PERAN IT DALAM COMPETITIVE ADVANTAGE

Untuk memperoleh informasi yang bermanfaat bagi penerimanya, perlu dijelaskan siklus yang terjadi atau dibutuhkan dalam menghasilkan informasi.

INFORMATION TECHNOLOGY INFRASTRUCTURE LIBRARY

PENDEKATAN MODEL INFORMATION TECHNOLOGY INFRASTRUCTURE LIBRARY (ITIL) DALAM REKAYASA SISTEM INFORMASI UNTUK PENCAPAIAN IT-GOVERNANCE

FRAMEWORK COBIT

MANAGING CONTROL OBJECT FOR IT (COBIT) SEBAGAI FRAMEWORK IT GOVERNANCE

CONTOH APLIKASI AI

APLIKASI ARTIFICIAL INTELLIGENCE (AI) DAN PENGERTIAN AGENT PADA AI

JUST IN TIME MANUFACTURING

DELL COMPUTER JUST IN TIME MANUFACTURING

Pages

Data Analitik dan Data Analisis serta Data Science

Four Types of Data Analytics. Sumber: Intellipaat
Beberapa orang percaya bahwa Data analitik dan Data Analisis memiliki makna yang sama. Dari situ terkadang beberapa orang menggunakannya secara bergantian. Secara teknis ini tidak benar. Sebenarnya ada perbedaan yang jelas antara keduanya. Jadi mari kita bahas perbedaan yang tidak begitu jelas antara istilah analisis dan analitik karena meskipun memiliki kesamaan kata-kata, namun memiliki pengertian berbeda.
Pertama kita akan mulai dengan analisis.
Pertimbangkan yang berikut ini.

Anda memiliki kumpulan data yang besar dan berisi data dari beragam jenis yang berbeda. Agar menghindari risiko kesalahan atau agar tidak kewalahan dalam memahami data tersebut, kemudian anda memisahkan setiap data yang anda peroleh sehingga lebih mudah untuk mencerna potongan-potongan data dan mempelajarinya secara individu dan memeriksa bagaimana mereka berhubungan dengan bagian lain. Sampai di sini, dapat kita simpulkan bahwa anda sedang melakukan Analisis pada data yang anda peroleh.

Namun satu hal penting yang perlu diingat adalah bahwa Anda melakukan analisis pada hal-hal yang telah terjadi di masa lalu. Misalnya seperti melakukan analisis untuk menjelaskan bagaimana akhir dari pencapaian target penjualan atau bagaimana historis penurunan curah hujan musim panas lalu.
Semua ini berarti kita melakukan analisis untuk menjelaskan bagaimana dan atau mengapa sesuatu terjadi.

Sekarang mengenai Analitik (Analytics).
Analytics umumnya mengacu pada masa depan, alih-alih menjelaskan peristiwa masa lalu. Dengan kata lain adalah mengeksplorasi potensi masa depan. Analytics pada dasarnya adalah penerapan penalaran logis dan komputasi untuk bagian komponen yang diperoleh dalam analisis. Dalam melakukan kegiatan analitik ini, Anda mencari pola dalam mengeksplorasi apa yang dapat Anda lakukan di masa depan.

Di sini analitik bercabang menjadi dua bidang. Kualitatif dan Kuantitatif.

Analitik kualitatif biasanya menggunakan intuisi dan pengalaman Anda bersama dengan analisis untuk merencanakan langkah bisnis Anda berikutnya (yang seringnya digabungkan bersamaan dengan teknik analisis kuantitatif dengan cara menerapkan rumus dan algoritma ke angka yang telah Anda kumpulkan dari analisis Anda).

Misalnya, katakanlah Anda adalah pemilik toko pakaian online. Anda unggul dalam persaingan dan memiliki pemahaman yang baik tentang apa kebutuhan dan keinginan pelanggan Anda. Anda telah melakukan analisis yang sangat rinci dari artikel pakaian wanita dan merasa yakin tentang tren mode mana yang akan diikuti. Anda dapat menggunakan intuisi ini untuk memutuskan gaya pakaian mana yang akan mulai dijual. Ini akan menjadi analisis kualitatif tetapi Anda mungkin tidak tahu kapan harus memperkenalkan koleksi baru. 

Dalam hal mengandalkan data penjualan sebelumnya dan data pengalaman pengguna, Anda dapat memperkirakan pada bulan apa yang terbaik untuk melakukannya dengan dasar perhitungan kuantitatif. Yang mana, analisis kuantitatif melibatkan angka dan perhitungan spesifik. Dalam hal ini, Anda melakukan analisis kualitatif untuk menjelaskan bagaimana atau mengapa, serta melakukan analisis kuantitatif dengan data masa lalu untuk menjelaskan bagaimana penjualan menurun musim panas lalu untuk memperbaikinya di masa yang akan datang.

Kemudian bagaimana hubungannya dengan Data Sains? Data Sains adalah hasil yang diperoleh atau kegiatan dari (katakanlah) ahli statistik yang mengikuti teknologi modern. Untuk lebih jelasnya bisa dibaca pada postingan: Terminologi Ilmu Data (Data Science) dalam Kegiatan Bisnis

Ilmu Data (Data Science) dalam Kegiatan Bisnis

Four Types of Data Science Jobs sumber: Udacity
Mengapa data sangat penting? Apa yang begitu penting tentang data dan hubungannya dengan bisnis yang sehat? Seiring dengan berjalannya sebuah perusahaan, apakah dengan ketersediaan data atau tidak, sangat dapat disimpulkan bahwa data adalah dasar dari setiap perusahaan yang sukses. Selain itu, pihak manajemen level dalam suatu perusahaan sadar bahwa dengan mendapatkan data yang spesifik akan sangat membantu perusahaan dalam bersaing.

Dalam sebuah perusahaan terdapat tim yang bekerja sebagai pengolah data. Kita sebut saja Tim Data. Tim data memiliki satu tujuan yaitu ingin menyelesaikan masalah dalam bisnis perusahaan. Tim akan melakukan sejumlah besar pekerjaan pada data yang tersedia sesuai dengan masalah yang timbul pada perusahaan.

Simple Business Glossary Example. sumber: Ewsolutions

Kemudian dalam tim data tersebut, terdapat tim business intelligence yang menyajikan dashboard bisnis atau dapat dikatakan penyajian data mengenai apa yang telah terjadi pada masa yang telah lalu.

Business Intelligence Dashboard. sumber: Ducenit

Tim data ini kemudian menggunakan beberapa teknik bisnis analitik atau alat analisis data untuk mengembangkan model yang dapat memprediksi hasil di masa yang akan datang.


Agar tidak membingungkan, mari kita bahas mengenai Data Science terlebih dahulu.
Salah satu penyebab kebingungan mengenai Data Science dewasa ini salah satunya disebabkan oleh evolusi terus-menerus dari berbagai cabang ilmu yang mempelajari data yang melahirkan banyak istilah terminologi ilmu yang mempelajari mengenai data. Salah satunya adalah data science atau ilmu data. Seseorang yang memiliki gelar ahli statistik dua puluh lima tahun yang lalu memiliki tanggung jawab untuk mengumpulkan dan membersihkan beberapa data set dengan menerapkan berbagai metode statistik. Namun dengan pertumbuhan data dan peningkatan teknologi yang cukup signifikan, ahli statistik ini pada akhirnya mampu mengekstrak pola dari data yang ada atau yang telah dianalisa.

Business and Data Science Buzzwords. source: Udemy Course

Ekstraksi pola ini misalnya, berawal dari ahli statistik yang mengembangkan model matematis dengan tujuan untuk melakukan perkiraan yang lebih tepat dan akurat. Kemudian beberapa tahun setelahnya, ahli statistik yang sama, dengan model matematika dan metode statistik baru yang mampu melakukan perkiraan yang lebih akurat melahirkan Datamining. 

Business and Data Science Buzzwords. source: Udemy Course

Kemudian dihasilkan data lebih berkualitas untuk melakukan prediksi. Terminologi Analitik Prediktif pun membuat ahli statistik menjadi seorang ilmuwan data atau Data Scientist yang telah mengikuti teknologi modern.

Business and Data Science Buzzwords. source: Udemy Course



Tacit Knowledge for Business Intelligence Framework: A Part of Unstructured Data?

Idea to capture knowledge from different sources can be very beneficial to Business Intelligence (BI). Organizations need to collect data sources from type of structured and unstructured, including individuals' tacit knowledge in order to have the better output in data analysis. Therefore, the complexity of BI processes need to be explored in order to ensure the process will properly treat the tacit knowledge as a part of the data source in BI framework. Moreover, the linkage between unstructured data and tacit knowledge is generally consistent, for the reason that one of tacit knowledge characteristic is unstructured, which is difficult to capture, codify, estimate, investigate, formalize, write down, and communicate accurately. Cognitive approach is ideally suited for the capturing tacit knowledge as from among the massive data available these days. Typically, the organization must integrate multiple streams of data from several sources or other collaboration resources with the knowledge systems for making the decisions. This paper explores the possibility of tacit knowledge used in BI framework to perform data analysis for decision makers.

Introduction

Raw data or information retains within the organization in the form of explicit, implicit and tacit knowledge with limited resources. Several researches have been conducted in Business Intelligence (BI) and Knowledge Management (KM) domain to solve the problem by using tacit knowledge for data analysis. Yet, the new information, knowledge, and un-structured data are used to improve the decision making. The raw data and information need to be processed to acquire knowledge through the use of the analytical approach, which is normally the analyst will use the descriptive or predictive analysis approach to produce results for making a decision.

The idea of taking knowledge from different sources can be very beneficial to BI, especially for tacit knowledge. The identifying content or “data” from authors or experts in the form of tacit and “know-how” knowledge is important to be used for data analysis. Currently, the use of BI applications for managing and analyzing the explicit knowledge is the major portion of the enterprise software of BI for data analytics. Therefore, the requirement of BI application that can support for managing the tacit knowledge is crucially important. This paper will start with a discussion on how the tacit knowledge can be part of unstructured data and later can be used for data analysis in BI framework. Even though several models and frameworks have been proposed by many researchers, but the limited framework for BI system still needs to be explored. Additionally, the traditional method of BI framework can be enhanced by using the cognitive approach to handle the capturing of tacit knowledge sources. 

Tacit knowledge needs to be converted to either structured or unstructured data to being codified in the BI system. The proposed model for managing tacit knowledge is developed by using KID model and cognitive approach to capture and extract tacit knowledge, and develop a new data centric model that works with traditional structured data as well as unstructured data including video, image, and digital signal processing.

METHODOLOGY

This research will adapt the hybrid methodology of qualitative and quantitative approach due to handling experiment with the human knowledge. This research has investigated the limitations of BI framework in capturing various data types to identify the problem in handling the tacit knowledge for data analysis. This has built the gap in this research and worth it to explore the solution for this problem. Several studies have been conducted in the field of BI and KM, but lacking of research work which has explored the solution for tackling tacit knowledge of data analysis in the BI system. Therefore, we argue must be a study to propose a method to handle the tacit knowledge and later can be used for data analysis in BI framework. The traditional method of BI framework will be enhanced by using the cognitive approach to handle the tacit knowledge of BI framework for data analysis.

Cognitive Approach

Cognitive Analytics

Cognitive Mapping


PROPOSED BI FRAMEWORK

The key of BI is to capture, analyze, and share such knowledge. The process of capturing knowledge with the cognitive approach might be useful in order to improve the predictive and prescriptive results BI framework. Authors show the generated KID generated model that consists of three elements, which are: D, I, and K, and also Knowledge repository, named K-store as shown in Figure 4 and Figure 5. The capital D refers to data which represent the observable properties of objects in the external world. The capital I represent the information, as the result of data which being interpreted by existing knowledge which is referred to what human have said.

The capital K refers to knowledge which is formed by assimilating the information into existing knowledge or derived from updating knowledge. D, I, and K are interrelated. Their interrelationships are defined by the three transformation functions. The KID model is a cognitive model, since data are is a cognitive process from data to knowledge. It adopts the results of psycologists' investigations, simulates human information processing and built based on our argument that any cognitive model can be built

with three transormation process from data to knowledge. The implication for the relations of data, information, knowledge and wisdom still lacks explicit and pragmatic approaches. Yet, tacit knowledge contains wisdom, where wisdom is solely owned by humans. From the model as shown as Figure 4 above, authors stated that knowledge as the basic unit of wisdom, where wisdom is also probabilistic. The cognitive approach is suitable for the "more than one" hypotheses to be analyzed. Moreover, as it is a kind of decision support that allows people to explain new opportunities, which has an impact in a positive manner. The key to BI is to capture, analyze, and share such knowledge. Thus, the process of capturing knowledge with the cognitive approach might be useful in order to improve the predictive and prescriptive results in BI applications.


. . .


Download Full Paper

PENGELOLAAN PENGETAHUAN DAN INFORMASI DALAM BUSINESS INTELLIGENCE: PENDEKATAN KOGNITIF ANALITIK

Masalah terbesar untuk Knowledge Management (KM) adalah pada bagian pengetahuan individu yang bersifat tacit. Yang mana, pengetahuan tacit adalah pengetahuan dan pemahaman yang terdapat di dalam otak/pikiran individu, atau keahlian dan pengalaman seseorang yang mana biasanya pengetahuan ini tidak terstruktur, susah untuk didefinisikan, dan isinya mencakup pemahaman pribadi. Lebih jauh lagi, pengetahuan tacit bisa hilang jika terjadi merger, reorganisasi, dan apabila terjadi perampingan dalam sebuah organisasi. Analisis kontekstual yang didukung oleh sistem kognitif adalah sistem analisis lanjutan yang digunakan untuk mengumpulkan pengetahuan tacit. Teknik analisis kontekstual seperti peringkat relevansi digunakan selain pemodelan relasi entitas, ekstraksi entitas, penandaan suku cadang, dan sebagainya. Dengan demikian, data dapat dianalisis dalam sekumpulan pengetahuan implisit dan eksplisit. Yang mana pengetahuan eksplisit merupakan pengetahuan yang bersifat formal dan sistematis yang mudah dikomunikasikan dan dibagi, yang mana pada umumnya pengetahuan ekspilist dapat dengan mudah diperoleh dalam bentuk tulisan atau dokumentasi. Sementara itu, pengetahuan implisit merupakan sebuah kemampuan yang dapat dengan mudah ditransfer dengan menggunakan praktik, atau dengan memberikan contoh, seperti misalnya mengendarai sepeda atau kenderaan. Implisit merupakan pengetahuan yang dikumpulkan sehingga menjadi pakar berdasarkan pengalaman. 

Lebih jauh lagi, jika pengetahuan implisit dan berbagai perspektif disertakan dalam sebuah analisis, maka sebuah analisis yang bersifat kontekstual dapat menjadi analisis kognitif. 

Tulisan ini akan mengeksplorasi pendekatan kognitif untuk menganalisis KM di lingkungan Business Intelligence (BI).

Manajemen Pengetahuan atau KM merupakan sebuah alat strategis yang memiliki tujuan untuk membangun informasi dalam Intellectual Capital (IC) dalam sebuah organisasi. Manajemen biasanya menggunakan KM tool sebagai alat yang paling efisien untuk mengubah individu menjadi aset yang berharga. Selain itu, setiap tindakan efisiensi yang dilakukan dalam organisasi akan lebih mungkin dilakukan jika setiap organisasi telah melakukan proses BI pada jalur yang benar. Oleh karenanya, BI terkait erat dengan keberhasilan yang dicapai oleh KM. Suatu organisasi kemungkinan menghadapi masalah ketika sampai pada titik pelaksanaan dikarenakan kurangnya informasi yang diperoleh. Sementara itu, teknologi yang terdapat pada BI memainkan aturan penting dalam pengelolaan informasi dalam skala besar yang lebih baik. Namun, meningkatkan keterampilan setiap individu dalam sebuah organisasi bukanlah tugas yang mudah. Butuh waktu sebelum keterampilan yang diharapkan dapat diperoleh. Itulah sebabnya transfer pengetahuan sangat penting dalam organisasi terutama dalam proses menjelaskan pengetahuan dari satu individu sehingga mampu dipelajari dan diadaptasi oleh entitas manapun.

Business Intelligence

BI terdiri dari proses bisnis penting yang mengumpulkan dan menganalisis informasi untuk keputusan dan tindakan bisnis terutama pada penggunaan alat informasi untuk meningkatkan kinerja bisnis. BI terdiri dari teknologi, proses dan implikasi yang memungkinkan perolehan, penyimpanan, pengambilan dan analisis data untuk pengambilan keputusan yang lebih baik. On-Line Analytical Processing (OLAP) adalah sebuah alat BI yang memungkinkan pencarian dan pengujian data yang relevan beserta perhitungan dan identifikasi hubungan. Data mining dapat digunakan dalam proses mengidentifikasi tren, pola dan hubungan antara sejumlah besar data. Data mining menggunakan teknik statistik dan matematis seiring dengan teknologi. Sistem Pendukung Keputusan (SPK) adalah asosiasi manusia dan mesin untuk penyediaan informasi yang otentik dan berguna untuk mendukung manajemen dalam pengambilan sebuah keputusan. OLAP adalah salah satu komponen penting BI yang digunakan dalam melakukan sebuah proses analisis. OLAP memiliki beberapa bentuk, diantaranya adalah klasifikasi, pola sekuensial, analisis regresi dan link. Dengan demikian, proses BI adalah pendekatan yang relevan untuk menganalisis data pengetahuan yang dibutuhkan untuk menangkap dan menganalisis pengetahuan.

Manajemen Pengetahuan (Knowledge Management)

KM adalah teknik pencarian, akuisisi, pengorganisasian dan komunikasi informasi dan pengetahuan dalam sebuah organisasi. Pengetahuan bisa tersirat (tacit) atau eksplisit yang berkaitan dengan pemahaman kepemimpinan, usaha kelompok, pengalaman individu, dan jiwa karyawan. Akuisisi informasi yang relevan adalah proses mengidentifikasi dan menangkap materi yang terkait erat dengan tujuan saat ini. Pengambilan informasi adalah tahap kedua dari proses KM dimana organisasi mengeluarkan informasi spesifik dari berbagai sumber. Pengetahuan yang diambil dari organisasi akan diproses dengan menggunakan BI tool, teknik, atau framework, dan kemudian penggunaan pendekatan kognitif untuk pengetahuan tacit akan digunakan sebagai bagian dari solusi analitik.

Pendekatan Kognitif untuk Menangkap Pengetahuan

Pendekatan kognitif mampu merekam, menganalisa, mengingat, belajar, dan menyelesaikan masalah dari informasi yang tersedia dari pengetahuan dan pengalaman individu. Sistem kognitif saat ini juga dapat melakukan transfer pengetahuan dan menjadi praktik terbaik dalam kegiatan analisis data. Dalam kasus penggunaan ini, sistem kognitif dirancang untuk membangun dialog antara manusia dan mesin sehingga dapat dipelajari oleh sistem. Selama setiap pengetahuan bersifat probabilistik, selalu dipengaruhi oleh faktor manusia dan sosial, dan membutuhkan cara kognitif untuk dikelola, maka pendekatan kognitif cocok untuk hipotesis yang lebih dari satu untuk dianalisis. Oleh karena itu, tulisan ini akan menjelaskan penggunaan pendekatan kognitif untuk pengelolaan pengetahuan di lingkungan BI.

Metodologi

Teknik penelitian kualitatif telah diadopsi untuk tulisan ini. Teknik kualitatif ini meliputi analisis tinjauan dari berbagai literatur terhadap penelitian terdahulu dan model KM dan BI yang telah diusulkan. Kerangka teoritis sebagai pondasi penelitian juga telah dikembangkan dengan mengadopsi beberapa model penelitian sebelumnya. Dengan demikian, kebutuhan untuk kerangka kerja integrasi untuk mencapai tujuan ini ditunjukkan pada Gambar 1.

Gambar 1. Kerangka kerja teoritis integrasi KM & BI untuk mencapai daya saing

Pada tahap pertama metodologi adalah proses pengumpulan data, dimana para manajer diajukan beberapa pertanyaan yang berkaitan dengan pencapaian daya saing melalui KM dan penggunaan BI di dalamnya. Beberapa pertanyaannya adalah sebagai berikut:



. . .


Download Full Paper

Managing Knowledge Business Intelligence: A Cognitive Analytic Approach

Knowledge Management (KM) is a strategic tool for building Intellectual Capital (IC) information within an organization. Management using this tool as the most efficient mean for making people as most valuable assets. Efficiency within organisation is not possible unless organization practice BI on the right track. BI is closely associated with success of results generated by KM.An organization may have bulk of information which may arise problems when it comes to part of implementation. BI technologies play crucial rule for better management of such huge information. BI formulates smooth part for practitioners of KM to attain a competitive edge over its competitors. This competitive edge follows competitive personnel with better performance, work efficiency and better customer relationship management.The competitive nature of any organization is boosted up using work practices that involve a high degree of association. However, boosting skills within the organisations is not an easy task. It takes a while before skills cross a certain required threshold where tangible benefit can be obtained.

That is why the knowledge transfer is very important within the organisation especially to explicate the tacit knowledge so it can be learned by any entities in the future. The biggest problem for KM is in a part of people tacit knowledge. Conversely, tacit knowledge can disappear in case of mergers, reorganization’s, and downsizing. The contextual analytics which supported by a cognitive system is an advanced analytics system used to collect tacit knowledge. The contextual analytics techniques like relevancy ranking are used besides those like entity relation modeling, entity extraction, tagging of parts of speech, and so on. Thus, data is analyzed within a confined set of implicit and explicit knowledge. If implicit knowledge and various perspectives are included in this analysis, these contextual analytics may becomes cognitive analytics. This paper will explore the cognitive approach for analysing KM in BI environment.


Business Intelligence

Business Intelligence (BI) comprises important business process which collects and analyzes information for business decisions and actions. Particularly, it emphasizes upon use of information tools to enhance business performance. BI consist of technologies, processes and implications which allows acquiring, storing, retrieving and analyzing data for better decision making. On-Line Analytical Processing (OLAP) is a tool of BI which allows searching and testing relevant data along with computation and identification of relationships. Data Mining identifies trends, patterns and relationship among huge sum of data stored in Data Warehouse. It makes use of statistical and mathematical techniques along with technology. Decision Support System (DSS) is the association of man and machine for provision of authentic and useful information in order to support management in decision making.OLAP is one of the important components of BI used in process. OLAP has several other traditional forms. Some of them are classification, sequential patterns, regression and link analysis.Thus, BI process is a relevant approach to analysis knowledge data that required a proper process to capture and analysis tacit knowledge.

Knowledge Management

Knowledge Management (KM) is a technique of searching, acquiring, organizing and communicating
information and knowledge in organization. The knowledge can be implicit or explicit is relates to the
understanding of leadership, group efforts, individual experience and psyche of employees. Acquisition of relevant information is the process of identifying and capturing material closely associated with current goal. Retrieval of information is the second phase of KM process where organization takes out specific information from multiple sources. The captured knowledge of the organization will be process by using BI, and later by using cognitive approach the tacit knowledge will be used as part of analytic solution.

Cognitive Approach for Capturing Knowledge

Cognitive approach is able to record, analyze, remember, learn, and resolve the problem from the information that are available from the human knowledge and experiences. The current cognitive system also can perform the transferring of knowledge andused to be the best practices in data analysis industries. In these use cases, a cognitive system is designed to build a dialog between human and machine so that the best practices are learned by the system as opposed to traditional method that being programmed as a set of rules. As long as knowledge is probabilistic, it always be influenced by human and social factors, and required a cognitive way to be managed. Cognitive approach is suitable for the “more than one” hypotheses to be analyzed as it is a kind of decision support that allows people to explain new opportunities, which has an impact in a positive manner. Therefore, this paper will explain the used of cognitive approach for managing knowledge in BI environment.

METHODOLOGY

Qualitative research technique has been adopted for this paper. These qualitative techniques include the careful analysis of literature review of previous researches and proposed models of KM and BI. Theoretical framework of the research has also been driven from multiple models of previous researches. Knowledge management and business intelligence has the potential to strengthen the effectiveness and competitiveness of organizations. Thus there is a need of having a Business Intelligence integrated framework of BI and KM for achieving this goal is shownin Figure 1.


Figure 1. Theoretical framework of KM & BI integration to achieve competitiveness

In first phase of methodology is collecting data, where the managers were asked few questions relating to achievement of competitiveness through KM and use of BI in it. Some of the questions are as follow:

. . .


Download Full Paper

Pencapaian Keunggulan Daya Saing Melalui Knowledge Management dan Business Intelligence

Knowledge Management (KM) adalah alat strategis dalam membangun Intellectual Capital (IC) pada sebuah organisasi. Manajemen menjalankan KM sebagai alat yang paling efisien untuk menghasilkan aset yang paling berharga bagi manusia sebagai pengambil keputusan. Para pengambil keputusan membutuhkan informasi yang paling relevan pada saat yang tepat untuk pengambilan keputusan yang berguna. Efisiensi dalam mengambil keputusan dapat dilakukan pada praktik-praktik di dalam Business Intelligence (BI) di jalur yang benar. Dalam hal ini, BI erat kaitannya dengan kesuksesan yang dihasilkan oleh KM. Organisasi memiliki informasi yang mungkin memiliki masalah ketika sampai pada bagian pelaksanaan. Teknologi BI memiliki peranan penting dalam melakukan pengelolaan informasi yang lebih baik dalam skala yang lebih besar. BI mampu merumuskan bagian yang mulus bagi para praktisi KM untuk meraih keunggulan kompetitif dibandingkan pesaingnya. Daya saing ini mengikuti tenaga kompetitif dengan kinerja, efisiensi kerja, dan manajemen hubungan pelanggan yang lebih baik. Teknologi BI yang berdampak pada KM secara signifikan umumnya meliputi OLAP, DSS, dan Data Mining. Ini adalah alat BI yang strategis yang harus selaras dengan strategi organisasi secara keseluruhan. Tools atau alat ini dapat membangun hubungan dua arah di lingkungan kerja antar karyawan sambil menyebarkan informasi dalam organisasi. Karyawan dalam organisasi manapun ingin dipertimbangkan dalam setiap keputusan tunggal. Hal ini akan memberikan lebih banyak loyalitas dan komitmen personil untuk bekerja dalam lingkup organisasi.

Knowledge Management

KM didefinisikan sebagai teknik pencarian, perolehan, pengorganisasian dan komunikasi informasi dan pengetahuan untuk memotivasi karyawan. Hal ini berhubungan dengan pemahaman kepemimpinan, usaha kelompok, pengalaman individu dan jiwa karyawan. Akuisisi informasi yang relevan adalah proses mengidentifikasi dan menangkap materi yang terkait erat dengan tujuan saat ini. Pengambilan informasi adalah tahap kedua dalam proses KM dimana organisasi mengeluarkan informasi spesifik yang didapatkan dari berbagai sumber.

Business Intelligence

BI terdiri dari proses bisnis penting yang mengumpulkan dan menganalisis informasi untuk keputusan dan tindakan bisnis, terutama menekankan pada penggunaan alat informasi untuk meningkatkan kinerja bisnis. BI terdiri dari teknologi, proses, dan implikasi yang memungkinkan perolehan, penyimpanan, pengambilan, dan analisis data untuk pengambilan keputusan yang lebih baik. On-Line Analytical Processing (OLAP) adalah merupakan salah satu alat pendukung BI yang memungkinkan pencarian dan pengujian data yang relevan beserta perhitungan dan identifikasi hubungan. Data Mining pada BI berfungsi untuk mengidentifikasi tren, pola, dan hubungan antara sejumlah besar data yang tersimpan di Data Warehouse. Ini menggunakan teknik statistik dan matematis seiring dengan teknologi. Sistem Pendukung Keputusan atau SPK (Decision Support System - DSS) adalah hubungan atau asosiasi antara manusia dan mesin untuk penyediaan informasi yang otentik dan berguna untuk mendukung manajemen dalam pengambilan keputusan. OLAP merupakan salah satu komponen penting BI yang digunakan dalam prosesnya. OLAP juga memiliki beberapa bentuk tradisional lainnya. Beberapa di antaranya adalah klasifikasi, pola sekuensial, analisis regresi, dan link.

Kerangka teoritis integrasi KM dan BI untuk mencapai daya saing

KM dan BI memiliki potensi untuk memperkuat efektifitas dan daya saing dalam sebuah organisasi. Dengan demikian ada kebutuhan untuk memiliki kerangka kerja BI dan KM yang terintegrasi untuk mencapai tujuan ini.

DSS sering digunakan sebagai alat kunci pada BI saat manajemen memilih beberapa strategi untuk KM. OLAP dan data mining adalah teknik modern pada BI yang berperan penting dalam pengambilan data. Integrasi KM dengan BI akan menghasilkan modal intelektual yang lebih baik yang merupakan aset paling berharga. BI dan KM juga dinilai dari berbagai model. Model sangat membantu dalam mengkategorikan bagian data warehouse dan membangun teknik data mining. Berbagai unsur BI juga harus berhubungan dengan unsur KM agar bisa menghasilkan keunggulan kompetitif. BI tidak dipraktekkan sebagai trend dalam organisasi tapi sebagai kebutuhan. Organisasi mengintegrasikannya sebagai alat utama secara sekaligus dalam membuat keputusan yang strategis. 

Dalam artikel ini integrasi juga dievaluasi dalam menyatakan langkah-langkah pertukaran antara BI dan KM yang mencakup konteks pengambilan keputusan. Wang dan Wang (2008), menyatakan bahwa pekerja pengetahuan memiliki kolaborasi dan kerjasama yang kuat dengan alat TI untuk kinerja dan sosialisasi yang lebih baik. Ia membahas dengan logika bagaimana data mining, alat BI dan KM dapat menghasilkan hasil yang lebih baik. Demikian pula, pemrosesan analitik on-line (OLAP) juga merupakan alat yang membantu saat mengekstrak data dari gudang data. Alat pengelolaan pengetahuan ini juga bekerja sambil mencapai BI kolaboratif, karena kolaborasi jauh lebih efektif daripada persaingan. Eksekutif di perusahaan multinasional memiliki pandangan yang dekat terhadap perubahan pola global.

Faktor sosial dan ekonomi adalah yang paling penting untuk melakukan analisis yang terkait dengan strategi bisnis. Analisis kualitatif faktor lingkungan juga memungkinkan eksekutif membuat keputusan yang tepat. Mereka mempertimbangkan beberapa faktor dari lebih dari satu disiplin kehidupan sosial. Di sisi lain analisis kuantitatif membantu mengidentifikasi hasil nyata. Ini juga dapat menciptakan keterbatasan untuk hasil yang dihasilkan ketika sampai pada tahap implementasi.

...

Download Full Paper di Sini 

Demographic Spatial Data Management in Indonesia with the Approach of Geographic Information System Model

Introduction

More rapid population growth in a particular area will gradually cause complex problem to the society and its environment. Indonesia becomes the 4th rank of most populated country in the world. Based on the result of population census in 2013, the number of populations in Indonesia was 240.5 million people. It means that Indonesia can be included as a country with the biggest population number among other developing countries after China and India. If it is compared with the census in 2000, it shows population expansion in Indonesia with approximate value 1.98% per year.

Based on the projection result of the population, the number of populations in Indonesia in 2050 is predicted to reach 366 million people3. Based on the data from World Population Datasheet, here it is the table of most populated countries in the world and the future projection in 2050 Table 1.

The impact of over load population is closely related to the width of the occupied area in a particular country. Big population can trigger some problems, and it can become the asset of a country as well. The most prominent issue is that big population can be the most influential asset of a country if human resource quality of the population is high. Although Indonesia becomes the 4th rank of its population number, Indonesia is in the 121st position in the world of its human resource quality (year 2014). Indonesia is still far left behind from China which has the highest number of population in the world, with its high quality population. The problem of population quality should be the government’s concern in handling the most prominent factor of prosperity and living quality to all citizens. Astronomically, Indonesia is located in 94˚ 45’ EL until 141˚ 05’ EL and 6˚ 08’ NL until 11˚ 15’ SL, in which equator area 1˚ is equivalent with 111 km. It means that Indonesian extends ±7,700,000 km2 with its land total area ±1,826,440 km2, and it is divided into 34 provinces. As the fourth country with the biggest population of the world with the population number ±238,452,952 people in the middle of 2015, the average population in every 1 km2 in Indonesia was occupied around 131 people /km2. Of course, a system to ease periodical monitoring about demography other than using census is significantly needed.

The width of Indonesia area in the map of population distribution seems uneven in 34 provinces. Based on the census result in 2010, there was 60% population occupying Java Island. However, Java Island is only 7% from the total area of Indonesia. On the other hand, Kalimantan Island which has bigger area was only occupied by 5% of Indonesia total population. Here they are some demographic problems in Indonesia:
  1. Problem of Total Fertility Rate (TFR). The increase of fertility rate will be the government’s burden in accommodating physical aspects like health facilities rather than its intellectual aspect. The increase of fertility will cause high rate of population improvement in developing countries that will negatively correlate to the prosperity of the population.
  2. Problem of Mortality Rate (MR). The high rate of life expectancy of the population requires bigger role of the government to provide any shelter facilities.
  3. Problem of Population Composition (PC). Indonesia has imbalance population composition that can cause new population problems.
By the existence of those problems, the researchers were motivated to conduct a study about demographic data management in Indonesia with the approach of geographic information system (GIS) model. Although the discussion related to demographic data management has widely been discussed in some other researches, the focus of the study, however, is to emphasize on demographic data management as a device of data monitoring and projection of population density with the approach of GIS model in order to control the population. The model of the system is expected to have a particular strength in monitoring demographic data and its control in every provincial area in Indonesia.

Proposed Method

The study was conducted to obtain a system that can be used to monitor the demographic data by using GIS model approach. The study was divided into three steps, as following:
  1. Spatial data and demographic data initiation.
  2. Spatial and non spatial data integration. It is the step in correlating spatial data and demographic data into the database.
  3. Indonesian demographic data visualization.
The system was designed as user friendly as it is expected by common people toward Information Technology (IT) to be able to access demographic data through web Figure 1.

Demography Theatrical

Some related researches have been done like the research who investigated about map making process by using Scalable Vector Graphic (SVG). In their study emphasize on SVG technology as the visualization of area mapping. In its development, SVG has become programming language to build interesting sites. SVG is a web graphic file format to present the graphics and to describe 2 dimension pictures base on eXtensible Markup Language (XML).

Another study investigated demographic problems in Indonesia. The focus of the study is demographical problem faced by the government as well as the impact of population nationally. Another problem analyzed is about employment showing that 77% employees in Indonesia are still in low education level. The impact toward per capita income will significantly influence toward the citizens’ living quality. Other demographical features also become the concern of the study such as the rate of divorce and marriage that will influence on fertility and mortality rate that can be the indicator as a country’s prosperity. The indicators of prosperity in a country can be significantly influenced by several factors such as the rate of fertility and mortality as they are noted by Statistical Bureau. In simple way it can be explained that people are the subjects as well as the objects of development. Thus, if there is no initial anticipation, it will cause national imbalance. In further, based on the literature review presented above monitoring is importantly needed toward population development in order to keep the balance of the population and the suitability of government’s program to reach national prosperity by using geographical information system that will be developed further.

Demography is a scientific study related to demographical number, population spread and composition as well as how those factors change from time to time. Demographic science can be in the form of quantitative organd qualitative data. Quantitative demography mostly uses statistical numbers and mathematical number. On the other hand, qualitative demography explains demographic aspects within the method of analytical description. In addition, demographic studies examine the development, phenomena, and problems related to demography and the social situation around its environment systematically. Demographic science that needs our attention concerns more to inter discipline studies integrated with demographic analysis that people may know as social demography. There are several opinions mentioning about the definition of demography:
  1. It is a science studying population in any particular area within its number, structure (composition) and development (change).
  2. It is a science examining the number, distribution, territorial, population composition, and the change as well as the causes that usually appear because of the rate of fertility, mortality, migration, and social mobility.
  3. It is a mathematical and statistical studies toward numbers, composition, spatial distribution of the population, and the change of the previous aspects that always happen as the impact of fertility, mortality, marriage, migration, and social mobility. 
Three important aspects in studying demography such as fertility, mortality, and migration as it can be seen in Figure 2. In addition, there are two supporting aspects in demography; those are social mobility and the rate of marriage. The data of population number can be obtained from these several ways: 
  1. Population census. It is a whole process from gathering, processing, presenting, and assessing demographic data that relate to the characters of demography, social economy, and environment.
  2. Registration of the population is the process of population data recording conducted by individual party when there is population change. It is done by domestic affair ministry through local village offices.
  3. Population survey is the process of information recording related to the population based on the specialty of wider and deeper studies.
The example is mobility survey of Yogyakarta citizens, and fertility survey of Yogyakarta citizens. Population survey was done because population census and registration have limitation and weakness. Demographic information can be obtained through census. In addition, the data used in the study is secondary data from Statistic Bureau as a simulation. The spatial data of Indonesian area is adopted from Google Maps API from www.google.com.

Result and Discussion

...

Knowledge Management (KM) dan Business Intelligence (BI)

Banyak kalangan yang masih merasa ambigu dan belum begitu mengerti perbedaan andara Business Intelligence (BI) dan Knowledge Management (KM). BI merupakan sebuah aplikasi, atau umumnya disebut sistem. Sistem ini mampu menganalisa data, dan memberi sugesti dalam proses pendukung keputusan. BI adalah sepenuhnya teknologi dan berbasis aplikasi yang berfungsi untuk menganalisa data, melakukan proses terhadap data, dan memberi hasil atau sugesti untuk kemudian menjadi dasar dalam proses pengambilan keputusan oleh manusia (misal: manager dalam perusahaan).

KM pada umumnya adalah sebuah proses yang secara sistematis melakukan pencarian, memilih, mengelompokkan, dan menyusun informasi. KM sendiri memiliki proses yang panjang dalam melakukan pengambilan keputusan, dan KM mensupport aktivitas yang berbasis pembelajaran. Sehingga, KM kerap melakukan analisa dari data dan informasi yang tersedia pada masa lalu, masa sekarang, kemudian melakukan pengolahan data/informasi untuk tujuan prediksi dalam mendukung keputusan.

Lalu mengapa BI dan KM perlu untuk diintegrasikan?

Pada dasarnya BI adalah sebuah sistem berbasis aplikasi yang mengolah melakukan pengolahan data berdasarkan informasi dan data yang sudah tersedia. Data dalam hal ini adalah segala bentuk informasi yang sudah terdokumentasi. Sementara aktivitas KM sendiri berada dalam dua jenis pengetahuan (informasi); Tacit dan Explicit. Yang mana Tacit adalah pengetahuan yang bersifat intuitif, sementara Explicit adalah pengetahuan yang bersifat dokumentatif. BI berada pada layer dokumentatif, semntara KM berada pada layer intuitif dan juga dokumentatif.

Dalam integrasi BI dan KM, terdapat pertanyaan lanjutan, yaitu; "apakah KM-BI, atau BI-KM?"

Kognitif dalam paradigma Internet of Things

Apa itu Kognitif (Cognitive)? Sebelum kita bergeser atau bergerak ke pemahaman kognitif, secara general kita perlu memahami pengertian Kognisi (Cognition) terlebih dahulu. Kognisi adalah sebuah pemahaman (secara mental) yang berkaitan dengan proses bagaimana seseorang memahami lingkungannya (dunia) dan bertindak serta melakukan respon terhadapnya. Dengan kata lain, kognisi adalah sebuah proses dan tindakan yang dilakukan oleh manusia dengan 'kesadaran' yang penuh. Berangkat dari pengertian kognisi di atas, maka dapat kita simpulkan bahwa kognitif adalah kemampuan otak dalam mengolah informasi, memecahkan masalah, melakukan observasi, menyusun dan merencanakan mekanisme dalam mempelajari dan menyimpulkan informasi yang didapat.

Kemampuan kognitif adalah keterampilan berbasis otak dan syaraf manusia dalam melaksanakan tugas dari yang paling sederhana sampai yang paling kompleks. Kemampuan kognitif memiliki keterkaitan dengan mekanisme bagaimana kita belajar, mengingat, memperhatikan, dan memecahkan masalah secara otomatis. Misalnya, untuk menjawab telepon, setiap otak manusia melibatkan persepsi (mendengar nada dering), pengambilan keputusan (menjawab atau tidak), keterampilan motorik (mengangkat dan menjawab), kemampuan bahasa (berbicara dan memahami bahasa), keterampilan sosial (menafsirkan nada suara dan berinteraksi dengan baik dengan manusia lain). Cukup familiar? Apakah kita pernah melakukan analisa tahap per-tahap untuk menjawab panggilan telepon? Atau kita melakukan otomasi dengan refleks mengangkat telepon yang sedang berdering, atau mengacuhkannya? Atau, mungkinkah otak kita memang melakukan analisa proses tanpa kita sadari, dan kemudian memberi perintah menjawab telepon atau tidak?

Pertanyaan selanjutnya adalah; adakah atau mampukah sebuah teknologi (sistem komputer) melakukan analisa dari setiap informasi dan data secara kognitif serta beraksi atau mengambil keputusan secara kognisi?

Jawabannya adalah BISA! 

Lalu, apa hubungannya dengan Iternet of Things (IoT)?

Sebelumnya kita kaji terlebih dahulu apa pengertian umum mengenai IoT. 

Margaret Rouse pernah menulis sebuah pengertian dan tulisan ringan di halaman techtarget mengenai IoT. Margaret Rouse mengatakan bahwa IoT merupakan sebuah sistem atau perangkat komputasi yang mampu membuat manusia, hewan, dan benda lain saling terhubung secara digital dan mampu saling bertukar data melalui jaringan (dengan sebuah alat pengenal/identifikasi sehingga semua dapat saling bertukar data tanpa bantuan manusia untuk meneruskan atau membantu proses pertukaran data tersebut). Kata jaringan di sini merupakan jaringan yang luas, yaitu Internet. 

Kita mampu berkomunikasi dan melihat secara langsung saudara kita yang ada di islandia melalui video call dari perangkat telepon genggam, tanpa perlu 'ribet' untuk memahami proses pertukaran data. Gadget kita sudah melakukan semuanya dengan satu syarat; terhubung ke Internet!

Google mampu mendeteksi tingkat kemacetan dengan cara memantau pergerakan semua perangkat dalam satu area dengan fasilitas map-nya. Tentu saja pertukaran data akan lancar, jika users (anda dan saya) mengizinkan google (melalui fasilitas map nya) untuk mengakses gps di perangkat kita. Plus, mengupload data ke mereka secara periodikal.

Dalam perspektif IoT, pentingnya analisa adalah karena perspektif akan apa yang hendak kita lakukan terhadap data dan informasi. Pentingnya analisis yang bersifat kognitif adalah, karena sistem harus dapat bekerja sesuai dengan tugasnya terhadap lingkungan sekitarnya.

Pernahkah anda merasakan lapar namun bingung harus melakukan apa terhadap makanan yang telah tersaji di hadapan anda? Jika pernah, maka otak yang anda miliki tidak mampu melakukan analisa dengan benar. 

Pernahkah anda 'diomeli' oleh orang tua anda ketika telepon berdering dan anda malah berdiri kebingungan? 

Atau, apa reaksi anda jika adik atau kakak anda buru-buru beranjak dari tempat duduk dan mengangkat telepon sambil berhalo-halo ria padahal telepon di rumah tidak berdering sama sekali?

Tiga kejadian seperti di atas adalah merupakan gambaran dari gagalnya sebuah sistem Analisa Kognitif. 

Jika anda merasa haus dan langsung mengambil air minum yang telah tersedia dan meminumnya, itu merupakan gambaran sederhana dari sebuah keberhasilan sistem Analisa Kognitif.

Adakah sebuah teknologi yang seperti itu?
Jawabannya adalah: "Ada"!

Mampukah sebuah sistem melakukan hal yang serupa?
Jawabannya adalah: "Mampu!"

Pertanyaan yang lain adalah: "Bagaimana dengan Big Data? Triliunan data yang tersebar di Internet?"

Well, saya sedang memikirkan kemampuan berfikir yang manusia miliki. Mampukah manusia menampung seribu pertanyaan dalam satu menit dan memilah mana pertanyaan yang berhubungan dengan 'apa yang harus dijawab' dan memutuskan untuk memberi jawaban yang tepat dalam tempo kurang dari dua detik?

Improving Employees Retention Rate Through Knowledge Management and Business Intelligence Components

Introduction

Knowledge Management (KM) is opted as strategic tool by executives to keep their team motivated. These teams consist of employees who have higher level of inspiration and competency. In modern era, worker turnover rate is crucial issue for businesses to attain competitive advantage. Employee’s retention can be measured by their level of motivation and task orientation in work environment. No organization can compromise for loss of skilled employee because it is much essential than any other source of development. The KM is platform that supports strategic business decisions with people, process, and technology aspects.

It is widely believed that job satisfaction is wholly dependent upon leadership integrity and justified processes of decisions within organization. Thus, intelligence has been a significant factor in managing human capital. It covers all aspects of customer, competitor, markets, technological and environmental intelligence. Business Intelligence (BI) is process that generates valuable information with DSS (Decision Support System), data mining and advanced analytics for corporate strategic decisions. It is constant approach for creating and enriching significant information in the managerial context. For knowledge based organizations BI is considered as backbone in organizational structure. It turns data into actionable intelligence for executives to make strategies for work environment stability. Business are keen interested to use latest technology for meeting external and internal competition. BI adopts an effective aid to intelligence practitioners for realizing complete picture of resources in form of humans.

Many past studies have verified that utilizing high association work practices “can boost firm competitiveness”. Competitive advantage on the basis of employees is the most focused strategic goal for firms. Executive do believe that it is not so easy to imitate human mind. Skills and abilities take time to reach to a stage where employee’s intellectual worth even crosses tangible assets.

Within firms, KM is the heart of progression planning. Businesses that properly manage the alteration of new employees by replacing old ones allow job and industrial information to be transferred through the organization to ensure that such particulars are not lost. Either employees leave organization voluntarily or involuntarily. Certain business concerns included complexity, references to the increasing pace of change, globalization, information flow, economy, networking and proactively. Massive development in the information technology and communications demand to adopt BI applications in order to deal with business mechanisms, staying at the marketplace, rivalry, customer control, and retention.

The question session covers all aspects of BI to empowering the KM significance for organizational competitiveness in market place. Therefore, the following key research questions are proposed:
  1. What is the relationship between business intelligence, knowledge management, and employee retention in organizational context?
  2. How business intelligence ensure to reduce employees turnover rate?
  3. How business intelligence empowering the knowledge?
  4. To what extent are BI and KM being used in influencing retention and increase competitiveness?
  5. How does Business intelligence control internal and external operations in competitive environment?
  6. How efficiently Knowledge management build relation between employee and workplace?
With superior tools of BI, now employees can also easily convert their business information via the systematic intelligence to solve many business issues with technological advancement. In the light of multiple views and arguments, the model is proposed for KM and BI integration. Open ended questions facilitated individuals to openly share their views.

Fig I: Building relationship between components of BI and KM to maximize Employee Retention

For this empirical research, qualitative research technique is practiced for collection of adequate facts and figures. It included secondary data of selfinterviews to executives and managers in corporate sector, evaluation of existing literature and comparison with previous, past researches, journal, and articles and proposed models of BI to empowering KM. Employee’s feedback is also considered by secondary data resources while analyzing corporate practical strategies. Past data is also preferred as proof to their performance management activities within organization as financial reports, market share and customer service data bases. All those data are collected trough secondary data for this paper purposes.
...

Download Full Paper 


Persepsi Resiko Dalam Hubungan Kausal Antara Kecederungan Penggunaan Internet Dengan Kesediaan Nasabah Untuk Menggunakan Fasilitas Internet Banking Dan Sistem Pembayaran Online

Penelitian ini dilakukan untuk mengetahui sejauh mana pengaruh dari persepsi resiko terhadap kesediaan nasabah untuk melakukan layanan internet banking dan pembelian online, serta untuk mengukur apakah pengalaman dan kecenderungan menggunakan internet memiliki pengaruh yang signifikan dalam meningkatkan kesediaan nasabah untuk menggunakan fasilitas online banking dan pembayaran online. Ada beberapa hal yang mempengaruhi kesediaan konsumen dalam menggunakan layanan internet banking antara lain adalah bahwa factor kecenderungan menggunakan internet dan faktor pengalaman menggunakan internet memiliki pengaruh yang positif terhadap kesediaan nasabah untuk menggunakan fasilitas internet banking. Persepsi resiko dalam menggunakan fasilitas layanan internet banking memiliki pengaruh yang negative terhadap kesediaan nasabah dalam menggunakan fasilitas internet banking, karena penggunaan media internet tentu saja memiliki beberapa macam bentuk resiko yang tentu saja dapat diterima konsumen. Faktor kecenderungan menggunakan internet dan faktor pengalaman menggunakan internet memiliki pengaruh yang negative terhadap persepsi resiko dalam kesediaan nasabah untuk menggunakan fasilitas layanan internet banking. Apakah persepsi resiko memiliki peran mediasi dalam hubungan antara kecenderungan menggunakan dan pengalaman menggunakan internet dengan kesediaan nasabah untuk menggunakan fasilitas internet banking merupakan hal yang menarik untuk diteliti. Penelitian ini menggunakan model dari penelitian sebelumnya yang dilakukan oleh Kuhlmeier dan Knight (2005). Kesediaan untuk menggunakan jasa layanan internet banking merupakan suatu bentuk peluang untuk perkembangan E-Commerce, khususnya di Yogyakarta, Indonesia.

Pendahuluan

Dalam persaingan bank yang sangat ketat, faktor keputusan nasabah menjadi perhatian yang serius. Masing-masing bank mempunyai pengungkapan yang beraneka ragam untuk memberikan segala sesuatu yang eperti apa yang diharapkan, seperti “Nasabah adalah raja”, “Keputusan konsumen adalah tujuan kami”, dan sebagainya. Inovasi pengembangan sistem layanan perbankan dewasa ini banyak dilakukan dengan memnggunakan bantuan teknologi informasi. Penggunaan teknologi informasi memberikan berbagai macam kemudahan, fasilitas, dan layanan bagi nasabah. Pihak perbankan harus segera dapat menyesuaikan diri dengan menerapkan sistem operasi perbankan dengan menggunakan bantuan teknologi informasi dalam memberi layanan bagi nasabahnya. Selain itu, layanan dengan menggunakan fasilitas teknologi informasi harus didukung oleh kemampuan pihak perusahaan untuk menciptakan suatu program yang mudah untuk digunakan nasabahnya (user frienly). Salah satu layana perbankan yang digunakan fasilitas teknologi informasi adalah online banking dalam melakukan kegiatan pembayaran secara online, atau internet banking. Internet banking merupakan probosan baru dalam dunia perbankan yang diberikan perusahaan jasa perbankan untuk melayani transaksi keuangan nasabah secara online, baik itu transaksi dengan menggunakan kartu kredit, kartu debit, dan transfer keuangan secara online melalui internet banking (Mäenpää, 2006:304).

Kemampuan suatu perusahaan jasa perbankan untuk memberikan layanan internet banking yang baik akan menurunkan resiko dan akan memberikan konstribusi positif dalam meningkatkan penggunaan jasa layana internet banking dalam setiap transaksi keuangan yang dilakukan oleh nasabah. Penggunaan jasa layanan internet banking diyakini akan memberikan lebih banyak manfaat dan kemudahan bagi nasabah maupun bagi perusahaan dibandingkan jika menggunakan sistem transaksi keuangan yang konvensional.

Information Technology

Teknologi informasi memiliki peranan penting dalam perekayasaan sebagai besar proses bisnis. Kecepatan, kemampan pemrosesan informasi, dan konektivitas komputer serta teknologi internet dapat meningkatkan efisinsi proses bisnis. Teknologi informasi tidak hanya terbatas pada teknologi komputer (seperangkat alat keras dan lunak) yang digunakan untuk memproses dan menyimpan informasi, melainkan yang mencakup teknologi informasi untuk mengirimlan informasi. Teknologi informasi secara de facto sudah menjadi landasan untuk melakukan bisnis.

Theory of Reason Action (TRA)

Theory of Reason Action dikembalikan oleh Fishbein and Ajzen (1975) yang membantu para peneliti untuk memahami dan memprediksi sikap dan perilaku individu (Davis at al., 1989:17). TRA telah berhasil memprediksi dan menjelaskan perilaku pada berbagai wilayah kajian. Teori tersebut paling sering digunakan sebagai model teoritis dalam sistem informasi. Kinerja seseorang mengenai perilaku tertentu ditentukan oleh tujuan untuk menjalankan prilaku, dan tuuan tersebut ditentukan oleh sikap dan norma subyektif (Davis et al., 1989:18). Beberapa faktor tertentu dalam menetapkan perilaku penerimaan teknologi, antara lain: behavioral intention untuk menetapkan perilaku, apabila behavioral intention digabungkan dengan sikap atau attitude dan kaidah norma atau subjective norm.

Theory of Planned Behavior (TPB)

Menurut Hermana (2005:22) TPB merupakan perluasan dari TRA dengan penambahan variabel perceived behavioral control-selain perilaku dan norma subyektif, untuk menerangkan situasi dimana individu tidak memiliki pengendalian terhadap perilaku yang diinginkan (Azen, 1991, seperti yang dikutip oleh Chau dan Hu (2001:53). Menurut King (2003:8) penelitian menurut adopsi teknologi yang sudah menggunakan TRA dan TPB sebagai model teoritisnya, tettapi TRA lebih umum digunakan. Chau dan HU (2001:53) menggabungkan TPB dengan TAM. Variabel pengengaliannya diukur dengan 3 indikator yaitu menggabungkan TPB dengan TAM. Variabel pengengaliannya diukur dengan 3 indikator yaitu kemampuan, pengetahuan, dan sumberdaya yang dimiliki.

Technology Accepance Model (TAM)

TAM yang diperkenalkan pertama kali oleh Fred D. Davis pada tahun 1986, adalah adaptasi dari TRA yang dibuat khusus untuk pemodelan penerimaan pengguna terhadap sistem informasi. Menurut Davis (1989:11), tujuan utama TAM adalah untuk memberikan dasar untuk penelusuran pengaruh faktor eksternal terhadap kepercayaan, sikap, dan tujuan pengguna. TAM menganggap bahwa 2 keyakinan, yaitu persepsi manfaat (perceived usefukness, disingkat PU) dan persepsi kemudahan penggunaan (perceived ease of use, disingkat PEOU), adalah pengaruh utama untuk perilaku penerimaan komputer. Pada umumnya penguna teknologi akan memiliki persepsi positif terhadap teknologi yang disediakan. Persepsi negatif akan muncul sebagai dampak dari penggunaan pernah mencoba teknologi tersebut. Artinya persepsi negatif berkembang setelah pengguna pernah mecoba teknologi tersebut atau pengguna berpengalaman buruk terhadap pengguna teknologi tersebut. Sehingga model TAM dapat digunakan sebagai dasar untuk menentukan upaya-upaya yang diperlukan untuk mendorong kemauan menggunakan teknologi.

Teknologi Analytics Dalam Validasi Keputusan

Setiap organisasi membutuhkan tempat data internal dalam memanfaatkan sumber-sumber dan aliran data baru. Perangkat pintar yang terhubung akan meminimalisir keterlibatan manusia dari lingkaran pengguna dalam beberapa kasus, sehingga perangkat akan membuat keputusan dan menyesuaikan diri sendiri, mengoreksi dan memperbaiki diri mereka sesuai dengan yang diperlukan. Istilah ini disebut sebagai Learning Machine. Learning machine menggunakan pendekatan secara analitik untuk memaknai data. Setiap data yang digunakan dalam keperluan teknik analitik pada machine learning adalah merupakan jendela menuju Internet of Things (IoT).

Kapabilitas Internet of Things (IoT) / Internet of Things Capabilities

Empat jenis dari IoT Capabilities:
  1. Monitoring - Sensor terhadap operasi penggunaan dan performa data.
  2. Control - Fungsi dari alat-alat yang dapat dipersonalisasi dan dikontrol.
  3. Optimization - Umpan balik secara terus menerus dari pemantauan dan kontrol untuk meningkatkan efisiensi, kinerja yang lebih baik, perawatan, diagnostik, dan perbaikan.
  4. Autonomy - Monitoring, kontrol, dan optimasi memberi peluang terhadap operasi independen dan berkomunikasi dengan sistem lainnya, melakukan interaksi dengan lingkungan, melakukan personalisasi, diagnosa terhadap diri sendiri, dan perbaikan.

Setiap kali perangkat cerdas terhubung ke internet maka akan semakin besar peluang untuk melakukan perubahan sesuai dengan yang dibutuhkan oleh user, mengingat banyaknya data yang dapat dikumpulkan dan luasnya batasan komunikasi yang dapat dimanfaatkan. Kita bahkan bisa memantau operasi peralatan sistem atau mesin dan kemudian memperluas batas-batas campur tangan manusia dengan mengontrol beberapa buah peralatan atau beberapa sistem. Hal ini kemudian akan memberi pertimbangan baru akan peran manusia dalam menjalankan sebuah sistem atau mesin, karena sebagian besar fungsi yang terdapat pada sistem atau mesin tersebut adalah otomatis. 

Mesin atau sistem dapat menggunakan penilaian mereka sendiri untuk membuat perubahan, koreksi, atau melakukan penyesuaian. Manusia tidak perlu memantau secara real time (tergantung pada proses). Pemantauan yang diperlukan kemungkinan hanya dalam proses menentukan pengambilan data dan memprosesnya (sesuatu yang harus dilakukan dengan data di beberapa titik atau data khusus).

Otonomi yang seperti ini membutuhkan kecerdasan yang lebih besar. Kecerdasan tersebut sangat mungkin dilakukan pada algoritma operasi otonom yang membutuhkan menggabungkan pendekatan machine learning yang mampu beradaptasi untuk menghadapi situasi baru ke dalam algoritma inti yang digunakan untuk pemantauan, pengendalian, dan optimasi.

Analytics dan Machine Learning

Data dan fungsi dapat diakses dari lokasi manapun melalui jenis perangkat khusus menyediakan konteks di mana pengguna dapat mengakses data. Misalnya sebuah gelang kebugaran dapat mengakses data tentang kesehatan fisik pengguna melalui iPhone atau laptop dalam konteks latihan tertentu. Dalam hal ini, gelang kebugaran bertindak sebagai sensor IoT serta menyediakan sarana untuk mengakses dan mengkonsumsi data. Perangkat ini juga menggolongkan perangkat lain melalui fungsi perangkat lunak. Data yang disediakan oleh perangkat dapat menawarkan wawasan tambahan tentang penggunaan user/pengguna dan preferensi, yang dapat dimanfaatkan ketika memperbarui fungsi dan mengembangkan fitur baru. 

Jika agregasi data pada populasi pengguna dapat dikombinasikan dengan dataset lainnya, maka wawasan baru akan dapat menjelaskan data epidemiologi, aktivitas tingkat populasi, gaya hidup, dan data demografis. Informasi ini memiliki nilai yang sangat penting untuk pebisnis, penyedia layanan kesehatan, perusahaan asuransi, dan lembaga pemerintah. Algoritma machine learning dapat digunakan untuk membuat prediksi berdasarkan pola data ini. Sebagai contoh, dalam sebuah studi Mayo Clinic, data aktivitas berkorelasi dengan tingkat pemulihan untuk pasien dengan penyakit jantung.

Machine learning dan algoritma prediktif merupakan dasar untuk sejumlah perangkat cerdas yang terhubung dengan pengguna. Termostat Nest misalnya, adalah contoh dari perangkat yang memanfaatkan pola data dalam memprediksi suhu yang disukai/diinginkan oleh user/pengguna di ruang tertentu pada waktu tertentu dalam sehari. Yang menjadi tantangan paling menarik adalah: Algoritma harus mampu merasakan, menanggapi, dan beradaptasi. Misalnya, sebuah mobil yang bertanggung jawab lebih dari sopir, dalam hal mobil melakukan interaksi dengan lebih banyak sumber lingkungan data (sensor, lampu, mobil-mobil lain, dan sebagainya). 

Kelas aplikasi lain yang tak kalah pentingnya adalah dalam hal 'otomasi' industri, logistik dan transportasi, jaringan listrik dan energi sistem, manajemen lalu lintas, sistem keamanan, dan kemampuan komunikasi antar sistem akan memberi kemudahan pada mesin dalam berkomunikasi langsung dengan mesin lainnya. Selain itu, aplikasi sistem akan membantu mesin dalam menafsirkan dataflows berdasarkan algoritma yang dapat 'berevolusi' dan 'beradaptasi', sehingga mesin dapat mencapai titik akhir yang diinginkan sesuai dengan parameter operasional tertentu.

Machine Learning, Business Intelligence, dan Big Data Analytics

Begitu mendengar istilah data mining, secara naluriah kita tahu bahwa itu bukan hanya tentang mengumpulkan data, dan kita pasti sepaham bahwasanya seberapa besar dan banyaknya data yang kita peroleh tidak selalu akan membuat kita menjadi pintar dan cerdas. Melainkan hanya membuat kita menjadi salah satu dari pemulung atau pengumpul yang memiliki tumpukan barang di seluruh pelosok rumah atau gudang kita. Ya, hal tersebut juga berlaku bagi mesin dan sistem. Big data sangat mungkin untuk dibuat menjadi sesuatu yang terorganisir dengan baik dan bisa memiliki potensi penggunaan yang membuatnya lebih bernilai. Tapi akankah kita pernah mengambil itu dan menggunakannya? Apakah kita akan benar-benar mendapatkan keuntungan dari apa yang telah susah payah kita kumpulkan? Kemungkinan besar tidak. Namun tujuan utamanya adalah untuk mengubah data ke dalam tindakan yang dapat memberi kontribusi. Business Intelligence.

Big Data Analytics

Sebagian besar data mining dan teknik analisis statistik bergantung pada teknologi DBMS relasional, data warehouse, ETL, OLAP, dan BPM. Sejak akhir 1980-an, berbagai algoritma data mining telah dikembangkan oleh para peneliti dari komunitas intelligence, algoritma, dan basis data buatan. Beberapa diantaranya yang paling terkenal adalah: C4.5, k-means, SVM (Support Vector Machine), Apriori, EM (Expectation Maximization), PageRank, AdaBoost, kNN (k-Nearest Neighbors), Naïve Bayes, dan CART. Algoritma tersebut mencakup klasifikasi, clustering, regresi, analisis asosiasi, dan analisis jaringan. Sebagian besar algoritma data mining yang populer ini telah dimasukkan dalam sistem data mining komersial dan open source. Kemajuan lain seperti jaringan saraf tiruan untuk klasifikasi/prediksi dan clustering dan algoritma genetika untuk optimasi dan pembelajaran mesin memiliki kontribusi untuk keberhasilan data mining dalam aplikasi yang berbeda.

Machine learning masih memiliki potensi untuk menjadi teknologi yang mainstream di perusahaan-perusahaan industri perangkat lunak, dalam penggabungan dengan teknologi lain yang berkaitan dengan kecerdasan buatan dan komputasi kognitif, dalam bisnis intelijen dan analisis industri. Potensi machine learning dalam menangani data dalam jumlah besar dan kemampuannya dalam ekstraksi pengetahuan dari big data tersebut menjadikan machine learing semakin popular dalam penggunaannya ke arah analisis prediktif dan data mining. Yang membuat machine learning selalu menjadi bahan yang menarik untuk dikaji adalah kaitannya dengan masalah yang kompleks mengenai algoritma yang digunakan harus beradaptasi dengan perubahan kondisi yang berlangsung secara terus menerus. Hal ini kemudian menjadi sebuah aplikasi yang sukses dari teknik learning machine misalnya dalam implementasi pendeteksi spam. Peran data analytics berubah menjadi pendamping dalam sistem pendukung keputusan secara otomatis, atau otomatisasi keputusan.


Otomatisasi Keputusan

Tahap keputusan bisa terjadi dalam dua cara: 
  1. Sebagai keputusan yang didukung dan dibuat oleh pengguna.
  2. Memungkinkan sistem untuk mendelegasikan kemampuan dalam membuat keputusan untuk dirinya sendiri.
Pada poin kedua maksudnya adalah mengotomatisasi proses pengambilan keputusan berdasarkan analisis sebelumnya dan membiarkan sistem untuk belajar, menyesuaikan, dan memutuskan dengan mendelegasikan keputusan untuk sistem, untuk proses memperluas jangkauan analisis untuk analisis prediksi, pesan peringatan dini, dan bahkan penemuan data. Ada sejumlah kasus di mana machine learning digunakan untuk meningkatkan kemampuan organisasi dalam memenuhi kebutuhan analisis, terutama untuk analisis yang diterapkan untuk platform Big Data. Beberapa contoh dari yang diterapkan untuk analisis Big Data yang lebih yang berorientasi bisnis adalah seperti facebook, yang mengatur apa yang akan ditampilkan di timeline user, mulai dari feeds sampai dengan iklan (sponsor) yang relevan dengan user tersebut. Tentu saja, keputusan dalam menampilkan feed dan iklan dilakukan oleh algoritma, bukan oleh manusia.

Paradigma Machine Learning dalam Bisnis dan Sistem Kognitif

Machine learning, bersama dengan banyak disiplin ilmu lain dalam bidang AI (Artificial Intelligence) atau kecerdasan buatan dan sistem kognitif dewasa ini semakin populer. Bahkan memberi dampak yang signifikan dalam waktu yang tidak begitu jauh pada industri perangkat lunak. Machine learning tercakup dalam beberapa konsep dasar disiplin ilmu yang memiliki potensi besar dalam mengubah sistem Business Intelligence (BI) atau bisnis intelijen dalam skala analitik.

Apakah Machine Learning itu?

Dalam istilah yang sederhana, machine learning adalah cabang dari disiplin ilmu yang lebih besar, yaitu Artificial Intelligence (AI) atau Kecerdasan Buatan yang melibatkan desain dan konstruksi aplikasi komputer atau sistem yang mampu belajar dan melakukan pengolahan sendiri berdasarkan masukan data. Disiplin ilmu dari machine learning juga menggabungkan disiplin ilmu analisis data seperti analisis prediktif dan data mining, termasuk data mining untuk pengenalan pola. Salah satu aplikasi yang lebih penting dari machine learning adalah untuk 'mengotomatisasi' proses akuisisi basis pengetahuan yang digunakan oleh apa yang kita sebut dengan sistem pakar, sistem yang bertujuan untuk meniru proses pengambilan keputusan keahlian manusia di lapangan.

Machine Learning Yang Membangun Bisnis.

Keberhasilan penerapan machine learning dalam disiplin ilmu tertentu seperti pengenalan suara, visi komputer, bio-pengawasan, dan pengendalian robot memberi pengaruh terhadap minat dan adopsi teknologi bahasa mesin yang cukup signifikan, khususnya selama dua dekade terakhir. Pendekatan utama pada bidang teknologi ini termasuk dalam menggunakan jaringan saraf tiruan, sistem pembelajaran berbasis kasus, algoritma genetika, dan pembelajaran analitik (analytical learning). Hal yang paling menarik adalah bagaimana keseluruhan teknologi dalam sebuah aplikasi dan algoritma sains tersebut kemudian menjadi sebuah aplikasi komersial dan bisnis.

Machine Learning untuk Bisnis yang Realistis.

DSS (Decision Support System) atau Sistem Pengambilan Keputusan (SPK) berbasis pengetahuan dapat memberi saran atau merekomendasikan sebuah tindakan untuk manajer. DSS merupakan sebuah sistem komputer dengan keahlian pemecahan masalah khusus, yang mengadopsi atau meniru keahlian manusia. 'Keahlian' terdiri dari pengetahuan tentang domain tertentu, dan pemahaman tentang masalah dalam domain tersebut untuk memecahkan masalah. Dalam hal ini ada unsur yang jelas untuk meningkatkan adopsi teknologi dan metodologi, seperti kolaborasi machine learning dengan manajemen secara intensif dan meningkatkan data non-tradisional (relasional). Kebutuhan untuk sistem dalam memecahkan kompleksitas bertepatan dengan fenomena seperti Big Data dan analisis canggih dalam bisnis yang memberikan ruang alami untuk pintu masuk terhadap learning machine dalam membantu mengatasi beberapa set 'big data' dalam kompleksitas pengetahuan untuk analisis data dan pengambilan keputusan.

Pada akhirnya, penggunaan Machine Learning sebagai bagian dari Big Data dan Advanced Analytics memiliki peran tersendiri dalam pembentukan daerah baru yang disebut Sistem Kognitif atau Cognitive System.