View : 309 kali.

Home > Pokok Bahasan Sistem Informasi Manajemen > Week Materi Kuliah Sistem Informasi Manajemen

Week 6 - Sistem Pendukung Keputusan, Business Intelligence, dan Dashboard

Setelah mengikuti perkuliahan ini, mahasiswa diharapkan mampu:

  1. Menjelaskan konsep Sistem Pendukung Keputusan (Decision Support System/DSS).
  2. Memahami perbedaan antara DSS, Business Intelligence (BI), dan Dashboard.
  3. Menjelaskan komponen utama Business Intelligence.
  4. Menganalisis bagaimana data diolah menjadi informasi dan pengetahuan untuk mendukung pengambilan keputusan.
  5. Mengidentifikasi manfaat dashboard dalam memantau kinerja organisasi.
  6. Menganalisis contoh penerapan DSS, BI, dan dashboard pada dunia bisnis.

Masuk ke minggu ke-6, kita bergeser dari sistem yang menangani transaksi harian (seperti SIA atau HRIS di Week 5) ke sistem yang membantu manajer tingkat menengah hingga atas dalam berpikir dan mengambil langkah strategis.
1. Apa itu Sistem Pendukung Keputusan (DSS)?
Sistem Pendukung Keputusan (Decision Support System / DSS) adalah sistem informasi berbasis komputer yang interaktif, fleksibel, dan adaptif, yang dikembangkan secara khusus untuk membantu manajemen dalam mencari solusi atas masalah yang bersifat semi-terstruktur atau tidak terstruktur. 
Kunci utamanya: DSS bukan untuk menggantikan posisi manajer, melainkan sebagai "asisten cerdas" yang menyajikan data, simulasi, dan analisis agar keputusan yang diambil manusia menjadi lebih akurat dan objektif. 
2. Memahami Jenis Masalah dalam Bisnis
Agar lebih mudah dipahami, dalam dunia manajemen, masalah keputusan dibagi menjadi tiga level:
3. Komponen Utama Pembuat DSS
Sebuah sistem bisa disebut sebagai DSS jika memiliki tiga komponen arsitektur berikut:
  • Manajemen Data (Database): Berisi kumpulan data internal perusahaan dan data eksternal industri yang relevan dengan masalah yang mau diselesaikan.  
  • Manajemen Model (Model Base): Otak dari DSS yang berisi rumus matematika, statistik, atau model finansial (contoh: analisis What-If, linear programming, atau analisis risiko).  
  • Antarmuka Pengguna (User Interface / UI): Tampilan visual layar tempat manajer memasukkan perintah, mengubah variabel, dan melihat hasil analisis (bisa berupa grafik atau tabel interaktif). 
4. Contoh Analogi Mudah di Kehidupan Nyata
Bayangkan Anda ingin membeli rumah:
  • Jika Anda hanya menghitung cicilan bulanan berdasarkan bunga bank tetap, itu adalah masalah terstruktur (cukup pakai kalkulator/Excel biasa).
  • Namun, jika Anda harus memilih rumah berdasarkan jarak ke kantor, fasilitas sekolah anak, potensi banjir, dan prediksi kenaikan harga tanah 10 tahun ke depan, itu adalah masalah semi-terstruktur.
  • Aplikasi yang bisa Anda masukkan bobot nilai (misal: Prioritas Jarak = 40%, Prioritas Harga = 60%) lalu memunculkan rekomendasi rumah terbaik untuk Anda?"itulah cara kerja DSS.
Kesimpulan untuk Mahasiswa
Sistem Pendukung Keputusan (DSS) adalah alat bantu digital untuk menjawab pertanyaan manajer yang berbunyi: "Apa yang akan terjadi jika kita mengambil opsi A atau opsi B?". DSS menggabungkan kekuatan data komputer dengan kekuatan intuisi manusia.  

2. Jenis-jenis keputusan dalam organisasi.  Ke Daftar Isi
Untuk memahami mengapa manajer membutuhkan sistem informasi yang berbeda-beda, kita harus melihat jenis keputusan yang mereka ambil setiap hari. Dalam organisasi, keputusan dibagi berdasarkan dua sudut pandang: berdasarkan struktur masalah dan berdasarkan tingkatan manajemen.  
A. Keputusan Berdasarkan Struktur Masalah
Seperti yang sempat disinggung pada poin pertama, Simon (1977) membagi keputusan menjadi tiga jenis berdasarkan tingkat kejelasan masalahnya:
  • Keputusan Terstruktur (Structured Decision): Keputusan yang sifatnya berulang, rutin, dan memiliki prosedur serta rumus yang pasti.
    • Karakteristik: Tidak butuh intuisi manajer. Keputusan bisa didelegasikan ke komputer atau staf operasional.
    • Contoh: Menghitung potongan BPJS karyawan, memesan ulang alat tulis kantor saat stok menipis, atau menyetujui klaim biaya perjalanan dinas yang sesuai plafon. 
  • Keputusan Semi-Terstruktur (Semi-structured Decision): Keputusan yang sebagian prosedurnya jelas dan memiliki rumus baku, tetapi sebagian lagi membutuhkan penilaian klinis atau intuisi dari pengambil keputusan.
    • Karakteristik: Membutuhkan kombinasi data komputer dan analisis manusia. Di sinilah DSS paling sering digunakan.
    • Contoh: Menentukan plafon kredit bagi nasabah bank baru, menetapkan anggaran promosi akhir tahun, atau memilih vendor penyedia bahan baku. 
  • Keputusan Tidak Terstruktur (Unstructured Decision): Keputusan yang kompleks, jarang terjadi, dan tidak memiliki prosedur baku karena masalahnya baru atau dinamis.
    • Karakteristik: Sangat bergantung pada intuisi, pengalaman, dan visi strategis pemimpin tertinggi.
    • Contoh: Memutuskan untuk merger dengan perusahaan kompetitor, meluncurkan produk baru yang belum pernah ada di pasar, atau merespons krisis reputasi perusahaan secara mendadak.  
B. Keputusan Berdasarkan Tingkatan Manajemen
Jenis keputusan juga sangat dipengaruhi oleh posisi jabatan seseorang di dalam struktur organisasi (Piramida Manajemen):  
1. Keputusan Strategis (Strategic Decision)
  • Siapa yang mengambil: Manajemen Tingkat Atas (Top Management).
  • Fokus: Menentukan tujuan jangka panjang perusahaan, kebijakan umum, dan arah bisnis secara global (biasanya untuk 3-5 tahun ke depan).
  • Sifat Masalah: Mayoritas Tidak Terstruktur 
2. Keputusan Taktis (Tactical Decision)
  • Siapa yang mengambil: Manajemen Tingkat Menengah (Middle Management).
  • Fokus: Bagaimana mengalokasikan sumber daya perusahaan secara efisien demi mencapai target yang sudah ditetapkan oleh top manajemen (skala bulanan hingga tahunan).
  • Sifat Masalah: Mayoritas Semi-Terstruktur. 
3. Keputusan Operasional (Operational Decision)
  • Siapa yang mengambil: Manajemen Tingkat Bawah (Operational Management/Supervisor).
  • Fokus: Menjalankan tugas dan aktivitas bisnis spesifik sehari-hari agar berjalan sesuai rencana (skala harian hingga mingguan).
  • Sifat Masalah: Mayoritas Terstruktur.  
Kesimpulan untuk Mahasiswa
Perbedaan level manajemen melahirkan perbedaan jenis keputusan. Sistem Pendukung Keputusan (DSS) dirancang untuk menjembatani manajemen taktis dan strategis, membantu mereka mengolah ketidakpastian menjadi pilihan-pilihan keputusan yang rasional dan terukur. 

3. Komponen dan arsitektur DSS.  Ke Daftar Isi
Sebuah sistem informasi tidak bisa disebut sebagai Sistem Pendukung Keputusan (DSS) jika tidak memiliki struktur internal yang mampu mengolah data mentah menjadi simulasi keputusan. Arsitektur DSS standar terdiri dari tiga komponen utama (sering disebut the business triad of DSS) ditambah unsur pengguna. 
1. Bagan Arsitektur DSS
Secara visual, aliran data dan komponen di dalam DSS dapat digambarkan sebagai berikut:
2. Penjelasan 3 Komponen Utama DSS
Berikut adalah rincian tugas dan isi dari masing-masing komponen pembentuk DSS:
1. Sub-sistem Manajemen Data (The Data Management Subsystem)
Komponen ini berfungsi sebagai penyedia bahan baku utama, yaitu data. Sub-sistem ini tidak hanya menyimpan data, tetapi juga menyaring dan mengorganisasikannya. 
  • Isi di dalamnya:
    • Database: Kumpulan data yang relevan dengan situasi (misal: data penjualan historis, data inventaris).
    • Data Internal: Berasal dari sistem transaksi perusahaan sendiri (SIA, SIP, HRIS).
    • Data Eksternal: Berasal dari luar perusahaan (kurs mata uang, data sensus penduduk, harga saham kompetitor, laporan riset industri).
    • DBMS (Database Management System): Perangkat lunak untuk membuat, menghapus, dan memperbarui data. 
2. Sub-sistem Manajemen Model (The Model Management Subsystem)
Ini adalah otak atau motor penggerak dari DSS. Komponen ini membedakan DSS dengan sistem informasi biasa. Manajemen model menyimpan rumus-rumus finansial, statistik, atau sains yang dapat menganalisis data untuk masa depan. 
  • Jenis Model yang Sering Digunakan:
    • Model Strategis: Membantu top manajemen menentukan rencana jangka panjang (misal: model merger perusahaan).
    • Model Taktis: Membantu manajer menengah mengalokasikan sumber daya (misal: model perencanaan anggaran atau tata letak pabrik).
    • Model Operasional: Mendukung aktivitas harian (misal: model penentuan rute pengiriman barang tercepat).
    • Alat Analitik (Analytic Tools): Teknik khusus seperti analisis What-If (Apa yang terjadi jika harga naik 5%?), analisis sensitivitas, atau simulasi risiko. 
3. Sub-sistem Antarmuka Pengguna (The User Interface Subsystem) 
Komponen visual yang menjembatani sistem komputer dengan pengguna manusia. Antarmuka DSS harus bersifat interaktif dan mudah dioperasikan tanpa perlu keahlian pemrograman komputer.  
  • Bentuk Tampilan: Grafis batang/lingkaran, tabel pivot yang bisa diklik, dasbor digital, atau menu pilihan drop-down.
  • Fungsi: Tempat manajer memasukkan pertanyaan/instruksi (input) dan tempat sistem menampilkan hasil rekomendasi keputusan (output). 
3. Komponen Tambahan: Pengguna (User) dan Pengetahuan (Knowledge)
  • Pengguna (User): Manajer atau analis yang menggunakan DSS. Karakteristik utama DSS adalah keterlibatan aktif pengguna. Komputer memberikan analisis data, namun keputusan akhir tetap berada di tangan intuisi manajer. 
  • Sub-sistem Manajemen Berbasis Pengetahuan (Knowledge-Based Management): Komponen opsional pada DSS tingkat lanjut (seperti AI atau Expert System) yang menyediakan keahlian atau solusi siap pakai untuk masalah spesifik berdasarkan pengalaman masa lalu.  
Kesimpulan untuk Mahasiswa
Arsitektur DSS bekerja secara berkesinambungan: Data dikumpulkan oleh manajemen data, lalu dimasak menggunakan rumus-rumus di Manajemen Model, dan hasilnya disajikan secara indah serta mudah dipahami melalui Antarmuka Pengguna agar manajer bisa mengambil keputusan secara cepat dan akurat. 

4. Konsep Business Intelligence.  Ke Daftar Isi
Setelah memahami DSS yang fokus membantu manajer secara spesifik, sekarang kita naik ke payung teknologi yang lebih besar, yaitu Business Intelligence (BI). Di era modern, DSS sering kali dianggap sebagai salah satu komponen atau cikal bakal di dalam ekosistem BI.
1. Apa itu Business Intelligence (BI)?
Business Intelligence (BI) adalah payung arsitektur, teknologi, aplikasi, dan metodologi yang mengubah data mentah (historis dan terkini) menjadi informasi dan pengetahuan yang bermakna, guna mendukung pengambilan keputusan strategi bisnis di seluruh level perusahaan. 
Secara sederhana: BI adalah proses mengubah tumpukan data menjadi uang (keuntungan) dengan cara membaca pola, tren, dan peluang yang tersembunyi di dalam data tersebut. 
2. Tiga Pertanyaan Utama yang Dijawab oleh BI
BI membantu perusahaan memahami kondisi bisnis mereka secara utuh melalui tiga pendekatan waktu: 
  • Apa yang telah terjadi? (Masa Lalu): Mengandalkan pelaporan historis (descriptive analytics) untuk melihat performa penjualan atau keuangan bulan lalu.  
  • Mengapa hal itu terjadi? (Masa Kini): Melakukan penelusuran data (drill-down) untuk menemukan akar masalah atau pemicu keberhasilan suatu tren saat ini.
  • Apa yang sebaiknya kita lakukan? (Masa Depan): Menggunakan data tersebut untuk menyusun strategi baru agar performa bisnis meningkat di masa mendatang.  
3. Siklus Kerja Aliran Data dalam BI
Sistem BI bekerja dengan menarik data dari berbagai sudut perusahaan, memasaknya di satu tempat, lalu menyajikannya ke manajemen. Proses ini dikenal dengan siklus ETL (Extract, Transform, Load):  
  1. Sumber Data (Data Sources): Mengumpulkan data mentah yang berserakan, baik dari database internal perusahaan (SIA, SIP, HRIS) maupun data eksternal (tren pasar).
  2. Proses ETL (Extract, Transform, Load): Data diambil (Extract), dibersihkan dari kesalahan ketik atau duplikasi (Transform), lalu dimasukkan (Load) ke wadah pusat. 
  3. Gudang Data (Data Warehouse): Database raksasa khusus yang menyimpan seluruh data bersih perusahaan dari tahun-tahun sebelumnya untuk siap dianalisis.  
  4. Alat Analisis (BI Tools): Data di dalam gudang diolah menggunakan software BI (seperti Tableau, Power BI, atau Looker Studio) untuk diubah menjadi grafik interaktif, laporan tren, atau dasbor digital. 
4. Perbedaan Mendasar: DSS vs BI
Mahasiswa sering kali tertukar antara DSS dan BI. Berikut cara mudah membedakannya di lembar ujian:
Poin PerbedaanSistem Pendukung Keputusan (DSS)Business Intelligence (BI)
Fokus UtamaMembantu masalah spesifik/personal seorang manajer.Memantau performa bisnis perusahaan secara keseluruhan.
Sumber DataMenggunakan database kecil atau data lokal divisi.Menggunakan gudang data raksasa terpusat (Data Warehouse).
ArsitekturSistemnya cenderung berdiri sendiri (standalone).Ekosistem teknologi besar yang mengikat seluruh divisi.
Tujuan AkhirSimulasi keputusan (What-If analysis).Visualisasi data eksekutif dan penemuan tren pasar baru.
Kesimpulan untuk Mahasiswa
Business Intelligence (BI) adalah alat detektif bagi perusahaan. BI memastikan manajemen tidak lagi menebak-nebak dalam membuat strategi bisnis, melainkan melangkah dengan pasti berdasarkan fakta, angka, dan tren nyata yang disajikan oleh sistem.  

5. Data Warehouse dan Data Mart.  Ke Daftar Isi
Sebelum data bisa ditampilkan dalam bentuk grafik atau dasbor interaktif oleh Business Intelligence (BI), data tersebut harus disimpan di tempat yang aman, rapi, dan terstruktur. Di sinilah peran Data Warehouse dan Data Mart sebagai infrastruktur penyimpanan data modern.
1. Apa itu Data Warehouse (Gudang Data)?
Data Warehouse (DWH) adalah sistem penyimpanan elektronik pusat yang mengumpulkan, membersihkan, dan mengintegrasikan data dari berbagai database operasional (seperti SIA, SIP, HRIS) serta sumber eksternal, untuk kemudian digunakan khusus bagi keperluan analisis dan pelaporan manajemen. 
Kunci utamanya: Data Warehouse tidak digunakan untuk mencatat transaksi harian, melainkan hanya untuk membaca data historis (data masa lalu) dalam jumlah besar secara cepat tanpa mengganggu sistem operasional yang sedang berjalan. 
2. Apa itu Data Mart (Toko Data)?
Data Mart adalah bagian kecil dari Data Warehouse yang dikhususkan atau difokuskan untuk melayani kebutuhan informasi dari satu departemen, divisi, atau kelompok pengguna tertentu saja.  
Analogi Mudah Membedakan DWH dan Data Mart:
Bayangkan sebuah Supermarket Besar:
  • Data Warehouse adalah keseluruhan gedung supermarket tersebut. Di dalamnya ada kosmetik, makanan segar, elektronik, pakaian, hingga mainan anak. Semua data perusahaan berkumpul di sini.  
  • Data Mart adalah lorong khusus atau counter spesifik di dalam supermarket. Misalnya, "Counter Kosmetik" hanya menyediakan kebutuhan kecantikan, atau "Lorong Sayur" hanya menyediakan bahan makanan.  
Divisi Pemasaran cukup melihat Data Mart Pemasaran, sementara Divisi Keuangan cukup mengakses Data Mart Keuangan agar proses pencarian data mereka lebih cepat dan fokus.
3. Perbedaan Utama: Data Warehouse vs Data Mart
Berikut adalah tabel perbandingan untuk membantu mahasiswa membedakannya dengan mudah saat ujian:
Poin PerbedaanData Warehouse (DWH)Data Mart
Cakupan DataSeluruh perusahaan / Korporat skala besar.Tunggal / Fokus pada satu divisi bisnis saja.
Sumber DataBanyak sumber (SIA, SIP, HRIS, Eksternal).Sedikit sumber (Biasanya turunan dari DWH utama).
UkuranSangat besar (Bisa mencapai Terabyte hingga Petabyte).Lebih kecil (Biasanya di bawah 100 Gigabyte).
Waktu PembuatanLama (Bisa berbulan-bulan hingga tahunan).Cepat (Hitungan hari atau minggu).
SubjekMulti-subjek (Semua aspek bisnis perusahaan).Subjek tunggal (Misal: khusus data penjualan saja).
4. Struktur Aliran Data: Dari Transaksi ke Data Mart
Data mengalir dari sistem harian hingga siap disajikan ke manajer divisi melalui struktur berikut:
Kesimpulan untuk Mahasiswa
Data Warehouse dan Data Mart adalah fondasi dari semua sistem pendukung keputusan modern. Keduanya bertindak sebagai "perpustakaan raksasa yang rapi" bagi perusahaan, memastikan para manajer dapat mengambil data historis dari tahun-tahun lalu dalam hitungan detik demi menyusun strategi masa depan yang akurat.

6. Proses ETL (Extract, Transform, Load).  Ke Daftar Isi
Sebelum data yang berserakan di berbagai divisi bisa masuk ke dalam Data Warehouse atau Data Mart (materi poin 5), data tersebut harus melalui sebuah koridor penyaringan dan penyelarasan. Koridor teknologi ini disebut dengan proses ETL (Extract, Transform, Load).
1. Pengertian Proses ETL
ETL (Extract, Transform, Load) adalah tiga tahapan proses integrasi data yang berfungsi untuk mengambil data dari berbagai sumber sistem yang berbeda, mengubah bentuk data tersebut agar sesuai dengan standar format perusahaan, dan memasukkannya ke dalam gudang penyimpanan data pusat (Data Warehouse).
Proses ETL adalah penentu utama kualitas data (data quality) di dalam sebuah perusahaan. Jika proses ETL buruk, maka visualisasi grafik dan keputusan bisnis yang diambil manajer juga akan ikut salah (Garbage In, Garbage Out).
2. Tiga Tahapan Utama dalam ETL
Mari kita bedah cara kerja masing-masing tahapan ETL satu per satu:
A. Extract (Pengekstrakan / Pengambilan Data)
Proses membaca dan mengumpulkan data mentah dari berbagai sumber sistem operasional yang aktif di perusahaan.
  • Tantangan: Sumber data memiliki format yang berbeda-beda. Ada data dari database SQL (SIA), file Excel manual dari staf gudang, data teks (.txt), atau data dari komputasi awan (cloud).
  • Cara Kerja: Sistem mengambil data baru atau data yang berubah sejak proses ekstraksi terakhir tanpa mengganggu performa kerja sistem harian tersebut.
B. Transform (Transformasi / Pembersihan Data)
Data yang sudah diambil dikumpulkan di area transit (staging area) untuk "dimasak" dan dibersihkan. Ini adalah tahap paling krusial karena data mentah biasanya kotor dan tidak seragam.
  • Aktivitas di Tahap Transform:
    • Pembersihan (Cleaning): Menghapus data ganda (duplicate), memperbaiki salah ketik, atau mengisi data yang kosong (null values).
    • Standardisasi (Standardization): Menyamakan format. Contoh: Format tanggal di divisi sales adalah BB/HH/TTTT sedangkan di divisi HRD adalah TTTT-BB-HH. Sistem akan mengubah semuanya menjadi satu format standar baku perusahaan.
    • Penyaringan (Filtering): Memilih hanya kolom data yang penting untuk dianalisis dan membuang detail transaksi kecil yang tidak dibutuhkan eksekutif.
C. Load (Pemuatan / Penyimpanan Data)
Tahap akhir di mana data yang sudah bersih, rapi, dan terstandarisasi dipindahkan dari area transit ke dalam target penyimpanan akhir, yaitu Data Warehouse atau Data Mart.
  • Cara Kerja: Proses ini biasanya dijadwalkan secara otomatis pada jam-jam sepi aktivitas kantor (misal: setiap jam 12 malam) agar tidak membebani jaringan internet dan server perusahaan.
3. Contoh Analogi Mudah di Kehidupan Nyata
Bayangkan Anda adalah seorang Koki Restoran Internasional yang ingin membuat sup sayur:
  • Extract: Anda pergi ke pasar tradisional untuk membeli wortel, pasar modern untuk membeli kentang, dan ke petani langsung untuk membeli buncis. Anda mengumpulkan sayuran dari berbagai tempat berbeda ke dalam satu keranjang belanja.
  • Transform: Di dapur, Anda mencuci sayuran dari tanah (membersihkan), mengupas kulitnya yang rusak, dan memotong semuanya menjadi bentuk dadu yang seragam (standardisasi).
  • Load: Anda memasukkan semua sayuran yang sudah siap dan bersih tadi ke dalam satu panci besar berisi kuah sup yang mendidih (Data Warehouse) agar siap dihidangkan kepada pelanggan.
Kesimpulan untuk Mahasiswa
Proses ETL adalah petugas kebersihan sekaligus penata data di perusahaan. Tanpa ETL, Data Warehouse hanya akan menjadi tempat penumpukan sampah digital yang membingungkan. ETL memastikan data yang sampai ke meja direksi adalah data yang valid, bersih, dan siap pakai untuk memenangkan persaingan bisnis.

7. Data Analytics dan Visualisasi Data.  Ke Daftar Isi
Setelah data dikumpulkan melalui proses ETL dan disimpan rapi di dalam Data Warehouse, tibalah kita pada tahap akhir yang paling krusial bagi manajer: Data Analytics dan Visualisasi Data. Di sinilah data mentah diubah menjadi wawasan (insight) yang langsung bisa dilihat mata dan dipahami dalam hitungan detik. 
1. Apa itu Data Analytics?
Data Analytics adalah proses memeriksa, membersihkan, mentransformasikan, dan memodelkan data dengan tujuan menemukan pola, tren, atau informasi yang berguna untuk mendukung pengambilan keputusan bisnis. 
Dalam dunia manajemen, tingkat kedalaman analisis data dibagi menjadi empat jenis (The Analytics Maturity Curve):
  1. Analisis Deskriptif (Descriptive): Menjelaskan apa yang sudah terjadi di masa lalu.
    • Contoh: "Penjualan kopi susu bulan lalu turun 15%."  
  2. Analisis Diagnostik (Diagnostic): Mencari tahu mengapa hal itu bisa terjadi.
    • Contoh: "Penjualan turun karena ada kompetitor baru yang buka di seberang jalan dan memberikan diskon besar."  
  3. Analisis Prediktif (Predictive): Menggunakan data masa lalu untuk meramal apa yang akan terjadi di masa depan.
    • Contoh: "Berdasarkan tren cuaca, penjualan kopi susu akan melonjak 20% saat musim kemarvas bulan depan."  
  4. Analisis Preskriptif (Prescriptive): Memberikan rekomendasi tindakan nyata yang harus diambil berdasarkan hasil prediksi.
    • Contoh: "Sistem menyarankan perusahaan untuk menyetok bahan baku susu 25% lebih banyak minggu ini dan membuat promo tandingan."  
2. Pengertian Visualisasi Data
Visualisasi Data adalah representasi grafis dari informasi dan data. Dengan menggunakan elemen visual seperti bagan (charts), grafik, dan peta, visualisasi data menyediakan cara yang mudah untuk melihat dan memahami tren, pencilan (outliers), serta pola dalam data. 
Mengapa Manajer Butuh Visualisasi Data?
Otak manusia memproses informasi visual 60.000 kali lebih cepat daripada teks atau deretan angka di Excel. Manajer tidak punya waktu untuk membaca 10.000 baris data transaksi harian. Mereka hanya butuh melihat satu grafik garis yang menanjak atau menurun untuk langsung paham situasi bisnisnya.  
3. Jenis Grafik Visualisasi dan Fungsinya
Mahasiswa harus tahu kapan menggunakan jenis grafik yang tepat agar tidak salah dalam menyajikan informasi manajemen:  
  • Grafik Garis (Line Chart): Paling pas untuk menunjukkan tren perubahan data dari waktu ke waktu (misal: naik-turunnya keuntungan bulanan selama setahun). 
  • Grafik Batang (Bar/Column Chart): Paling cocok untuk membandingkan nilai antar-kategori yang berbeda (misal: perbandingan performa penjualan Cabang Jakarta, Bandung, dan Surabaya). 
  • Grafik Lingkaran (Pie Chart): Digunakan untuk melihat kontribusi atau persentase bagian dari keseluruhan (misal: pangsa pasar produk kita dibanding para kompetitor).  
  • Peta Kepadatan (Heat Map): Cocok untuk melihat distribusi data berdasarkan wilayah geografis (misal: peta wilayah Indonesia yang paling banyak membeli produk kita). 
Kesimpulan untuk Mahasiswa
Data Analytics adalah proses berpikir dan membedah data, sedangkan Visualisasi Data adalah cara mengomunikasikan hasil pemikiran tersebut. Keduanya berkolaborasi agar manajer tidak lagi mengambil keputusan berdasarkan "feeling" atau tebakan belaka, melainkan berpatokan pada bukti visual dan analisis ilmiah yang kuat. 

8. Dashboard dan Key Performance Indicators (KPI).  Ke Daftar Isi
Sebagai penutup dari seluruh rangkaian alur pengolahan data di Minggu 6, kita masuk ke halaman utama yang akan sering dilihat oleh para direktur dan manajer: Dashboard Eksekutif. Di sinilah semua indikator penting, atau yang dikenal dengan KPI, dipajang secara visual dan dinamis.
1. Apa itu Key Performance Indicators (KPI)?
Key Performance Indicators (KPI) adalah metrik atau nilai terukur yang digunakan oleh perusahaan untuk melihat seberapa efektif mereka dalam mencapai tujuan bisnis utama.  
  • Karakteristik KPI yang Baik (Prinsip SMART):
    • Specific: Harus jelas apa yang diukur (misal: "Jumlah pengguna baru aplikasi").
    • Measurable: Bisa dihitung dengan angka, bukan tebakan (misal: "Naik 10%").
    • Achievable: Targetnya realistis dan bisa dicapai oleh tim.
    • Relevant: Sesuai dengan visi besar perusahaan.
    • Time-bound: Ada batas waktu evaluasinya (misal: "Di kuartal pertama tahun ini").  
  • Contoh KPI Berdasarkan Divisi:
    • Divisi Pemasaran: Customer Acquisition Cost (Biaya mendapatkan 1 pelanggan baru).
    • Divisi Keuangan: Net Profit Margin (Persentase keuntungan bersih).
    • Divisi SDM: Employee Turnover Rate (Tingkat perputaran/karyawan yang keluar). 
2. Pengertian Digital Dashboard
Dashboard adalah antarmuka visual terintegrasi yang menyatukan dan menampilkan berbagai grafik, bagan, dan KPI penting perusahaan dari berbagai sumber data ke dalam satu layar komputer secara real-time. [1, 2]
Analogi Mudah di Kehidupan Nyata:
Bayangkan Anda sedang menyetir Mobil:
Di depan setir Anda terdapat dashboard mobil. Di sana ada jarum kecepatan (Speedometer), indikator bensin, lampu temperatur mesin, dan odometer.
  • Anda tidak perlu membongkar mesin atau tangki bensin untuk tahu sisa bahan bakar. Cukup lirik layar dashboard.
  • Jika jarum bensin mendekati huruf E (Empty), Anda langsung mengambil keputusan untuk belok ke pom bensin terdekat.
    Itulah fungsi dashboard bisnis bagi seorang CEO: melihat "kesehatan" perusahaan dalam sekali lirik untuk mengambil tindakan cepat.     [1]
3. Tiga Jenis Utama Dashboard Bisnis
Dalam organisasi, dashboard dirancang berbeda-beda tergantung siapa yang memakainya: [1]
  • Dashboard Strategis (Strategic Dashboard):
    • Pengguna: Eksekutif tingkat atas (CEO, Direktur).
    • Fokus: Memantau pencapaian tujuan jangka panjang perusahaan skala makro. Data diperbarui berkala (bulanan/tahunan). 
  • Dashboard Taktis/Analitis (Analytical Dashboard):
    • Pengguna: Manajer tingkat menengah atau analis data.
    • Fokus: Melakukan analisis mendalam, mencari tren, dan membandingkan performa antar-divisi. Memiliki fitur drill-down (klik grafik untuk melihat detail data di bawahnya).  
  • Dashboard Operasional (Operational Dashboard):
    • Pengguna: Manajer lini pertama atau supervisor di lapangan.
    • Fokus: Memantau aktivitas bisnis harian yang berubah menit demi menit (misal: jumlah transaksi kasir yang sedang berjalan menit ini, atau suhu mesin pabrik saat ini). 
4. Keuntungan Utama Menggunakan Dashboard bagi Manajemen
  • Visualisasi Status Instan: Menggunakan indikator warna lampu lalu lintas (Merah = Bahaya/Target tidak tercapai, Kuning = Peringatan, Hijau = Aman/Sesuai Target).
  • Efisiensi Waktu: Eksekutif tidak perlu lagi meminta staf membuat laporan setebal 50 halaman setiap minggu.
  • Aksesibilitas Tinggi: Dashboard modern berbasis cloud dapat diakses kapan saja oleh direksi melalui tablet atau ponsel pintar mereka meskipun sedang berada di luar negeri. 
Kesimpulan untuk Mahasiswa
Dashboard dan KPI adalah ujung tombak komunikasi data dalam Sistem Informasi Manajemen. Dashboard merangkum miliaran data rumit yang ada di dalam Data Warehouse menjadi indikator sederhana, sehingga membantu manajemen memimpin perusahaan dengan kendali penuh dan arah yang jelas.  

9. Contoh implementasi Business Intelligence di perusahaan.  Ke Daftar Isi
Untuk menyatukan semua teori yang telah kita pelajari di Minggu 6 ini (dari DSS, ETL, Data Warehouse, hingga Dashboard dan KPI), mari kita bedah studi kasus nyata pada salah satu raksasa teknologi hiburan dunia: Netflix. 
Netflix adalah contoh terbaik perusahaan yang digerakkan oleh data (data-driven company). Mereka memanfaatkan Business Intelligence (BI) bukan hanya untuk melihat laporan keuangan, melainkan untuk menentukan produk film apa yang harus dibuat selanjutnya.  
1. Bagaimana Alur BI Bekerja di Netflix?
Netflix mengumpulkan data dari ratusan juta penggunanya di seluruh dunia, memasaknya, lalu menyajikannya sebagai dasar keputusan strategis:
A. Sumber Data (Data Sources) & Proses ETL
Setiap kali Anda menggunakan Netflix, sistem mereka mencatat: kapan Anda menekan tombol pause, jam berapa Anda menonton, kapan Anda keluar dari aplikasi sebelum film habis, genre apa yang Anda cari, hingga warna gambar poster film apa yang paling sering Anda klik. Data mentah berskala besar (Big Data) ini ditarik, dibersihkan, dan diseragamkan melalui proses ETL. 
B. Data Warehouse & Analisis Data
Data bersih tersebut disimpan dalam Data Warehouse berbasis cloud (Netflix menggunakan Amazon Web Services/AWS). Tim analis data Netflix kemudian menggunakan alat analitik untuk menjalankan Analisis Prediktif dan Analisis Preskriptif. 
2. Dua Contoh Dampak Nyata Penerapan BI di Netflix
Kasus 1: Produksi Serial "House of Cards" (Keputusan Strategis)
Sebelum membuat serial sukses House of Cards, Netflix tidak menggunakan tebakan atau insting sutradara. Tim eksekutif melihat dashboard BI mereka yang menunjukkan tiga tren data yang kuat:
  1. Banyak penonton yang menyukai film yang disutradarai oleh David Fincher.
  2. Film yang dibintangi oleh aktor Kevin Spacey selalu ditonton dari awal sampai habis tanpa di-skip.
  3. Versi asli film House of Cards versi Inggris sangat populer di platform mereka.  
Berdasarkan analisis BI tersebut, Netflix berani berinvestasi sebesar $100 juta untuk membuat serial tersebut tanpa membuat episode pilot (uji coba) terlebih dahulu. Hasilnya? Serial tersebut sukses besar secara global dan mendatangkan jutaan pelanggan baru.
Kasus 2: Personalization & Dynamic Dashboard (Operasional & Taktis)
Dashboard BI Netflix tidak hanya dilihat oleh internal manajer, tetapi hasil analisisnya disajikan langsung ke layar pengguna dalam bentuk Rekomendasi Konten.
  • Skenario: Jika sistem BI menganalisis bahwa Anda menyukai film romantis, poster film Stranger Things yang muncul di layar Anda akan menampilkan gambar karakter utama yang sedang berdua. Namun, jika data menunjukkan Anda menyukai film horor, poster film yang sama akan diubah secara otomatis menampilkan gambar monster atau suasana yang mencekam.
3. Keuntungan yang Diperoleh Netflix
  • Tingkat Retensi Tinggi: Lebih dari 80% konten yang ditonton di Netflix berasal dari sistem rekomendasi yang digerakkan oleh BI. Hal ini membuat pelanggan betah berlangganan (low churn rate). [1]
  • Efisiensi Anggaran: Netflix jarang membuang uang untuk memproduksi film yang gagal di pasaran karena semua konten baru dibuat berdasarkan data preferensi penonton yang akurat.
Kesimpulan untuk Mahasiswa
Studi kasus Netflix membuktikan bahwa Business Intelligence (BI) telah mengubah industri bisnis modern. Perusahaan yang sukses di era digital tidak lagi mengandalkan insting atau keberuntungan, melainkan mengandalkan kemampuan mereka dalam mengolah, menganalisis, dan memvisualisasikan data menjadi tindakan nyata. 

10. Peran DSS dan BI dalam meningkatkan kualitas pengambilan keputusan.
Sebagai penutup materi Week 6, kita akan merangkum bagaimana kolaborasi antara Sistem Pendukung Keputusan (DSS) dan Business Intelligence (BI) secara nyata mengubah cara para pemimpin perusahaan mengambil keputusan dari yang dulunya berbasis tebakan menjadi berbasis data.
1. Pergeseran Paradigma Pengambilan Keputusan
Sebelum adanya DSS dan BI, proses pengambilan keputusan di perusahaan sering kali berjalan lambat dan berisiko tinggi. Berikut adalah perbandingannya:
  • Cara Tradisional (Intuition-Driven): Keputusan diambil berdasarkan pengalaman masa lalu pemimpin, insting, politik internal, atau metode trial and error (coba-coba). Risiko kegagalannya sangat tinggi jika kondisi pasar mendadak berubah.  
  • Cara Modern (Data-Driven): Keputusan diambil berdasarkan fakta empiris, tren pasar yang valid, dan simulasi komputer. Pemimpin bertindak sebagai kapten yang melihat peta navigasi digital yang jelas. [1]
2. Lima Peran Krusial DSS & BI bagi Manajemen
Secara mendalam, DSS dan BI meningkatkan kualitas keputusan melalui lima aspek berikut:
  • Meningkatkan Kecepatan Respons (Speed): Di pasar yang dinamis, menunda keputusan berarti kehilangan momen keuntungan. Dashboard BI menyajikan data real-time, sehingga manajer bisa memotong waktu rapat berhari-hari menjadi hitungan jam untuk merespons pergerakan kompetitor. [1]
  • Menjamin Akurasi dan Validitas Analisis (Accuracy): Melalui proses ETL yang ketat, data yang masuk ke meja direksi sudah bersih dari duplikasi atau salah input. Hal ini memastikan keputusan tidak dibangun di atas pondasi laporan keuangan atau penjualan yang keliru.  
  • Menyediakan Fasilitas Simulasi (What-If Analysis): Manajer tingkat menengah dapat menggunakan komponen Model Base di dalam DSS untuk menguji sebuah skenario sebelum melaksanakannya. (Contoh: "Jika harga produk kita naikkan 5% dan biaya iklan dipotong 10%, berapa proyeksi laba bersih kita?").
  • Mendorong Objektivitas (Mengurangi Bias Manusia): Data menyajikan fakta apa adanya. Keputusan tidak lagi dipengaruhi oleh opini karyawan yang paling vokal atau ego sektoral departemen, melainkan murni berdasarkan performa angka KPI yang objektif. 
  • Mendeteksi Dini Risiko Bisnis (Early Warning System): BI menggunakan indikator visual warna (seperti lampu lalu lintas). Jika penjualan sebuah cabang masuk ke zona Merah, sistem langsung memberikan peringatan dini sehingga manajer bisa segera mengintervensi sebelum perusahaan mengalami kerugian besar.
Kesimpulan Akhir Materi Week 6
Sistem Pendukung Keputusan (DSS) dan Business Intelligence (BI) bukan sekadar perangkat lunak mahal pelengkap kantor. Keduanya adalah kompas strategis modern. Peran utama keduanya adalah menghilangkan kabut ketidakpastian di dalam dunia bisnis, sehingga manajemen dapat melangkah dan mengeksekusi strategi dengan tingkat kepercayaan diri yang tinggi.




Week 6 - Sistem Pendukung Keputusan, Business Intelligence, dan Dashboard