Machine Translated by Google

Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di: https://www.researchgate.net/publication/349110234

Memanfaatkan Kecerdasan Buatan dalam Bisnis: Implikasi, Aplikasi, dan

Metode

Artikel dalam Analisis Teknologi dan Manajemen Strategis · Februari 2021

DOI: 10.1080/09537325.2021.1883583

KUTIPAN BACA

63 5.127

2 penulis:

Andrea Sestino Andrea De Mauro

LUISS Guido Carli, Libera Università Internazionale degli Studi Sociali Universitas Roma Tor Vergata

71 PUBLIKASI 499 KUTIPAN 24 PUBLIKASI 1.780 CITATION

LIHAT PROFIL LIHAT PROFIL

Beberapa penulis publikasi ini juga mengerjakan proyek terkait berikut:

Manajemen Teknologi Blockchain dan Ekosistem Digital dalam proyek Tampilan Sektor Industri Italia

Pemulihan Limbah Pangan dan Teknologi Baru: Perspektif Bisnis dan Konsumen Lihat proyek

Semua konten yang mengikuti halaman ini diunggah oleh Andrea Sestino pada 21 Oktober 2021.

Pengguna telah meminta peningkatan file yang diunduh.

Machine Translated by Google

Memanfaatkan Kecerdasan Buatan dalam Bisnis:

Implikasi, Aplikasi dan Metode
andrea sestino* , Andrea De Mauro†

*
Departemen Hukum, Ekonomi dan Lingkungan Ionia,
Universitas Bari Aldo Moro Taranto, Italia
† Departemen Teknik Perusahaan,

Universitas Roma Tor Vergata, Roma, Italia

, 2021 dalam Analisis Teknologi &

Ini adalah versi pracetak dari artikel yang diterbitkan pada tanggal 7 Februari
Manajemen Strategis. DOI: https://doi.org/10.1080/09537325.2021.1883583 © Taylor & Francis.
Mengutip artikel ini: Andrea Sestino & Andrea De Mauro (2021),“Memanfaatkan Kecerdasan Buatan dalam
Bisnis: Implikasi, Aplikasi, dan Metode”, Analisis Teknologi & Manajemen
Strategis, DOI: 10.1080/09537325.2021.1883583

Abstrak: Konsep Artificial Intelligence (AI) sebagai teknologi pengganggu bisnis telah berkembang dalam
literatur akademik dan profesional dengan cara yang kacau dan tidak terstruktur. Studi ini bertujuan untuk
memberikan kejelasan atas fenomena aktivasi bisnis AI melalui kajian literatur yang komprehensif dan
sistematis, yang bertujuan untuk memberikan gambaran yang jelas tentang apa itu Kecerdasan Buatan saat
ini. Studi ini menganalisis korpus dari 3780 kontribusi melalui kombinasi asli dari dua algoritma pembelajaran
mesin yang mapan (LDA dan pengelompokan hierarkis). Tinjauan tersebut menghasilkan klasifikasi terstruktur
dari berbagai aliran penelitian saat ini dan daftar tren yang menjanjikan. Hasilnya menjelaskan enam topik
yang terkait dengan tiga tema berbeda, yaitu Implikasi, Aplikasi, dan Metode (model IAM). Analisis kami dapat
memberi para peneliti dan praktisi gambaran yang bermakna tentang tubuh pengetahuan dan agenda
penelitian, untuk mengeksploitasi AI sebagai pendorong yang efektif untuk mendorong nilai bisnis.

Kata kunci: Kecerdasan buatan; Inovasi bisnis; Manajemen bisnis; Data besar; Pemasaran; Manajemen
Teknologi.

1. Perkenalan
Hari ini Kecerdasan Buatan (AI) adalah kata kunci. Pertumbuhan aplikasinya yang stabil telah menembus secara radikal
kehidupan manusia dan organisasi bisnis. Perusahaan telah mengenali peluang bisnis yang relevan yang berasal dari
adopsi AI yang ditujukan untuk mendorong daya saing, merekayasa ulang produk atau layanan, atau memikirkan
kembali strategi bisnis (Campbell et al., 2020). Meskipun AI muncul sebagai disiplin ilmu pada tahun 1950-an, aplikasi
bisnis pertamanya baru muncul pada tahun 1980-an, didorong oleh keberhasilan paradigma sistem pakar. Sejak saat
itu, keberhasilannya semakin dipercepat berkat pertumbuhan eksponensial daya komputasi yang tersedia seperti yang
dijelaskan oleh hukum Moore (1965). Organisasi sekarang semakin mengandalkan AI dan model Pembelajaran Mesin
(ML) terkait untuk meningkatkan pemahaman manusia tentang sistem yang kompleks dan untuk mengotomatiskan
pengambilan keputusan, juga membutuhkan kontribusi ahli yang konstan (Galanos, 2019). Ketersediaan aset informasi
yang besar, bervariasi, dan bergerak cepat, juga dikenal sebagai Big Data, memastikan perhatian besar pada aplikasi
AI dengan kemajuan substansial dalam penghitungan, komputasi, studi, dan desain metodologi berdasarkan algoritme
cerdas, yang berdampak pada bisnis dan masyarakat. Penelitian ini bertujuan untuk memberikan model konseptual
Aktivasi Bisnis AI melalui tinjauan literatur sistematis, yang diperoleh melalui penerapan teknik penambangan teks dan
ML. Dua pertanyaan penelitian yang ingin kami jawab melalui tinjauan sistematis adalah:

RQ1: apa topik mendasar yang dibahas dalam literatur saat ini sehubungan dengan Aktivasi Bisnis AI?

RQ2: apa rangkaian penelitian yang paling menjanjikan, yang memerlukan penyelidikan lebih lanjut?

Untuk menjawab pertanyaan penelitian kami, kami menerapkan tinjauan literatur yang memanfaatkan kombinasi asli dari algoritme
pembelajaran mesin yang sudah mapan (LDA dan pengelompokan hierarkis), untuk merancang pembelajaran yang bermakna bagi manusia.
Machine Translated by Google

Andrea Sestino & Andrea De Mauro (2021) “Memanfaatkan Kecerdasan Buatan dalam Bisnis: Implikasi, Aplikasi dan Metode”, Analisis Teknologi
& Manajemen Strategis, DOI: 10.1080/09537325.2021.1883583

struktur topik pada daftar 3.780 makalah penelitian yang ditemukan. Makalah ini disusun sebagai berikut: bagian kedua
memperkenalkan konsep yang berkaitan dengan AI dan tinjauan singkat tentang fenomena ini. Bagian ketiga menjelaskan metodologi
yang kami adopsi dalam penelitian ini, termasuk prosedur penambangan teks dan pemodelan topik. Pada bagian keempat kami
menyajikan tema-tema utama yang diperoleh dan diidentifikasi, yaitu: Implikasi, Aplikasi dan Metode. Selanjutnya, di bagian kelima,
setiap topik dibahas secara mendalam, menyoroti praktik, tantangan, dan peluang masing-masing. Akhirnya, bagian terakhir
menawarkan beberapa kesimpulan dan membahas keterbatasan ulasan ini.

2. Menuju Kecerdasan Buatan: konsep dan definisi

Istilah-istilah seperti AI, Big Data, Machine Learning, dan Data Analytics ada di mana-mana dalam artikel akademik dan bisnis saat
ini yang berhubungan dengan data. Untuk mencegah kebingungan kepada pembaca, bagian ini memperkenalkan masing-masing
konsep ini dan menawarkan penjelasan terstruktur tentang bagaimana mereka berhubungan satu sama lain.
AI bertujuan mereproduksi beberapa aspek kecerdasan manusia melalui teknologi. Disiplin dapat didefinisikan sebagai seperangkat
studi dan teknik, berurusan dengan ilmu komputer dan aspek matematika dari pemodelan statistik, membawa implikasi ekonomi dan
sosial yang signifikan, bertujuan untuk menciptakan sistem teknologi yang mampu memecahkan masalah dan melaksanakan tugas
dan kewajiban, biasanya dikaitkan dengan pikiran manusia (Konar, 2018).

Salah satu definisi yang paling dikenal saat ini menggambarkan AI sebagai proses membuat mesin menampilkan perilaku yang akan
disebut cerdas jika manusia berperilaku demikian. Menurut Russel dan Noving (2010), literatur saat ini mengidentifikasi empat
kelompok konseptual penerimaan AI: AI sebagai Sistem yang berpikir seperti manusia (Hugeland, 1989); AI sebagai Sistem yang
berpikir rasional (Winston, 1992); AI sebagai Sistem yang bertindak seperti manusia (Rich and Knight, 1991); dan AI sebagai Sistem
yang bertindak secara rasional (Nillson dan Nillson, 1998).
Perhatian yang meningkat pada AI di bidang bisnis disebabkan oleh kematangan teknologi yang dicapai baik dalam perhitungan
komputasi dan dalam kemampuan menganalisis secara real-time dan dalam waktu singkat sejumlah besar data dalam bentuk apa
pun: ini adalah Big Data Analytics. Dari perspektif bisnis, AI dan sistem analisis data memungkinkan individu untuk mensistematisasikan
informasi, biasanya sudah tersedia di pasar dengan cara terpilah, mengubah data menjadi keputusan bisnis, sehingga hanya
mempertimbangkan alat yang berguna untuk memfasilitasi pengambilan keputusan–
membuat proses dalam sebuah perusahaan.
Davenport dan Harris (2007) mendefinisikan Business Analytics (BA) sebagai "penggunaan data yang ekstensif, analisis statistik dan
kuantitatif, model penjelas dan prediksi, dan manajemen berbasis fakta" yang pada akhirnya mendorong keputusan dan tindakan.
Vidgen et al. (2007) perhatikan bagaimana analitik bisnis dapat dianggap sebagai mediator antara data yang tersedia oleh organisasi
dan nilai ekonomi aktual yang dapat dimanfaatkan oleh data tersebut melalui tindakan dan keputusan yang lebih baik. Kami
berpendapat bahwa tampilan paling canggih dari transformasi ini diperoleh dengan penerapan teknik AI.

Teknik Analisis Data biasanya diklasifikasikan sebagai deskriptif, prediktif dan preskriptif, menawarkan tingkat pertumbuhan potensi
bisnis (Deka, 2014). Analitik deskriptif adalah aplikasi analitik data yang paling tradisional dan secara historis terkait dengan konsep
Business Intelligence (BI), seperti yang diperkenalkan oleh Luhn (1958). Aplikasi Analisis Data yang lebih canggih memanfaatkan AI
dalam upaya mengantisipasi skenario dengan segera menerapkan strategi bisnis yang bermanfaat (Waller dan Fawcett, 2013).
Menjelajahi dan menganalisis data, mungkin mendukung konstruksi AI, memfasilitasi analisis prediktif, dan alat otomasi (De Mauro
et al., 2019). Istilah Big Data biasanya mengacu pada kapasitas penyimpanan teknologi, sejumlah besar data terstruktur dan tidak
terstruktur yang berasal dari transaksi online (Erevelles et al., 2016;) yang ditandai dengan volume, variasi, kecepatan (McAfee et al.,
2012) dan selanjutnya karakteristik seperti variabilitas, kebenaran, nilai

(Ebner et al., 2014). Pengakuan bisnis terhadap Big Data sebagai sumber daya strategis, mengubah praktik manajerial secara radikal
(Dogan dan Gurcan, 2019; Holler et al., 2016; Lycett, 2013; Wamba et al., 2017). Beberapa penelitian memberikan latar belakang
yang lebih kuat terhadap peluang dan aplikasi Big Data (Hilbert et al., 2016; Mikalef et al., 2018), juga memberikan klasifikasi, dengan
mempertimbangkan pengaruhnya terhadap Informasi, Teknologi, Metode, dan Dampak (De Mauro et al., 2018).

Proses bisnis dapat memperoleh manfaat dengan pengenalan AI dalam berbagai cara. Solusi analisis prediktif sebagian besar
didukung oleh alat ML dan AI (Hazen et al., 2014), dan dimanfaatkan secara menguntungkan untuk tujuan manajerial atau pemasaran
yang ditujukan seperti merancang strategi bisnis baru atau menyelidiki perilaku konsumen
(Malthouse et al., 2013). Tantangan terbesar adalah mempelajari teknik dan algoritme berdasarkan pendekatan tipikal, yang ditujukan
untuk mengaktifkan AI dalam bisnis guna mengurangi kesenjangan antara kecerdasan manusia dan AI (Kumar dan Thakur, 2012).
Menggabungkan teknik matematika, statistik, dan pengoptimalan dengan praktik AI dapat menciptakan lingkungan cerdas yang
mampu mengubah struktur, proses, dan layanan organisasi. AI bisa

Ini adalah versi pracetak dari artikel yang diterbitkan pada tanggal 7 Februari, 2021 dalam Analisis Teknologi & Manajemen Strategis.
DOI: https:// doi.org/ 10.1080/09537325.2021.1883583 ©Taylor & Francis.
Machine Translated by Google

Andrea Sestino & Andrea De Mauro (2021) “Memanfaatkan Kecerdasan Buatan dalam Bisnis: Implikasi, Aplikasi dan Metode”, Analisis Teknologi &
Manajemen Strategis, DOI: 10.1080/09537325.2021.1883583

juga merujuk pada upaya untuk menyediakan mesin (seperti sistem informasi dan perangkat fisik) dengan kemampuan untuk
menyelesaikan tugas yang biasanya terkait dengan kecerdasan manusia (Yang dan Siau, 2018).
Selama dekade terakhir (2010 – 2019) pengguna web semakin banyak mencari halaman web yang berhubungan dengan
“Kecerdasan Buatan” dan istilah terkaitnya “Big Data”, “Kecerdasan Bisnis” dan “Pembelajaran Mesin”.

Gambar 1 – Popularitas Kecerdasan Buatan, Data Besar, Kecerdasan Bisnis, dan Pembelajaran Mesin sebagai istilah di antara
pengguna web antara tahun 2010 dan 2019. Sumbu vertikal menunjukkan frekuensi pencarian relatif dari setiap istilah termasuk kelompok
istilah yang dipilih, dinormalisasi dalam [0 , 100] jangkauan.

Seperti yang disarankan oleh Gambar 1, Business Intelligence dulunya adalah kata kunci yang paling populer dan terus
menurun popularitasnya, karena pelaporan semakin dikomoditisasi di perusahaan. Big Data telah melonjak popularitasnya
pada tahun 2011 dan, setelah mencapai puncaknya, kini mulai menurun. Kecerdasan buatan, yang merupakan konsep yang
sudah mapan pada awal dekade ini, mendapat manfaat dari ketersediaan data yang luas dan teknologi yang lebih murah
yang memungkinkan daya komputasi, sehingga meningkatkan popularitasnya.
Dalam ranah AI, Machine Learning akhir-akhir ini menjadi topik paling populer karena berkaitan dengan keterampilan yang
menghadapi permintaan yang terus meningkat dari perusahaan. Oleh karena itu, analisis tren kami sebelumnya menyoroti
perkembangan yang kacau dari konsep-konsep ini dan menegaskan kembali perlunya tinjauan literatur yang kuat. Tinjauan
semacam itu dapat mensistematisasi domain dan memberikan klasifikasi konsep yang berguna bagi peneliti dan manajer
untuk memungkinkan pengembangan pengetahuan yang lebih efektif.

3. Metodologi 3.1
Penambangan Teks untuk Tinjauan Pustaka
Mempersiapkan tinjauan literatur memungkinkan identifikasi kontribusi mendasar bagi kemajuan ilmiah dengan mengidentifikasi
mana yang menginspirasi penelitian selanjutnya dan apa celah saat ini yang dapat menjadi fokus peneliti dan pakar lebih
lanjut di masa depan. Mempertimbangkan bahwa tinjauan literatur kami mencakup satu dekade penuh, diperlukan pendekatan
analitik terstruktur yang bertujuan untuk mendeteksi tren yang berarti. Penyebaran Internet dan sifat elektronik dari banyak
jurnal dan dokumen ilmiah memungkinkan analisis mendalam dari semua materi yang ada pada suatu topik, dengan
kemungkinan lebih rendah untuk mengabaikan dokumen yang relevan.
Tinjauan literatur sistematis kami telah dilakukan dengan menerapkan teknik penambangan teks pada string teks yang
diekstrak oleh kertas yang berfungsi sebagai dokumen. Teknik penelitian terkadang menggunakan teknik pengelompokan
tradisional untuk mengembalikan satu set N kelompok dokumen, di mana setiap kelompok mengidentifikasi topik yang
tercakup dalam literatur yang konsisten dengan tujuan penelitian (Milligan dan Cooper, 1985; Sunikka dan Bragge, 2012; van
Altena et al . , 2016).
Mempertimbangkan kompleksitas domain dan karakter multidisiplin yang melekat dari makalah dalam korpus, kami
memutuskan untuk mengadopsi model keanggotaan campuran yang memungkinkan unit individu untuk menjadi bagian dari
beberapa kategori sekaligus, pada tingkat yang berbeda. Oleh karena itu, dalam setiap elemen yang dipertimbangkan, tingkat
keikutsertaan suatu kelompok diidentifikasi oleh vektor dari variabel positif yang diperoleh dengan menjumlahkan satu, juga
dikenal sebagai proporsi keanggotaan (Airoldi et al., 2014). Dengan menggunakan teknik keanggotaan campuran alih-alih
pengelompokan tradisional, asumsi yang menurut siapa setiap unit termasuk dalam satu kluster dilanggar (Airoldi et al.,
2008; Grun, 2018). Salah satu model keanggotaan campuran yang paling populer adalah Latent Dirichlet Allocation (LDA)

Ini adalah versi pracetak dari artikel yang diterbitkan pada tanggal 7 Februari, 2021 dalam Analisis Teknologi & Manajemen Strategis.
DOI: https:// doi.org/ 10.1080/09537325.2021.1883583 ©Taylor & Francis.
Machine Translated by Google

Andrea Sestino & Andrea De Mauro (2021) “Memanfaatkan Kecerdasan Buatan dalam Bisnis: Implikasi, Aplikasi dan Metode”, Analisis Teknologi
& Manajemen Strategis, DOI: 10.1080/09537325.2021.1883583

yang sebelumnya telah digunakan untuk menganalisis isi dokumen dan makna kata yang berkaitan dengan suatu topik penelitian
(Blei, 2012; Steyvers dan Griffiths, 2007).

3.2 Alokasi Dirichlet Laten (LDA)

LDA adalah model probabilistik generatif yang biasa digunakan untuk mengidentifikasi struktur tematik kumpulan dokumen. Teks
input diperlakukan sebagai kumpulan pengamatan, yang muncul dari proses acak generatif,
yang menyertakan variabel tersembunyi. Variabel tersebut mencerminkan struktur topik dokumen dan dapat menentukan
bagaimana keberadaan relatif kata-kata terkait dengan topik yang dibahas dalam teks. Lebih khusus lagi, setiap topik adalah
distribusi probabilitas atas istilah-istilah dalam kosakata yang dibuat dari semua kata yang ada dalam korpus.
Oleh karena itu, setiap dokumen dalam korpus, yang masing-masing tersusun dari beberapa istilah, akan diasosiasikan dengan
campuran K topik. Prevalensi relatif K topik dalam dokumen dapat digambarkan sebagai tuple {} = dari K =1
bilangan yang memenuhi syarat sebagai berikut:

ÿ = 1 dan ÿ 0 ÿ ÿ [1, ]
=1

yang menggambarkan dukungan dari distribusi Dirichlet. Penerapan LDA akan memiliki output tiga kali lipat.
Pertama, proporsi topik untuk setiap dokumen, menghasilkan matriks ×, di mana jumlah dokumen yang termasuk dalam korpus
adalah jumlah topik. Kedua, penugasan topik per-kata, yang merupakan probabilitas kehadiran setiap kata dalam setiap topik
tertentu. Terlihat, pengganti yang mudah dari keluaran tersebut adalah daftar kata kunci teratas, yaitu kata kunci yang menampilkan
tingkat probabilitas tertinggi untuk setiap topik dan memberikan petunjuk kepada pembaca manusia tentang komponen penting
dari definisi topik. Ketiga, kami juga dapat memperoleh distribusi topik per-korpus, yang memberi tahu kami popularitas keseluruhan
dari setiap topik dalam kumpulan total dokumen yang dianalisis. Dengan membaca daftar kata kunci topik dan mempertimbangkan
dokumen dalam korpus yang menunjukkan kehadiran tingkat tinggi dari setiap topik, evaluator manusia dapat menyimpulkan
konten konseptual dari topik tersebut dan menetapkan nama untuk itu, seperti yang dilakukan oleh beberapa sebelumnya.
bekerja
(Delen dan Crossland, 2008).

3.3 Implementasi metodologi

3.3.1 Fase 1, Pengumpulan dan Persiapan Data
Menurut metodologi yang diusulkan, daftar dokumen masukan diambil dari Elsevier Scopus. Kami meminta Scopus untuk
mencegat dokumen yang berhubungan dengan Kecerdasan Buatan dan aktivasi Bisnis, dengan memaksa kehadiran AI bersama
(yaitu "Pembelajaran Mesin", "Kecerdasan Buatan") dan studi Bisnis (yaitu
“Bisnis”, Pemasaran”) ke dalam Judul, Abstrak atau kata kunci makalah1 . Pada 28 Maret 2020 kami mengekspor daftar 6.031
makalah jurnal dan konferensi yang diterbitkan. Sebagai wawasan pertama, peneliti terhadap Big Data dan AI, meningkat dalam
beberapa tahun terakhir, khususnya sekitar tahun 2013–2014, seperti yang dikonfirmasi pada §2 di bawah dan pada Gambar 3.
Kedua, kami menganalisis dokumen yang berisi istilah lengkap "Data Besar" atau "Kecerdasan Buatan" dalam judulnya, berfokus
pada 3.780 artikel yang tersisa, kemudian menerapkan LDA setelah persiapan data sebelumnya. Secara khusus, kami menghapus
spasi putih dan tanda baca, mendapatkan token sebagai satu kata kecuali untuk kata majemuk (yaitu dengan tanda hubung intra-
kata). Kemudian, kami mengubah semua huruf besar menjadi huruf kecil, sehingga membendung korpus dengan menggunakan
algoritma Porter (1980) yang mengembalikan akar setiap kata dengan akhiran yang dihapus. Selain itu, kami menghapus kata-kata
penghenti bahasa Inggris yang umum (yaitu artikel, kata penghubung) dan kata-kata lain yang tidak relevan (yaitu, informasi hak
cipta dan tahun).

3.3.2 Fase 2, Alokasi Dirichlet Laten (LDA)

Seperti yang dilakukan oleh Delen dan Crossland (2008), jumlah topik k dipilih dengan memilih model yang mampu memberikan
keluaran yang paling mudah dibaca di benak penulis. Kami telah menjalankan LDA untuk semua nilai bilangan bulat k
termasuk [6, 10] dan menyimpulkan dengan penilaian manusia bahwa model yang paling mudah dibaca diperoleh dengan k=6.
Kemudian, untuk mengkonfirmasi kekokohan hasil, kami telah menganalisis kata-kata yang paling relevan untuk definisi setiap
topik dan menyimpulkan bahwa sebagian besar relevan dengan domain konseptual yang dipertimbangkan dalam penelitian ini.

1 Kueri Scopus selengkapnya adalah: “TITLE-ABS(("Kecerdasan Buatan" atau "pembelajaran mesin") dan("bisnis"
ATAU"pemasaran")) DAN PUBYEAR > 2009 DAN ( LIMIT-TO ( DOCTYPE,"ar" ) ATAU LIMIT-TO ( DOCTYPE,"cp" ))
AND ( LIMIT-TO ( LANGUAGE,"Bahasa Inggris" ) )”.

Ini adalah versi pracetak dari artikel yang diterbitkan pada tanggal 7 Februari, 2021 dalam Analisis Teknologi & Manajemen Strategis.
DOI: https:// doi.org/ 10.1080/09537325.2021.1883583 ©Taylor & Francis.
Machine Translated by Google

Andrea Sestino & Andrea De Mauro (2021) “Memanfaatkan Kecerdasan Buatan dalam Bisnis: Implikasi, Aplikasi dan Metode”, Analisis Teknologi &
Manajemen Strategis, DOI: 10.1080/09537325.2021.1883583

4. Hasil Pemodelan Topik

Kami menamai masing-masing dari enam topik setelah konten konseptual esensial mereka, menghasilkan daftar berikut: T01)
Implikasi Bisnis; T02) Implikasi Manusia; T03) Aplikasi Industri; T04) Aplikasi Sosial;
T05) Metode Prediktif; T06) Metode Pengakuan. Untuk mencapai tujuan kami, konten yang terkait dengan topik dianalisis lebih
lanjut dengan mempertimbangkan total 3.780 kontribusi dalam periode yang dipertimbangkan (2010-2020) seperti yang ditunjukkan
pada Tabel 1.

Tabel 1 – Kontribusi yang dipertimbangkan dikelompokkan berdasarkan enam topik yang ditemukan

Bisnis Manusia Industri Sosial Ramalan Pengakuan Agung

Tahun
Implikasi Implikasi Aplikasi Aplikasi Metode Metode Total
2010 28 7 11 14 15 12 87
2011 40 12 19 22 19 120
2012 42 10 17 21 8 116
2013 42 5 8 23 22 27 18 13 132
2014 58 15 33 26 17 157
2015 49 8 24 42 47 31 213
2016 66 20 34 38 54 34 249
2017 83 23 77 64 61 53 387
2018 149 49 164 113 109 106 754
2019 200 113 356 226 176 148 1297
2020 35 191 38 76 41 38 40 268
Agung 3780
792 476 807 593 593 480
Total

Dengan tujuan menganalisis struktur topikal dari korpus yang dianalisis, kami telah membangun model jaringan menggunakan
keluaran LDA. Setiap topik telah dikaitkan ke simpul jaringan sementara tepi mewakili jarak antar topik di seluruh topik. Jarak antar
topik diperoleh dengan menganalisis tingkat korelasi kehadiran topik di seluruh dokumen dalam korpus. Kami menghitung matriks
korelasi R dengan mengukur korelasi Pearson bijak berpasangan di seluruh topik (Tabel 2). Karena tingkat korelasi yang lebih kecil
dapat dikaitkan dengan jarak yang lebih besar di dua topik, kami menghitung matriks jarak D menggunakan rumus D = 1– R seperti
yang diusulkan oleh Glynn (2019).

Kami telah menggunakan matriks D sebagai matriks jarak untuk jaringan topik dan memaksa lebar tepi agar sebanding dengan
jarak berpasangan yang disimpan dalam D, memperoleh keluaran grafis yang dilaporkan pada Gambar 2, di mana
ukuran node sebanding dengan keberadaan relatif topik dalam kumpulan dokumen. Lebar tepi sebanding dengan jarak antar topik
yang diperoleh dari korelasi berpasangan antar topik dalam korpus.

Tabel 2 – matriks korelasi antar topik, R.

Implikasi Implikasi Aplikasi aplikasi Metode Metode

bisnis manusia industri sosial prediksi pengakuan
Implikasi
1.00 -0,24 -0,17 -0,22 -0,24 -0,20
bisnis
Implikasi
-0,24 1.00 -0,14 -0,25 -0,25 -0,27
manusia
Aplikasi
-0,17 -0,14 1.00 -0,25 0,17 -0,15
industri
aplikasi
-0,22 -0,25 -0,25 1.00 -0,18 -0,09
sosial
Metode
-0,24 -0,25 -0,17 -0,18 1.00 -0,16
prediksi
Metode
-0,20 -0,27 -0,15 -0,09 -0,16 1.00
pengakuan

Ini adalah versi pracetak dari artikel yang diterbitkan pada tanggal 7 Februari, 2021 dalam Analisis Teknologi & Manajemen Strategis.
DOI: https:// doi.org/ 10.1080/09537325.2021.1883583 ©Taylor & Francis.
Machine Translated by Google

Andrea Sestino & Andrea De Mauro (2021) “Memanfaatkan Kecerdasan Buatan dalam Bisnis: Implikasi, Aplikasi dan Metode”, Analisis Teknologi &
Manajemen Strategis, DOI: 10.1080/09537325.2021.1883583

Gambar 2 – Visualisasi jaringan dari model topik, dikelompokkan berdasarkan Implikasi, Aplikasi, dan Metode

Topik-topik yang teridentifikasi merupakan komponen penting dari eksplorasi para ilmuwan terhadap domain yang
terletak pada antarmuka antara Kecerdasan Buatan dan disiplin Manajemen Bisnis. Dengan menganalisis konten
konseptualnya, kami menemukan bahwa enam topik yang diidentifikasi oleh LDA dapat disusun menjadi tiga
kelompok atau tema yang homogen, yaitu Aplikasi, Implikasi, dan Metode. Tema Aplikasi berfokus pada penelitian
yang menggambarkan hasil bisnis kecerdasan buatan, yaitu transformasi data dan algoritma menjadi nilai ekonomi
aktual. Dalam grup ini kami telah mengidentifikasi dua bidang aplikasi mendasar yang mengklarifikasi penerima
akhir dari layanan yang mendukung AI, yaitu manusia (Aplikasi Sosial) dan mesin atau objek (Aplikasi Industri).
Tema Implikasi bertujuan untuk mengilustrasikan transformasi yang berpusat pada manusia (Human Implications)
dan berpusat pada proses bisnis (Implikasi Bisnis) yang merupakan konsekuensi dari integrasi AI ke dalam
perusahaan abad kedua puluh satu. Terakhir, tema Metode mengacu pada penggunaan penggerak nilai utama
dari algoritme kecerdasan buatan yang dapat dicakup secara longgar untuk mengenali beberapa aspek bisnis
yang relevan dalam data (Metode Pengenalan) atau mengantisipasi masa depan (Metode Prediktif), yang
dirangkum dalam Tabel 3. Dalam selanjutnya kita akan membahas komposisi masing-masing topik.

Tabel 3 – Implikasi, Aplikasi, dan Metode: topik dan area fokus utama
Tema Tema Area fokus utama
Implikasi Implikasi Bisnis Manajemen Digital
Otomasi Proses
Penambangan Proses
Implikasi Manusia Kebutuhan organisasi
Implikasi etis
Menejemen kemampuan
Aplikasi Aplikasi Industri IoT
Manajemen sumber daya (energi, utilitas)
kota pintar
Aplikasi Sosial Analisis media sosial
Analisis sentimen
Pemahaman konsumen
Metode Metode Prediksi Peramalan
Klasifikasi
Pembelajaran yang diawasi
Metode Pengakuan Pengakuan anomali
Identifikasi pola
Pembelajaran tanpa pengawasan

Ini adalah versi pracetak dari artikel yang diterbitkan pada tanggal 7 Februari, 2021 dalam Analisis Teknologi & Manajemen Strategis.
DOI: https:// doi.org/ 10.1080/09537325.2021.1883583 ©Taylor & Francis.
Machine Translated by Google

Andrea Sestino & Andrea De Mauro (2021) “Memanfaatkan Kecerdasan Buatan dalam Bisnis: Implikasi, Aplikasi dan Metode”, Analisis Teknologi
& Manajemen Strategis, DOI: 10.1080/09537325.2021.1883583

5. Topik Pembahasan
5.1 Implikasi Bisnis
Topik ini menunjukkan dampak AI pada proses dan manajemen organisasi, sehingga mengungkap Implikasi Bisnis yang
menarik. Makalah yang membahas topik ini menjelaskan praktik pengambilan keputusan berbasis data, penambangan
proses, dan otomatisasi. AI telah dimanfaatkan dalam penerapan Sistem Pendukung Keputusan (DSS) selama beberapa
dekade (Turban, 1988) dan terbukti berharga dalam menciptakan pengetahuan dengan mengubah data mentah menjadi
informasi yang dapat digunakan. Seperti yang diperhatikan oleh Davenport (2018), AI dapat berdampak positif bagi
organisasi dalam tiga cara utama: pertama, dengan mengotomatiskan aktivitas administrasi, keuangan, dan birokrasi
melalui Otomasi Proses Robot; kedua, dengan mengidentifikasi model tersembunyi dalam data dan mendukung manajer
dalam interpretasi makna; terakhir, dengan meningkatkan keterlibatan emosional karyawan atau pelanggan, menggunakan
kotak obrolan dan koneksi mirip manusia lainnya. Menurut perspektif ini, AI menjadi promotor simbiosis manusia-mesin,
yang memungkinkan peneliti menginstruksikan mesin canggih dengan meminta AI untuk mengungkapkan penilaian
yang membutuhkan keterampilan kognitif tinggi, yang sebelumnya dianggap mustahil (Mahroof, 2019).
Meskipun demikian, tidak jarang untuk mengamati kasus di mana pengambilan keputusan dipercayakan kepada mesin
cerdas yang kuat, yang dilatih khusus tanpa memerlukan persetujuan akhir manusia (Zlotowski et al., 2017). Implikasi
bisnis lain dari pengaruh AI adalah kemampuan untuk membuat instance Expert Systems (ES), yang mampu
keduanya mensimulasikan penalaran manusia dan menjelaskan kriteria yang digunakan untuk mencapai kesimpulan
tertentu (Metaxiotis dan Psarras, 2003). Selain itu, implikasi bisnis tambahan yang dibahas dalam literatur dalam topik ini
adalah meningkatnya peran penambangan proses, yaitu kemampuan menggunakan AI untuk menyimpulkan tren, pola,
dan peluang yang berguna untuk meningkatkan efektivitas proses bisnis melalui analisis data log (Zhang et al., 2020)

5.2 Implikasi Manusia

AI dapat mendukung digitalisasi Manajemen Sumber Daya Manusia (SDM) di tempat kerja, memengaruhi metode dan
lingkungan, memastikan efektivitas dan efisiensi aktivitas yang lebih besar baik dalam hal waktu dan biaya, dan dalam
kualitas aktivitas yang dilakukan menawarkan dirinya sebagai sekutu yang valid terhadap pekerjaan manusia (Zehir et
al., 2020). Peluang lebih lanjut dapat diidentifikasi dalam menerapkan AI ke analisis Big Data untuk mengotomatiskan
proses bisnis meja layanan (Lo et al., 2019). Evolusi berkelanjutan dari teknologi dan lingkungan bisnis memaksakan
tantangan berkelanjutan bagi manajer yang harus menghadapi tantangan untuk menciptakan pengetahuan dan
mengembangkan keterampilan internal (De Mauro et al., 2018; Gatouillat et al., 2018). AI telah diakui secara luas
sebagai faktor pendukung bisnis, dengan memastikan pertumbuhan produktivitas individu dan penurunan biaya pelaksanaan proyek
(Shankar, 2012). Selain itu, sebagaimana disoroti di atas dalam §5.1, AI menjadi “sekutu” dalam keputusan manajemen,
mendukung penilaian manusia dan proses pengambilan keputusan dalam strategi, perencanaan, implementasi, dan
tindakan. Pembentukan ilmu data dan AI sebagai aktivitas kritis misi (Davenport, 2020) memaksa perusahaan untuk
memikirkan kembali organisasi mereka dengan mengakuisisi peran pemfokusan data profesional baru seperti Ilmuwan
Data, Analis Data, pengembang Analitik, dan Insinyur Sistem data besar (De Mauro et al., 2018).
Berbagai tantangan etis telah muncul, terutama berfokus pada definisi Privasi yang terus berkembang dan keputusan
yang mungkin diambil perusahaan sejauh mereka harus mendorong batasan data dan menggali kehidupan individu
(Corea, 2016).

5.3 Aplikasi Industri

Peran AI dalam Aplikasi Industri belum sepenuhnya dipahami dan diadaptasi secara luas di perusahaan karena para
manajer masih berjuang untuk mengidentifikasi dan menyediakan organisasi, budaya, dan teknologi yang memungkinkan
(Chen, 2017; Johnson, 2019). Dalam topik ini, kami telah menemukan makalah yang melaporkan peluang Aplikasi
Industri AI di beberapa sektor: ilmu kedokteran (Jiang et al., 2017; Szolovits, 2019) dan khususnya dalam penyembuhan
penyakit seperti kardiologi (Johnson et al., 2018) dan radiologi (Hosny et al., 2018), dalam ilmu saraf (Hassabis et al.,
2017), dalam mencegah penyebaran epidemi seperti COVID-19 baru-baru ini sebagai alat untuk melindungi petugas
layanan kesehatan dan mengekang penyebaran (McCall, 2020); di industri kimia (Venkatasubramanian, 2019) farmasi
(Hessler and Baringhaus, 2018); dalam ilmu sosial seperti dalam politik (Hudson, 2019), dalam pemasaran (Kumar et.
al., 2019), dan dalam keuangan (Faccia et al., 2019).
Selanjutnya, AI memungkinkan peluang dalam proses pembelian organisasi dan model pasokan dalam rantai pasokan
(Laínez et al., 2010), dalam definisi strategi harga (Chou et al., 2015), dalam pengembangan dan penjadwalan produk
(Metaxiotis dan Psarras , 2003), dalam pengelolaan layanan di pasar dan simulasi (Li dan Li, 2010) dan terakhir intelijen
web dan perdagangan e-B2B (Li, 2007; Zhong et al. ,
2007). Peluang menarik dapat diaktifkan oleh AI dalam mengintegrasikan siklus akuntansi keuangan (Faccia et al., 2019)
dan pemasaran industri (Martínez-López dan Casillas, 2013).

Ini adalah versi pracetak dari artikel yang diterbitkan pada tanggal 7 Februari, 2021 dalam Analisis Teknologi & Manajemen Strategis.
DOI: https:// doi.org/ 10.1080/09537325.2021.1883583 ©Taylor & Francis.
Machine Translated by Google

Andrea Sestino & Andrea De Mauro (2021) “Memanfaatkan Kecerdasan Buatan dalam Bisnis: Implikasi, Aplikasi dan Metode”, Analisis Teknologi
& Manajemen Strategis, DOI: 10.1080/09537325.2021.1883583

Selain itu, tinjauan literatur kami menunjukkan bahwa aplikasi AI dapat sangat diuntungkan dari perangkat IoT modern,
dalam pengumpulan data, dalam transmisi hasil yang berasal dari algoritme AI, dalam mendukung aplikasi industri dengan
membawa AI ke dalam objek fisik (Arsénio et al., 2014 ) . . Kontribusi maksimum ditunjukkan oleh Industrial Internet of
Things IIoT, ketika IoT diintegrasikan ke dalam proses produksi dengan hasil analisis data yang akurat dan dari peralatan
yang terhubung, teknologi pengoperasian, tempat, dan orang atau menyediakan perangkat pintar di bidang manufaktur
(Vermesan et al . ., 2017). Pengumpulan data yang berasal dari IIoT berguna untuk analisis berbasis AI yang pada
gilirannya dapat melayani perangkat yang sama dari tempat pengumpulannya. Oleh karena itu, jika digabungkan dengan
perangkat pemantauan teknologi operasional, IIoT membantu mengatur dan memantau sistem industri secara terintegrasi,
memantau kejadian atau perubahan kondisi struktural, memastikan penghematan biaya, pengurangan waktu, kualitas
yang lebih baik, dan peningkatan produktivitas. Selain itu, ketika dikombinasikan dengan AI, IIoT terbukti efektif dalam
memungkinkan analisis dan koreksi rencana waktu nyata (Jeschke et al., 2017).

5.4 Aplikasi Sosial

Dalam makalah yang berhubungan dengan Aplikasi Sosial, AI menunjukkan perannya dalam mendukung studi pemasaran
untuk memahami perilaku sosial konsumen. Di sisi lain, teknik logika fuzzy, Artificial Neural Network (ANN) dan metode
berbasis AI mendukung pengelolaan peristiwa yang tidak pasti yang menyertai pengembangan strategi pemasaran (Li,
2000). Kontribusi utama ditujukan untuk menyelesaikan kegiatan tradisional, membuat pengetahuan dan informasi
kepentingan bersama tersedia untuk akhirnya menyediakan produk dengan nilai yang meningkat kepada pelanggan akhir
(Prior et al., 2019; Ramaswamy dan Ozcan, 2018). AI juga dapat mendukung pemahaman pilihan konsumen, dengan
memperoleh model deskriptif untuk digunakan dalam skema pengoptimalan (Laínez et al., 2010). Kedekatan yang lebih
besar dengan konsumen yang dimungkinkan oleh teknologi baru membuat hubungan antara bisnis dan konsumennya
lebih dalam dan lebih kuat (Zeithaml et al., 2001). Selain itu, data memainkan peran kunci dalam memungkinkan
penawaran yang dipersonalisasi melalui inferensi berbasis AI tentang tingkat kecenderungan mereka dalam melakukan
pembelian (Moro et al., 2016) dan dalam mendukung strategi yang memerlukan pengalaman dan otomasi ekstra-indrawi
(Buhalis et al ., 2016) al., 2019).

5.5 Metode Prediksi

Topik ini berkaitan dengan metodologi data spesifik yang bertujuan mengantisipasi masa depan berdasarkan analisis
masa lalu. Lebih tepatnya, sebagaimana diklarifikasi oleh Hair, analitik prediktif memanfaatkan "hubungan yang dikonfirmasi
antara variabel penjelas dan kriteria dari kejadian masa lalu untuk memprediksi hasil di masa mendatang" (2007, hlm. 304).
Algoritma yang memungkinkan prediksi cepat dan murah di masa depan telah diidentifikasi sebagai keunggulan kompetitif
bagi perusahaan, karena mendukung peningkatan produktivitas dan peningkatan kecepatan dan kualitas pengambilan
keputusan (Agrawal et al., 2018). Kami menemukan bahwa makalah yang membahas topik ini secara tidak proporsional
menjelaskan penggunaan teknik pembelajaran mesin yang diawasi, baik teknik regresi maupun klasifikasi, untuk
mendukung proses bisnis melalui pemahaman yang lebih dalam tentang pasar, konsumen, dan pesaing, atau perkiraan
perubahan yang akan datang. Saat kami fokus pada makalah yang berhubungan dengan AI dan Bisnis, topik ini berfokus
pada bagaimana menerapkan algoritme penggunaan umum untuk implementasi bisnis. Skenario penggunaan paling
menonjol yang kami temukan di korpus kami meliputi: perkiraan penjualan untuk memastikan kecukupan rencana
perusahaan (Castillo et al., 2014), Analisis sentimen dan penggalian opini untuk mengekstraksi informasi subjektif dari
komentar yang dibuat konsumen (Giatsoglou et al. ., 2017, Rambocas dan Pacheco, 2018), dan Mengantisipasi kesulitan
keuangan perusahaan dan pengguna akhir untuk meningkatkan evaluasi risiko (Tsai et al., 2014; Zhang et al., 2010).
Selain itu, Model Prediksi dapat dieksploitasi di beberapa industri juga, seperti yang disarankan oleh penelitian terbaru di
bidang medis misalnya untuk mencegah dan meramalkan epidemi.

5.6 Metode Pengakuan

Topik ini berkaitan dengan metodologi analitik, seringkali didasarkan pada algoritme pembelajaran mesin, yang ditujukan
untuk mengenali pola penting dalam data. Salah satu contoh aplikasi yang patut diperhatikan adalah pembuatan segmen
konsumen untuk kampanye pemasaran (Campbell et al., 2020). Algoritma yang mampu mengidentifikasi segmen yang
bermakna dieksploitasi dalam sistem Manajemen Hubungan Pelanggan (CRM) untuk menyesuaikan aktivitas promosi
guna memberikan dampak positif yang signifikan baik pada profitabilitas maupun penjualan untuk kampanye pemasaran
langsung khusus segmen (Reutterer et al., 2006 ) . Penggunaan lain yang mungkin dari metode pengenalan adalah untuk
mendeteksi anomali secara otomatis. Aplikasi bisnis deteksi anomali meliputi: identifikasi penipuan untuk secara sistematis
mengurangi risiko terkait penerbitan kredit (Ryman-Tub et al., 2018) dan deteksi otomatis potensi anomali proses bisnis
(Rogge-Solti dan Kasneci, 2014).

Ini adalah versi pracetak dari artikel yang diterbitkan pada tanggal 7 Februari, 2021 dalam Analisis Teknologi & Manajemen Strategis.
DOI: https:// doi.org/ 10.1080/09537325.2021.1883583 ©Taylor & Francis.
Machine Translated by Google

Andrea Sestino & Andrea De Mauro (2021) “Memanfaatkan Kecerdasan Buatan dalam Bisnis: Implikasi, Aplikasi dan Metode”, Analisis Teknologi &
Manajemen Strategis, DOI: 10.1080/09537325.2021.1883583

6. Kesimpulan
Perkembangan cepat aplikasi bisnis AI telah menyebabkan terciptanya pengetahuan yang tidak terorganisir tentang masalah tersebut.
Dalam makalah ini kami menyajikan hasil tinjauan sistematis literatur yang menyelidiki aktivasi bisnis AI selama satu dekade
(2009-2019). Kami memperoleh struktur hirarki tingkat ganda yang menggambarkan topik sentral dari penelitian saat ini dan
kemungkinan perkembangan di masa depan. Kami memanfaatkan kombinasi asli dari dua algoritme pembelajaran mesin yang sudah
mapan (LDA dan pengelompokan hierarkis), untuk merancang struktur topik yang bermakna bagi manusia. Menanggapi RQ1, kami
telah mengidentifikasi tiga tema berbeda (Implikasi, Aplikasi, Model), yaitu IAM, masing-masing terdiri dari dua topik, yaitu: Implikasi
Bisnis dan Manusia, Aplikasi Industri dan Sosial, serta Model Prediksi dan Pengakuan. Menanggapi RQ2, temuan kami mendukung
identifikasi arah penelitian lebih lanjut yang paling menjanjikan sebagaimana dikonfirmasi secara kuantitatif oleh evolusi kehadiran topik
yang dilaporkan pada Tabel 4. Menurut hasil kami, kami mengantisipasi bahwa topik berikut memerlukan perluasan lebih lanjut dalam
penelitian mendatang:

1. Implikasi manusia, khususnya dalam mengembangkan keterampilan yang mampu mengintegrasikan manusia dan IA secara sinergis
ekosistem di mana interaksi mereka mengaktifkan potensi terbesar mereka.
2. Aplikasi industri, memperkuat penelitian terhadap perangkat dan alat teknologi (seperti IoT) yang dapat mendukung praktik AI,
algoritme dan metode dalam mengkomunikasikan hasil strategi AI, mendukung pengumpulan data dan menjadi objek periferal yang
“menampung” aplikasi AI.
3. Metode pengenalan, yang didorong oleh perkembangan terbaru dari teknik pembelajaran mendalam memerlukan penyelidikan lebih
lanjut untuk aktivasi bisnis yang efektif.

Tabel 4 – Kehadiran relatif dari topik yang teridentifikasi dalam literatur yang ada. Kolom terakhir menunjukkan pergeseran kehadiran topik dalam
beberapa tahun terakhir.
2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 Jumlah Jumlah 2018/20 vs.
abs % sebelumnya
bertahun-tahun

Bisnis 32% 33% 36% 32% 37% 23% 27% 21% 20% 15% 13% 792 21% -14%
implikasi
13% 16% 7% 17% 10% 11% 14% 20% 22% 27% 28% 807 21% +12%
Implikasi manusia
Aplikasi 8% 10% 9% 4% 5% 9% 9% 13% 15% 15% 14% 476 13% +6%
industri
17% 16% 18% 20% 17% 22% 22% 16% 14% 14% 14% 593 16% -4%
aplikasi sosial
Prediktif 16% 18% 15% 17% 21% 20% 15% 17% 15% 17% 15% 632 17% -1%
Metode
Metode 14% 7% 16% 10% 11% 15% 14% 14% 14% 11% 15% 480 13% +1%
pengakuan
-
Total Keseluruhan 87 120 116 132 157 213 249 387 754 1.297 268 3.780 100%

Model IAM yang disajikan dalam penelitian ini dapat mendukung penelitian dan manajemen bisnis di masa depan dalam berbagai cara.
Pertama, peneliti AI dapat memposisikan kontribusi masa depan mereka dalam latar belakang teoretis yang tepat dalam kerangka kerja
IAM, mengakui sifat multidisiplin intrinsik dari domain tersebut. Kedua, klasifikasi kami memungkinkan peneliti dan praktisi untuk
memahami pengembangan domain dan mengidentifikasi topik yang paling menjanjikan untuk diinvestasikan. Terakhir, manajer bisnis
dapat menggunakan model tersebut sebagai struktur konseptual untuk memahami aspek mana yang membutuhkan lebih banyak
perhatian dan menampilkan peluang untuk meningkatkan kematangan perusahaan mereka.

Kami menyadari beberapa keterbatasan dalam studi saat ini yang menawarkan kesempatan untuk penelitian masa depan. Pertama,
kumpulan dokumen yang kami gunakan dalam analisis kami secara eksklusif bersumber dari Scopus: meskipun luas dan otoritatifnya,
pilihan ini dapat mengarah pada pandangan parsial terhadap literatur. Selain itu, kami menganggap hanya kontribusi yang ditulis dalam
bahasa Inggris dan dokumen relevan yang ditulis dalam bahasa yang berbeda dapat diabaikan. Terakhir, terlepas dari penggunaan
kombinasi metodologi yang dapat direplikasi seperti LDA dan pengelompokan hierarkis, penilaian akurasi model diserahkan kepada
penilaian manusia, membuatnya rentan terhadap bias subyektif.

Referensi

Agrawal, A., Gans, J., & Goldfarb, A. (2018). Mesin prediksi: ekonomi sederhana dari kecerdasan buatan.
Harvard Business Press.

Ini adalah versi pracetak dari artikel yang diterbitkan pada tanggal 7 Februari, 2021 dalam Analisis Teknologi & Manajemen Strategis.
DOI: https:// doi.org/ 10.1080/09537325.2021.1883583 ©Taylor & Francis.
Machine Translated by Google

Andrea Sestino & Andrea De Mauro (2021) “Memanfaatkan Kecerdasan Buatan dalam Bisnis: Implikasi, Aplikasi dan Metode”, Analisis Teknologi
& Manajemen Strategis, DOI: 10.1080/09537325.2021.1883583

Airoldi, EM, Blei, DM, Erosheva, EA, & Fienberg, SE (2014). Pengantar Model dan Metode Keanggotaan Campuran. Handbook model
keanggotaan campuran dan penerapannya, 100, 3-14.

Airoldi, EM, Blei, DM, Fienberg, SE, & Xing, EP (2008). Model blok stokastik keanggotaan campuran. Jurnal
penelitian pembelajaran mesin, 9, 1981-2014.

Arsénio, A., Serra, H., Francisco, R., Nabais, F., Andrade, J., & Serrano, E. (2014). Internet hal-hal cerdas: Membawa
kecerdasan buatan ke dalam berbagai hal dan jaringan komunikasi. Dalam kecerdasan kolektif Inter-kooperatif: Teknik dan aplikasi
(hlm. 1-37). Springer, Berlin, Heidelberg.

Blei, DM (2012). Model topik probabilistik. Komunikasi ACM, 55(4), 77-84.

Buhalis, D., Harwood, T., Bogicevic, V., Viglia, G., Beldona, S., & Hofacker, C. (2019). Gangguan teknologi dalam layanan: pelajaran
dari pariwisata dan perhotelan. Jurnal Manajemen Layanan, 30(4), 484-506.

Campbell, C., Sands, S., Ferraro, C., Tsao, HYJ, & Mavrommatis, A. (2020). Dari data ke tindakan: Bagaimana pemasar dapat
memanfaatkan AI. Business Horizons, 63(2), 227-243.

Castillo, PA, Mora, AM, Faris, H., Merelo, JJ, García-Sánchez, P., Fernández-Ares, AJ, & García-Arenas, MI
(2017). Menerapkan metode kecerdasan komputasi untuk memprediksi penjualan buku yang baru diterbitkan dalam lingkungan
manajemen bisnis editorial yang nyata. Sistem Berbasis Pengetahuan, 115, 133-151.

Chen, Y. (2017). Manufaktur yang terintegrasi dan cerdas: perspektif dan pendukung. Teknik, 3(5), 588-595.

Chou, JS, Lin, CW, Pham, AD, & Shao, JY (2015). Model kecerdasan buatan yang dioptimalkan untuk memprediksi harga
penghargaan proyek. Otomatisasi dalam Konstruksi, 54, 106-115.

Corea, F. (2016). Tantangan Data Kunci untuk Keputusan Bisnis Strategis. Dalam Big Data Analytics: Perspektif Manajemen
(hlm. 19-24). Springer, Cham.

Davenport, TH (2018). Dari analitik hingga kecerdasan buatan. Jurnal Analisis Bisnis, 1(2), 73-80.

Davenport, TH, & Harris, JG Bersaing di Analytics. The New Science of Winning.–Harvard Business School Press, Boston, MA.,
2007. Google Scholar Perpustakaan Digital Google Scholar Perpustakaan Digital.

Davenport, T., Guha, A., Grewal, D., & Bressgott, T. (2020). Bagaimana kecerdasan buatan akan mengubah masa depan
pemasaran. Jurnal Akademi Ilmu Pemasaran, 48(1), 24-42.

De Mauro, A., Greco, M., & Grimaldi, M. (2019). Memahami Big Data melalui tinjauan literatur sistematis: The ITMI model. Jurnal
Internasional Teknologi Informasi & Pengambilan Keputusan, 18(04), 1433-1461.

De Mauro, A., Greco, M., Grimaldi, M., & Ritala, P. (2018). Sumber daya manusia untuk profesi Big Data: Klasifikasi sistematis peran
pekerjaan dan keahlian yang dibutuhkan. Pemrosesan & Manajemen Informasi, 54(5), 807-817.

Deka, GC (2014). Analitik prediktif dan preskriptif data besar. Dalam Buku Pegangan penelitian tentang infrastruktur cloud untuk analitik
Big Data (hlm. 370-391). IGI Global.

Delen, D., & Crossland, MD (2008). Penyemaian survei dan analisis literatur penelitian dengan text mining. Sistem Pakar dengan
Aplikasi, 34(3), 1707-1720.

Dogan, O., & Gurcan, OF (2019). Aplikasi data besar dan teknologi ramah lingkungan IoT untuk kota pintar.
Dalam Handbook of Research on Big Data dan IoT (hlm. 22-41). IGI Global.

Ebner, K., Bühnen, T., & Urbach, N. (2014). Berpikir besar dengan data besar: Mengidentifikasi strategi data besar yang
cocok di lingkungan perusahaan. Pada Konferensi Internasional Hawaii ke-47 tahun 2014 tentang Ilmu Sistem (hlm. 3748-3757). IEEE.

Erevelles, S., Fukawa, N., & Swayne, L. (2016). Analisis konsumen Big Data dan transformasi pemasaran. Jurnal
penelitian bisnis, 69(2), 897-904.

Faccia, A., Al Naqbi, MYK, & Lootah, SA (2019, Agustus). Siklus Akuntansi Keuangan Cloud Terintegrasi: Bagaimana Kecerdasan
Buatan, Blockchain, dan XBRL akan Mengubah Praktik Akuntansi, Fiskal, dan Audit.
Dalam Prosiding 2019 3rd International Conference on Cloud and Big Data Computing (hlm. 31-37).
Ini adalah versi pracetak dari artikel yang diterbitkan pada tanggal 7 Februari, 2021 dalam Analisis Teknologi & Manajemen Strategis.
DOI: https:// doi.org/ 10.1080/09537325.2021.1883583 ©Taylor & Francis.
Machine Translated by Google

Andrea Sestino & Andrea De Mauro (2021) “Memanfaatkan Kecerdasan Buatan dalam Bisnis: Implikasi, Aplikasi dan Metode”, Analisis Teknologi
& Manajemen Strategis, DOI: 10.1080/09537325.2021.1883583

Galanos, V. (2019). Menjelajahi keahlian yang berkembang: kecerdasan buatan sebagai ancaman eksistensial dan peran
komentator bergengsi, 2014–2018. Analisis Teknologi & Manajemen Strategis, 31(4), 421-432.

Gatouillat, A., Badr, Y., Massot, B., Sejdic, E. (2018). Internet hal-hal medis: review kontribusi terbaru berurusan dengan sistem cyber-
fisik dalam kedokteran. Jurnal IEEE Internet of Things, 5(5), 3810–3822.

Giatsoglou, M., Vozalis, MG, Diamantaras, K., Vakali, A., Sarigiannidis, G., & Chatzisavvas, KC (2017).
Analisis sentimen memanfaatkan emosi dan penyisipan kata. Sistem Pakar dengan Aplikasi, 69, 214-224.

Glynn, C., Tokdar, ST, Howard, B., & Bank, DL (2019). Analisis Bayesian model topik linier dinamis.
Analisis Bayesian, 14(1), 53-80.

Grun, B. (2018). Pengelompokan berbasis model. Handbook analisis campuran, 163-198.

Rambut, JF (2007). Penciptaan pengetahuan dalam pemasaran: peran analitik prediktif. Tinjauan Bisnis Eropa.

Hassabis, D., Kumaran, D., Summerfield, C., & Botvinick, M. (2017). Kecerdasan buatan yang terinspirasi ilmu saraf.
Neuron, 95(2), 245-258.

Haugeland, J. (1989). Kecerdasan buatan: Idenya sendiri. pers MIT.

Hazen, BT, Boone, CA, Ezell, JD, & Jones-Farmer, LA (2014). Kualitas data untuk ilmu data, analitik prediktif, dan data besar
dalam manajemen rantai pasokan: Pengantar masalah dan saran untuk penelitian dan aplikasi. International Journal of Production
Economics, 154, 72-80.

Hessler, G., & Baringhaus, KH (2018). Kecerdasan buatan dalam desain obat. Molekul, 23(10), 2520.

Hilbert, M. (2016). Data besar untuk pengembangan: Tinjauan tentang janji dan tantangan. Tinjauan Kebijakan Pembangunan, 34(1),
135-174.

Holler, M., Uebernickel, F., & Brenner, W. (2016). Memahami nilai bisnis produk cerdas untuk pengembangan produk di industri
manufaktur. Dalam Prosiding Konferensi Internasional ke-8 Tahun 2016 tentang Manajemen dan Rekayasa Informasi (hlm. 18-24).

Hosny, A., Parmar, C., Quackenbush, J., Schwartz, LH, & Aerts, HJ (2018). Kecerdasan buatan dalam radiologi.
Ulasan Alam Kanker, 18(8), 500-510.

Hudson, VM (2019). Kecerdasan buatan dan politik internasional. Routledge.

Jeschke, S., Brecher, C., Meisen, T., Özdemir, D., & Eschert, T. (2017). Industri internet hal-hal dan sistem manufaktur dunia
maya. Dalam Internet industri hal (hlm. 3-19). Springer, Cham.

Jiang, F., Jiang, Y., Zhi, H., Dong, Y., Li, H., Ma, S., & Wang, Y. (2017). Kecerdasan buatan dalam perawatan kesehatan: masa
lalu, sekarang dan masa depan. Stroke dan neurologi vaskular, 2(4), 230-243.

Johnson, KW, Soto, JT, Glicksberg, BS, Shameer, K., Miotto, R., Ali, M., & Dudley, JT (2018). Kecerdasan buatan dalam
kardiologi. Jurnal American College of Cardiology, 71(23), 2668-2679.

Johnson, K., Pasquale, F., & Chapman, J. (2019). Kecerdasan buatan, pembelajaran mesin, dan bias dalam keuangan: menuju inovasi
yang bertanggung jawab. Tinjauan Hukum Fordham, 88, 499.

Konar, A. (2018). Kecerdasan buatan dan komputasi lunak: pemodelan perilaku dan kognitif otak manusia.
Tekan CRC.

Kumar, K., & Thakur, GSM (2012). Aplikasi lanjutan dari jaringan saraf dan kecerdasan buatan: Tinjauan. Jurnal internasional
teknologi informasi dan ilmu komputer, 4(6), 57.

Kumar, V., Rajan, B., Venkatesan, R., & Lecinski, J. (2019). Memahami peran kecerdasan buatan dalam pemasaran
keterlibatan yang dipersonalisasi. Tinjauan Manajemen California, 61(4), 135-155.

Ini adalah versi pracetak dari artikel yang diterbitkan pada tanggal 7 Februari, 2021 dalam Analisis Teknologi & Manajemen Strategis.
DOI: https:// doi.org/ 10.1080/09537325.2021.1883583 ©Taylor & Francis.
Machine Translated by Google

Andrea Sestino & Andrea De Mauro (2021) “Memanfaatkan Kecerdasan Buatan dalam Bisnis: Implikasi, Aplikasi dan Metode”, Analisis Teknologi
& Manajemen Strategis, DOI: 10.1080/09537325.2021.1883583

Laínez, JM, Reklaitis, GV, & Puigjaner, L. (2010). Menghubungkan model pemasaran dan rantai pasokan untuk mendukung
keputusan strategis bisnis yang lebih baik. Komputer & Teknik Kimia, 34(12), 2107-2117.

Li, S. (2000). Pengembangan sistem cerdas hybrid untuk mengembangkan strategi pemasaran. Sistem Pendukung Keputusan,
27(4), 395-409.

Li, S. (2007). AgentStra: Sistem cerdas multi-agen berbasis Internet untuk pengambilan keputusan strategis. Sistem Pakar dengan
Aplikasi, 33(3), 565-571.

Li, S., & Li, JZ (2010). AgentsInternational: Integrasi beberapa agen, simulasi, basis pengetahuan, dan logika fuzzy untuk
pengambilan keputusan pemasaran internasional. Sistem Pakar dengan Aplikasi, 37(3), 2580-2587.

Lo, D., Tiba, KK, Buciumas, S., & Ziller, F. (2019, Juli). Studi Empiris Penerapan Big Data Analytics untuk Mengotomasi Proses
Bisnis Service Desk. Pada 2019 IEEE 43rd Annual Computer Software and Applications Conference (COMPSAC) (Vol.
2, hlm. 670-675). IEEE.

Luhn, HP (1958). Sebuah sistem intelijen bisnis. IBM Journal of Research and Development, 2(4), 314-319.

Lycett, M. (2013). 'Datafikasi': memahami data (besar) di dunia yang kompleks. Jurnal Sistem Informasi Eropa, 22(4), 381-386.

Mahroof, K. (2019). Perspektif manusia-sentris mengeksplorasi kesiapan menuju pergudangan cerdas: Kasus gudang distribusi
ritel besar. International Journal of Information Management, 45, 176-190.

Malthouse, EC, Haenlein, M., Skiera, B., Wege, E., & Zhang, M. (2013). Mengelola hubungan pelanggan di era media sosial:
Memperkenalkan rumah CRM sosial. Jurnal pemasaran interaktif, 27(4), 270-280.

Martínez-López, FJ, & Casillas, J. (2013). Sistem berbasis kecerdasan buatan diterapkan dalam pemasaran industri: Tinjauan
sejarah, wawasan saat ini dan masa depan. Manajemen Pemasaran Industri, 42(4), 489-495.

McAfee, A., Brynjolfsson, E., Davenport, TH, Patil, DJ, & Barton, D. (2012). Data besar: revolusi manajemen. Tinjauan
bisnis Harvard, 90(10), 60-68.

McCall, B. (2020). COVID-19 dan kecerdasan buatan: melindungi petugas layanan kesehatan dan mengekang penyebarannya.
Kesehatan Digital Lancet, 2(4), e166-e167.

Metaxiotis, K., & Psarras, J. (2003). Sistem pakar dalam bisnis: aplikasi dan arah masa depan untuk peneliti operasi. Manajemen
Industri & Sistem Data, 103 (5), 361-368.

Mikalef, P., Pappas, IO, Krogstie, J., & Giannakos, M. (2018). Kemampuan analitik data besar: tinjauan literatur sistematis dan
agenda penelitian. Sistem Informasi dan Manajemen e-Bisnis, 16(3), 547-578.

Milligan, GW, & Cooper, MC (1985). Pemeriksaan prosedur penentuan jumlah cluster dalam suatu kumpulan data.Psychometrika,
50(2), 159-179.

Moore, G. (1965). hukum Moore. Majalah Elektronik, 38(8), 114.

Moro, S., Cortez, P., & Rita, P. (2016). Analisis literatur otomatis pada aplikasi data mining untuk penilaian risiko kredit.
Dalam Kecerdasan Buatan di Pasar Keuangan (hlm. 161-177). Palgrave Macmillan, London.

Nilsson, NJ, & Nilsson, NJ (1998). Kecerdasan buatan: sintesis baru. Morgan Kaufmann.

Porter, MF (1980). Algoritma untuk pengupasan akhiran. Program, 14(3), 130-137.

Sebelumnya, DD, Keränen, J., & Koskela, S. (2019). Anteseden partisipasi pelanggan, profil, dan sasaran nilai pakai dalam
pertukaran layanan B2B yang kompleks. Manajemen Pemasaran Industri, 82, 131-147.

Ramaswamy, V., & Ozcan, K. (2018). Apa itu co-creation? Kerangka penciptaan interaksional dan implikasinya terhadap
penciptaan nilai. Jurnal Riset Bisnis, 84, 196-205.

Ini adalah versi pracetak dari artikel yang diterbitkan pada tanggal 7 Februari, 2021 dalam Analisis Teknologi & Manajemen Strategis.
DOI: https:// doi.org/ 10.1080/09537325.2021.1883583 ©Taylor & Francis.
Machine Translated by Google

Andrea Sestino & Andrea De Mauro (2021) “Memanfaatkan Kecerdasan Buatan dalam Bisnis: Implikasi, Aplikasi dan Metode”, Analisis Teknologi
& Manajemen Strategis, DOI: 10.1080/09537325.2021.1883583

Rambocas, M., & Pacheco, BG (2018). Analisis sentimen online dalam riset pemasaran: ulasan. Jurnal Riset Pemasaran Interaktif, 12
(2), 146-163.

Reutterer, T., Mild, A., Natter, M., & Taudes, A. (2006). Pendekatan segmentasi dinamis untuk penargetan dan penyesuaian kampanye
pemasaran langsung. Jurnal Pemasaran Interaktif, 20(3-4), 43-57.

Kaya, E., & Knight, K. (1991). Pengantar Jaringan Buatan. Publikasi Mac Graw-Hill, New York.

Rogge-Solti, A., & Kasneci, G. (2014, September). Deteksi anomali temporal dalam proses bisnis. Dalam Konferensi Internasional tentang
Manajemen Proses Bisnis (hlm. 234-249). Springer, Cham.

Russell, SJ, & Norvig, P. (2010). Kecerdasan Buatan-Pendekatan Modern, Edisi Internasional Ketiga.

Ryman-Tubb, NF, Krause, P., & Garn, W. (2018). Bagaimana penelitian Kecerdasan Buatan dan pembelajaran mesin memengaruhi deteksi
penipuan kartu pembayaran: Sebuah survei dan tolok ukur industri. Aplikasi Rekayasa Kecerdasan Buatan, 76, 130-157.

Shankar, Humas (2012, Juli). Sibernetika memungkinkan kompetensi dalam pembangunan kompetensi manusia untuk memastikan kualitas
dan produktivitas orang-orang di industri perangkat lunak. Pada Konferensi Internasional IEEE 2012 tentang Kecerdasan Komputasi
dan Sibernetika (CyberneticsCom) (hlm. 83-87). IEEE.

Steyvers, M., & Griffiths, T. (2007). Model topik probabilistik. Buku pegangan analisis semantik laten, 427(7), 424-440.

Sunikka, A., & Bragge, J. (2012). Menerapkan teks-penambangan untuk literatur penelitian personalisasi dan penyesuaian – Siapa, apa dan di
mana?. Sistem Pakar dengan Aplikasi, 39(11), 10049-10058.

Szolovits, P. (Ed.). (2019). Kecerdasan buatan dalam kedokteran. Routledge.

Tsai, CF (2014). Menggabungkan analisis klaster dengan ansambel pengklasifikasi untuk memprediksi kesulitan keuangan. Penggabungan
Informasi, 16, 46-58.

Sorban, E. (1988). Pendukung keputusan dan sistem pakar: Perspektif manajerial. New York: Macmillan.

van Altena, AJ, Moerland, PD, Zwinderman, AH, & Olabarriaga, SD (2016). Memahami tema big data dari literatur biomedis ilmiah melalui
pemodelan topik. Jurnal Data Besar, 3(1), 23.

Venkatasubramanian, V. (2019). Janji kecerdasan buatan dalam teknik kimia: Apakah di sini, akhirnya? Jurnal AIChE, 65(2),
466-478.

Vermesan, O., Bröring, A., Tragos, E., Serrano, M., Bacciu, D., Chessa, S., Gallicchio, C., dkk. (2017). Internet hal-hal robot: konvergen
penginderaan / penggerak, hipokonektivitas, kecerdasan buatan, dan Platform IoT. Transformasi digital hiperkoneksi kognitif: evolusi
kecerdasan internet hal-hal (hlm. 1–35).

Vidgen, R., Shaw, S., & Grant, DB (2017). Tantangan manajemen dalam menciptakan nilai dari analitik bisnis. European
Journal of Operational Research, 261(2), 626-639.

Waller, MA, & Fawcett, SE (2013). Ilmu data, analitik prediktif, dan data besar: sebuah revolusi yang akan mengubah desain dan manajemen
rantai pasokan. Jurnal Logistik Bisnis, 34(2), 77-84.

Wamba, SF, Gunasekaran, A., Akter, S., Ren, SJF, Dubey, R., & Childe, SJ (2017). Analitik data besar dan kinerja perusahaan: Efek kapabilitas
dinamis. Jurnal Riset Bisnis, 70, 356-365.

Winston, P. (1992). Belajar dengan membangun pohon identifikasi. Kecerdasan buatan, 423-442.

Yang, Y., & Siau, K. (2018). Sebuah penelitian kualitatif tentang pemasaran dan penjualan di era kecerdasan buatan. Prosiding Midwest United
States Association for Information Systems (MWAIS) 2018.

Zehir, C., Karaboÿa, T., & Baÿar, D. (2020). Transformasi Manajemen Sumber Daya Manusia dan Dampaknya terhadap Kinerja Bisnis Secara
Keseluruhan: Analisis Big Data dan Teknologi AI dalam HRM Strategis. Dalam Strategi Bisnis Digital di Ekosistem Blockchain (hlm.
265-279). Springer, Cham.
Ini adalah versi pracetak dari artikel yang diterbitkan pada tanggal 7 Februari, 2021 dalam Analisis Teknologi & Manajemen Strategis.
DOI: https:// doi.org/ 10.1080/09537325.2021.1883583 ©Taylor & Francis.
Machine Translated by Google

Andrea Sestino & Andrea De Mauro (2021) “Memanfaatkan Kecerdasan Buatan dalam Bisnis: Implikasi, Aplikasi dan Metode”, Analisis Teknologi &
Manajemen Strategis, DOI: 10.1080/09537325.2021.1883583

Zeithaml, VA, Rust, RT, & Lemon, KN (2001). Piramida pelanggan: menciptakan dan melayani pelanggan yang
menguntungkan. Tinjauan manajemen California, 43(4), 118-142.

Zhang, D., Zhou, X., Leung, SC, & Zheng, J. (2010). Model pohon keputusan bagging vertikal untuk penilaian kredit. Sistem Pakar
dengan Aplikasi, 37(12), 7838-7843.

Zhang, H., Nguyen, H., Bui, XN, Nguyen-Thoi, T., Bui, TT, Nguyen, N., & Moayedi, H. (2020). Mengembangkan model
kecerdasan buatan baru untuk memperkirakan biaya modal proyek penambangan menggunakan algoritma pengoptimalan koloni
semut berbasis jaringan saraf dalam. Kebijakan Sumber Daya, 66, 101604.

Zhong, N., Liu, J., & Yao, Y. (2007). Kecerdasan web (WI). Wiley Ensiklopedia Ilmu dan Teknik Komputer, 1-11.

Zÿotowski, J., Yogeeswaran, K., & Bartneck, C. (2017). Bisakah kita mengendalikannya? Robot otonom mengancam identitas,
keunikan, keamanan, dan sumber daya manusia. Jurnal Internasional Studi Manusia-Komputer, 100, 48-54.

Ini adalah versi pracetak dari artikel yang diterbitkan pada tanggal 7 Februari, 2021 dalam Analisis Teknologi & Manajemen Strategis.
DOI: https:// doi.org/ 10.1080/09537325.2021.1883583 ©Taylor & Francis.

Lihat statistik publikasi