Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAK

Di era sekarang ini, informasi telah menjadi kebutuhan yang sangat penting bagi organisasi. Untuk memperoleh informasi yang bermanfaat, data sebagai sumber informasi harus memiliki kualitas yang baik. Salah satu organisasi yang saat ini bergantung pada kualitas informasi adalah PT. Bank Negara Indonesia, Tbk (BNI). BNI dalam usahanya melakukan transformasi bisnis menjadi bank yang berorientasi pada pelanggan melalui BNI Reformasi, sangat bergantung pada kualitas data nasabah yang baik. Kualitas data yang baik didapatkan dari pengelolaan data yang baik, termasuk diantaranya adalah pengukuran dan peningkatan kualitas data.

Penelitian ini dilakukan untuk mengukur tingkat kematangan dari pengelolaan kualitas data dan memberikan rekomendasi peningkatan kualitas data berdasarkan Data Quality Framework dari David Loshin dan Data Management Body of Knowledge (DMBOK) dari DAMA Institute.

Kerangka kerja yang lengkap dimiliki oleh Data Quality Framework sehingga dapat dihasilkan tingkat kematangan kualitas data yang dimiliki BNI untuk domain harapan, dimensi kualitas data, kebijakan, prosedur, tata kelola, standar, teknologi, dan pengukuran kinerja. Berdasarkan tingkat kematangan dan harapanharapan dari BNI, penulis menentukan kesenjangan yang digunakan untuk meningkatkan kematangan kualitas data di BNI. Berdasarkan best practice dan kerangka kerja yang ada di DMBOK, berhasil didapatkan rekomendasi peningkatan kualitas data, yaitu: perbaikan terhadap data quality requirements, menetapkan dan mengevaluasi data quality service levels, memantau prosedur operasional dan kinerja data quality management, serta melakukan pembersihan dan perbaikan data.

---

ABSTRAK

In this era, information has become critical for organization. To gain a maximum benefit from information, data as a source for information must have a good quality. PT. Bank Negara Indonesia (BNI) is one of organization that depends on good information quality. BNI is on their way to transforming from product centric to customer centric, they called this transformation as BNI Reformed. This transformation success is depends on their good customer data quality. Good data quality obtained from well data management, including the measurement and improvement of data quality.

This research was conducted to measure the maturity level of data quality management and provide recommendations on data quality improvement based Data Quality Framework from David Loshin and Data Management Body of Knowledge (DMBOK) of DAMA Institute.

Data Quality Framework has complete framework so that the maturity level of data quality in BNI can be measured for each domain: expectations, the data quality dimensions, policies, procedures, governance, standards, technology, and

performance measurement. Based on the level of maturity and expectations of BNI, the authors determine the gaps that are used to improve data quality maturity in BNI. Based on best practices and frameworks that exist in DMBOK, we can get data quality improvement recommendations, namely: improvements to data quality requirements, define and evaluate the data quality service levels,operational procedures and monitoring the performance of data quality management, as well as cleaning and repair data.

"

"Sebagai sebuah lembaga negara Lembaga Penjamin Simpanan (LPS) memiliki kebutuhan akan data dan informasi dengan kualitas yang baik untuk dijadikan sebagai dasar pengambilan keputusan dan pembuatan kebijakan. Kualitas data yang baik dapat diperoleh apabila pengelolaan data dilakukan dengan baik, termasuk melalui pengukuran kualitas data dan perancangan manajemen kualitas data sebagai bagian dari upaya strategi peningkatannya. Penelitian ini dilakukan untuk memberikan rekomendasi manajemen kualitas data untuk diterapkan di LPS sebagai upaya untuk meningkatkan kualitas data yang dikelola oleh LPS dengan menggunakan Data Quality Framework dari David Loshin dan Data Management Body of Knowledge (DMBOK) dari DAMA Institute. Sebelum dilakukan penyusunan rekomendasi manajemen kualitas data, komponen-komponen manajemen kualitas data dari Data Quality Framework yang terdiri dari harapan pengguna, dimensi kualitas data, kebijakan, prosedur, tata kelola, standar, teknologi, dan pengukuran kinerja digunakan sebagai dasar pengukuran tingkat maturitas kualitas data di LPS. Berdasarkan hasil analisis kesenjangan antara tingkat maturitas manajemen kualitas data LPS saat ini dengan tingkat maturitas manajemen kualitas data LPS yang diharapkan di masa yang akan datang telah disusun rekomendasi aktivitas manajemen kualitas data LPS yang perlu dilakukan. Dari 12 aktivitas Manajemen Kualitas Data dalam DAMA-DMBOK, terdapat 10 aktivitas yang direkomendasikan dalam inisiatif manajemen kualitas data LPS.As a government institution, the Indonesian Deposit Insurance Corporation (IDIC) has the need for good quality data and information to be used as a basis for decision making and policy making. Good data quality can be obtained if the data management is done well, including through measurement of data quality and preparation of data quality management as part of efforts to improve strategy. This research is conducted to provide recommendations for data quality management to be applied at IDIC as an effort to improve the quality of data by using Data Quality Framework from David Loshin and Data Management Body of Knowledge (DMBOK) from DAMA Institute. Prior to the preparation of data quality management recommendations, data quality management components of the Data Quality Framework consisting of user expectations, dimensions of data quality, policies, procedures, governance, standards, technology, and performance measurements are used as a basis for measuring data quality maturity levels on IDIC. Based on the results of the gap analysis between the current maturity level of IDIC’s data quality management and the expected level IDIC’s data quality management, recommendations for IDIC’s data quality management activities have been made. Of the 12 Data Quality Management activities in DAMA-DMBOK, there are 10 recommended activities to be carried out in the data quality management initiatives in IDIC."

"Data master merupakan data penting yang merepresentasikan objek bisnis utama dari suatu perusahaan, salah satunya pelanggan. Manajemen data master berperan dalam pengelolaan data master yang meliputi kepemilikan, kualitas, arsitektur, penyimpanan, dan distribusi data. PT Telekomunikasi Indonesia Tbk. (Telkom) merupakan perusahaan telekomunikasi terbesar di Indonesia dengan salah satu portofolio utama yaitu Indihome. Dalam rangka menyukseskan program utama Telkom 2020, data master pelanggan Indihome yang berkualitas merupakan data yang vital dibutuhkan. Analisis dan profiling data pelanggan dilakukan lebih akurat untuk meningkatkan customer experience dan kualitas produk Indihome. Berdasarkan hasil wawancara diketahui bahwa belum ada data master pelanggan. Hasil observasi juga menunjukkan data pelanggan Indihome yang ada pada aplikasi operasional tidak lengkap, tidak akurat, dan tidak valid. Penelitian ini menggunakan metode kualitatif dengan desain studi kasus yang bertujuan untuk melakukan perencanaan manajemen data master untuk data pelanggan Indihome di Telkom menggunakan kerangka kerja Data Management Body of Knowledge (DMBOK) dan model arsitektur dari Boris Otto, serta dengan mempertimbangkan hasil pengukuran tingkat kematangan manajemen data master dengan model Master Data Management Maturity Model (MD3M). Hasil pengukuran menunjukkan tingkat kematangan manajemen data master pelanggan Indihome berada pada level satu. Untuk mencapai tingkat kematangan yang diharapkan sebagaimana dalam strategi dan program utama Telkom, maka penelitian ini menghasilkan rancangan manajemen data master pelanggan Indihome, berupa rancangan tata kelola, arsitektur, serta peta jalan implementasi. Penelitian ini dapat menjadi acuan dalam implementasi manajemen data master pelanggan Indihome di Telkom, serta memberikan penambahan pengetahuan mengenai perencanaan manajemen data master pelanggan pada perusahaan telekomunikasi.

---

Master data is important data that represents the main business objects of a company. Customer is one of the main business objects of a company. Master data management plays a role in managing master data which includes ownership, quality, architecture, storage, and distribution of data. PT Telekomunikasi Indonesia Tbk. (Telkom) is the largest telecommunications company in Indonesia with one of the main portfolios, namely Indihome. To succeed in the main program of Telkom 2020, Indihome customer master data that has a good quality is vital. Analysis and profiling of customer data are carried out more accurately to improve the customer experience and quality of Indihome products. Based on the interview results it is known that there is no customer master data because it is still fragmented in several operational applications. The observation also shows that Indihome customer data that is in the operational application is incomplete, inaccurate, and invalid. This research uses a qualitative method with a case study design that aims to plan master data management for Indihome customer data at Telkom using the Data Management Body of Knowledge (DMBOK) framework and architectural models from Boris Otto, and by considering the measurement results of master data management maturity level with the Master Data Management Maturity Model (MD3M) model. The measurement results show that the maturity level of Indihome customer master data management is at level one. To achieve the expected level of maturity as in Telkom's main strategy and program, this study produces a master data management plan for Indihome customers, in the form of governance, architecture and implementation road maps. This research can be used as a reference in implementing Indihome customer master data management at Telkom, as well as providing additional knowledge about customer master data management planning at telecommunication companies."

"Data Penginderaan Jauh adalah merupakan salah satu alternatif untuk mendapatkan informasi tentang suatu obyek dengan melakukan pengukuran dari jarak jauh tanpa menyentuh obyek. Aspek terpenting adalah dalam perolehan data (Data acusition atau collection) dan pengolahan atau analisis data (data processing atau analysis).Alternatif yang digunakan adalah data Landsat-TM dan data JERS-1 SAR serta data GPS sebagai sarana untuk koreksi geometri. Untuk Koreksi data JERS-1 S AR sangat sulit karena tidak dapat mengenali obyek karena itu digunakan data Landsat-TM yang selanjutnya digunakan metoda tumpang susun atau Overlay.Sedangkan pengukuran koordinat bumi dilakukan dengan menggunakan reseiver GPS (Global Positioning System) yang diletakkan pada sebuah kendaraan uyang bergerak menyusuri rute jalan raya dengan tujuan mendapatkan kurva yang telah ditentukan. Koleksi data koordinat yang terkumpulkan dirubah formatnya ke dalam format vektor yang lebih umum sehingga tampak sebagai bentuk gratis yang menggambarkan poligon dari seluruh route jalan yang dilalui, Dengan menggunakan teknik pengkombinasian data GPS dengan data radar JERS-l SAR terkoreksi geometrik maka dapat dilakukan analisis simpangan kurva yang ada diantara kedua jenis data tersebut."

"Managing data in motion describes techniques that have been developed for significantly reducing the complexity of managing system interfaces and enabling scalable architectures. Author April Reeve brings over two decades of experience to present a vendor-neutral approach to moving data between computing environments and systems. Readers will learn the techniques, technologies, and best practices for managing the passage of data between computer systems and integrating disparate data together in an enterprise environment.The average enterprise's computing environment is comprised of hundreds to thousands computer systems that have been built, purchased, and acquired over time. The data from these various systems needs to be integrated for reporting and analysis, shared for business transaction processing, and converted from one format to another when old systems are replaced and new systems are acquired.The management of the "data in motion" in organizations is rapidly becoming one of the biggest concerns for business and IT management. Data warehousing and conversion, real-time data integration, and cloud and "big data" applications are just a few of the challenges facing organizations and businesses today. Managing data in motion tackles these and other topics in a style easily understood by business and IT managers as well as programmers and architects."

"ABSTRAKDalam era informasi saat ini, data menjadi sumber daya yang vital dan menjadi kebutuhan yang memasuki level sangat penting untuk organisasi. Data yang berkualitas baik akan menghasilkan informasi yang bermanfaat untuk kemajuan organisasi. Data profil pelanggan berdasarkan aktifitas digitalnya atau dikenal dengan broadband customer profile BCP merupakan salah satu strategi Telkomsel untuk menciptakan peluang baru dalam rangka meningkatkan revenue. Dengan berjalannya platform BCP selama dua tahun lebih, data BCP mempunyai kondisi kualitas data yang rendah. Hal ini menjadi perhatian manajemen mengingat pentingnya data ini, sehingga dibutuhkan pengelolaan kualitas data yang baik.Penelitian ini dilakukan untuk memberikan rekomendasi strategi data quality management untuk meningkatkan kualitas data berdasarkan penilaian tingkat kematangan pengelolaan kualitas data menggunakan Data Quality Framework dari David Loshin, praktik manajemen kualitas data Data Management Body of Knowledge DMBOK dari DAMA institute, dan Big Data Quality Assessment dari Cai dan Zhu. Penelitian menggunakan metode kualitatif dengan melakukan wawancara ke tiga orang narasumber di bagian pengelolaan data BCP dan data governance di PT. Telkomsel, hasil yang didapatkan dari wawancara diolah dengan menggunakan metode data reduction dan data coding.Tingkat kematangan kualitas data diperoleh secara umum berada pada level 2 repeatable . Berdasarkan beberapa kesenjangan dari harapan yang ada, diperlukan strategi untuk meningkatkan kualitas data dari aktivitas manajemen kualitas data DMBOK. Rekomendasi strategi yang dihasilkan, yaitu: pertemuan komite DG secara berkala, evaluasi peran data steward, sosialisasi KD DG secara berkala untuk promosi data quality awareness, penambahan informasi kebutuhan secara detail dan analisis dampak bisnis di dokumen request report/data, penerapan master data management dan metadata management, penambahan proses validasi dan prosedur pemeriksaan data untuk tiap dimensi kualitas data, menetapkan SLA kualitas data, evaluasi kinerja incident tracking system, laporan kualitas data secara berkala, dan evaluasi pengelolaan data secara regular.

---

ABSTRACTIn this information era, data has become a vital resource and a necessity that enters a very important level for the organization. Good data quality will produce useful information for organization. Customer profile data based on digital activity or known as broadband customer profile BCP is one of Telkomsel 39 s strategy to create new opportunities in order to increase revenue. With the running of BCP platform over the next two years, BCP data has low data quality conditions. This is a concern of management given the importance of this data, so that required good data quality management.This research was conducted to give recommendation of data quality management strategy to improve data quality based on the assessment of data quality management maturity level using Data Quality Framework from David Loshin, data quality management practices Data Management Body of Knowledge DMBOK from DAMA institute, and Big Data Quality Assessment From Cai and Zhu. This research use qualitative method by conducting interviews to three interviewees in the data management section of BCP and data governance at PT. Telkomsel, the results obtained from interviews processed using data reduction and data coding methods.The maturity level of data quality is generally found at level 2 repeatable . Based on some gaps in existing expectations, strategies are needed to improve data quality from DMBOK data quality management activities. Recommendations of the strategies are regular meetings of DG committees, evaluation of steward data roles, regular socialization of KD DGs for promotion of data quality awareness, detail information of needs and business impact analysis in document request report data, implementation of master data management and metadata management, additional validation process and data checking procedures for each data quality dimension, establishing data quality SLA, incident tracking system performance evaluation, regular data quality reporting, and regular data management evaluation."

"Pemanfaatan data untuk menghasilkan informasi yang dapat mendukung pengambilan keputusan bisnis semakin banyak diaplikasikan oleh berbagai perusahaan. Salah satu data yang dimanfaatkan dalam pengambilan keputusan tersebut adalah data pelanggan mengingat perannya dalam mengetahui perilaku pelanggan. Salah satu perusahaan yang memanfaatkan data pelanggan dalam pengambilan keputusan bisnis adalah English First (EF). Dalam membantu menetapkan strategi bisnis untuk meningkatkan perfoma penjualan, perusahaan menghadapi kendala penurunan performa penjualan perusahaan yang disebabkan oleh buruknya kualitas data pelanggan, sehingga strategi bisnis yang dihasilkan kurang tepat. Perusahaan berfokus kepada beberapa dimensi kualitas data pelanggan di perusahaan yaitu completeness, accuracy, dan consistency. Strategi untuk manajemen peningkatan kualitas data pada perusahaan perlu disusun guna penyusunan strategi bisnis yang tepat dan dapat meningkatkan performa penjualan. Penyusunan strategi manajemen peningkatan kualitas data dilakukan dengan melakukan penilaian terhadap dimensi-dimensi kualitas data untuk mengidentifikasi kondisi kualitas data saat ini di perusahaan EF. Selain itu, identifikasi kondisi manajemen dan praktek kualitas data di perusahaan saat ini juga dilakukan untuk dapat mengetahui kesenjangan antara kondisi perusahaan saat ini dengan kondisi yang diharapkan oleh perusahaan. Strategi peningkatan kualitas data yang dihasilkan dari analisis kesenjangan kondisi kualitas data dan manajemen & praktek kualitas data terdiri dari 8 (delapan) domain manajemen kualitas data. Delapan domain tersebut yaitu harapan dari kualitas data, penggunaan dimensi dari kualitas data, kebijakan data, prosedur, tata kelola data, standarisasi data, teknologi, dan pengelolaan kerja. Hasil dari strategi tersebut disusun menjadi rekomendasi solusi dan diurutkan berdasarkan prioritas dengan balance scorecard. Strategi yang memperoleh prioritas tinggi yaitu standardiasi aktifitas dan isu kualitas data serta mengidentifikasi ekspektasi dari kualitas data pada setiap dimensi kualitas data.

---

Data utilization to generate insights to support business decision making has been implemented in many companies. One of the most utilized data is customer data as it could provide information regarding customer’s behavior. One of the companies that utilize customer data is English First (EF). EF is a company in education sector and have more than 20 years of experience in Indonesia. EF utilize customer data in Customer Relationship Management system to produce a business strategy to boost company performance. However, since data in Customer Relationship Management system is stored by human, it has a low quality and resulted in a mismatch business strategy. Strategy to improve data quality management in the company needs to be produced in order to generate a precise business strategy and could boost company sales performance. Data quality assessment towards data quality dimensions needs to be done to produce a improve data quality management strategy. The assessment is needed to identify current data quality condition in EF. Other than that, identification of data quality management and practices in the company are needed to identify as-is management & practices in the company, company’s data quality expectation, and identify the gap between best practice & current condition. The result of data quality improvement strategy consists of 8 (eight) data quality management domains. Those domains are data quality expectation, data quality management, data quality, data policy, data procedure, data governance, data standardization, technology, and work management. The end result is a solution recommendation to improve data quality in EF and sorted by priority with the help of balance scorecard. The strategies that have high priority are company needs to standardized data quality activities and issues in the company as well as identify business expectation of each data quality dimension."