TM3-STI PUTERI NOVIANDHINY D1041131018

DEFENISI ERP

Perencanaan sumber daya perusahaan ERP (enterprise resource planning) adalah sistem informasi yang diperuntukkan bagi perusahan manufaktur maupun jasa yang berperan mengintegrasikan dan mengotomasikan proses bisnis yang berhubungan dengan aspek operasi, produksi maupun distribusi di perusahaan bersangkutan.

Sistem ERP didasarkan pada database pada umumnya dan rancangan perangkat lunak modular. Rancangan perangkat lunak modular harus berarti bahwa sebuah bisnis dapat memilih modul-modul yang diperlukan, dikombinasikan dan disesuaikan dari vendor yang berbeda, dan dapat menambahkan modul baru untuk meningkatkan unjuk kerja bisnis. Sistem ERP menggunakan software untuk mengintegralkan setiap aspek operasional perusahaan baik internal maupun eksternal.

Syarat terpenting dari sistem ERP adalah integrasi. Integrasi yang dimaksud adalah menggabungkan berbagai kebutuhan pada satu software dalam satu logical database, sehingga memudahkan semua departemen berbagi informasi dan berkomunikasi.

Database yang ada dapat mengijinkan setiap departemen dalam perusahaan untuk menyimpan dan mengambil informasi secara real-time. Informasi tersebut harus dapat dipercaya, dapat diakses dan mudah disebarluaskan.

CONTOH PENERAPAN 

Sistem ERP (Enterprise Resource Planning) di Perusahaan Asia Goodhope Holding terintegrasi menjadi satu sistem yang mengatur antara CRM (Customer Relationship Management), HRM (Human Resource Management), MRP (Manufacturing Resource Planning), FRM (Finance Resource Management), dan SCM (Supply Chain Management). Kelima bidang ini diatur dalam satu sistem ERP sebagai pusat kendali data, walaupun secara tidak langsung kelima bidang ini dapat saling berhubungan. Namun, supaya kelima bidang ini dapat berkomunikasi harus melalui ERP terlebih dahulu.

DEFENISI BUSINESS INTELLIGENCE

Menurut Niu (2009), business intelligence adalah proses mengekstrak, transformasi, mengelola, dan menganalisis data bisnis untuk mendukung pengambilan keputusan. Dalam proses ini pada umumnya melibatkan data set dalam jumlah besar yang tersimpan dalam datawarehouse. Proses business intelligence meliputi lima tahapan :

1.Pengumpulan data.

Sistem business intelligence dapat mengekstrak data dari beberapa sumber data yang berasal dari berbagai unit bisnis seperti pemasaran, produksi, sumber daya manusia, dan keuangan. Data yang sudah diekstrak harus dibersihkan, transformasi, dan terintegrasi untuk dapat dianalisis.

2.Analisis data.

Pada tahapan ini, data dikonversi menjadi informasi atau pengetahuan melalui berbagai macam teknik analisis seperti laporan, visualisasi, dan data mining. Hasil dari proses analisis dapat membantu pihak manajemen untuk memahami situasi dan mengambil keputusan yang lebih baik.

3.Kesadaran situasi.

Kesadaran terhadap situasi dapat memberikan pemahaman yang lebih mendalam terhadap keadaan keputusan saat ini berdasarkan hasil analisis data.

4.Penilaian resiko.

Kesadaran terhadap situasi yang cukup bervariasi dapat membantu manajer untuk memprediksi masa depan, identifikasi ancaman dan peluang, dan merespon sesuai dengan kebutuhan. Saat ini bisnis beroperasi dalam kondisi lingkungan yang kompleks. Pengambilan keputusan bisnis lebih mungkin disertai resiko yang berasal dari lingkungan eksternal dan internal. Sehingga dapat disimpulkan bahwa penilaian resiko merupakan fungsi penting pada sistem business intelligence.

5.Dukungan pengambilan keputusan.

Tujuan utama dari business intelligence adalah membantu manajer mengambil keputusan dengan bijaksana berdasarkan data bisnis saat ini.

Arsitektur Sistem Business Intelligence

Menurut Inmon (2002) yang dikutip oleh Niu (2009), pada umumnya sistem business intelligence terdiri dari empat level komponen dan modul manajemen metadata. Arsitektur general dari sistem business intelligence terlampir pada gambar 1. Komponen-komponen saling berinteraksi untuk memfasilitasi fungsi dasar business intelligence: mengekstrak data dari sistem operasional perusahaan, menyimpan data yang sudah diekstrak kedalam datawarehouse, dan menarik data yang disimpan untuk berbagai aplikasi analisis bisnis.

    Level sistem operasional.

Sebagai sumber data dari sistem business intelligence, sistem operasional bisnis pada umumnya menggunakan sistem online transaction processing (OLTP) untuk mendukung kegiatan bisnis sehari-hari. Pada umumnya sistem OLTP adalah sistem penerimaan order pelanggan, sistem keuangan, dan sistem sumber daya manusia.

    Level akuisisi data.

Pada level ini adalah komponen pra proses terdiri dari 3 tahapan yaitu : ekstraksi, transformasi, dan memasukkan (ETL). Sebuah perusahaan memiliki beberapa sistem OLTP yang menghasilkan jumlah data yang sangat besar. Data tersebut pertama kali diekstrak dari sistem OLTP oleh proses ETL dan kemudian ditransformasi sesuai dengan aturan transformasi. Apabila data yang sudah ditransformasi  maka data tersebut dimasukkan ke data warehouse. ETL merupakan komponen dasar dari sistem business intelligence karena kualitas data dari komponen lain tergantung pada proses ETL. Dalam perancangan dan pengembangan ETL, kualitas data, fleksibilitas sistem dan kecepatan proses adalah perhatian utama.

    Level penyimpanan data.

Data yang telah diproses oleh komponen ETL disimpan dalam data warehouse dimana biasanya diimplementasikan dengan menggunakan tradisional sistem manajemen database (RDMS). RDMS didesain untuk mendukung proses transaksi, sangat bertolak belakang dengan data warehouse berfokus kepada subyek, varian waktu dan disimpan secara terintegrasi. Skema star dan snowflake merupakan skema data warehouse yang paling populer. Apapun skema yang dipakai, tipe tabel pada data warehouse adalah fact tables dan dimension tables.

    Level analitis.

Berdasarkan data warehouse, berbagai macam aplikasi analitikal telah dikembangkan. Sistem business intelligence mendukung 2 tipe dasar dalam fungsi analitikal: pelaporan dan online analytical processing (OLAP). Fungsi pelaporan menyediakan manajer berbagai jenis laporan bisnis seperti laporan penjualan, laporan produk, dan laporan sumber daya manusia. Laporan dihasilkan dari menjalankan queries kedalam data warehouse. Data warehouse queries pada umumnya sudah didefinisikan oleh pengembang data warehouse. Laporan yang dihasilkan oleh sistem business intelligence biasanya memiliki format yang statis dan berisi tipe data yang pasti.

Analitikal business intelligence yang paling menjanjikan adalah OLAP. Menurut Codd et al (1993) yang dikutip oleh Niu (2009), OLAP memungkinkan manajer untuk secara efisien mendalami data bisnis dari berbagai dimensi analisis melalui operasi pengirisan, pemotongan dan pendalaman. Sebuah analisis dimensi merupakan perspektif melalui bagaimana data tersebut dipresentasikan, sebagai contoh: tipe produk, lokasi penjualan, waktu dan pelanggan. dibandingkan dengan fungsi laporan, OLAP mendukung analisis data sesuai dengan kebutuhan. OLAP merupakan model data multidimensional yang dikenal sebagai skema snowflake dan star. Sebagai tambahan dari laporan dan OLAP, terdapat banyak tipe analitikal yang lain yang dapat dibuat berdasarkan sistem data warehouse seperti data mining, executive dashboards, customer relationship management, dan business performance management.

    Manajemen metadata.

Metadata merupakan data khusus mengenai data lain seperti sumber data, penyimpanan data warehouse, peraturan bisnis, otorisasi akses,        dan bagaimana data diekstrak dan ditransformasi. Metadata sangat penting dalam menghasilkan informasi yang akurat, konsisten dan pemeliharaan sistem. Manajemen metadata mempengaruhi semua proses dari perancangan, pengembangan, pengujian, penyebaran dan penggunaan sistem business intelligence.

Business intelligence pada industri perbankan

Penerapan business intelligence pada industri perbankan merupakan kunci sukses dalam mengefisiensikan dan mengefektifkan kegiatan bisnis utama dengan kemampuan dalam mendapatkan, mengelola dan menganalisa data nasabah, produk, layanan, kegiatan operasi, pemasok dan rekan kerja dalam jumlah yang sangat besar. Contoh penerapan business intelligence pada industri perbankan adalah customer relationship management, customer credit analysis, risk management, credit card analysis, customer segmentation, dll (Hair, 2007), (Dan, 2008). Peranan business intelligence dalam kegiatan bisnis dapat menyediakan layanan yang lebih personal kepada pelanggan dan secara radikal meningkatkan kualitas servis dari bank tersebut. Pengelola produk perbankan bersaing dalam mendesain produk dan layanan yang dapat menjawab setiap kebutuhan suatu segmen tertentu.

Salah satu penerapan customer credit analysis adalah penerapan model penilaian kredit nasabah (Ince & Aktan, 2009). Penilaian kredit nasabah merupakan kegiatan paling penting untuk mengevaluasi aplikasi pinjaman yang diajukan oleh nasabah. system penilaian kredit digunakan untuk memodelkan potensi resiko dari aplikasi pinjaman, dimana system tersebut memiliki keuntungan karena dapat menangani aplikasi pinjaman dalam jumlah besar dengan cepat tanpa membutuhkan sumber daya yang banyak sehingga dapat menurunkan biaya operasional dan efektif dalam mengurangi penalaran dalam pengambilan keputusan. Dengan persaingan dan pertumbuhan pasar kredit konsumen, para pemain di industri perbankan saling berlomba untuk mengembangkan strategi yang lebih baik berkat bantuan penerapan model penilaian kredit. Tujuan dari penilaian kredit adalah memberikan kemampuan kepada bagian analisa kredit untuk menentukan aplikasi pinjaman nasabah yang diterima dari pihak marketing bank termasuk “kredit yang baik” dimana para nasabah yang termasuk dalam kategori tersebut memiliki kemungkinan yang cukup besar untuk membayar kewajiban finansialnya kepada bank atau “kredit yang jelek” dimana para nasabah yang termasuk dalam kategori tersebut memiliki kemungkinan yang cukup besar untuk memenuhi kewajiban finansialnya. Berdasarkan hasil studi yang dilakukan oleh Huseyin Ince dan Bora Aktan (2009), peneliti membandingkan kinerja dari model penilaian kredit menggunakan pendekatan tradisional dan artificial intelligence (discriminant analysis, logistic regression, neural networks, classification, and regression tree). Penelitian percobaan dengan data riil telah mendemonstrasikan bahwa classification, regression tree, dan neural networks mengalahkan kinerja model penilaian kredit secara tradisional dalam hal prediksi keakuratan dan type II errors.

Analisis terhadap data pelanggan merupakan kunci utama bagi pihak manajemen bank untuk menghasilkan keuntungan yang maksimal. Dengan menggunakan konsep pareto, bahwa dengan mendesain produk dan layanan kepada 20% nasabah dapat memberikan hasil sebesar 80% terhadap keuntungan. Pihak manajemen mempercayai bahwa dengan menganalisa 20% nasabah tersebut merupakan langkah yang efektif dalam meningkatkan keuntungan dan menurunkan biaya operasional. Selain kasus diatas, pihak manajemen bank dapat menganalisis pemasaran kartu, perhitungan harga jual dan tingkat keuntungan terhadap pemillik kartu, deteksi terhadap potensi kecurangan, prediksi manajemen daur hidup nasabah. Segmentasi pelanggan merupakan salah satu strategi pemasaran yang efektif, dengan memahami karakteristik dan kebutuhan setiap segmen nasabah maka pihak manajemen dapat mendesain bagaimana cara memasarkan, harga, kebijakan untuk setiap produk dan layanan sehingga dapat memberikan keuntungan yang maksimal (Mawoli & Abdulsalam, 2012). Dengan penerapan business intelligence dalam proses segmentasi nasabah menjadi lebih mudah karena pihak manajemen dapat dengan mudah mengidentifikasi demografi dan geografi nasabah tetapi pihak manajemen harus meluangkan waktu dan tenaga apabila ingin mengetahui psikografi dan perilaku nasabah dan pihak manajemen perlu mengidentifikasi atribut-atribut yang diperlukan seperti umur, pekerjaan, penghasilan dan jenis kelamin dengan mudah dan pada umumnya dapat diukur dengan RFV (recency, frequency, dan value dari perilaku transaksi mereka) (Sun, 2009), (Lin, Zhu, Yin, & Dong, 2008).

Dapat disimpulkan bahwa untuk memenuhi kebutuhan nasabah yang makin komplek dan efisiensi bisnis proses dengan otomatisasi kegiatan operasional membutuhkan dukungan sistem informasi. Sistem informasi perbankan perlu tetap dikembangkan sehingga dapat memenuhi kebutuhan nasabah dan mengikuti inovasi bisnis, akan tetapi perlu adanya integrasi dengan sistem business intelligence sehingga pihak manajemen mendapatkan informasi yang up-to-date dan insight dari data historis.