54f974f95f
- Script: scripts/generate-marp-slides.py - Output: slides/marp/slide-bab-01.md ... slide-bab-18.md - 14-15 slides per bab, struktur: Cover, Reader Outcome, Pemantik, Model Utama (Mermaid), Definisi Kunci, Konsep Inti (2 slides), Salah Kaprah, Studi Kasus, Template A.N, Rangkuman, Final Statement, Latihan + Menuju Bab - Theme: Gaia invert, warna: gold headers, teal h2, sky blue h3
221 lines
8.3 KiB
Markdown
221 lines
8.3 KiB
Markdown
---
|
||
marp: true
|
||
theme: gaia
|
||
class: invert
|
||
paginate: true
|
||
header: "BAB 9 — *Business Intelligence* dan Analitik Bisnis"
|
||
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; }
|
||
---
|
||
<!-- _class: lead invert -->
|
||
|
||
# BAB 9
|
||
## *Business Intelligence* dan Analitik Bisnis
|
||
|
||
<p class="bagian">III — SI dalam Proses Bisnis dan Pengambilan Keputusan</p>
|
||
|
||
**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 |
|
||
|
||
|
||
---
|
||
<!-- _class: invert -->
|
||
|
||
## 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
|
||
|
||
```mermaid
|
||
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_
|
||
|
||
|
||
|
||
---
|