Optimalisasi Sistem Informasi Kepuasan Pelanggan dan Posisi Bersaing PT Sage Mashlahat Indonesia Berbasis Artificial Intelligence Marketing: Hilirisasi Kepakaran Perguruan Tinggi untuk Dunia Usaha

Retno Sari Mahanani; Bagus Putu Yudhia Kurniawan; Khafidurrohman Agustianto; Taufik Hidayat; Andarula Galushasti; Ida Adha Anrosana Pongoh; Taufiq Rizaldi

doi:10.25047/agrimas.v4i1.57

Optimalisasi Sistem Informasi Kepuasan Pelanggan dan Posisi Bersaing PT Sage Mashlahat Indonesia Berbasis Artificial Intelligence Marketing: Hilirisasi Kepakaran Perguruan Tinggi untuk Dunia Usaha

Authors

Retno Sari Mahanani , Bagus Putu Yudhia Kurniawan , Khafidurrohman Agustianto , Taufik Hidayat , Andarula Galushasti , Ida Adha Anrosana Pongoh , Taufiq Rizaldi

DOI:

10.25047/agrimas.v4i1.57

Published:

15 May 2025 - 00:00

Issue:

Vol. 4 No. 1 (2025): APRIL (IN PROGRESS)

Keywords:

kecerdasan pemasaran buatan, sistem informasi, kepuasan pelanggan, posisi bersaing

Articles

Downloads

PDF

How to Cite

Mahanani, R. S., Kurniawan, B. P. Y., Agustianto, K., Hidayat, T., Galushasti, A., Pongoh, I. A. A., & Rizaldi, T. (2025). Optimalisasi Sistem Informasi Kepuasan Pelanggan dan Posisi Bersaing PT Sage Mashlahat Indonesia Berbasis Artificial Intelligence Marketing: Hilirisasi Kepakaran Perguruan Tinggi untuk Dunia Usaha. Agrimas : Jurnal Pengabdian Masyarakat Bidang Pertanian, 4(1), 1–7. https://doi.org/10.25047/agrimas.v4i1.57

Download Citation

Downloads

Download data is not yet available.

Metrics

Metrics Loading ...

Abstract

Kegiatan pengabdian kepada masyarakat ini bertujuan mengimplementasikan hilirisasi kepakaran dalam bidang manajemen pemasaran dan teknologi informasi melalui pengembangan sistem informasi kepuasan pelanggan dan posisi bersaing perusahaan berbasis artificial intelligence (AI) pada PT Sage Mashlahat Indonesia (PT SMI), produsen benih jagung dan padi hibrida. Permasalahan utama yang dihadapi mitra adalah belum tersedianya sistem terkomputerisasi untuk memantau dan mengevaluasi kepuasan pelanggan serta posisi bersaing perusahaan secara real-time. Kegiatan dilaksanakan dalam empat tahap, yaitu pengumpulan database dan analisis, pemodelan AI menggunakan metode backpropagation, implementasi sistem informasi berbasis web, serta diseminasi luaran. Hasil kegiatan menunjukkan bahwa sistem AI yang dikembangkan mampu menampilkan indikator-indikator kunci dalam bentuk visualisasi data yang akurat dan informatif, seperti retensi pelanggan, loyalitas, tingkat rekomendasi, dan keunggulan bersaing berbasis harga, kualitas, dan inovasi. Sistem ini terbukti meningkatkan efektivitas pengambilan keputusan manajemen PT SMI. Selain itu, kegiatan ini memperkuat kolaborasi strategis antara perguruan tinggi dan dunia usaha serta memberi pengalaman langsung kepada mahasiswa melalui keterlibatan dalam program magang industri. Pengabdian ini menunjukkan bahwa integrasi AI dalam sistem informasi perusahaan dapat menjadi solusi strategis dalam meningkatkan daya saing berbasis teknologi.

References

[1] Haenlein, M., Huang, M.-H., & Kaplan, A. (2022). Business ethics in the era of artificial intelligence. Journal of Business Ethics, 178(4), 867–869. https://doi.org/10.1007/s10551-022-05060-x

[2] Chen, Q., Gong, Y., Lu, Y., & Tang, J. (2022). Classifying and measuring the service quality of AI chatbot in frontline service. Journal of Business Research, 145, 552–568. https://doi.org/10.1016/j.jbusres.2022.02.088

[3] Nguyen, D. T., Pham, V. T., Tran, D. M., & Pham, D. B. T. (2020). Impact of Service Quality, Customer Satisfaction and Switching Costs on Customer Loyalty. The Journal of Asian Finance, Economics and Business, 7(8), 395–405. https://doi.org/10.13106/jafeb.2020.vol7.no8.395

[4] Porter, M. E. (2008). Competitive Strategy: Techniques for Analyzing Industries and Competitors. Free Press.

[5] Chui, M., Singla, A., Sukharevsky, A., Gupta, S., Jena, A., Ortaoglu, B., Seitz, B., & Zhang, L. (2023). The state of AI in 2023: Generative AI’s breakout year. McKinsey & Company. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai-in-2023-generative-ais-breakout-year

[6] Parasuraman, A., Zeithaml, V. A., & Berry, L. L. (1985). A Conceptual Model of Service Quality and Its Implications for Future Research. Journal of Marketing, 49(4), 41–50. https://doi.org/10.1177/002224298504900403

[7] Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2016). Multivariate Data Analysis (7th ed.). Pearson Education.

[8] Dreiseitl, S., & Ohno-Machado, L. (2002). Logistic regression and artificial neural network classification models: A methodology review. Journal of Biomedical Informatics, 35(5–6), 352–359. https://doi.org/10.1016/S1532-0464(03)00034-0

[9] Etzkowitz, H., & Leydesdorff, L. (2000). The dynamics of innovation: from National Systems and "Mode 2" to a Triple Helix of university–industry–government relations. Research Policy, 29(2), 109–123. https://doi.org/10.1016/S0048-7333(99)00055-4

[10] Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric Theory (3rd ed.). McGraw-Hill.

[11] LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539

[12] Sharma, R., Mithas, S., & Kankanhalli, A. (2014). Transforming decision-making processes: a research agenda for understanding the impact of business analytics on organisations. European Journal of Information Systems, 23(4), 433–441. https://doi.org/10.1057/ejis.2014.17

[13] Trilling, B., & Fadel, C. (2009). 21st Century Skills: Learning for Life in Our Times. Jossey-Bass.

[14] FAO. (2022). Digital Agriculture: Building Sustainable and Inclusive Future. Food and Agriculture Organization of the United Nations. https://doi.org/10.4060/cb9881en