sim-manajement-book/chapters/outlines/_archive_v1/outline-bab-05.md

OUTLINE DETAIL — BAB 5

Fondasi Data: Basis Data, Data Warehouse, dan Big Data

Bagian: II — Data sebagai Aset Strategis
Level: Menengah
Estimasi Halaman: 18–22
Target Kata: 4.500–5.500

---

SEK 5.1 — PEMBUKA

Opening Bridge dari Bab 4: Keempat bab di Bagian I membangun gambaran mengapa SI adalah kapabilitas strategis dan bagaimana ia bekerja di seluruh rantai nilai. Namun semua kapabilitas tersebut bertumpu pada satu fondasi: data. Kualitas keputusan, kecepatan respons, dan kedalaman insight sebuah organisasi hanya bisa sebaik fondasi datanya. Bagian II dimulai dari pertanyaan paling mendasar: apa sesungguhnya data sebagai aset strategis, dan bagaimana mengelolanya?

Hook: Sebuah bank regional memiliki 2,3 juta catatan nasabah tersebar di 17 sistem yang berbeda. Di satu sistem, Ahmed Santoso tercatat tinggal di Yogyakarta. Di sistem lain, ia tercatat di Semarang. Di sistem ketiga, tanggal lahirnya berbeda 2 tahun dari kedua catatan. Ketika tim marketing ingin mengirim penawaran personal, mereka tidak bisa memulai — karena tidak ada yang tahu siapa Ahmed Santoso yang "sesungguhnya."

Pertanyaan sentral: "Bagaimana organisasi membangun fondasi data yang solid — dari basis data operasional, data warehouse analitik, hingga pengelolaan big data — sebagai prasyarat semua kapabilitas SI lebih lanjut?"

---

SEK 5.2 — MODEL UTAMA (Gambar 5.1)

Nama Model: Arsitektur Data Tiga Lapisan (ADTL)

Mermaid diagram: graph TD, 3 lapisan vertikal dengan aliran data

Layer 1 (bawah): Sumber Data
  - Sistem Transaksional (OLTP): TPS, ERP, POS, IoT, Mobile
  - Sumber Eksternal: API partner, web scraping, pembelian data
  
Layer 2 (tengah): Integrasi & Penyimpanan
  - ETL/ELT Pipeline
  - Data Warehouse (OLAP)
  - Data Lake (raw, all formats)
  - Data Lakehouse (hybrid)
  
Layer 3 (atas): Konsumsi & Analitik
  - BI Tools & Dashboards
  - ML/AI Models
  - Self-service Analytics
  - API untuk aplikasi downstream

Penjelasan per node:

1. OLTP — Online Transaction Processing: optimasi untuk write-heavy, row-based, current data
2. ETL/ELT — Extract-Transform-Load atau Load-Transform: jembatan dari operasional ke analitik
3. Data Warehouse — Online Analytical Processing (OLAP): optimasi untuk read-heavy, columnar, historical data
4. Data Lake — Penyimpanan data raw dalam format aslinya, skala masif, biaya rendah
5. Data Lakehouse — Hybrid: fleksibilitas data lake + struktur governance data warehouse
6. Self-service Analytics — Kemampuan pengguna bisnis mengakses dan menganalisis data tanpa bantuan IT

---

SEK 5.3 — DEFINISI KUNCI

1. 📌 Basis Data Relasional (Relational Database) — Kumpulan data terstruktur yang diorganisasi dalam tabel-tabel yang saling berhubungan melalui kunci-kunci (keys), dikelola dengan SQL dan dirancang untuk integritas transaksi (ACID properties) (Laudon & Laudon, 2022). Relevansi manajerial: basis data relasional adalah fondasi sebagian besar sistem operasional bisnis — memahami logikanya membantu manajer mengajukan pertanyaan yang tepat kepada tim data.

2. 📌 Data Warehouse — Repositori data terpusat yang dirancang khusus untuk analitik, mengintegrasikan data dari berbagai sumber operasional, menyimpan data historis, dan dioptimalkan untuk query baca (read) yang kompleks oleh manajer dan analis (Kimball & Ross, 2022). Relevansi: data warehouse adalah "sistem of record" untuk analitik — sumbernya harus single dan tepercaya.

3. 📌 Big Data — Data yang memiliki karakteristik Volume (ukuran sangat besar), Velocity (dihasilkan dengan kecepatan sangat tinggi), Variety (hadir dalam beragam format terstruktur dan tidak terstruktur), Veracity (tingkat kepercayaan yang perlu divalidasi), dan Value (potensi insight bisnis jika diproses dengan benar) — dikenal sebagai 5V Big Data (IBM Institute for Business Value, 2021). Relevansi: memahami 5V membantu manajer menilai apakah organisasinya benar-benar menghadapi tantangan big data atau hanya masalah manajemen data konvensional.

4. 📌 Kualitas Data (Data Quality) — Tingkat kesesuaian data dengan tujuan penggunaannya, diukur melalui dimensi akurasi, kelengkapan, konsistensi, ketepatan waktu, validitas, dan keunikan (DAMA International, 2021). Relevansi: "garbage in, garbage out" — semua kapabilitas analitik bergantung pada kualitas data yang mendasarinya.

---

SEK 5.4 — KONSEP INTI

5.4.1 — OLTP vs OLAP: Dua Dunia yang Berbeda

Argumen utama: Sistem transaksional dan sistem analitik didesain untuk tujuan yang berbeda secara fundamental — mencoba menganalisis dari OLTP sama dengan mencoba membangun rumah dengan obeng. Perbedaan kunci OLTP vs OLAP:

• OLTP: tulis banyak, baca sedikit; konsistensi per transaksi; data saat ini; optimasi untuk insert/update/delete; row-based storage
• OLAP: baca banyak, tulis sedikit; konsistensi historis; data agregat; optimasi untuk complex SELECT; columnar storage; denormalized Analogi: OLTP = kasir bank yang harus memproses setiap transaksi dengan cepat dan akurat; OLAP = analis yang membaca laporan transaksi 6 bulan ke belakang untuk menemukan pola

5.4.2 — Data Warehouse: Konsep Kimball dan Inmon

Argumen utama: Ada dua pendekatan berbeda (bahkan berlawanan) dalam membangun data warehouse — keduanya valid, pilihan bergantung pada kontext. Pendekatan Inmon (Top-Down):

• Bangun enterprise data warehouse dulu (normalized, 3NF)
• Selanjutnya bangun data mart per departemen
• Keunggulan: integritas data terjaga, single source of truth
• Kelemahan: lambat untuk mulai, mahal

Pendekatan Kimball (Bottom-Up):

• Bangun data mart per departemen lebih dulu
• Integration di bus architecture (conformed dimensions)
• Keunggulan: lebih cepat memberikan value, iteratif
• Kelemahan: risiko inkonsistensi jika tidak dikelola

Relevansi untuk manajer: Pendekatan yang dipilih menentukan berapa lama sebelum analitik tersedia dan seberapa besar investasi awal diperlukan.

5.4.3 — 5V Big Data dan Implikasi Manajerial

Argumen utama: Banyak manajer salah mengidentifikasi masalah data mereka sebagai "big data" — padahal itu manajemen data konvensional. Dan sebaliknya: meremehkan tantangan big data yang nyata. 5V dianalisis:

• Volume: bukan tentang angka terabyte — tapi apakah infrastruktur data Anda tidak mampu menangani?
• Velocity: real-time streaming vs batch; implikasi berbeda pada arsitektur dan biaya
• Variety: structured (SQL), semi-structured (JSON, XML), unstructured (teks, gambar, video)
• Veracity: data dari sumber berbeda memiliki tingkat kepercayaan berbeda — penting untuk di-weight dengan tepat
• Value: pertanyaan paling penting — apakah biaya pengelolaan data ini sebanding dengan insight yang dihasilkan?

5.4.4 — Data Lake, Data Warehouse, Data Lakehouse

Argumen utama: Tiga arsitektur penyimpanan berbeda untuk kebutuhan berbeda — bukan saling menggantikan. Perbandingan:

	Data Warehouse	Data Lake	Data Lakehouse
Data format	Structured	Raw/any	Any
Data quality	High (curated)	Variable	Managed
Schema	Schema-on-write	Schema-on-read	Both
Cost	High	Low	Medium
Query performance	Fast (SQL)	Slow (depends)	Good
Best for	BI & reporting	ML/AI training	Both

Contoh tools: DW: Snowflake, Google BigQuery, Azure Synapse; DL: AWS S3 + Athena, HDFS; Lakehouse: Databricks Delta Lake, Apache Iceberg

5.4.5 — Manajemen Master Data

Argumen utama: Proble bank nasabah di hook tadi adalah masalah master data — dan ini lebih umum dari yang disadari. Apa itu master data:

• Core business entities yang direferensikan lintas semua sistem: Customer, Product, Supplier, Employee, Location
• Masalah: setiap sistem mendefinisikan dan merubah entity ini sendiri-sendiri → fragmentasi

MDM (Master Data Management):

• Mendefinisikan "golden record" — satu versi kebenaran per entity
• Governance: siapa yang berhak mengubah data apa
• Deduplikasi dan record linkage

Data: Gartner (2024) — 60% organisasi tanpa MDM formal memiliki setidaknya satu master entity yang 25%+ recordnya mengandung inkonsistensi.

5.4.6 — ETL/ELT: Jembatan Data Operasional ke Analitik

Argumen utama: Kualitas data warehouse bergantung sangat besar pada kualitas pipeline ETL/ELT. Stages ETL:

1. Extract — Ambil data dari berbagai sumber; handle different formats, schedules
2. Transform — Bersihkan, validasi, enrichken, normalisasi, aggregate
3. Load — Muat ke target (warehouse, data mart)

Modern shift ke ELT (Extract-Load-Transform):

• Dengan cloud DW yang powerful, transformation dilakukan setelah loading
• Lebih fleksibel: raw data tersimpan, transformation bisa di-iterate

Tools populer: dbt (data build tool), Apache Airflow, AWS Glue, Talend, Fivetran

5.4.7 — Governance Data dan Privasi

Argumen utama: Data yang berlimpah tanpa governance adalah bom waktu — risiko privasi, regulasi, dan kepercayaan. Data governance framework:

1. Data ownership — siapa yang bertanggung jawab atas setiap data domain
2. Data catalog — inventaris semua data asset
3. Data quality rules — standar yang harus dipenuhi
4. Data lineage — dari mana data berasal, transformasi apa yang terjadi
5. Access control — siapa yang berhak mengakses apa

Regulasi Indonesia: UU Pelindungan Data Pribadi (UU PDP) No. 27 Tahun 2022 — berlaku penuh 2024. Implikasi: setiap organisasi yang mengumpulkan data pribadi WNI harus memiliki legal basis, data retention policy, dan mekanisme consent yang valid.

---

SEK 5.5 — KOMPARASI (Tabel 5.1)

Judul Tabel: "Data Dikelola Ad-Hoc vs Data sebagai Aset Terkelola: 8 Dimensi Operasional"

Dimensi	Data Ad-Hoc (Silo per Departemen)	Data sebagai Aset Terkelola
Definisi entitas bisnis	Berbeda per sistem	Single definition (MDM)
Sumber kebenaran laporan	"Versi Excel kamu vs Excel saya"	Single source of truth (DW)
Waktu menyiapkan laporan	Hari hingga minggu	Menit (self-service BI)
Kepercayaan pada data	Rendah (sering ditemukan inkonsistensi)	Tinggi (lineage dan quality rules terdokumentasi)
Kemampuan analitik historis	Terbatas (data tidak terpusat)	Penuh (DW menyimpan history)
Kepatuhan regulasi data	Reaktif dan tidak konsisten	Proaktif dengan governance framework
Onboarding karyawan baru	Butuh waktu lama belajar "data mana yang benar"	Lebih cepat (katalog data tersedia)
Nilai AI/ML	Dibatasi oleh kualitas data	Di-unlock oleh data yang bersih dan konsisten

💡 Insight: Organisasi yang belum mengelola data sebagai aset formal tidak sedang "menabung uang" — mereka sedang mengakumulasi technical debt data yang akan semakin mahal untuk dibayar seiring waktu.

---

SEK 5.6 — REALITAS LAPANGAN

Fenomena 1: Dark Data — Aset yang Tersembunyi

Konten: IBM Institute for Business Value (2021) — 80% data organisasi adalah dark data: data yang dikumpulkan tapi tidak pernah dianalisis. Dalam aktivitas operasional sehari-hari, ribuan sinyal berharga terlewatkan — log server, catatan komplain customer, email internal, data sensor yang tidak terhubung ke sistem analitik.

💡 Insight: Pertanyaan yang lebih relevan dari "apakah kita sudah punya big data?" adalah "berapa persen dari data yang ada sudah memberikan nilai bisnis?" — biasanya jawabannya mengejutkan.

Fenomena 2: Indonesia Data Center Boom — Infrastruktur vs Kapabilitas

Konten: Indonesia mengalami boom investasi data center 2022–2025: Google, AWS, Microsoft, dan Alibaba Cloud masing-masing mengumumkan investasi miliaran dolar. Kapasitas data center Indonesia meningkat 3× dalam 3 tahun. Namun KPMG Indonesia (2023) menemukan bahwa 73% perusahaan yang bermigrasi ke cloud belum memiliki data governance framework yang memadai.

💡 Insight: Infrastruktur yang luar biasa tidak secara otomatis menghasilkan kapabilitas data. Governance dan kompetensi adalah bottleneck yang sesungguhnya.

Fenomena 3: OJK Data Integration — Tantangan Regulasi Data Perbankan

Konten: Otoritas Jasa Keuangan (OJK) membangun Pusat Data Industri Keuangan (PDIK) sebagai infrastruktur data terpusat untuk sektor keuangan Indonesia. Tantangan utama: 100+ bank, 1000+ perusahaan asuransi, dan ribuan fintech harus mengirim data dalam format standar. Proses standardisasi master data dan format laporan membutuhkan 2022–2025 untuk implementasi penuh. (OJK Annual Report 2024)

💡 Insight: Bahkan regulasi dengan kekuatan hukum membutuhkan waktu bertahun-tahun untuk menyelesaikan masalah integrasi data lintas organisasi — ini menggambarkan betapa kompleks dan krusialnya fondasi data.

---

SEK 5.7 — JEBAKAN KOGNITIF

1. ⚠️ "Lebih banyak data selalu lebih baik"

   • Mengapa salah: Data yang tidak relevan, tidak bersih, atau tidak terstruktur menambah beban kognitif dan biaya, bukan nilai. Gartner (2024) — organisasi menghabiskan rata-rata 30% waktu analis untuk membersihkan data, bukan menganalisis.
   • Koreksi: Prinsip yang tepat: "right data, right quality, right time" — ini lebih bermakna dari volume semata.

2. ⚠️ "Data warehouse sudah cukup — kita tidak butuh data lake"

   • Mengapa salah: Data warehouse membutuhkan schema yang terdefinisi sebelum data masuk (schema-on-write) — ini bagus untuk laporan standar, tapi membatasi eksplorasi untuk pertanyaan baru.
   • Koreksi: Gunakan data warehouse untuk BI dan reporting yang sudah terdefinisi; gunakan data lake (atau lakehouse) untuk eksplorasi, ML training, dan data yang formatnya tidak terduga.

3. ⚠️ "Big data adalah masalah IT, bukan urusan manajer bisnis"

   • Mengapa salah: Keputusan tentang data apa yang dikumpulkan, berapa lama disimpan, bagaimana digunakan, dan siapa yang bertanggung jawab adalah keputusan bisnis yang fundamental.
   • Koreksi: Data ownership harus di tangan manajer bisnis domain yang relevan — IT hanya menyediakan infrastruktur dan tools.

4. ⚠️ "UU PDP hanya relevan untuk perusahaan e-commerce atau perbankan"

   • Mengapa salah: UU PDP Indonesia berlaku untuk setiap organisasi yang mengumpulkan, memproses, atau mentransfer data pribadi WNI — termasuk HR database perusahaan manufaktur, sistem pendaftaran rumah sakit, dan data mahasiswa perguruan tinggi.
   • Koreksi: Lakukan data audit: data pribadi apa yang Anda kumpulkan? Legal basis apa yang Anda miliki? Apakah sudah ada DPO (Data Protection Officer)?

---

SEK 5.8 — STUDI KASUS

Kasus A (Dasar): Bank Mandiri — One Data Initiative

Sumber: Annual Report Bank Mandiri 2024, Ikhsanuddin & Alim (2025) Kondisi awal (❌): Sebelum 2018 — data nasabah Bank Mandiri tersebar di lebih dari 60 sistem warisan (legacy). Tidak ada golden record nasabah. Laporan regulasi membutuhkan rekonsiliasi manual selama 2–3 hari kerja. Personalisasi marketing hampir tidak mungkin karena profil nasabah tidak terintegrasi. Perubahan (✅): One Data Bank Mandiri — enterprise data platform yang menjadi single source of truth untuk semua data nasabah, produk, dan transaksi. MDM platform dengan deduplikasi AI. Self-service analytics portal untuk 1.500+ manajer di seluruh Indonesia. Tabel: Metrik kualitas data (sebelum vs sesudah), waktu laporan regulasi, cakupan analitik mandiri Pelajaran: Investasi dalam fondasi data adalah prerequisite untuk semua inisiatif digital berikutnya.

Kasus B (Lanjutan): Airbnb — Data Infrastructure at Scale

Sumber: Airbnb Engineering Blog (2023), Sharda et al. (2024) Kondisi awal (❌): 2015 — Airbnb memiliki data tersebar dan tidak terkelola. Analis menghabiskan >50% waktu mereka untuk data preparation. Tidak ada katalog data. Tim yang berbeda menghasilkan angka yang berbeda untuk metrik yang sama. Perubahan (✅): Pembangunan "Dataportal" — internal data catalog yang memungkinkan setiap Airbnb employee mencari, memahami, dan menggunakan data. Juga membangun "Minerva" — metrics platform yang memastikan definisi metrik konsisten di seluruh organisasi. Hasilnya: analis menghabiskan <10% waktu untuk data preparation. Pelajaran: Data infrastructure bukan hanya untuk data engineers — ia harus memungkinkan setiap decision-maker mengakses data yang mereka butuhkan secara mandiri.

---

SEK 5.9 — TEMPLATE PRAKTIS

Nama Template: Audit Kematangan Fondasi Data

======================================
TEMPLATE 5.1 — AUDIT KEMATANGAN FONDASI DATA
======================================

ORGANISASI: ____________________________

BAGIAN A: INVENTARISASI DATA KRITIS
(Daftarkan 5 entitas bisnis terpenting yang datanya dikelola)

Entitas Bisnis | Sistem Penyimpan | Jumlah Sistem | Apakah Ada MDM? | Skor Kualitas (1-5)
---------------|-----------------|---------------|-----------------|-------------------
               |                 |               | [ ]Ya [ ]Tidak  |
               |                 |               | [ ]Ya [ ]Tidak  |
               |                 |               | [ ]Ya [ ]Tidak  |

BAGIAN B: ARSITEKTUR DATA SAAT INI
[ ] Data tersebar di sistem operasional, belum ada integrasi analitik
[ ] Ada laporan agregat tapi masih manual/spreadsheet  
[ ] Ada data warehouse tapi terbatas (per departemen)
[ ] Ada enterprise data warehouse / data lake terintegrasi
[ ] Ada modern data lakehouse + self-service analytics

BAGIAN C: KUALITAS DATA (6 DIMENSI)
(Skor 1–5 per dimensi berdasarkan pengamatan Anda)

Akurasi (data mencerminkan realita)     : ___/5
Kelengkapan (tidak ada yang hilang)     : ___/5
Konsistensi (sama di semua sistem)      : ___/5
Ketepatan waktu (tersedia saat butuh)  : ___/5
Validitas (sesuai format/aturan bisnis) : ___/5
Keunikan (tidak ada duplikasi)         : ___/5

Skor total rata-rata: ___/5

BAGIAN D: KEPATUHAN UU PDP
Data pribadi yang dikumpulkan           : ____________________________
Legal basis yang dimiliki               : [ ]Kontrak [ ]Consent [ ]Kepentingan sah [ ]Tidak ada
Status DPO (Data Protection Officer)   : [ ]Ada [ ]Belum ada
Kebijakan retensi data                 : [ ]Terdokumentasi [ ]Belum ada

BAGIAN E: PRIORITAS PERBAIKAN
Masalah data paling mendesak           : ____________________________
Dampak ke operasional/keputusan        : ____________________________
Langkah pertama yang bisa dilakukan    : ____________________________
Timeline perbaikan realistis           : ____________________________

======================================

---

SEK 5.10 — PETA KONSEP (Gambar 5.2)

Root: Fondasi Data sebagai Aset Strategis
├── Arsitektur Data Tiga Lapisan
│   ├── OLTP (operasional) → ETL/ELT → OLAP (analitik)
│   └── DW vs DL vs Lakehouse
├── 5V Big Data
│   ├── Volume, Velocity, Variety
│   └── Veracity, Value (paling penting)
├── Kualitas Data (6 dimensi)
│   └── "Garbage in, garbage out"
├── Master Data Management
│   └── Golden record + governance
└── Regulasi & Governance
    ├── UU PDP No. 27/2022
    └── Data catalog + lineage

---

SEK 5.11 — RANGKUMAN

7 poin takeaway:

1. OLTP dan OLAP adalah dua dunia berbeda yang harus dipisahkan — analitik bisnis tidak boleh dijalankan langsung di sistem transaksional.
2. 5V Big Data bukan definisi volume semata — aspek Veracity (kepercayaan) dan Value (nilai bisnis) adalah yang paling menentukan apakah data bernilai atau sekedar beban.
3. ETL/ELT pipeline adalah "jembatan tersembunyi" yang menentukan kualitas data warehouse — kualitas pipeline menentukan kualitas semua analitik di atasnya.
4. Master Data Management menyelesaikan masalah fundamental "data mana yang benar?" — tanpa MDM, semua inisiatif analitik akan terus berdebat tentang angka, bukan tentang insight.
5. Dark data — data yang dikumpulkan tapi tidak dianalisis — adalah pemborosan yang sekaligus peluang tersembunyi.
6. Governance data bukan overhead teknis — ia adalah mekanisme yang memastikan data dapat dipercaya, digunakan, dan dilindungi sesuai aturan.
7. UU PDP Indonesia (2022) membuat data governance bukan hanya best practice — melainkan kewajiban hukum yang berlaku untuk setiap organisasi.

Closing Bridge ke Bab 6: Fondasi data yang solid (Bab 5) adalah prasyarat untuk analitik yang bermakna. Bab 6 akan membahas tahap berikutnya: bagaimana mengubah data yang tersimpan menjadi insight yang dapat menggerakkan keputusan bisnis, melalui Business Intelligence dan Analytics.

🔥 "Data bukan aset karena tersimpan dalam jumlah besar — data menjadi aset hanya ketika ia dipercaya, dipahami, dan digunakan untuk membuat keputusan yang lebih baik."

---

SEK 5.12 — LATIHAN & REFLEKSI

Pertanyaan Reflektif:

1. Berapa "entitas master" yang Anda bayangkan ada di sebuah perusahaan retail? Apa tantangan utama dalam menjaga konsistensi definisi entitas-entitas tersebut di semua sistem?
2. Pikirkan satu kasus di mana Anda mendapati laporan dari dua sumber memberikan angka berbeda. Apa penyebabnya? Bagaimana MDM dan data warehouse bisa menghindari situasi itu?
3. Mengapa "menambahkan lebih banyak data" tidak serta-merta meningkatkan kualitas keputusan? Apa yang lebih penting dari volume data?
4. Jika Anda penanggung jawab data di sebuah perusahaan e-commerce yang baru saja terkena kasus pelanggaran privasi, langkah-langkah apa yang perlu Anda ambil berdasarkan perspektif UU PDP?

Latihan Artefak 5.1 — Audit Kematangan Fondasi Data Gunakan Template 5.1 untuk satu organisasi:

1. Inventarisasi 3–5 entitas bisnis kritis dan status MDM-nya
2. Nilai arsitektur data saat ini
3. Nilai kualitas data di 6 dimensi
4. Periksa kepatuhan UU PDP
5. Usulkan satu prioritas perbaikan dengan justifikasi dampak bisnis

Artefak 5.1 melengkapi profil organisasi yang dibangun sejak Bab 1–4, khususnya memperdalam layer foundational data.

---

REFERENSI BAB 5

• Kimball, R., & Ross, M. (2022). The data warehouse toolkit: The definitive guide to dimensional modeling (3rd ed.). Wiley.
• Inmon, W. H. (2022). Building the data warehouse (4th ed.). Wiley.
• DAMA International. (2021). DAMA-DMBOK: Data management body of knowledge (2nd ed.). Technics Publications.
• IBM Institute for Business Value. (2021). The data difference: Delivering valued business outcomes. IBM Corporation.
• Laudon, K. C., & Laudon, J. P. (2022). Management Information Systems: Managing the Digital Firm (17th ed.). Pearson.
• Sharda, R., Delen, D., & Turban, E. (2024). Analytics, data science, and artificial intelligence (12th ed.). Pearson.
• Gartner Research. (2024). Top strategic technology trends for 2025. Gartner, Inc.
• KPMG Indonesia. (2023). Digital transformation in Indonesian enterprises. KPMG International.
• Ikhsanuddin, M. H. F., & Alim, H. B. (2025). Perancangan arsitektur data warehouse untuk analitik kinerja akademik perguruan tinggi. Journal of Informatics Management and Information Technology (JIMAT).
• OJK. (2024). Laporan tahunan Otoritas Jasa Keuangan 2024. OJK.
• Republik Indonesia. (2022). Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi. Kementerian Hukum dan HAM.
• IDC. (2024). Worldwide digital transformation spending guide, 2024–2028. International Data Corporation.