--- marp: true theme: gaia class: invert paginate: true header: "BAB 3 — Data dan Informasi sebagai Aset Organisasi" footer: "Helmi Bahar Alim, S.Kom., M.Kom.  |  Universitas Putra Bangsa — Kebumen" style: | section { font-family: 'Segoe UI', Helvetica, sans-serif; font-size: 21px; } h1 { color: #ffd166; } h2 { color: #06d6a0; border-bottom: 2px solid #06d6a060; padding-bottom: 4px; } h3 { color: #8ecae6; } blockquote { border-left: 4px solid #ffd166; background: #ffffff15; padding: 0.5em 1em; font-style: italic; } table { font-size: 18px; width: 100%; } th { background: #06d6a040; } code { background: #ffffff20; } .lead h1 { font-size: 2em; color: #ffd166; } .lead h2 { font-size: 1.3em; border: none; color: #e0e0e0; } .bagian { font-size: 0.8em; color: #8ecae6; letter-spacing: 1px; } .lead p { font-size: 0.9em; color: #c0c0c0; } --- # BAB 3 ## Data dan Informasi sebagai Aset Organisasi

II — Fondasi Berpikir Manajerial

**Level:** Menengah --- ## Reader Outcome > Pembaca mampu menjelaskan hirarki DIKW, mengevaluasi kualitas data organisasi, dan memahami prinsip data governance dari perspektif manajerial | Info | Detail | |------|--------| | **Bagian** | II — Fondasi Berpikir Manajerial | | **Level** | Menengah | | **Sub-topik** | 6 konsep inti | --- ## Pertanyaan Pemantik Pada Bab 2, Anda menggunakan Template A.2 (Audit Keselarasan SI-Strategi) untuk menilai apakah investasi SI sebuah organisasi benar-benar selaras dengan tujuan bisnisnya. --- _Apa yang membedakan data, informasi, pengetahuan, dan kebijaksanaan — dan mengapa kualitas data menentukan kualitas setiap keputusan yang diambil manajer?_ --- ## Model Utama — Gambar 3.1 ```mermaid graph TD D[" Data
(fakta mentah, angka, teks)"] I["Informasi
(data + konteks + struktur)"] K[" Pengetahuan
(informasi + pengalaman)"] W["️ Kebijaksanaan
(keputusan yang bijak)"] D -->|"+Konteks"| I I -->|"+Pengalaman"| K K -->|"+Penilaian"| W D -.->|"Risiko"| BAD["️ Garbage In,
Garbage Out"] I -.->|"Risiko"| BIAS["Bias
Interpretasi"] K -.->|"Risiko"| STALE[" Knowledge
Decay"] style D fill:#8c4a1a,color:#ffffff style I fill:#8c4a1a,color:#ffffff style K fill:#8c4a1a,color:#ffffff style W fill:#8c4a1a,color:#ffffff style BAD fill:#5c1a1a,color:#ffffff style BIAS fill:#5c1a1a,color:#ffffff style STALE fill:#5c1a1a,color:#ffffff ``` **Piramida DIKW: empat level transformasi dari data mentah menuju kebijaksanaan, masing-masing dengan risiko yang menyertainya.** --- ## Definisi Kunci **Kualitas Data** Tingkat di mana data memenuhi empat dimensi utama: akurasi (seberapa benar), kelengkapan (seberapa lengkap), konsistensi (tidak saling kontradiksi ant > _*Garbage in, garbage out* — keputusan manajerial hanya sebaik kualitas data yang mendasarinya. Manajer yang tidak mengevaluasi kualitas data berisiko mengambil _ **Tata Kelola Data** Kerangka kebijakan, proses, dan tanggung jawab untuk mengelola data sebagai aset organisasi secara konsisten dan akuntabel (DAMA International, 2023). > _*Data governance* menentukan siapa yang bertanggung jawab atas data apa, siapa yang boleh mengaksesnya, dan bagaimana kualitasnya dijaga. Tanpa *governance*, da_ **Dark Data** Data yang dikumpulkan dan disimpan organisasi tetapi tidak pernah dianalisis atau digunakan untuk pengambilan keputusan — biasanya mencakup 60–73% dar > _*Dark data* bukan hanya pemborosan penyimpanan — ia adalah risiko ganda: mengandung informasi sensitif yang tidak terproteksi, dan merepresentasikan *opportunit_ --- ## Konsep Inti — Bagian 1 - **1.** Data vs Informasi vs Pengetahuan: Bukan Sekadar Perbedaan Semantik - **2.** Dimensi Kualitas Data: Empat Tanda Vital - **3.** Data sebagai Aset: Implikasi Manajerial --- ## Konsep Inti — Bagian 2 - **4.** *Data Governance*: Siapa Bertanggung Jawab atas Data? - **5.** *Data Lifecycle*: Dari Pengumpulan hingga Pemusnahan - **6.** Tantangan: *Data Silos*, *Dark Data*, dan Data yang "Terlalu Banyak" --- ## ⚠️ Salah Kaprah > ⚠️ _"Lebih banyak data = lebih baik keputusannya"_ ↳ Kualitas data selalu lebih penting dari kuantitas. > ⚠️ _"Data yang ada di sistem pasti sudah akurat"_ ↳ Validasi kualitas data sebelum mendasarkan keputusan padanya. > ⚠️ _"*Data governance* itu urusan IT dan legal, bukan manajer"_ ↳ Manajer harus menjadi *data owner* aktif di areanya — menetapkan standar kualitas data, memastikan data digunakan sesuai aturan, dan berpartisipasi dalam *gover > ⚠️ _"*Big data* hanya relevan untuk perusahaan teknologi"_ ↳ Pertanyaan yang tepat bukan "apakah kami cukup besar untuk *big data*?" melainkan "apakah kami sudah mengoptimalkan data yang sudah kami miliki?" Seringkali, *i --- ## Studi Kasus 📊 **Dasar:** Satu Data Indonesia — Konsolidasi Data Skala Nasional **Sumber:** Bappenas (2023); Republik Indonesia (2022) Data pemerintah Indonesia tersebar di 34 kementerian, 100+ lembaga, dan 514 pemerintah daerah. Masing-masing menggunakan format, definisi, dan standar kualitas yang berbeda. Data kemiskinan dari 📊 **Lanjutan:** Data sebagai Aset di Neraca Strategis **Sumber:** KPMG International (2023); Grover et al. (2022) Mayoritas perusahaan Fortune 500 memperlakukan data sebagai *by-product* operasi — dikumpulkan karena sistem menghasilkannya, disimpan karena penyimpanan murah, tetapi tidak dikelola sebagai --- ## 🔧 Template A.3 ### Audit Kualitas Data Organisasi ``` ``` ====================================== Template A.3 — AUDIT KUALITAS DATA ORGANISASI ====================================== Nama Organisasi : ________________________________________ Dataset yang Diaudit : ________________________________________ Sumber Data : ________________________________________ Tanggal Audit : ________________________________________ Auditor : ________________________________________ ═══════════════════════════════════════════════════════════════ DIMENSI 1: AKURASI Jumlah record total : ________ Jumlah record dengan error : ________ Akurasi rate : _____% Contoh error yang ditemukan : ________________________________________ Penyebab utama inakurasi : ________________________________________ DIMENSI 2: KELENGKAPAN Jumlah field wajib : ________ ``` --- ## Rangkuman 1. Data, informasi, pengetahuan, dan kebijaksanaan bukan sinonim — setiap level membutuhkan transformasi yang berbeda dan menghasilkan nilai yang berbeda. 2. Kualitas data diukur melalui empat dimensi: akurasi, kelengkapan, konsistensi, dan ketepatan waktu. 3. Data adalah aset strategis, bukan *by-product*. 4. *Data governance* bukan urusan IT — ia adalah kerangka tanggung jawab bisnis. 5. Sebanyak 60–73% data organisasi adalah *dark data* — dikumpulkan tetapi tidak pernah digunakan. --- ## 🔥 Final Statement > "Data bukan tentang seberapa banyak yang Anda kumpulkan, tetapi tentang seberapa tepat Anda bisa mempercayainya saat keputusan kritis harus diambil." --- ## Latihan & Refleksi ### 📝 Latihan 3.1 — Audit Kualitas Data (Template A.3) untuk mengaudit satu *dataset* nyata dari organisasi yang Anda kenal — bisa dari *spreadsheet* penjualan, database pelanggan, data karyawan, atau sumber lain yang dapat Anda akses. ### ➡️ Menuju Bab 4 _Data berkualitas tinggi baru bermakna jika kita tahu masalah apa yang ingin dijawab. Memiliki *dataset* yang lengkap, akurat, dan konsisten tidak cukup jika pertanyaan yang diajukan kepada data itu se_ ---