Perbandingan Prioritas Bauran Pemasaran 7P dengan Integrasi AI pada Perusahaan Saprotan MNC dan Nasional/Lokal.

Abstract

Industri sarana produksi pertanian (Saprotan) berperan penting dalam mendukung produktivitas usaha tani dan ketahanan pangan. Persaingan pada industri ini melibatkan perusahaan multinasional (MNC) dan perusahaan nasional/lokal yang berbeda dalam sumber daya, riset dan pengembangan, jangkauan distribusi, kekuatan merek, kedekatan pelanggan, dan kesiapan digital. Produk Saprotan bersifat teknis dan berisiko sehingga keputusan pembelian tidak hanya ditentukan oleh harga, tetapi juga oleh kualitas, kepercayaan, kompetensi tenaga lapangan, bukti performa, ketersediaan, dan layanan. Artificial intelligence (AI) menawarkan peluang untuk memperkuat analitik pemasaran, prediksi permintaan, personalisasi, pengelolaan hubungan pelanggan, dan efisiensi proses, tetapi penerapannya perlu disesuaikan dengan prioritas bisnis serta kesiapan perusahaan. Penelitian ini bertujuan menentukan prioritas kriteria dan subkriteria bauran pemasaran 7P pada perusahaan Saprotan MNC dan nasional/lokal, membandingkan pola prioritas kedua konteks, menganalisis posisi integrasi AI pada setiap elemen 7P, dan merumuskan implikasi manajerial dan rekomendasi implementasi. Kedua tipe perusahaan diperlakukan sebagai konteks analisis terpisah, bukan sebagai alternatif dalam satu hierarki. AI tidak ditempatkan sebagai elemen kedelapan, tetapi sebagai subkriteria pada Produk, Harga, Tempat, Promosi, Orang, Proses, dan Bukti Fisik sehingga perannya dianalisis sebagai pengungkit strategis. Penelitian menggunakan pendekatan deskriptif-komparatif dan metode Analytic Hierarchy Process (AHP). Data primer dikumpulkan pada Juni–Oktober 2025 melalui kuesioner perbandingan berpasangan kepada 12 panel ahli yang dipilih secara purposif dari unsur praktisi industri Saprotan, akademisi, agribisnis, pemasaran, konsultansi, dan pengambil keputusan. Setiap konteks mencakup tujuh kriteria dan 37 subkriteria. Instrumen menghasilkan 2.424 penilaian, 192 matriks individual, dan 16 matriks gabungan. Penilaian individual diagregasi menggunakan Aggregation of Individual Judgments dengan rata-rata geometrik. Konsistensi dinilai melalui Consistency Ratio (CR): CR = 0,10 dikategorikan baik, 0,10 < CR = 0,20 dapat ditoleransi, dan CR > 0,20 tidak digunakan. Sebanyak 185 matriks berkategori baik, tujuh dapat ditoleransi, dan tidak ada yang melebihi 0,20. CR matriks gabungan kriteria adalah 0,0093 untuk MNC dan 0,0060 untuk nasional/lokal. Pada tingkat kriteria, kedua konteks menunjukkan dua fondasi yang sama. Produk dan Orang menempati dua peringkat teratas pada MNC maupun nasional/lokal. Perbedaannya muncul pada prioritas ketiga: MNC menempatkan Promosi (0,1627), sedangkan nasional/lokal menempatkan Harga (0,1672). Dengan demikian, tingkat kriteria memberikan gambaran awal bahwa kedua konteks sama-sama bertumpu pada kualitas penawaran dan kualitas interaksi manusia, tetapi memiliki penekanan yang berbeda setelah dua fondasi tersebut. Pada perusahaan nasional/lokal, Produk sebesar 0,1930, Orang 0,1765, dan Harga 0,1672 merupakan tiga kriteria dengan bobot tertinggi. Lima prioritas global utama adalah Kompetensi dan Pengetahuan Tenaga Lapangan/Penjualan sebesar 0,0658, Kualitas dan Kinerja Produk Inti 0,0600, Efektivitas Komunikasi Pemasaran Langsung melalui Tenaga Lapangan dan Demplot 0,0570, Tingkat Harga Kompetitif 0,0548, serta Kualitas dan Dampak Demplot 0,0528. Kelimanya mencakup 29,04% total bobot global dan menunjukkan prioritas yang lebih tersebar pada eksekusi pasar, yaitu kemampuan tenaga lapangan, mutu produk, komunikasi langsung, keterjangkauan harga, dan pembuktian performa. Perbandingan kedua konteks menunjukkan bahwa kualitas produk dan kualitas interaksi dengan pasar sama-sama penting, tetapi sumber prioritasnya berbeda. MNC lebih terkonsentrasi pada inovasi, reputasi, profesionalisme, kualitas produk inti, dan kesesuaian harga dengan nilai, sedangkan nasional/lokal lebih menekankan kompetensi tenaga lapangan, mutu produk, komunikasi langsung, harga kompetitif, dan bukti melalui demplot. Total bobot global tujuh subkriteria AI mencapai 0,1290 atau 12,90% pada MNC dan 0,0734 atau 7,34% pada nasional/lokal, serta tidak ada subkriteria AI yang masuk sepuluh prioritas global tertinggi. AI karena itu lebih tepat diposisikan sebagai strategic enabler dalam struktur penelitian ini. Implikasi manajerial dan arah implementasi disusun terutama dari lima prioritas global utama pada masing-masing konteks. Keluaran tersebut merupakan sintesis pasca-AHP berdasarkan prioritas, karakteristik konteks perusahaan, dan literatur; bukan hubungan sebab-akibat, bukan prediksi kinerja, dan bukan alternatif strategi yang telah dibandingkan melalui AHP. Teknologi dan AI ditempatkan sebagai pendukung sesuai kebutuhan serta kesiapan data dan organisasi. Kebaruan penelitian terletak pada penggunaan dua hierarki AHP terpisah untuk membandingkan prioritas bauran pemasaran 7P pada perusahaan Saprotan MNC dan nasional/lokal serta penempatan AI sebagai subkriteria pada setiap elemen 7P. Hasil penelitian memberikan dasar prioritas dan arah implementasi yang perlu disesuaikan dengan kondisi masing-masing perusahaan.

The agricultural input industry plays an important role in supporting farm productivity and food security. Competition involves multinational companies (MNCs) and national/local companies that differ in resources, research and development capability, distribution reach, brand strength, customer proximity, and digital readiness. Agricultural inputs are technical and risk-sensitive products; therefore, purchase decisions are influenced not only by price but also by quality, trust, field-force competence, performance evidence, availability, and service. Artificial intelligence (AI) offers opportunities to strengthen marketing analytics, demand forecasting, personalization, customer relationship management, and process efficiency, but its application must be aligned with business priorities and organizational readiness. This study aims to determine the priorities of criteria and subcriteria of the 7P marketing mix in MNC and national/local agricultural input companies, compare the priority patterns of the two contexts, analyze the position of AI integration within each 7P element, and formulate managerial implications and implementation recommendations. The two company types are treated as separate analytical contexts rather than alternatives within a single hierarchy. AI is not positioned as an eighth element; instead, it is operationalized as a subcriterion under Product, Price, Place, Promotion, People, Process, and Physical Evidence, allowing its role to be examined as a strategic enabler. The study employs a descriptive-comparative approach and the Analytic Hierarchy Process (AHP). Primary data were collected from June to October 2025 through pairwise-comparison questionnaires completed by 12 purposively selected expert panelists representing agricultural input practitioners, academics, agribusiness, marketing, consulting, and strategic decision making. Each context comprises seven criteria and 37 subcriteria. The instrument generated 2,424 judgments, 192 individual matrices, and 16 aggregate matrices. Individual judgments were aggregated through the Aggregation of Individual Judgments using the geometric mean. Consistency was assessed using the Consistency Ratio (CR): CR = 0.10 was classified as good, 0.10 < CR = 0.20 as tolerable, and CR > 0.20 as unacceptable. Of the 192 individual matrices, 185 were classified as good, seven as tolerable, and none exceeded 0.20. The aggregate criteria matrices produced CR values of 0.0093 for MNCs and 0.0060 for national/local companies. At the criteria level, MNCs rank Product at 0.2333, People at 0.1647, and Promotion at 0.1627 as the three highest priorities. The criteria level is used as a macro-level overview, while the main discussion focuses on global subcriterion weights because these values integrate the parent-criterion weight and the local subcriterion weight. The five highest global priorities for MNCs are Product Innovation and Development at 0.0592, Brand and Product Reputation 0.0591, Professionalism and Work Ethics 0.0501, Core Product Quality and Performance 0.0501, and Price-Value Fit 0.0446. Together, they account for 26.31% of the total global weight and indicate a concentration of priorities around the development and credibility of the offering. For national/local companies, Product at 0.1930, People at 0.1765, and Price at 0.1672 are the three highest-weighted criteria. The five highest global priorities are Field/Sales Force Competence and Knowledge at 0.0658, Core Product Quality and Performance 0.0600, Effectiveness of Direct Marketing Communication through Field Staff and Demonstration Plots 0.0570, Competitive Price 0.0548, and Demonstration Plot Quality and Impact 0.0528. Together, they account for 29.04% of the total global weight and indicate priorities that are more dispersed across market execution, including field-force capability, product quality, direct communication, price accessibility, and performance evidence. Comparison of the two contexts shows that product quality and the quality of market interaction are important in both, but the sources of priority differ. MNC priorities are more concentrated on innovation, reputation, professionalism, core product quality, and price-value fit, whereas national/local priorities emphasize field-force competence, product quality, direct communication, competitive pricing, and demonstration-plot evidence. The aggregate global weight of the seven AI-related subcriteria is 0.1290 or 12.90% for MNCs and 0.0734 or 7.34% for national/local companies, and no AI-related subcriterion appears among the ten highest global priorities. AI is therefore more appropriately positioned as a strategic enabler within the structure of this study. Managerial implications and implementation directions are derived primarily from the five highest global priorities in each context. These outputs are post-AHP syntheses based on the priority results, company context, and relevant literature; they are not causal relationships, performance predictions, or strategy alternatives that were compared through AHP. Technology and AI are positioned as supporting enablers according to organizational needs and data readiness. The novelty of this study lies in the use of two separate AHP hierarchies to compare 7P marketing mix priorities in MNC and national/local agricultural input companies and in positioning AI as a subcriterion within every 7P element. The findings provide a priority basis and implementation directions that need to be adapted to the conditions of individual firms.