Data Management,

Big Data Analytics,

and Records
Management
Group 4:
Heri Supriyanto (042114353024)
Muhamad Fathoni (042114353011)
Aditiyo Baskoro Widagdo (042114353058)
Muhammad Ananda Putra (042114353051)
 Data are the driving force
behind any successful
business. Operations, planning,
control, and all other
management functions rely
largely on
processed information, not raw
data.
 Data Management Technologies
Database
Store data generated
by business apps, 01
sensors, operations,
and transaction-
processing systems
(TPS).
Data Warehouses
integrate data from
02 multiple databases
and data silos, and
organize them for
complex analysis,
knowledge discovery,
and to support
decision making

Business
Data Marts
Intelligence
tools and techniques
process data and do 04 03 are small-scale data
warehouses that
statistical analysis for support a single
insight and discovery function or
one department.
Database Management Systems (DBMSs)

Factors That Determine

DBMS Function
Data Filtering and profiling
Data Integrity and Maintenance
Data Syncrhronization
Data Security
Data Access
the Performance of a
DBMS
Data Latency
Ability to handle the volatility of the data
Query response time
Data consistency. Immediate consistency
Query predictability
Relational Database Management System
(RDBMS)

RDBMS
Relational management
systems (RDBMSs) provide
access to data using a
declarative language —
structured query language (SQL)
CORVU
Corvu adalah software yang akan menghasilkan reports, baik untuk menghasilkan snapshots dari
performance bisnis ataupun data transaksi yang diperlukan.
CORVU
Query adalah kemampuan untuk menampilkan data dari database untuk diolah lebih lanjut yang biasanya
diambil dari tabel tabel dalam database. Pengertian query yang lain adalah pertanyaan (question) atau
permintaan (order) informasi tertentu dari sebuah database yang tertulis dalam format tertentu.
Hasil Query
 Online Transaction Processing and Online
Analytics Processing (OLTP & OLAP)
Sebagian besar transaksi bisnis terjadi—misalnya, suatu barang dijual atau dikembalikan, pesanan dikirim atau
dibatalkan, pembayaran atau deposit dilakukan—perubahan dilakukan langsung ke database.

OLTP merupakan desain database yang menurunkan informasi kompleks menjadi tabel data yang lebih
sederhana untuk mencapai keseimbangan antara efisiensi pemrosesan transaksi dan efisiensi kueri. DBMS
disebut sebagai system online pemrosesan transaksi (OLTP).
DBMS mencatat dan memproses transaksi dalam database, dan mendukung permintaan (question) dan
pelaporan.

Perusahaan DBMS dengan peringkat tertinggi th 2014 adalah Oracle's MySQL, SQL Server Microsoft,
PostgreSQL, DB2 IBM, dan Database Teradata
DBMS masih merupakan mesin basis data yang dominan, tetapi tren menuju NoSQL (kependekan dari "tidak
hanya SQL"). Sistem NoSQL meningkat popularitasnya sebesar 50 persen dari 2013 hingga 2014.
OLAP adalah istilah yang digunakan untuk menggambarkan analisis data kompleks dari gudang data.

Pada proses database OLTP, database tidak dapat dioptimalkan untuk penambangan data, sistem pemrosesan
analitik online kompleks (OLAP), dan keputusan mendukung. Keterbatasan ini menyebabkan pengenalan
teknologi data warehouse.
database dioptimalkan untuk pemrosesan transaksi dan pemrosesan kueri untuk data analisis.
 Centralized Database Architecture
Manfaat dari konfigurasi database terpusat meliputi:
1. Kontrol kualitas data yang lebih baik. Konsistensi data lebih mudah jika data disimpan dalam
satu lokasi fisik karena penambahan, pembaruan, dan penghapusan data dapat dilakukan
dengan cara yang terawasi dan teratur.
2. Keamanan TI yang lebih baik. Data diakses melalui komputer host terpusat

Kerugian utama dari database terpusat, seperti semua sistem terpusat, adalah penundaan transmisi
saat pengguna tersebar secara geografis. Perangkat keras yang lebih kuat dan kerugian
Jaringan.
 Dirty Data Costs and Consequences
Data Sampah—yaitu, data berkualitas buruk—tidak memiliki integritas dan tidak dapat dipercaya.
Terlalu sering manajer dan pekerja informasi sebenarnya dibatasi oleh data yang tidak dapat
dipercaya karena tidak lengkap, keluar dari konteks, ketinggalan zaman, tidak akurat, tidak dapat
diakses, atau sangat berlebihan sehingga membutuhkan waktu berminggu-minggu untuk
menganalisisnya. Dalam situasi seperti itu, pembuat keputusan menghadapi terlalu banyak
ketidakpastian untuk dibuat keputusan bisnis
The cost of poor-quality data may be expressed as
a formula:

 Bisnis yang hilang. ketika peluang penjualan terlewatkan, pesanan

dikembalikan karena barang yang dikirim salah
 Waktu yang dihabiskan untuk mencegah kesalahan. Jika data tidak dapat
dipercaya, lebih banyak waktu dan upaya untuk memverifikasi informasi
untuk
 Waktu yang dihabiskan untuk mengoreksi kesalahan.

a) Dua anggota staf database menghabiskan 25 persen dari hari kerja untuk
memproses dan memverifikasi data setiap hari:
2 orang * 25% dari 8 jam/hari 4 jam/hari mengoreksi kesalahan
b) Gaji per jam adalah $50 per jam berdasarkan tingkat pembayaran dan
tunjangan:
$50/jam * 4 jam/hari $20/hari mengoreksi kesalahan
c) 250 hari kerja per tahun:
$200/hari * 250 hari $50,000/tahun untuk memperbaiki kesalahan
 DATA LIFE CYCLE AND DATA PRINCIPLES
Data Life Cycle Model adalah model yang menggambarkan cara perjalanan data perusahaan,
seperti yang ditunjukkan pada Gambar 3.11.
Siklus hidup data dimulai dengan penyimpanan dalam database, untuk dimuat ke gudang data
untuk dianalisis, lalu dilaporkan ke pengelola atau digunakan dalam aplikasi bisnis.

Tiga prinsip data umum terkait dengan perspektif siklus hidup data dan panduan keputusan investasi TI
:
Principle of diminishing data value. Nilai data berkurang seiring bertambahnya usia.
Principle of 90/90 data use. Menurut prinsip penggunaan data 90/90, mayoritas data yang tersimpan 90
persen, jarang diakses setelah 90 hari (kecuali untuk tujuan audit). Artinya, sekitar 90 persen data kehilangan
sebagian besar nilainya setelah 3 bulan.
Principle of data in context. Kemampuan untuk menangkap, memproses, memformat, dan mendistribusikan
data dalam waktu dekat atau lebih cepat membutuhkan investasi data yang besar. Investasi tersebut dapat
dibenarkan dengan prinsip bahwa data harus diintegrasikan, diproses, dianalisis, dan disusun menjadi
“informasi yang dapat ditindaklanjuti”.
 “HUMAN EXPERTISE AND JUDGMENT ARE NEEDED”

Human expertise and judgment are needed to interpret the output of analytics.
Data are worthless if you cannot analyze, interpret, understand, and apply the results in context.
This brings up several challenges:

Data need to be prepared for analysis

Data must be put into meaningful context

Dirty data degrade the value of analytics

 “ENTERPRISE DATA WAREHOUSE AND DATA MART”

Enterprise data warehouses (EDW)  Data warehouses that pull together data from disparate sources and databases
across an entire enterprise

The high cost of data warehouses can make them too expensive for a company to implement. Data marts are lower-cost,
scaled-down versions that can be implemented in a much shorter time, for example, in less than 90 days. Data marts serve
a specific department or function, such as finance, marketing, or operations. Since they store smaller amounts of data,
they are faster, easier to use, and navigate.

Database Data Warehouse

1. Designed and optimized to ensure that every
transaction gets recorded and stored
immediately.
2. Volatile because data are constantly being
updated, added, or edited.
3. OLTP systems
1. Designed and optimized for analysis and quick
response to queries
2. Nonvolatile. This stability is important to being
able to analyze the data and make comparisons.
When data are stored, they might never be
changed or deleted in order to do trend analysis
or make comparisons with newer data
3. OLAP systems.
4. Subject-oriented, which means that the data
captured are organized to have similar data
linked together.
 “Procedures to Prepare EDW Data for Analytics”

Data in warehouses are relatively stable, as

needed for analysis. Therefore, select data
are moved from databases to a warehouse.
Specifically, data are:

1. Extracted from designated databases.

2. Transformed by standardizing formats,
cleaning the data, integrating them.
3. Loaded into a data warehouse.

These three procedures—extract,

transform, and load—are referred to by
their initials ETL
 “BUILDING A DATA WAREHOUSE”
• Diagrams below show the process of building and using a data warehouse.
• The organization’s data are stored in operational systems (left side of the figure).
• Not all data are transferred to the data warehouse. Frequently, only summary data are transferred.
• The warehouse organizes the data in multiple ways—by subject, functional area, vendor, and product. As
shown, the data warehouse architecture defines the flow of data that starts when data are captured by
transaction systems; the source data are stored in transactional (operational) databases; ETL processes move
data from databases into data warehouses or data marts, where the data are available for access, reports, and
analysis.
 “Data Warehousing Supports Action as Well as Decisions”

Many organizations built data warehouses because they were frustrated with inconsistent data that could not
support decisions or actions. Viewed from this perspective, data warehouses are infrastructure investments that
companies make to support ongoing and future operations, such as:

01 Marketing and sales 04 Sales

02 Pricing and contracts 05 Financial

03 Forecasting
 “BIG DATA ANALYTICS AND DATA DISCOVERY”
Data analytics help users discover insights. These insights combined with human expertise enable people to
recognize meaningful relationships more quickly or easily; and furthermore, realize the strategic implications of
these situations. Imagine trying to make sense of the fast and vast data generated by social media campaigns on
Facebook or by sensors attached to machines or objects. Low-cost sensors make it possible to monitor all types of
physical things—while analytics make it possible to understand those data in order to take action in real time.
 “CREATING BUSINESS VALUE”

Enterprises invest in data mining tools to add business value. Business value falls into three categories:

The growth of data accumulation through data mining has created a "rich of data but poor of information"
condition because the collected data cannot be used and useful,
so the data is left to become a "data graveyard“.
 Data and Text Mining

Banyak pada suatu perusahaan atau organisasi banyak terdapat data yang tidak
terstruktur bauk dalaam bentuk dekumen tulisan,social media, pesan text, audio,
video, gambar/diagram, fax, dan memo dll.
Data mining software dapat digunakan untuk menganalisa data dari berbagai
dimensi atau sudut, katagori, dan mencari hubungan dari data-data yang ada pada
warehouse.
Text mining adalah katagori luas yang melibatkan penafsiran kata dan konsep
kedalam konteks

“Mining Text or nonstructural data enable organization to forecast the future instead of merely reporting past.”
Text Analytics Procedure

● Exploration, pertama melakukan eksplorasi data, mengumpulkan dan

mengkatagorikan secara luas
● Preprocessing. Sebelum dilakuakan Analisa data yang kita peroleh standarisasi.
Seperti ejaan, singkatan atau Bahasa gaul yang perlu di satandarisasi
● Categorizing and Modeling. Pengkatagorikan dokumen atau informasi dengan
menggunakan model statistic atau bisnis rules untuk kemudian membuat
permodelan.
BUSINEES INTELLIGENCY
Electronic Records Management

Electronic Records Management (ERM) digunakan untuk memelihara atau

memusnahkan data-data bisnis yang disimpan dalam bentuk elektronik.

Keuntungan dari penerapan ERM

● Dapat mengakses dan menngunakan konten dengan cepat
● Mengurangi biaya dan tenaga kerja
● Mengurangi waktu dan upah
● Meningkatkan keamanan konten
● Meminimalkan biaya percetakan
 PJB-iCORE
PJB-iCORE
(Intelegent Center of Optimization
(Intelligence Center of Optimization for Reliability &
Reliability
Efficiency) Efficiency)

Merupakan sistem Predictive Analytics yang

menggunakan IoT, Machine Learning , big data
(Data Operasi, Maintenance, Engineering)
menjadi suatu sistem Artificial Intelligence
untuk peningkatan performance pembangkit
secara realtime agar menjadi pembangkit yang
kompetitif.
 Proses pemeliharaan Proses pemeliharaan
A sebelum Advanced B sesudah Advanced
Analytics Analytics
Operator local mencatat Engineer menganalisa Teknisi melakukan Monitoring
alarm gangguan gangguan perbaikan sesuai performance operasi
rekomendasi.

A Control room

B
 Gap sesuai setting

Informasi bentuk gangguannya (Anomali)

Tingkat Kegagalan Peralatan Informasi Kesehatan Peralatan
Konsep Advanced Analytics pada Reliability

Konsep
Advanced Analytic
Monitoring & Optimalisasi Efisiensi Pembangkit

Bogor, 15 Juli 2019 29

Konsep Advanced Analytics pada Efisiensi

Konsep
Monitoring & Optimalisasi Efisiensi
Pembangkit
 Proses Boiler Tuning Proses Boiler Tuning
A sebelum Advanced B sesudah Advanced
Analytics Analytics
Operator local Control room proses Engineer operasi
koordinasi dengan optimasi efisiensi analisa efisiensi Teknisi siap perbaikan
Control room boiler boiler

Operator
Control room
Engineer
A Teknisi Unit

B
Auto Boiler Tuning dengan Artificial Intelligence
Konsep Advance Analytics pada Boiler Tuning

Konsep
Boiler Tuning Auto
A Dramaturgical Model of the
Production of
Performance Data
 Introduction

Sistem informasi mengandung berbagai maacam informasi yang sangat bergun dalam menjalankan suatu
bisnis, baik untuk mengetahui suatu keadaan atau dalam hal pengambilan keputusan.

Berdasarkan artikel ini, penelitian menunjukkan bahwa para pemimpin menggunakan system informasi untuk
mengetahui keadaan pasar dan menentukan strategi pasar yang sebaiknya digunakan. Artikel juga
menyebutkan bahwa manajer menggunakan system informasi untuk menyediakan laporan secara rinci
mengenai kinerja karyawan kepada para pemimpin, selain itu para pemimpin juga menggunakannya untuk
mengetahui keadaan perusahaan melalui laporan akuntansi dan juga untuk melihat kinerja para manajer yang
berpotensi kelak.

Jadi dengan kata lain, para manajer berkeinginan untuk memperlihatkan yang terbaik yang mereka mampu
kepada para pemimpin tetapi para manajer harus membuktikan kembali bahwa mereka berpotensi namun
keadaan ini membuat kekhawatiran di antara para manajer.
 Toward a Dramaturgical Model of the
Production of Performance Data
Inilah model dramaturgi dari produksi data kinerja yang para manajer gunakan untuk mengesankan para
pemimpin terhadap kinerja manajer. Dari artikel ini dapat disimpulkan bahwa system informasi digunakan oleh
para pemimpin untuk mengetahui keadaan perusahaan dan untuk memberikan penilaian terhadap kinerja
karyawannya, termasuk pada manajer.
Sedangkan di lain sisi, para manajer menggunakan system informasi untuk memanipulasi data dengan tujuan
memperlihatkan kinerja yang baik dan keadaan perusahaan yang baik sehingga para manajer dapat
memperoleh penilaian yang baik pula untuk menunjang posisi mereka di hadapan para pemimpin.
Performance Data as a Threat for Impression Management
Informasi independen seperti data kinerja lebih merupakan ancaman bagi upaya manajer untuk mengesankan
pemimpin mereka dalam interaksi.

Sistem informasi mencegah manajer untuk menampilkan gambaran ideal dari pencapaian mereka karena mereka
adalah pemeriksa independen atas kontribusi manajer untuk perusahaan dan mengekspos pekerjaan karyawan di
belakang panggung.

The Structuration of Tactics to Avoid the Threats of Performance Data

Sistem informasi menonjol di antara sumber daya yang merupakan penggunaan data kinerja para pemimpin
untuk menilai manajer mereka dan di antara mereka yang merupakan upaya manajer untuk menghasilkan data
kinerja yang mengesankan para pemimpin mereka

Penelitian tentang adopsi TI menunjukkan dua konfigurasi makna, aturan, dan sumber daya yang membentuk
bagaimana manajer berpartisipasi dalam produksi data kinerja untuk mengesankan para pemimpin mereka.

1. Membangun hubungan yang kuat antara data kerja dan kinerja.

2. Menetapkan hubungan yang lemah antara pekerjaan dan representasinya.
 Addressing the Challenges of Performance
Data for Impression Management
Penelitian tentang adopsi TI menjelaskan bagaimana manajer dapat menghindari ancaman yang diciptakan oleh
hubungan kuat antara pekerjaan dan representasinya untuk citra yang mereka hadirkan kepada para pemimpin
mereka.
• Pertama, manajer dapat menghindari data kinerja yang merusak dengan menggunakan reaksi karyawan
terhadap paparan yang diterapkan sistem informasi pada pekerjaan.
• Kedua, manajer dapat menghindari data kinerja yang merusak dengan memilih informasi yang tersedia bagi
pemimpin mereka, mengubah teknologi menjadi media yang “mengekspresikan aktivitas yang telah mereka
lakukan di belakang panggung dalam hal yang sesuai dengan norma perilaku di depan panggung”
• Ketiga, manajer dapat menghindari data kinerja yang merusak dengan membatasi akses pemimpin mereka ke
data pekerjaan karyawan

Taktik pertama menunjukkan bahwa manajer dapat menyerah pada ancaman yang diciptakan oleh data kinerja
terhadap citra yang mereka hadirkan kepada para pemimpin mereka. Taktik kedua dan ketiga menunjukkan
bahwa manajer dapat menghindari ancaman ini dengan menghalangi produksi data kinerja yang tidak menarik.
Kedua taktik ini menyarankan perluasan ketiga model Goffman yang membangun koneksi yang memungkinkan
orang untuk mempengaruhi sumber informasi tentang pencapaian mereka selain ekspresi yang mereka berikan
dan berikan
 Addressing the Challenges of Performance
Data for Impression Management
Taktik pertama menunjukkan bahwa manajer dapat menyerah pada ancaman yang diciptakan oleh data kinerja
terhadap citra yang mereka hadirkan kepada para pemimpin mereka. Taktik kedua dan ketiga menunjukkan bahwa
manajer dapat menghindari ancaman ini dengan menghalangi produksi data kinerja yang tidak menarik. Kedua
taktik ini menyarankan perluasan ketiga model Goffman yang membangun koneksi yang memungkinkan orang
untuk mempengaruhi sumber informasi tentang pencapaian mereka selain ekspresi yang mereka berikan dan
berikan. Gambar 2 mengilustrasikan ekstensi ketiga ini dan dua ekstensi sebelumnya pada model pertemuan
Goffman yang diperlukan untuk menggunakannya sebagai dasar model dramaturgi produksi data kinerja ini.
 Addressing the Challenges of Performance
Data for Impression Management
Taktik yang dapat digunakan manajer untuk menghindari ancaman yang ditimbulkan oleh hubungan yang kuat
antara pekerjaan dan representasinya pada upaya mereka untuk mengesankan para pemimpin mereka hanya
memberikan spesifikasi protektif dari model produksi data kinerja yang dramatis, yang direpresentasikan dalam
Gambar 3.
Research Setting
Laporan studi 15 Bulan pada DeskSales dari Jani 2002 sampai September 2003. Mega Telecom (M-Tel)
merupakan perusahaan gabungan antara perusahaan telekomunikasi US dan Euro. M-Tel ini menggunakan
DeskSales untuk membuat produk yang lebih murah dibandingkan dengan produk sejenis.
Tahapan Sistem Pelaporan DeskSales

Ada 3 tahapan dalam pelaporan DeskSales yaitu

1. Staf penjual mencatat hasil penjualan pada Siebel
2. Manajer penjualan menyusun catatan yang telah ada Siebel kedalam sparedsheet
yang disebut laporan tim bulan
3. GM DeskSales menyiapkan presentasi bulanan untuk komite pengarah yang
kemudian disebut laporan unit bulanan
Data Collecting
Data Collecting
Data Analysis
Data Analysis
Data Analysis
Data Analysis
 The Structuration of the Producting Moonthly Reports to
Production of Performance Give Representations of
Data by Sales Managers Compliance or Overachievement

Terdapat 2 elemen yang dilakukan oleh sales

manager Dengan persaingan yang kerat antar sales manager
Pertama, prosedur pelaporan yang telah pencapaian laporan bulanan merupakan salah satu cara
ditentukan penggunaannya untuk terlihat menjadi lebih baik, sehingga mendorong
Kedua, Etika penggunaan, sales manager para sales manager untuk mengubah data
memenfaatkan budaya etika yang longgar
untuk berpartisioasi dalam representative
menjualan.
 Shaping Siebel Records to Give off
Representations of Compliance or
Overachievement
Siebel Record
Sales Manager menggambarkan Siebel sebagai “shop window," atau “shop front." sebagai jendela
informasi kinerja. Tampilan data penjualan yang negative dapat menyebabkan presepsi kinerja yang
buruk bagi Sales Manajer
Sales Manager menemukan mengapa hal itu terjadi
Pertama, keengganan tenaga penjualan untuk menggunakan Siebel. Nathan mengeluh bahwa: Siebel
adalah alat penjual yang tidak gunakan ...
Kedua, Ketrampilan tenaga penjualan yang kurang.
 Sales Manager akan membantu tenaga penjual dan peningkatan penjualan dan pelaporan
 Kinerja penjualan akan menjadi rapor kinerja perorangan
 Meningkatkan aplikasi pesanan pelanggan (Sistem Informasi M-TEL)
 Peningkatan Layanan Pelanggan

Sales Manager menekankan bahwa kinerja data Siebel bukan terletak pada kecangihan tehnologi
namun pada orang (person input)
 Using Performance Records and Reports for
Impression Management
Manajer penjualan Jeremy mengirimkan laporan bulanannya bulan Juni 2003 ke manajer
penjualan John (yang menyusun laporan dari delapan meja tim penjualan menjadi satu file),
merangkum bagaimana manajer penjualan berhasil menggunakan laporan bulanan dan Siebel
untuk mengesankan General Manajer mereka.
Inputan data pada Siebel secara baik akan memberikan kesan kepatuhan dan capaian target
kinerja.
The Production Performance Data by the
General Manager
Manajer umum DeskSales, Mariah, menggambarkan untuk
mencapai tujuan “mengesankan” itu, dia berpendapat “a
great PR [public relations] campaign for [DeskSales].”
Dua saluran/cara yang harus dilakukan :
1. Saluran pertama adalah pertemuan di mana Manajer
mempresentasikan laporan unit bulanannya ke komite
pengarah DeskSales.
2. Saluran kedua adalah data kinerja. Menggunakan Siebel
membuat tugas itu “jauh lebih mudah, dan transparan.
 Producing Monthly Reports to Give Representations
of Overachievement
REPORTING WINS is key
Manajer umum DeskSales menggunakan dua taktik untuk meningkatkan citra yang dia sajikan dalam
laporan
1. Pertama terdiri dari menambahkan narasi yang diidealkan tentang prestasi tenaga penjual.
2. Taktik kedua terdiri dari meningkatkan pendapatan penjualan dilaporan tim bulanan (data palsu)

Shaping Siebel Records to Give off Representations of Overachievement

Dampak negative pengkat Siebel (sebagai perangkat transparan), dapat digunakan sebagai etalase
penyaji data tidak real (manipulatif)
 Kesimpulan

Dramaturgical model dari pembuatan data kinerja dan exploitive specification yang digunakan Cunha (2013)
menunjukkan bahwa manajer dan pemimpin menggunakan sistem informasi untuk mengatasi ketegangan
antara 2 pihak yang berkonflik, yaitu:
a. Untuk memberikan representasi kinerja yang akurat untuk meningkatkan peluang perusahaan di pasar, dan
b. Untuk memberikan representasi yang ideal untuk meningkatkan peluang manajer di perusahaan.

Manajer menggunakan sistem informasi untuk membantu pemimpin mereka melihat dan memahami
pekerjaan dan kinerja karyawan. Tapi dengan sistem informasi juga manajer mengambil risiko yang
membahayakan upaya mereka demi mengesankan para pemimpin mereka.
Transparent window - Performance data yang digunakan untuk mengawasi kepatuhan secara downward
Store window - Perfomance data digunakan untuk menunjukkan pencapaian kepada upward