sim-manajement-book/slides/marp/slide-bab-09.md

marp	theme	class	paginate	header	footer	style
true	gaia	invert	true	BAB 9 — *Business Intelligence* dan Analitik Bisnis	Helmi Bahar Alim, S.Kom., M.Kom.  |  Universitas Putra Bangsa — Kebumen	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 9

Business Intelligence dan Analitik Bisnis

III — SI dalam Proses Bisnis dan Pengambilan Keputusan

Level: Lanjutan

---

Reader Outcome

Pembaca mampu menginterpretasikan insight dari dashboard BI, membedakan tipe analitik (deskriptif/diagnostik/prediktif/ preskriptif), dan mengevaluasi relevansinya untuk keputusan manajerial

Info	Detail
Bagian	III — SI dalam Proses Bisnis dan Pengambilan Keputusan
Level	Lanjutan
Sub-topik	7 konsep inti

---

Pertanyaan Pemantik

Bab 8 memperkenalkan model keputusan Simon dan peran DSS sebagai co-pilot manajer. Template A.8 membantu Anda memetakan keputusan organisasi ke dalam tipologi terstruktur–semi-terstruktur–tidak terstruktur beserta gap informasinya. Tetapi pertanyaannya belum terjawab: dari mana insight yang mengisi gap informasi itu datang?

---

Bagaimana Business Intelligence dan analitik bisnis mengubah data organisasi menjadi insight yang bisa ditindaklanjuti — dan mengapa manajer harus memahami perbedaan antara analitik deskriptif, diagnostik, prediktif, dan preskriptif?

---

Model Utama — Gambar 9.1

graph LR
    DESC["DESKRIPTIF<br/>Apa yang terjadi?"]
    DIAG[" DIAGNOSTIK<br/>Mengapa terjadi?"]
    PRED[" PREDIKTIF<br/>Apa yang akan terjadi?"]
    PRES["PRESKRIPTIF<br/>Apa yang harus dilakukan?"]

    DESC -->|"+drill-down"| DIAG
    DIAG -->|"+forecasting"| PRED
    PRED -->|"+optimization"| PRES

    V["← Nilai Rendah ———— Nilai Tinggi →"]
    C["← Kompleksitas Rendah ——— Kompleksitas Tinggi →"]

    style DESC fill:#d4a574,color:#000000
    style DIAG fill:#b5793a,color:#ffffff
    style PRED fill:#8c4a1a,color:#ffffff
    style PRES fill:#5c2e0a,color:#ffffff
    style V fill:#ffffff,stroke:#8c4a1a,color:#8c4a1a
    style C fill:#ffffff,stroke:#8c4a1a,color:#8c4a1a

Spektrum Analitik Bisnis: dari deskriptif (nilai rendah, kompleksitas rendah) ke preskriptif (nilai tinggi, kompleksitas tinggi). Gradasi warna mencerminkan peningkatan kematangan.

---

Definisi Kunci

Business Intelligence Kombinasi teknologi, proses, dan praktik yang mengubah data mentah menjadi informasi bermakna yang dapat ditindaklanjuti untuk pengambilan keputusan (

_BI bukan tools IT — ia adalah kapabilitas organisasi yang menjadi jembatan antara data warehouse dan ruang rapat manajer. Manajer adalah konsumen utama BI, _

Data Warehouse Repositori data terpusat yang mengkonsolidasikan data dari berbagai sumber operasional (ERP, CRM, SCM) ke dalam format yang dioptimalkan untuk analisi

Manajer tidak perlu membangun data warehouse, tetapi perlu memahami bahwa kualitas insight BI bergantung langsung pada kualitas dan kelengkapan data di *war

ETL Proses mengekstrak data dari berbagai sumber, mentransformasikannya ke format standar, dan memuatnya ke data warehouse untuk analisis (Sharda et al.

ETL adalah alasan di balik keluhan "'angka di dashboard berbeda dari angka di Excel divisi saya." Jika proses transformasi tidak transparan dan tidak terdokum

---

Konsep Inti — Bagian 1

• 1. Ekosistem BI: Dari Data Warehouse ke Insight Bisnis
• 2. Arsitektur BI: Mengapa "Angka Tidak Cocok"
• 3. Empat Tipe Analitik: Dari "Apa" ke "Harus Apa"
• 4. Dashboard sebagai Alat Komunikasi, Bukan Dekorasi

---

Konsep Inti — Bagian 2

• 5. Visualisasi Data: Kapan Membantu, Kapan Menyesatkan
• 6. Predictive Analytics: Titik Masuk AI ke dalam BI
• 7. Keterbatasan BI: Korelasi Bukan Kausalitas

---

⚠️ Salah Kaprah

⚠️ "Dashboard yang penuh angka = BI yang baik"

↳ Dashboard yang baik menjawab satu pertanyaan keputusan dengan jelas.

⚠️ "BI hanya untuk perusahaan besar dengan data scientist"

↳ BI dimulai dari pertanyaan bisnis yang baik, bukan dari tools yang mahal.

⚠️ "Kalau korelasinya tinggi, berarti ada hubungan sebab-akibat"

↳ Sebelum bertindak berdasarkan korelasi, tanyakan: "Apakah ada variabel ketiga?" dan "Apakah hubungan ini masuk akal secara teori bisnis?" Korelasi yang menginsp

⚠️ "Prediksi AI selalu lebih akurat dari analis manusia"

↳ Prediksi AI harus diperlakukan sebagai "salah satu input" keputusan, bukan jawaban final.

---

Studi Kasus

📊 Dasar: Dashboard COVID-19 DKI Jakarta — BI untuk Keputusan Krisis

Sumber: Hayati & Rahardjo (2022); Gartner (2023) Maret 2020 — awal pandemi di Indonesia. Data COVID-19 di Jakarta tersebar di rumah sakit, puskesmas, dan laboratorium yang masing-masing menggunakan sistem pencatatan berbeda. Tidak ada satu *dashb

📊 Lanjutan: Netflix — Evolusi dari BI Deskriptif ke Analitik Preskriptif

Sumber: Sharda et al. (2024); McKinsey (2023) Netflix tahun 2006 adalah perusahaan DVD rental. BI mereka di level deskriptif: laporan popularitas judul, demografi pelanggan, dan metrik operasional pengiriman DVD. Data ini cukup untuk menjalanka

---

🔧 Template A.9

Desain Kerangka Dashboard BI

============================================== Template A.9 — DESAIN KERANGKA DASHBOARD BI

Nama Organisasi : ________________________________________ Departemen/Pengguna : ________________________________________ Tanggal Perancangan : ________________________________________ ═══════════════════════════════════════════════════════════════ PERTANYAAN KEPUTUSAN Dashboard ini menjawab pertanyaan : ________________________________________ Keputusan yang akan berubah : ________________________________________ Decision owner : ________________________________________ Frekuensi monitoring : [ ] Real-time [ ] Harian [ ] Mingguan [ ] Bulanan KPI UTAMA (Maksimal 5)

1. ________________________________ Target: ________ Alert if: ________
2. ________________________________ Target: ________ Alert if: ________
3. ________________________________ Target: ________ Alert if: ________
4. ________________________________ Target: ________ Alert if: ________

---
## Rangkuman

1. BI bukan satu *software* — ia ekosistem: *data source* → ETL → *warehouse* → analitik → visualisasi → keputusan.
2. Empat tipe analitik (deskriptif, diagnostik, prediktif, preskriptif) membentuk spektrum kematangan.
3. *Dashboard* yang baik dimulai dari pertanyaan keputusan, bukan dari data yang tersedia.
4. Visualisasi data yang buruk — sumbu terpotong, grafik 3D, *pie chart* berlebihan — menyesatkan keputusan.
5. Korelasi bukan kausalitas — peringatan terpenting bagi manajer yang menggunakan BI.


---
<!-- _class: lead invert -->

## 🔥 Final Statement

> "Business Intelligence bukan tentang berapa banyak grafik yang Anda tampilkan di layar, tetapi tentang berapa banyak pertanyaan bisnis yang mampu Anda jawab sebelum pesaing Anda bertanya."


---
## Latihan & Refleksi

### 📝 Latihan 9.1 — Desain Kerangka *Dashboard* BI (Template A.9)

untuk merancang kerangka 1 *dashboard* untuk satu keputusan manajerial spesifik di organisasi yang Anda pilih.

### ➡️ Menuju Bab 10

_*Business Intelligence* dan analitik membangun kapabilitas manajer dalam membaca, memaknai, dan memprediksi data. Tetapi *insight* hanya bernilai jika ada sistem yang dirancang untuk memproduksinya. P_



---