sim-manajement-book/slides/marp/slide-bab-03.md

marp	theme	class	paginate	header	footer	style
true	gaia	invert	true	BAB 3 — Data dan Informasi sebagai Aset Organisasi	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 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

graph TD
    D[" Data<br/>(fakta mentah, angka, teks)"]
    I["Informasi<br/>(data + konteks + struktur)"]
    K[" Pengetahuan<br/>(informasi + pengalaman)"]
    W["️ Kebijaksanaan<br/>(keputusan yang bijak)"]

    D -->|"+Konteks"| I
    I -->|"+Pengalaman"| K
    K -->|"+Penilaian"| W

    D -.->|"Risiko"| BAD["️ Garbage In,<br/>Garbage Out"]
    I -.->|"Risiko"| BIAS["Bias<br/>Interpretasi"]
    K -.->|"Risiko"| STALE[" Knowledge<br/>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.


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

## 🔥 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_



---