www.jurnalpa.eepis-its.

edu
Jurnal
Informatika dan Teknik Informatika
Vol.2, No.2, 2013
Komputer
Politeknik Elektronika Negeri Surabaya
PENS

Aplikasi Pemandu Wisata Wisata Bahari Lamongan Berbasis Mobile

Khoirul Rozikin Darussalam, Yuliana Setiowati, Fadilah Fahrul Hardiansyah

Program Studi D3 Teknik Informatika
Departemen Informatika dan Komputer
Politeknik Elektronika Negeri Surabaya
Kampus PENS, Jalan Raya ITS Sukolilo, Surabaya 60111
Tel: (031) 594 7280; Fax: (031) 594 6114
Email:pu53nk@student.eepis-its.edu,yuliana@eepis-its.edu, fahrul@eepis-its.edu

Abstrak

Panduan wisata adalah salah satu bentuk pelayanan yang harus diberikan oleh pihak pengelola tempat wisata demi
kepuasan para pengunjungnya. Terbatasnya akses media panduan wisata yang sudah ada, seperti brosur yang hanya
dapat diperoleh saat dalam area wisata saja, menjadikan para calon pengunjung susah mendapatkan informasi seputar
tempat wisata. Penelitian ini mengajukan alternatif baru, yaitu berupa aplikasi pemandu wisata untuk tempat wisata
Wisata Bahari Lamongan berbasis mobile. Aplikasi pemandu wisata ini menggabungkan teknologi Indoor Map dengan
Android smartphone, sehingga menghasilkan sistem navigasi yang terintegrasi dengan area Wisata Bahari Lamongan.
Aplikasi ini menyajikan informasi penting yang dibutuhkan para calon pengunjung untuk memandu wisata selama
liburan di Wisata Bahari Lamongan. Aplikasi ini memiliki beberapa fitur, meliputi Indoor Map, navigasi dari posisi
user, navigasi antar wahana, panduan menuju tempat wisata, informasi wahana, dan daftar harga tiket.

Kata kunci: Wisata Bahari Lamongan, Aplikasi Pemandu Wisata, Android, Indoor Map, Navigasi, OpenStreetMap

1. Pendahuluan

Pariwisata adalah salah satu sektor ekonomi yang potensial di Indonesia dan menjadi sektor yang berperan penting
dalam pendapatan negara. Sektor pariwisata di Indonesia memiliki peran penting dalam penerimaan devisa untuk negara.
Kombinasi antara kekayaan alam dan kekayaan seni yang menjadi komponen penting dalam pariwisata di Indonesia.
Wisata Bahari Lamongan atau WBL merupakan salah satu dari sekian banyak pilihan tempat wisata yang ramai
dikunjungi oleh wisatawan yang terletak di Kabupaten Lamongan. Wisata Bahari Lamongan yang merupakan hasil
pengembangan dari tempat wisata Tanjung Kodok ini memiliki lahan sebesar 11 hektar. Objek wisata yang terletak di
pesisir utara Pantai Jawa ini menawarkan oase tersendiri bagi wisatawan, yaitu memadukan konsep wisata bahari dan
dunia wisata.
Terbatasnya akses media panduan wisata yang sudah ada, seperti brosur yang hanya dapat diperoleh saat dalam
area wisata saja, menjadikan para calon pengunjung susah mendapatkan informasi seputar tempat wisata. Panduan arah
yang hanya terletak pada beberapa spot tertentu dapat membuat bingung pengunjung saat memilih jalan yang akan
dilewati untuk menuju suatu wahana. Minimnya petunjuk arah menuju Wisata Bahari Lamongan yang berupa papan
penunjuk arah ataupun papan penunjuk jarak yang terpasang selama perjalanan, sehingga para pengunjung merasa
 Jurnal Informatika dan Komputer PENS, Teknik Informatika, Vol.2, No.2, 2013
bingung mengenai arah menuju Wisata Bahari Lamongan, khususnya bagi para pengunjung yang belum pernah
mengunjungi Lamongan sebelumnya.

Penelitian ini mengajukan alternatif baru, yaitu berupa aplikasi pemandu wisata untuk tempat wisata Wisata
Bahari Lamongan berbasis mobile. Aplikasi ini menyajikan informasi penting yang dibutuhkan para calon pengunjung
untuk memandu wisata selama liburan di Wisata Bahari Lamongan. Aplikasi ini memiliki beberapa fitur, meliputi Indoor
Map, navigasi dari posisi user, navigasi antar wahana, panduan menuju tempat wisata, informasi wahana, dan daftar
harga tiket.
Ada beberapa penelitian sebelumnya yang menggunakan OpenStreetMap atau OSM, antara lain adalah yang
dilakukan oleh Yustian Mantjoro[1] yang membuat aplikasi berbasis mobile yang bertujuan untuk memberikan
informasi mengenai informasi geografis untuk layanan umum di Kota Palu, Sulawesi. Informasi geografis tersebut dapat
digunakan dalam pencarian fasilitas pelayanan umum, antara lain Stasiun TV/Radio, Mesjid, Gereja, Pura, Kelenteng,
TNI, Polisi, Rumah Sakit, Bank, ATM, Rumah Makan, Kafe, KFC, Kedai, Sekolah, Sekolah Tinggi,
Universitas, Taman, Tamasya, Villa, Hotel, Motel, Kantor Pemerintah, Pasar, Bandara, Bengkel, SPBU, Taxi, dan
Terminal. Pada aplikasi Sistem Informasi Geografis Kota Palu, data geospasial yang digunakan adalah data geospasial
dari layanan peta online OSM (OpenStreetMap). OSM memiliki fitur-fitur untuk dapat melakukan digitasi peta seperti
membangun dan membuat peta. Kemudian perangkat mobile akan menguduh dan mensinkronisasikan dataset
menggunakan OSM API dari OSM agar dapat memvisualisasikannya.
Adapun beberapa penelitian yang menggunakan konsep Indoor Map, antara lain adalah penelitian yang dilakukan
oleh Heri Tristiantoro[2] ini menghasilkan aplikasi berbasis mobile Android yang menggunakan fitur Indoor Map untuk
tempat belanja di Surabaya. Aplikasi Indoor Map untuk mall di Surabaya ditujukan untuk user yang sedang ingin
berbelanja untuk di daerah Surabaya. Aplikasi Indoor Map untuk mall di Surabaya berguna agar user mendapat
informasi lokasi dan rute wisata belanja, denah Indoor Maps suatu lokasi wisata belanja, lokasi dan rute suatu tenant
dalam wisata belanja serta informasi event dan promo yang ada di Surabaya.
Selanjutnya ada penelitian dari Rio Andreanto[3] ini menghasilkan aplikasi berbasis mobile Android yang
menggunakan fitur Indoor Map untuk pemandu wisata dalam Kebun Binatang Surabaya di Surabaya. Aplikasi pemandu
wisata Kebun Binatang Surabaya ditujukan untuk user yang sedang berekreasi di Kebun Binatang Surabaya. Aplikasi
ini berguna agar user dapat mendapatkan informasi seputar panduan wisata, informasi rute perjalanan, informasi fasilitas
umum, informasi denah Indoor Map untuk mengetahui posisi satwa dan fasilitas umum yang tersedia. dan navigasi dari
tempat user menuju tempat yang dituju dalam wilayah Kebun Binatang Surabaya. Aplikasi pemandu wisata Kebun
Binatang Surabaya menggunakan platform Android dengan menggunakan fitur Mapping dari vendor Map editor
Erricson Labs untuk menampilkan denah satwa keseluruhan dari Kebun Binatang Surabaya.

2. Metode

Pada tahap metode ini bertujuan untuk menjelaskan rancang sistem dari aplikasi dari penelitian ini.

Server Data GPS

Connection
map

apk file navigasi user

android
device

informasi

Gambar 1. Alur Sistem Aplikasi

Secara umum, jalan dari aplikasi WBL Guide sebagai berikut, user mendownload WBLGuide.apk terlebih dahulu
pada Android Store, kemudian menginstalnya pada gadget Android user. Untuk setiap penggunaan aplikasi WBL Guide
diperlukan koneksi GPS dan koneksi data dari gadget Android tersebut. Koneksi data digunakan untuk mengambil data
dari server. Data yang diambil dari server, meliputi tampilan peta Indoor Map Wisata Bahari Lamongan dan data daftar
untuk harga tiket terbaru.
Indoor Map Wisata Bahari Lamongan yang digunakan oleh penulis menggunakan vendor OpenStreetMap yang
terintegrasi dengan server OpenStreetMap. Dalam pembuatan Indoor Map, penulis menggunakan map editor Java
OpenStreetMap (JOSM) yang langsung terintegrasi dengan server OpenStreetMap.
 Jurnal Informatika dan Komputer PENS, Teknik Informatika, Vol.2, No.2, 2013
Koneksi GPS digunakan untuk mengetahui koordinat posisi dari user. Koordinat posisi user ditampilkan dalam
Indoor Map, sehingga dapat menampilkan posisi user dalam peta area wisata yang sebenarnya. Penggabungan Indoor
Map dan penggunaan GPS sebagai pengambilan koordinat posisi user akan menghasilkan sistem navigasi yang akan
memandu user dari posisi user berada menuju wahana tertentu.
Dari aplikasi WBL Guide ini, user akan mendapatkan informasi panduan wisata di Wisata Bahari Lamongan,
meliputi Indoor Map area wisata Wisata Bahari Lamongan, sistem navigasi dari posisi user ataupun navigasi antar
wahana, dan informasi seputar wahana, harga tiket, dan deskripsi umum Wisata Bahari Lamongan.

3. Hasil

3.1. Halaman Menu Utama

Aplikasi memiliki enam menu utama yaitu berupa menu Kendaraan Pribadi, Kendaraan Umum, WBL Map, Info
Wahana, Tiket, dan Tentang WBL.

Gambar 2. Halaman Menu Utama WBL Guide

Menu Kendaraan Pribadi merupakan menu yang mengarah pada pemanggilan fungsi fitur navigasi rute menuju
Wisata Bahari Lamongan dari posisi user. Menu Kendaraan Umum merupakan menu yang mengarah pada pemanggilan
fungsi fitur panduan menuju Wisata Bahari Lamongan dengan menggunakan kendaraan umum yang dimana awal posisi
user terletak di terminal terdekat, stasiun terdekat, dan bandara terdekat. Menu WBL Map merupakan menu yang
mengarah pada pemanggilan fungsi fitur Indoor Map Wisata Bahari Lamongan. Dalam menu WBL Map tersedia juga
fitur untuk menampilkan navigasi antar wahana dan fitur untuk menampilkan navigasi menuju wahana inputan user dari
posisi user. Menu Info Wahana merupakan menu yang mengarah pada pemanggilan fungsi fitur informasi tiap wahana
yang telah dikelompokkan berdasarkan kategori. Menu Tiket merupakan menu yang mengarah pada pemanggilan fungsi
fitur penampilan daftar harga tiket masuk Wisata Bahari Lamongan yang datanya diambil dari server database. Menu
Tentang WBL merupakan menu yang mengarah pada pemanggilan fungsi fitur penampilan informasi secara umum
mengenai Wisata Bahari Lamongan.

3.2. Uji Coba Menu Kendaraan Pribadi

Gambar 3. Tampilan Menu Kendaraan Pribadi

Menu kendaraan pribadi akan menampilkan navigasi rute dari posisi user saat ini hingga Wisata Bahari Lamongan.
Fitur navigasi rute menuju Wisata Bahari Lamongan dari posisi user membutuhkan koneksi internet dengan paket data
dan GPS untuk mendapatkan koordinat user secara tepat.
 Jurnal Informatika dan Komputer PENS, Teknik Informatika, Vol.2, No.2, 2013
3.3. Uji Coba Menu Kendaraan Umum

Menu kendaraan umum akan menampilkan panduan menuju Wisata Bahari Lamongan dengan posisi awal dari
terminal terdekat, stasiun terdekat, dan bandara terdekat. Terminal terdekat dari Wisata Bahari Lamongan adalah
Terminal Kota Lamongan. Stasiun terdekat dari Wisata Bahari Lamongan adalah Stasiun Kota Lamongan. Bandara
Udara terdekat dari Wisata Bahari Lamongan adalah Bandara Juanda.

(a) (b)
Gambar 4. Tampilan Menu Panduan Kendaraan Umum
(a) panduan dari terminal terdekat (b) panduan dari bandara terdekat
3.4. Uji Coba Menu WBL Map

(a) (b) (c) (d) (e)

Gambar 5. Tampilan Menu WBL Map (a) opsi menu (b) marker wahana (c) posisi user (d) navigasi
dari posisi user (e) navigasi antar wahana

Menu WBL Map terdapat beberapa pilihan fitur yang ditampilkan, antara lain:
• Indoor Map Wisata Bahari Lamongan
Pada halaman ini akan menampilkan Indoor Map dari denah Wisata Bahari Lamongan yang merupakan hasil
dari pembuatan denah penulis. Indoor Map diakses dari server OpenStreetMap.
• Marker Wahana
Pada halaman ini akan menampilkan marker dari tiap wahana pada denah Wisata Bahari Lamongan.
• Posisi User
Pada halaman ini akan menampilkan posisi user pada Indoor Map dari denah Wisata Bahari. Posisi user
diberikan marker sehingga terlihat dimana posisi user berada. Fitur posisi user membutuhkan GPS untuk
mendapatkan koordinat posisi user.

• Navigasi Menuju Wahana dari Posisi User

Pada halaman ini akan menampilkan navigasi rute dari posisi user menuju wahana tujuan pilihan user pada
Indoor Map dari denah Wisata Bahari. Posisi user diberikan marker sehingga terlihat dimana posisi user
berada. Fitur posisi user membutuhkan GPS untuk mendapatkan koordinat posisi user.
• Navigasi Antar Wahana
Pada halaman ini akan menampilkan navigasi rute dari wahana asal dan wahana tujuan pada Indoor Map dari
denah Wisata Bahari. Wahana awal d an wahana tujuan merupakan wahana pilihan user.
 Jurnal Informatika dan Komputer PENS, Teknik Informatika, Vol.2, No.2, 2013
3.5. Uji Coba Menu Info Wahana

(a) (b)
Gambar 6. Tampilan Menu Info Wahana
(a) List berdasarkan kategori (b) Info tiap wahana

Menu info wahana akan menampilkan informasi wahana yang telah dikategorikan berdasarkan kategori wahana.
Pada info wahana akan menampilkan informasi kategori wahana, nama wahana, harga saat menggunakan wahana,
gambar wahana, dan deskripsi singkat wahana.

3.6. Uji Coba Menu Tiket

Menu tiket akan menampilkan daftar harga tiket masuk Wisata Bahari Lamongan dalam bentuk list. Daftar harga
tiket masuk merupakan data dari server database, sehingga apabila terjadi update harga akan secara otomatis terupdate
pada aplikasi WBL Guide.

Gambar 7. Tampilan Menu Harga Tiket

3.7. Uji Coba Menu Tentang WBL

Menu Tentang WBL akan menampilkan deskripsi secara umum seputar Wisata Bahari Lamongan.

(a) (b)
Gambar 8. Tampilan Menu Tentang WBL
(a) seputar WBL (b) kontak WBL
 Jurnal Informatika dan Komputer PENS, Teknik Informatika, Vol.2, No.2, 2013
3.8. Uji Coba Fitur Notifikasi Wahana Terdekat

Fitur notifikasi wahana terdekat akan menampilkan pemberitahuan saat user berada dalam radius 8 meter dari
suatu wahana. Fitur ini membutuhkan akses GPS dalam kondisi aktif, sehingga keakuratan dan kecepatan penampilan
notifikasi berdasarkan dari masing-masing GPS pada device Android. Fitur notifikasi wahana terdekat merupakan
sebuah service, sehingga selama aplikasi berjalan notifikasi akan muncul berdasar pergeseran posisi user.

(a) (b)
Gambar 9. Tampilan Fitur Notifikasi Wahana Terdekat
(a) saat aplikasi berjalan (b) saat aplikasi dalam kondisi minimize

3.9. Uji Coba Performa Fitur

Aplikasi WBL Guide telah diujicobakan ke dua buah jenis device berbeda. Hal ini bertujuan untuk melakukan
perbandingan performa fitur pada masing-masing jenis device.
Tabel 1 berisikan perbandingan dari kinerja dari aplikasi WBL Guide terhadap dua device tersebut. Nilai dari uji
coba berisikan bagaimana kecepatan pemrosesan fitur, ketepatan fitur, dan ketepatan tampilan pada fitur. Perbedaan
keakuratan pada fitur notifikasi wahana terdekat, yaitu berupa kecepatan device untuk mendapatkan koordinat dari GPS
user yang tidak sama. Device Motorola DROID X cenderung lebih cepat dari device Smartfren Andromax I dalam
mendapatkan koordinat atau lock koordinat GPS. Namun kedua device beberapa kali ditemukan miss dalam pendapatan
GPS, seperti contoh saat penulis berdiam namun aplikasi menunjukkan Toast lebih dari satu kali. Toast disini digunakan
penulis dalam pengecekkan kejalanan dari GPS pada tiap device.

Tabel 1. Perbandingan Performa Fitur

Smartfren Motorola
Fitur
Andromax I DROID X
Indoor Map Wisata Bahari
Muncul Muncul
Lamongan
Informasi Wahana Muncul Muncul
Notifikasi Wahana
Lebih Lambat Lebih Cepat
Terdekat
Menampilkan Posisi User
Akurat Akurat
Sekarang
Navigasi rute menuju
Akurat Akurat
Wahana dari Posisi User
Navigasi rute
Muncul Muncul
antar Wahana
Informasi Daftar Harga
Muncul Muncul
Tiket
 Jurnal Informatika dan Komputer PENS, Teknik Informatika, Vol.2, No.2, 2013
Navigasi rute menuju
Wisata Bahari Lamongan
dari Posisi User dengan Muncul Muncul
Kendaraan Pribadi
Panduan menuju Wisata
Bahari Lamongan dengan Muncul Muncul
Kendaraan Umum
Informasi Umum Seputar
Muncul Muncul
Wisata Bahari Lamongan
4. TUJUAN

Dalam berbagai uji coba yang telah dilakukan oleh penulis, terdapat beberapa kondisi yang memberikan beberapa
perbedaan terhadap hasil dari fitur dari uji coba yang dibanding terhadap dua buah device. Fitur yang mengalami
perbedaan adalah fitur-fitur yang membutuhkan bantuan GPS dalam pengambilan koordinat user. Perbedaan dalam
pengambilan koordinat user dengan menggunakan GPS dapat disebabkan oleh ketepatan fitur GPS device tersebut dari
pengaktifan aplikasi. Ketepatan GPS tergantung dari device itu sendiri disebabkan setiap device memiliki hardware
yang berbeda. Ketergantungan hasil GPS terhadap device telah diuji cobakan oleh penulis, yaitu dengan kecepatan
mendapatkan koordinat GPS dari kedua device.
Terjadi kekurangan juga saat mengaktifkan aplikasi untuk pertama kali, yaitu membutuhkan waktu untuk
menunggu GPS mengunci posisi dari user. Sehingga penulis memberikan opsi cadangan apabila saat pertama kali
pengaktifan aplikasi WBL Guide, GPS masih belum mendapatkan koordinat, maka akan dilihat berdasarkan network
provider. Namun penggunaan network provider masih rawan dalam hal ketepatan, dikarenakan akan mengambil
koordinat terakhir saat user terakhir kali melakukan koneksi.

5. Kesimpulan

Dari penelitian ini, penulis menyimpulkan bahwa aplikasi WBL Guide pada Andoid yang memadukan fitur
navigasi dengan Indoor Map berhasil dijalankan dengan baik. Indoor Map yang digunakan pada penelitian ini
menggunakan map dari vendor OpenStreetMap yang bersifat open source. Untuk tingkat ketepatan aplikasi dapat
disimpulkan bahwa ketepatan berdasar pada faktor device GPS pada gadget Android untuk pengambilan koordinat posisi
user. Dari uji coba performa, penulis menemukan kekurangan bahwa terjadi perbandingan kecepatan munculnya
notifikasi wahana terdekat berbasar pada GPS dari device user.
Untuk kedepannya, penelitian ini dapat dikembangkan dengan memperbaiki kualitas overlay untuk garis yang
masih terlihat pecah saat ukuran zoom in maksimal, perbaikan untuk ukuran zoom maksimal yang masih terlihat kecil
untuk penampilan Indoor Map, dan pengembangan Indoor Map yang dapat diakses secara offline.

DAFTAR PUSTAKA

[1] Mantjoro , Yustian. “Penggunaan Teknologi OpenStreetMap untuk GIS Fasilitas Pelayanan Umum Berbasis Android (Studi Kasus Kota
Palu)”. Surabaya : Politeknik Elektronika Negeri Surabaya.2012
[2] Tristiantoro, Heri. “Aplikasi Panduan Wisata Belanja Menggunakan Indoor Maps Berbasis Android di Surabaya (Studi Kasus : Dinas
Kebudayaan dan Pariwisata Surabaya)”. Surabaya : STMIK STIKOM Surabaya.2012
[3] Andreanto, Rio. “Aplikasi Pemandu Wisata Kebun Binatang Surabaya Berbasis Android”. Surabaya : STMIK STIKOM Surabaya.2012
[4] Humanitarian OpenStreetMap Team.”Memulai OpenStreetMap Panduan Tingkat Pemula” .2012
[5] Humanitarian OpenStreetMap Team.”OpenStreetMap Intermediate Paduan Tingkat Menengah” .2012
[6] Humanitarian OpenStreetMap Team.”OpenStreetMap Advanced Paduan Tingkat Mahir” .2012
[7] Tamada, Ravi. (2013) Android Hive.[Online].androidhive.info
[8] __. (2013) Android Developer.[Online].developer.android.com
Jurnal Sistem Informasi, Teknologi Informasi, dan Edukasi Sistem Informasi (JUST-SI)
Vol. 1, No. 2, Desember 2020, hlm. 63-69

KECERDASAN BUATAN (AI) dan NILAI CO-CREATION dalam

PENJUALAN B2B (BUSINESS-TO-BUSINESS)

Dian Anggraini*1, Muchammad Nafi’ Alfian2, Johan Erickson3 Taufik Al Rahman Miharja4

1
Pendidikan Teknik Informatika, Fakultas Teknik, Universitas Negeri Malang
2,3,4
Sistem Informasi, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1dianggraini09@gmail.ac.id, 2nafubolang@gmail.ac.id
*
Penulis Korespondensi

Abstrak

Kemajuan berkelanjutan dalam teknologi informasi, seperti Artificial intelligence (AI),

membuka peluang baru dan menarik untuk kreasi nilai bersama di antara para pelaku ekonomi.
Namun, sedikit yang diketahui tentang mekanisme dan proses penciptaan nilai bersama yang
dimungkinkan oleh AI. Sementara para sarjana setuju bahwa teknologi AI secara signifikan
mengubah aktivitas manusia dan sumber daya manusia, saat ini kami tidak memiliki
pemahaman yang memadai tentang bagaimana manusia dan teknologi AI berinteraksi dalam
penciptaan nilai bersama. Ini adalah fenomena sentral yang diselidiki dalam artikel ini. Secara
khusus, dengan menggunakan Service-Dominant Logic (S-DL) sebagai lensa, studi ini
menyelidiki aktivitas, peran, dan sumber daya yang dipertukarkan dalam co-creation bersama
nilai yang diaktifkan AI, menggunakan penciptaan kecerdasan kompetitif sebagai konteks
penelitian. Analisis menunjukkan bahwa proses penciptaan bersama nilai yang diaktifkan oleh
AI adalah interaksi kompleks antara aktor manusia dan non-manusia yang melakukan salah
satu dari enam peran berbeda baik secara bersama-sama maupun secara independen. Artikel ini
berkontribusi pada SD-L dan memberikan pemahaman yang lebih dalam tentang aktivitas
('bagaimana'), aktor ('siapa'), dan sumber daya ('apa') dalam kreasi bersama nilai yang didukung
AI , dengan demikian membantu menutup celah yang teridentifikasi dalam literatur..

Kata kunci: Artificial Intelligence, AI, co-creation, teknologi.

ARTIFICIAL INTELLIGENCE (AI) AND VALUE CO-CREATION IN B2B

SALES

Abstract

Continuous advances in information technologies, such as Artificial intelligence (AI), are

opening up new and exciting opportunities for value co-creation between economic actors.
However, little is known about the mechanisms and the process of value co-creation enabled
by AI. While scholars agree that AI tech- nology significantly changes human activities and
human resources, currently we do not have an ade- quate understanding of how humans and
AI technology interact in value co-creation. This is the central phenomenon investigated in this
article. Specifically, using Service-Dominant Logic (S-DL) as a lens, this study investigates the
activities, roles and resources that are exchanged in AI-enabled value cocreation, using the
creation of competitive intelligence as a research context. The analysis suggests that AI-
enabled value co-creation processes are complex interactions between human and non-human
actors who per- form any of six different roles either jointly or independently. This article
contributes to SD-L and pro- vides a deeper understanding of the

63
activities (the ‘how’), the actors (the ‘who’), and the resources (the ‘what’) in AI-enabled value
co-creation, thus helping to close an identified gap in the literature.

Keywords: Artificial Intelligence, AI, co-creation, technology.

1. PENDAHULUAN
Kemajuan berkelanjutan dalam teknologi informasi, seperti Kecerdasan Buatan (AI),
membuka peluang baru dan menarik untuk penciptaan bersama nilai antara pelaku ekonomi
(Singh et al., 2019; Syam dan Sharma, 2018). Pertimbangkan bagaimana AI digunakan untuk
menyesuaikan komunikasi pemasaran antara penyedia layanan dan pelanggan, atau bagaimana
robot cerdas secara otonom melakukan tugas, seperti menjawab pertanyaan, yang sebelumnya
membutuhkan upaya manusia. Saat ini, teknologi AI memungkinkan komputer untuk terlibat
aktif dalam pengambilan keputusan manusia (Xu et al., 2020) dan bahkan dapat memungkinkan
komputer untuk membuat keputusan tanpa keterlibatan manusia. Karena AI semakin banyak
digunakan dalam praktik pemasaran, AI meningkatkan praktik dan teori pemasaran yang
mapan dan mengubah nilai cara diciptakan bersama (Kaartemo dan Helkkula, 2018 )
Sejumlah penelitian telah menyelidiki penciptaan bersama nilai menggunakan AI dari
perspektif penyedia layanan atau bagaimana AI memungkinkan integrasi sumber daya antara
penyedia layanan dan penerima manfaat (Kaartemo dan Helkkula, 2018). Studi ini membuat
kontribusi penting untuk pemahaman kita tentang AI memungkinkan penciptaan nilai. Namun,
ada jauh lebih banyak penelitian yang bertujuan untuk memahami interaksi manusia ke
manusia dengan teknologi AI dibandingkan dengan studi yang menyelidiki interaksi manusia
ke non-manusia (Kaartemo dan Helkkula, 2018). Dengan kata lain, sementara para sarjana
setuju bahwa teknologi AI secara signifikan mengubah aktivitas manusia (Hill et al., 2015;
Paschen et al., 2020) dan mengubah sumber daya manusia (Huang dan Rust, 2018; Kaplan dan
Haenlein, 2019) saat ini kami tidak memiliki pemahaman yang memadai tentang bagaimana
manusia dan teknologi AI berinteraksi dalam penciptaan bersama nilai (Kaartemo dan
Helkkula, 2018). Ini adalah fenomena pusat yang diselidiki dalam artikel kami. Secara khusus,
penelitian kami bertujuan untuk menyelidiki nilai co-creation dengan memberikan pemahaman
tentang kegiatan, peran, dan sumber daya yang disaingi dalam nilai co-creation yang diaktifkan
AI.
Penelitian yang disajikan dalam artikel ini menyelidiki nilai co-creation menggunakan
penciptaan kecerdasan kompetitif dalam penjualan business-to-business (B2B) sebagai konteks
penelitian. Pentingnya kecerdasan kompetitif telah lama diakui dalam literatur dan bertumpu
pada pengaruh yang dapat dilakukan pesaing pada kebutuhan dan perilaku pelanggan dan di
pasar secara umum (Hari, 1994; Kohli dan Jaworski, 1990; Narver dan Slater, 1990). Oleh
karena itu, mengumpulkan dan menerapkan kecerdasan tentang penawaran dan strategi pesaing
adalah usaha penting dalam penjualan B2B (Itani et al., 2017). Meningkatnya digitalisasi dan
meningkatnya penggunaan media sosial telah menghasilkan volume data yang luas, yang
disebut big data, yang dapat berdampak pada proses generasi intelijen kompetitif dalam
penjualan B2B (Meire et al., 2017). Secara khusus, big data sangat luas dalam hal 5V (volume,
variasi, veracity, kecepatan dan nilai) bahwa teknologi informasi tradisional diibalkan untuk
menganalisis dan memproses data ini. Kecerdasan buatan, di sisi lain, telah dibahas sebagai
salah satu teknologi informasi yang mampu mengekstraksi informasi dan pengetahuan dari big
 Dian Anggraini, dkk, Kecerdasan Buatan (AI) … 65

data (Duan et al., 2019; Paschen et al., 2019) dan melihat peningkatan adopsi dalam praktik
penjualan B2B (Singh et al., 2019).
Investigasi empiris kami menggunakan wawancara indepth untuk menjawab pertanyaan
penelitian "Bagaimana aktor dalam penjualan B2B menciptakan nilai dengan cara kecerdasan
buatan?" Kami membangun argumen Anderson et al. (1999) dan Füller (2010) yang
menunjukkan bahwa setiap interaksi, termasuk penciptaan bersama nilai, dapat dipahami
dengan menyelidiki kegiatan (yaitu, bagaimana?), peran aktor (yaitu, siapa?), dan sumber daya
(yaitu, apa?) dari interaksi tersebut. Kerangka kerja tripartit ini telah digunakan dalam
penelitian sebelumnya tentang penciptaan bersama nilai ( Breidbach dan Maglio, 2016 ) dan
diadopsi untuk penelitian saat ini menggunakan Service-Dominant Logic (S-DL) sebagai lensa.
Sisa artikel ini disusun sebagai berikut: menggambar di S-DL, artikel ini pertama kali
memberikan diskusi tentang literatur saat ini tentang penciptaan bersama nilai dan AI dan
memposisikan penelitian kami dalam literatur ini. Selanjutnya, kami menjelaskan metodologi
penelitian dan analisis data kami. Setelah ini, kami menyajikan temuan dari studi empiris kami.
Kami menyimpulkan dengan membahas implikasi untuk penelitian dan praktik dan dengan
mengidentifikasi peluang penelitian di masa depan.

2. HASIL PEMBAHASAN KECERDASAN BUATAN DAN NILAI CO-CREATION

Istilah 'kecerdasan buatan' bisa menyesatkan, karena menunjukkan kemungkinan bahwa
komputer menampilkan kecerdasan seperti manusia. Dinyatakan secara berbeda, aplikasi AI
menemukan solusi untuk masalah yang terdefinisi dengan baik dan terstruktur yang
membutuhkan penerapan logika. Contohnya adalah IBM Deep Blue menerapkan logika untuk
mengalahkan pemain catur manusia terbaik atau IBM Watson yang menganalisis valensi
sentimen dalam sebuah teks. AI sempit menjelaskan teknologi yang dioptimalkan untuk tugas
tertentu.
Gartner, sebuah riset dan konsultan IT ternama, memperkirakan bahwa mereka akan
mencapai adopsi massal dalam lima tahun. Pemahaman bahasa alami - sering disebut sebagai
pemrosesan bahasa alami, dan disingkat NLP - menganalisis teks dan memberikan arti pada
bahasa manusia dalam bentuk lisan dan tulisan. Dalam ML yang diawasi, AI dilengkapi dengan
kumpulan data pelatihan yang mencakup masukan dan keluaran yang benar, yang darinya AI
mempelajari pola dan mengembangkan aturan untuk diterapkan pada contoh masalah yang
sama di masa mendatang. Dalam ML tanpa pengawasan, AI menggunakan data pelatihan yang
tidak diberi label jawaban yang benar, mengidentifikasi pola atau hubungan antara titik data.
Komponen sisa dari teknologi AI mencakup keluaran, atau informasi yang dihasilkan dari
proses pembuatan nilai di atas yang dimasukkan ke dalam berbagai aplikasi bisnis. Dalam
konteks penjualan, informasi ini mungkin terdiri dari daftar topik yang sering disebutkan dalam
artikel berita tentang pesaing atau industri. Informasi ini kemudian mungkin memerlukan
tindakan lebih lanjut oleh pembuat keputusan manusia, seperti analis, menggunakan informasi
yang dihasilkan AI tentang pesaing untuk membuat kartu pertempuran penjualan. Selain itu,
beberapa teknologi AI bertindak secara independen dari masukan manusia.
Pemasaran arus utama telah dikritik karena tidak mampu mempelajari perubahan yang
disebabkan oleh teknologi di pasar, karena konseptualisasi yang mendasari pasar
mengasumsikan bahwa itu adalah entitas yang sudah ada sebelumnya dan statis. Bertentangan
dengan pandangan ini, S-DL mengadopsi pandangan sistem pasar di mana aktivitas bersama
para aktor menciptakan nilai bersama. Logika yang dominan layanan, dikatakan, menciptakan
pemahaman yang lebih realistis tentang bagaimana teknologi membentuk perilaku dan tentang
dinamika penciptaan bersama nilai. Logika dominan layanan berpusat pada premis bahwa jasa,
daripada barang, dipertukarkan di antara para pelaku ekonomi.
Layanan mencakup penerapan pengetahuan dan keterampilan, dan nilai diciptakan
bersama dalam integrasi sumber daya antara penyedia layanan dan penerima manfaat. Sumber
daya operator seringkali tidak berwujud dan dinamis, seperti keterampilan atau pengetahuan
manusia. Meskipun sumber daya operan penting, S-DL menekankan penerapan sumber daya
operan untuk kreasi nilai. Sejumlah artikel telah menggunakan S-DL untuk menyelidiki kreasi
bersama nilai melalui teknologi dan khususnya melalui AI.

Tema kedua diidentifikasi oleh Kaarteemo dan Helkkula (2018), mereka menemukan
bahwa melalui penggunaan informasi pelanggan, interaksi layanan dapat ditingkatkan dan
penyedia layanan dapat memberikan layanan yang lebih personal dibandingkan dengan
interaksi manusia-ke-manusia. menyelidiki apakah pelanggan bersedia melanjutkan integrasi
sumber daya dengan mesin yang mendukung AI antropomorfik dalam konteks kegagalan
layanan. Temuan mereka menunjukkan bahwa reaksi pelanggan terhadap kegagalan teknologi
layanan bervariasi tergantung pada tingkat antropomorfisme yang terkait dengan mesin, rasa
kekuasaan individu, dan keberadaan pelanggan lain. Sub-bagian di atas menyoroti kontribusi
penting dari penelitian yang ada menuju tujuan pengembangan dan peningkatan pengetahuan
tentang kreasi bersama nilai dan AI.
Namun, saat ini hanya ada sedikit penelitian yang menyelidiki interaksi antara teknologi
dan manusia. Para ahli sepakat bahwa teknologi, sebagai aktor non-manusia, berdampak pada
penciptaan nilai dengan aktor manusia dan dalam proses ini mengubah aktivitas dan sumber
daya manusia. Ada lebih sedikit karya ilmiah yang menyelidiki interaksi humanto-nonmanusia
dan integrasi sumber daya dalam penciptaan nilai. Karena AI dan robot semakin banyak
digunakan dalam praktik, para ilmuwan menyerukan lebih banyak penelitian untuk memahami
nilai kreasi bersama dalam interaksi antara aktor manusia dan non-manusia.

3. METODE PENELITIAN
Mengingat sifat penyelidikan kami, kami menganggap pendekatan penelitian kualitatif
paling cocok untuk penyelidikan kami. Secara khusus, kami menggunakan wawancara
semiterstruktur yang memungkinkan pemahaman mendalam tentang konstruksi minat, dan
membiarkan peneliti menindaklanjuti tanggapan awal, meminta individu untuk mengklarifikasi
atau menguraikan. Fleksibilitas ini memungkinkan pemahaman yang lebih dalam atas jawaban
responden dengan tetap memberikan struktur untuk mengatur dan memahami data serta sesuai
dengan sifat eksplorasi penelitian yang dilakukan dalam penelitian ini.

3.1. Informan

Sampel purposive digunakan untuk penelitian ini. Perusahaan kasus dalam sampel kami
dipilih untuk memperoleh informasi yang kaya sambil menggunakan sumber daya peneliti
secara efektif. Purposive sampling melibatkan identifikasi dan pemilihan individu yang
dianggap berpengalaman dengan fenomena yang diinginkan. Pertimbangan tambahan dalam
memilih individu termasuk ketersediaan dan kesediaan mereka untuk berpartisipasi.
Perusahaan kasus mencakup perusahaan baru yang berlokasi di Amerika Utara yang
menyediakan layanan intelijen kompetitif kepada kliennya melalui
Teknologi AI yang dibangun di atas ML dan NLU. Profesional klien bekerja dalam
penjualan korporat atau penjualan korporat yang memberdayakan produk dan layanan
teknologi informasi. Untuk kejelasan lebih lanjut, informan termasuk karyawan perusahaan
rintisan yang menyediakan layanan AI kepada kliennya yang pada gilirannya bekerja di bagian
penjualan teknologi informasi perusahaan.
Para peneliti memanfaatkan pedoman Lincoln dan Guba yang menyarankan bahwa
pengumpulan data harus berakhir setelah setidaknya satu dari empat kondisi terpenuhi: bahwa
tidak ada sumber data lebih lanjut yang tersedia, kejenuhan teoritis telah tercapai, bahwa
keteraturan telah muncul dan rasa integrasi telah dicapai, atau pengumpulan informasi baru
berada di luar cakupan pertanyaan penelitian. Dalam penelitian ini, setelah wawancara dengan
 Dian Anggraini, dkk, Kecerdasan Buatan (AI) … 67

14 karyawan selesai, kondisi, dan terpenuhi dan pengumpulan data diakhiri. Jadi, kumpulan
data terakhir kami terdiri dari wawancara dengan 14 karyawan.

3.2. Pengumpulan Data

Langkah pertama pengumpulan data meliputi penyusunan draf pedoman wawancara

berdasarkan tujuan penelitian dan literatur yang ada. Para peneliti mencari umpan balik tentang
draf ini dari rekan kerja dan memodifikasi pertanyaan wawancara berdasarkan umpan balik.
Hal ini mengarah pada pembuatan versi terakhir dari panduan wawancara yang digunakan di
sisa pengumpulan data. Proses wawancara semi-terstruktur terakhir dimulai dengan pertanyaan
tentang peran dan masa kerja responden dalam perusahaan kasus, diikuti dengan pertanyaan
umum tentang definisi AI mereka.
Dalam penelitian ini, setelah wawancara dengan 14 karyawan selesai, kondisi, dan
terpenuhi dan pengumpulan data diakhiri. Jadi, kumpulan data terakhir kami terdiri dari
wawancara dengan 14 karyawan. Wawancara dengan karyawan ini masing-masing
berlangsung rata-rata selama 31 menit, dengan rentang waktu 16 hingga 41 menit.

3.3. Analisis Data

data mencakup pendekatan analisis tematik sebagai metode yang sesuai mengingat sifat
eksplorasi pertanyaan penelitian kami. Analisis data mengikuti tahapan analisis tematik seperti
yang dijelaskan oleh Braun dan Clarke yang meliputi mengidentifikasi item minat analitik
dalam data dengan mengeksplorasi makna dalam data. Akhirnya, hasil analisis diperiksa
dengan menggunakan analisis kasus negatif untuk meningkatkan ketelitian penyelidikan. Ini
melibatkan pemeriksaan ulang setiap wawancara setelah analisis selesai untuk menentukan
apakah tema yang muncul benar-benar dapat diterapkan.

4. TUJUAN DAN DATA GAMBAR

Alur kerja yang menjelaskan kreasi bersama nilai yang didukung AI adalah sebagai
berikut: Perusahaan rintisan merancang dan mengelola aplikasi AI yang dilisensikan kepada
kliennya. Perusahaan klien biasanya menggabungkan penjualan produk dan layanan teknologi
informasi. Bot AI mengumpulkan, menyimpan, memfilter, menghilangkan duplikat, dan
mengkategorikan data dan informasi dari sumber publik dan internal klien.
Mengikuti penelitian sebelumnya tentang nilai kreasi bersama oleh Breidbach dan Maglio,
penelitian kami berfokus pada aktivitas, aktor, dan sumber daya interaksi seperti yang
dikemukakan sebelumnya oleh Anderson et al. (1999) dan Füller (2010). Aktivitas dalam
proses penciptaan bersama nilai. Mengumpulkan proses penciptaan bersama nilai dimulai
dengan mengumpulkan data dari berbagai sumber. Aktivitas kritis adalah berurusan dengan
banyaknya volume data yang tersedia di industri yang kompetitif. Nilai yang dibuat dalam
tahap ini sangat tercipta bersama antara bot AI dan profesional pendukung penjualan,
menghemat waktu dan tenaga dalam pengumpulan data. Hal ini dikemukakan oleh informan 1,
3, 4, 7, 11, 12, 13 dan diilustrasikan oleh kutipan informan 11: ”Jika saya tertarik dengan bisnis
atau industri tertentu atau apapun yang sulit bagi saya sebagai manusia lajang untuk melacak
semua yang terjadi di ruang itu”, sedangkan informan 3 mencatat:”Jadi untuk kumpulan intel,
jadi kita punya bot, keluar, memindai internet untuk informasi tentang pesaing Anda atau
tentang pesaing perusahaan, jadi sungguh itu membantu orang menghemat waktu dalam alur
kerja sehari-hari mereka.”
Pelaku manusia, khususnya tenaga penjualan dan profesional penjualan, mengidentifikasi
pesaing dan data yang relevan menggunakan keahlian industri dan bisnis mereka, sebagaimana
dirangkum oleh kutipan informans.
Tabel 1. Pembuatan kecerdasan kompetitif yang mendukung alur kerja AI
 Tabel 2.

5. KESIMPULAN
Kecerdasan buatan siap untuk memberikan dampak pada berbagai aktivitas pemasaran.
Dalam penelitian ini, kami telah mengeksplorasi aktivitas, peran, dan sumber daya yang
melekat dalam nilai co-craetion yang diaktifkan oleh AI. Selain itu, kami telah
mengidentifikasi enam peran berbeda dari aktor manusia dan non-manusia dalam penciptaan
nilai bersama dan menjelaskan setiap peran. Atas dasar ini, penelitian ini memberikan
pemahaman dan menanggapi panggilan untuk penelitian lebih lanjut tentang bagaimana
individu berinteraksi dengan aktor non-manusia (yaitu, AI) untuk menciptakan nilai
cocreation bersama. Kami berharap akun komprehensif kami tentang aktivitas nilai co-
cration yang didukung AI menginspirasi ilmuwan lain untuk menyelidiki lebih lanjut topik
nilai cocreation manusia dan non-manusia.

DAFTAR PUSTAKA
Agrawal, D. , Schorling, C. , 1996. Market share forecasting: an empirical compari- son of
artificial neural networks and multinomial logit model. J. Retail. 72 (4), 383–408.
Anderson, W.T. , Challagalla, G.N. , MacFarland, R.G. , 1999. Anatomy of exchange. J.
Market. Theory Pract. 7 (4), 8–19 .
Bakpayev, M. , Baek, T.H. , van Esch, P. , Yoon, S. , 2020. Programmatic creative: AI can
think but it cannot feel. Austr. Market. J.
Barrow, D.K. , 2016. Forecasting intraday call arrivals using the seasonal moving av- erage
method. J. Bus. Res. 69 (12), 6088–6096.
Black, J.S. , Van Esch, P. , 2020. AI-Enabled recruiting: what is it and how should a general
manager use It. Bus. Horiz. 63 (2).
 Dian Anggraini, dkk, Kecerdasan Buatan (AI) … 69

Brashear, T. , Granot, E. , Brashear, T.G. , Motta, P. , 2012. A structural guide to in-depth

interviewing in business and industrial marketing research”. J. Bus. Ind. Market. 27 (7),
547–553.
Braun, V. , Clarke, V. , 2006. Using thematic analysis in psychology. Qual. Res. Psychol. 3
(2), 77–101.
Breidbach, C.F. , Maglio, P.P. , 2016. Technology-enabled value co-creation: an empiri- cal
analysis of actors, resources, and practices. Ind. Market. Manag. 56, 73–85.
ˇCai ´c, M. , Odekerken-Schröder, G. , Mahr, D. , 2018. Service robots: value co-creation and
co-destruction in elderly care networks. J. Serv. Manag. 29 (2), 178–205.
Creswell, J.W. (2013), Research design: qualitative, quantitative, and mixed methods
approaches, SAGE Publications.
Davenport, T. , Guha, A. , Grewal, D. , Bressgott, T. , 2019. How artificial intelligence will
change the future of marketing. J. Acad. Market. Sci. 1–19.
Day, G.S., 1994. The Capabilities of Market-Driven Organizations. J. Markt. 58 (4), 37–52.
Duan, Y., Edwards, J.S. , Dwivedi, Y.K. , 2019. Artificial intelligence for decision making in
the era of Big Data–evolution, challenges and research agenda. Int. J. Inf. Manage. (48)
63–71.
Dzyabura, D., Hauser, J.R. , 2011. Active machine learning for consideration heuristics.
Market. Sci. 30 (5), 801–819.
Füller, J. , 2010. Refining virtual co-creation from a consumer perspective. Calif. Man- age.
Rev. 52 (2), 98–122 . Glaser, B.G. , Strauss, A.L. , 2017. Discovery of grounded theory:
strategies for qualita- tive research. Routledge . Glushko, R.J. , Nomorosa, K. , 2013.
Substituting information for interaction: a frame- work for personalization in service
encounters and service systems. J. Serv. Res. 16 (1), 21–38.
Grönroos, C. , 2011. Value co-creation in service logic: a critical analysis. Market. The- ory 11
(3), 279–301 .