DESAIN BUSINESS INTELLIGENCE DI ERA 4.0 (Studi Kasus Perancangan Dashboard IAPT 3.0 Kriteria 3)
Rizki Puji Lestari, R. Audi Cahya Lucky Ramadhan, Indah Mustika Rahayu, Yusuf Amrozi
Universitas Islam Negeri Sunan Ampel
Jl. Ahmad Yani No. 117 Surabaya, 60237, Telp. (031) 8410298 [email protected]1, [email protected]2,
[email protected]3, [email protected]4
Abstract: This paper aims to demonstrate the application of business intelligence in tertiary institutions to monitor quality assurance activities based on IAPT 3.0 within the scope of criterion 3 (Student) as a means of self-evaluation. This paper describes a solution using business intelligence that is proposed in the creation of a dashboard to overcome performance evaluation and monitoring problems in order to meet the IAPT 3.0 standards set by BAN-PT. This paper uses the Business Intelligence Development Step method. The results of the research in the form of Dashboard Design that can be used as a consideration material in the development of Business Intelligence Dashboard to support the readiness of college accreditation based on IAPT 3.0).
Key words: Accreditation, Business Intelligence, Dashboard Design, IAPT 3.0, BAN-PT.
Abstrak: Penelitian ini bertujuan untuk menunjukkan penerapan Business Intelligence di Perguruan Tinggi untuk memantau kegiatan penjaminan mutu berdasarkan IAPT 3.0 dalam lingkup kriteria 3 (Mahasiswa) sebagai sarana untuk evaluasi diri. Penelitian ini menguraikan solusi menggunakan Business Intelligence yang diusulkan dalam pembuatan dashboard untuk mengatasi masalah evaluasi dan pemantauan kinerja agar memenuhi standar IAPT 3.0 yang telah ditetapkan oleh BAN-PT. Penelitian ini menggunakan metode Business Intelligence Development Step. Hasil penelitian berupa Perancangan Dashboard dapat digunakan sebagai bahan pertimbangan dalam pengembangan Business Intelligence Dashboard untuk mendukung dalam kesiapan akreditasi perguruan tinggi berdasarkan IAPT 3.0.
Kata kunci : Akreditasi, Business Intelligence, Desain Dashboard, IAPT 3.0, BAN-PT.
PENDAHULUAN
Revolusi Industri Pertama muncul pada tahun 1780-an dengan adanya tenaga uap yang membuat manusia lebih produktif. Kemudian pada tahun 1870-an muncul Revolusi Industri Kedua yang ditandai dengan perkembangan produksi massal dan energi listrik. Revolusi Industri Ketiga muncul dengan perkembangan TI dan elektronik, yang memungkinkan produksi lebih efisien. Kemudian saat ini adalah fase baru di mana perpaduan beberapa teknologi tidak hanya mengotomatiskan produksi, tetapi juga pengetahuan yang menjadi simbol telah
1080
dimulainya Revolusi Industri Keempat.1 Revolusi Industri 4.0 pertama kali diperkenalkan pada tahun 2011 dengan sebutan Industrie 4.0 pada saat Hannover Fair dan secara resmi diumumkan pada tahun 2013 sebagai inisiatif strategis Jerman untuk mengambil peran sebagai perintis dalam industri yang sedang merevolusi sektor manufaktur.2 Industrie 4.0 disebut juga Industri 4.0 yang melambangkan telah dimulainya Revolusi Industri Keempat.3,4,5 Industri 4.0 lebih fokus pada digitalisasi ujung ke ujung dan integrasi ekosistem industri digital dengan mencari solusi yang sepenuhnya terintregasi.6
Perubahan ini terjadi karena manusia mulai mengembangkan kapasitas komputasi untuk menyimpan data dalam jumlah besar yang dapat mengaktifkan pembelajaran mesin dan menghasilkan sistem fisik siber atau Cyber-Physical System (CPS). Istilah sistem fisik siber diciptakan oleh US National Science Foundation pada tahun 2006 dengan menyelenggarakan beberapa lokakarya tentang kecerdasan buatan dan robotika dan pernyataan bahwa CPS selanjutnya akan menjadi bidang penelitian utama.7 Sarros memberikan ciri-ciri Revolusi Industri 4.0 yaitu : penggunaan internet, otomatisasi pertukaran data dan proses komunikasi, memprioritaskan layanan yang memiliki nilai tambah, adanya interaksi mesin-manusia, adaptasi tinggi, optimalisasi produksi, dan digitalisasi.8 Teknologi inti Industri 4.0 mencakup sensor, protokol komunikasi, komputasi awan (cloud computing), Cyber-Physical System (CPS), manufaktur aditif, business intelligence dan big data, dan teknologi baru lainnya. Sebagian besar teknologi ini bukanlah inovasi terbaru. Namun, kombinasi teknologi, proses bisnis, dan pemrosesan data yang membuat Industri 4.0 menjadi hal yang baru.9
Intelijen bisnis atau Business Intelligence (BI) adalah salah satu teknologi di era Revolusi Industri 4.0 yang semakin populer saat ini. Gartner menyatakan dalam
1 Higher Education in the Era of the Fourth Industrial Revolution, ed. by Nancy W Gleason (Springer Nature PP - Singapore, 2018) <https://doi.org/10.1007/978-981-13-0194-0>.
2 Li Da Xu, Eric L Xu, and Ling Li, ‘Industry 4 . 0 : State of the Art and Future Trends’, International Journal of Production Research, 56.8 (2018), 2941–62
<https://doi.org/10.1080/00207543.2018.1444806>.
3 Kosmas Alexopoulos and others, ‘A Concept for Context-Aware Computing in Manufacturing: The White Goods Case’, International Journal of Computer Integrated Manufacturing, 29.8 (2016), 839–49 <https://doi.org/10.1080/0951192X.2015.1130257>.
4 Jian Qin, Ying Liu, and Roger Grosvenor, ‘A Categorical Framework of Manufacturing for Industry 4.0 and Beyond’, Procedia Cirp, 52 (2016), 173–78
<https://doi.org/https://doi.org/10.1016/j.procir.2016.08.005>.
5 Ling Li, ‘China’s Manufacturing Locus in 2025: With a Comparison of “Made-in-China 2025” and “Industry 4.0”’, Technological Forecasting and Social Change, 135 (2018), 66–74
<https://doi.org/https://doi.org/10.1016/j.techfore.2017.05.028>.
6 Xu, Xu, and Li.
7 Gleason.
8 Hasan Argadinata and Imam Gunawan, ‘The Leadership of Pancasila in Education:
Foundation for Strengthening Student Characters in the Industrial Revolution Era 4.0’, in The 4th International Conference on Education and Management (COEMA 2019) (Atlantis Press, 2019), pp. 5–7.
9 Reiner Anderl and others, ‘Guideline Industrie 4.0-Guiding Principles for the Implementation of Industrie 4.0 in Small and Medium Sized Businesses’, in Vdma Forum Industrie, 2015, IV, 1–31.
1081
laporannya bahwa di antara banyak alat teknologi, BI tetap menjadi yang paling disukai dalam daftar Chief Information Officer.10 Teknik BI dapat diterapkan di sebagian besar organisasi termasuk pada Perguruan Tinggi. Business Intelligence (BI) adalah istilah yang digunakan untuk menggambarkan kategori luas dari aplikasi, teknologi, arsitektur, dan proses untuk mengumpulkan, menyimpan, mengakses, dan menganalisis data operasional untuk memberikan informasi kompetitif yang tepat waktu kepada pengguna bisnis untuk memungkinkan wawasan yang lebih baik untuk operasional dan pengambilan keputusan strategis.11,12 Para ahli mendefinisikan kecerdasan bisnis sebagai istilah manajemen bisnis yang digunakan untuk menggambarkan aplikasi dan teknologi yang digunakan untuk mengumpulkan, menyediakan akses untuk menganalisis data dan informasi tentang suatu perusahaan, untuk membantu mereka membuat keputusan bisnis yang lebih tepat. 13
Business Intelligence dapat digunakan sebagai acuan prediksi untuk memperkirakan dampak dari keputusan yang dibuat berdasarkan data yang telah ada. Melalui BI, data tersebut diolah sehingga menghasilkan suatu informasi yang berkualitas tinggi dan dapat digunakan dalam pengambilan keputusan untuk melanjutkan setiap hasil yang positif serta menghentikan apabila terdapat potensi menuju arah negatif, sekaligus mengukur hasil dari setiap keputusan yang ada terhadap faktor pendukung eksternal maupun internal bagi organisasi.
Business Intelligence dapat berdampak positif pada pengambilan keputusan strategis pada Perguruan Tinggi.14 Business Intelligence merupakan seperangkat alat yang mencakup konsep, strategi, proses aplikasi, data, teknologi, arsitektur teknis yang digunakan untuk mendukung pengumpulan, analisis, presentasi, dan penyebaran informasi bisnis kepada stakeholder yang berbeda untuk mendukung pengambilan keputusan. Kualitas dan mutu penddikan tinggi dapat dibuktikan oleh sistem pendidikan itu sendiri, perlu adanya evaluasi dan kegiatan akreditasi agar dapat memastikan serta meningkatkan kualitas karir dan institusi.15
Akreditasi merupakan kegiatan evaluasi untuk menentukan kelayakan dari sebuah Perguruan Tinggi atau Program Studi. Akreditasi mengacu pada kapasitas teknis suatu organisasi untuk memastikan bahwa kegiatannya telah sesuai dengan harapan yang dibuktikan dengan pengakuan secara formal oleh badan
10 Christy Pettey and Laurence Goasduff, ‘Gartner Executive Programs’ Worldwide Survey of More Than 2,300 CIOs Shows Flat IT Budgets in 2012, but IT Organizations Must Deliver on Multiple Priorities’, Gartner Newsroom, 2012.
11 S. Negas and P. Gray, ‘Business Intelligence’, Proceedings of the Ninth American Conference on Information Systems, 2003.
12 Hugh J Watson, ‘Business Intelligence: Past, Present and Future’, AMCIS 2009 Proceedings, 2009, 153.
13 Jayanthi Ranjan, ‘Business Intelilgence: Concepts, Components, Techniques and Benefits’, Journal of Theorical and Applied Information Technology, 9.1 (2009), 60–70.
14 Marco Peter Schultheis, ‘The Impact of Business Intelligence Systems on the Perceived Quality of Strategic Decision Making’ (Curtin University, 2016)
<http://hdl.handle.net/20.500.11937/2527>.
15 Leonardo Ortiz and Maria Hallo, ‘Analytical Data Mart for the Monitoring of University Accreditation Indicators’, EDUNINE 2019 - 3rd IEEE World Engineering Education Conference:
Modern Educational Paradigms for Computer and Engineering Career, Proceedings, 2019, 1–6
<https://doi.org/10.1109/EDUNINE.2019.8875826>.
1082
akreditasi, sehingga menunjukkan bahwa program pendidikan dari suatu instansi pendidikan telah memenuhi standar, kriteria, indikator dan parameter yang memadai dalam struktur, organisasi, operasi, masukan, proses, pengajaran, layanan, profesional serta hasil pendidikannya.16 Pemerintah telah mengalokasi sejumlah dana untuk mendukung operasional Perguruan Tinggi. Ini menyebabkan adanya persyaratan sebagai jaminan bahwa sumber daya yang diberikan telah digunakan dengan efisien dan telah memenuhi harapan stakeholder. Untuk mendapatkan informasi dalam pengisian borang akreditasi diperlukan analisis terhadap data akademik dalam volume yang besar. Sehingga diperlukan suatu sistem yang dapat mengakses seluruh data akademik sekaligus didesain untuk dapat menyelidiki, menyaring serta menghasilkan informasi yang diperlukan dalam pengisian borang akreditasi. Oleh karena itu, perlu adanya Business Intelligence (BI) untuk dapat menyajikan data keperluan akreditasi dan evaluasi akademik.
Beberapa penelitian telah membahas tentang penerapan BI untuk membantu proses akreditasi. Antara lain adalah penelitian Agustiono (2017) yang telah berhasil merancang Academic Business Intelligence (ABI) yang memiliki kemampuan untuk mengumpulkan, menyimpan, mengorganisasikan, membentuk ulang serta meringkas data akademik yang diperlukan dalam pengisian borang akreditasi. Menurutnya, Penerapan BI sangat berguna untuk memudahkan proses pengisian borang akreditasi.17 Sejalan dengan penelitian Mustafid (2013) yang menerapkan sistem Business Intelligence untuk mendukung pengelolaan program bisnis akademik pada perguruan tinggi menuju arah yang lebih kompetitif. Menurutnya, BI adalah elemen penting dalam perguruan tinggi difungsikan untuk membantu manajerial mengelola modal intelektual dalam proses pengambilan keputusan dalam rangka peningkatan kinerja perguruan tinggi. Sistem ini bertujuan untuk mendesain mengukur, mengelola dan mengembangkan modal intelektual, antara lain berupa pengetahuan, skill dan keahlian sumberdaya manusia perguruan tinggi. Mustafid menambahkan bahwa sistem BI yang berbasis teknologi informasi ini akan melakukan evaluasi penilaian kerja Perguruan Tinggi dengan penggunaan indikator kinerja kunci perguruan tinggi yang dianalisis agar dapat memenuhi standar mutu perguruan tinggi yang kompetitif.18 Berbagai penelitian tentang penerapan BI dalam bidang pendidikan juga telah dilakukan oleh peneliti Internasional seperti yang dilakukan oleh Wang (2015), Mutanga (2015), Chiang (2012), Guster dan Brown (2012), Zulkefli (2006), dan Luan (2002). Hal ini menunjukkan bahwa kajian tentang penerapan Business Intelligence pada perguruan tinggi sangat relevan dan perlu terus dilakukan.19
16 Juan Silas Casillas, ‘Calidad Y Acreditación En La Educación Superior: Realidades Y Retos Para América Latina’, Páginas de Educación, 7.2 (2014), 104–23.
17 Wahyudi Agustiono and Wildan A Nasrullah, ‘Desain Academic Business Intelligence Untuk Akreditasi : Studi Kasus’, in Seminar Nasional Matematika Dan Aplikasinya (Surabaya:
Universitas Airlangga, 2017).
18 Mustafid, ‘Sistem Business Intelligence Untuk Mendukung Perguruan Tinggi Yang Kompetitif’, Jurnal Sistem Informasi Bisnis, 01 (2013), 18–24
<http://ejournal.undip.ac.id/index.php/jsinbis>.
19 Agustiono and Nasrullah.
1083
Instrumen Akreditasi Perguruan Tinggi (IAPT 3.0) merupakan instrumen akreditasi yang beupaya untuk membangun budaya mutu Perguruan Tinggi.
Akreditasi dilakukan oleh BAN-PT untuk menilai dan menentukan mutu di Perguruan Tinggi berdasarkan kriteria yang telah ditetapkan.20 Dalam IAPT 3.0, BAN-PT menetapkan penilaian komitmen perguruan tinggi terhadap kapasitas institusi dan keefektifan pendidikan. Kriteria IAPT 3.0 yaitu Visi, misi, tujuan dan strategi; Tata pamong, tata kelola, kerjasama; Mahasiswa; Sumbr daya manusia;
Keuangan, sarana dan prasarana; Pendidikan; Penelitian; Pengabdian kepada masyarakat; serta Luaran dan capaian tridharma.21 Perguruan tinggi perlu melakukan evalusi diri sebelum proses akreditasi oleh BAN-PT dilakukan. Proses evaluasi diri dilakuka untuk mengetahui mutu yang telah dicapai.
Business intelligence akan dapat mendukung Perguruan Tinggi dalam pengambilan keputusan dengan menyediakan pengukuran dan juga pemantauan performance secara real-time bagi pemangku kepentingan.22 Business Intelligence dapat digunakan dalam pengelolaan informasi keberlanjutan di perguruan tinggi serta membantu manajemen dalam menentukan tercapai tidaknya tujuan strategis.23 Dasbor biasanya didefinisikan sebagai: “Tampilan visual dari informasi paling penting yang diperlukan untuk mencapai satu atau lebih tujuan; dikonsolidasikan dan diatur pada satu layar sehingga informasi dapat dipantau dalam sekejap”.24 Business Intelligence Dashboard dapat diterapkan sebagai sarana untuk evaluasi diri. Business Intelligence Dashboard adalah suatu alat manajemen informasi yang berguna untuk melacak key performance indicators, metrics dan key data point lainnya. Visualisasi data melalui dashboard ini dapat menyederhanakan berbagai data yang kompleks untuk memberikan informasi kepada pengguna terkait kinerja suatu proses saat ini. Informasi ini biasanya dikirimkan dalam laporan statis dengan baris dan kolom. Dalam banyak situasi, ini sudah cukup, tetapi masalah yang berlaku saat ini adalah “kaya akan data dan miskin informasi”. Alat dan teknik BI yang muncul akhirnya mengatasi masalah ini, tidak hanya untuk pengambil keputusan dalam organisasi, tetapi juga untuk konsumen dalam kehidupan sehari-hari. Dasbor adalah aplikasi pengguna akhir dari solusi BI25 dan dasbor kini telah ada di mana-
20 Badan Akreditasi Nasional Perguruan Tinggi, Akreditasi Perguruan Tinggi Kreteria Dan Prosedur 3.0 (Indonesia, 2019), pp. 1–18.
21 Badan Akreditasi Nasional Perguruan Tinggi.
22 Ali Sorour and others, ‘The Role of Business Intelligence and Analytics in Higher Education Quality: A Proposed Architecture’, in 2019 International Conference on Advances in the Emerging Computing Technologies, AECT 2019 (Al Madinah Al Munawwarah, Saudi Arabia: IEEE, 2020), pp. 1–6 <https://doi.org/10.1109/AECT47998.2020.9194157>.
23 Brenda Scholtz, Andre Calitz, and Ross Haupt, ‘A Business Intelligence Framework for Sustainability Information Management in Higher Education’, International Journal of Sustainability in Higher Education, 19.2 (2018), 266–90 <https://doi.org/10.1108/IJSHE-06- 2016-0118>.
24 Stephen Few, Information Dashboard Design: The Effective Visual Communication of Data (O’reilly Sebastopol, CA, 2006), II.
25 Surajit Chaudhuri, Umeshwar Dayal, and Vivek Narasayya, ‘An Overview of Business Intelligence Technology’, Communications of the ACM, 54.8 (2011), 88–98.
1084
mana,26 namun praktik dan industri tidak memiliki definisi dasbor modern.27 Oleh karena itu penelitian ini bertujuan untuk melakukan Perancangan Business Intelligence Dashboard berdasarkan Instrumen Akreditasi Perguruan Tinggi versi 3.0 pada studi kasus Kriteria 3 tentang Mahasiswa sebagai sarana untuk evaluasi diri, karena kinerja kemahasiswaan menjadi salah satu poin penting terhadap penilaian IAPT 3.0.
METODE
Metode penelitian kualitatif digunakan dalam rangka menguraikan seputar Intelijen Bisnis dan merancang bentuk Intelijen Bisnis pada desain IAPT 3.0 Kriteria 3. Dalam perancangan Dashboard Business Intelligence pada penelitian ini menggunakan langkah Pengembangan Intelijen Bisnis (Business Intelligence Development Step). Metode ini mempunyai enam tahapan, yaitu Justification, Planning, Business Analysis, Designing, Construction dan Deployment.28 Data dan user requirement yang dibutuhkan untuk pengembangan sistem ini didapatkan dari Focus Group Discussion antar tim peneliti. Berikut ini merupakan eksplanasi dari proses tahapan metode Business intelligence Development Step.
Justification
Pada tahap ini, aktivitas yang dilakukan mengukur serta mengidentifikasi kebutuhan bisnis untuk mendapatkan gambaran hasil proyek yang diinginkan.
Pada penelitian ini, aktivitas bisnis yang menjadi objek adalah instrumen akreditasi pada tingkat perguruan tinggi yang mengacu pada IAPT 3.0 kriteria 3.
Sehingga, perancangan dashboard ini akan difokuskan pada data - data dan aktivitas yang terkait dengan IAPT 3.0 kriteria 3.
Planning
Pada tahap planning difokuskan untuk melakukan aktivitas evaluasi infrastruktur perusahaan dan perencanaan proyek. Evaluasi infrastruktur perusahaan ditinjau dari 2 jenis infrastruktur, yaitu infrastruktur teknis dan non teknis. Infrastruktur teknis terdiri dari software, hardware, DBMS dan sistem operasi sedangkan infrastruktur non teknis terdiri dari SOP, metadata, model logika data dan lain sebagainya. Untuk aktivitas perencanaan proyek berisi tentang detail pengerjaan proyek seperti deadline, penanggung jawab, anggaran dan lain sebagainya.
Business Analysis
Tahap business analysis, aktivitas untuk menentukan lingkup proyek, analisis data, perancangan prototype dan analisis repository metadata. Dengan demikian terjadi kesesuaian definisi kebutuhan bisnis dengan output yang diinginkan. Untuk mendapatkan output yang diinginkan, akurasi analisis data
26 Efraim Turban, Ramesh Sharda, and Dursun Delen, ‘Decision Support and Business Intelligence Systems (Required)’, Google Scholar, 2010.
27 Ogan M Yigitbasioglu and Oana Velcu, ‘A Review of Dashboards in Performance Management: Implications for Design and Research’, International Journal of Accounting Information Systems, 13.1 (2012), 41–59.
28 Larissa T Moss and Shaku Atre, Business Intelligence Roadmap: The Complete Project Lifecycle for Decision- Support Applications, Communication (Canada: Addison Wesley, 2003).
1085
dengan data yang sebenarnya sangat diperlukan. Setelah aktivitas business analysis, selanjutnya adalah perancangan prototype.
Design
Tahap ini adalah tahap untuk membangun Business Intelligence berdasarkan apa yang telah dirancang pada tahap 3. Objek yang dirancang pada tahap ini meliputi database, Extract/Transform/Load (ETL) dan repository metadata.
Construction
Tahap konstruksi merupakan tahap untuk melakukan persiapan implementasi Business Intelligence termasuk salah satu tahapnya adalah migrasi data. Aktivitas yang dilakukan pada tahap ini adalah pengembangan aplikasi, ETL, repository metadata, penambangan data.
Deployment
Tahap deployment merupakan satu tahap untuk implementasi Business Intelligence dan evaluasi ketika digunakan oleh pengguna.
Dengan demikian setelah menguraikan seputar Business Intelligence pada Pendahuluan diatas, fokus penelitian ini adalah merancang desain dashboard Business Intelligence sesuai indikator akreditasi pada tingkat perguruan tinggi.
PEMBAHASAN
Indikator dan Matriks Penilaian
Berdasarkan IAPT 3.0 BAN PT menetapkan 4 indikator sebagai penilaian dalam kriteria Mahasiswa. Berikut ini merupakan indikator dan deskripsi penilaian kriteria Mahasiswa menurut IAPT 3.0.
TABEL 1
INDIKATOR DAN DESKRIPSI PENILAIAN
No Indikator Perhitungan
1 Rasio jumlah pendaftar terhadap jumlah pendaftar yang lulus seleksi pada program utama.
Rasio = NAi/NBi NAi = Jumlah mahasiswa yang ikut seleksi pada program utama.
NBi = Jumlah mahasiswa yang lulus seleksi pada program utama.
2 Persentase jumlah mahasiswa
yang mendaftar ulang terhadap jumlah pendaftar yang lulus seleksi pada program utama.
PDU = (NCi/NBi) x 100% NBi = Jumlah mahasiswa yang lulus seleksi pada program utama.
NCi = Jumlah mahasiswa baru reguler pada program utama.
3 Persentase jumlah mahasiswa
asing terhadap jumlah seluruh mahasiswa.
PMA = (NWNA/NM) x 100% NWNA = Jumlah mahasiswa asing dalam 3 tahun terakhir. NM = Jumlah mahasiswa aktif dalam 3 tahun terakhir.
4 Ketersediaan dan mutu
layanan kemahasiswaan. Ketersediaan layanan dalam bentuk:
A. Pembinaan dan pengembangan minat dan bakat.
B. Peningkatan kesejahteraan
C. Penyuluhan karir dan bimbingan kewirausahaan
1086
Berdasarkan pengamatan dan perhitungan berdasar intrumen kriteria 3 tersebut, maka akan dapat ditentukan skor atau nilai untuk setiap indikator.
Jangkauan skor adalah 0 sampai 4. Berikut merupakan matrik penilaian kriteria Mahasiswa berdasarkan IAPT 3.0.
TABEL 2
MATRIK PENILAIAN KRITERIA MAHASISWA
Indikator Skor
4 3 2 1 0
Rasio jumlah pendaftar terhadap jumlah pendaftar yang lulus seleksi
Jika Rasio ≥ 5 maka Skor = 4
Jika 1 < Rasio < 5, maka Skor = (3 + Rasio) / 2
Jika Rasio ≤ 1, maka Skor = 2 x Rasio
Persentase jumlah mahasiswa yang mendaftar ulang terhadap jumlah pendaftar yang lulus seleksi
Jika PDU ≥ 95%,
Skor = 4
Jika 25% < PDU < 95% maka
Skor = ((40 x 10) / 7 Jika PDU
≤ 25%, Skor =
0
Persentase jumlah mahasiswa asing terhadap jumlah seluruh
mahasiswa
Jika PMA
≥.5%
maka Skor = 4
Jika PMA < 0.5%, maka
Skor = 2 + (400 x PMA)
Tidak ada Skor kurang dari 2
Tersedia layanan
kemahasiswaan. Tersedia layanan A, B, C
Tersedia layanan A, B
Tersedia layanan A
Tidak ada Skor 1
Tida k tersedia layanan
Data Dummy Mahasiswa
Data mahasiswa yang menjadi studi kasus pada penelitian ini diambil dari data mahasiswa pada salah satu Perguruan Tinggi Negeri di Indonesia yang tersedia untuk publik.29 Data kumulatif mahasiswa baru berdasarkan jenis seleksi ditunjukkan pada Tabel 3.
TABEL 3
DATA KUMULATIF PEMINAT DAN MAHASISWA BARU
Tahun Mahasiswa Ikuti Seleksi Lulus
Seleksi Daftar Ulang SNMPTN SBMPTN SMMPTN Total
2016 28561 42663 - 71224 8288 6879
2017 22611 42809 9699 75119 7974 6823
2018 26102 43965 9327 79394 9038 7750
2019 15562 25236 8931 43729 9986 8793
29 ‘Portal Data’, Universitas Syiah Kuala, 2021 <https://data.unsyiah.ac.id/ >.
1087
Sedangkan data kumulatif mahasiswa aktif dan mahasiswa asing selama 3 tahun terakhir ditunjukkan pada Tabel 4.
TABEL 4
DATA KUMULATIF MAHASISWA AKTIF
Tahun Mahasiswa Aktif Mahasiswa Asing
Internasional Student
Exchange Total
2017 27188 21 27 48
2018 27281 8 22 30
2019 29752 57 17 74
Dashboard Design
Dari hasil analisis kebutuhan sistem, berikut adalah luaran infomasi dari desain Dashboard. Secara teknis sebagai bentuk penilaian evaluasi diri, digambarkan grafik dan skor pada setiap 4 indikator untuk memudahkan stakeholder dalam melakukan evaluasi diri. Berikut merupakan perancangan dashboard berdasarkan IAPT 3.0 pada Kriteria 3.
Gambar 1. Dashboard Design Kriteria Mahasiswa
Dashboard IAPT 3.0 kriteria mahasiswa mencakup rasio pendaftar dan lulus seleksi, persentase daftar ulang terhadap lulus seleksi, persentase mahasiswa asing dan mahasiswa aktif, serta ketersediaan layanan mahasiswa. Dashboard bagian atas merangkum skor yang didapatkan pada seluruh indikator.
1088
Gambar 2. Visualisasi Indikator 1 Kriteria Mahasiswa
Berdasar pada tabel 3 diatas, rasio jumlah pendaftar terhadap jumlah pendaftar yang lulus seleksi pada setiap tahun divisualisasikan dalam suatu bentuk Bar chart. Dari simulasi berdasarkan data tersebut menunjukkan bahwa nilai rasio sebesar 10.91, sehingga skor untuk indikator 1 adalah 4 (nilai maksimum).
Gambar 3. Visualisasi Indikator 2 Kriteria Mahasiswa
Begitu juga dalam konteks prosentase jumlah mahasiswa yang daftar ulang terhadap jumlah pendaftar lulus seleksi divisualisasikan dalam bentuk Bar chart untuk setiap tahun. Angka persentase untuk indikator 2 dengan nilai 80% akan menghasilkan skor indikator sebesar adalah 3.
1089
Gambar 4. Visualisasi Indikator 3 Kriteria Mahasiswa
Sedangkan perbandingan mahasiswa asing terhadap jumlah seluruh mahasiswa aktif divisualkan dalam bentuk Pie chart. Jika angka persentase mahasiswa asing adalah 1.5%, maka skor yang didapatkan untuk indikator 3 adalah 4.
Gambar 5. Visualisasi Indikator 4 Kriteria Mahasiswa
Pada sistem juga disiapkan instrumen checklist yang digunakan untuk menampilkan ketersediaan dan mutu layanan kemahasiswa. Dengan melakukan penilaian secara kualitatif berdasarkan instrumen Ban PT tersebut, maka dapat menjadi potret instrumen evaluasi diri perguruan tinggi.
1090 KESIMPULAN
Hasil penelitian ini berupa Perancangan Dashboard berbasis IAPT 3.0 Kriteria 3 yang dapat digunakan sebagai bahan pertimbangan dalam implementasi Busines Intelligence Dashboard untuk mendukung dalam kesiapan akreditasi perguruan tinggi. Dashboard terdiri dari 4 elemen indikator kriteria Mahasiswa yang divisualisasi dalam bentuk grafik untuk data kuantitatif dan check list untuk data kualitatif.
Dashboard summary menunjukkan skor yang telah dicapai untuk setiap indikator dalam kriteria Mahasiswa. Dengan dukungan Dashboard berbasis IAPT 3.0 Kriteria 3 ini juga dapat membantu manajemen pada Perguruan Tinggi dalam menganalisis kinerja kompetitor sehingga dapat mengetahui posisi saat ini untuk selanjutnya melakukan langkah pengembangan strategi dan program yang lebih kompetitif.
SARAN
Karena keterbatasan waktu dan ruang lingkup penelitian ini menjadi sasaran keterbatasan. Studi ini hanya memaparkan desain Business Intelligence Dashboard berbasis IAPT 3.0 Kriteria 3 yakni Mahasiswa. Oleh karena itu, akan sangat berguna apabila penelitian di masa depan memaparkan desain Business Intelligence Dashboard dengan memperhatikan seluruh kriteria pada IAPT 3.0.
DAFTAR PUSTAKA
Agustiono, Wahyudi, and Wildan A Nasrullah, ‘Desain Academic Business Intelligence Untuk Akreditasi : Studi Kasus Universitas Trunojoyo’, in Seminar Nasional Matematika Dan Aplikasinya (Surabaya: Universitas Airlangga, 2017)
Alexopoulos, Kosmas, Sotiris Makris, Vangelis Xanthakis, Konstantinos Sipsas, and George Chryssolouris, ‘A Concept for Context-Aware Computing in Manufacturing: The White Goods Case’, International Journal of Computer Integrated Manufacturing, 29.8 (2016), 839–49
<https://doi.org/10.1080/0951192X.2015.1130257>
Anderl, Reiner, A Picard, Y Wang, J Fleischer, S Dosch, B Klee, and others, ‘Guideline Industrie 4.0-Guiding Principles for the Implementation of Industrie 4.0 in Small and Medium Sized Businesses’, in Vdma Forum Industrie, 2015, IV, 1–
Argadinata, Hasan, and Imam Gunawan, ‘The Leadership of Pancasila in 31 Education: Foundation for Strengthening Student Characters in the Industrial Revolution Era 4.0’, in The 4th International Conference on Education and Management (COEMA 2019) (Atlantis Press, 2019), pp. 5–7 Badan Akreditasi Nasional Perguruan Tinggi, Akreditasi Perguruan Tinggi Kreteria
Dan Prosedur 3.0 (Indonesia, 2019), pp. 1–18
Chaudhuri, Surajit, Umeshwar Dayal, and Vivek Narasayya, ‘An Overview of Business Intelligence Technology’, Communications of the ACM, 54.8 (2011), 88–98
Few, Stephen, Information Dashboard Design: The Effective Visual Communication of Data (O’reilly Sebastopol, CA, 2006), II
Gleason, Nancy W, ed., Higher Education in the Era of the Fourth Industrial Revolution (Springer Nature PP - Singapore, 2018)
1091
<https://doi.org/10.1007/978-981-13-0194-0>
Li, Ling, ‘China’s Manufacturing Locus in 2025: With a Comparison of “Made-in- China 2025” and “Industry 4.0”’, Technological Forecasting and Social
Change, 135 (2018), 66–74
<https://doi.org/https://doi.org/10.1016/j.techfore.2017.05.028>
Moss, Larissa T, and Shaku Atre, Business Intelligence Roadmap: The Complete Project Lifecycle for Decision- Support Applications, Communication (Canada:
Addison Wesley, 2003)
Mustafid, ‘Sistem Business Intelligence Untuk Mendukung Perguruan Tinggi Yang Kompetitif’, Jurnal Sistem Informasi Bisnis, 01 (2013), 18–24
<http://ejournal.undip.ac.id/index.php/jsinbis>
Negas, S., and P. Gray, ‘Business Intelligence’, Proceedings of the Ninth American Conference on Information Systems, 2003
Ortiz, Leonardo, and Maria Hallo, ‘Analytical Data Mart for the Monitoring of University Accreditation Indicators’, EDUNINE 2019 - 3rd IEEE World Engineering Education Conference: Modern Educational Paradigms for Computer and Engineering Career, Proceedings, 2019, 1–6
<https://doi.org/10.1109/EDUNINE.2019.8875826>
Pettey, Christy, and Laurence Goasduff, ‘Gartner Executive Programs’ Worldwide Survey of More Than 2,300 CIOs Shows Flat IT Budgets in 2012, but IT Organizations Must Deliver on Multiple Priorities’, Gartner Newsroom, 2012
‘Portal Data’, Universitas Syiah Kuala, 2021 <https://data.unsyiah.ac.id/ >
Qin, Jian, Ying Liu, and Roger Grosvenor, ‘A Categorical Framework of Manufacturing for Industry 4.0 and Beyond’, Procedia Cirp, 52 (2016), 173–
78 <https://doi.org/https://doi.org/10.1016/j.procir.2016.08.005>
Ranjan, Jayanthi, ‘Business Intelilgence: Concepts, Components, Techniques and Benefits’, Journal of Theorical and Applied Information Technology, 9.1 (2009), 60–70
Scholtz, Brenda, Andre Calitz, and Ross Haupt, ‘A Business Intelligence Framework for Sustainability Information Management in Higher Education’, International Journal of Sustainability in Higher Education, 19.2 (2018), 266–
90 <https://doi.org/10.1108/IJSHE-06-2016-0118>
Schultheis, Marco Peter, ‘The Impact of Business Intelligence Systems on the Perceived Quality of Strategic Decision Making’ (Curtin University, 2016)
<http://hdl.handle.net/20.500.11937/2527>
Silas Casillas, Juan, ‘Calidad Y Acreditación En La Educación Superior: Realidades Y Retos Para América Latina’, Páginas de Educación, 7.2 (2014), 104–23 Sorour, Ali, Anthony S. Atkins, Clare F. Stanier, and Fawaz D. Alharbi, ‘The Role of
Business Intelligence and Analytics in Higher Education Quality: A Proposed Architecture’, in 2019 International Conference on Advances in the Emerging Computing Technologies, AECT 2019 (Al Madinah Al Munawwarah, Saudi
Arabia: IEEE, 2020), pp. 1–6
<https://doi.org/10.1109/AECT47998.2020.9194157>
Turban, Efraim, Ramesh Sharda, and Dursun Delen, ‘Decision Support and Business Intelligence Systems’, Prentice Hall, 2010
Watson, Hugh J, ‘Business Intelligence: Past, Present and Future’, AMCIS 2009 Proceedings, 2009, 153
Xu, Li Da, Eric L Xu, and Ling Li, ‘Industry 4 . 0 : State of the Art and Future Trends’,
1092
International Journal of Production Research, 56.8 (2018), 2941–62
<https://doi.org/10.1080/00207543.2018.1444806>
Yigitbasioglu, Ogan M, and Oana Velcu, ‘A Review of Dashboards in Performance Management: Implications for Design and Research’, International Journal of Accounting Information Systems, 13.1 (2012), 41–59
