‹ Daftar slide
Pertemuan 11: Valuasi Investasi AI dan ROI
Valuasi Investasi AI dan ROI
Menghitung TCO, mengidentifikasi value drivers, mengukur ROI, dan menyusun business case inisiatif AI
Kecerdasan Buatan
Pertemuan 11 dari 14
CPL2 · CPL4 · CPL6
Agenda Pertemuan 11
Teori & Kerangka
- Mengapa valuasi AI itu sulit — dan penting
- Total Cost of Ownership (TCO): komponen lengkap
- Value Drivers: pendorong nilai investasi AI
- Kerangka pengukuran ROI untuk inisiatif AI
Aplikasi & Praktik
- Studi kasus: TCO dan ROI AI di perusahaan Indonesia
- Menyusun business case AI yang meyakinkan
- Latihan: kalkulasi ROI sederhana
- Pitfall umum valuasi AI yang harus dihindari
Fokus Utama: Mahasiswa mampu melakukan analisis dasar valuasi investasi AI dan menyusun kerangka business case untuk mengukur ROI (Sub-CPMK 11, C5).
Tujuan Pembelajaran
Setelah pertemuan ini, mahasiswa mampu:
Kognitif (C5 — Evaluasi)
- Menghitung Total Cost of Ownership (TCO) proyek AI dengan komponen lengkap
- Mengidentifikasi dan mengkuantifikasi value drivers inisiatif AI
- Mengevaluasi kelayakan investasi AI menggunakan framework ROI
Aplikatif (C5 — Sintesis)
- Menyusun business case AI yang terstruktur untuk manajemen puncak
- Membedakan benefit tangible dan intangible dalam valuasi AI
- Mengenali pitfall umum dalam valuasi ROI proyek AI
Sub-CPMK 11
CPMK-4
CPL2 · CPL6
Topik 1
Mengapa Valuasi AI Sulit — dan Kenapa Tetap Harus Dilakukan
Tantangan Khas Valuasi Investasi AI
Karakteristik AI yang Mempersulit Valuasi
- Manfaat intangible dominan: peningkatan kualitas keputusan, kepuasan pelanggan, brand — sulit dimonetisasi
- Biaya tersembunyi: data labeling, retraining, monitoring model, change management
- Manfaat lintas fungsi: AI fraud detection BCA menghemat biaya operasional DAN meningkatkan kepercayaan nasabah DAN mengurangi regulatory risk
- Time horizon panjang: ROI AI sering baru terlihat di tahun 2–3, bukan 6 bulan pertama
Jebakan Umum Perusahaan Indonesia
- Meremehkan biaya: hanya menghitung lisensi software, lupa biaya infrastruktur, SDM, dan data
- Melebih-lebihkan manfaat: vendor menjanjikan efisiensi 40%, realitas 15%
- Tidak ada baseline: tidak tahu kondisi sebelum AI, sehingga tidak bisa mengukur perbedaannya
- Pilot ≠ produksi: ROI di pilot (100 pengguna) tidak otomatis berskala ke produksi (10.000 pengguna)
Prinsip: Valuasi AI yang jujur lebih berharga dari valuasi AI yang optimis. CFO lebih menghargai proyeksi konservatif yang akurat daripada proyeksi agresif yang meleset.
Topik 2
Total Cost of Ownership (TCO) AI
Total Cost of Ownership (TCO): Komponen Lengkap
Biaya Investasi Awal (CAPEX)
- Infrastruktur: server GPU, cloud credits, data center upgrade
- Software & lisensi: platform ML (AWS SageMaker, Azure ML), tools annotation
- Data acquisition: pembelian dataset, biaya labeling dan anotasi
- Pengembangan model: biaya konsultan, vendor, atau tim internal
- Integrasi sistem: menghubungkan AI ke sistem ERP/CRM yang ada
Biaya Operasional Berkelanjutan (OPEX)
- Infrastruktur cloud: biaya komputasi per inference, storage data
- Pemeliharaan model: retraining berkala, monitoring drift, bug fixing
- SDM: data scientist, ML engineer, data engineer (gaji + benefit)
- Lisensi tahunan: API eksternal, software, platform manajemen AI
- Change management: pelatihan pengguna, pendampingan adopsi
Aturan Praktis: Biaya yang terlihat dalam proposal (hardware + software) biasanya hanya ~40% dari TCO nyata. Biaya SDM, data, pemeliharaan, dan change management menyumbang ~60% sisanya — dan sering diabaikan dalam proposal awal.
Coba Sendiri: Bongkar Satu Baris OPEX — Biaya API LLM
Salah satu komponen OPEX yang sering diremehkan adalah biaya API/inference per token. Ubah volume prompt dan tier model, lalu amati bagaimana biaya bulanannya membengkak.
Struktur TCO: Iceberg Biaya AI
Studi Kasus: Chatbot Layanan Pelanggan Telkom
| Komponen | Estimasi (Rp juta) |
|---|---|
| Platform chatbot (lisensi 1 th) | 500 |
| Pengembangan & integrasi awal | 800 |
| Data training (log percakapan) | 200 |
| Subtotal CAPEX (terlihat) | 1.500 |
| SDM (2 engineer, 1 th) | 720 |
| Cloud OPEX tahunan | 360 |
| Retraining & pembaruan konten | 240 |
| Pelatihan agen CS (change mgmt) | 180 |
| Subtotal OPEX (1 th) | 1.500 |
| TCO Tahun 1 | 3.000 |
*Angka ilustratif untuk konteks diskusi.
Coba Sendiri: Hitung TCO Chatbot Telkom
Ubah angka CAPEX dan OPEX pada kalkulator dan amati bagaimana proporsi biaya "tersembunyi" di bawah permukaan iceberg berubah terhadap total TCO.
Topik 3
Value Drivers: Pendorong Nilai Investasi AI
Taksonomi Value Drivers AI
Efisiensi Biaya
Pengurangan biaya langsung yang terukur
- Otomasi proses manual (labor cost reduction)
- Pengurangan error dan rework
- Efisiensi inventori (demand forecasting)
- Pengurangan biaya compliance via automation
Mudah dikuantifikasi
Peningkatan Pendapatan
Tambahan revenue dari kemampuan baru
- Peningkatan konversi via personalisasi
- Cross-sell dan upsell yang lebih tepat
- Churn reduction → lifetime value naik
- Produk dan layanan baru berbasis AI
Perlu asumsi baseline
Nilai Strategis
Manfaat jangka panjang yang sulit dikuantifikasi
- Competitive advantage dan data moat
- Kecepatan inovasi (time-to-market lebih cepat)
- Peningkatan reputasi dan brand
- Kapabilitas organisasi jangka panjang
Sulit dikuantifikasi
Strategi Valuasi: Untuk persetujuan manajemen, prioritaskan efisiensi biaya (paling konkret) sebagai anchor ROI, perkuat dengan peningkatan pendapatan (dengan asumsi konservatif), dan sebutkan nilai strategis sebagai upside yang tidak terhitung.
Value Drivers AI: Kasus Nyata Indonesia
| Perusahaan | Inisiatif AI | Value Driver Utama | Cara Mengukur |
|---|---|---|---|
| BRImo (BRI) | AI fraud detection transaksi mobile banking | Pengurangan kerugian fraud + penghematan biaya investigasi manual | Fraud loss sebelum vs sesudah AI; false positive rate; waktu investigasi per kasus |
| Tokopedia | Rekomendasi produk AI berbasis perilaku pengguna | Peningkatan GMV per sesi; cross-sell rate; basket size | A/B test: pengguna dengan vs tanpa rekomendasi AI; average order value |
| Gojek | Dynamic pricing dan demand forecasting | Utilisasi driver meningkat; surge lebih terprediksi; pendapatan per jam driver naik | Driver utilization rate; cancellation rate; rata-rata pendapatan per driver/jam |
| Telkom | Chatbot AI layanan pelanggan (virtual assistant) | Pengurangan call volume ke contact center; CSAT tetap terjaga | Jumlah tiket terselesaikan oleh bot; biaya per resolusi; NPS/CSAT score |
Pola: Value driver paling kuat untuk business case selalu memiliki baseline yang jelas (fraud rate sebelumnya, conversion rate lama) dan dapat diuji dengan A/B test atau time-series comparison.
Topik 4
Mengukur ROI Inisiatif AI
Kerangka Pengukuran ROI Inisiatif AI
Formula Dasar ROI
ROI (%) = [(Total Benefit − Total Cost) / Total Cost] × 100
Payback Period = Total Cost / Annual Benefit
Catatan: gunakan rentang waktu yang sama untuk Cost dan Benefit (biasanya 3 tahun untuk proyek AI).
Kategori Benefit yang Dihitung
- Hard benefit: penghematan biaya SDM, pengurangan fraud loss, peningkatan revenue terukur
- Soft benefit: peningkatan CSAT, NPS, brand — diakui tapi tidak dimasukkan angka ROI utama
- Risk reduction: compliance risk, reputational risk — perkiraan probability × impact
Contoh Kalkulasi: Chatbot Telkom
| Item | Th 1 (Rp juta) | Th 2 | Th 3 |
|---|---|---|---|
| COST | |||
| TCO (CAPEX + OPEX) | 3.000 | 1.500 | 1.500 |
| Total Cost (3 th) | 6.000 | ||
| BENEFIT | |||
| Penghematan agen CS (15 agen) | 900 | 900 | 900 |
| Penurunan call volume (est. ~30%) | 600 | 720 | 840 |
| Peningkatan CSAT → churn ↓ | 200 | 400 | 600 |
| Total Benefit (3 th) | 6.060 | ||
| ROI 3 tahun = (6.060 − 6.000) / 6.000 × 100 = ~1% | |||
*Angka ilustratif. ROI rendah di sini bukan karena AI tidak berguna, tapi karena asumsi manfaat konservatif. Benefit "peningkatan CSAT" sulit dimonetisasi secara akurat.
Coba Sendiri: Hitung ROI Chatbot Telkom
Ubah angka cost dan benefit tahunan pada kalkulator ROI dan amati bagaimana persentase ROI dan payback period berubah seketika.
Pitfall Umum dalam Kalkulasi ROI AI
Kesalahan di Sisi Cost
- Hanya menghitung biaya vendor: lupa biaya SDM internal dan manajemen proyek
- Tidak menghitung opportunity cost: tim yang mengerjakan AI tidak bisa mengerjakan proyek lain
- Underestimate data cost: cleaning, labeling, dan pipeline data sering 2–3× lebih mahal dari perkiraan
- Abaikan biaya kegagalan: probabilitas pilot gagal, biaya restart proyek
Kesalahan di Sisi Benefit
- Attribution error: revenue naik 20% — apakah karena AI atau karena pasar yang tumbuh?
- Double counting: menghitung penghematan SDM dan peningkatan produktivitas secara terpisah padahal sama
- Asumsi adoption rate 100%: realita: banyak pengguna tidak menggunakan AI karena resistensi perubahan
- Tidak discount future benefit: Rp 1 miliar tahun depan tidak sama nilainya dengan Rp 1 miliar hari ini
Best Practice: Gunakan skenario konservatif, moderat, dan optimistis untuk ROI. Presentasikan ketiganya ke manajemen — tunjukkan bahwa bahkan dalam skenario konservatif, proyek masih layak secara bisnis.
Topik 5
Menyusun Business Case AI
Struktur Business Case AI yang Meyakinkan
1. Executive Summary (1 halaman)
- Masalah bisnis yang ingin diselesaikan
- Solusi AI yang diusulkan (satu kalimat)
- Investasi yang dibutuhkan + projected ROI
- Rekomendasi: Go / No-Go / Pilot First
2. Problem Statement
- Data tentang masalah saat ini (baseline)
- Dampak finansial masalah ini ke perusahaan
- Mengapa masalah ini perlu diselesaikan sekarang?
3. Solusi AI yang Diusulkan
- Deskripsi solusi (non-teknis)
- Alternatif yang sudah dipertimbangkan
- Mengapa AI (vs. solusi lain)
4. Analisis Keuangan
- TCO (CAPEX + OPEX, 3 tahun)
- Proyeksi manfaat (hard + soft)
- ROI, payback period, 3 skenario
5. Analisis Risiko
- Risiko teknis (model tidak perform)
- Risiko adopsi (pengguna tidak pakai)
- Risiko data (kualitas, privasi)
- Mitigasi untuk setiap risiko
6. Roadmap & Next Steps
- Fase pilot (scope, timeline, budget kecil)
- Kriteria sukses pilot (go/no-go metric)
- Timeline produksi jika pilot berhasil
Latihan: Menyusun Business Case AI
Skenario: AI Credit Scoring untuk Koperasi Digital Indonesia
Sebuah koperasi simpan pinjam digital di Indonesia memiliki 50.000 anggota aktif. Non-Performing Loan (NPL) mereka saat ini ~12% — jauh di atas rata-rata industri ~4%. Tim analis kredit (15 orang) membutuhkan 3–5 hari untuk memproses setiap aplikasi pinjaman secara manual. Manajemen mengusulkan implementasi AI credit scoring untuk menggantikan sebagian proses manual.
Data yang tersedia untuk Anda:
- Volume aplikasi: ~500 aplikasi/bulan
- Rata-rata pinjaman: Rp 10 juta/anggota
- Gaji analis kredit: Rp 6 juta/bulan (termasuk benefit)
- Estimasi platform AI credit scoring: Rp 1,2 miliar/tahun (lisensi + cloud)
- Setup awal (integrasi data + training): Rp 800 juta
- Benchmark industri: AI credit scoring mengurangi NPL ~3–5 percentage point
Tugas kelompok (15 menit):
- Hitung TCO tahun pertama (CAPEX + OPEX)
- Identifikasi minimal 3 value drivers dengan cara mengukurnya
- Estimasi benefit tahunan dari penurunan NPL 3 pp saja
- Hitung ROI sederhana (1 tahun) dan payback period
- Rekomendasi: Go / No-Go / Pilot First — dan alasannya
Hint Kalkulasi NPL: Jika 500 aplikasi/bulan × Rp 10 juta = Rp 5 miliar/bulan portofolio baru; NPL turun 3 pp = penghematan ~Rp 150 juta/bulan = Rp 1,8 miliar/tahun.
Mengukur Keberhasilan AI Setelah Implementasi
Metrik Kinerja Model AI (Technical KPI)
| Metrik | Definisi | Target Tipikal |
|---|---|---|
| Accuracy | % prediksi yang benar | >90% (tergantung use case) |
| Precision | % true positive dari semua prediksi positif | >85% (fraud detection) |
| Recall | % fraud/masalah yang berhasil dideteksi | >80% (lebih tinggi = lebih baik) |
| Latency | Waktu respons model per request | <200 ms (real-time) |
| Drift score | Pergeseran distribusi data input | Monitor bulanan |
Metrik Dampak Bisnis (Business KPI)
| Use Case | Business KPI |
|---|---|
| Fraud detection | Fraud loss (Rp), false positive rate, recovery time |
| Credit scoring | NPL rate, approval time, cost per application |
| Rekomendasi produk | CTR, conversion rate, basket size, GMV uplift |
| Chatbot CS | Resolution rate, CSAT, cost per ticket, deflection rate |
| Demand forecasting | Inventory turnover, stockout rate, overstock cost |
Prinsip: Technical KPI memastikan model berfungsi dengan benar. Business KPI memastikan model memberikan nilai. Keduanya harus dipantau — model yang akurat secara teknis tapi tidak berdampak bisnis tetap gagal.
Rangkuman Pertemuan 11
Konsep Utama
- TCO AI = CAPEX + OPEX multi-tahun; biaya tersembunyi (~60%) sering diabaikan
- Value drivers: efisiensi biaya (mudah hitung) → peningkatan revenue (butuh asumsi) → nilai strategis (sulit kuantifikasi)
- ROI = (Benefit − Cost) / Cost × 100; selalu gunakan 3 skenario (konservatif, moderat, optimistis)
- Business case AI: mulai dari masalah bisnis, bukan dari teknologi
Prinsip untuk Manajer
- Valuasi AI yang jujur dan konservatif lebih meyakinkan dari yang optimis berlebihan
- Definisikan metric keberhasilan sebelum implementasi, bukan sesudah
- ROI bukan satu-satunya pertimbangan: risiko strategis jika tidak berinvestasi AI juga harus dihitung
- Mulai kecil (pilot) → ukur → scale: lebih aman dari big-bang implementation
"The question is not whether to invest in AI — it's whether you can afford not to, and how to do it wisely."
— Adaptasi dari Iansiti & Lakhani, Competing in the Age of AI (2020)
— Adaptasi dari Iansiti & Lakhani, Competing in the Age of AI (2020)
Tugas & Preview Pertemuan 12
Tugas Individu (Deadline: Pertemuan 12)
Mini Business Case AI:
- Pilih satu perusahaan Indonesia (nyata) dan satu inisiatif AI spesifik
- Susun TCO 3 tahun dengan komponen CAPEX + OPEX yang lengkap
- Identifikasi 3 value drivers dan cara mengukurnya
- Hitung ROI 3 tahun dengan 2 skenario (konservatif dan moderat)
- Berikan rekomendasi Go / No-Go / Pilot First beserta justifikasi 1 paragraf
- Format: 2–3 halaman, PDF, termasuk tabel kalkulasi
Bobot: 10% | Kriteria: Rubrik Analitik Business Case
Referensi untuk Tugas Ini
- Iansiti, M., & Lakhani, K. R. (2020). Competing in the Age of AI. Ch. 8. HBR Press.
- Marr, B. (2025). AI Strategy. Ch. 9–10. Wiley.
- Almeida, I. (2024). AI Fundamentals for Business Leaders. Ch. 9. Now Next Later.
Preview Pertemuan 12: Manajemen Risiko AI
- Kerangka risiko AI: teknis, etis, regulatoris, reputasional
- AI governance dan risk management di perusahaan Indonesia
- Sub-CPMK 12: merumuskan kerangka manajemen risiko AI
Baca: Marr (2025) Ch. 11–12 · Farri & Rosani (2025) Ch. 7–8
Kecerdasan Buatan · PEBD6026 · Program Studi S1 Bisnis Digital
Fakultas Ekonomika dan Bisnis · Universitas Diponegoro
Fakultas Ekonomika dan Bisnis · Universitas Diponegoro
📖 Baca juga: Dcf Valuation — penjelasan mendalam dan contoh numerik.