukung sumber daya TI. Hal ini dapat
mengakibatkan kemampuan TI menjadi komoditas dan menghambat organisasi untuk mempertahankan dan mencapai keunggulan kompetitif (Bharadwaj, 2000;
Nevo dan Wade, 2010) (lihat Tabel 3). Contoh penghambat adalah kurangnya penggerak TI, yang mencerminkan kurangnya pengetahuan TI (King dan Teo, 1994).
Sedikit pemahaman TI adalah faktor yang paling menonjol menjelaskan keengganan usaha kecil untuk mengadopsi pertukaran data elektronik (Chau, 2001). Ketika
perusahaan tidak menyadari manfaat dari
7
teknologi dan tidak mampu mengelola potensi ketidakpastian yang mungkin terjadi saat mengimplementasikan teknologi, mereka akan ragu untuk mengadopsi
teknologi baru (Lee et al., 2013). Demikian pula, ketidaktersediaan tenaga ahli, kurangnya pengalaman, dan kurangnya infrastruktur TI.
Usaha kecil, khususnya, lebih berhati-hati dalam mengadopsi TI karena kurangnya dukungan TI (Chau, 2001; Lee et al., 2013). Meningkatnya penggunaan
data pelanggan yang mengarah pada kekhawatiran akan keamanan, privasi, dan kerahasiaan menambah lapisan kompleksitas bagi usaha kecil untuk
memanfaatkan data mereka (Lee et al., 2013).
Oleh karena itu, kami berpendapat bahwa kurangnya pemahaman, kurangnya infrastruktur dan keterampilan, serta kekhawatiran atas keamanan data dan
privasi memengaruhi adopsi dan perilaku pengguna. Kurangnya pemahaman, misalnya, dapat menghambat penggunaan teknologi secara efektif (Burton-Jones
Tabel 4
Item pengukuran.
Item Pengukuran Sumber
Kualitas Sistem
• SQ1: Perangkat lunak analitik data harus beroperasi dengan andal agar analitik menghasilkan relevan (DeLone dan McLean, 2003; Petter et al., 2008;
informasi. Petter et al., 2013)
• SQ2: Perangkat lunak analitik data dapat disesuaikan secara fleksibel dengan permintaan atau kondisi baru
selama analisis.
• SQ3: Perangkat lunak analitik data harus menggabungkan data dari berbagai departemen di
organisasi.
• SQ4: Perangkat lunak analitik data harus memungkinkan akses mudah ke informasi. • SQ5:
Perangkat lunak analitik data harus memungkinkan informasi dapat diakses oleh siapa saja di
organisasi. •
SQ6: Perangkat lunak analitik data harus melindungi data pribadi.
Kualitas Informasi •
IQ1: Perangkat lunak analitik data harus menyediakan kumpulan informasi yang lengkap. • IQ2: (DeLone dan McLean, 2003; Petter et al., 2008;
Perangkat lunak analitik data harus menghasilkan informasi terkini. • IQ3: Perangkat lunak Petter et al., 2013)
analitik data harus memberikan informasi yang akurat. • IQ4: Perangkat lunak analitik data harus
menyajikan informasi dengan cara yang mudah
memahami.
Kurangnya Pemahaman
• LU1: Penggunaan analitik data dapat terhambat oleh keengganan karyawan untuk beradaptasi dengan (Raja dan Teo, 1994, 1996)
perubahan. • LU2: Penggunaan analitik data dapat terhambat oleh kurangnya pemahaman tentang analitik
data. • LU3: Penggunaan analitik data dapat terhalang oleh ketidakpastian tentang cara mengukur biaya dan
manfaat potensial.
Kurangnya Infrastruktur dan
Keterampilan • LIS1: Penggunaan analitik data dapat terhambat oleh kurangnya infrastruktur sistem informasi (Raja dan Teo, 1994, 1996)
mendukung.
• LIS2: Penggunaan analitik data dapat terhambat oleh kurangnya perangkat lunak yang
intuitif. • LIS3: Penggunaan analitik data dapat terhambat oleh kurangnya keahlian analitik data baik di
rumah dan di pasar tenaga kerja.
• LIS4: Penggunaan analitik data dapat terhalang oleh penugasan ulang personel yang terlatih dalam solusi
analitik data.
• LIS5: Penggunaan analitik data dapat terhalang oleh sumber daya keuangan yang terbatas untuk analitik data
investasi.
Kekhawatiran atas Keamanan dan Privasi
Data • DSP1: Penggunaan analitik data dapat terhalang oleh kekhawatiran atas keamanan (Raja dan Teo, 1994, 1996)
data. • DSP2: Penggunaan analitik data dapat terhalang oleh kekhawatiran atas perlindungan data dan privasi data.
Nilai Bisnis DA •
BV1: Analisis data dapat menghemat waktu dalam manajemen rantai pasokan. • (Gregor et al., 2006; Ren et al., 2017)
BV2: Analisis data mengurangi biaya pengoperasian. • BV3: Analisis data
mengurangi kebutuhan untuk menambah tenaga kerja. • BV4: Analisis data
meningkatkan pengembalian aset keuangan. • BV5: Analisis data meningkatkan
produktivitas karyawan. • BV6: Analisis data memungkinkan respons yang lebih
cepat terhadap perubahan. • BV7: Analisis data membantu meningkatkan
hubungan pelanggan. • BV8: Analisis data membantu menyediakan produk atau
layanan yang lebih baik kepada pelanggan.
Kinerja Perusahaan
• FP1: Dengan analitik data, tingkat retensi pelanggan organisasi saya telah meningkat. • FP2: Dengan (Ren et al., 2017; Tippins dan Sohi, 2003; Wang et
analitik data, penjualan organisasi saya meningkat. • FP3: Dengan analitik data, profitabilitas organisasi al., 2012)
saya meningkat. • FP5: Dengan analitik data, kami memperkenalkan produk atau layanan baru ke pasar
dengan lebih cepat
daripada sebelumnya.
• FP6: Dengan analitik data, pelanggan kami merespons produk/layanan baru kami dengan lebih baik daripada
sebelumnya.
• FP7: Dengan analitik data, pangsa pasar kami meningkat.
8
dan Grange, 2013). Selanjutnya, ketika teknologi digunakan secara tidak efektif, dampak dari teknologi tersebut untuk menciptakan nilai bagi perusahaan
tertunda (Trieu, 2017). Oleh karena itu, kami mengajukan Hipotesis 3, 4 dan 5:
Hipotesis 3. Kurangnya Pemahaman akan memiliki hubungan negatif dengan Nilai Bisnis DA.
Hipotesis 4 .. Kurangnya Infrastruktur dan Keterampilan akan memiliki hubungan negatif dengan Nilai Bisnis DA.
Hipotesis 5. Kekhawatiran terhadap Keamanan dan Privasi Data akan memiliki hubungan negatif dengan Nilai Bisnis DA.
2.7. Nilai bisnis DA dan kinerja perusahaan
Terlepas dari ukuran perusahaan, pertanyaan utama yang relevan untuk penerapan TI adalah bagaimana hal itu dapat menghasilkan nilai bagi
perusahaan yang dapat mengarah pada peningkatan kinerja perusahaan (Kohli dan Grover, 2008; Melville et al., 2004). Misalnya, ledakan data yang
ditambah dengan ketersediaan alat dan teknik analitik data yang canggih berpotensi memungkinkan UKM menghasilkan nilai bisnis (Boÿziÿc dan
Dimovski, 2019). Nilai tersebut dapat tercermin dari kemampuan perusahaan untuk memahami proses internal, lingkungan eksternal, dan kebutuhan
pelanggan. Namun, jenis bisnis yang berbeda dapat menempatkan penekanan dan prioritas yang berbeda dalam menghasilkan nilai bisnis dari data
mereka. Sebagai ilustrasi, perusahaan manufaktur dapat memanfaatkan data untuk mengoptimalkan proses produksi atau pengiriman, sedangkan
perusahaan ritel mungkin tertarik untuk memahami manajemen inventaris mereka dan meningkatkan penjualan dari pemasaran yang ditargetkan
(Bianchini dan Michalkova, 2019). Dengan kata lain, nilai bisnis DA bersifat multidimensional. Penelitian sebelumnya menunjukkan bahwa sumber daya
yang dapat menghasilkan nilai akan berkontribusi pada kinerja perusahaan (Kozlenkova et al., 2014; Ren et al., 2017). Misalnya, ketika sebuah
perusahaan dapat dengan jelas mengidentifikasi kebutuhan pelanggannya dan menyediakan produk atau layanan untuk memuaskan pelanggan yang
ada dan pelanggan potensial, kemungkinan besar akan dapat meningkatkan kinerja perusahaan – terbukti melalui peningkatan pendapatan dan profitabilitas.
Sementara hubungan positif antara nilai bisnis DA dan kinerja perusahaan diketahui (Ren et al., 2017), yang masih belum diketahui adalah faktor
yang dapat memperkuat atau memperlemah hubungan tersebut. Kami berpendapat bahwa penggunaan DA yang berbeda dapat mempengaruhi
hubungan antara nilai bisnis DA dan nilai perusahaan. Dalam konteks ini, kami mempertimbangkan dua jenis penggunaan DA: business intelligence dan
advanced analytics (Halper dan Stodder, 2014). Kecerdasan bisnis memungkinkan UKM untuk melakukan analitik deskriptif dan diagnostik, sedangkan
analitik tingkat lanjut memungkinkan UKM untuk melakukan analitik deskriptif, diagnostik, prediktif, dan preskriptif. Kami mengandaikan bahwa
perusahaan yang menekankan penggunaan analitik lanjutan atas intelijen bisnis kemungkinan besar akan menyadari hubungan positif antara nilai bisnis
DA dan kinerja perusahaan. Oleh karena itu, kami mengusulkan Hipotesis 6 dan 7:
Hipotesis 6. Nilai Bisnis DA akan memiliki hubungan positif dengan Kinerja Perusahaan.
Hipotesis 7. Tujuan Penggunaan DA akan memoderasi hubungan antara Nilai Bisnis DA dan Kinerja Perusahaan.
3. Metodologi penelitian
3.1. Pengembangan item pengukuran
Sebuah survei dilakukan di kalangan UKM untuk menguji hipotesis yang diajukan menjawab pertanyaan penelitian kami dan menentukan bagaimana
variabel yang berbeda berinteraksi untuk mempengaruhi nilai bisnis dan kinerja perusahaan. Pengembangan item pengukuran kami mengikuti pedoman
yang disarankan oleh Moore dan Benbasat (1991). Pertama, konstruksi yang relevan dalam konsep faktor ganda dan literatur ITBV diidentifikasi.
Item pengukuran potensial dan relevan kemudian dinilai dan dipilih untuk masing-masing konstruksi. Item yang berlebihan telah dihapus dan item yang
memiliki tema serupa dikelompokkan bersama. Iterasi lain dari proses dilakukan untuk memastikan konsistensi dalam menilai item pengukuran. Pada
tahap ini, kalimat yang digunakan dalam item pengukuran dibuat untuk kejelasan dan keringkasan, untuk meminimalkan kemungkinan bias metode
umum (Podsakoff et al., 2003). Ketika item diselesaikan oleh tim peneliti, item pengukuran dievaluasi oleh dua profesional dari industri. Pendapat mereka
dicari pada relevansi item pengukuran dengan konstruk terkait dan pada kejelasan item. Umpan balik mereka juga dicari pada kesesuaian klasifikasi
item pengukuran dan konstruksi.
Berdasarkan umpan balik mereka, konstruksi dan item pengukuran kami disempurnakan. Menggunakan skala Likert 5 poin, survei kami mengukur
delapan variabel laten: kualitas sistem, kualitas informasi, kurangnya pemahaman, kurangnya infrastruktur dan keterampilan, kekhawatiran atas
keamanan dan privasi data, nilai bisnis DA, dan kinerja perusahaan. Variabel-variabel ini mencerminkan operasionalisasi konsep perseptual/perilaku.
Oleh karena itu, model penelitian kami sangat cocok untuk model faktor umum (Benitez et al., 2020; Müller et al., 2018; Schuberth et al., 2018). Penilaian
skala Likert positif digunakan untuk variabel pendukung dan penilaian skala Likert negatif untuk variabel penghambat. Untuk tujuan penggunaan DA,
peserta survei diminta untuk memilih opsi yang relevan yang mencerminkan penggunaan DA oleh perusahaan mereka untuk intelijen bisnis atau analitik
lanjutan (lihat Tabel 2). Item pengukuran dikembangkan dari
Tabel 5
Ukuran sampel.
Fase Administrasi Survei Jumlah Responden
Fase 1 dengan firma akuntansi tingkat menengah 4

Fase 2 dengan ISCA dengan Qualtrics 24
Fase 3 146
Ukuran Sampel Total 174
9
studi sebelumnya, seperti yang ditunjukkan pada Tabel 4.
3.2. Contoh data
Penelitian ini menggunakan purposive sampling karena target pesertanya adalah karyawan UKM Singapura. Survei dilakukan selama tiga
tahap. Ini pertama kali dilakukan melalui kerja sama kami dengan firma akuntansi tingkat menengah di Singapura, di mana survei didistribusikan
secara acak ke klien bisnis mereka. Pada tahap kedua, survei dibagikan kepada anggota Institute of Singapore Chartered Accountants (ISCA).
Pada fase terakhir, kumpulan data lainnya diperoleh melalui Qualtrics, sebuah panel riset online, yang menyediakan data yang dikumpulkan
secara acak dari karyawan UKM Singapura. Pemeriksaan dilakukan pada semua sampel yang dikumpulkan untuk memastikan tidak ada
peserta yang berulang. Secara total, 174 survei selesai diperoleh. Tabel 5 dan 6 menyajikan data sampel.
Seperti disajikan pada Tabel 6, mayoritas responden masuk dalam kategori Business Unit/Department Manager, sedangkan porsi terkecil
adalah dari kategori Executive Manager/Vice President. Berdasarkan industri, sebagian besar responden bergerak di bidang jasa, diikuti oleh
ritel, utilitas, manufaktur, keuangan, dan teknologi informasi. Lebih dari separuh sampel bekerja di perusahaan dengan omset tahunan kurang
dari SGD 25 juta, dan SGD 25 juta hingga < SGD 50 juta. Mayoritas perusahaan responden menggunakan DA untuk intelijen bisnis daripada
analitik lanjutan. Selain itu, lebih dari separuh perusahaan responden memiliki kekuatan staf <150 (dari <50 dan 100 hingga <150).
4. Hasil
Pada subbab berikut, kami menjelaskan hasil analisis kami. Pemodelan jalur kuadrat terkecil parsial (PLS-PM) digunakan untuk
menganalisis data survei untuk menilai model faktor umum kami (Benitez et al., 2020; Lee et al., 2011; Sarstedt et al., 2016). Rambut dkk.
(2014) merekomendasikan persyaratan minimum untuk menentukan ukuran sampel PLS-PM: 'sepuluh kali jumlah terbesar indikator formatif
yang digunakan untuk mengukur satu konstruk; atau sepuluh kali jumlah terbesar jalur model bagian dalam yang diarahkan pada konstruk
tertentu dalam model bagian dalam' (hal.109). Oleh karena itu, data sampel kami melebihi persyaratan minimum. Pada sub bagian berikut,
pertama-tama kami menyajikan evaluasi model pengukuran kami untuk memastikan reliabilitas dan validitasnya. Kami kemudian menilai model
struktural untuk menentukan hubungan yang dihipotesiskan di antara variabel.
4.1. Model pengukuran
Penilaian model faktor umum kami didasarkan pada karya Benitez et al. (2020) dan Hair et al. (2017). Standardized root mean squared
residual (SRMR) menunjukkan kecocokan model dicapai ketika hasilnya di bawah ambang batas 0,080. Untuk memastikan
Tabel
6 Karakteristik sampel.
Dimensi Kategori Persentase %
Peran Manajer Pelaksana/Wakil Presiden 12

Manajer Unit Bisnis/Departemen 43
Manajer Tingkat Menengah 29
Asisten Manajer 17
Industri Keuangan 11
Teknologi Informasi 7
Manufaktur 11
Pengecer 17
Jasa 37
Utilitas 1 16
Tahun-Tahun Pengalaman sampai < 5 tahun 15
5 sampai < 10 30
tahun 10 sampai < 41
15 tahun > 15 tahun 14
Omset tahunan kurang dari SGD 25 juta 40
SGD 25 juta hingga < SGD 50 juta 30
SGD 75 juta s/d < SGD 100 juta lebih dari 10
S$100 juta < 1 tahun 1 s/d < 3 tahun 3 s/d < 6 10
Lama Penggunaan DA tahun 6 s/d < 9 tahun 9 s/ d < 10 tahun 9
34
47
6
4
DA Tujuan Penggunaan Intelijen Bisnis 70
Analisis Lanjutan <50 30
Kekuatan Staf 21
50 hingga < 100 27
100 hingga < 150 25
150 hingga < 200 12
>200 14
10
reliabilitas dan validitas item pengukuran kami, reliabilitas komposit (CR) dan kriteria validitas item pengukuran dievaluasi. Menurut Hair et al. (2017), CR secara
teknis lebih tepat daripada ukuran Alpha Cronbach. Analisis kami menemukan bahwa semua CR untuk item pengukuran berada di atas 0,8, menunjukkan bahwa
reliabilitas pengukuran terpenuhi. Untuk menilai validitas item pengukuran, ekstraksi varians rata-rata (AVE) dan Rasio Heterotrait-Monotrait (HTMT) dievaluasi
(Benitez et al., 2020). AVE mencerminkan korelasi antara item pengukuran yang mencerminkan konstruk tertentu, sedangkan HTMT menunjukkan apakah konstruk
tertentu berbeda satu sama lain (Hair et al., 2017). AVE dari semua item pengukuran ditemukan di atas 0,50, yang menunjukkan bahwa rata-rata konstruk
menjelaskan lebih dari setengah varian indikatornya. Semua rasio HTMT pada konstruk yang ditugaskan adalah <0,9 dibandingkan dengan konstruk lainnya, yang
menunjukkan bahwa setiap konstruk cukup unik dalam merekam fenomena. Tabel 7 dan 8 menyajikan statistik deskriptif variabel yang dinilai dalam penelitian ini,
dan Tabel 9 menyajikan ringkasan statistik reliabilitas komposit, AVE, dan HTMT.
Catat semua ukuran dari 1 sampai 5

Untuk menguji potensi bias metode umum (CMB), faktor inflasi varians (VIF) untuk setiap item pengukuran ditentukan. VIF dapat digunakan untuk menilai bias
metode umum untuk konstruk reflektif dan formatif (Kock, 2015). Konsisten dengan pedoman yang ditetapkan (Hair et al., 2017; Kock, 2015), angka VIF untuk
semua item pengukuran ditemukan 'konsisten dengan pedoman yang ditetapkan (Tabel 10). Data kami juga dianalisis menggunakan uji satu faktor Harman.
Varians persentase total yang diekstraksi oleh satu faktor adalah 32,940% (<50% threshold) (Podsakoff et al. 2003). Studi ini, oleh karena itu, tidak mungkin bias
dari masalah metode umum. Hasil model pengukuran juga menunjukkan bahwa setiap item memberikan kontribusi yang signifikan terhadap indikator terkait.
Semua beban dan bobot signifikan pada p < 0,001 (Tabel 11).
4.2. Model struktural
Setelah penilaian reliabilitas dan validitas item pengukuran, model struktural dievaluasi menggunakan algoritma PLS-PM dan teknik bootstrapping. Koefisien
jalur untuk model penelitian diilustrasikan pada Gambar 2, dan ringkasan temuan hipotesis ditunjukkan pada Tabel 12. Sebagaimana disajikan pada tabel,
sementara H1, H2, H3, H5, H6, dan H7 terdukung, H4 didukung. bukan. Semua tanda koefisien jalur untuk enabler adalah positif dan untuk inhibitor, negatif. Hasil
penelitian juga menunjukkan bahwa faktor pendukung dan penghambat menyumbang sekitar 70% variasi Nilai Bisnis DA, dan 45% variasi Kinerja Perusahaan
dapat diperhitungkan untuk Nilai Bisnis DA. Ukuran efek dari hipotesis kami berkisar dari lemah hingga besar (0,02 hingga 0,7). Ukuran efek yang lebih besar
ditampilkan oleh hubungan
Tabel 7
Rata-rata/standar deviasi untuk setiap pengukuran.
Pengukuran Sistem Informasi Kurangnya Kurangnya Keamanan data Bisnis DA Tegas

Item Kualitas Kualitas Memahami Infrastruktur dan Kekhawatiran Nilai Pertunjukan
Keterampilan
1 4,051/ 3,890/0,813 2,120/0,853 2,925/0,587 2,425/0,560 4,068/0,724 3,844/0,722

0,775
2 3,994/ 3,931/0,862 2,086/0,642 3.000/0.442 2,373/0,722 4,080/0,840 3,770/0,783
0,813
3 4,086/ 4,086/0,829 2,080/0,805 2,919/0,530 – 4,00/0,830 3,936/0,767
0,757
4 4,350/ 4,086/0,836 – 2,896/0,568 – 4,080/0,715 3,908/0,729
0,633
5 4,109/ – – 2,959/0,540 – 3,977/0,703 3,896/0,781
0,699
6 4,413/ – – – – 4,034/0,830 3,758/0,830
0,607
7 – – – – – 3,948/0,782 –
8 – – – – – 4,091/0,721 –
Tabel
8 Ringkasan statistik variabel.
Variabel Cara Deviasi Standar
Pengaktif
Kualitas Informasi 4.17 0,54
Kualitas Sistem 4.00 0,70

Inhibitor
Kurangnya pemahaman 2.10* 0,62

Kurangnya Infrastruktur dan Keterampilan 2,94* 0,76
Kekhawatiran atas Keamanan dan Privasi Data 2,40* 0,55

Hasil
Nilai Bisnis DA 4.04 0,55
Kinerja Perusahaan 3.85 0,62
*
skor terbalik.
11
Tabel
9 Reliabilitas dan validitas item pengukuran.
Variabel CR Rasio Heterotrait-Monotrait AVE (HTMT)
Sistem Informasi Kurangnya Kurangnya Kekhawatiran DA Tegas

Kualitas Kualitas Memahami Infrastruktur atas Data Bisnis Pertunjukan
dan Keterampilan Keamanan Nilai
dan
Pribadi
0,882 0,560 – – – – – – –
Kualitas Sistem
0,902 0,700 0,858 – – – – – –
Kualitas Informasi
0,846 0,650 0,447 0,447 – – – – –
Kurangnya pemahaman
Kurangnya Infrastruktur dan 0,866 0,620 0,394 0,394 0,538 – – – –
Keterampilan
Kekhawatiran atas Data 0,839 0,720 0,707 0,627 0,449 0,321 – – –
Keamanan dan Privasi

Nilai Bisnis DA 0,892 0,510 0,786 0,829 0,510 0,376 0,854 – –
Kinerja Perusahaan 0,919 0,660 0,428 0,482 0,236 0,234 0,564 0,741 –
Tabel 10
Varian faktor inflasi.
Pengukuran Sistem Informasi Kurangnya Kurangnya Keamanan data Bisnis DA Tegas
Item Kualitas Kualitas Memahami Infrastruktur dan Kekhawatiran Nilai Pertunjukan
Keterampilan
1 2.820 1.819 1.544 1.883 1.248 1.758 2.222

2 2.465 1.682 2.119 1.752 1.248 1.600 2.726
3 2.869 2.420 1.505 1.521 – 1.593 2.491
4 2.432 2.259 – 1.413 – 1.859 2.015
5 1.759 – – – – 1.658 2.107
6 1.970 – – – – 1.756 1.650
7 – – – – – 1.751 –
8 – – – – – 2.045 –
antara Nilai Bisnis DA dan Kinerja Perusahaan (0,7), diikuti oleh hubungan antara Kekhawatiran atas Keamanan Data dan Privasi dan Nilai Bisnis DA
(0,178), serta Kualitas Informasi dan Nilai Bisnis DA (0,176).
Dalam model penelitian kami, Tujuan Penggunaan DA dimasukkan sebagai variabel moderasi, dan Nilai Bisnis DA sebagai variabel mediasi.
Tercatat bahwa ketika Tujuan Penggunaan DA dikeluarkan dari model, 43% variabilitas Kinerja Perusahaan dapat dijelaskan dari Nilai Bisnis DA.
Proporsi varians ini, bagaimanapun, 2% lebih tinggi ketika Tujuan Penggunaan DA dimasukkan ke dalam model sebagai moderator. Untuk menilai
apakah nilai bisnis DA sepenuhnya atau sebagian memediasi hubungan antara pendukung, penghambat, dan Kinerja Perusahaan, panduan Baron
dan Kenny (1986) digunakan untuk mengevaluasi efek mediasi ini (lihat Tabel 13 untuk analisis hubungan langsung). Temuan kami menunjukkan
bahwa dampak langsung antara faktor pendukung dan Kinerja Perusahaan signifikan untuk hubungan antara Kualitas Informasi dan Kinerja
Perusahaan (ÿ = 0,271, p < 0,05), dan tidak signifikan secara statistik untuk hubungan antara Kualitas Sistem dan Kinerja Perusahaan (ÿ = 0,070 , p
> 0,05). Adapun penghambat, hanya hubungan antara Kekhawatiran atas Keamanan Data dan Privasi dan Kinerja Perusahaan yang signifikan
secara statistik (ÿ = -0,266, p < 0,05). Dua penghambat lainnya, yaitu Kurangnya Pemahaman dan Kepedulian atas Keamanan Data dan Privasi dan
Kurangnya Infrastruktur dan Keterampilan, memiliki hubungan yang tidak signifikan dengan Kinerja Perusahaan (jalur dan signifikansinya adalah ÿ =
0,019, p > 0,05 dan ÿ = -0,050, p > 0,05, masing-masing). Oleh karena itu, penilaian kami menunjukkan bahwa Nilai Bisnis DA sepenuhnya memediasi
hubungan antara Kualitas Sistem, Kepedulian atas Keamanan Data dan Privasi, dan Kinerja Perusahaan, dan sebagian memediasi hubungan antara
Kualitas Informasi, Kurangnya Pemahaman, Kurangnya Infrastruktur dan Keterampilan, dan Perusahaan Pertunjukan.
Juga dibandingkan dalam analisis independen dan bersama dari model penelitian kami adalah r 2 pada nilai bisnis DA. Secara keseluruhan,
analisis kami menunjukkan bahwa analisis gabungan meningkatkan proporsi variasi nilai bisnis DA sementara arah dan signifikansi koefisien jalur
tetap sama (empat hubungan menunjukkan p <0,05 dan satu hubungan menunjukkan p > 0,05). Tabel 14 menyajikan hasil analisis bersama dan
independen terhadap faktor pendukung dan penghambat.
Penilaian independen pertama kali dilakukan untuk menentukan apakah faktor pendukung atau penghambat memengaruhi nilai bisnis DA,
2
sedangkan analisis gabungan mempertimbangkan faktor pendukung dan penghambat pada nilai bisnis dari
terbukti DA. analisis
Semakinbersama
tinggi r pada nilai dari
daripada bisnis DA
analisis
independen. Analisis bersama mengungkapkan bahwa faktor pendukung menyumbang 57% variabilitas nilai bisnis DA, sedangkan penghambat
menyumbang 46% variabilitas. Semua pendukung mencatat koefisien positif, dan semua penghambat mencatat negatif. Dalam analisis independen,
semua hubungan untuk pendukung dan penghambat ditemukan sama pentingnya dengan yang ada dalam analisis bersama. Koefisien determinasi
menunjukkan bahwa nilai bisnis DA dapat dipertanggungjawabkan secara memuaskan ketika faktor pendukung dan penghambat digabungkan.
12
Tabel
11 Berat dan beban untuk setiap item pengukuran.
Item Berat Memuat
SQ1 ÿ Kualitas Sistem 0,27 0,81

IQ2 ÿ Kualitas Informasi 0,31 0,80
LU1 ÿ Kurangnya Pemahaman 0,22 0,67
LIS1 ÿ Kurangnya Infrastruktur dan Keterampilan 0,29 0,82
DSP1 ÿ Kekhawatiran atas Keamanan dan Privasi Data 0,56 0,83
DSP2 ÿ Kekhawatiran atas Keamanan dan Privasi Data 0,62 0,87
BV1 ÿ Nilai Bisnis DA 0,18 0,69
FP1 ÿ Performa Perusahaan 0,21 0,82
Gambar 2. Model struktural dan koefisien jalur. *p < 0,05, ns = tidak didukung.
5. Diskusi
Dengan menyelidiki dan mengintegrasikan pendukung dan penghambat, kami memberikan pemahaman lebih lanjut tentang bagaimana konsep faktor
ganda dapat menjelaskan nilai bisnis DA dan kinerja perusahaan. Pada bagian berikut, kami membahas kontribusi dan keterbatasan penelitian kami, dan
menguraikan jalan untuk penelitian di masa depan.
13
Tabel 12
Ringkasan uji hipotesis.
Hipotesis Nilai p Ukuran Efek (f2 ) Dukungan untuk hipotesis
Pengaktif
H1: Kualitas Informasi ÿ Nilai Bisnis DA 0,000** 0,176 Mendukung
H2: Kualitas Sistem ÿ Nilai Bisnis DA 0,010** 0,048 Mendukung

Inhibitor
H3: Kurangnya Pemahaman ÿ Nilai Bisnis DA 0,031* 0,026 Mendukung

H4: Kurangnya Infrastruktur dan Keterampilan ÿ Nilai Bisnis DA 0,478ns 0,032 Tidak Ada Dukungan
H5: Kekhawatiran atas Keamanan dan Privasi Data ÿ Nilai Bisnis DA 0,000** 0,178 Mendukung
Efek Moderasi
H6: Nilai Bisnis DA ÿ Kinerja Perusahaan (Dimoderatori oleh Tujuan Penggunaan DA) 0,036* 0,023 Mendukung
Nilai Bisnis dan Kinerja Perusahaan

H7: Nilai Bisnis DA ÿ Kinerja Perusahaan 0,000** 0,764 Mendukung
* p < 0,05; ** p < 0,01; ns = tidak didukung.
Tabel 13
Hubungan langsung antara faktor pendukung, penghambat dan kinerja perusahaan.
Hubungan Langsung Koefisien Jalur Nilai p
Pengaktif
Kualitas Informasi ÿ Kinerja Perusahaan 0,271 0,020*
Kualitas Sistem ÿ Performa Perusahaan 0,070 0,524ns

Inhibitor
Kurangnya Pemahaman ÿ Kinerja Perusahaan 0,019 0,811ns

Kurangnya Infrastruktur dan Keterampilan ÿ Kinerja Perusahaan - 0,050 0,478ns
Kekhawatiran atas Keamanan dan Privasi Data ÿ Kinerja Perusahaan - 0,266 0,000**
Tabel 14
Analisis bersama dan independen dari pendukung dan penghambat.
Hubungan Analisis Independen
Analisis Bersama Pengaktif Inhibitor
Jalur Jalur Nilai p Jalur Nilai p Nilai p

Koefisien Koefisien Koefisien
Pengaktif
Kualitas Informasi ÿ Nilai Bisnis DA 0,207 0,000* 0,437 0,000*
Kualitas Sistem ÿ Nilai Bisnis DA 0,375 0,010* 0,371 0,000*

Inhibitor
Kurangnya Pemahaman ÿ Nilai Bisnis DA - 0,110 0,031* - 0,204 0,006**

Kurangnya Infrastruktur dan Keterampilan ÿ Nilai Bisnis DA ÿ 0,038 0,478ns ÿ 0,108 0,133ns
Kekhawatiran atas Keamanan dan Privasi Data ÿ Bisnis DA ÿ 0,297 0,000* ÿ 0,530 0,000**
Nilai
2 r Nilai Bisnis DA 0,658 0,571 0,455
5.1. Kontribusi teoretis
DA telah mendapatkan momentum baik dalam dunia akademis maupun praktik dalam beberapa tahun terakhir (Chen et al., 2018; Günther et al.,
2017; Mikalef et al., 2020a; Mikalef et al., 2020b). Itu juga menjadi salah satu komponen penting untuk membantu organisasi bertahan dan berkembang
(Mikalef et al., 2020a). Penelitian DA dalam sistem informasi akuntansi (SIA) juga berkembang pesat (misalnya Appelbaum et al., 2017; Elbashir et
al., 2008; Rikhardsson and Yigitbasioglu, 2018; Koreff et al., 2021; Krieger et al., 2021), dengan studi yang dilakukan tentang dampak DA terhadap
kinerja organisasi (misalnya Appelbaum et al., 2017; Elbashir et al., 2008; Peters et al., 2016; Peters et al., 2018). Pada saat yang sama, muncul
perdebatan apakah DA benar-benar dapat memberikan nilai bagi organisasi. Oleh karena itu, penting untuk memeriksa bagaimana DA dapat
diimplementasikan secara efektif dan faktor apa yang mengarahkan implementasinya untuk menghasilkan nilai bisnis organisasi (Mikalef et al., 2020b).
Dengan model penelitian kami untuk memahami kondisi yang dapat mendorong atau menghambat nilai bisnis DA dan kinerja perusahaan, penelitian
kami memberikan kontribusi untuk pemahaman yang lebih baik tentang karya Elbashir et al. (2008) tentang hubungan antara DA, proses bisnis, dan
perusahaan. pertunjukan. Dengan menunjukkan bagaimana karakteristik UKM berhubungan dengan pendukung dan penghambat, penelitian kami
menunjukkan bahwa organisasi ini perlu mengelola pendukung dan penghalang yang relevan untuk mencapai generasi nilai bisnis DA.
Kontribusi teoretis kami ada tiga. Pertama, kami menambahkan wawasan literatur tentang penggunaan konsep faktor ganda (Cenfetelli, 2004;
Cenfetelli dan Schwarz, 2011; Wolverton dan Cenfetelli, 2019). Sementara penelitian telah menggunakan konsep faktor ganda pada penggunaan
dan adopsi TI, dalam penelitian ITBV, sedikit perhatian telah diberikan kepada pendukung dan penghambat. Menggambar pada teori RBV, kami menyusun
14
anteseden nilai bisnis DA dan kinerja perusahaan dengan menggunakan konsep faktor ganda (yaitu, pendukung dan penghambat). Temuan kami menunjukkan
bahwa karyawan UKM memiliki persepsi baik dan buruk tentang nilai bisnis DA. Sementara mereka menyukai sistem dan kualitas informasi sebagai katalis untuk
nilai bisnis DA, mereka khawatir, pada saat yang sama, dengan kurangnya pemahaman, kurangnya infrastruktur dan keterampilan, serta keamanan data dan
privasi yang dapat menghalangi generasi nilai bisnis DA. Kedua persepsi ini hidup berdampingan dan memengaruhi nilai bisnis DA. Sementara literatur
menunjukkan bahwa enabler dan inhibitor independen dalam mempengaruhi penggunaan IT atau nilai bisnis IT, hasil kami menunjukkan bahwa efek gabungan
dari enabler dan inhibitor dapat berkontribusi pada variabilitas yang lebih besar pada nilai bisnis DA daripada efek independennya. Analisis kami juga menemukan
hubungan positif antara pendukung dan nilai bisnis DA dan hubungan negatif antara penghambat dan nilai bisnis DA.
Kontribusi kedua kami adalah mengidentifikasi tiga variabel dalam konstruk penghambat, yaitu kurangnya pemahaman, kurangnya infrastruktur dan
keterampilan, serta kepedulian terhadap keamanan dan privasi data. Sementara penelitian telah mengidentifikasi penghambat penggunaan TI umum (Chau,
2001; King dan Teo, 1994; Lee et al., 2013), sedikit yang diketahui tentang faktor yang dapat mengurangi nilai bisnis DA. Analisis kami menunjukkan bahwa
kurangnya pemahaman adalah penghambat paling kritis untuk nilai bisnis DA dibandingkan dengan dua penghambat lainnya.
Ketiga, kami menunjukkan bahwa tujuan penggunaan DA memiliki peran moderasi pada hubungan antara nilai bisnis DA dan kinerja perusahaan.
Temuan kami menunjukkan variasi kinerja perusahaan adalah 2% ketika tujuan penggunaan DA dipertimbangkan. Sementara penambahan 2% signifikan secara
statistik, dalam konteks UKM, peran moderasi tujuan penggunaan DA harus ditafsirkan secara bijaksana. Temuan kami selanjutnya menunjukkan bahwa tidak
seperti perusahaan besar, UKM tidak boleh menggunakan analitik lanjutan secara berlebihan dalam operasi bisnis mereka.
Ini mungkin benar mengingat sifat bisnis UKM, yang tidak sekompleks perusahaan besar. Meskipun sampel kami terdiri dari UKM yang menggunakan DA untuk
intelijen bisnis atau analitik lanjutan, lebih dari dua pertiga dari mereka melaporkan menggunakan DA untuk intelijen bisnis. Oleh karena itu, penggunaan business
intelligence atau analitik lanjutan mungkin tidak memberikan perbedaan yang signifikan terhadap kinerja UKM. Untuk UKM yang menggunakan intelijen bisnis,
spreadsheet biasanya mengatur analisis yang melibatkan pemotongan dan pemotongan. Bahkan jika mereka telah berinvestasi di DA, mereka biasanya
menggunakan alat analitik sumber terbuka atau berbiaya rendah. Analytics tetap terbatas pada analisis, pelaporan, dan visualisasi data terstruktur (Halper dan
Stodder, 2014). Silo data sering ada, dan proses keputusan lintas fungsi tetap tidak didukung. Sebaliknya, UKM yang menerapkan analitik lanjutan menggunakan
data terstruktur dan tidak terstruktur dalam analisisnya.
Mereka menggunakan teknik statistik canggih dan algoritma pembelajaran mesin untuk pemodelan prediktif dan pengoptimalan keputusan (Halper dan Stodder,
2014). Selanjutnya, mereka menggunakan DA untuk mendukung proses keputusan lintas fungsi atau seluruh perusahaan.
5.2. Implikasi untuk latihan
Meskipun banyak penelitian telah dilakukan di ITBV, sedikit yang diketahui tentang bagaimana UKM dapat mewujudkan nilai bisnis dari DA.
Dibandingkan dengan rekan perusahaan besar mereka, UKM menghadapi banyak tantangan dalam mengimplementasikan DA karena kendala sumber daya
dan risiko yang dirasakan lebih tinggi (Bouwman et al., 2019; Li et al., 2018; Riemenschneider et al., 2003). Terlepas dari tantangan ini, UKM bisa lebih fleksibel
dan gesit (Chan et al., 2019).
Hasil kami menunjukkan implikasi praktis bagi UKM, pemerintah, dan badan pengatur untuk menerapkan DA secara strategis secara efektif, yang dapat
menghasilkan peningkatan kinerja bisnis. Sebagai bagian dari proses AIS, DA memainkan peran penting dalam penentuan posisi strategis perusahaan. Di era
transformasi digital ini, kemampuan perusahaan untuk memanfaatkan nilai DA sangat penting dalam meningkatkan kinerjanya.
Oleh karena itu, ketika merancang platform AIS, UKM perlu mempertimbangkan kemampuan DA mereka yang dapat memberikan layanan dan informasi yang
diinginkan. Pada akhirnya, ini akan memungkinkan mereka untuk mewujudkan nilai bisnis yang mengarah pada kinerja perusahaan yang optimal.
Studi kami menunjukkan bahwa nilai bisnis DA adalah faktor penting yang terkait dengan kinerja perusahaan. Di antara pendukung nilai bisnis DA, kualitas
informasi memiliki ukuran efek yang lebih besar pada kinerja perusahaan daripada kualitas sistem. Temuan ini menunjukkan bahwa informasi yang diberikan
oleh analitik akan membantu UKM mendapatkan wawasan yang dapat ditindaklanjuti, karena mereka dapat memilih sistem yang paling relevan dan terjangkau
bagi mereka. Data sampel kami mencakup UKM yang telah menerapkan kecerdasan bisnis dan analitik lanjutan, beberapa menggunakan alat berpemilik dan
lainnya menggunakan alat sumber terbuka. Almeida dan Bernardino (2021) menyarankan bahwa alat sumber terbuka seperti R, KNIME, dan Rapidminer cocok
untuk UKM, karena menawarkan analisis mendasar dan lanjutan, sehingga memungkinkan UKM menghasilkan informasi yang relevan dan berkualitas tinggi
(Neely dan Cook, 2011 ). Misalnya, beberapa UKM di Singapura dapat menghasilkan laporan dan metrik dari cloud accounting dan data inventaris terintegrasi
dan dari beberapa outlet untuk meningkatkan efisiensi operasional dan memahami tren profitabilitas (Pan dan Sun, 2018). Namun, UKM harus menyadari bahwa
ketersediaan data yang relevan dan berkualitas tinggi merupakan syarat yang diperlukan untuk kualitas informasi. Faktor ini mungkin menjadi tantangan bagi
beberapa UKM karena jumlah data yang tidak mencukupi untuk dianalisis dan kurangnya infrastruktur untuk pengelolaan data (Willets et al., 2021).
Di sisi lain, kurangnya pemahaman dan kepedulian terhadap keamanan data adalah penghambat paling kritis dari nilai bisnis DA. Temuan ini sejalan dengan
hasil dalam penelitian sebelumnya, menunjukkan bahwa kurangnya pemahaman DA dan penolakan terhadap perubahan merupakan hambatan bagi manajemen
UKM untuk mengadopsi dan menerapkan teknologi (Chang et al., 2012; Ghobakhloo et al., 2011). Untuk mengatasi teka-teki ini, pemerintah, badan profesional,
atau industri DA harus membantu UKM memahami bagaimana mereka dapat memanfaatkan DA untuk mengumpulkan informasi berharga dari data mereka.
Asosiasi akuntansi profesional, misalnya, dapat membantu memfasilitasi pelatihan dan lokakarya DA bagi UKM untuk membiasakan diri dengan alat DA.
Pelatihan dan lokakarya juga dapat membantu UKM merumuskan strategi yang berguna untuk menerapkan DA. Kesadaran yang lebih besar akan nilai DA akan
membantu mereka menerapkan DA secara efektif di perusahaan mereka. Pada saat yang sama, kekhawatiran atas masalah keamanan dan privasi data di
kalangan UKM juga dapat menyebabkan penurunan nilai bisnis DA. Analisis ukuran efek kami menunjukkan bahwa faktor ini adalah yang paling menonjol yang
dapat mengurangi nilai bisnis DA. Dengan demikian, pemerintah dan badan pengawas harus membuat
15
peluang pelatihan untuk membantu UKM mematuhi undang-undang dan undang-undang perlindungan dan data pribadi yang relevan. Dibandingkan dengan perusahaan besar
yang memiliki lebih banyak sumber daya, UKM cenderung lebih rentan terhadap pelanggaran data karena sumber daya dan keterampilan TI mereka yang terbatas.
Hubungan yang tidak signifikan antara kurangnya infrastruktur dan keterampilan dan nilai bisnis DA menunjukkan bahwa variabel ini mungkin merupakan penghambat
yang paling tidak kritis. Meskipun UKM mungkin memiliki sumber daya yang terbatas seperti infrastruktur dan keterampilan, keterbatasan ini dapat diatasi dengan
mengalihdayakan penyediaan DA kepada pihak ketiga. Satu saran praktis adalah agar pemerintah dan badan pengatur dapat mempertimbangkan untuk menyediakan layanan
analitik bersama untuk UKM. Layanan bersama seperti itu akan lebih hemat biaya daripada bagi UKM untuk berlangganan layanan analitik individual di pasar. Dengan layanan
bersama tersebut, pemerintah dan badan pengatur dapat menstandarkan beberapa fitur analitik untuk pelaporan dan kepatuhan sambil mengizinkan UKM untuk menyesuaikan
fitur analitik lainnya sesuai dengan tujuan khusus dalam industri. Selain itu, kekurangan keterampilan dapat diatasi dengan memberikan konsultasi dan peningkatan
keterampilan karyawan UKM melalui pelatihan alitik.
Studi kami menunjukkan DA memang dapat memfasilitasi UKM untuk bertahan dan berkembang. Hasil kami juga menunjukkan bahwa meningkatkan rantai pasokan,
mengurangi biaya operasi, meningkatkan pengembalian aset keuangan, dan meningkatkan layanan pelanggan adalah nilai bisnis DA yang paling menguntungkan (lihat Tabel
7). Dari jumlah tersebut, mengurangi biaya operasi dan meningkatkan laba atas investasi adalah metrik yang terkait dengan akuntansi, sedangkan sisanya terkait dengan
perbaikan proses bisnis. Namun, mencapai nilai bisnis DA yang optimal akan membutuhkan upaya manajemen (misalnya, untuk mengkomunikasikan nilai-nilai DA kepada
karyawan, mendukung mereka dalam penggunaan DA, dan menyediakan infrastruktur yang baik), kemauan karyawan (misalnya, dengan sikap positif). menuju manajemen
perubahan untuk memasukkan DA dalam pekerjaan sehari-hari mereka), dan dukungan pemerintah (misalnya, untuk memberikan bantuan teknis kepada UKM dan mengurangi
ketakutan akan pelanggaran keamanan data untuk mematuhi undang-undang PDPA yang relevan).
Dengan COVID-19 yang mengubah proses bisnis secara drastis, UKM dipaksa untuk dengan cepat mengintegrasikan teknologi digital ke dalam pekerjaan sehari-hari
mereka. Meskipun gagasan tentang titik belok untuk penggunaan teknologi atau disrupsi digital bukanlah hal baru, krisis COVID-19 merupakan titik belok dengan proporsi
bersejarah (Mckinsey & Company, 2021). Studi kami dapat memandu UKM tentang faktor-faktor yang berkontribusi pada optimalisasi penggunaan DA, terutama di masa
pandemi ketika tidak ada pilihan lain selain menggunakan teknologi untuk meningkatkan nilai bisnis.
5.3. Keterbatasan dan Penelitian Masa Depan
Hasil penelitian kami harus ditafsirkan berdasarkan lima keterbatasannya. Pertama, sementara kami berusaha untuk menguraikan faktor pendukung dan penghambat
nilai bisnis DA, penjelasan kami tidak sepenuhnya mencerminkan semua faktor pendukung dan penghambat potensial. Dalam studi ini, kami berfokus pada informasi dan
kualitas sistem sebagai pendukung kemampuan DA. Studi selanjutnya dapat mempertimbangkan sumber daya organisasi lainnya, seperti kepemimpinan atau dukungan
manajemen, sebagai pendukung. Misalnya, penelitian dari aplikasi teknologi lain seperti RPA telah menunjukkan bahwa dukungan manajemen adalah salah satu kunci
keberhasilan RPA (Willcocks et al., 2018). Penelitian selanjutnya juga dapat menyelidiki apakah variabel ini membantu organisasi menciptakan sumber daya unik dalam
mengejar nilai bisnis DA. Kedua, instrumen survei kami hanya mempertimbangkan dua kategori kemampuan DA: intelijen bisnis atau analitik lanjutan. Dengan kemajuan
dalam analitik dan otomasi, penelitian di masa mendatang dapat mengeksplorasi penggunaan otomasi proses sebagai kategori baru di samping intelijen bisnis dan analitik
lanjutan. Ketiga, sampel kami terbatas pada UKM di Singapura, yang berarti temuan kami harus ditafsirkan dengan hati-hati. Penelitian di masa depan dapat membandingkan
penggunaan DA di negara yang berbeda, untuk memberikan pemahaman yang lebih luas tentang bagaimana UKM di negara yang berbeda mewujudkan nilai perusahaan DA
dan apakah nilai perusahaan DA meningkatkan kinerja perusahaan mereka. Keempat, analisis kami tentang pendukung dan penghambat didasarkan pada kinerja perusahaan
berbasis persepsi. Oleh karena itu, analisis tidak dapat menentukan dampak nilai bisnis DA pada ukuran keuangan seperti profitabilitas perusahaan. Oleh karena itu, penelitian
di masa depan dapat memperluas analisis untuk memasukkan ukuran keuangan. Kelima, konsep nilai bisnis DA kami terbatas pada nilai akuntansi umum. Penelitian di masa
depan harus mempertimbangkan nilai bisnis DA dari perspektif akuntansi – misalnya, bagaimana DA membantu mengaktifkan kontrol audit internal, mengurangi potensi risiko
atau ancaman, dan menyediakan sistem peringatan dini untuk transaksi yang berpotensi penipuan atau kesalahan akuntansi.
6. Kesimpulan
Sebagaimana dinyatakan, tujuan utama dari penelitian ini adalah untuk menguji sejauh mana UKM memanfaatkan aplikasi DA untuk menghasilkan nilai bisnis. Untuk
tujuan ini, kami menyelidiki potensi pendukung dan penghambat nilai bisnis DA yang relevan dengan UKM. Secara khusus, dalam kualitas formasi dan kualitas sistem
ditemukan sebagai prediktor kuat dari pendukung nilai bisnis DA, sedangkan kurangnya pemahaman dan kekhawatiran atas keamanan data dan privasi adalah prediktor yang
paling menonjol dari penghambat nilai bisnis DA. Analisis kami menyoroti pentingnya memahami kedua faktor pendukung dan penghambat dalam penelitian nilai bisnis TI.
Kami menawarkan saran praktis kepada pemangku kepentingan terkait dalam merumuskan strategi untuk memitigasi potensi hambatan dalam menghasilkan nilai bisnis DA
di UKM, sehingga UKM dapat memperoleh manfaat dari DA.
Pernyataan kontribusi kepengarangan CRedit
Arif Perdana: Konseptualisasi, Metodologi, Analisis Formal, Investigasi, Penulisan – draf asli, Penulisan – Review & Editing. Hwee Hoon Lee: Konseptualisasi, Penulisan
– draf asli, Penulisan – ulasan & penyuntingan. SzeKee Koh: Konseptualisasi, Metodologi, Analisis Formal, Administrasi Proyek, Pengawasan, Investigasi, Akuisisi Pendanaan,
Penulisan – Tinjauan & Penyuntingan, Sumber Daya. Desi Arisandi: Konseptualisasi, Investigasi.
16
Pengakuan
Penelitian ini didanai oleh Singapore Institute of Technology Ignition Grant (No. R-MOE-E103-E010/R-IND-E103-0022).
Referensi
Akter, S., Wamba, SF, Gunasekaran, A., Dubey, R., Childe, SJ, 2016. Bagaimana meningkatkan kinerja perusahaan menggunakan kemampuan analitik data besar dan strategi bisnis
penyelarasan? Int. J.Prod. Ekon. 182, 113–131. https://doi.org/10.1016/j.ijpe.2016.08.018.
Almeida, P., Bernardino, J., 2021. Survei alat penambangan data open source untuk UKM. Peloncat.
Appelbaum, D., Kogan, A., Vasarhelyi, M., Yan, Z., 2017. Dampak analisis bisnis dan sistem perusahaan terhadap akuntansi manajerial. Int. J.Akun. Memberitahukan. Sistem.
25, 29–44.
Aral, S., Brynjolfsson, E., Wu, L., 2012. Pelengkap tiga arah: Pembayaran kinerja, analitik sumber daya manusia, dan teknologi informasi. Mengelola. Sains. 58 (5),
913–931. https://doi.org/10.1287/mnsc.1110.1460.
Barney, JB, 1986. Pasar faktor strategis: Harapan, keberuntungan, dan strategi bisnis. Mengelola. Sains. 32 (10), 1231–1241.
Barney, J., 1991. Sumber daya perusahaan dan keunggulan kompetitif yang berkelanjutan. J. Kelola. 17 (1), 99–120.
Bean, R., Davenport, TH, 2019. Perusahaan Gagal dalam Upayanya Menjadi Berbasis Data. Diperoleh dari Harvard Business Rev. 2–5. https://hbr.org/2019/02/
perusahaan-gagal-dalam-upaya-mereka-untuk-menjadi-didorong-data.
Benitez, J., Henseler, J., Castillo, A., Schuberth, F., 2020. Bagaimana melakukan dan melaporkan analisis yang berdampak menggunakan kuadrat terkecil parsial: Panduan untuk penelitian IS
konfirmasi dan penjelasan. Memberitahukan. Mengelola. 57 (2), 103168. https://doi.org/10.1016/j.im.2019.05.003.
Bharadwaj, AS, 2000. Perspektif berbasis sumber daya pada kapabilitas teknologi informasi dan kinerja perusahaan: Investigasi empiris. MIS Quart. 24 (1),
169–196.
Bianchini, M., Michalkova, V., 2019. Analisis Data di UKM: Tren dan Kebijakan. Makalah UKM dan Kewirausahaan OECD No. 15 https://doi.org/10.1787/
1de6c6a7-en.
Bouwman, H., Nikou, S., de Reuver, M., 2019. Digitalisasi, model bisnis, dan UKM: Bagaimana praktik inovasi model bisnis meningkatkan kinerja digitalisasi UKM? telekomunikasi. Kebijakan
43 (9), 101828. https://doi.org/10.1016/j.telpol.2019.101828.
Boÿziÿc, K., Dimovski, V., 2019. Kecerdasan bisnis dan analitik untuk penciptaan nilai: Peran kapasitas serap. Int. J.Inf. Mengelola. 46, 93–103. https://doi.org/
10.1016/j.ijinfomgt.2018.11.020.
Brynjolfsson, E., 1993. Paradoks produktivitas teknologi informasi. Komunal. ACM 36 (12), 67–77. https://doi.org/10.1145/163298.163309.
Brynjolfsson, E., Hitt, LM, 2000. Di luar perhitungan: Teknologi informasi, transformasi organisasi dan kinerja bisnis. J.Econ. Perspektif. 14 (4),
23–48. https://doi.org/10.1257/jep.14.4.23.
Brynjolfsson, E., McElheran, K., 2016. Adopsi cepat pengambilan keputusan berbasis data. Saya. Ekon. Wahyu 106 (5), 133–139. https://doi.org/10.1257/aer.
p20161016.
Burton-Jones, A., Grange, C., 2013. Dari penggunaan hingga penggunaan efektif : Perspektif teori representasi dari penggunaan hingga penggunaan efektif. Memberitahukan. Sistem. Res. 24 (3), 632–658.
https://doi.org/10.1287/isre.1120.0444.
Cao, M., Chychyla, R., Stewart, T., 2015. Analisis data besar dalam audit laporan keuangan. Akun. Cakrawala 29 (2), 423–429.
Carr, NG, 2003. Itu Tidak Penting. Harvard Business Rev. 81 (5), 41–49. https://www.classes.cs.uchicago.edu/archive/2014/fall/51210-1/required.reading/
ITDoesntMatter.pdf.
Cenfetelli, R., 2004. Inhibitor dan Enabler sebagai konsep faktor ganda dalam penggunaan teknologi. J. Assoc. Memberitahukan. Sistem. 5 (11), 472–492. https://doi.org/10.17705/
1jais10.17705/1jais.00059.
Cenfetelli, RT, Schwarz, A., 2011. Mengidentifikasi dan menguji penghambat niat penggunaan teknologi. Memberitahukan. Sistem. Res. 22 (4), 808–823. https://doi.org/10.1287/
isre.1100.0295.
Chan, CML, Teoh, SY, Yeow, A., Pan, G., 2019. Ketangkasan dalam menanggapi inovasi digital yang mengganggu: Studi kasus UKM. Memberitahukan. Sistem. J.29 (2), 436–455.
https://doi.org/10.1111/isj.v29.210.1111/isj.12215.
Chang, SI, Yen, DC, Ng, CSP, Chang, WT, 2012. Analisis pemilihan penyedia outsourcing IT/IS untuk usaha kecil dan menengah di Taiwan. Memberitahukan.
Mengelola. 49 (5), 199–209. https://doi.org/10.1016/j.im.2012.03.001.
Chau, PYK, 2001. Penghambat adopsi EDI di usaha kecil: Investigasi empiris. J. Elektron. Komersial Res. 2 (2), 78–88.
Chen, H., Chiang, RHL, Storey, VC, 2018. Kecerdasan dan analitik bisnis: Dari data besar hingga dampak besar. MIS Quart. 36 (4), 1165–1188. https://doi.org/
10.1016/S0140-6736(09)61833-X.
Cheng, C., Sapkota, P., Yurko, AJN, 2021. Studi kasus tarif pajak efektif menggunakan analitik data. Masalah Akun. Pendidikan 36 (1), 65–89.
Chengalur-Smith, IN, Ballou, DP, Pazer, HL, 1999. Dampak informasi kualitas data pada pengambilan keputusan: analisis eksplorasi. Trans IEEE. Tahu. Data
Eng. 11 (6), 853–864.
Coleman, S., Gob, ¨ R., Manco, G., Pievatolo, A., Tort-Martorell, X., Reis, MS, 2016. Bagaimana UKM dapat memperoleh manfaat dari big data? Tantangan dan jalan ke depan. Kual. Andal.
Eng. Int. 32 (6), 2151–2164. https://doi.org/10.1002/qre.2008.
Davenport, TH, Harris, JG, 2007. Bersaing di Analytics: Ilmu Kemenangan Baru. Harvard Business Press.
Davenport, TH, Patil, DJ, 2012. Ilmuwan Data: Pekerjaan Terseksi Abad ke-21. Harvard Business Rev. https://hbr.org/2012/10/data-scientist-the-sexiest-job
abad ke-21.
DeLone, WH, McLean, ER, 1992. Keberhasilan sistem informasi: Pencarian variabel dependen. Memberitahukan. Sistem. Res. 3 (1), 60–95. https://doi.org/10.5267/j.
uscm.2014.12.002.
DeLone, WH, McLean, ER, 2003. Model keberhasilan sistem informasi DeLone dan McLean: Pembaruan sepuluh tahun. J. Kelola. Memberitahukan. Sistem. 19 (4), 9–30. https://
doi.org/10.1080/07421222.2003.11045748.
Drnevich, PL, Croson, DC, 2013. Teknologi informasi dan strategi tingkat bisnis: Menuju dan mengintegrasikan perspektif teoretis. MIS Quart. 37 (2), 483–509.
Elbashir, MZ, Collier, PA, Davern, MJ, 2008. Mengukur efek sistem intelijen bisnis: Hubungan antara proses bisnis dan organisasi
pertunjukan. Int. J.Akun. Memberitahukan. Sistem. 9, 135–153.
Eilifsen, A., Kinserdal, F., Messier, WF, McKee, TE, 2020. Studi Eksplorasi Penggunaan Analisis Data Audit pada Perikatan Audit. Akun. Cakrawala 34
(4), 75–103.
Ferguson, C., Finn, F., Hall, J., 2005. Investasi perdagangan elektronik, pandangan berbasis sumber daya perusahaan, dan nilai pasar perusahaan. Int. J.Akun. Memberitahukan. Sistem. 6 (1),
5–29.
Ghasemaghaei, M., 2021. Memahami dampak data besar terhadap kinerja perusahaan: Perlunya membedakan secara konseptual di antara karakteristik data besar. Int.
J.Inf. Mengelola. 57, 102055. https://doi.org/10.1016/j.ijinfomgt.2019.102055.
Ghasemaghaei, M., Ebrahimi, S., Hassanein, K., 2018. Kompetensi analitik data untuk meningkatkan kinerja pengambilan keputusan perusahaan. J. Strat. Memberitahukan. Sistem. 27 (1),
101–113. https://doi.org/10.1016/j.jsis.2017.10.001.
Ghobakhloo, M., Arias-Aranda, D., Benitez-Amado, J., 2011. Adopsi aplikasi e-commerce pada UKM. Industri Mengelola. Sistem Data 111 (8), 1238–1269. https://
doi.org/10.1108/02635571111170785.
Ghobakhloo, M., Ching, NT, 2019. Adopsi teknologi digital manufaktur pintar di UKM. J. Industri. Memberitahukan. Integral 16, 100107. https://doi.org/10.1016/
j.jii.2019.100107.
Gregor, S., Martin, M., Fernandez, W., Stern, S., Vitale, M., 2006. Dimensi transformasi dalam mewujudkan nilai bisnis dari teknologi informasi.
J. Strat. Memberitahukan. Sistem. 15 (3), 249–270. https://doi.org/10.1016/j.jsis.2006.04.001.
17
Grover, V., Chiang, RHL, Liang, TP, Zhang, D., 2018. Menciptakan nilai bisnis strategis dari analitik data besar: Kerangka penelitian. J. Kelola. Memberitahukan. Sistem. 35
(2), 388–423. https://doi.org/10.1080/07421222.2018.1451951.
Grover, V., Gokhale, R., Narayanswamy, R., 2009. Kerangka kerja berbasis sumber daya untuk penelitian IS: Perusahaan pengetahuan dan keberlanjutan di pasar pengetahuan. J. Assoc.
Memberitahukan. Sistem. 10 (04), 306–332.
Günther, WA, Rezazade Mehrizi, MH, Huysman, M., Feldberg, F., 2017. Debating big data: Tinjauan pustaka tentang realisasi nilai dari big data. J. Strat. Memberitahukan.
Sistem. 26 (3), 191–209. https://doi.org/10.1016/j.jsis.2017.07.003.
Hair, JF, Sarstedt, M., Hopkins, L., Kuppelwieser, VG, 2014. Pemodelan persamaan struktural kuadrat terkecil parsial (PLS-SEM): Alat yang muncul dalam penelitian bisnis.
eur. Business Rev. 26 (2), 106–121. https://doi.org/10.1108/EBR-10-2013-0128.
Hair, JF, Hult, T., Ringle, C., Sarstedt, M., 2017. A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM), 2nd ed. SAGE Publications Inc.
Halper, F., Stodder, D., 2014. Panduan Model Kematangan Analisis TDWI. Penelitian TDWI.
Haug, A., Stentoft Arlbjørn, J., Pedersen, A., 2009. Model klasifikasi kualitas data sistem ERP. Industri Mengelola. Sistem Data 109 (8), 1053–1068.
Henderson, DL, Bradford, M., Kotb, A., 2016. Penghambat dan pendukung penggunaan GAS: Menguji teori faktor ganda. J. Informasikan. Sistem. 30 (3), 135–155. https://doi.org/
10.2308/isys-51388.
Huang, F., Li, H., Wang, T., 2018. Kemampuan teknologi informasi, akurasi perkiraan manajemen, dan revisi perkiraan analis. Akun. Cakrawala 32 (3), 49–70.
Müller, T., Schuberth, F., Henseler, J., 2018. Pemodelan jalur PLS – pendekatan konfirmasi untuk mempelajari teknologi pariwisata dan perilaku wisatawan. J. Teknologi Pariwisata
Perhotelan. 9 (3), 249–266. https://doi.org/10.1108/JHTT-09-2017-0106.
Jeyaraj, A., Zadeh, AH, 2020. Evolusi penelitian sistem informasi: Wawasan dari pemodelan topik. Memberitahukan. Mengelola. 57 (4), 103207. https://doi.org/10.1016/j.
im.2019.103207.
Kannabiran, G., Dharmalingam, P., 2012. Pendukung dan penghambat adopsi teknologi informasi lanjutan oleh UKM: Studi empiris pendukung otomotif di India. J. Informasi Perusahaan.
Mengelola. 25 (2), 186–209. https://doi.org/10.1108/17410391211204419.
King, WR, Teo, TSH, 1994. Fasilitator dan penghambat penggunaan strategis teknologi informasi. Memberitahukan. Mengelola. 27 (2), 71–87. https://doi.org/10.1016/
0378-7206(94)90008-6.
King, WR, Teo, TSH, 1996. Dimensi kunci fasilitator dan penghambat untuk penggunaan strategis teknologi informasi. J. Kelola. Memberitahukan. Sistem. 12 (4), 35–53.
https://doi.org/10.1080/07421222.1996.11518100.
Kock, N., 2015. Bias metode umum dalam PLS-SEM: Pendekatan penilaian kolinearitas penuh. Int. J.E-Collab. 11(4), 1–10. DOI: https://doi.org/10.4018/
ijec.2015100101.
Kohli, R., Devaraj, S., 2008. Menyadari nilai bisnis investasi teknologi informasi: Sebuah proses organisasi. MIS Quart. Eksekutif 3 (1), 6.
Kohli, R., Grover, V., 2008. Nilai bisnis TI: Sebuah esai tentang perluasan arah penelitian untuk mengikuti perkembangan zaman. J. Assoc. Memberitahukan. Sistem. 9 (1), 23–39. https://doi.
org/10.17705/1jais10.17705/1jais.00147.
Kogan, A., Mayhew, BW, Vasarhelyi, MA, 2019. Penelitian analitik data audit - Penerapan metodologi ilmu desain. Akun. Cakrawala 33 (3), 69–73.
Koreff, J., Weisner, M., Sutton, SG, 2021. Analisis data (ab) digunakan dalam audit penipuan layanan kesehatan. Int. J.Akun. Memberitahukan. Sistem. 42, 100523. https://doi.org/10.1016/j.
accinf.2021.100523.
Kozlenkova, IV, Samaha, SA, Palmatier, RW, 2014. Teori berbasis sumber daya dalam pemasaran. J.Acad. Tanda. Sains. 42 (1), 1–21. https://doi.org/10.1007/s11747-013-
0336-7.
Krieger, F., Drews, P., Velte, P., 2021. Menjelaskan adopsi (non-) analitik data lanjutan dalam audit: Sebuah teori proses. Int. J.Akun. Memberitahukan. Sistem. 41,
100511. https://doi.org/10.1016/j.accinf.2021.100511.
Lapointe, L., Rivard, S., 2005. Model resistensi multilevel terhadap implementasi teknologi informasi. MIS Quart. 29 (3), 461–491. https://doi.org/10.2307/
25148692.
¨ JT, 2019. Memvisualisasikan “permainan yang bagus”: analitik sebagai mesin kalkulatif dalam lingkungan digital. Akun. Audit. akuntab. J.32 (7), 2142–
Lassila, EM, Moilanen, S., Jarvinen,
2166.
Lee, L., Petter, S., Fayard, D., Robinson, S., 2011. Tentang penggunaan pemodelan jalur kuadrat terkecil parsial dalam penelitian akuntansi. Int. J.Akun. Memberitahukan. Sistem. 12 (4),
305–328. https://doi.org/10.1016/j.accinf.2011.05.002.
Lee, S., Hoon, S., Min, K., 2013. Penggerak dan penghambat adopsi SaaS di Korea. Int. J.Inf. Mengelola. 33 (3), 429–440. https://doi.org/10.1016/j.
izinfomgt.2013.01.006.
Li, L., Su, F., Zhang, W., Mao, JY, 2018. Transformasi digital oleh pengusaha UKM: Perspektif kemampuan. Memberitahukan. Sistem. J.28 (6), 1129–1157. https://doi.org/
10.1111/isj.12153.
Liu, Qi, Feng, G., Zhao, Xi, Wang, W., 2020a. Meminimalkan masalah kualitas data sistem informasi: Metode berbasis proses. Keputusan. Sistem Dukungan 137,
113381. https://doi.org/10.1016/j.dss.2020.113381.
Liu, Y., Soroka, A., Han, L., Jian, J., Tang, M., 2020b. Analitik big data berbasis cloud untuk inovasi desain berbasis wawasan pelanggan di UKM. Int. J.Inf. Mengelola. 51,
102034. https://doi.org/10.1016/j.ijinfomgt.2019.11.002.
Marr, B., 2016. Big Data dalam Praktek-Bagaimana 45 Perusahaan Sukses Menggunakan Big Data Analytics untuk Memberikan Hasil Luar Biasa. John Wiley and Sons Ltd.
Masli, A., Richardson, VJ, Sanchez, JM, Smith, RE, 2011. Nilai bisnis TI: Sintesis dan kerangka penelitian arsip. J. Informasikan. Sistem. 25 (2), 81–116.
Mckinsey & Company, 2021. Bagaimana COVID-19 Mendorong Perusahaan Melewati Titik Tipping Teknologi. Mckinsey & Company, NYC. Diperoleh dari Standar dan
Panduan: https://global.theiia.org/standards-guidance/recommended-guidance/Pages/Practice-Advisories.aspx.
Melville, N., Kraemer, K., Gurbaxani, V., 2004. Ulasan: Teknologi informasi dan kinerja organisasi: Model integratif nilai bisnis TI. SALAH
Kuart. 28 (2), 283–322. https://doi.org/10.2307/25148636.
Mikalef, P., Pappas, IO, Krogstie, J., Pavlou, PA, 2020a. Data besar dan analitik bisnis: Agenda penelitian untuk mewujudkan nilai bisnis. Memberitahukan. Mengelola. 57 (1),
103237. https://doi.org/10.1016/j.im.2019.103237.
Mikalef, P., Krogstie, J., Pappas, IO, Pavlou, P., 2020b. Menjelajahi hubungan antara kemampuan analitik data besar dan kinerja kompetitif: Mediasi
peran kemampuan dinamis dan operasional. Memberitahukan. Mengelola. 57 (2), 103169. https://doi.org/10.1016/j.im.2019.05.004.
Moore, GC, Benbasat, I., 1991. Pengembangan instrumen untuk mengukur persepsi adopsi inovasi teknologi informasi. Memberitahukan. Sistem. Res. 2 (3),
192–222.
Mithas, S., Rust, RT, 2016. Bagaimana strategi teknologi informasi dan investasi mempengaruhi kinerja perusahaan: Dugaan dan bukti empiris. MIS Quart.rly 40
(1), 223–245. https://doi.org/10.25300/MISQ10.25300/MISQ/2016/40.1/10.25300/MISQ/2016/40.1.10.
Mithas, S., Tafti, A., Bardhan, I., Goh, JM, Smith, RH, 2012. Teknologi informasi dan profitabilitas perusahaan: mekanisme dan bukti empiris. MIS Quart. 36 (1),
205–224. https://doi.org/10.2307/41410414.
Muhanna, WA, Stoel, MD, 2010. Bagaimana investor menilai TI? Investigasi empiris tentang relevansi nilai kapabilitas TI dan pengeluaran TI di seluruh industri.
J. Informasikan. Sistem. 24 (1), 43–66.
Nelson, RR, Todd, PA, Wixom, BH, 2005. Anteseden kualitas informasi dan sistem: Pemeriksaan empiris dalam konteks pergudangan data.
J. Kelola. Memberitahukan. Sistem. 21 (4), 199–235. https://doi.org/10.1080/07421222.2005.11045823.
Neely, MP, Cook, JS, 2011. Literatur kualitas data dan informasi selama lima belas tahun: Mengembangkan agenda penelitian untuk akuntansi. J. Informasikan. Sistem. 25 (1), 79–108.
https://doi.org/10.2308/jis.2011.25.1.79.
Nicolau, AI, 2004. Efek kinerja perusahaan dalam kaitannya dengan penerapan dan penggunaan sistem perencanaan sumber daya perusahaan. J. Informasikan. Sistem. 18 (2), 79–105.
Nevo, S., Wade, MR, 2010. Pembentukan dan nilai sumber daya yang mendukung TI: Anteseden dan konsekuensi dari hubungan sinergis. MIS Quart. 34 (1), 163–183.
OECD, 2017. Meningkatkan Kontribusi UKM dalam Ekonomi Global dan Digital. OECD. Tersedia di https://www.oecd.org/industry/C-MIN-2017-8-EN.pdf.
18
Pan, G., Sun, SP, 2018. 20 Maret). Bagaimana analitik data dapat mengubah UKM menjadi perusahaan pintar, The Business Times https://www.businesstimes.com.sg/sme/how-data
analytics-may-turn-smes-into-smart-enterprises.
Perols, JL, Bowen, RM, Zimmermann, C., Samba, B., 2017. Menemukan jarum di tumpukan jerami: Menggunakan analitik data untuk meningkatkan prediksi penipuan. Akun. Wahyu 92 (2),
221–245.
Petter, S., DeLone, W., McLean, E., 2008. Mengukur keberhasilan sistem informasi: Model, dimensi, ukuran, dan keterkaitan. eur. J. Informasikan. Sistem. 17 (3), 236–263. https://doi.org/
10.1057/ejis.2008.15.
Petter, S., Delone, W., McLean, ER, 2013. Keberhasilan sistem informasi: pencarian variabel independen. J. Kelola. Memberitahukan. Sistem. 29 (4), 7–61. https://doi. org/10.2753/
MIS0742-1222290401.
Peters, MD, Wieder, B., Sutton, SG, 2018. Improvisasi organisasi dan pengurangan kegunaan fungsi BI pengukuran kinerja. Int. J.Akun.
Memberitahukan. Sistem. 29, 1–15.
Peters, MD, Wieder, B., Sutton, SG, Wakefield, J., 2016. Sistem intelijen bisnis digunakan dalam kemampuan pengukuran kinerja: Implikasi untuk peningkatan
keunggulan kompetitif. Int. J.Akun. Memberitahukan. Sistem. 21, 1–17.
Podsakoff, PM, MacKenzie, SB, Lee, J.-Y., Podsakoff, NP, 2003. Bias metode umum dalam penelitian perilaku: Tinjauan kritis literatur dan
obat yang direkomendasikan. J.Appl. Psikol. 88 (5), 879–903. https://doi.org/10.1037/0021-9010.88.5.879.
Poston, R., Grabski, S., 2000. Dampak sistem perencanaan sumber daya perusahaan terhadap kinerja perusahaan. Dalam: Konferensi Internasional Sistem Informasi
Prosiding, hal. 48.
Prasad, A., Green, P., 2015. Mengatur layanan cloud computing: Pertimbangan ulang struktur tata kelola TI. Int. J.Akun. Memberitahukan. Sistem. 19, 45–58.
Ransbotham, S., Kiron, D., Prentice, PK, 2016. Melampaui Hype: Kerja Keras di Balik Kesuksesan Analytics. Diterima dari. https://sloanreview.mit.edu/projects/ the-hard-work-behind-data-
analytics-strategy/.
Raymond, L., Bergeron, F., Croteau, A.-M., Uwizeyemungu, S., 2019. Penentu dan hasil tata kelola TI di UKM manufaktur: Manajemen TI strategis
perspektif. Int. J.Akun. Memberitahukan. Sistem. 35, 100422. https://doi.org/10.1016/j.accinf.2019.07.001.
Ren, SJ, Wamba, SF, Akter, S., Dubey, R., Childe, SJ, 2017. Memodelkan dinamika kualitas, nilai bisnis, dan kinerja perusahaan dalam lingkungan analitik data besar.
Int. J.Prod. Res. 55 (17), 5011–5026. https://doi.org/10.1080/00207543.2016.1154209.
Riemenschneider, CK, Harrison, DA, Mykytyn, PP, 2003. Memahami keputusan adopsi TI dalam bisnis kecil: Mengintegrasikan teori saat ini. Memberitahukan. Mengelola. 40
(4), 269–285. https://doi.org/10.1016/S0378-7206(02)00010-1.
Rikhardsson, P., Yigitbasioglu, O., 2018. Business intelligence & analytics in management accounting research: Status and future focus. Int. J.Akun. Memberitahukan. Sistem.
29, 37–58.
Sarstedt, M., Hair, JF, Ringle, CM, Thiele, KO, Gudergan, SP, 2016. Masalah estimasi dengan PLS dan CBSEM: Dimana letak biasnya! J. Res Bisnis. 69 (10),
3998–4010. https://doi.org/10.1016/j.jbusres.2016.06.007.
Schaupp, LC, Belanger, F., 2014. Nilai media sosial untuk usaha kecil. J. Informasikan. Sistem. 28 (1), 187–207.
Schneider, GP, Dai, J., Janvrin, DJ, Ajayi, K., Raschke, RL, 2015. Menyimpulkan, memprediksi, dan memastikan: Peluang akuntansi dalam analitik data. Akun. Cakrawala 29 (3), 719–742.
https://doi.org/10.2308/acch-51140.
Schuberth, F., Henseler, J., Djikstra, TK, 2018. Analisis komposit konfirmasi. Depan. Psikol. 9, 2541. https://doi.org/10.3389/fpsyg.2018.02541.
Tambe, P., 2014. Investasi data besar, keterampilan, dan nilai perusahaan. Mengelola. Sains. 60, 1452–1469. https://doi.org/10.1049/tpe.1975.0104.
Komite Ekonomi Masa Depan, 2017. Laporan Komite Ekonomi Masa Depan: Pelopor Generasi Penerus. Diambil dari https://www.mti.
gov.sg/Resources/publications/Report-of-the-Committee-on-the-Future-Economy [Diakses pada 18 Mei. 2019].
Tippins, MJ, Sohi, RS, 2003. Kompetensi TI dan kinerja perusahaan: Apakah pembelajaran organisasi merupakan mata rantai yang hilang? Strategi. Kelola. J.24 (8), 745–761. https://doi.org/
10.1002/(ISSN)1097-026610.1002/smj.v24:810.1002/smj.337.
Trieu, V., 2017. Mendapatkan nilai dari sistem intelijen bisnis : Sebuah tinjauan dan agenda penelitian. Keputusan. Sistem Dukungan 93, 111–124. https://doi.org/10.1016/j.
dss.2016.09.019.
van Offenbeek, M., Boonstra, A., Seo, DB, 2013. Menuju mengintegrasikan penelitian penerimaan dan penolakan: Bukti dari studi kasus telecare. eur. J. Informasikan. Sistem. 22
(4), 434–454. https://doi.org/10.1057/ejis.2012.29.
Vance, A., Elie-dit-cosaque, C., Straub, DW, 2008. Meneliti kepercayaan pada artefak teknologi informasi: Pengaruh kualitas dan budaya sistem. J. Kelola. Memberitahukan.
Sistem. 24 (4), 73–100. https://doi.org/10.2753/MIS0742-1222240403.
Venkatesh, V., Thong, JYL, Xu, X., 2012. Penerimaan konsumen dan penggunaan teknologi informasi: Memperluas teori penerimaan dan penggunaan terpadu
teknologi. MIS Quart. 36 (1), 157–178. https://doi.org/10.2307/41410412.
Venkatesh, V., Thong, J., Xu, X., 2016. Teori penerimaan dan penggunaan teknologi terpadu: Sintesis dan jalan di depan. J. Assoc. Memberitahukan. Sistem. 17 (5), 328–376.
https://doi.org/10.17705/1jais10.17705/1jais.00428.
Wade, M., Hulland, J., 2004. Ulasan: Pandangan berbasis sumber daya dan penelitian sistem informasi: Tinjauan, perluasan, dan saran untuk penelitian masa depan. MIS Quart.
28 (1), 107–142.
Wang, RY, Strong, DM, 1996. Melampaui akurasi : Apa arti kualitas data bagi konsumen data. J. Kelola. Memberitahukan. Sistem. 12 (4), 5–25.
Wang, N., Liang, H., Zhong, W., Xue, Y., Xiao, J., 2012. Penataan sumber daya atau pembangunan kemampuan? Sebuah studi empiris dari nilai bisnis informasi
teknologi. J. Kelola. Memberitahukan. Sistem. 29 (2), 325–367. https://doi.org/10.2753/MIS0742-1222290211.
Willcocks, L., Hindle, J., Lacity, W., 2018. Kunci keberhasilan RPA. Laporan Penelitian Eksekutif, Mitra Modal Pengetahuan.
Willets, M., Atkins, S., Stanier, C., 2021. Studi Kuantitatif tentang Hambatan Mengadopsi Big Data Analytics untuk UKM Inggris dan Irlandia. Di dalam: N.Sharma, A. Chakrabarti, VE Balas,
AM Bruckstein (Eds.), Manajemen Data, Analisis dan Inovasi. Prosiding ICDMAI 2021, Volume 2. Springer.
Wolverton, CC, Cenfetelli, R., 2019. Eksplorasi pendorong perilaku non-adopsi: Pendekatan analisis diskriminan. Lanjutan Basis Data Memberitahukan. Sistem. 50 (3),
38–65. https://doi.org/10.1145/3353401.3353405.
Wu, L., Hitt, LM, Lou, B., 2019a. Keterampilan analitik data, inovasi, dan produktivitas perusahaan. Mengelola. Sains. 66 (5) https://doi.org/10.2139/ssrn.2744789.
Wu, L., Lou, B., Hitt, LM, 2019b. Analitik data mendukung inovasi terdesentralisasi. Mengelola. Sains. 65 (10), 4451–4949. https://doi.org/10.2139/ssrn.3351982.
Zhang, C., 2019. Otomatisasi proses cerdas dalam audit. J.Emerg. Technol. Akun. 16 (2), 69–88.
Arif bekerja sebagai Associate Professor di Data Science di Monash University. Sebelum karir akademiknya, Arif bekerja di layanan IT dan industri keuangan.
Minat penelitiannya adalah dalam ilmu data dan analitik serta pemberdayaan teknologi digital (misalnya blockchain, fintech, dan teknologi regulasi). Arif telah
melakukan penelitian dan konsultasi industri dengan institusi dan perusahaan di Singapura dan Indonesia. Penelitiannya telah dipublikasikan di Information &
Management, Behavior & Information Technology, Journal of Information Systems, Telematics and Infor matics, Technology in Society, Australasian Journal of
Information Systems, dan Journal of Information Technology Teaching Cases. Alamat Kontak: Email: arif.perdana@monash.edu. Universitas Monash, Indonesia.
19
Hwee Hoon Lee adalah asisten profesor di Singapore Institute of Technology, tempat dia mengajar morfologi dan sintaksis, serta keterampilan
menulis dan presentasi lintas disiplin ilmu. Ia telah menerbitkan berbagai jurnal seperti ELT Journal, Asia Pacific Journal of Education, RELC
Journal, Journal of Teaching English for Specific and Academic Purposes, dan Journal of Information Technology Teaching Cases. Dia juga ikut
menulis satu bab dalam buku Applied Learning in Higher Education: Perspective, Pedagogy, and Practice.
SzeKee adalah seorang profesor di Institut Teknologi Singapura. Sebelum bergabung dengan SIT, beliau memegang posisi tetap di University
of Western Australia Business School dan mengajar di bidang mata pelajaran akuntansi dan keuangan. Beliau juga pernah menjabat posisi
manajerial di Singapore Airport Terminal Services Limited dan bekerja sebagai konsultan pajak untuk PricewaterhouseCoopers. SzeKee telah
diundang untuk memberikan berbagai presentasi utama di konferensi internasional Dia telah menyelesaikan proyek penelitian terapan dan
ilmiah, dan telah menerbitkan di berbagai jurnal termasuk Journal of Corporate Finance, Journal of International Financial Markets Institutions
and Money, Pacific-Basin Finance Journal, Australia Journal of Management, International Review of Finance, Isu Pendidikan Akuntansi, Jurnal
Riset Akuntansi dan Jurnal Bisnis dan Keuangan Akuntansi Australasia.
Desi memiliki latar belakang penelitian di Audit Analytics, Machine Learning, UKM, dan Organisasi Nirlaba. Setelah menyelesaikan gelar
doktornya di bidang Sistem Informasi Akuntansi di Rutgers, State University of New Jersey, AS, ia menekuni hasratnya untuk mengajar dan
meneliti di Singapore Institute of Technology. Dengan fokus Pembelajaran Terapan dan Riset Terapan, Desi telah menginisiasi beberapa proyek
industri dengan fokus kolaborasi Bisnis dan Teknologi. Proyek konsultasi yang sedang berlangsung saat ini mencakup pengembangan Predictive
Analytics dan Automation of Risk Management systems.
20

Terjemahan Data Analytics in Small and Mid-Size Enterprises - Enablers and

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Terjemahan Data Analytics in Small and Mid-Size Enterprises - Enablers and

Diunggah oleh

Hak Cipta:

Format Tersedia

Machine Translated by Google

Jurnal Internasional Sistem Informasi Akuntansi 44 (2022) 100547

Daftar konten tersedia di ScienceDirect

Jurnal Akuntansi Internasional

Analitik data di perusahaan kecil dan menengah: Pengaktif dan

INFORMASI ARTIKEL ABSTRAK

* Penulis yang sesuai.

A. Perdana dkk. Jurnal Internasional Sistem Informasi Akuntansi 44 (2022) 100547

A. Perdana dkk. Jurnal Internasional Sistem Informasi Akuntansi 44 (2022) 100547

2. Kajian literatur dan pengembangan hipotesis

2.1. Tampilan berbasis sumber daya dan nilai bisnis TI

2.2. Konsep faktor ganda

A. Perdana dkk. Jurnal Internasional Sistem Informasi Akuntansi 44 (2022) 100547

2.3. Analisis data dalam akuntansi

Konsep Faktor Ganda dalam Adopsi dan Penggunaan TI

A. Perdana dkk. Jurnal Internasional Sistem Informasi Akuntansi 44 (2022) 100547

2.4. UKM dan penciptaan nilai analitik data

A. Perdana dkk. Jurnal Internasional Sistem Informasi Akuntansi 44 (2022) 100547

2.5. Pengaktif nilai bisnis DA

Gambar 1 Model Penelitian

A. Perdana dkk. Jurnal Internasional Sistem Informasi Akuntansi 44 (2022) 100547

Karakteristik UKM Pengaktif dan Penghambat Nilai Bisnis DA

2.6. Penghambat nilai bisnis DA

A. Perdana dkk. Jurnal Internasional Sistem Informasi Akuntansi 44 (2022) 100547

Item Pengukuran Sumber

A. Perdana dkk. Jurnal Internasional Sistem Informasi Akuntansi 44 (2022) 100547

2.7. Nilai bisnis DA dan kinerja perusahaan

3.1. Pengembangan item pengukuran

Fase Administrasi Survei Jumlah Responden

Fase 1 dengan firma akuntansi tingkat menengah 4

A. Perdana dkk. Jurnal Internasional Sistem Informasi Akuntansi 44 (2022) 100547

studi sebelumnya, seperti yang ditunjukkan pada Tabel 4.

3.2. Contoh data

4.1. Model pengukuran

Peran Manajer Pelaksana/Wakil Presiden 12

A. Perdana dkk. Jurnal Internasional Sistem Informasi Akuntansi 44 (2022) 100547

Catat semua ukuran dari 1 sampai 5

4.2. Model struktural

Pengukuran Sistem Informasi Kurangnya Kurangnya Keamanan data Bisnis DA Tegas

1 4,051/ 3,890/0,813 2,120/0,853 2,925/0,587 2,425/0,560 4,068/0,724 3,844/0,722

Kualitas Informasi 4.17 0,54

Kualitas Sistem 4.00 0,70

Kurangnya pemahaman 2.10* 0,62

Kekhawatiran atas Keamanan dan Privasi Data 2,40* 0,55

A. Perdana dkk. Jurnal Internasional Sistem Informasi Akuntansi 44 (2022) 100547

Sistem Informasi Kurangnya Kurangnya Kekhawatiran DA Tegas

Kekhawatiran atas Data 0,839 0,720 0,707 0,627 0,449 0,321 – – –

Keamanan dan Privasi

1 2.820 1.819 1.544 1.883 1.248 1.758 2.222

A. Perdana dkk. Jurnal Internasional Sistem Informasi Akuntansi 44 (2022) 100547

SQ1 ÿ Kualitas Sistem 0,27 0,81

A. Perdana dkk. Jurnal Internasional Sistem Informasi Akuntansi 44 (2022) 100547

Hipotesis Nilai p Ukuran Efek (f2 ) Dukungan untuk hipotesis

H1: Kualitas Informasi ÿ Nilai Bisnis DA 0,000** 0,176 Mendukung

H2: Kualitas Sistem ÿ Nilai Bisnis DA 0,010** 0,048 Mendukung

H3: Kurangnya Pemahaman ÿ Nilai Bisnis DA 0,031* 0,026 Mendukung

Nilai Bisnis dan Kinerja Perusahaan

* p < 0,05; ** p < 0,01; ns = tidak didukung.

Hubungan Langsung Koefisien Jalur Nilai p

Kualitas Informasi ÿ Kinerja Perusahaan 0,271 0,020*

Kualitas Sistem ÿ Performa Perusahaan 0,070 0,524ns

Kurangnya Pemahaman ÿ Kinerja Perusahaan 0,019 0,811ns

* p < 0,05; ** p < 0,01; ns = tidak didukung.