WEBINAR NASIONAL Data Science for Business

Semarang, 17 Mei 2023 Progdi S1 Teknik Informatika Universitas STEKOM bekerjasama dengan FTI-UPN VETERAN Yogyakarta, SI Universitas Islam Lampung, FTI-Institut Teknologi Bandung, FTI-Universitas Mahasaraswati Denpasar, STIE STEKOM, PTIC, PERKIVI dan Toploker.com, Sukses dalam menyelenggarakan Webinar Nasional dengan tema Data Science for Business.

 

Acara Webinar Nasional Data Science for Business tersebut diselenggarakan Rabu, 17 Mei 2022 Pukul 13.00 s.d 16.00 WIB yang di laksanakan melalui Zoom Meeting dan You Tube Universitas Sains dan Teknologi Komputer (Universitas STEKOM) dan di hadiri oleh mahasiwa dan masyarakat umum.

 

Webinar Nasional ini Menghadirkan 5 Narasumber, narasumbernya yaitu Dr. Awang Hendrianto Pratomo, ST., MT. (Dosen FTI- UPN VETERAN Yogyakarta), Indra Gunawan, S.T., M.T. (Dosen SI Universitas Islam Negeri Raden Intan Lampung), Titah Yudhistira, ST, MT, Ph.D. (Dosen FTI – Institut Teknologi Bandung), Putri Agung Permata Sari, S.Kom., M.T (Dosen FTI – Universitas Mahasaraswati Denpasar), dan Siswanto, M.Kom. (Dosen FSA Universitas STEKOM Semarang)

Dalam pemaparan narasumber pertama, Dr. Awang Hendrianto Pratomo, ST., MT. (Dosen FTI- UPN VETERAN Yogyakarta) menjelaskan tentang Pengantar Data Science dan Metode Artificial Intelegence. Pengantar Data Science dan Metode Artificial Intelligence adalah dua bidang yang saling terkait dan penting dalam dunia teknologi saat ini.

 

Data Science (Ilmu Data) adalah disiplin yang mencakup pengumpulan, analisis, pemodelan, dan interpretasi data untuk mengambil wawasan yang berharga dan mendukung pengambilan keputusan yang informasional. Data Science memanfaatkan berbagai teknik dan alat, termasuk statistik, penggalian data, machine learning, dan visualisasi data.

 

Artificial Intelligence (Kecerdasan Buatan) adalah bidang studi yang bertujuan untuk menciptakan komputer atau sistem yang dapat melakukan tugas-tugas yang biasanya membutuhkan kecerdasan manusia. Metode Artificial Intelligence mencakup pembelajaran mesin (machine learning), pengolahan bahasa alami (natural language processing), pengenalan pola (pattern recognition), dan sistem pakar (expert systems).

 

Kombinasi Data Science dan Artificial Intelligence memberikan kemampuan untuk mengolah dan menganalisis data dengan lebih efisien dan mendapatkan wawasan yang lebih dalam. Metode Artificial Intelligence, seperti machine learning, dapat digunakan untuk mengidentifikasi pola, memprediksi hasil, dan mengotomatisasi tugas-tugas yang kompleks berdasarkan data yang diberikan.

 

Penggunaan Data Science dan Metode Artificial Intelligence sangat luas dan dapat diterapkan dalam berbagai bidang, termasuk bisnis, kesehatan, keuangan, otomotif, dan lain sebagainya. Kemampuan untuk memanfaatkan data dan menggunakan kecerdasan buatan dapat memberikan keuntungan kompetitif dan membantu dalam pengambilan keputusan yang lebih baik. Penjelasan lebih lengkapnya bisa tonton di https://www.youtube.com/live/VQyQRfd90FA?feature=share

Dalam pemaparan narasumber kedua, Titah Yudhistira, ST, MT, Ph.D. (Dosen FTI – Institut Teknologi Bandung) menjelaskan tentang Data Science for Marketing Intelligence (Ilmu Data untuk Kecerdasan Pemasaran). Teknologi Baru Mempercepat Aplikasi Analisis Data. Analisis data telah berkembang pesat, berkat teknologi baru yang memungkinkan. Setidaknya ada enam teknologi yang mendorong percepatan pengembangan AI yaitu satu, Sensor, IoT, dan Big Data. Dua, Perangkat keras akselerator AI. Tiga, Teknologi cloud. Empat, Pembelajaran Mesin dan pembelajaran mendalam. Lima, Visi komputer. Enam, Pemrosesan Bahasa Alami (NLP). Tujuh, Pemodelan Bahasa Besar (mis. ChatGPT).

 

Natural Language Processing (Pemrosesan Bahasa Alami). NLP adalah teknologi AI untuk membangun sistem linguistik komputasi menggunakan bahasa alami sehingga komputer dapat mempelajari, menganalisis, dan memanipulasi bahasa manusia. Ada dua modul dalam NLP: pemahaman bahasa alami (NLU) dan generasi bahasa alami (NLG). use Penggunaan utama dalam bisnis: chatbot, menganalisis ulasan pelanggan, menganalisis laporan.

 

Apa itu intelijen pasar? Proses melakukan tindakan intelijen di pasar untuk memperoleh data (tidak konvensional dan tidak terstruktur) dan kemudian memproses data secara cerdas (menggunakan analisis data dan AI) untuk menghasilkan wawasan dan pengetahuan untuk keputusan pemasaran yang lebih baik. Integrasi proses, teknologi, dan alat analisis yang terus menerus diterapkan untuk memantau, mengumpulkan, dan menganalisis data yang berkaitan dengan pasar guna memperoleh informasi, wawasan, dan pengetahuan untuk kepentingan perusahaan atau organisasi dalam meningkatkan posisi pasarnya. dan profitabilitas dalam jangka panjang.

 

What is marketing research? Desain sistematis, pengumpulan, analisis, dan pelaporan data dan temuan yang relevan dengan situasi pemasaran tertentu yang dihadapi perusahaan. Penjelasan lebih lengkapnya bisa tonton di https://www.youtube.com/live/VQyQRfd90FA?feature=share

Dalam pemaparan narasumber ketiga, Indra Gunawan, S.T., M.T. (Dosen SI Universitas Islam Negeri Raden Intan Lampung) menjelaskan tentang Big to Problems Data (Besar untuk Masalah Data). Big Data merupakan istilah yang digunakan untuk menggambarkan volume besar, kompleksitas, dan kecepatan tinggi dalam pengumpulan dan analisis data. Kemunculan Big Data telah membawa berbagai tantangan dan masalah yang perlu diatasi dalam pengelolaan dan pemanfaatannya. Beberapa masalah yang terkait dengan Big Data adalah:

1. Volume Data yang Besar: Big Data seringkali melibatkan jumlah data yang sangat besar, terkadang mencapai ukuran yang sulit untuk ditangani dengan teknik dan infrastruktur tradisional. Tantangan ini meliputi penyimpanan data yang efisien, pemrosesan yang cepat, dan skalabilitas sistem.

2. Kecepatan Data yang Tinggi: Dalam beberapa kasus, data datang dengan kecepatan yang sangat tinggi dan harus ditangani secara real-time. Ini memerlukan kemampuan untuk mengumpulkan, memproses, dan menganalisis data dengan cepat agar dapat menghasilkan wawasan yang relevan dalam waktu yang singkat.

3. Keragaman Data: Big Data sering terdiri dari berbagai jenis data yang heterogen, termasuk teks, gambar, audio, dan data non-struktural lainnya. Mengelola dan menganalisis data semacam ini memerlukan pendekatan yang berbeda dan penggunaan algoritma yang sesuai.

4. Kualitas Data: Dalam Big Data, kualitas data sering kali menjadi masalah, karena sumber data yang beragam dan potensi adanya kesalahan atau kecacatan dalam data yang dikumpulkan. Menjamin kualitas data yang baik menjadi kunci dalam memperoleh hasil yang akurat dan dapat diandalkan.

5. Privasi dan Keamanan Data: Dalam konteks Big Data, privasi dan keamanan data menjadi perhatian yang serius. Data yang sangat besar seringkali berisi informasi pribadi dan sensitif, sehingga perlu ada upaya yang kuat dalam melindungi data ini dari akses yang tidak sah dan penyalahgunaan.

 

Untuk mengatasi tantangan ini, diperlukan pemahaman yang mendalam tentang teknologi dan metodologi yang relevan, serta penggunaan infrastruktur yang canggih dan alat analisis yang tepat. Penjelasan lebih lengkapnya bisa tonton di https://www.youtube.com/live/VQyQRfd90FA?feature=share

Dalam pemaparan narasumber keempat, Siswanto, M.Kom. (Dosen FSA Universitas STEKOM Semarang) menjelaskan tentang HR Analytics & METRICS : Manajemen DATA SDM. Ledakan era teknologi informasi membuat organisasi/perusahaan beralih dari sistim pengelolaan SDM secara manual menjadi penggunaan HRIS (human resources information system). Penggunaan HRIS ini selain mempercepat proses, mengurangi human error, mengurangi biaya SDM, juga berdampak perusahaan kaya data yang dapat dimanfaatkan untuk membuat kebijakan dalam pengelolaan SDM atau disebut sebagai HR Analytics.

 

Data-data absensi dan presensi pegawai, penilaian kinerja, kepesertaan diklat, penghasilan dan tunjangan, hasil survey engagement/kepuasan pegawai, menjadi informasi yang sangat berharga bagi perusahaan.

 

Tantangan perusahaan saat ini adalah bagaimana memanfaatkan data yang melimpah tersebut menjadi informasi yang bermakna bagi perusahaan untuk memprediksi trend kepegawaian ke depan, meminimalkan resiko serta memaksimalkan pendapatan perusahaan.

 

Apa yang dimaksud dengan HR Analytics? Dengan kata lain, HR analytics adalah pendekatan terhadap pengelolaan SDM berdasarkan data. Analisis data membuat para praktisi HR bisa mengambil keputusan berdasarkan data dan juga menguji efektivitas dari kebijakan yang telah mereka buat.

 

Bagaimana HR Analytics dapat berkontribusi pada bisnis perusahaan? Melalui Human Resource analytics, perusahaan dapat mengambil keputusan secara rasional berdasarkan data yang dihimpun. Selain itu, hal ini juga memudahkan perusahaan dalam melakukan evaluasi terhadap berbagai kebijakan HR terkait performa perusahaan.

 

Apa saja komponen HR Metrics ? Recruitment, Time-Tracking, Engament and Retention, Training and Development, Employee Value and Performance, HR Service and Software.

 

3 level HR Analytics ( 1 )

Level 1: Analisis Deskriptif. Analisis deskriptif dimaksudkan untuk memberikan dashboard atau gambaran terkait informasi-informasi dasar tentang kondisi SDM perusahaan, meliputi:

1. Jumlah SDM berdasarkan unit kerja, departemen, cabang, jenis kelamin, usia, klasifikasi talent, etnis, dan data demografi lainnya.

2. Training dashboard, meliputi program yang telah diikuti, tingkat penguasaan (post test training), biaya training, jumlah jam/hari diklat.

3. Performance tracking, meliputi ketidakhadiran, hukuman disiplin, keluhan pelanggan, penilaian kinerja, penyelesaian tugas-tugas.

4. Requisition tracking, meliputi lowongan jabatan, kesesuaian skill, dan kompetensi.

5. Catatan terkait penggajian, meliputi potongan akibat ketidakhadiran, sakit, kecelakaan, lembur dll.

 

Level 2 : HR Metrics. HR metric membantu HR Department dalam menentukan tingkat efisiensi dari fungsi-fungsi pengelolaan SDM di perusahaan. Berikut ini beberapa rasio yang sering digunakan:

1. Rasio Turn Over: Banyaknya SDM yang keluar dibagi jumlah SDM keseluruhan.

2. Joiners Rate: Banyaknya SDM yang masuk dibagi jumlah SDM keseluruhan.

3. Kinerja SDM: banyaknya SDM dengan kinerja rendah, sedang atau tinggi. Banyaknya SDM dengan peningkatan dan penurunan kinerja.

4. Rasio promosi: Banyaknya SDM yang mengalamii promosi dibagi jumlah SDM secara keseluruhan.

 

Level 3: Predictive Analysis. Ketersediaan data historis dapat dimanfaatkan untuk menemukan pola dan memprediksi perilaku di masa yang akan datang. Beberapa prediksi yang dapat dilakukan sebagai berikut:

1. Attrition forecasting: Prediksi banyaknya SDM yang akan keluar dari perusahaan.

2. Attrition segmentation: Prediksi tentang segmentasi SDM pada unit kerja atau karakteristik tertentu yang ada kecenderungan untuk resign atau keluar dari perusahaan.

3. Top performer segmentation: Segmentasi SDM berdasarkan kinerjanya dengan mengidentifikasi unit kerja, atau karakristik lainnya.

4. Analisis kompensasi: Dengan menggunakan tools dapat diketahui kompensasi yang tepat berdasarkan kompetensi, kebijakan perusahaan, dan atau perbandingan dengan market.

5. Strategi rekrutmen: Strategi rekrutmen dapat disusun berdasarkan segmentasi SDM yang keluar maupun segmentasi SDM yang menampilkan kinerja terbaik. Penjelasan lebih lengkapnya bisa tonton di https://www.youtube.com/live/VQyQRfd90FA?feature=share

Dalam pemaparan narasumber kelima, Putri Agung Permata Sari, S.Kom., M.T (Dosen FTI – Universitas Mahasaraswati Denpasar) menjelaskan tentang Data Science for Branding (Ilmu data untuk Branding). Big Data, Kumpulan informasi yang besar dan beragam yang akan terus beragam yang akan terus berkambang. Big data ini mencakup volume informasi, kecepatan dimana ia dibuat dan dikumpulan.

 

Ilmu Data memiliki peran yang penting dalam strategi branding. Dengan menggunakan analisis data, perusahaan dapat mendapatkan wawasan yang berharga tentang preferensi, perilaku, dan kebutuhan konsumen mereka. Berikut adalah beberapa cara Ilmu Data dapat membantu dalam strategi branding:

1. Segmentasi Pasar: Dengan analisis data, perusahaan dapat mengidentifikasi segmen pasar yang berbeda berdasarkan karakteristik demografis, perilaku, atau preferensi konsumen. Hal ini memungkinkan perusahaan untuk mengarahkan upaya branding mereka dengan lebih tepat dan efektif kepada kelompok target yang relevan.

2. Analisis Sentimen: Ilmu Data dapat digunakan untuk menganalisis sentimen konsumen terkait merek atau produk perusahaan. Melalui analisis teks atau media sosial, perusahaan dapat memahami bagaimana konsumen merespons merek mereka dan menangkap umpan balik yang berharga untuk meningkatkan strategi branding.

3. Personalisasi dan Pengalaman Pelanggan: Dengan data pelanggan yang terkumpul, perusahaan dapat mempersonalisasi pengalaman pelanggan mereka. Dengan memahami preferensi dan kebutuhan individu, perusahaan dapat menghadirkan pesan dan penawaran yang relevan, meningkatkan keterlibatan pelanggan, dan membangun hubungan yang lebih kuat dengan merek mereka.

4. Pengambilan Keputusan Berbasis Data: Ilmu Data memberikan dasar yang kuat dalam pengambilan keputusan branding. Melalui analisis data, perusahaan dapat mengukur dan menguji efektivitas kampanye branding, memahami pengaruh faktor-faktor tertentu terhadap citra merek, dan menyesuaikan strategi branding mereka secara berkelanjutan.

5. Pengukuran Kinerja: Dengan menggunakan metrik dan indikator kinerja yang didasarkan pada data, perusahaan dapat memantau dan mengevaluasi efektivitas upaya branding mereka. Hal ini memungkinkan mereka untuk melacak perkembangan, mengidentifikasi peluang perbaikan, dan mengoptimalkan strategi branding mereka seiring waktu.

 

Dalam rangka mengoptimalkan penerapan Ilmu Data dalam strategi branding, penting untuk memiliki pemahaman yang kuat tentang data yang relevan, infrastruktur yang memadai, dan keahlian analitis yang diperlukan untuk memanfaatkan potensi data secara efektif. Penjelasan lebih lengkapnya bisa tonton di https://www.youtube.com/live/VQyQRfd90FA?feature=share