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

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

# BAB 3
## Data dan Informasi sebagai Aset Organisasi

<p class="bagian">II — Fondasi Berpikir Manajerial</p>

**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 |


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

## 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<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_



---