Konsep Dasar Business Intelligence & Data-Driven Decision Making

Tujuan Pembelajaran

1. Menjelaskan pengertian Business Intelligence dan komponen utamanya.
2. Membedakan data, informasi, pengetahuan, dan kebijaksanaan (hierarki DIKW).
3. Menjelaskan proses pengambilan keputusan berbasis data dan jenis-jenis keputusan.
4. Menjelaskan posisi BI di antara sistem informasi lain (TPS, MIS, DSS, ERP).

1. Apa itu Business Intelligence?

Business Intelligence (BI), atau kecerdasan bisnis, adalah gabungan arsitektur, alat, basis data, aplikasi analitik, dan metodologi untuk mengumpulkan, menyimpan, menganalisis, dan menyajikan data. Tujuannya membantu pengguna bisnis mengambil keputusan yang lebih baik. Istilah ini dipopulerkan Howard Dresner (Gartner) pada akhir 1980-an sebagai payung untuk "konsep dan metode memperbaiki keputusan bisnis dengan sistem pendukung berbasis fakta".

Dalam satu kalimat: BI mengubah data mentah menjadi informasi yang dapat ditindaklanjuti (actionable insight).

Komponen utama BI

2. Hierarki Data → Informasi → Pengetahuan → Kebijaksanaan (DIKW)

BI bekerja terutama di tingkat data → informasi → pengetahuan. Keputusan akhir tetap diambil manusia.

3. Data-Driven Decision Making (DDDM)

DDDM adalah praktik mendasarkan keputusan pada analisis data, bukan semata intuisi, kebiasaan, atau pendapat orang dengan jabatan tertinggi (dikenal sebagai HiPPO — Highest Paid Person's Opinion).

Model keputusan Simon

Herbert Simon membagi proses keputusan menjadi empat fase. BI berperan di setiap fase:

Jenis keputusan menurut tingkat manajemen

4. Hubungan BI dengan Sistem Informasi Lain

OLTP vs OLAP

5. Manfaat dan Tantangan BI

Ringkasan

• BI adalah gabungan teknologi, proses, dan manusia untuk mengubah data menjadi insight bagi keputusan.
• DDDM menempatkan fakta sebagai dasar keputusan di setiap fase (intelligence, design, choice, implementation).
• BI berbeda dari sistem transaksi (OLTP): BI fokus pada analisis data historis yang terintegrasi (OLAP).

Arsitektur BI: ETL, Data Warehouse, OLAP & Dashboard

Tujuan Pembelajaran

1. Menggambarkan lapisan-lapisan arsitektur BI dan aliran datanya.
2. Menjelaskan fungsi ETL, staging area, data warehouse, dan data mart.
3. Menjelaskan konsep OLAP (kubus data) beserta operasinya.
4. Membedakan arsitektur BI tradisional dan modern (data lake, cloud, self-service BI).

1. Lapisan Arsitektur BI

2. ETL dan Staging Area

ETL (Extract, Transform, Load) adalah proses memindahkan data dari sistem sumber ke data warehouse:

• Extract: mengambil data dari sumber, baik penuh (full load) maupun hanya yang berubah (incremental).
• Transform: membersihkan, menyeragamkan format, menggabungkan, dan menghitung kolom turunan.
• Load: memuat ke tabel tujuan di data warehouse.

Staging area adalah tempat penampungan sementara agar proses transformasi tidak membebani sistem sumber. Variasi modern adalah ELT: data dimuat dulu ke penyimpanan (cloud) lalu ditransformasi di sana. Detail ETL dibahas di Pertemuan 5.

3. Data Warehouse dan Data Mart

Bill Inmon mendefinisikan data warehouse sebagai kumpulan data yang:

Data mart adalah bagian data warehouse untuk satu departemen atau proses bisnis, misalnya data mart penjualan untuk bagian pemasaran.

Dua pendekatan pembangunan

4. OLAP dan Kubus Data

OLAP (Online Analytical Processing) memungkinkan analisis multidimensi secara cepat. Data dibayangkan sebagai kubus: sumbu-sumbunya adalah dimensi (waktu, produk, toko), dan isinya adalah ukuran/measure (penjualan, qty, laba).

Jenis implementasi: MOLAP (kubus disimpan khusus, sangat cepat), ROLAP (langsung di database relasional dengan SQL), dan HOLAP (gabungan). Power BI menggunakan model tabular in-memory (VertiPaq) yang secara konsep mirip MOLAP.

Contoh roll-up dengan SQL:

SELECT YEAR(tanggal) AS tahun, MONTH(tanggal) AS bulan, SUM(total) AS penjualan
FROM penjualan
GROUP BY YEAR(tanggal), MONTH(tanggal) WITH ROLLUP;   -- menambah baris subtotal & grand total

5. Lapisan Penyajian

6. Arsitektur BI Modern

• Data lake: menyimpan data mentah dalam segala format (termasuk tidak terstruktur) dengan biaya murah.
• Lakehouse: menggabungkan fleksibilitas data lake dengan struktur dan performa data warehouse.
• Cloud BI: Power BI Service, Google Looker Studio, Tableau Cloud. Tanpa server sendiri dan mudah dibagikan.
• Self-service BI: pengguna bisnis membuat analisis sendiri tanpa menunggu tim TI.
• Real-time/streaming BI: data diproses saat terjadi, misalnya pemantauan transaksi kasir secara langsung.

Ringkasan

• Arsitektur BI terdiri atas lapisan sumber, integrasi (ETL), penyimpanan (DW/data mart), analitik (OLAP), dan penyajian.
• Data warehouse bersifat subject-oriented, integrated, time-variant, dan non-volatile.
• OLAP memandang data sebagai kubus dengan operasi roll-up, drill-down, slice, dice, dan pivot.

Peran BI dalam Organisasi & Implementasi di Industri

Tujuan Pembelajaran

1. Menjelaskan peran BI pada tingkat strategis, taktis, dan operasional.
2. Menganalisis penerapan BI di berbagai industri.
3. Mengukur tingkat kematangan analitik (analytics maturity) sebuah organisasi.
4. Menjelaskan faktor keberhasilan dan kegagalan proyek BI.

1. BI sebagai Sumber Keunggulan Bersaing

Davenport & Harris dalam Competing on Analytics menyebut organisasi yang unggul adalah organisasi yang menjadikan analitik sebagai kapabilitas strategis, bukan sekadar alat pelaporan. Ciri-cirinya:

• Analitik mendukung kapabilitas pembeda yang strategis (misalnya rekomendasi produk, penetapan harga).
• Pendekatan analitik dikelola di tingkat organisasi, bukan per departemen terpisah.
• Pimpinan puncak berkomitmen dan memberi contoh pengambilan keputusan berbasis data.
• Organisasi berinvestasi besar pada data, teknologi, dan talenta analitik.

2. Peran BI per Fungsi Organisasi

3. Contoh Implementasi BI di Industri

4. Tingkat Kematangan Analitik

Model lima tahap DELTA dari Davenport & Harris:

Faktor DELTA yang menentukan kematangan: Data, Enterprise (cakupan organisasi), Leadership, Targets (sasaran analitik), dan Analysts.

5. Faktor Keberhasilan & Kegagalan Proyek BI

Ringkasan

• BI berperan di semua tingkat manajemen dan fungsi organisasi.
• Kematangan analitik ditentukan oleh data, cakupan organisasi, kepemimpinan, sasaran, dan analis (DELTA).
• Proyek BI berhasil bila berangkat dari kebutuhan bisnis dan diadopsi pengguna.

Identifikasi Kebutuhan Data dari Berbagai Sumber

Tujuan Pembelajaran

1. Menurunkan kebutuhan data dari pertanyaan dan tujuan bisnis.
2. Mengklasifikasikan data menurut sumber (internal/eksternal) dan struktur (terstruktur, semi-terstruktur, tidak terstruktur).
3. Menyusun KPI yang memenuhi kriteria SMART.
4. Menyusun matriks kebutuhan data dan menilai kualitas sumber data.

1. Dari Tujuan Bisnis ke Kebutuhan Data

Kesalahan umum dalam proyek BI adalah mulai dengan bertanya "data apa yang kita punya?". Pendekatan yang benar adalah top-down:

Tujuan bisnis → Pertanyaan bisnis → KPI/metrik → Dimensi analisis → Data yang dibutuhkan → Sumber data

Contoh Melayu Mart:

Teknik penggalian kebutuhan

• Wawancara dengan pemangku kepentingan: keputusan apa yang Anda ambil rutin? Informasi apa yang kurang?
• Analisis dokumen: laporan Excel yang selama ini dibuat manual adalah petunjuk kebutuhan terbaik.
• Workshop/FGD: menyepakati definisi KPI lintas departemen.
• Observasi proses bisnis dan sistem yang berjalan.

2. Klasifikasi Sumber Data

Berdasarkan asal

Berdasarkan struktur

Diperkirakan sebagian besar data organisasi berbentuk tidak terstruktur. Agar bisa dianalisis BI, data ini perlu diubah menjadi bentuk terstruktur, misalnya teks ulasan diubah menjadi kolom sentimen (positif/negatif) dan topik.

3. Merumuskan KPI yang Baik

KPI (Key Performance Indicator) adalah metrik yang paling menentukan keberhasilan tujuan. Tidak semua metrik adalah KPI. KPI yang baik memenuhi kriteria SMART: Specific, Measurable, Achievable, Relevant, Time-bound.

Bedakan juga leading indicator (memprediksi, misal jumlah pengunjung toko) dan lagging indicator (hasil akhir, misal laba bulanan).

Kamus KPI

Setiap KPI didokumentasikan dalam kamus agar semua pihak memakai definisi yang sama:

4. Menilai Sumber Data

Sebelum dipakai, setiap sumber dinilai berdasarkan dimensi kualitas data:

5. Matriks Kebutuhan Data (Bus Matrix)

Kimball menggunakan bus matrix untuk memetakan proses bisnis terhadap dimensi. Matriks ini menjadi cetak biru data warehouse (Pertemuan 6).

Ringkasan

• Kebutuhan data diturunkan dari tujuan dan pertanyaan bisnis, bukan dari data yang kebetulan tersedia.
• Data diklasifikasi menurut asal (internal/eksternal) dan struktur (terstruktur, semi, tidak terstruktur).
• KPI harus SMART dan terdokumentasi dalam kamus KPI.

Proses ETL: Extract, Transform, Load Menggunakan Tools

Tujuan Pembelajaran

1. Menjelaskan tahapan ETL dan jenis-jenis transformasi data.
2. Mengidentifikasi masalah kualitas data dan cara menanganinya.
3. Melakukan ETL sederhana menggunakan Power Query (Excel/Power BI) dan SQL (MySQL Laragon).

1. Tahap Extract

Sumber yang umum: koneksi database (MySQL, SQL Server), file (CSV, Excel), API web (JSON), dan folder berisi banyak file.

2. Tahap Transform

Masalah kualitas data yang umum

Jenis transformasi

• Cleansing: memperbaiki/membuang data salah.
• Standardisasi: menyeragamkan format, satuan, dan kode.
• Derivasi: menghitung kolom baru, misalnya total = qty × harga − diskon atau margin.
• Integrasi/penggabungan: merge (join kolom) dan append (gabung baris).
• Agregasi: meringkas ke tingkat tertentu (harian per toko).
• Pivot/unpivot: mengubah bentuk tabel lebar ↔ panjang.
• Surrogate key: memberi kunci pengganti untuk tabel dimensi (dibahas di Pertemuan 6).

3. Tahap Load

• Initial load: pemuatan pertama seluruh data historis.
• Incremental load: menambahkan data baru secara berkala (harian/jam).
• Full refresh: hapus lalu muat ulang (untuk tabel kecil).

Setelah load, lakukan validasi rekonsiliasi: jumlah baris dan total nilai di sumber harus sama dengan di tujuan.

4. Tools ETL

5. Studi Kasus: ETL dengan Power Query

File penjualan_maret.csv dari POS dan master_produk.xlsx dari gudang akan digabung dan dibersihkan.

1. Extract: Power BI Desktop → Get Data → Text/CSV → pilih file → Transform Data (membuka Power Query Editor).
2. Ubah tipe: kolom tanggal → Date (pilih Using Locale → Indonesian bila formatnya dd/mm/yyyy), qty → Whole Number, harga → Fixed Decimal.
3. Bersihkan teks: pilih kolom kota → Transform → Format → Trim lalu Capitalize Each Word.
4. Buang duplikat: pilih kolom no_struk dan kode_produk → Remove Rows → Remove Duplicates.
5. Filter tidak valid: filter qty > 0.
6. Kolom turunan: Add Column → Custom Column: [qty] * [harga] - [diskon] beri nama total.
7. Merge dengan master produk berdasarkan kode_produk (Left Outer), lalu expand kolom kategori dan harga_pokok.
8. Load: Close & Apply.

Setiap langkah tercatat di panel Applied Steps dalam bahasa M, sehingga ETL bisa diulang otomatis saat Refresh:

let
    Sumber      = Csv.Document(File.Contents("C:\data\penjualan_maret.csv"), [Delimiter=",", Encoding=65001]),
    Header      = Table.PromoteHeaders(Sumber),
    Tipe        = Table.TransformColumnTypes(Header, {{"tanggal", type date}, {"qty", Int64.Type}, {"harga", Currency.Type}, {"diskon", Currency.Type}}, "id-ID"),
    RapiKota    = Table.TransformColumns(Tipe, {{"kota", each Text.Proper(Text.Trim(_)), type text}}),
    TanpaGanda  = Table.Distinct(RapiKota, {"no_struk", "kode_produk"}),
    Valid       = Table.SelectRows(TanpaGanda, each [qty] > 0),
    Total       = Table.AddColumn(Valid, "total", each [qty] * [harga] - [diskon], Currency.Type),
    Gabung      = Table.NestedJoin(Total, {"kode_produk"}, master_produk, {"kode_produk"}, "mp", JoinKind.LeftOuter),
    Hasil       = Table.ExpandTableColumn(Gabung, "mp", {"kategori", "harga_pokok"})
in
    Hasil

6. Studi Kasus: ETL dengan SQL (MySQL Laragon)

-- 1) EXTRACT: muat CSV ke tabel staging (data mentah, semua teks)
CREATE TABLE stg_penjualan (
  no_struk VARCHAR(20), tanggal VARCHAR(20), kode_toko VARCHAR(10), kota VARCHAR(50),
  kode_produk VARCHAR(10), qty VARCHAR(10), harga VARCHAR(20), diskon VARCHAR(20)
);
-- (impor CSV melalui SQLyog: Import → Import External Data / CSV)

-- 2) TRANSFORM + 3) LOAD ke tabel bersih
CREATE TABLE penjualan_bersih AS
SELECT DISTINCT
  TRIM(no_struk)                                   AS no_struk,
  STR_TO_DATE(tanggal, '%d/%m/%Y')                 AS tanggal,
  UPPER(TRIM(kode_toko))                           AS kode_toko,
  CONCAT(UPPER(LEFT(TRIM(kota),1)), LOWER(SUBSTRING(TRIM(kota),2))) AS kota,
  UPPER(TRIM(kode_produk))                         AS kode_produk,
  CAST(qty AS SIGNED)                              AS qty,
  CAST(harga AS DECIMAL(12,2))                     AS harga,
  CAST(IFNULL(NULLIF(diskon,''),'0') AS DECIMAL(12,2)) AS diskon,
  CAST(qty AS SIGNED) * CAST(harga AS DECIMAL(12,2))
    - CAST(IFNULL(NULLIF(diskon,''),'0') AS DECIMAL(12,2)) AS total
FROM stg_penjualan
WHERE CAST(qty AS SIGNED) > 0;

-- 4) VALIDASI rekonsiliasi
SELECT COUNT(*), SUM(total) FROM penjualan_bersih;

Ringkasan

• Extract dapat dilakukan penuh, inkremental, atau CDC.
• Transform menangani masalah kualitas data: missing, duplikat, format, inkonsistensi, outlier, dan kode berbeda.
• Power Query dan SQL dapat dipakai untuk ETL sederhana; langkahnya terdokumentasi dan dapat diulang.

Integrasi Data ke Data Warehouse & Skema Bintang

Tujuan Pembelajaran

1. Menjelaskan pemodelan dimensional: tabel fakta, tabel dimensi, grain, dan measure.
2. Merancang star schema dengan empat langkah Kimball.
3. Membedakan star schema dan snowflake schema.
4. Membangun dan mengisi star schema sederhana di MySQL.

1. Pemodelan Dimensional

Jenis measure

• Aditif: dapat dijumlahkan pada semua dimensi (qty, total penjualan).
• Semi-aditif: dapat dijumlahkan pada sebagian dimensi, tetapi tidak pada waktu (saldo stok, saldo rekening).
• Non-aditif: tidak bisa dijumlahkan (persentase margin, harga satuan). Hitung dari komponennya.

2. Empat Langkah Desain Kimball

1. Pilih proses bisnis: penjualan ritel.
2. Tentukan grain: satu baris per item produk per struk.
3. Identifikasi dimensi: tanggal, produk, toko, pelanggan (member).
4. Identifikasi fakta: qty, harga_jual, diskon, total, hpp.

3. Star Schema vs Snowflake Schema

Jika satu model memiliki beberapa tabel fakta yang berbagi dimensi (penjualan & persediaan), modelnya disebut galaxy/fact constellation.

4. Dimensi Tanggal dan Slowly Changing Dimension (SCD)

Dimensi tanggal wajib ada di setiap data warehouse. Isinya satu baris per hari dengan atribut seperti hari, minggu, bulan, kuartal, dan penanda hari libur/Ramadan.

SCD mengatur perubahan atribut dimensi. Contoh: toko pindah wilayah.

• Tipe 1: timpa nilai lama (histori hilang).
• Tipe 2: tambah baris baru dengan berlaku_mulai, berlaku_sampai, is_aktif (histori tersimpan).
• Tipe 3: tambah kolom wilayah_sebelumnya (histori terbatas).

5. Praktik: Membangun Star Schema di MySQL

CREATE DATABASE dw_melayumart; USE dw_melayumart;

CREATE TABLE dim_tanggal (
  tanggal_key INT PRIMARY KEY,           -- format YYYYMMDD, misal 20260314
  tanggal DATE NOT NULL, hari VARCHAR(10), bulan TINYINT, nama_bulan VARCHAR(12),
  kuartal TINYINT, tahun SMALLINT, is_akhir_pekan TINYINT(1)
);
CREATE TABLE dim_produk (
  produk_key INT AUTO_INCREMENT PRIMARY KEY,
  kode_produk VARCHAR(10) NOT NULL, nama_produk VARCHAR(100),
  kategori VARCHAR(50), merek VARCHAR(50), harga_pokok DECIMAL(12,2)
);
CREATE TABLE dim_toko (
  toko_key INT AUTO_INCREMENT PRIMARY KEY,
  kode_toko VARCHAR(10) NOT NULL, nama_toko VARCHAR(100), kota VARCHAR(50), wilayah VARCHAR(30)
);
CREATE TABLE fact_penjualan (
  tanggal_key INT NOT NULL, produk_key INT NOT NULL, toko_key INT NOT NULL,
  no_struk VARCHAR(20) NOT NULL,
  qty INT, diskon DECIMAL(12,2), total DECIMAL(14,2), hpp DECIMAL(14,2),
  FOREIGN KEY (tanggal_key) REFERENCES dim_tanggal(tanggal_key),
  FOREIGN KEY (produk_key)  REFERENCES dim_produk(produk_key),
  FOREIGN KEY (toko_key)    REFERENCES dim_toko(toko_key)
);

-- Mengisi dim_tanggal untuk tahun 2026 (MySQL 8)
SET SESSION cte_max_recursion_depth = 400;
INSERT INTO dim_tanggal
WITH RECURSIVE t(d) AS (SELECT DATE('2026-01-01') UNION ALL SELECT d + INTERVAL 1 DAY FROM t WHERE d < '2026-12-31')
SELECT DATE_FORMAT(d,'%Y%m%d'), d, DAYNAME(d), MONTH(d), MONTHNAME(d),
       QUARTER(d), YEAR(d), DAYOFWEEK(d) IN (1,7)
FROM t;

-- Mengisi fakta dari tabel bersih hasil ETL (Pertemuan 5): lookup surrogate key
INSERT INTO fact_penjualan (tanggal_key, produk_key, toko_key, no_struk, qty, diskon, total, hpp)
SELECT DATE_FORMAT(s.tanggal,'%Y%m%d'), p.produk_key, t.toko_key, s.no_struk,
       s.qty, s.diskon, s.total, s.qty * p.harga_pokok
FROM db_staging.penjualan_bersih s
JOIN dim_produk p ON p.kode_produk = s.kode_produk
JOIN dim_toko   t ON t.kode_toko   = s.kode_toko;

-- Query analitik khas star schema
SELECT d.nama_bulan, t.kota, p.kategori,
       SUM(f.total) AS penjualan, SUM(f.total - f.hpp) AS laba_kotor
FROM fact_penjualan f
JOIN dim_tanggal d ON d.tanggal_key = f.tanggal_key
JOIN dim_toko t    ON t.toko_key    = f.toko_key
JOIN dim_produk p  ON p.produk_key  = f.produk_key
GROUP BY d.bulan, d.nama_bulan, t.kota, p.kategori
ORDER BY d.bulan;

Ringkasan

• Star schema terdiri atas satu tabel fakta (angka) dan beberapa tabel dimensi (konteks).
• Desain dimulai dari proses bisnis dan grain, baru kemudian dimensi dan fakta.
• Surrogate key, dimensi tanggal, dan SCD adalah praktik standar data warehouse.

Analisis Deskriptif, Prediktif & Preskriptif

Tujuan Pembelajaran

1. Membedakan empat tingkat analitik: deskriptif, diagnostik, prediktif, preskriptif.
2. Menghitung statistik deskriptif dan mengenali pola pada dataset.
3. Membuat prediksi sederhana dengan regresi linear dan peramalan deret waktu.
4. Menjelaskan contoh analisis preskriptif (optimasi dan what-if).

1. Empat Tingkat Analitik

Semakin ke bawah, nilai bisnisnya semakin tinggi, tetapi kebutuhan data dan keahliannya juga semakin besar.

2. Analisis Deskriptif

Ukuran pemusatan dan sebaran

Deteksi outlier dengan IQR: nilai < Q1 − 1,5×IQR atau > Q3 + 1,5×IQR patut diperiksa.

Teknik deskriptif lain

• Pivot table: meringkas penjualan per kategori × bulan.
• Pertumbuhan: Month-over-Month (MoM) dan Year-over-Year (YoY): (nilai_sekarang − nilai_lalu) / nilai_lalu.
• Analisis Pareto (80/20): apakah 20% produk menghasilkan ±80% penjualan?
• Segmentasi RFM: pelanggan dinilai dari Recency (kapan terakhir belanja), Frequency (seberapa sering), dan Monetary (berapa nilai belanja).

-- Pareto produk dengan SQL (MySQL 8, window function)
SELECT nama_produk, penjualan,
       ROUND(100 * SUM(penjualan) OVER (ORDER BY penjualan DESC)
             / SUM(penjualan) OVER (), 1) AS persen_kumulatif
FROM (
  SELECT p.nama_produk, SUM(f.total) AS penjualan
  FROM fact_penjualan f JOIN dim_produk p ON p.produk_key = f.produk_key
  GROUP BY p.nama_produk
) x
ORDER BY penjualan DESC;

3. Analisis Prediktif

Regresi linear sederhana

Model Y = a + bX memprediksi Y (misal penjualan) dari X (misal biaya promosi). Koefisien determinasi R² menunjukkan seberapa besar variasi Y yang dijelaskan X (0–1).

Kemiringan (b) : =SLOPE(C2:C7; B2:B7)          → ≈ 20,5
Intersep (a)   : =INTERCEPT(C2:C7; B2:B7)      → ≈ 620
R²             : =RSQ(C2:C7; B2:B7)            → ≈ 0,99
Prediksi X=20  : =FORECAST.LINEAR(20; C2:C7; B2:B7)  → ≈ 1.030 juta

Interpretasi: setiap tambahan Rp1 juta biaya promosi berasosiasi dengan kenaikan penjualan ±Rp20,5 juta. Korelasi bukan kausalitas: kenaikan bisa juga dipengaruhi musim. Lakukan uji (misalnya A/B test) sebelum menyimpulkan sebab-akibat.

Peramalan deret waktu (forecasting)

• Moving average: rata-rata n periode terakhir; sederhana dan menghaluskan fluktuasi.
• Exponential smoothing (ETS): bobot lebih besar untuk data terbaru; menangani tren dan musiman. Di Excel: =FORECAST.ETS(tanggal_target; nilai; timeline) atau menu Data → Forecast Sheet. Di Power BI: Analytics pane → Forecast pada line chart.

Teknik prediktif lain (pengenalan)

Klasifikasi (pohon keputusan untuk memprediksi pelanggan churn), clustering (k-means untuk segmentasi pelanggan), dan association rule (market basket: "pembeli roti cenderung membeli selai").

4. Analisis Preskriptif

• What-if analysis: "Jika harga naik 5%, berapa laba bila permintaan turun 3%?" (Excel: Scenario Manager, Goal Seek, Data Table; Power BI: What-if parameter).
• Optimasi: memaksimalkan/meminimalkan tujuan dengan kendala. Contoh: menentukan alokasi anggaran promosi antartoko dengan Excel Solver.
• Aturan keputusan: "Jika stok < titik pemesanan ulang (ROP), buat pesanan sebanyak EOQ."

Reorder Point (ROP) = rata-rata permintaan harian × lead time (hari) + safety stock
Contoh: 40 unit/hari × 3 hari + 30 = 150 unit → pesan ulang saat stok ≤ 150

Ringkasan

• Deskriptif menjelaskan apa yang terjadi; prediktif memperkirakan apa yang akan terjadi; preskriptif merekomendasikan tindakan.
• Statistik deskriptif, Pareto, dan RFM adalah alat dasar analis BI.
• Regresi dan forecasting menghasilkan prediksi, tetapi harus diinterpretasi dengan hati-hati (korelasi ≠ kausalitas).

Visualisasi Data (Grafik, Chart, KPI) dengan Tools BI

Tujuan Pembelajaran

1. Memilih jenis grafik yang tepat sesuai tujuan komunikasi.
2. Menerapkan prinsip persepsi visual dan menghindari grafik yang menyesatkan.
3. Membuat visual dan kartu KPI di Power BI dengan measure DAX dasar.

1. Mengapa Visualisasi?

Manusia memproses pola visual jauh lebih cepat daripada tabel angka. Contoh klasik Anscombe's quartet menunjukkan empat dataset dengan rata-rata, varians, dan korelasi yang identik, tetapi bentuk grafiknya sangat berbeda. Statistik ringkas saja tidak cukup; data perlu dilihat.

2. Memilih Grafik Berdasarkan Tujuan

3. Prinsip Visualisasi Efektif

• Data-ink ratio (Tufte): hapus elemen yang tidak membawa informasi, seperti efek 3D, gridline tebal, dan latar bergambar.
• Atribut pra-atentif: warna, ukuran, dan posisi ditangkap mata dalam sekejap. Gunakan warna mencolok hanya untuk hal yang ingin disorot.
• Posisi lebih akurat daripada sudut/luas: bar chart lebih mudah dibandingkan daripada pie chart.
• Judul yang menyampaikan pesan: "Penjualan Dumai turun 18% pada Maret" lebih baik daripada "Penjualan per Bulan".
• Konsistensi warna (satu kategori = satu warna di semua grafik), format angka, dan satuan.
• Aksesibilitas: hindari kombinasi merah–hijau saja; tambahkan label atau ikon.

Grafik yang menyesatkan

• Sumbu Y bar chart tidak dimulai dari nol sehingga perbedaan terlihat dramatis.
• Pie chart dengan terlalu banyak irisan atau total yang bukan 100%.
• Dua sumbu Y dengan skala berbeda yang memberi kesan korelasi palsu.
• Interval waktu tidak sama atau data dipotong secara selektif (cherry picking).

4. KPI dalam Visual

Kartu KPI yang baik menampilkan nilai saat ini, pembanding (target atau periode lalu), dan arah/status (naik/turun, tercapai/tidak).

5. Praktik Power BI

1. Buka Power BI Desktop → muat data (hasil ETL P5 atau model star schema P6).
2. Di Model view, tandai dim_tanggal sebagai Mark as date table.
3. Buat measure (Modeling → New measure):

   Total Penjualan = SUM ( fact_penjualan[total] )
   Total HPP       = SUM ( fact_penjualan[hpp] )
   Laba Kotor      = [Total Penjualan] - [Total HPP]
   Margin %        = DIVIDE ( [Laba Kotor], [Total Penjualan] )
   Jumlah Struk    = DISTINCTCOUNT ( fact_penjualan[no_struk] )
   AOV             = DIVIDE ( [Total Penjualan], [Jumlah Struk] )
   Penjualan Bln Lalu = CALCULATE ( [Total Penjualan], DATEADD ( dim_tanggal[tanggal], -1, MONTH ) )
   Pertumbuhan MoM %  = DIVIDE ( [Total Penjualan] - [Penjualan Bln Lalu], [Penjualan Bln Lalu] )

4. Buat visual: Card (Total Penjualan, Margin %), Line chart (penjualan per bulan), Clustered bar (penjualan per toko, diurutkan), Donut (komposisi 4 kategori utama), Map (penjualan per kota).
5. Format angka: Margin % → format persentase; Total Penjualan → mata uang Rupiah, satuan juta.
6. Tambahkan conditional formatting pada tabel: warna merah untuk margin < 15%.

Ringkasan

• Pilih grafik berdasarkan tujuan: perbandingan, tren, komposisi, distribusi, hubungan, geografis, atau target.
• Visual yang baik itu sederhana, jujur, konsisten, dan memiliki judul berupa pesan.
• Measure DAX seperti SUM, DIVIDE, DISTINCTCOUNT, CALCULATE, dan DATEADD adalah dasar visual KPI di Power BI.

Evaluasi Insight: Relevansi, Akurasi & Kualitas Informasi

Tujuan Pembelajaran

1. Membedakan temuan (finding) dan insight yang dapat ditindaklanjuti.
2. Mengevaluasi insight dari sisi relevansi, akurasi, ketepatan waktu, dan dampak.
3. Mengenali bias analisis dan kesalahan penarikan kesimpulan.
4. Menyampaikan insight dengan struktur yang meyakinkan.

1. Dari Temuan ke Insight

Insight yang baik memenuhi rumus What → So what → Now what.

2. Kriteria Evaluasi Insight

3. Kualitas Informasi

Insight hanya sebaik data di belakangnya. Tanyakan:

• Asal-usul data (lineage): dari sistem mana, melalui transformasi apa?
• Definisi: apakah "penjualan" di sini sudah dikurangi retur dan diskon?
• Cakupan: apakah semua toko sudah tersinkron? Ada data yang belum masuk?
• Ukuran sampel: kenaikan 50% dari 2 menjadi 3 transaksi tidak bermakna.

4. Bias dan Kesalahan Umum

5. Menyampaikan Insight (Data Storytelling)

1. Konteks: siapa audiensnya dan keputusan apa yang akan diambil?
2. Pesan utama dalam satu kalimat (big idea).
3. Bukti: 1–3 visual yang paling mendukung.
4. Rekomendasi dengan perkiraan dampak dan risiko.
5. Batasan: asumsi dan keterbatasan data, disampaikan secara jujur.

Gunakan prinsip piramida Minto: sampaikan kesimpulan dulu, baru argumen pendukung.

Studi Kasus untuk Diskusi (CBL)

Tim analis Melayu Mart melaporkan: "Program member berhasil! Rata-rata belanja member Rp92.000, sedangkan non-member hanya Rp54.000. Kami sarankan semua pelanggan diwajibkan menjadi member."

Diskusikan dalam kelompok:

1. Bias apa yang mungkin terjadi? (Petunjuk: siapa yang mendaftar member sejak awal?)
2. Data tambahan apa yang diperlukan untuk menguji klaim tersebut?
3. Bagaimana desain uji yang lebih adil (misal membandingkan perilaku pelanggan sebelum dan sesudah menjadi member)?
4. Tulis ulang insight dan rekomendasinya dengan format What → So what → Now what.

Ringkasan

• Insight = temuan + penjelasan + implikasi yang dapat ditindaklanjuti.
• Evaluasi insight dari relevansi, akurasi, kelengkapan, ketepatan waktu, signifikansi, actionability, dan dampak.
• Waspadai bias analisis dan sampaikan batasan data secara jujur.

Prinsip Perancangan Dashboard yang Efektif (User-Centered Design)

Tujuan Pembelajaran

1. Membedakan jenis dashboard: strategis, analitis, dan operasional.
2. Menerapkan proses user-centered design (UCD) dalam merancang dashboard.
3. Menerapkan prinsip tata letak, hierarki visual, dan interaksi.
4. Membuat wireframe/mockup dashboard dan mengujinya dengan pengguna.

1. Apa itu Dashboard?

Stephen Few mendefinisikan dashboard sebagai tampilan visual informasi terpenting yang dibutuhkan untuk mencapai satu atau beberapa tujuan, yang dirangkum dalam satu layar sehingga dapat dipantau sekilas.

2. Proses User-Centered Design

1. Pahami pengguna: buat persona (peran, tujuan, keputusan rutin, tingkat literasi data, perangkat yang dipakai).
2. Definisikan kebutuhan: daftar pertanyaan yang harus dijawab dashboard dan KPI terkait (lihat kamus KPI di P4).
3. Rancang: sketsa kertas → wireframe → mockup.
4. Uji: minta pengguna menyelesaikan tugas ("Toko mana yang di bawah target?"), catat waktu dan kebingungan.
5. Iterasi: perbaiki berdasarkan umpan balik, lalu ulangi pengujian.

Contoh persona

3. Prinsip Tata Letak

• Pola baca Z/F: informasi terpenting (KPI utama) di kiri atas.
• Hierarki: ringkasan (KPI) → tren → rincian, dari atas ke bawah.
• Batasi isi: 5–9 visual per halaman; selebihnya dipindah ke halaman detail.
• Grid dan white space: sejajarkan visual, beri jarak konsisten.
• Pengelompokan: visual yang berhubungan diletakkan berdekatan (prinsip Gestalt proximity).
• Warna dengan makna: abu-abu untuk konteks, satu warna aksen untuk sorotan, merah/hijau untuk status (lengkapi dengan ikon).
• Filter di tempat yang konsisten: biasanya di bagian atas atau kiri.

Contoh wireframe dashboard strategis

4. Interaktivitas

5. Kesalahan Desain Dashboard

• Terlalu banyak visual atau warna, sehingga tidak jelas apa yang penting.
• Angka tanpa konteks (tanpa target/pembanding).
• Memakai gauge dan 3D yang memakan ruang.
• Tidak ada keterangan waktu pembaruan data.
• Dirancang untuk desktop padahal pengguna membuka di ponsel (Power BI menyediakan Mobile layout).

6. Evaluasi Usability

Gunakan System Usability Scale (SUS): 10 pernyataan berskala 1–5 yang menghasilkan skor 0–100. Skor ≥ 68 dianggap di atas rata-rata. Lengkapi dengan metode think-aloud: pengguna menyuarakan pikirannya saat memakai dashboard.

Ringkasan

• Dashboard dirancang untuk pengguna dan keputusannya, bukan untuk memamerkan data.
• UCD: pahami pengguna → kebutuhan → rancang → uji → iterasi.
• Tata letak berhierarki, isi terbatas, warna bermakna, dan interaksi yang membantu eksplorasi.

Membangun Dashboard Interaktif dengan Power BI

Tujuan Pembelajaran

1. Mengenal antarmuka dan alur kerja Power BI Desktop dan Power BI Service.
2. Membangun model data (relasi, tabel tanggal) dan measure DAX lanjutan.
3. Menambahkan interaktivitas: slicer, drill-down, drill-through, tooltip, bookmark.
4. Mempublikasikan dan membagikan dashboard dengan aman.

1. Alur Kerja Power BI

Get Data → Power Query (Transform) → Model (relasi + DAX) → Report (visual) → Publish → Dashboard/App → Refresh terjadwal

Tiga tampilan di Desktop: Report view (membuat visual), Table/Data view (melihat isi tabel), dan Model view (mengatur relasi).

2. Langkah Membangun Dashboard Melayu Mart

a. Mengambil data

Home → Get Data → MySQL database → server localhost, database dw_melayumart (perlu MySQL Connector/NET). Alternatif: impor file Excel/CSV hasil ETL.

b. Membangun model

1. Di Model view, pastikan relasi dim_* (1) → fact_penjualan (*) dengan arah filter single.
2. Tandai dim_tanggal sebagai date table.
3. Urutkan nama_bulan berdasarkan kolom bulan (Sort by column) agar Januari–Desember tidak berurutan abjad.
4. Buat hierarki: Tahun → Kuartal → Bulan → Tanggal, serta Wilayah → Kota → Toko.
5. Sembunyikan kolom kunci (*_key) dari tampilan laporan.

c. Measure lanjutan

Target Penjualan = SUM ( target[nilai_target] )
Capaian Target % = DIVIDE ( [Total Penjualan], [Target Penjualan] )

Penjualan YTD    = TOTALYTD ( [Total Penjualan], dim_tanggal[tanggal] )
Penjualan Thn Lalu = CALCULATE ( [Total Penjualan], SAMEPERIODLASTYEAR ( dim_tanggal[tanggal] ) )
Pertumbuhan YoY %  = DIVIDE ( [Total Penjualan] - [Penjualan Thn Lalu], [Penjualan Thn Lalu] )

Penjualan Sembako = CALCULATE ( [Total Penjualan], dim_produk[kategori] = "Sembako" )
Kontribusi %      = DIVIDE ( [Total Penjualan],
                      CALCULATE ( [Total Penjualan], ALL ( dim_produk ) ) )

Peringkat Toko    = RANKX ( ALL ( dim_toko[nama_toko] ), [Total Penjualan] )
Status Target     = IF ( [Capaian Target %] >= 1, "✔ Tercapai", "✘ Belum" )

d. Menyusun halaman laporan

e. Interaktivitas

1. Slicer: tambahkan visual Slicer untuk Tahun/Bulan (gaya dropdown atau between) dan Kota.
2. Sync slicers: View → Sync slicers agar filter berlaku di semua halaman.
3. Edit interactions: pilih visual → Format → Edit interactions untuk mengatur visual mana yang ikut terfilter.
4. Drill-down: masukkan hierarki ke sumbu grafik, lalu aktifkan ikon panah ke bawah.
5. Drill-through: di halaman Detail Toko, seret nama_toko ke kolom Drill through.
6. Tooltip page: buat halaman kecil (ukuran Tooltip) berisi mini chart, lalu jadikan tooltip untuk visual peringkat toko.
7. Bookmark + tombol: buat bookmark "Tampilan Grafik" dan "Tampilan Tabel", lalu hubungkan ke tombol navigasi.

f. Publikasi dan keamanan

• Publish ke workspace Power BI Service (memerlukan akun organisasi/kampus).
• Atur scheduled refresh; untuk sumber lokal (MySQL di laptop) diperlukan on-premises data gateway.
• Row-Level Security (RLS): Modeling → Manage roles, misal role "Kepala Toko" dengan filter [kode_toko] = "T07", sehingga kepala toko hanya melihat tokonya.
• Jangan gunakan Publish to web untuk data internal karena laporan menjadi publik.

3. Daftar Periksa Kualitas Dashboard

• ☐ Semua angka telah dicocokkan dengan sumber (rekonsiliasi).
• ☐ Format angka, satuan, dan mata uang konsisten.
• ☐ Setiap visual memiliki judul berupa pesan.
• ☐ Ada keterangan waktu pembaruan data.
• ☐ Interaksi diuji: slicer, drill-down, drill-through.
• ☐ Tata letak ponsel disiapkan bila pengguna memakai ponsel.
• ☐ Performa: gunakan Performance analyzer; visual tidak lebih dari ±2 detik.

Ringkasan

• Dashboard yang baik dibangun di atas model data yang baik (star schema, tabel tanggal, measure).
• DAX time intelligence (TOTALYTD, SAMEPERIODLASTYEAR, DATEADD) memudahkan analisis periode.
• Interaktivitas (slicer, drill, tooltip, bookmark) dan keamanan (RLS) membuat dashboard berguna dan aman.

Laporan BI yang Mendukung Keputusan Strategis

Tujuan Pembelajaran

1. Menjelaskan perbedaan laporan operasional, manajerial, dan strategis.
2. Menyusun laporan kinerja menggunakan kerangka Balanced Scorecard dan OKR.
3. Menulis ringkasan eksekutif yang berisi insight dan rekomendasi.
4. Mempresentasikan laporan BI kepada pengambil keputusan.

1. Jenis Laporan BI

2. Kerangka Pengukuran Kinerja

Balanced Scorecard (Kaplan & Norton)

Kinerja diukur dari empat perspektif yang saling berkaitan dalam peta strategi:

OKR (Objectives and Key Results)

Objective: tujuan kualitatif yang menginspirasi. Key Results: 2–5 hasil terukur. Contoh: O: Menjadi minimarket pilihan keluarga di Pekanbaru. KR1: jumlah member aktif naik dari 8.000 menjadi 12.000; KR2: rating ulasan ≥ 4,5; KR3: AOV keluarga naik 10%.

3. Struktur Laporan Kinerja Strategis

1. Ringkasan eksekutif (1 halaman): 3–5 poin utama, status KPI, dan rekomendasi.
2. Scorecard KPI: aktual vs target vs periode lalu, dengan indikator status.
3. Analisis tren dan penyebab: visual pendukung dan hasil drill-down.
4. Analisis eksternal: kondisi pasar, inflasi, pesaing.
5. Rekomendasi dan rencana tindak: apa, siapa, kapan, dampak yang diharapkan.
6. Lampiran: definisi KPI, sumber data, catatan metodologi, keterbatasan.

Contoh ringkasan eksekutif

4. Format Penyajian

• Paginated report (Power BI Report Builder): laporan siap cetak/PDF dengan tata letak tetap, cocok untuk arsip dan regulator.
• Interactive report: Power BI report dengan halaman scorecard (visual Metrics/Goals di Power BI Service).
• Slide presentasi: ekspor visual ke PowerPoint (Export → PowerPoint) dan tambahkan narasi.
• Narasi otomatis: visual Smart narrative Power BI membuat ringkasan teks dari data. Tetap tinjau ulang isinya.
• Langganan e-mail: Power BI Service dapat mengirim laporan berkala ke pimpinan.

5. Presentasi kepada Pengambil Keputusan

• Mulai dari kesimpulan dan keputusan yang diminta, bukan dari proses analisis.
• Gunakan bahasa bisnis (rupiah, pelanggan, risiko), bukan istilah teknis (DAX, join).
• Siapkan jawaban untuk "Seberapa yakin Anda dengan angka ini?" dan "Apa risikonya bila kita tidak bertindak?".
• Siapkan halaman cadangan (backup slides) berisi detail metodologi.

Ringkasan

• Laporan strategis menghubungkan KPI dengan sasaran organisasi, misalnya melalui Balanced Scorecard atau OKR.
• Ringkasan eksekutif berisi status, penyebab, dan rekomendasi dalam satu halaman.
• Format laporan disesuaikan dengan audiens: interaktif, paginated, atau presentasi.

Kolaborasi dalam Proyek BI: Teamwork & Agile Approach

Tujuan Pembelajaran

1. Menjelaskan siklus hidup proyek BI.
2. Menjelaskan peran-peran dalam tim BI.
3. Menerapkan pendekatan agile (Scrum/Kanban) pada proyek BI.
4. Menggunakan alat kolaborasi untuk mengelola pekerjaan tim.

1. Siklus Hidup Proyek BI

Moss & Atre dalam Business Intelligence Roadmap membagi proyek BI menjadi enam tahap:

Proyek BI sebaiknya dikerjakan dalam rilis-rilis kecil, bukan satu proyek raksasa. Inilah alasan pendekatan agile cocok untuk BI.

2. Peran dalam Tim BI

3. Agile untuk BI

Nilai Agile Manifesto

• Individu dan interaksi lebih penting daripada proses dan alat.
• Perangkat lunak yang berfungsi lebih penting daripada dokumentasi lengkap.
• Kolaborasi dengan pelanggan lebih penting daripada negosiasi kontrak.
• Merespons perubahan lebih penting daripada mengikuti rencana.

Scrum pada proyek BI

Kanban cocok untuk tim BI yang banyak menerima permintaan laporan ad-hoc. Papan dibagi menjadi To Do → In Progress → Review → Done dengan batas jumlah pekerjaan yang berjalan bersamaan (WIP limit).

4. Kolaborasi yang Efektif

• Alat: Trello/Jira/GitHub Projects (backlog), Microsoft Teams/Slack/WhatsApp Group (komunikasi), OneDrive/SharePoint/Google Drive (berkas), Power BI workspace (berbagi model dan laporan).
• Kontrol versi: beri nama berkas berversi (dashboard_v3_2026-11-10.pbix) atau gunakan format proyek Power BI (.pbip) dengan Git.
• Kesepakatan tim (team charter): tujuan, peran, jadwal pertemuan, cara mengambil keputusan, dan cara menyelesaikan konflik.
• Matriks RACI: siapa Responsible, Accountable, Consulted, Informed untuk setiap pekerjaan.

Contoh RACI

Ringkasan

• Proyek BI melewati tahap justification hingga deployment dan sebaiknya dikerjakan bertahap.
• Tim BI terdiri atas peran bisnis dan teknis yang saling bergantung.
• Scrum dan Kanban membantu tim BI memberi nilai secara cepat dan responsif terhadap perubahan.

Isu Etika dan Hukum terkait Data: Privasi, Keamanan & Bias

Tujuan Pembelajaran

1. Menjelaskan prinsip etika data dan perlindungan data pribadi.
2. Menjelaskan kewajiban hukum dalam UU Pelindungan Data Pribadi (UU PDP).
3. Mengidentifikasi risiko keamanan dan bias dalam sistem BI.
4. Menerapkan langkah mitigasi etis pada proyek BI.

1. Mengapa Etika Data Penting dalam BI?

BI mengumpulkan data dalam jumlah besar, sering kali tentang manusia: pelanggan, karyawan, warga. Keputusan berbasis data dapat merugikan orang bila datanya bocor, dipakai di luar tujuan, atau mengandung bias. Kesalahan etika juga merusak kepercayaan dan reputasi organisasi.

2. Prinsip Etika Data

3. Aspek Hukum di Indonesia

UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi (UU PDP)

• Data pribadi umum: nama, jenis kelamin, kewarganegaraan, agama, status perkawinan, dan data yang dikombinasikan untuk mengidentifikasi seseorang.
• Data pribadi spesifik: data kesehatan, biometrik, genetika, catatan kejahatan, data anak, dan data keuangan pribadi. Pemrosesannya memerlukan perlindungan lebih ketat.
• Dasar pemrosesan antara lain: persetujuan yang sah dan eksplisit, pemenuhan kontrak, kewajiban hukum, dan kepentingan yang sah.
• Hak subjek data: mendapat informasi, mengakses, memperbaiki, menghapus, menarik persetujuan, dan mengajukan keberatan atas keputusan otomatis.
• Kewajiban pengendali data: menjaga keamanan, mencatat aktivitas pemrosesan, dan memberitahukan secara tertulis kepada subjek data dan lembaga terkait paling lambat 3 × 24 jam bila terjadi kegagalan pelindungan data.
• Sanksi: sanksi administratif (termasuk denda administratif hingga 2% dari pendapatan tahunan) dan sanksi pidana untuk pelanggaran tertentu.

Regulasi terkait lain: UU ITE beserta perubahannya, PP No. 71 Tahun 2019 tentang Penyelenggaraan Sistem dan Transaksi Elektronik, dan aturan sektoral (misal OJK untuk keuangan, Kemenkes untuk rekam medis). Organisasi multinasional juga memperhatikan GDPR (Uni Eropa).

4. Keamanan Data dalam BI

-- Pseudonimisasi id member dan masking no HP sebelum data masuk DW
SELECT SHA2(CONCAT(id_member, 'garam-rahasia'), 256) AS member_hash,
       CONCAT(LEFT(no_hp, 4), '****', RIGHT(no_hp, 4))  AS no_hp_mask,
       CASE WHEN TIMESTAMPDIFF(YEAR, tgl_lahir, CURDATE()) < 25 THEN '<25'
            WHEN TIMESTAMPDIFF(YEAR, tgl_lahir, CURDATE()) < 40 THEN '25-39'
            ELSE '40+' END                               AS kelompok_umur
FROM member;

5. Bias dalam Data dan Algoritma

Mitigasi: periksa keterwakilan data, uji hasil per kelompok, dokumentasikan asumsi, libatkan manusia dalam keputusan penting (human-in-the-loop), dan sediakan mekanisme keberatan.

6. Kerangka Keputusan Etis

1. Apakah tindakan ini legal (UU PDP, kontrak, kebijakan internal)?
2. Apakah subjek data akan terkejut atau keberatan jika tahu?
3. Siapa yang diuntungkan dan siapa yang mungkin dirugikan?
4. Adakah cara mencapai tujuan yang sama dengan data lebih sedikit?
5. Apakah saya bersedia keputusan ini diumumkan ke publik?

Ringkasan

• Etika data mencakup transparansi, pembatasan tujuan, minimalisasi, keamanan, keadilan, dan akuntabilitas.
• UU PDP mengatur hak subjek data serta kewajiban dan sanksi bagi pengendali data di Indonesia.
• Keamanan (RLS, masking, anonimisasi) dan pengendalian bias wajib dirancang sejak awal proyek BI.

Refleksi Kritis Implementasi BI & Tantangan Masa Depan

Tujuan Pembelajaran

1. Mengevaluasi solusi BI dari sisi teknis, bisnis, pengguna, dan etika.
2. Mengukur keberhasilan dan nilai (ROI) implementasi BI.
3. Menganalisis tren dan tantangan BI di masa depan.
4. Menulis refleksi kritis dan saran pengembangan BI.

1. Berpikir Kritis terhadap Solusi BI

Solusi BI sering dinilai dari tampilannya saja. Penilaian kritis menguji apakah solusi tersebut benar, dipakai, dan berdampak. Gunakan pertanyaan berikut:

2. Mengukur Nilai BI

• Metrik adopsi: jumlah pengguna aktif bulanan, frekuensi akses, halaman yang paling/tidak pernah dibuka (lihat Usage metrics di Power BI Service).
• Efisiensi: jam kerja penyusunan laporan manual yang dihemat.
• Dampak keputusan: misal stockout turun dari 4% ke 2% → penjualan yang terselamatkan.
• ROI = (Manfaat − Biaya) / Biaya × 100%.

Contoh Melayu Mart (tahun pertama):
  Biaya  : lisensi + pelatihan + pengembangan          = Rp120 jt
  Manfaat: 160 jam/bln laporan manual × Rp50 rb × 12    = Rp96 jt
           Penjualan terselamatkan dari stockout         = Rp150 jt
           Total manfaat                                 = Rp246 jt
  ROI    = (246 − 120) / 120 × 100% = 105%

Kritisi angka ROI: apakah penurunan stockout murni karena BI atau juga karena faktor lain (pemasok baru, musim)?

3. Mengapa Implementasi BI Gagal?

• Dashboard tak terpakai (shelfware): dibangun tanpa melibatkan pengguna.
• Banyak versi kebenaran: tiap departemen punya definisi "penjualan" sendiri.
• Data swamp: data lake tanpa tata kelola sehingga tidak dapat dipercaya.
• Fokus pada alat, bukan keputusan: membeli lisensi mahal tanpa strategi data.
• Literasi data rendah: pengguna tidak mampu membaca dan mempertanyakan data.

4. Tren dan Tantangan Masa Depan BI

5. Menulis Refleksi Kritis

Gunakan model refleksi Gibbs yang disederhanakan:

1. Deskripsi: apa yang dibangun/dilakukan?
2. Perasaan & pengalaman: apa yang menantang?
3. Evaluasi: apa yang berhasil dan apa yang tidak? (gunakan bukti/angka)
4. Analisis: mengapa demikian? (kaitkan dengan teori dari P1–P14)
5. Kesimpulan: apa pelajaran utamanya?
6. Rencana tindak: apa yang akan dilakukan berbeda dan saran pengembangan BI ke depan?

Ringkasan

• Evaluasi solusi BI dari sisi teknis, bisnis, pengguna, organisasi, dan etika.
• Nilai BI diukur melalui adopsi, efisiensi, dan dampak keputusan, termasuk ROI, dengan sikap kritis terhadap atribusinya.
• AI generatif, real-time analytics, dan arsitektur data modern membawa peluang sekaligus tantangan tata kelola dan etika.

Proyek Akhir: Laporan Kinerja Berbasis BI untuk Keputusan Strategis

Tujuan Pembelajaran

1. Mengintegrasikan seluruh materi menjadi satu solusi BI utuh, dari kebutuhan hingga rekomendasi keputusan.
2. Mempresentasikan hasil proyek BI kepada audiens pengambil keputusan.
3. Menunjukkan kerja sama tim, berpikir kritis, dan integritas data.

1. Ketentuan Proyek

• Dikerjakan dalam kelompok 3–4 orang (kelompok yang sama sejak P4/P13).
• Studi kasus: organisasi nyata (UMKM, koperasi, instansi, rumah sakit, kampus) atau dataset terbuka (data.go.id, BPS, Kaggle) dengan konteks organisasi yang jelas.
• Data pribadi wajib dianonimkan. Jika memakai data organisasi nyata, lampirkan surat izin penggunaan data.

2. Luaran Wajib dan Keterkaitan dengan Pertemuan

3. Struktur Laporan Akhir

1. Ringkasan eksekutif (1 halaman)
2. Pendahuluan: latar belakang organisasi, masalah, tujuan
3. Analisis kebutuhan dan KPI
4. Arsitektur solusi BI (gambar arsitektur seperti Gambar 2.1)
5. Integrasi data: ETL dan star schema
6. Analisis dan insight (dievaluasi dengan kriteria P9)
7. Dashboard dan laporan kinerja (tangkapan layar dan penjelasan)
8. Rekomendasi strategis dan rencana tindak
9. Etika, keamanan, dan keterbatasan
10. Refleksi tim dan saran pengembangan
11. Lampiran: kamus KPI, daftar measure DAX, skrip SQL/M, notulen sprint

4. Alur Presentasi yang Disarankan

5. Daftar Periksa Sebelum Presentasi

• ☐ Semua KPI di dashboard sama dengan angka di laporan.
• ☐ Dashboard sudah diuji oleh orang di luar kelompok.
• ☐ Data pribadi sudah dianonimkan.
• ☐ Setiap anggota dapat menjelaskan seluruh bagian proyek, bukan hanya bagiannya.
• ☐ Berkas cadangan (PDF ekspor dashboard) siap jika koneksi atau aplikasi bermasalah.