AI Decision Support: Dukungan Keputusan dan Cara Menerapkannya di Operasi
Mekari ERP Highlights
- Dukungan AI terbagi menjadi informatif, rekomendasi, dan otomatis dalam batas, masing-masing dengan pemilik dan kontrol wajibnya sendiri.
- Urutkan keputusan berdasarkan frekuensi, nilai dampak, dan keterbalikan sebelum memilih use case pertama.
- Fitur Laporan & Insight Mekari ERP menyatukan data lintas modul sebagai dasar rekomendasi.
AI decision support adalah lapisan sistem yang mengubah data operasional menjadi rekomendasi tindakan beserta alasannya, sehingga pemilik keputusan tinggal menerima, mengubah, atau menolak.
Gartner memperkirakan pada 2027 setengah dari keputusan bisnis akan dibantu atau diotomatiskan oleh agen AI untuk decision intelligence.
Masalahnya, banyak perusahaan memasang AI di atas proses yang keputusannya sendiri belum pernah didefinisikan: tidak jelas apa pemicunya, siapa pemiliknya, dan ambang mana yang memisahkan satu tindakan dari tindakan lain.
Apa Itu AI Decision Support dan Bedanya dengan Dashboard
Dashboard menjawab apa yang sudah terjadi. AI decision support menjawab apa yang sebaiknya dilakukan sekarang, lengkap dengan alasan dan tingkat keyakinannya.
Pembedanya bukan kecanggihan grafik, melainkan apa yang tertinggal setelah layar ditutup: dashboard mencatat siapa membuka laporan, decision support mencatat keputusan apa yang diambil, atas dasar apa, dan oleh siapa.
Di ujung lain ada otomasi keputusan penuh, ketika sistem mengeksekusi tanpa menunggu manusia.
Ketiganya bukan tahap yang saling menggantikan; perusahaan matang menjalankannya sekaligus untuk jenis keputusan berbeda, dengan risiko khas masing-masing: BI berhenti sebagai laporan, decision support memicu bias otomasi, otomasi penuh menyebarkan satu kesalahan ke ribuan transaksi.

Tiga Tingkat Dukungan Keputusan AI
Kesalahan paling mahal adalah melompat langsung ke tingkat tiga. Naikkan tingkat hanya setelah tingkat sebelumnya terbukti stabil minimal satu kuartal.
Tingkat 1: Informatif
Sistem merangkum fakta dan konteks tanpa mengusulkan tindakan, misalnya ringkasan posisi stok dan beban work center per pabrik.
Keputusan sepenuhnya di tangan pengguna laporan. Kontrol wajibnya: sumber dan tanggal potong data tercantum di setiap tampilan.
Tingkat 2: Rekomendatif
Sistem mengeluarkan satu atau beberapa opsi tindakan disertai alasan dan skor keyakinan, lalu menunggu supervisor fungsi memutuskan.
Kontrol wajibnya ada tiga: alasan tertulis yang terbaca orang biasa, tombol tolak yang mudah dijangkau, dan log penolakan yang ditinjau berkala. Mayoritas keputusan operasi sebaiknya berhenti di sini.
Tingkat 3: Otomatis dalam batas
Sistem mengeksekusi sendiri selama nilai dampak dan skor keyakinan ada di dalam batas, misalnya permintaan pembelian di bawah Rp 25.000.000.
Di luar batas, keputusan kembali ke manusia. Kontrol wajibnya: batas nilai tertulis, jejak audit per transaksi, dan tinjauan sampel bulanan.

Bagaimana Alur AI Decision Support Bekerja
Enam lapis berikut berlaku untuk semua tingkat dukungan. Dua yang paling sering dilewati adalah lapis 2 dan lapis 6.
Lapis 1: Data operasional
Transaksi ERP, data induk, dan data luar seperti lead time pemasok ditarik ke satu sumber yang sama.
Lapis 2: Konteks keputusan
Pemicu, ambang, dan daftar tindakan yang sah ditetapkan lebih dulu oleh pemilik proses, bukan oleh model.
Lapis 3: Aturan dan model
Aturan bisnis, statistik, dan model prediksi berjalan berdampingan agar hasilnya tetap bisa dijelaskan ke auditor.
Lapis 4: Rekomendasi
Opsi tindakan keluar lengkap dengan alasan, data pendukung, dan skor keyakinan.
Lapis 5: Keputusan manusia
Pemilik menerima, mengubah, atau menolak; alasan dan identitas pemutus tercatat otomatis.
Lapis 6: Umpan balik
Hasil nyata dibandingkan prediksi, lalu ambang dan model dikalibrasi ulang. Tanpa lapis ini, sistem tidak pernah membaik.

Tujuh Elemen Keputusan yang Siap Didukung AI
Sebelum memilih tools, uji apakah keputusan yang mau didukung bisa dijelaskan dalam tujuh baris. Yang belum lolos uji ini belum siap diserahkan ke AI, berapa pun anggarannya.
| Elemen | Pertanyaan yang harus terjawab |
| Pemicu | Peristiwa apa yang memunculkan keputusan ini? |
| Data masukan | Field apa yang dibaca, dari sistem mana? |
| Logika | Aturan, statistik, atau model apa yang dipakai? |
| Ambang | Angka mana yang memisahkan satu tindakan dari tindakan lain? |
| Opsi tindakan | Tindakan apa saja yang sah direkomendasikan? |
| Pemilik | Peran mana yang berwenang memutuskan dan menanggung hasil? |
| Bukti | Apa yang tersimpan agar keputusan bisa ditinjau ulang? |
Cara Menyusun Inventaris Keputusan dan Memilih yang Pertama
Survei CDAO Gartner 2024 menemukan baru sepertiga organisasi yang sudah menerapkan decision intelligence.
Penyebab tersering bukan teknologi, melainkan tidak adanya daftar keputusan yang jelas untuk digarap lebih dulu. Daftar seluruh keputusan berulang di fungsi operasi, lalu beri skor:
Skor prioritas = (F x N ÷ 1.000.000) x K
- F: frekuensi keputusan per bulan
- N: nilai dampak per keputusan dalam Rupiah, yaitu selisih hasil antara keputusan yang tepat dan keputusan yang meleset
- K: faktor keterbalikan, bernilai 1,0 jika keputusan mudah dibatalkan, 0,6 jika semi permanen, dan 0,3 jika hampir tidak bisa ditarik
Pada sebuah pabrik komponen, peringkat teratasnya jatuh pada penandaan pesanan berisiko telat dengan skor 2.604 (620 keputusan per bulan, dampak Rp 4.200.000, K = 1,0), disusul penentuan waktu pemesanan ulang bahan dengan skor 1.148 dan pengurutan work order harian dengan skor 608.

Faktor K sengaja menekan keputusan besar yang jarang terjadi, seperti pemilihan pemasok kontrak tahunan yang terasa strategis tetapi sulit ditarik.
Baca Juga: Cara Menentukan Prioritas Proses Bisnis yang Perlu Diotomasi
Peta Penerapan di Lima Fungsi Operasi
Tingkat dukungan yang realistis ditentukan oleh kualitas data, bukan oleh kecanggihan model.
Pengadaan dan produksi umumnya berhenti di tingkat rekomendatif karena variabelnya terlalu banyak.
Persediaan dan gudang layak otomatis dalam batas begitu akurasi stok melewati 97%. Keuangan masuk lewat jalur deteksi anomali, yang pemicunya paling jelas di antara kelimanya.

Setiap rekomendasi lalu disalurkan ke pita yang benar. Skor keyakinan 0,85 ke atas boleh dieksekusi otomatis selama nilai dampaknya di bawah Rp 25.000.000.
Pita 0,60 sampai 0,84 tampil sebagai rekomendasi beserta alasannya dan menunggu persetujuan supervisor fungsi. Di bawah 0,60, sistem hanya menampilkan sinyal tanpa usulan tindakan.

Studi Kasus: Menandai Pesanan Berisiko Telat
PT Sinar Rajawali Manufaktur memproduksi komponen otomotif di dua pabrik dengan 620 sales order per bulan. Sebanyak 68 di antaranya terlambat, dengan biaya rata-rata Rp 4.200.000 per keterlambatan berupa denda kontrak, ekspedisi darurat, dan administrasi.
Perusahaan memilih keputusan berskor tertinggi di inventarisnya, lalu memasangnya di tingkat rekomendatif: sistem membaca status work order, posisi stok bahan, lead time pemasok, dan riwayat pengiriman, lalu menandai pesanan yang memasuki H-5 dengan skor risiko di atas 0,60.
Keterlambatan turun dari 68 menjadi 41 pesanan per bulan. Biaya keterlambatan ikut turun dari Rp 285.600.000 menjadi Rp 172.200.000, dikurangi Rp 5.600.000 biaya waktu tinjauan tim, sehingga manfaat bersihnya Rp 107.800.000 per bulan.

Dari 142 rekomendasi per bulan, 101 benar berisiko, setara presisi 71%. Manfaat bersih itu berarti Rp 1.293.600.000 per tahun.
Sisa 41 keterlambatan bukan kegagalan sistem, melainkan risiko yang memang sudah tidak bisa dicegah pada H-5.
Cara Mengukur Mutu Keputusan, Bukan Akurasi Model
Model berakurasi 94% yang rekomendasinya tidak pernah dipakai bernilai nol. Ukur mutu keputusan, bukan performa model.
Enam metrik yang perlu dipantau: tingkat adopsi (rekomendasi diikuti dibagi rekomendasi ditampilkan, target 60% ke atas), tingkat penolakan (target 30% ke bawah dan stabil), presisi rekomendasi (target 70% ke atas), waktu siklus keputusan dari pemicu sampai keputusan tercatat (target turun 40%), nilai terealisasi (target positif pada bulan ketiga), dan cakupan bukti (target 100%).
Tingkat penolakan yang mendekati nol justru sinyal bahaya, bukan prestasi: tim menerima apa pun yang muncul di layar.

Baca Juga: AI Demand Forecasting untuk Perencanaan Permintaan
Kesalahan Umum dan Kontrol Tata Kelolanya
| Kesalahan | Kontrol yang dipasang |
| Bias otomasi: rekomendasi diterima tanpa diperiksa | Alasan tertulis wajib untuk rekomendasi bernilai tinggi |
| Bias konfirmasi: hanya yang sesuai dugaan yang dipakai | Tampilkan opsi pembanding, bukan satu jawaban tunggal |
| Pelimpahan penalaran: analis berhenti paham logikanya | Rotasi tinjauan manual atas sampel 5% tiap bulan |
| Penurunan keterampilan tim | Latihan periodik memutuskan tanpa bantuan sistem |
| Model menyesuaikan jawaban dengan harapan pengguna | Uji berkala dengan kasus berlabel yang hasilnya diketahui |
| Keputusan tanpa pemilik yang jelas | Satu peran pemilik per jenis keputusan, tertulis di matriks |
| Model lama dipakai saat pola sudah berubah | Pemicu kalibrasi ulang, misalnya presisi di bawah 65% dua bulan beruntun |
ISO/IEC 42001:2023 menempatkan pengawasan manusia (A.9.2) dan pembatasan otonomi sistem AI (A.9.4) sebagai kontrol tersendiri, sehingga batas nilai Rupiah dan pita keyakinan tadi sebaiknya ditulis sebagai kebijakan, bukan disepakati lisan. Untuk keputusan yang menyentuh data pribadi, Pasal 10 UU No. 27 Tahun 2022 memberi subjek data hak mengajukan keberatan atas keputusan yang semata-mata didasarkan pada pemrosesan otomatis bila berdampak hukum atau signifikan. Jalur peninjauan manusia bukan sekadar praktik baik.
Bagaimana Mekari ERP Mendukung AI Decision Support?
Rekomendasi hanya sebaik data yang menopangnya. Ketika stok, produksi, pembelian, dan buku besar masih terpisah, lapis pertama alur di atas sudah gagal sebelum model apa pun dijalankan.
- Satu sumber data lintas modul: Laporan & Insight menarik data dari akuntansi, persediaan, produksi, dan pengadaan dalam satu basis, sehingga rekomendasi tidak dibangun di atas angka yang saling bertentangan.
- Jejak audit yang melekat: setiap transaksi membawa catatan pembuat, penyetuju, dan waktunya, bahan baku elemen bukti tadi.
- Lapisan AI per proses: rekonsiliasi bank dan deteksi anomali berjalan di tingkat rekomendatif dengan alasan yang bisa ditinjau, bukan kotak hitam.
- Batas dan alur persetujuan: ambang nilai dan jalur eskalasi dapat dikonfigurasi, sehingga tingkat tiga hanya dipakai untuk keputusan kecil yang mudah dibatalkan.
Mulailah dari satu keputusan berskor tertinggi di inventaris Anda, jalankan di tingkat rekomendatif selama satu kuartal, lalu putuskan apakah layak dinaikkan.
Pola ini jauh lebih murah daripada memasang rekomendasi di sepuluh proses sekaligus dan menemukan belakangan bahwa tidak ada yang memakainya.
Ingin melihat bagaimana data operasional Anda bisa jadi rekomendasi yang bisa ditindaklanjuti? Jadwalkan demo Mekari ERP
Referensi
- Gartner, “Gartner Announces the Top Data & Analytics Predictions”, 2025.
- Gartner, “Bridge AI and Business Outcomes With Decision Intelligence Trends” (CDAO Agenda Survey 2024).
- Undang-Undang No. 27 Tahun 2022 tentang Pelindungan Data Pribadi, Pasal 10.
- ISO/IEC 42001:2023, Information Technology Artificial intelligence Management system.
FAQ Seputar AI Decision Support
Apa itu AI decision support?
Apa itu AI decision support?
Lapisan sistem yang mengubah data operasional menjadi rekomendasi tindakan beserta alasan dan skor keyakinannya, sehingga pemilik keputusan tinggal menerima, mengubah, atau menolak.
Apa bedanya dengan business intelligence?
Apa bedanya dengan business intelligence?
BI menjawab apa yang sudah terjadi dan berhenti di laporan. AI decision support menjawab apa yang sebaiknya dilakukan, menyertakan alasan, dan meninggalkan catatan keputusan yang bisa ditinjau.
Keputusan mana yang sebaiknya didukung lebih dulu?
Keputusan mana yang sebaiknya didukung lebih dulu?
Yang berskor tertinggi pada rumus (F x N ÷ 1.000.000) x K, yaitu keputusan yang sering terjadi, bernilai dampak besar, dan masih mudah dibatalkan bila rekomendasinya meleset.
Apakah AI boleh mengambil keputusan sendiri?
Apakah AI boleh mengambil keputusan sendiri?
Boleh, tetapi hanya di dalam batas nilai dan skor keyakinan yang tertulis di kebijakan. Untuk keputusan yang menyentuh data pribadi, Pasal 10 UU PDP mengharuskan tersedianya jalur keberatan dan peninjauan oleh manusia.
Apa tanda penerapannya sedang bermasalah?
Apa tanda penerapannya sedang bermasalah?
Tingkat adopsi di bawah 60%, tingkat penolakan mendekati nol, atau cakupan bukti yang tidak pernah mencapai 100% karena keputusan masih diambil di luar sistem.