MODUL PERKULIAHAN

Pertemuan ke-1
Konsep Business Intelligence

Deskripsi Singkat
Modul ini menjelaskan pengertian, ruang lingkup, dan peran Business Intelligence (BI) dalam
organisasi modern. Mahasiswa diharapkan memahami bagaimana BI membantu organisasi
mengambil keputusan berbasis data (data-driven decision making).

Tujuan Pembelajaran
Setelah mempelajari modul ini, mahasiswa diharapkan mampu:
1. Menjelaskan definisi dan konsep Business Intelligence.
2. Mengidentifikasi komponen utama dalam ekosistem BI.
3. Memahami perbedaan Business Intelligence, Data Science, dan Data Analytics.
4. Memahami manfaat penerapan BI bagi perusahaan.
5. Mengidentifikasi alur proses kerja BI dari data hingga insight.

MENGAPA BUSINESS INTELLIGENCE PENTING?

Di era transformasi digital, data menjadi aset berharga. Perusahaan yang mampu mengolah
data dengan baik akan lebih unggul dalam persaingan. Business Intelligence hadir sebagai
solusi untuk:
• Mengolah data menjadi informasi.
• Menyediakan visualisasi data yang mudah dipahami.
• Mendukung pengambilan keputusan yang berbasis bukti (evidence-based decision
making).

1. Data sebagai Aset Berharga di Era Digital

Di era transformasi digital, data telah bergeser dari sekadar hasil sampingan aktivitas bisnis
menjadi aset strategis yang bernilai tinggi. Setiap aktivitas yang dilakukan pelanggan, mitra,
hingga proses internal perusahaan menghasilkan jejak data, mulai dari transaksi, interaksi
media sosial, data sensor (IoT), hingga data operasional harian. Perusahaan yang mampu
mengelola dan memanfaatkan data ini akan memiliki keunggulan kompetitif yang signifikan
dibandingkan pesaingnya.
Namun, data mentah saja tidak cukup. Data yang tidak terstruktur, tersebar di berbagai sistem,
atau tidak diolah, tidak memiliki nilai tambah. Di sinilah Business Intelligence (BI)
berperan: mengubah data mentah menjadi informasi yang bermakna, sehingga data dapat
berbicara dan menceritakan kondisi bisnis secara objektif.

2. Mengolah Data Menjadi Informasi yang Bernilai

Business Intelligence bertugas mengubah kumpulan data mentah dari berbagai sumber menjadi
informasi terstruktur yang siap dianalisis. Proses ini mencakup:
• Pengumpulan data dari sumber yang relevan.
 • Membersihkan dan menggabungkan data agar konsisten.
• Membuat model data yang menggambarkan hubungan antar entitas.
• Menyajikan hasil dalam bentuk yang mudah dipahami.
Informasi yang dihasilkan akan memberikan gambaran menyeluruh (holistic view) tentang
performa perusahaan, mulai dari tren penjualan, efisiensi operasional, perilaku pelanggan,
hingga peluang dan risiko bisnis di masa depan.

3. Menyediakan Visualisasi Data yang Informatif dan Interaktif

Data yang dipresentasikan dalam bentuk tabel saja sulit untuk diinterpretasi, apalagi jika
volumenya besar. BI memungkinkan data ditampilkan dalam bentuk visualisasi interaktif
seperti:
• Dashboard dinamis.
• Grafik tren dan perbandingan.
• Heatmap dan geospatial map.
• Funnel chart dan waterfall chart.
• KPI tracker.
Visualisasi yang efektif akan mempercepat pemahaman dan membantu manajemen
menangkap insight secara intuitif tanpa harus membaca ribuan baris data. Visualisasi juga
mendukung proses eksplorasi data (drill down) untuk menelusuri akar masalah atau
mengidentifikasi peluang secara lebih mendalam.

4. Mendukung Pengambilan Keputusan Berbasis Data (Evidence-Based Decision

Making)
Sebelum era BI, banyak keputusan bisnis diambil berdasarkan:
• Intuisi atau insting pribadi.
• Kebiasaan masa lalu.
• Asumsi yang belum teruji.
Hal tersebut sangat berisiko, terutama di industri yang dinamis dan penuh ketidakpastian.
Dengan BI, perusahaan dapat berpindah dari: Gut Feeling Decision ke Data-Driven
Decision.
Keputusan yang didasarkan pada data yang valid dan real-time memiliki tingkat akurasi lebih
tinggi, mengurangi bias, dan meningkatkan kepercayaan diri manajemen saat mengambil
keputusan strategis.
Contoh nyata:
• Menentukan alokasi anggaran pemasaran berdasarkan analisis channel mana yang
paling efektif.
• Memutuskan stok barang berdasarkan analisis tren permintaan historis dan proyeksi
ke depan.
• Menganalisis faktor penyebab churn pelanggan, bukan sekadar asumsi internal.

5. Meningkatkan Responsivitas dan Agilitas Bisnis

Di tengah persaingan yang ketat, perusahaan yang paling cepat beradaptasi akan unggul. BI
memungkinkan perusahaan:
• Memantau kinerja secara real-time.
• Mengidentifikasi masalah lebih dini.
• Mengambil tindakan korektif lebih cepat.
Dengan dashboard BI yang selalu up-to-date, manajemen tidak perlu menunggu laporan
bulanan untuk mengetahui kinerja bisnis. Jika ada anomali, perubahan tren, atau peluang baru,
perusahaan dapat segera merespons dalam hitungan jam atau hari, bukan minggu atau bulan.

6. Meningkatkan Transparansi dan Kolaborasi Antar Divisi

BI memungkinkan semua divisi berbagi satu sumber data (single source of truth). Dengan
data yang sama, semua tim — mulai dari marketing, sales, finance, hingga operasional —
bekerja dengan informasi yang konsisten. Ini mencegah:
• Tumpang tindih data.
• Perbedaan versi laporan.
• Interpretasi yang bertentangan.
Selain itu, laporan BI yang mudah diakses melalui web atau mobile, mendorong kolaborasi
lintas departemen yang lebih baik, di mana insight dan rekomendasi bisa diambil secara
bersama-sama.

Business Intelligence bukan sekadar tools atau teknologi, melainkan mindset baru dalam
mengelola bisnis berbasis data. BI memungkinkan perusahaan:
Lebih cerdas dalam melihat peluang.
Lebih cepat dalam merespons perubahan.
Lebih akurat dalam mengambil keputusan.
Lebih efisien dalam mengelola sumber daya.
Di era data-driven economy seperti saat ini, menguasai Business Intelligence bukan lagi
pilihan, melainkan keharusan bagi setiap perusahaan yang ingin bertahan dan berkembang.

Definisi Business Intelligence (BI)

Definisi BI Menurut Para Ahli
No Sumber Definisi
BI adalah proses mengolah data mentah menjadi informasi yang bermakna
1 Gartner
untuk mendukung pengambilan keputusan.
BI adalah sekumpulan teknologi, aplikasi, dan proses untuk
Turban et
2 mengumpulkan, menyimpan, menganalisis, dan menyediakan akses ke data
al. (2011)
agar pengguna bisa membuat keputusan yang lebih baik.
Kimball & BI mencakup metodologi dan proses yang digunakan organisasi untuk
3
Ross mengakses, menganalisis, dan menyajikan data historis maupun real-time.
Komponen Utama Business Intelligence
Business Intelligence bukan hanya tools, melainkan ekosistem yang terdiri dari:
Komponen Penjelasan
Data dari sistem operasional, file excel, database, IoT, web
Data Source
analytics, media sosial, dll.
ETL (Extract, Transform, Proses mengambil data mentah, membersihkan, dan
Load) menyiapkannya agar siap dianalisis.
Data Warehouse / Data Mart Tempat penyimpanan data terpusat yang siap diakses.
OLAP (Online Analytical Teknologi analisis multidimensi yang mempercepat query data
Processing) dalam jumlah besar.
Tools BI (Dashboard &
Contoh: Power BI, Tableau, Looker Studio
Reporting)
Pengguna akhir yang menginterpretasi insight dan membuat
Decision Maker (User)
keputusan.

Keterangan :
1. Data Source adalah titik awal dalam proses BI, yaitu tempat asal data yang akan diolah.
Data yang digunakan untuk analisis bisnis bisa berasal dari:
• Sistem operasional: ERP, CRM, POS, Supply Chain System.
• File manual: Excel, CSV, Google Sheets.
• Database: SQL Server, MySQL, Oracle, PostgreSQL, dll.
• Data dari sensor dan perangkat IoT: Smart meters, RFID, GPS trackers.
• Web Analytics: Data perilaku pengunjung dari Google Analytics, Adobe Analytics, dll.
• Media sosial: Data mention, likes, comments, sentiment dari Twitter, Facebook,
Instagram.
Data Source yang lengkap dan relevan menjamin analisis yang komprehensif dan
berkualitas tinggi.
2. ETL (Extract, Transform, Load) adalah proses teknis yang terdiri dari tiga langkah utama:
• Extract: Mengambil data mentah dari berbagai sumber.
• Transform: Membersihkan, menyelaraskan format, menggabungkan data dari
berbagai sumber, dan membentuk struktur yang siap dianalisis.
• Load: Memasukkan data yang sudah bersih ke tempat penyimpanan terpusat (Data
Warehouse atau Data Mart).
Contoh:
• Mengubah format tanggal dari “dd/mm/yyyy” ke “yyyy-mm-dd”.
• Menghapus duplikasi data.
• Menggabungkan data penjualan dari sistem POS dengan data target dari Excel.
Data yang kotor, tidak konsisten, atau tidak lengkap akan merusak kualitas analisis. ETL
memastikan data siap pakai dan terstandardisasi.
3. Data Warehouse / Data Mart
Setelah data di-ETL, data disimpan dalam:
 • Data Warehouse: Gudang data terpusat yang menyimpan data historis lintas
departemen.
• Data Mart: Subset dari Data Warehouse, menyimpan data yang lebih spesifik untuk
departemen tertentu (misalnya data khusus divisi Marketing).
Ciri Data Warehouse:
• Terstruktur dan terintegrasi.
• Menyimpan data historis dalam jangka panjang.
• Dioptimasi untuk analisis, bukan untuk transaksi harian.
• Contoh: Azure Synapse, Snowflake, Google BigQuery.
Data Warehouse memastikan pengguna BI selalu mengakses data yang sama (single
source of truth), sehingga mencegah perbedaan versi data antar divisi.
4. OLAP (Online Analytical Processing) adalah teknologi yang memungkinkan analisis
multidimensi. Data yang ada di Data Warehouse diolah dalam bentuk cube yang
mendukung analisis dari berbagai sudut pandang (dimensi), misalnya:
• Dimensi Waktu: Analisis penjualan harian, mingguan, bulanan.
• Dimensi Produk: Analisis penjualan berdasarkan kategori produk.
• Dimensi Geografi: Analisis penjualan per wilayah.
OLAP memungkinkan query data besar dengan sangat cepat dan mendukung proses drill-
down, roll-up, slice, dan dice, yaitu:
• Drill-down: Melihat data lebih detail, misal dari level negara ke provinsi.
• Roll-up: Melihat data yang lebih ringkas, misal dari level provinsi ke nasional.
• Slice: Menganalisis data hanya pada satu dimensi (contoh: fokus pada satu produk
saja).
• Dice: Menganalisis data berdasarkan kombinasi beberapa dimensi.
5. Tools BI (Dashboard & Reporting) adalah wajah depan (front-end) yang dilihat oleh
pengguna akhir. Tools BI mengambil data dari Data Warehouse dan menyajikannya dalam
bentuk visual yang mudah dipahami, seperti:
• Dashboard interaktif.
• Grafik tren dan perbandingan.
• Heatmap, pie chart, bar chart, KPI metrics.
• Laporan periodik otomatis.
Tools BI membuat data bisa berbicara melalui visualisasi yang mudah dipahami, bahkan
oleh user non-teknis.
6. Decision Maker (User / Pengguna Akhir) adalah pengguna yang memanfaatkan laporan
dan dashboard BI untuk:
• Membaca insight.
• Mengidentifikasi tren dan anomali.
• Membuat keputusan berdasarkan data.
Tujuan BI bukan sekadar membuat dashboard, tetapi membantu pengambil keputusan
bertindak lebih tepat dan cepat berdasarkan fakta, bukan asumsi.
Alur Kerja BI secara ringkas sebagai berikut :
a. Data dikumpulkan dari berbagai sumber (Data Source).
b. Data dibersihkan dan disiapkan melalui proses ETL.
 c. Data disimpan di Data Warehouse atau Data Mart.
d. Data dianalisis menggunakan OLAP untuk proses multidimensi.
e. Visualisasi dibuat melalui Tools BI seperti Power BI.
f. Pengambil keputusan (Decision Maker) menggunakan laporan ini untuk mengambil
tindakan strategis.

Perbedaan BI, Data Science, dan Data Analytics

Aspek Business Intelligence Data Analytics Data Science
Descriptive (Apa yang Diagnostic & Predictive Prescriptive (Apa yang
terjadi?) (Mengapa terjadi & Apa sebaiknya dilakukan?)
Melihat apa yang yang akan terjadi?) Memprediksi apa yang akan
Fokus terjadi di masa lalu Menganalisis pola dan terjadi di masa depan dan
dan sekarang melalui tren dari data historis dan membuat model
laporan, dashboard, saat ini untuk menjawab prediktif/preskriptif dengan
dan visualisasi data. mengapa sesuatu terjadi. algoritma canggih.
Data terstruktur (misal:
Terstruktur & Semi- Data terstruktur, semi terstruktur,
data transaksi, data
struktur Fokus pada data dan tidak terstruktur (teks,
keuangan, data
Data historis, tetapi bisa juga gambar, video, sensor).
operasional). Biasanya
menggunakan data saat Sumbernya beragam: internal
berasal dari database
ini (real-time). dan eksternal.
perusahaan (internal).
Menyediakan laporan
Membangun model prediktif
dan visualisasi yang Menggali insight lebih
dengan machine learning/AI
mendukung dalam dengan analisis
untuk memprediksi dan
pengambilan statistik dan eksplorasi
Tujuan mengotomasi keputusan.
keputusan berbasis data. Fokusnya:
Fokusnya: forecasting dan
data. Fokusnya: menjelaskan sebab-
rekomendasi tindakan (what’s
monitoring dan akibat (why).
next).
evaluasi performa.
Keterangan :
1. Fokus Utama
• Business Intelligence (BI): Menjawab pertanyaan "Apa yang terjadi?" (What
Happened)
• Data Analytics: Menjawab pertanyaan "Mengapa itu terjadi?" (Why it Happened)
• Data Science: Menjawab pertanyaan "Apa yang akan terjadi dan apa tindakan
selanjutnya?" (What’s Next & What to Do)

2. Jenis Data yang Diolah

• Business Intelligence (BI): Fokus pada data terstruktur dari sistem operasional.
• Data Analytics: Mengolah data terstruktur dan semi-terstruktur.
 • Data Science: Mengolah semua jenis data: terstruktur, semi-terstruktur, dan tidak
terstruktur (misal: teks, gambar, video, data sensor).

3. Metode dan Tools yang Digunakan

• Business Intelligence (BI):
o Metode: Visualisasi data, pelaporan, monitoring.
o Tools: Power BI, Tableau, Looker Studio.
• Data Analytics:
o Metode: Analisis deskriptif, analisis diagnostik, eksplorasi data.
o Tools: Excel (advanced), SQL, Python (Pandas, Matplotlib), R.
• Data Science:
o Metode: Data mining, machine learning, deep learning, eksperimen data.
o Tools: Python (scikit-learn, TensorFlow), R, Jupyter Notebook, Spark.

4. Tujuan Akhir
• Business Intelligence (BI): Memberikan laporan visual agar pengambil keputusan
bisa memantau performa dan mengambil tindakan reaktif.
• Data Analytics: Memberikan insight mendalam terkait hubungan antar variabel dan
penyebab fenomena bisnis.
• Data Science: Membangun model prediktif/preskriptif agar perusahaan bisa
memprediksi masa depan dan mengotomatiskan keputusan.

5. Contoh Output
• Business Intelligence (BI): Dashboard performa penjualan bulanan.
• Data Analytics: Analisis penyebab turunnya penjualan di wilayah tertentu.
• Data Science: Prediksi pelanggan yang berpotensi churn dan rekomendasi tindakan
pencegahan.

6. Peran di Industri
Peran Contoh Pekerjaan
Business Intelligence BI Developer, Business Analyst
Data Analytics Data Analyst, Marketing Analyst
Data Science Data Scientist, Machine Learning Engineer

Manfaat Business Intelligence bagi Organisasi

1. Meningkatkan Efisiensi Operasional
Dengan BI, proses pelaporan yang biasanya memakan waktu lama (manual report)
menjadi lebih otomatis, cepat, dan akurat. Data yang tersebar di berbagai sistem dapat
diintegrasikan dan disajikan dalam satu platform visualisasi seperti dashboard yang
selalu update.
 Contoh:
Sebelum ada BI, tim finance butuh 1 minggu untuk menyusun laporan keuangan
bulanan. Dengan BI, laporan otomatis terupdate setiap hari dan dapat langsung diakses
2. Membantu Identifikasi Peluang Bisnis
BI mengolah data historis (data masa lalu) untuk menemukan tren, pola, dan anomali
yang mungkin tidak terlihat jika hanya menggunakan laporan konvensional.
Dari sini, perusahaan bisa mengenali peluang baru seperti produk yang sedang naik
daun, pasar yang potensial, atau segmen pelanggan yang berkembang.
Contoh:
Analisis penjualan menunjukkan bahwa produk eco-friendly semakin diminati di
wilayah tertentu, sehingga perusahaan bisa fokus ke strategi pemasaran ramah
lingkungan.
3. Mendukung Pengambilan Keputusan yang Cepat
Dengan BI, data disajikan dalam bentuk dashboard interaktif yang menyajikan
informasi real-time. Manajemen tidak perlu menunggu laporan mingguan/bulanan
karena semua data dapat langsung dipantau saat itu juga (near real-time).
Contoh:
Saat terjadi lonjakan penjualan di e-commerce karena flash sale, tim sales langsung
mengetahui performa harian dan dapat mengambil keputusan cepat terkait stok atau
promo tambahan.
4. Meningkatkan Transparansi
BI membuat data dan laporan lebih transparan karena bisa diakses oleh berbagai
stakeholder sesuai dengan hak aksesnya. Tidak ada lagi monopoli data oleh divisi
tertentu, sehingga kolaborasi lintas fungsi jadi lebih lancar.
Contoh:
Tim marketing, sales, dan finance bisa melihat data yang sama di dashboard penjualan,
sehingga semua tim punya single source of truth yang sama.
5. Memantau Kinerja Bisnis
BI menyediakan monitoring KPI (Key Performance Indicator) yang langsung terlihat
di dashboard. Setiap divisi bisa punya KPI masing-masing yang terhubung ke strategi
perusahaan secara keseluruhan.
Contoh:
CEO bisa memantau revenue, profit margin, customer satisfaction dalam satu
dashboard, sementara tim HR punya dashboard sendiri untuk memantau turnover
karyawan, absensi, dan produktivitas.

Alur Kerja Business Intelligence

1. Data Collection
• Mengumpulkan data mentah dari berbagai sumber internal dan eksternal.
• Sumber data: Database, Spreadsheet, API, dll.
• Contoh: Data Penjualan Harian dari seluruh cabang disatukan dalam satu repositori
pusat.
2. Data Integration & Cleaning
 • Melakukan ETL process (Extract: Mengambil data dari berbagai sumber. Transform:
Membersihkan data dari anomali, duplikasi, data kosong, serta menyusun format data
agar konsisten. Load: Memasukkan data yang telah bersih ke tempat penyimpanan
terpusat.).
• Membersihkan data yang rusak/duplikat. Menstandarkan format tanggal/nomor.
Mengisi data kosong atau handling missing values
• Contoh Kasus:
Kolom tanggal dari cabang A berformat DD/MM/YYYY, sedangkan cabang B
berformat MM-DD-YYYY. Proses transform akan menyamakan format ini.
3. Data Storage
• Menyimpan data yang sudah rapi di Data Warehouse atau Data Mart agar siap
digunakan untuk analisis. Menggunakan skema Star Schema atau Snowflake Schema.
• Star Schema: Pusatnya adalah Fact Table yang terhubung ke beberapa Dimension
Table. Sederhana dan cepat untuk query.
• Snowflake Schema: Dimension Table dipecah lebih detail hingga membentuk struktur
bercabang (mirip kepingan salju). Lebih hemat ruang, tapi query lebih kompleks.
• Contoh Kasus:
Data penjualan akan disimpan di Fact Sales, sementara informasi produk, pelanggan,
dan wilayah disimpan di Dimension Tables.
4. Data Analysis & Modelling
• Setelah data siap, proses analisis data dilakukan.
• Menggunakan query (untuk pengolahan data dasar), DAX (untuk kalkulasi dinamis),
atau Python (untuk analisis lebih lanjut).
• Analisis deskriptif (Apa yang terjadi?), diagnostik (Mengapa itu terjadi?), prediktif
(Apa yang akan terjadi?).
• Contoh Kasus:
Menganalisis tren penjualan 12 bulan terakhir, mengidentifikasi produk terlaris, serta
melakukan segmentasi pelanggan.
5. Data Visualization & Reporting
• Hasil analisis disajikan dalam bentuk visualisasi yang menarik dan mudah dipahami
melalui dashboard interaktif.
• Menyajikan insight yang mudah dipahami.
6. Decision Making
• Hasil visualisasi dijadikan dasar pengambilan keputusan.
• Contoh: Menentukan strategi promosi berdasarkan pola penjualan.

Studi Kasus Sederhana

Kasus: Analisis Penjualan di Toko XYZ
• Data yang dimiliki: Tanggal Transaksi, Produk, Harga, Jumlah, Wilayah.
• Kebutuhan BI:
Memantau tren penjualan bulanan.
Mengetahui produk terlaris.
Menganalisis kontribusi penjualan tiap wilayah.
 • Hasil yang diharapkan:
Dashboard penjualan dengan filter interaktif.
Rekomendasi strategi promosi.

Business Intelligence adalah fondasi penting bagi organisasi modern untuk mengambil
keputusan berbasis data. Dengan memahami konsep BI, mahasiswa akan lebih siap untuk
mengoperasikan tools seperti Power BI di materi-materi selanjutnya.

Latihan Mandiri
1. Jelaskan dengan bahasa sendiri, apa itu Business Intelligence?
2. Sebutkan minimal 3 manfaat utama BI bagi perusahaan.
3. Buatlah flowchart sederhana proses Business Intelligence.
4. Cari studi kasus perusahaan nyata yang sukses menerapkan BI (bisa dari jurnal atau
berita).

Referensi
• Turban, E., et al. (2011). Decision Support and Business Intelligence Systems.
Pearson.
• Kimball, R., & Ross, M. (2013). The Data Warehouse Toolkit. Wiley.
• Gartner Report: Top Trends in BI and Data Analytics 2024.
 MINGGU KE-2
PENGENALAN POWER BI

1. Power BI
1.1 Apa Itu Power BI?
Power BI adalah alat Business Intelligence (BI) yang dikembangkan oleh Microsoft untuk
membantu pengguna dalam menganalisis dan memvisualisasikan data. Power BI memungkinkan
pengguna untuk menghubungkan berbagai sumber data, mengolah data, serta membuat laporan
dan dashboard interaktif.
Power BI terdiri dari berbagai komponen yang saling terintegrasi, termasuk Power BI Desktop
untuk pengolahan data, Power BI Service berbasis cloud untuk berbagi laporan, serta Power BI
Mobile untuk akses fleksibel dari perangkat seluler. Dengan Power BI, pengguna dapat
melakukan analisis data secara mendalam, mengidentifikasi tren bisnis, dan membuat keputusan
berbasis data.
1.2 Manfaat Power BI
• Mempermudah pengolahan dan analisis data: Pengguna dapat mengolah data dari
berbagai sumber tanpa perlu keahlian pemrograman tingkat lanjut.
• Visualisasi data yang menarik dan interaktif: Power BI menyediakan berbagai jenis grafik
dan diagram yang memudahkan pemahaman data.
• Integrasi dengan berbagai sumber data: Dapat terhubung dengan data dari Excel, SQL
Server, Google Analytics, SharePoint, dan banyak lagi.
• Memudahkan pembuatan laporan berbasis data real-time: Data dapat diperbarui secara
otomatis dari sumber yang terkoneksi.
• Dapat diakses dari berbagai perangkat: Dengan aplikasi berbasis web dan mobile,
pengguna dapat mengakses laporan kapan saja dan di mana saja.
• Keamanan dan kontrol akses yang ketat: Power BI memiliki fitur keamanan yang
memungkinkan pengguna untuk mengontrol siapa yang dapat melihat atau mengedit
laporan mereka.
2. KOMPONEN UTAMA POWER BI
2.1 Power BI Desktop
Power BI Desktop adalah aplikasi utama yang digunakan untuk mengolah data, membuat
laporan, dan menyusun dashboard. Power BI Desktop menawarkan fitur lengkap untuk:
• Mengimpor data dari berbagai sumber.
• Membersihkan dan mentransformasikan data menggunakan Power Query.
• Menganalisis data menggunakan DAX (Data Analysis Expressions).
• Membuat visualisasi interaktif yang dapat beradaptasi dengan filter dan parameter yang
dipilih pengguna.
• Menyusun laporan dalam format yang mudah dipahami.
2.2 Power BI Service
Power BI Service adalah platform berbasis cloud yang memungkinkan pengguna untuk berbagi,
mengelola, dan melihat laporan dari berbagai perangkat. Dengan Power BI Service, pengguna
dapat:
• Mengunggah dan menyebarkan laporan yang dibuat di Power BI Desktop.
• Mengatur akses pengguna untuk berbagi laporan dengan tim atau organisasi.
• Membuat dasbor interaktif dengan menggabungkan berbagai visualisasi.
• Mengatur pembaruan data otomatis untuk memastikan laporan selalu menggunakan
informasi terbaru.
• Menggunakan fitur AI dan machine learning untuk analisis data lanjutan.
2.3 Power BI Mobile
Power BI Mobile adalah aplikasi untuk perangkat seluler yang memungkinkan pengguna
mengakses dashboard dan laporan secara fleksibel. Fitur utama Power BI Mobile meliputi:
• Akses laporan kapan saja dan di mana saja.
• Notifikasi dan peringatan otomatis terkait perubahan data.
• Interaksi dengan laporan secara real-time dengan filter dan pencarian data.
• Dukungan mode offline untuk melihat laporan tanpa koneksi internet.

3. MENGINSTAL POWER BI
3.1 Persyaratan Sistem
Sebelum menginstal Power BI Desktop, pastikan perangkat memenuhi persyaratan berikut:
 • Sistem Operasi: Windows 10 atau lebih baru.
• RAM: Minimal 4GB (disarankan 8GB ke atas untuk performa optimal).
• Ruang penyimpanan: Minimal 1GB untuk instalasi.
• Prosesor: Intel Core i3 atau yang lebih tinggi.
• Koneksi internet: Diperlukan untuk mengunduh, memperbarui, dan menggunakan fitur
cloud.
3.2 Proses Instalasi
1. Unduh Power BI Desktop dari situs resmi Microsoft ([Link]
2. Jalankan file installer dan ikuti petunjuk instalasi hingga selesai.
3. Buka Power BI Desktop setelah instalasi selesai dan mulai eksplorasi fitur-fiturnya.
4. Login ke akun Microsoft untuk mengakses fitur tambahan.

4. MENGENAL ANTARMUKA POWER BI

4.1 Ribbon Menu
Ribbon Menu berisi berbagai alat yang digunakan untuk mengelola data dan membuat
visualisasi. Beberapa tab utama pada Ribbon Menu di Power BI meliputi:
• Home: Menyediakan opsi untuk mengimpor data, menyegarkan data, serta fitur
transformasi dasar.
• Insert: Digunakan untuk menambahkan elemen visual seperti tabel, grafik, dan slicer ke
dalam laporan.
• Modeling: Memungkinkan pengguna untuk mengelola hubungan antar tabel, membuat
kolom dan ukuran kalkulasi dengan DAX.
• View: Memberikan opsi untuk mengubah tampilan workspace, seperti mode laporan,
mode data, dan mode model.
• Format: Berisi alat untuk menyesuaikan tampilan visualisasi, termasuk warna, font, dan
tata letak.
• Help: Menyediakan akses ke dokumentasi, tutorial, dan komunitas pengguna Power BI.
4.2 Panel Visualisasi
Panel Visualisasi merupakan bagian yang menampilkan berbagai jenis grafik dan elemen visual
yang dapat digunakan dalam laporan. Beberapa elemen utama dalam Panel Visualisasi meliputi:
• Grafik batang dan kolom: Cocok untuk membandingkan nilai antar kategori.
 • Grafik garis: Berguna untuk melihat tren data dari waktu ke waktu.
• Grafik pai dan donat: Digunakan untuk menampilkan proporsi suatu kategori dalam satu
keseluruhan.
• Peta: Untuk menampilkan data berdasarkan lokasi geografis.
• Matriks dan tabel: Menampilkan data dalam format yang lebih terstruktur.
• Slicer: Filter interaktif yang memungkinkan pengguna menyaring data dengan mudah.
• Card: Menampilkan satu nilai agregat, seperti total penjualan atau rata-rata keuntungan.
4.3 Fields Pane
Fields Pane menampilkan tabel dan kolom data yang telah diimpor ke Power BI. Beberapa fungsi
utama Fields Pane antara lain:
• Menampilkan semua tabel dan kolom yang tersedia dalam model data.
• Menyeret kolom ke dalam area visualisasi untuk digunakan dalam grafik atau tabel.
• Membuat dan mengelola kolom kalkulasi dengan menggunakan DAX.
• Menyesuaikan agregasi data, seperti memilih antara sum, average, count, dan lain-lain.
4.4 Report Canvas
Report Canvas adalah area kerja utama tempat pengguna mendesain laporan dan dashboard
dengan menarik elemen visualisasi. Dalam Report Canvas, pengguna dapat:
• Menambahkan dan menyusun visualisasi dengan menyeret elemen dari Panel Visualisasi
dan Fields Pane.
• Mengedit dan menyesuaikan tampilan visualisasi, seperti mengubah warna, label, dan
ukuran grafik.
• Menambahkan interaktivitas, seperti filter silang antar elemen visual.
• Menyusun beberapa halaman laporan untuk menyajikan data dengan lebih terstruktur.

5. MENGHUBUNGKAN DATA KE POWER BI

5.1 Sumber Data yang Didukung
Power BI mendukung berbagai sumber data yang dapat dihubungkan secara langsung atau
melalui koneksi cloud. Beberapa sumber data yang sering digunakan meliputi:
• File: Excel, CSV, JSON, XML.
• Database Relasional: SQL Server, MySQL, PostgreSQL, Oracle Database.
• Layanan Cloud: Google Analytics, Azure, Amazon Redshift, Snowflake.
 • Sumber Online: SharePoint, Dynamics 365, Salesforce, Facebook Ads.
• Koneksi API dan Web: Power BI dapat mengambil data dari REST API dan berbagai
layanan web lainnya.
Dengan dukungan sumber data yang luas, Power BI memungkinkan pengguna untuk
menggabungkan data dari berbagai sistem dan membuat analisis yang lebih komprehensif.
5.2 Menghubungkan Data
Untuk menghubungkan data ke Power BI, ikuti langkah-langkah berikut:
1. Klik "Get Data" pada Power BI Desktop.
2. Pilih sumber data yang diinginkan dari daftar yang tersedia.
3. Masukkan kredensial atau parameter koneksi jika diperlukan, seperti URL API, nama
server, atau file path.
4. Klik "Transform Data" untuk membersihkan dan mengolah data sebelum dimuat ke
dalam laporan.
5. Klik "Load" untuk memuat data ke Power BI dan mulai menggunakannya dalam
visualisasi.

6. MEMBERSIHKAN DAN MENGOLAH DATA

6.1 Power Query Editor
Power Query Editor adalah fitur dalam Power BI yang digunakan untuk membersihkan dan
mengolah data sebelum dianalisis. Dengan Power Query, pengguna dapat melakukan berbagai
transformasi data tanpa harus menulis kode secara manual. Beberapa fungsi utama dari Power
Query Editor meliputi:
• Mengimpor data dari berbagai sumber.
• Membersihkan data yang tidak diperlukan.
• Mengubah format dan tipe data agar sesuai dengan kebutuhan analisis.
• Menggabungkan beberapa tabel atau sumber data.
• Power Query Editor menyediakan antarmuka yang intuitif dengan daftar langkah-langkah
transformasi yang dapat diulang atau diedit kapan saja.
6.2 Operasi Dasar dalam Power Query
Berikut adalah beberapa operasi dasar yang dapat dilakukan di Power Query Editor:
 • Menghapus data duplikat: Menghilangkan baris yang memiliki nilai identik untuk
menghindari redundansi.
• Mengubah tipe data: Mengonversi data ke format yang sesuai, seperti teks, angka, atau
tanggal.
• Menyusun ulang kolom: Mengatur ulang posisi kolom agar lebih sesuai dengan struktur
data yang diinginkan.
• Membuat kolom baru: Menambahkan kolom kustom berdasarkan perhitungan atau
transformasi tertentu.

7. MEMBUAT VISUALISASI DATA

7.1 Jenis Visualisasi
Power BI menyediakan berbagai jenis visualisasi yang dapat digunakan untuk menganalisis dan
menyajikan data dengan cara yang lebih informatif dan menarik. Beberapa jenis visualisasi yang
tersedia di Power BI meliputi:
• Grafik Batang (Bar Chart): Digunakan untuk membandingkan kategori data berdasarkan
nilai numerik.
• Grafik Garis (Line Chart): Cocok untuk menampilkan tren data dalam periode waktu
tertentu.
• Peta Geografis (Map Visualization): Menampilkan data berbasis lokasi dengan titik-titik
atau warna yang merepresentasikan nilai tertentu.
• Pie Chart: Menampilkan distribusi data dalam bentuk proporsi berbasis persentase.
• Grafik Area (Area Chart): Menggabungkan elemen grafik garis dengan area berwarna
untuk menunjukkan volume data.
• Matriks dan Tabel: Digunakan untuk menampilkan data dalam bentuk tabel yang
interaktif.
• Treemap: Menyajikan data dalam bentuk kotak-kotak yang menunjukkan proporsi
masing-masing kategori.
• Gauge Chart: Menampilkan nilai terhadap skala tertentu, berguna untuk KPI (Key
Performance Indicators).
• Card Visualization: Menampilkan nilai tunggal dalam format yang lebih jelas untuk
menyoroti angka penting.
7.2 Menambahkan Visualisasi
Untuk menambahkan visualisasi di Power BI, ikuti langkah-langkah berikut:
1. Pilih tipe visualisasi dari panel Visualizations yang terdapat di sisi kanan layar Power BI.
2. Seret dan letakkan field dari panel Fields ke dalam area visualisasi.
3. Sesuaikan tampilan visualisasi dengan mengubah warna, label, ukuran, atau format
lainnya melalui tab Format.
4. Tambahkan filter atau slicer untuk memberikan interaktivitas pada visualisasi.
5. Kombinasikan berbagai jenis visualisasi dalam satu laporan untuk analisis yang lebih
komprehensif.

8. MEMBUAT DASHBOARD DAN LAPORAN

8.1 Dashboard vs Laporan
Dalam Power BI, terdapat perbedaan mendasar antara laporan dan dashboard:
• Laporan: Berisi beberapa halaman dengan berbagai visualisasi data. Laporan bersifat
lebih mendetail dan memungkinkan eksplorasi data yang lebih dalam.
• Dashboard: Merupakan ringkasan dari beberapa laporan yang disajikan dalam satu
tampilan interaktif. Dashboard dapat menampilkan data dari berbagai sumber dalam satu
halaman.
• Keunggulan dashboard adalah kemampuannya untuk menyajikan informasi yang cepat
dan ringkas bagi pengambil keputusan, sedangkan laporan lebih cocok untuk analisis
mendalam.
8.2 Membuat Dashboard
Untuk membuat dashboard yang efektif di Power BI, ikuti langkah-langkah berikut:
• Susun berbagai visualisasi dalam satu halaman: Pilih elemen-elemen visual yang paling
relevan untuk ditampilkan.
• Gunakan fitur interaksi: Tambahkan filter, slicer, dan drill-through untuk meningkatkan
analisis data.
• Simpan dan bagikan dashboard: Gunakan Power BI Service untuk menyimpan dan
membagikan dashboard kepada tim atau organisasi.
• Tambahkan KPI dan Card Visualization: Menampilkan indikator utama untuk
mempermudah pemantauan performa bisnis.
 • Sesuaikan desain dashboard: Gunakan tema, warna, dan tata letak yang profesional agar
dashboard lebih mudah dibaca dan menarik.

9. MEMBUAT DAX (DATA ANALYSIS EXPRESSIONS)

9.1 Apa Itu DAX?
DAX (Data Analysis Expressions) adalah bahasa pemrograman yang digunakan di Power BI
untuk membuat perhitungan dan manipulasi data. DAX memungkinkan pengguna untuk
membuat kolom terhitung (calculated columns), ukuran (measures), dan tabel terhitung
(calculated tables).
DAX digunakan dalam berbagai skenario, seperti:
• Menjumlahkan nilai dalam suatu kolom.
• Menghitung rata-rata atau jumlah baris tertentu.
• Membuat perhitungan kustom untuk analisis data yang lebih kompleks.
• Menggunakan ekspresi logika untuk menyaring dan mengolah data.
9.2 Fungsi Dasar DAX
Berikut adalah beberapa fungsi dasar dalam DAX yang sering digunakan di Power BI:
• SUM: SUM(ColumnName), digunakan untuk menjumlahkan semua nilai dalam kolom
tertentu.
• AVERAGE: AVERAGE(ColumnName), menghitung rata-rata nilai dalam kolom
tertentu.
• COUNT: COUNT(ColumnName), menghitung jumlah baris dalam dataset.
• MAX: MAX(ColumnName), mengembalikan nilai maksimum dalam kolom tertentu.
• MIN: MIN(ColumnName), mengembalikan nilai minimum dalam kolom tertentu.
• IF: IF(Condition, Result1, Result2), digunakan untuk membuat logika percabangan
dalam perhitungan.
• RELATED: RELATED(ColumnName), digunakan untuk mengambil data dari tabel lain
yang memiliki hubungan.
• CALCULATE: CALCULATE(Expression, Filters), digunakan untuk menghitung nilai
berdasarkan kondisi tertentu.
 • DAX memungkinkan analisis data yang lebih mendalam dengan membuat perhitungan
yang lebih kompleks dan dinamis. Dengan pemahaman yang baik tentang DAX,
pengguna dapat memaksimalkan potensi analisis data di Power BI.

10. BERBAGI DAN MEMPUBLIKASIKAN LAPORAN

10.1 Mengunggah ke Power BI Service
Power BI Service memungkinkan pengguna untuk menyimpan, membagikan, dan mengelola
laporan secara online. Untuk mengunggah laporan dari Power BI Desktop ke Power BI Service,
ikuti langkah-langkah berikut:
1. Klik "Publish" di Power BI Desktop.
2. Masuk ke akun Microsoft jika belum masuk.
3. Pilih workspace yang tersedia untuk menyimpan laporan.
4. Tunggu proses unggahan selesai, lalu akses laporan di Power BI Service.
Keunggulan Power BI Service:
• Memungkinkan kolaborasi tim dalam satu platform.
• Memudahkan pembaruan laporan tanpa perlu mengirim file secara manual.
• Menyediakan fitur keamanan dan kontrol akses yang fleksibel.
10.2 Berbagi Laporan
Setelah laporan berhasil diunggah ke Power BI Service, pengguna dapat membagikannya dengan
cara berikut:
• Bagikan melalui tautan Power BI Service:
o Buka laporan di Power BI Service.
o Klik tombol "Share".
o Salin tautan dan kirimkan ke pengguna lain.
• Atur izin akses bagi pengguna tertentu:
o Pilih individu atau grup yang diperbolehkan mengakses laporan.
o Tentukan apakah pengguna hanya dapat melihat atau juga dapat mengedit laporan.
o Gunakan fitur row-level security (RLS) untuk membatasi data yang dapat dilihat
oleh masing-masing pengguna.
• Menyematkan laporan ke dalam aplikasi lain:
o Gunakan fitur "Embed" untuk menyematkan laporan ke dalam SharePoint,
Microsoft Teams, atau situs web.
o Integrasikan dengan Power Apps atau Dynamics 365 untuk pengalaman bisnis
yang lebih terhubung.
 TEKNIK PELAKSANAAN PROJECT BASE LEARNING
MATA KULIAH BUSINESS INTELEGENT

A. Pembentukan TIM
Pembentukan tim merupakan langkah awal yang penting dalam pelaksanaan project base
learning mata kuliah Business Intelligence. Proses ini bertujuan untuk menciptakan tim yang
solid dengan kemampuan dan latar belakang yang saling melengkapi, sehingga mampu
menjalankan setiap tahapan proyek secara efektif dan efisien.
1. Tim sudah terbentuk pada minggu ke 1-3
2. Dosen mengarahkan pembentukan tim. Tim terdiri 1 ketua, 4/5 anggota (menyesuaikan
jumlah mahasiswa disetiap kelas
3. Penting, dipastikan kelompok yang terbentuk sama untuk mata kuliah lainya yang ada
disemester 4

B. Pembuatan modul praktikum

Pembuatan modul praktikum merupakan tahap penting dalam teknik pelaksanaan
project-based learning pada mata kuliah Business Intelligence. Modul ini dirancang sebagai
panduan utama yang memuat langkah-langkah praktis, konsep utama, dan studi kasus yang
relevan untuk membantu tim memahami dan mengimplementasikan ke dalam praktik secara
terstruktur.
1. Masing-masing tim wajib membuat modul praktik yang dilengkapi dengan studi kasus
business intelegent dengan power BI
2. Sumber data dapat dipilih melalui link [Link]
bi-practice atau sumber lainnya
3. Atau Masing-masing tim menggunakan metode Demontration (mempraktekan) dari tutorial
baik dari buku, e-book, youtube. Apabila diambil dari youtube, pastikan pada diskripsinya
dilengkapi dataset. Berikut beberapa contoh yang dapat dijadikan referensi materi projek
yang akan diajarkan kepada orang lain:
- [Link]
- [Link]
- [Link]
CUw_n2VuF1Xt6V&index=4
 - [Link]
CUw_n2VuF1Xt6V&index=12
- dll

4. Contoh judul modul

- Membangun Sistem Visualisasi Data Menggunakan Power BI
- Teknik Kreatif Mendesain Visualisasi Data yang Efektif
- Membangun Dashboard Interaktif untuk Pengambilan Keputusan
- Analisis Real Time Menggunakan Power BI
- Visualisasi Data Dan Informasi Semudah Klik Mouse
5. Sistematika penyusunan modul disesuaikan dengan judul yang sudah disepakati masing-
masing tim
6. Contoh cover modul terlampir.

C. Target Peserta
Target peserta dalam pelaksanaan project-based learning pada mata kuliah Business
Intelligence ditentukan untuk memastikan ketercapaian tujuan pembelajaran secara optimal.
1. Prioritas utama peserta siswa/wi tingkat SLTA/Organisasi Sekolah/Karang Taruna
2. Alternatif lain apabila point 1 mengalami kendala perizinan, maka peserta adalah
mahasiswa/wi UBSI semester 1/2/3
D. Permohonan Kegiatan Project-Based Learning
Permohonan kegiatan Project-Based Learning dalam mata kuliah Business Intelligence
bertujuan untuk mendapatkan persetujuan dan dukungan dari pihak terkait.
1. Proses pemilihan mitra sudah dilakukan pada minggu ke 1 s.d 3
2. Tim mengajukan surat permohonan pelaksanaan Project-Based Learning dengan
menggunakan template yang dapat di unduh Pengajuan dapat dilaksanakan pada minggu
ke 1 s.d 4
3. Prodi akan melengkapi surat pengantar dan akan mengirimkan email ke ketua tim
4. Tim dapat menyampaikan ke mitra pada minggu ke 4 s.d 7
5. Untuk mitra sekolah dapat dipilih sekolah asal dari salah satu anggota kelompok (sebagai
alumni), atau relasi sekolah dengan UBSI, atau sesuai kesepakatan kelompok
E. Berbagi Peran TIM
Berbagi peran tim dalam pelaksanaan project-based learning mata kuliah Business
Intelligence sangat penting untuk memastikan setiap anggota dapat berkontribusi sesuai dengan
keahlian dan tanggung jawab masing-masing. Pembagian peran yang jelas akan mendukung
koordinasi yang efektif dan meningkatkan kinerja tim dalam mencapai tujuan proyek secara
bersama-sama.
Tabel D.1 Pembagian Tugas Pra Kegiatan
Pembagian Tugas
No NIM Nama Perizinan
Membuat Mengunduh Membuat
ke ….. ….. …..
cover modul dataset flyer
sekolah
1 999999 XXXXX √ √

2 999999 XXXXX √ √

3 999999 XXXXX √ √

4 999999 XXXXX √

5 999999 XXXXX √

Hanya contoh pembagian tugas pra kegiatan

Tabel D.2 Pembagian Peran Edukator
Pembagian Peran dalam penyampaian materi

No NIM Nama Peran BI

Unduh Pres
dalam dunia ….. ….. ….. Dokumentasi
dataset release
bisnis
1 999999 XXXXX √ √

2 999999 XXXXX √ √

3 999999 XXXXX √ √

4 999999 XXXXX √

5 999999 XXXXX √

Catatan: Peran yang ada ditabel adalah peran sebagai edukator yang menyampaikan materi
yang sudah dipersiapkan, dan dari sisi teknis misalnya dokumentasi, pres release.

F. Form Penilaian
Form penilaian dalam pelaksanaan project-based learning pada mata kuliah Business
Intelligence, dibagi menjadi 2:
1. Form penilaian peserta. Pada akhir pelaksanaan edukasi, peserta memberikan penilaian
dengan format sebagai berikut:
No Pertanyaan Jawaban Anda (Centang ✓)

1 Materinya menarik ☐ Sangat Setuju (4) ☐ Setuju (3) ☐ Tidak Setuju (2) ☐ Sangat Tidak Setuju (1)

2 Semua mahasiswa ☐ Sangat Setuju (4) ☐ Setuju (3) ☐ Tidak Setuju (2) ☐ Sangat Tidak Setuju (1)
memberikan materi

3 Mahasiswa ramah ☐ Sangat Setuju (4) ☐ Setuju (3) ☐ Tidak Setuju (2) ☐ Sangat Tidak Setuju (1)
dan membantu
peserta
4 Saya jadi tahu hal ☐ Sangat Setuju (4) ☐ Setuju (3) ☐ Tidak Setuju (2) ☐ Sangat Tidak Setuju (1)
baru tentang Business
Intelligence yang
belum pernah saya
tahu sebelumnya.
5 Kegiatan ini ☐ Sangat Setuju (4) ☐ Setuju (3) ☐ Tidak Setuju (2) ☐ Sangat Tidak Setuju (1)
menyenangkan dan
bermanfaat untuk
saya.

Kategori Nilai
Jawaban Nilai Bobot (%)

Sangat setuju 80-100 40%

Setuju 70-79 30%
Cukup 60-69 15%
Kurang 31-59 10%
Sangat Kurang 0-30 5%

Contoh menghitung kuesiner ke 1 (Q1):

Bobot
No Pertanyaan Jawaban Peserta Skor Nilai
(%)

Materinya menarik dan

1 Setuju (✓) 79 30% 23,7
mudah dimengerti

2 Cara penyampaiannya asyik Sangat Setuju (✓) 100 40% 40

3 Edukatornya ramah Setuju (✓) 79 30% 23,7

4 Saya jadi tahu hal baru Setuju (✓) 79 30% 23,7

 5 Kegiatan ini menyenangkan Sangat Setuju (✓) 100 40% 40

Total Q1 151,1

Contoh menghitung kuesiner ke 2 (Q2):

2.

Bobot
No Pertanyaan Jawaban Anda Skor Nilai
(%)

Materinya menarik dan

1 Sangat Setuju (✓) 100 40% 40
mudah dimengerti.

2 Cara penyampaiannya asyik. Sangat Setuju (✓) 100 40% 40

3 Edukatornya ramah. Sangat Setuju (✓) 98 40% 39,2

4 Saya jadi tahu hal baru. Setuju (✓) 79 30% 23,7

5 Kegiatan ini menyenangkan. Sangat Setuju (✓) 100 40% 40

Total Q2 182,9
 Bobot
No Pertanyaan Jawaban Anda Skor Nilai
(%)

Materinya menarik dan

1 Sangat Setuju (✓) 100 40% 40
mudah dimengerti.

2 Cara penyampaiannya asyik. Sangat Setuju (✓) 100 40% 40

3 Edukatornya ramah. Sangat Setuju (✓) 98 40% 39,2

4 Saya jadi tahu hal baru. Setuju (✓) 79 30% 23,7

5 Kegiatan ini menyenangkan. Sangat Setuju (✓) 100 40% 40

Total Q2 182,9

3. Nilai akhir berdasarkan kuesioner, dipergunakan untuk menghitung seluruh nilai

berdasarkan kuesioner yang telah diisi oleh peserta

Perhitungan Nilai Akhir Berdasarkan Kuesioner

Nilai Akumulasi Nilai Nilai Maksimum

Total Q1 151,1 75,55 200

 Total Q2 182,9 91,45

Total Q3 151,1 75,55

Total Q4 151,1 75,55

Total Q5 151,1 75,55

Nilai Akhir 78,73

Akumulasi Nilai= (Nilai/Nilai Maksimum)*100

Penjelasan detail melalui simulai dengan excel

4. Penilaian Tanggungjawab dan kerjasama kelompok

Penilaian dilakukan oleh ketua tim yang diberikan kepada anggotanya secara obyektif
dengan memperhatikan 2 peran, seperti dalam tabel berikut:

Nama tim :xxxxx999999

NIM :99999999999
Nama : xxxxxxxxxxxxxxxx
Mata Kuliah : Business Intelegent
Keterangan : Penilaian dilaksanakan oleh Ketua TIM terhadap anggota tim

Kerjasama
Tanggangjawab (Terlibat aktif
No NIM Nama (Melaksanakan tugas dalam bekerja
individu dengan baik) kelompok)
Nilai :0-100 Nilai :0-100
1 99999999 xxxxxxxxxxxxxx 100 100
2 99999999 xxxxxxxxxxxxxx 100 100
3 99999999 xxxxxxxxxxxxxx 100 100
4 99999999 xxxxxxxxxxxxxx 100 100
5 99999999 xxxxxxxxxxxxxx 100 100
6 99999999 xxxxxxxxxxxxxx 100 100

5. Nilai Akhir Mata Kuliah

Nilai akhir mata kuliah ditentukan dari Nilai akhir berdasarkan kuesioner, Penilaian
Tanggungjawab dan kerjasama kelompok.
 Nilai Akhir
Matkul
Nilai akhir Penilaian
Business
No NIM Nama berdasarkan Tanggungjawab dan
Intelegent
kuesioner kerjasama kelompok
(formula
average)
1 99999999 xxxxxxxxxxxxxx 78,73 100 89
2 99999999 xxxxxxxxxxxxxx 100 100 100
3 99999999 xxxxxxxxxxxxxx 80 80 80
4 99999999 xxxxxxxxxxxxxx 100 100 100
5 99999999 xxxxxxxxxxxxxx 100 100 100
6 99999999 xxxxxxxxxxxxxx 100 100 100
ke-n 99999999 xxxxxxxxxxxxxx 99 99

G. Pelaksanaan Edukasi
Teknis pelaksanaan edukasi dalam kegiatan project-based learning pada mata kuliah
Business Intelligence dirancang untuk memastikan transfer pengetahuan dan keterampilan
berlangsung secara efektif. Edukator berperan sebagai fasilitator kepada peserta dalam
memahami konsep, menerapkan analisis, serta memecahkan permasalahan berdasarkan studi
kasus yang relevan.
a. Pelaksanaan edukasi dapat dilakukan diantara minggu ke 13,14,15
b. Drescode:
1. Wajib pakaian rapi, sepatu dan mengenakan almamater
2. Dilarang mengenak kaos, sandal
c. Media edukasi:
1. Membawa laptop
2. Mempersiapkan materi studi kasus dan pembahasan.
3. Kelompok mempersiapkan form presensi peserta pelatihan dengan format sebagai
berikut:
 PRESENSI TRAINING MATA KULIAH BUSINESS INTELEGENCE
PROGRAM STUDI SISTEM INFORMASI

Nama Kelompok :
Ketua Kelompok : [NIM-NAMA]
Anggota 1 : [NIM-NAMA]
Anggota 2 : [NIM-NAMA]
Anggota 3 : [NIM-NAMA]
Anggota 4 : [NIM-NAMA]
FORM PESERTA TRAINING

NO NAMA NO. HP TANDA

TANGAN

1 xxxxxxxxxxxxxxxxxxx 999999999999 xxxxxxxxx

2 xxxxxxxxxxxxxxxxxxx 999999999999 xxxxxxxxx

3 xxxxxxxxxxxxxxxxxxx 999999999999 xxxxxxxxx

Dst... xxxxxxxxxxxxxxxxxxx 999999999999 xxxxxxxxx

4. Setiap kelompok wajib mendokumentasikan dalam bentuk flyer (sebelum pelaksanaan),

foto maupun video (pada saat pelaksanaan), WAJIB upload dimedia sosial masing-
masing mahasiswa.
5. Kelompok membawa Form penilaian yang wajib diisi oleh peserta (siswasiswi
SMK/SMA/MA, Karang Taruna) pada saat pelaksanaan trainning selesai. Form penilaian
sudah dipersiapkan oleh Unit Pengembangan Akademik Program Studi Sistem
Informasi. Hasil penilaian tersebut akan menjadi point dalam penilaian project.
d. Pada pertemuan 15 proses perhitungan nilai akhir mata kuliah, masing-masing kelompok
menyerahkan laporan kepada dosen pengampu, sebagai berikut:
1) Upload di google drive dengan akses public. Folder File dengan nama:
“Matakuliah_kelas_nama_kelompok”, yang berisikan:
a) Folder Dokumentasi: Kumpulan foto dan video
b) Folder Mater: berisi softcopy materi
 c) Folder Presensi dan Kuesioner: berisi hasil Scan form kuestioner, form presensi
peserta
2) Link google drive dikirim ke email:
a) To: dosen pengampu
b) CC:sid3ubsi@[Link],prodisidata@[Link]
 Minggu ke 4
Persiapan dan Transformasi Data

Transformasi Data dalam mata kuliah Business Intelligence (BI) adalah proses
mengubah data mentah (raw data) menjadi format yang lebih terstruktur, bersih, dan
sesuai untuk dianalisis. Proses ini sangat penting dalam BI karena data yang berasal
dari berbagai sumber sering kali memiliki format yang berbeda, tidak lengkap, atau
terdapat nilai yang tidak valid.

Pengertian Transformasi Data

Transformasi data adalah tahap dalam proses Extract, Transform, Load (ETL) di mana
data yang telah diambil dari berbagai sumber (Extract) diubah ke dalam format yang
sesuai untuk dianalisis sebelum dimasukkan ke dalam sistem penyimpanan data
(Load).

Tujuan Transformasi Data

• Membersihkan data dari error atau data duplikat.
• Menggabungkan data dari berbagai sumber.
• Mengkonversi format data (misalnya tanggal, mata uang, atau tipe data).
• Normalisasi atau denormalisasi data.
• Membuat kolom baru berdasarkan data yang ada (derivasi data).
• Menyaring data yang tidak relevan.
• Melakukan agregasi data (misalnya menghitung total, rata-rata, atau jumlah).

Contoh Proses Transformasi Data:

Proses Contoh
Pembersihan Data Menghapus data duplikat atau kosong.
Konversi Data Mengubah format tanggal dari DD-MM-YYYY ke YYYY-MM-DD.
Derivasi Data Membuat kolom "Total Harga" dari hasil perkalian Jumlah * Harga.
Agregasi Data Menghitung total penjualan berdasarkan bulan.
Filtering Data Hanya mengambil data transaksi yang memiliki status "Lunas".
Tools yang Digunakan dalam Transformasi Data
• Microsoft Power BI (Power Query)
• Python (Pandas)
• SQL (Query JOIN, Function, dan Aggregation)
• Talend
• Apache Nifi
• Microsoft Excel (untuk data sederhana)

Transformasi data sangat penting dalam Business Intelligence untuk memastikan data
yang digunakan dalam analisis benar-benar bersih, akurat, dan relevan. Proses ini
berperan dalam meningkatkan kualitas informasi yang dihasilkan sehingga
mendukung pengambilan keputusan yang lebih efektif.

Transformasi data menggunakan Power Query di Microsoft Excel atau Power BI

adalah proses penting dalam membersihkan dan merapikan data sebelum dianalisis
lebih lanjut.

Teknik dasar yang bisa dilakukan dengan Power Query:

1. Filtering (Menyaring Data): misalnya hanya menampilkan data pada rentang waktu
tertentu atau dengan nilai tertentu. Caranya adalah dengan memilih kolom yang
ingin difilter, lalu gunakan opsi Filter di bagian atas tabel.
Sorting (Mengurutkan Data): misalnya dari nilai tertinggi ke terendah atau dari A ke
Z. Pilih kolom diurutkan, kemudian pilih Sort Ascending atau Sort Descending.
2. Renaming (Mengganti Nama Kolom): agar lebih jelas dan deskriptif, klik kanan
pada nama kolom dan memilih Rename, lalu ketikkan nama baru.
3. Removing Duplicates (Menghapus Data Duplikat): untuk memastikan tidak ada
data yang berulang. Pilih kolom yang ingin diperiksa duplikatnya, kemudian pilih
Remove Duplicates
4. Splitting Columns (Memisahkan Kolom): satu kolom menjadi beberapa kolom,
misalnya memisahkan nama depan dan nama belakang yang ada di satu kolom.
Pilih kolom yang ingin dipecah, lalu gunakan opsi Split Column berdasarkan
delimiter (misalnya koma atau spasi).
5. Merging Columns (Menggabungkan Kolom): Gabung dua atau lebih kolom
menjadi satu misalnya menggabungkan nama depan dan belakang. Pilih kolom-
kolom yang ingin digabungkan, lalu gunakan Merge Columns dan tentukan
delimiter yang diinginkan.
6. Replacing Values (Mengganti Nilai): mengganti semua entri "N/A" dengan kosong.
Pilih kolom, klik kanan, dan pilih Replace Values, lalu masukkan nilai lama dan nilai
penggantinya.
7. Transforming Data Types (Mengubah Jenis Data): misalnya dari teks menjadi
angka atau dari angka menjadi tanggal. Klik kanan pada header kolom, pilih
Change Type, dan tentukan tipe data yang diinginkan.
8. Appending and Merging Queries (Menambahkan dan Menggabungkan Kuari):
menggabungkan dua set data atau lebih yang memiliki struktur sama (Append)
atau menggabungkan berdasarkan relasi antar tabel (Merge). Gunakan opsi
Append Queries untuk menambahkan data atau Merge Queries untuk
penggabungan data.

Ada 2 cara:
• Melalui menu Home -> Get Data -> Pilih Jenis Datanya -> Connect -> Pilih datanya
-> Ok
• Transform Data -> New Source -> Pilih Jenis Datanya -> Connect -> Pilih datanya
-> Ok -> Cek Datanya -> Close and Apply
Contoh Studi Kasus: Analisis Penjualan Toko Online

Dalam latihan ini, mahasiswa diminta melakukan proses transformasi data

menggunakan Power BI (Power Query) untuk menganalisis data penjualan dari
sebuah toko online.

Deskripsi Latihan
Toko online memiliki data penjualan dalam format Excel dengan struktur sebagai
berikut:
Order_ID Tanggal Produk Kategori Jumlah Harga_Satuan Status_Pesanan
1 10/02/2024 Laptop Elektronik 2 7.000.000 Lunas
2 11/02/2024 Mouse Aksesoris 5 150.000 Pending
3 12/02/2024 Keyboard Aksesoris 3 300.000 Lunas
4 Charger Aksesoris 4 200.000 Lunas
5 13/02/2024 Headset 2 400.000 Batal

Instruksi Latihan
1. Import Data ke Power BI
o Buka Power BI.
o Pilih Home → Get Data → Excel → Pilih File [Link].
2. Transformasi Data (Power Query)

Transformasi Deskripsi
Pembersihan Data Hapus baris kosong dan data dengan Tanggal kosong.
Konversi Format Tanggal Ubah format tanggal menjadi YYYY-MM-DD.
Tambah Kolom Baru Buat kolom baru Total Harga = Jumlah * Harga_Satuan.
Filtering Data Hanya tampilkan data dengan Status_Pesanan = Lunas.
Pengisian Data Kosong Isi data kosong pada kolom Kategori dengan "Tidak Ada".

Hasil Transformasi

Jum Total Status_

Order_ID Tanggal Produk Kategori Harga_Satuan
lah Harga Pesanan
1 10/02/2024 Laptop Elektronik 2 7.000.000 14.000.000 Lunas
3 12/02/2024 Keyboard Aksesoris 3 300.000 900.000 Lunas
4 13/02/2024 Charger Aksesoris 4 200.000 800.000 Lunas
Tugas Mahasiswa:

1. Lakukan seluruh proses transformasi data seperti di atas.

2. Buat visualisasi penjualan per kategori dalam bentuk Bar Chart.
3. Hitung Total Penjualan per Tanggal menggunakan Card Visualization.
4. Buat diagram pie untuk melihat distribusi jumlah produk terjual.

Output yang Diharapkan

Data sudah bersih dan terstruktur.

Kolom baru Total Harga sudah ditambahkan.

Hanya data dengan status "Lunas" yang digunakan dalam analisis.

Tersedia laporan visualisasi sederhana.

Kesimpulan

Latihan ini membantu mahasiswa memahami bagaimana proses transformasi data

dilakukan dalam dunia nyata menggunakan Power BI. Proses ini penting untuk
memastikan data yang digunakan dalam analisis adalah data yang berkualitas dan
relevan.
 Minggu ke 5
Pengolahan Data

Di Microsoft Power BI, pembuatan kolom dan tabel baru sangat bermanfaat untuk
menambah dimensi, kalkulasi, atau informasi tambahan yang membantu analisis
data.

Cara membuat custom columns, calculated columns, dan tables di Power BI:

1. Custom Columns (Kolom Kustom) di Power Query Editor

• Tujuan: Membuat kolom baru berdasarkan aturan atau kalkulasi tertentu.
• Langkah-langkah:
1. Buka Power Query Editor di Power BI dengan memilih Transform Data.
2. Di tab Add Column, pilih Custom Column.
3. Pada jendela Custom Column, beri nama kolom baru dan masukkan formula
atau kalkulasi untuk kolom tersebut menggunakan Power Query M
Language.
4. Klik OK untuk menambahkan kolom kustom ke tabel.
 • Contoh Penggunaan:
Misalnya, buat kolom baru yang mengklasifikasikan data penjualan
berdasarkan jumlah transaksi. Formula dapat berupa = if [Sales] > 5000 then
"High" else "Low".

2. Calculated Columns (Kolom Terkalkulasi) di Model Data

• Tujuan: Membuat kolom baru dengan kalkulasi khusus berdasarkan data yang
sudah ada dalam model data.
• Langkah-langkah:
1. Di Report View atau Data View, pilih tabel tempat Anda ingin menambah
kolom baru.
2. Klik New Column di tab Modeling.
3. Gunakan bahasa DAX (Data Analysis Expressions) untuk mendefinisikan
kalkulasi atau fungsi yang Anda inginkan.
4. Beri nama dan rumus untuk kolom, lalu tekan Enter.
• Contoh Penggunaan:
Misalnya, untuk menambahkan kolom yang menghitung Total Penjualan
setelah pajak sebesar 10%, bisa digunakan formula:
TotalSalesAfterTax = Sales[TotalSales] * 1.1

3. Calculated Tables (Tabel Terkalkulasi)

• Tujuan: Membuat tabel baru yang dihasilkan dari hasil kalkulasi atau
transformasi tabel lain, misalnya untuk agregasi data atau subset data tertentu.
• Langkah-langkah:
1. Di Power BI, pilih Modeling dan klik New Table.
2. Gunakan bahasa DAX untuk mendefinisikan isi tabel baru. Formula tabel
ini bisa berupa fungsi-fungsi agregasi, seperti SUMMARIZE, FILTER, atau
ADDCOLUMNS.
3. Tabel baru akan ditambahkan ke model data Anda.
 • Contoh Penggunaan:
1. Membuat tabel agregasi untuk total penjualan per kategori produk:
SalesByCategory = SUMMARIZE(Sales, Products[Category], "TotalSales",
SUM(Sales[SalesAmount]))
2. Membuat subset data hanya untuk penjualan di atas nilai
tertentu:HighValueSales = FILTER(Sales, Sales[SalesAmount] > 5000)

4. Using Measures (Menggunakan Ukuran untuk Kalkulasi Dinamis)

• Tujuan: Membuat kalkulasi dinamis yang tidak bergantung pada baris, tetapi
pada konteks filter di visualisasi.
• Langkah-langkah:
1. Pilih New Measure di tab Modeling.
2. Ketik formula menggunakan DAX untuk membuat ukuran atau perhitungan
yang akan berubah sesuai dengan filter atau konteks visual.
• Contoh Penggunaan:
Menghitung persentase penjualan per kategori:
SalesPercentage=DIVIDE(SUM(Sales[SalesAmount]),
CALCULATE(SUM(Sales[SalesAmount]), ALL(Sales)), 0)

Tips Tambahan:
• Kolom Terkalkulasi umumnya lebih sesuai untuk kalkulasi tetap yang tidak
bergantung pada filter kontekstual.
• Measures lebih fleksibel untuk digunakan dalam visualisasi karena akan
menghitung ulang nilainya berdasarkan filter yang diterapkan.
• Gunakan Calculated Tables untuk tabel referensi, agregasi, atau subset data
yang tidak bisa dihasilkan di Power Query Editor.

Pembuatan kolom dan tabel ini memberi fleksibilitas tinggi dalam menyiapkan data
untuk analisis lanjutan di Power BI.
Contoh Soal Latihan Business Intelligence (BI) Power BI
Materi: Transformasi Data dengan Power BI
Topik: Custom Columns, Calculated Columns, Calculated Tables, dan Measures

Soal Latihan
Dataset (Penjualan Toko Online)
Download atau buat dataset dengan nama [Link] dengan data berikut:

Order_ID Tanggal Produk Kategori Jumlah Harga_Satuan Status_Pesanan

1 10/02/2024 Laptop Elektronik 2 7.000.000 Lunas

2 11/02/2024 Mouse Aksesoris 5 150.000 Pending
3 12/02/2024 Keyboard Aksesoris 3 300.000 Lunas
4 13/02/2024 Charger Aksesoris 4 200.000 Lunas
5 14/02/2024 Headset Aksesoris 2 400.000 Batal

1. Custom Columns (Kolom Kustom) di Power Query Editor

Soal: Gunakan Power Query Editor untuk membuat kolom baru dengan nama
Total_Harga yang menghitung total harga berdasarkan:
Total_Harga = Jumlah * Harga_Satuan

Instruksi:
1. Import dataset ke Power BI.
2. Buka Power Query Editor.
3. Tambahkan kolom baru dengan menggunakan fitur Custom Column.
4. Simpan dan Load data kembali ke Power BI.

2. Calculated Columns (Kolom Terkalkulasi) di Model Data

Soal:
Buat Calculated Column baru di dalam Data Model dengan nama Status
Keterangan yang berisi:
• "Lunas" jika Status_Pesanan = "Lunas"
• "Belum Lunas" jika Status_Pesanan = "Pending"
• "Batal" jika Status_Pesanan = "Batal"
Gunakan rumus DAX:
DAX
CopyEdit
Status_Keterangan =
IF(
Penjualan[Status_Pesanan] = "Lunas", "Lunas",
IF(Penjualan[Status_Pesanan] = "Pending", "Belum Lunas", "Batal")
)

Instruksi:
1. Masuk ke tab Modeling.
2. Pilih New Column.
3. Masukkan rumus di atas.
4. Tampilkan hasilnya di tabel visualisasi.

3. Calculated Tables (Tabel Terkalkulasi)

Soal:
Buat tabel baru dengan nama Penjualan_Lunas yang hanya berisi data dengan
status Lunas.
Gunakan DAX berikut:
DAX
CopyEdit
Penjualan_Lunas =
FILTER(Penjualan, Penjualan[Status_Pesanan] = "Lunas")
Instruksi:
1. Masuk ke tab Modeling.
2. Pilih New Table.
3. Masukkan rumus di atas.
4. Tampilkan hasilnya di tabel visual.
4. Using Measures (Ukuran untuk Kalkulasi Dinamis)
Soal:
Buat Measure untuk menghitung total penjualan hanya untuk pesanan yang Lunas
dengan rumus DAX:
DAX
CopyEdit
Total_Penjualan_Lunas =
CALCULATE(
SUM(Penjualan[Total_Harga]),
Penjualan[Status_Pesanan] = "Lunas"
)
Instruksi:
1. Masuk ke tab Modeling.
2. Pilih New Measure.
3. Masukkan rumus di atas.
4. Tampilkan hasilnya menggunakan Card Visualization.

Tugas Tambahan (Bonus):

Buat Dashboard dengan komponen berikut:
• Bar Chart: Total Penjualan berdasarkan Kategori
• Card Visualization: Total Penjualan Lunas
• Pie Chart: Persentase Status Pesanan

Output Akhir yang Diharapkan:

Custom Column menampilkan kolom Total Harga

Calculated Column menampilkan status keterangan

Calculated Table hanya menampilkan data pesanan lunas

Measure menampilkan total penjualan lunas

Visualisasi dalam bentuk Dashboard

Format Pengumpulan:
• File Power BI (.pbix)
• Screenshot tiap tahapan
• Deskripsi singkat tentang proses yang dilakukan

Nilai Tambahan:
Buat slicer untuk filter data berdasarkan:
• Tanggal
• Kategori
 Minggu ke 6-7
Pemodelan Data dan Mengelola Relationships Antar Tabel
Project BI: analisis_sales

A. Apa itu Pemodelan Data?

Pemodelan data adalah proses merancang struktur data untuk kebutuhan sistem informasi, yang mencakup
bagaimana data disusun, dihubungkan, dan dikelola. Dalam sebuah sistem informasi, data biasanya disimpan
dalam tabel yang berisi baris dan kolom. Baris (records) menggambarkan entitas individu, sedangkan kolom
(fields) menggambarkan atribut atau properti dari entitas tersebut.

B. Mengapa Pemodelan Data Penting?

Pemodelan data sangat penting dalam membangun database yang efisien, terutama dalam sistem yang
membutuhkan scalability dan kinerja yang tinggi. Dengan menggunakan pemodelan data yang baik,
perusahaan dapat:
1. Meningkatkan kinerja query: Karena data disusun dengan baik, sistem dapat melakukan pencarian lebih
cepat.
2. Memudahkan pengelolaan data: Data yang terstruktur dengan baik akan lebih mudah diperbarui dan
dikelola.
3. Menghindari redundansi data: Dengan memisahkan data menjadi tabel-tabel yang saling berhubungan,
data analis bisa mengurangi duplikasi data, sehingga memperkecil kemungkinan inkonsistensi.

C. Hubungan antara Pembahasan Membuat dan Mengelola Hubungan Antar Tabel dalam Business
Intelligence (BI) dengan Konsep Basis Data
Pemodelan data dalam Business Intelligence (BI) sangat erat kaitannya dengan konsep basis data.
Konsep basis data, seperti pengelolaan relasi antar tabel dan struktur data, menjadi dasar yang sangat penting
dalam BI. Dalam BI, data yang disimpan dalam sistem informasi perlu diorganisir dengan cara yang
memudahkan analisis dan pembuatan laporan. Oleh karena itu, relasi antar tabel berperan penting dalam
menghubungkan data yang tersebar di beberapa tabel, memungkinkan perusahaan untuk melakukan analisis
dan reporting yang lebih baik.
Untuk mengelola hubungan antar tabel dalam BI, perlu memahami beberapa konsep dasar yang
berhubungan erat dengan basis data, seperti Data Warehousing, Star Schema, Snowflake Schema, OLAP, dan
Data Integration. Berikut adalah pembahasan lebih mendalam tentang konsep-konsep ini, beserta contoh dan
studi kasus.
1. Data Warehousing. Data Warehousing adalah proses pengumpulan, penyimpanan, dan pengorganisasian
data dari berbagai sumber ke dalam sebuah data warehouse. Data warehouse digunakan untuk mendukung
analisis data yang lebih besar dan kompleks, dengan memisahkan data operasional dari data analitis.
Hubungan dengan Relasi Antar Tabel dalam BI:
a. Data warehouse biasanya menggunakan Fact Tables (tabel fakta) dan Dimension Tables (tabel
dimensi) untuk mengorganisir data.
b. Fact Tables berisi data numerik atau transaksi (misalnya total penjualan, laba), sedangkan Dimension
Tables berisi data deskriptif yang memberikan konteks pada data dalam Fact Tables (misalnya
produk, pelanggan, waktu, dan lokasi).
 Contoh:
Perusahaan retail yang memiliki banyak cabang dan transaksi penjualan akan mengumpulkan data
penjualan dari setiap cabang dan menyimpannya di dalam data warehouse. Data tersebut akan dibagi ke
dalam Fact Table (Penjualan) yang berisi data transaksi dan Dimension Tables seperti Produk, Pelanggan,
dan Tanggal, yang memungkinkan analisis berdasarkan kategori produk, waktu, atau pelanggan.
2. Star Schema dan Snowflake Schema, adalah dua model pemodelan data yang umum digunakan dalam
data warehousing.
a. Star Schema, adalah pemodelan data yang menggunakan satu Fact Table di pusat dan Dimension
Tables yang mengelilinginya. Setiap Dimension Table terhubung langsung ke Fact Table melalui
Foreign Key. Kelebihan Star Schema adalah mudah dipahami dan efisien dalam melakukan query,
karena hanya ada sedikit tabel yang terhubung langsung.
b. Snowflake Schema, adalah versi yang lebih terstruktur dari Star Schema, di mana Dimension Tables
lebih lanjut dinormalisasi menjadi tabel tambahan. Ini membuatnya lebih kompleks, tetapi juga bisa
mengurangi redundansi data. Kelebihan Snowflake Schema adalah mengurangi redundansi data,
tetapi query menjadi lebih kompleks.
c. Hubungan dengan Relasi Antar Tabel dalam BI. Dalam kedua schema ini, relasi antar tabel (Fact Table
dan Dimension Tables) sangat penting. Relasi ini memungkinkan data yang ada di Fact Table untuk
dianalisis berdasarkan atribut yang ada di Dimension Table.
Contoh: Untuk toko retail, dalam Star Schema:
Fact Table : Penjualan yang berisi TransactionID, ProductID, Quantity Sold, dan TotalAmount.
Dimension Table : Produk yang berisi ProductID, ProductName, dan Category.
Dalam Snowflake Schema, Dimension Table seperti Produk bisa dipisahkan lebih lanjut menjadi beberapa
tabel, misalnya tabel Kategori Produk yang terpisah dari tabel Produk itu sendiri.
3. OLAP (Online Analytical Processing)
OLAP (Online Analytical Processing) adalah teknologi yang memungkinkan pengguna untuk
menganalisis data multidimensi dalam data warehouse. OLAP memungkinkan perusahaan untuk melakukan
analisis yang lebih dalam dengan menggunakan cube yang menyajikan data dalam dimensi berbeda (misalnya,
waktu, produk, wilayah). Hubungan dengan Relasi Antar Tabel dalam BI:
a. OLAP cubes dibuat dengan menghubungkan Fact Tables dan Dimension Tables, yang memungkinkan
pengguna untuk melakukan analisis berdasarkan berbagai dimensi secara bersamaan.
b. Penggunaan relasi antar tabel memungkinkan query OLAP yang cepat dan efisien.
Contoh:
Misalkan data analis ingin menganalisis penjualan dalam bentuk OLAP. data analis bisa membuat OLAP cube
yang menghubungkan data penjualan (Fact Table) dengan dimensi seperti waktu (tahun, bulan), produk
(kategori, jenis produk), dan lokasi (wilayah, negara). Dengan menggunakan OLAP, data analis bisa
menghitung total penjualan per bulan, per kategori produk, dan per wilayah dengan cepat.
4. Data Integration
Data Integration adalah proses menggabungkan data dari berbagai sumber ke dalam satu format atau
sistem yang seragam untuk analisis lebih lanjut. Dalam BI, integrasi data sangat penting untuk memastikan
bahwa informasi yang dihasilkan dari berbagai sumber data (internal dan eksternal) dapat diproses dan
dianalisis bersama-sama. Hubungan dengan Relasi Antar Tabel dalam BI:
a. Data Integration melibatkan pembuatan hubungan antar tabel dari berbagai sumber data sehingga data bisa
disatukan untuk analisis yang lebih komprehensif.
b. Mengelola relasi antar tabel yang diintegrasikan dari berbagai sistem memungkinkan pengguna untuk
melakukan analisis lebih mendalam.
Contoh:
Sebuah perusahaan yang memiliki data dari sistem penjualan online, data pelanggan dari CRM, dan data
inventaris dari sistem manajemen gudang perlu mengintegrasikan data ini agar bisa dianalisis secara
bersamaan. Dengan menghubungkan data penjualan (Fact Table) dengan data pelanggan dan produk
(Dimension Tables), perusahaan dapat melihat pola pembelian berdasarkan lokasi pelanggan atau produk yang
sering dibeli.
Studi Kasus: Implementasi BI pada Perusahaan Retail. Sebuah perusahaan retail ingin menganalisis performa
penjualan berdasarkan produk, pelanggan, dan wilayah. Berikut adalah bagaimana hubungan antar tabel
dalam BI digunakan untuk analisis:
a. Pengumpulan Data: Data penjualan dikumpulkan dari berbagai cabang dan sistem transaksi online.
b. Pengolahan Data: Data yang terkumpul diproses dan disusun dalam Fact Table (Sales) dan beberapa
Dimension Tables seperti Customer, Product, dan Date.
c. Penyimpanan Data: Data yang telah diproses disimpan dalam Data Warehouse dengan menggunakan
Star Schema.
d. Penyajian Data: Menggunakan OLAP, perusahaan menganalisis penjualan berdasarkan kategori produk,
lokasi pelanggan, dan periode waktu.
Hasil Analisis:
a. Total penjualan per kategori produk: Menghitung total penjualan berdasarkan produk menggunakan
Dimension Table Product yang terhubung dengan Fact Table Sales.
b. Penjualan per wilayah: Menggunakan Dimension Table Location yang terhubung dengan Fact Table Sales.
c. Tren penjualan berdasarkan waktu: Menggunakan Dimension Table Date untuk melihat tren penjualan
bulanan atau tahunan.

D. Pentingnya Relasi Antar Tabel

Ketika perusahaan memiliki banyak data, seringkali tidak efisien untuk menyimpan seluruh data dalam
satu tabel besar. Hal ini dapat membuat data lebih sulit untuk dikelola, diakses, dan diolah. Oleh karena itu,
data biasanya dibagi ke dalam tabel-tabel kecil yang saling berhubungan (relasi antar tabel).
Mengapa hubungan antar tabel penting?
1. Menghindari duplikasi data: Dengan memisahkan data menjadi tabel terpisah yang berhubungan, data
analis dapat menghindari redundansi data dan duplikasi.
2. Efisiensi query: Relasi antar tabel memungkinkan query database untuk mengambil data yang relevan dari
beberapa tabel dengan lebih cepat dan efisien.
3. Scalability: Ketika jumlah data meningkat, sistem dapat dengan mudah memperluas dan memelihara
hubungan antar tabel tanpa membebani kinerja.
Contoh Pemodelan Data dalam Kasus Dunia Nyata
Case Study 1: Sistem Informasi Penjualan di Perusahaan Retail
Misalkan sebuah perusahaan retail memiliki data tentang produk, pelanggan, dan penjualan. Tanpa pemodelan
data yang baik, data tentang produk dan pelanggan akan dimasukkan dalam satu tabel besar, yang berisiko
menambah duplikasi dan kesalahan. Sebaliknya, data analis dapat memecah data ini menjadi beberapa tabel
terpisah yang saling berhubungan.
Tabel-Tabel yang Terlibat:

Tabel Atribut
Produk ProductID (Primary Key), ProductName, Category, Price

Pelanggan CustomerID (Primary Key), CustomerName, Email, Phone

Penjualan SaleID (Primary Key), SaleDate, CustomerID (Foreign Key)

DetailPenjualan SaleID, ProductID (Foreign Key), Quantity, TotalPrice

1. Relasi Antar Tabel

Relasi antara Tabel Penjualan dan Tabel Pelanggan: kolom CustomerID di Tabel Penjualan adalah Foreign
Key yang merujuk ke Primary Key CustomerID di Tabel Pelanggan. Hal ini untuk menghubungkan data
penjualan dengan informasi pelanggan yang melakukan pembelian.
Relasi antara Tabel Penjualan dan Tabel Produk ditunjukan dengan kolom ProductID di Tabel Penjualan
adalah Foreign Key yang merujuk ke Primary Key ProductID di Tabel Produk.
Dengan pemodelan seperti ini, bisa dengan mudah membuat laporan, misalnya, berapa banyak unit produk
yang dijual atau siapa pelanggan yang melakukan pembelian terbesar. Sistem ini memungkinkan analisis
yang lebih dalam dan membantu perusahaan dalam pengambilan keputusan.

Contoh lain pemodelan data: Perancangan Sistem Informasi Manajemen Tugas Harian Berbasis Website
Pada PT. Mixtra Inti Tekindo. Link akses : [Link]

Gambar 1. ERD Perancangan Sistem Informasi Manajemen Tugas Harian Berbasis Website Pada PT.
Mixtra Inti Tekindo

Keterangan:
1. Entitas Account: Menyimpan informasi mengenai data accountseperti nama, alamat, nomor telepon, dan
[Link] Tasks: Merupakan entitas yang berhubungan dengan tugas harian.
 2. Entitas ini memiliki atribut seperti ID tugas, deskripsi tugas, tanggal deadline, dan status tugas
3. Entitas Team: Merupakan entitas yang menghubungkan antara entitas Taskdan entitas [Link]
Work Log: Menyimpan informasi mengenai waktu dan logpengerjaan tasks. Entitas ini memiliki atribut
seperti nama departemen dan lokasi.

E. Manfaat dari Pemodelan Data

Beberapa manfaat dari kebutuhan bisnis dengan pemodelan data yang baik antara lain:
1. Keakuratan dan Konsistensi Data: Dengan pemisahan data dalam tabel-tabel yang berbeda, data analis
mengurangi kemungkinan duplikasi data, dan memastikan konsistensi data, misalnya, jika harga produk
berubah, data analis hanya perlu memperbarui data di Tabel Produk, bukan di setiap transaksi penjualan.
2. Kemudahan dalam Mengelola Data: Sistem database relasional memungkinkan data analis untuk mengelola
dan mengupdate data dengan mudah, karena perubahan hanya terjadi di satu tempat (misalnya, jika ada
perubahan harga produk).
3. Fleksibilitas dalam Analisis Data: Dengan menggunakan relasi antar tabel, data analis dapat membuat
berbagai jenis analisis, seperti menghitung total penjualan per pelanggan atau per produk, melihat tren
penjualan berdasarkan waktu, dan sebagainya.
Langkah-Langkah dalam Membuat Pemodelan Data
1. Identifikasi Entitas: Tentukan entitas yang ingin Anda simpan dalam database. Misalnya, dalam sistem
penjualan, entitas utama bisa berupa Produk, Pelanggan, dan Penjualan.
2. Tentukan Atribut: Tentukan atribut yang relevan untuk setiap entitas. Misalnya, untuk entitas Pelanggan,
atributnya bisa mencakup Nama Pelanggan, Alamat, Email, dll.
3. Tentukan Relasi: Tentukan bagaimana entitas-entitas tersebut saling berhubungan. Dalam kasus penjualan,
hubungan antara Pelanggan dan Penjualan adalah One-to-Many (satu pelanggan bisa memiliki banyak
penjualan), sedangkan hubungan antara Penjualan dan Produk adalah Many-to-Many (penjualan dapat
melibatkan banyak produk, dan produk bisa dijual banyak kali).
4. Normalisasi Data: Proses ini membantu menghilangkan redundansi dan memastikan data yang konsisten.
Dalam kasus Penjualan, data analis hanya menyimpan ProductID dan CustomerID sebagai referensi ke
Tabel Produk dan Tabel Pelanggan.
Kesimpulan, Pemodelan data dan pengelolaan hubungan antar tabel adalah dasar yang sangat penting
dalam desain database yang efisien. Pemisahan data menjadi beberapa tabel yang saling berhubungan tidak
hanya membuat data lebih mudah dikelola, tetapi juga memungkinkan perusahaan untuk melakukan analisis
yang lebih cepat, akurat, dan terstruktur
 Praktik Pemodelan DAX

1. Operator DAX (link: [Link]

Types of operators
There are four different types of calculation operators: arithmetic, comparison, text concatenation, and
logical.

Arithmetic operators
To perform basic mathematical operations such as addition, subtraction, or multiplication; combine
numbers; and produce numeric results, use the following arithmetic operators.

Arithmetic operator Meaning Case Study

+ (plus sign) Addition 3+3

follow the example for other operators

- (minus sign) Subtraction or sign 3-1-1
?

* (asterisk) Multiplication 3*3

?

/ (forward slash) Division 3/3

?
^ (caret) Exponentiation 16^4
?

DAX practice steps on mathematical operators

2. Comparison operators
You can compare two values with the following operators. When two values are compared by using these
operators, the result is a logical value, either TRUE or FALSE.

Comparison operator Meaning Case Study

= Equal to [Region] = "USA"

Sample:

follow the example for other operators

== Strict equal to [Region] == "USA"
?
> Greater than [Sales Date] > "Jan 2009"
?
< Less than [Sales Date] < "Jan 1 2009"
?
>= Greater than or equal to [Amount] >= 20000
?
<= Less than or equal to [Amount] <= 100
?
<> Not equal to [Region] <> "USA"
<

3. Text concatenation operator

Use the ampersand (&) to join, or concatenate, two or more text strings to produce a single piece of text.

Text operator Meaning Example

& (ampersand) Connects, or concatenates, two values to produce [Region] & ", " & [City]
one continuous text value

complete the query command

4. Logical operators
Use logical operators (&&) and (||) to combine expressions to produce a single result.

Text
Meaning Examples
operator
&&(double Creates an AND condition between two ([Region] = "France") && ([BikeBuyer] = "yes"))
ampersand) expressions that each have a Boolean result.
If both expressions return TRUE, the
combination of the expressions also
returns TRUE; otherwise the combination
returns FALSE.

follow the example for other operators

(double pipe
|| Creates an OR condition between two logical (([Region] = "France") || ([BikeBuyer] = "yes"))
symbol) expressions. If either expression
?
returns TRUE, the result is TRUE; only when
both expressions are FALSE is the
result FALSE.
IN Creates a logical OR condition between each 'Product'[Color] IN { "Red", "Blue", "Black" }
row being compared to a table. Note: the
?
table constructor syntax uses curly braces.
5. Tentang dataset
✓ Deskripsi dataset : Dataset ini merupakan representasi dari sistem manajemen penjualan yang
komprehensif, dirancang untuk mendukung analisis dan pengambilan keputusan dalam konteks bisnis.
Terdapat beberapa tabel yang saling terhubung, masing-masing menyimpan informasi penting terkait
produk, penjualan, lokasi, dan promosi.
✓ Format dataset : Excel
✓ Unduh dataset : Unduh

6. Aktfikan power BI

Gunakan fitur import

untuk upload dataset

Pilih dataset dan open

7. Muncul editor Navigator

Dataset penjualan Contoso

memilkik 9 tables. Checklist
semua

Gunakan fitur Load

Hasil Load

8. Pilih fitur Data Modeling

 Power BI secara otomatis akan membuat relasi antar tabel selama dataset telah memiliki data yang saling
berelasi. Memahami dan mengelola hubungan dalam Power BI adalah keterampilan penting bagi siapa saja
yang ingin melakukan analisis data yang efektif. Dengan menggunakan hubungan yang tepat, pengguna
dapat memastikan bahwa laporan dan dasbor memberikan wawasan yang akurat dan bermanfaat.

Case study 2: Penjualan Produk

1. Tujuan, menganalisis hubungan antar tabel untuk memahami bagaimana data saling terkait dalam
konteks penjualan produk.
2. Tugas
✓ Identifikasi hubungan antar tabel dan jelaskan bagaimana data dari satu tabel dapat
mempengaruhi data di tabel lain.
✓ Analisis kardinalitas untuk menentukan seberapa banyak entitas dalam satu tabel dapat terhubung
dengan entitas di tabel lain.
✓ Lengkapi tabel case study berikut

No Tabel Primary Key Relation Table Cardinality Keterangan

1 Hubungan satu ke banyak (1:N). Satu kategori produk
ProductCategory ProductCategoryKey ProductSubCategory 1 ke N
dapat memiliki banyak subkategori produk

Model data ini menunjukkan bagaimana berbagai entitas dalam sistem saling berinteraksi dan mendukung
analisis data yang lebih mendalam, seperti penjualan berdasarkan kategori produk, lokasi, dan waktu.

Untuk mendapatkan pengetahuan hubungan antar tabel dapat dilakukan dengan langkah sebagai berikut:
1. ProductCategory → ProductSubcategory (1:N)
Klik kanan pada relasi, pilih properties

Hasilnya ditunjukan pada gambar berikut:

Gambar ini menunjukan bagaimana dua tabel dalam model data saling berhubungan, dengan
penekanan pada struktur hubungan dan arah filter. Ini penting untuk memastikan bahwa analisis
data dapat dilakukan dengan benar dan efisien, serta untuk menjaga integritas data dalam model.
Model tersebut menunjukkan pengaturan hubungan antara dua tabel dalam model data, yaitu
ProductSubCategory dan ProductCategory. Berikut adalah penjelasan dari elemen-elemen yang
ada dalam gambar:
1. From Table: ProductSubCategory
ProductCategoryKey: Menunjukkan kategori produk yang terkait dengan subkategori.
ProductSubcategory: Menampilkan nama subkategori produk, seperti "Refrigerators,"
"Microwaves," dan "Water Heaters."
2. To Table: ProductCategory
ProductCategoryKey: Menunjukkan kunci kategori produk.
ProductCategory: Menampilkan nama kategori produk, seperti "Audio," "TV and Video," dan
"Computers."
3. Cardinality
Many to One (N:1): Hubungan ini menunjukkan bahwa banyak subkategori produk (dari tabel
ProductSubCategory) dapat terhubung ke satu kategori produk (dari tabel ProductCategory). Ini
berarti satu kategori produk dapat memiliki beberapa subkategori.
4. Cross-filter Direction: Single, Ini menunjukkan bahwa filter hanya akan diterapkan dari tabel
ProductCategory ke tabel ProductSubCategory. Artinya, jika Anda memfilter kategori produk,
subkategori yang ditampilkan akan disesuaikan berdasarkan filter tersebut, tetapi tidak
sebaliknya.
5. Opsi Tambahan
Make this relationship active, opsi ini dicentang, yang berarti hubungan ini akan aktif dan dapat
digunakan dalam analisis data.
Assume referential integrity, opsi ini tidak dicentang, yang berarti tidak ada jaminan bahwa
semua kunci yang ada di tabel ProductSubCategory akan memiliki padanan di tabel
ProductCategory.
2. Case study 3: Pemodelan data
Skenario: Anda adalah seorang analis data di sebuah perusahaan yang menjual berbagai produk.
Perusahaan ingin menganalisis penjualan berdasarkan kategori produk untuk meningkatkan strategi
pemasaran dan pengelolaan inventaris. Saat ini, Anda memiliki dua tabel -> Tabel Penjualan dan Tabel
Produk.

Tugas 1 : Bagaimana anda melakukan penyesuaian dari dua tabel tersebut, sehingga memiliki relasi
antar dua tabel yang dapat mendukung analisis data perusahaan

Tabel Penjualan
ID_Penjualan Jumlah Tanggal
1.012025 50 01/01/2025
2.012025 30 02/01/2025
3.022025 70 03/01/2025
4.022025 20 04/02/2025
5.032025 100 05/03/2025

Tabel Produk
ID_Produk Nama_Produk Kategori
101 Laptop Elektronik
102 Smartphone Elektronik
103 Meja Furniture
104 Kursi Furniture

Tugas 2: Setelah anda melakukan penyesuaian relasi antar tabel penjualan dan produk, buat sebuah
dataset yang berisi dua tabel tersebut. Lakukan pemodelan data menggunakan power BI untuk menguji
jawaban dari tugas 1

Selamat mengerjakan
Pembahasan akan dilanjutkan Praktik Dax
 PRAKTIK DATA ANALYSIS EXPRESION (DAX)
Sumber referensi: [Link]

DAX Power BI, singkatan dari Data Analysis Expressions, adalah bahasa
formula yang digunakan dalam berbagai aplikasi Microsoft, terutama dalam
produk seperti Microsoft Power BI, Microsoft Excel, dan Microsoft SQL Server
Analysis Services (SSAS). DAX Power BI membantu data analis membuat
formula yang dibutuhkan saat data analis mendesain dashboard atau laporan di
Power BI Desktop. Bahasa ini dibuat untuk melakukan pengolahan dan analisis
data pada perangkat lunak bisnis. DAX memiliki rumus dan ekspresi yang
memungkinkan perhitungan, pengelompokan, dan analisis data lainnya. Selain itu, DAX mendukung operasi
pengelompokan data, pengambilan subset data, dan pembuatan metrik atau indikator kinerja penting (KPIs).
Sumber gambar: [Link]
DAX sering digunakan bersama tools visualisasi data seperti Power BI. Dengan memahami DAX, dapat
membuat metrik dan ukuran yang memungkinkan pembuatan grafik dan visualisasi data yang dinamis dan
interaktif. Dengan belajar DAX atau Data Analysis Expression, dapat membuat rumus dan ekspresi yang dapat
disesuaikan sesuai kebutuhan bisnis, yang memungkinkan untuk membuat laporan bisnis yang memenuhi
persyaratan unik dan kompleks. Memiliki keahlian DAX adalah keterampilan yang dicari di pasar kerja,
terutama dalam bidang analisis data, kecerdasan bisnis, dan pengolahan data. DAX memungkinkan membuat
rumus yang lebih kompleks untuk melakukan analisis data dengan lebih baik. Ini memungkinkan data analis
melakukan perhitungan matematika, statistik, dan logika yang diperlukan untuk mendapatkan pemahaman
yang lebih mendalam tentang bisnis.
Untuk memahami dan mempelajari DAX ini dengan baik, ada beberapa bagian utama yang akan
pelajari. Diantaranya:

1. Fungsi Matematika dan Statistik: Pelajari fungsi-fungsi matematika dasar seperti SUM, AVERAGE, MIN,
MAX, serta fungsi statistik seperti STDEV, COUNT, dan sebagainya.
2. Fungsi Logika: Pahami fungsi-fungsi logika seperti IF, AND, OR untuk mengontrol alur eksekusi formula
berdasarkan kondisi tertentu.
3. Fungsi Text: Pelajari fungsi-fungsi untuk memanipulasi teks, seperti CONCATENATE, LEFT, RIGHT,
MID, dan sebagainya.
4. Variabel dan Penamaan Objek: Pahami konsep penggunaan variabel dalam DAX untuk menyimpan nilai
yang dapat digunakan kembali dalam rumus. Ketahui cara memberi nama objek dengan benar agar dapat
memahami dan memelihara rumus dengan lebih mudah.
5. Fungsi Waktu: DAX memiliki fungsi khusus untuk bekerja dengan data waktu dan tanggal. Pelajari fungsi-
fungsi seperti YEAR, MONTH, DAY, TODAY, dan sejenisnya.
6. Menggunakan Filter dan Kondisi: Pahami penggunaan filter dalam DAX, termasuk penggunaan fungsi
seperti FILTER dan ALL, untuk mengontrol konteks perhitungan.
7. Visualisasi dan Power BI: Jika menggunakan DAX dengan Power BI, pelajari cara membuat visualisasi
data yang efektif menggunakan DAX dalam rumus dan ukuran (measures).
Sebelum memulai praktik DAX, perlu pembahasan perintah umum yang sering digunakan untuk pada DAX
Query View. Mahasiswa yang telah mempelajari SQL tentu sangat mudah beradaptasi dengan DAX Query
View.
Kesimpulan: DAX Query View adalah alat yang kuat untuk menulis dan menjalankan query DAX,
memungkinkan pengguna untuk melakukan analisis data yang mendalam. Dengan fitur-fitur ini, pengguna
dapat dengan mudah menulis, menjalankan, dan melihat hasil query mereka dalam satu antarmuka yang
terintegrasi.

Mengacu pada [Link] ada 6 perintah yang perlu dipahami:

Statement Description
DEFINE (Keyword) Introduces one or more entity definitions that can be
applied to one or more EVALUATE statements.
EVALUATE (Keyword) Introduces a statement containing a table expression
required to execute a DAX query.
MEASURE (Keyword) Introduces a measure definition that can be used in one or
more EVALUATE statements in a query.
ORDER BY (Keyword) Introduces a statement that defines the sort order of query
results returned by an EVALUATE statement.
START AT (Keyword) Introduces a statement that defines the starting value at
which the query results of an ORDER BY statement are returned.

VAR (Keyword) Stores the result of an expression as a named variable, which

can then be passed as an argument to other measure expressions.

Statement Syntaks
DEFINE [Link]

EVALUATE [Link]

MEASURE [Link]

ORDER BY [Link]

START AT START AT keyword (DAX) - DAX | Microsoft Learn

VAR [Link]
 Praktik Mengasah Logika Dengan Dax Query

Aktifkan DAX Quey

untuk menjalankan DAX Merapikan perintah menambahkan komentar

Query DAX Query dalam DAX Query

DAX Query Editor

Area di mana data analis menulis dan mengedit
query DAX untuk melakukan analisis data
Latihan dasar DAX
Statement Description
//Menampilkan tabel ProductCategory Menampilkan data tabel ProductCategory

EVALUATE
ProductCategory
-

Mahasiswa dapat melakukan untuk 8 tabel lainya

Rename menjadi
QProductCategory

-
 .
Pengembangan Analis Data Menggunakan DAX Query

Latar Belakang
Seorang analis data di perusahaan ritel yang menjual berbagai produk. Perusahaan ingin menganalisis
daftar produk yang tersedia dan menampilkannya dalam urutan yang teratur untuk memudahkan pemantauan
dan pengambilan keputusan.
1. Menampilkan data ProductCategory secara Desc berdasarkan ProductCategoryKey

2. Menampilkam data product berdasarkan data tertentu (BrandName, ClassName, UnitCost)

3. Menampilkam 20 data product berdasarkan data tertentu (BrandName, ClassName, UnitCost)

Latar Belakang
Anda adalah seorang analis data di perusahaan ritel yang ingin menganalisis produk berdasarkan kriteria
tertentu, seperti BrandName dan ClassName. Tujuan dari analisis ini adalah untuk membantu manajemen
dalam pengambilan keputusan terkait inventaris dan strategi pemasaran. Anda ingin menampilkan data produk
dengan kriteria berikut:
1. BrandName: Hanya produk dari merek tertentu (misalnya, "Contoso").
2. ClassName: Hanya produk dari kategori tertentu (misalnya, "Deluxe").
3. Tampilkan semua data
1. Menampilkan data product berdasarkan BrandName=Contoso

2. Menampilkan data product berdasarkan BrandName=Contoso dan ClassName=Deluxe

Latar Belakang
Seorang analis data di perusahaan ritel yang menjual berbagai produk. Perusahaan ingin menganalisis
daftar Product, ProductCategory,ProductSubCategory untuk memudahkan pemantauan dan pengambilan
keputusan.
1. Menampilkan informasi gabungan dari ketiga table: Product, ProductCategory,ProductSubCategory

Penjelasan Query
Query ini menghasilkan tabel baru yang menampilkan nama produk, merek, kelas, kategori, dan
subkategori dari produk yang ada di tabel Product. Dengan menggunakan fungsi SELECTCOLUMNS dan
RELATED, query ini memungkinkan pengguna untuk menggabungkan informasi dari beberapa tabel yang
saling berhubungan, sehingga memberikan gambaran yang lebih lengkap tentang produk yang dianalisis.
1. EVALUATE
Fungsi: Digunakan untuk mengeksekusi dan menampilkan hasil dari query DAX. Ini adalah perintah
utama yang memberi tahu DAX untuk menjalankan query dan mengembalikan hasilnya.
2. SELECTCOLUMNS
Fungsi: Digunakan untuk memilih kolom tertentu dari tabel yang ditentukan dan memberi nama baru
pada kolom tersebut. Dalam hal ini, kita memilih kolom dari tabel Product dan menambahkan kolom
dari tabel terkait.
3. Parameter dalam SELECTCOLUMNS
a. Product: Tabel yang menjadi sumber data utama. Dalam hal ini, tabel Product.
 b. "ProductName", Product[ProductName], menambahkan kolom baru bernama "ProductName"
yang berisi nilai dari kolom ProductName di tabel Product.
c. "BrandName", Product[BrandName], menambahkan kolom baru bernama "BrandName" yang
berisi nilai dari kolom BrandName di tabel Product.
d. "ClassName", Product[ClassName], menambahkan kolom baru bernama "ClassName" yang berisi
nilai dari kolom ClassName di tabel Product.
e. "Category", RELATED(ProductCategory[ProductCategory]), menambahkan kolom baru bernama
"Category" yang mengambil nilai dari kolom ProductCategory di tabel ProductCategory. Fungsi
RELATED digunakan untuk mengambil nilai dari tabel terkait berdasarkan hubungan yang ada.
f. "SubCategory", RELATED(ProductSubCategory[ProductSubcategory]), menambahkan kolom
baru bernama "SubCategory" yang mengambil nilai dari kolom ProductSubcategory di tabel
ProductSubCategory. Sama seperti sebelumnya, fungsi RELATED digunakan untuk mengambil
nilai dari tabel terkait.

2. Hitung total biaya unit dari semua produk (tabel product)

Berikan nama query: QSumUnitCost

3. Case study: manajemen membutuhkan informasi total unit cost berdasarkan:

✓ BrandName=Comtoso dan ClassName=Economy
✓ BrandName=Comtoso dan ClassName=Regular
✓ BrandName=Comtoso dan ClassName=Deluxe
Buatkan DAX Query sesuai ketentuan tersebut. Untuk memudahkan analisa mahasiswa, berikut Result
Ketentuan Resulat Cara 1 Result Cara 2
BrandName=Comtoso
dan
ClassName=Economy

BrandName=Comtoso
dan
ClassName=Regular
 BrandName=Comtoso
, ClassName=Deluxe

4. Menghitung Jumlah Produk per Kategori. Logika query: Hitung jumlah produk yang ada di setiap kategori

5. Menampilkan Produk dengan harga unit tertinggi.

6. Menampilkan Produk dengan harga unit terendah.

7. Menghitung total biaya unit untuk setiap kategori.

8. Menampilkan data productsubcategory yang tidak ada di product

9. Menghitung jumlah data yang ada dalam tabel kategori.

10. Tampilkan produk dengan harga unit lebih dari 100.

11. Tampilkan kategori yang memiliki jumlah produk terbanyak

12. Tampilkan rincian produk beserta kategori dan subkategori

 CASE STUDY
(Untuk Menguji Kompetensi Individu Mahasiswa)

Latar Belakang
Dalam dunia bisnis, analisis penjualan sangat penting untuk memahami kinerja produk,
efektivitas promosi, dan perilaku pelanggan. Dengan menggunakan data yang terstruktur dalam
model yang ditunjukkan, perusahaan dapat melakukan analisis mendalam untuk meningkatkan
strategi penjualan dan pemasaran.

Bentuk Studi Kasus

Studi kasus ini akan fokus pada analisis penjualan dengan memanfaatkan tabel-tabel yang ada
dalam model data, seperti Product, Sales, Promotion, Channel, Store, dan Geography. Analisis ini
bertujuan untuk memberikan wawasan tentang kinerja produk, efektivitas promosi, dan pengaruh
lokasi terhadap penjualan.

Selesaikan studi kasus berikut dengan menggunakan DAX Query

1. Menampilkan total penjualan untuk setiap produk
2. Menampilkan rata-rata diskon yang diterapkan untuk setiap promosi
3. Menampilkan total penjualan berdasarkan channel penjualan
4. Menampilkan 5 produk terlaris berdasarkan total penjualan
5. Menampilkan total penjualan untuk setiap toko.
6. Menampilkan total penjualan per bulan erro
7. Menampilkan total penjualan dan total diskon untuk setiap promosi
8. Menampilkan total penjualan berdasarkan negara atau wilayah
9. Menampilkan rata-rata penjualan untuk setiap produk
10. Menampilkan total penjualan per tahun
 DAX-DATA-ANALYSIS-EXPRESSIONS

No Kategori Rumus Deskripsi Contoh Penjelasan Contoh

1 Agregasi SUM Menjumlahkan semua SUM(Sales[Amount]) Menjumlahkan total nilai dari kolom
angka dalam kolom. Amount pada tabel Sales.
AVERAGE Menghitung rata-rata AVERAGE(Sales[Amount]) Menghitung rata-rata nilai dari kolom
dari semua angka dalam Amount pada tabel Sales.
kolom.
MIN Mengembalikan nilai MIN(Sales[Amount]) Mengembalikan nilai terkecil dari kolom
terkecil dalam kolom. Amount pada tabel Sales.
MAX Mengembalikan nilai MAX(Sales[Amount]) Mengembalikan nilai terbesar dari kolom
terbesar dalam kolom. Amount pada tabel Sales.
COUNT Menghitung jumlah COUNT(Sales[Amount]) Menghitung jumlah baris yang berisi nilai
baris dalam kolom. di kolom Amount pada tabel Sales.
COUNTA Menghitung jumlah COUNTA(Sales[Product]) Menghitung jumlah baris yang tidak
baris dalam kolom yang kosong di kolom Product pada tabel Sales.
tidak kosong.
DISTINCTCOUNT Menghitung jumlah DISTINCTCOUNT(Sales[Product]) Menghitung jumlah nilai unik pada kolom
nilai unik dalam kolom. Product pada tabel Sales.
2 Logika IF Mengembalikan satu IF(Sales[Amount] > 1000, "High", Jika nilai di kolom Amount lebih besar dari
nilai jika kondisi benar "Low") 1000, hasilnya "High", jika tidak "Low".
dan nilai lain jika salah.
AND Mengembalikan TRUE AND(Sales[Amount] >
1000, Jika nilai di kolom Amount lebih besar dari
jika semua argumen Sales[Quantity] > 10) 1000 dan Quantity lebih dari 10, maka
bernilai TRUE. TRUE.
OR Mengembalikan TRUE OR(Sales[Amount] > 1000, Jika nilai di kolom Amount lebih besar dari
jika setidaknya satu Sales[Quantity] > 10) 1000 atau Quantity lebih dari 10, maka
argumen bernilai TRUE. TRUE.
NOT Membalikkan nilai NOT(Sales[Amount] > 1000) Membalikkan nilai dari kondisi
logika dari Sales[Amount] > 1000. Jika kondisi
argumennya. tersebut FALSE, maka TRUE.
3 Teks CONCATENATE Menggabungkan dua CONCATENATE(Sales[Product], " Menggabungkan kolom Product dan
string teks. - ", Sales[Category]) Category dengan pemisah " - " untuk
membuat string yang lebih deskriptif.
LEFT Mengembalikan LEFT(Sales[Product], 5) Mengambil 5 karakter pertama dari string
sejumlah karakter di kolom Product.
tertentu dari awal
string teks.
RIGHT Mengembalikan RIGHT(Sales[Product], 3) Mengambil 3 karakter terakhir dari string
sejumlah karakter di kolom Product.
tertentu dari akhir
string teks.
MID Mengembalikan MID(Sales[Product], 2, 4) Mengambil 4 karakter mulai dari posisi ke-
sejumlah karakter 2 dalam string di kolom Product.
tertentu dari posisi
tertentu dalam teks.
LEN Mengembalikan LEN(Sales[Product]) Menghitung jumlah karakter dalam string
panjang string teks. pada kolom Product.
UPPER Mengubah string teks UPPER(Sales[Product]) Mengubah seluruh huruf dalam string
menjadi huruf besar. Product menjadi huruf besar.
LOWER Mengubah string teks LOWER(Sales[Product]) Mengubah seluruh huruf dalam string
menjadi huruf kecil. Product menjadi huruf kecil.
4 Tanggal TODAY Mengembalikan tanggal TODAY() Mengembalikan tanggal hari ini (tanpa
dan Waktu saat ini. waktu).
NOW Mengembalikan tanggal NOW() Mengembalikan tanggal dan waktu saat
dan waktu saat ini. ini.
YEAR Mengembalikan tahun YEAR(Sales[Date]) Mengambil tahun dari nilai tanggal yang
dari tanggal. ada di kolom Date pada tabel Sales.
MONTH Mengembalikan bulan MONTH(Sales[Date]) Mengambil bulan dari nilai tanggal yang
dari tanggal. ada di kolom Date pada tabel Sales.
DAY Mengembalikan hari DAY(Sales[Date]) Mengambil hari dari nilai tanggal yang ada
dari tanggal. di kolom Date pada tabel Sales.
HOUR Mengembalikan jam HOUR(Sales[Time]) Mengambil jam dari nilai waktu yang ada
dari waktu. di kolom Time pada tabel Sales.
 MINUTE Mengembalikan menit MINUTE(Sales[Time]) Mengambil menit dari nilai waktu yang
dari waktu. ada di kolom Time pada tabel Sales.
SECOND Mengembalikan detik SECOND(Sales[Time]) Mengambil detik dari nilai waktu yang ada
dari waktu. di kolom Time pada tabel Sales.
5 Filter FILTER Mengembalikan tabel FILTER(Sales, Sales[Amount] > Mengembalikan baris dari tabel Sales yang
yang difilter. 1000) memiliki nilai Amount lebih besar dari
1000.
ALL Menghapus semua filter ALL(Sales) Menghapus semua filter yang ada pada
dari tabel. tabel Sales.
ALLEXCEPT Menghapus semua filter ALLEXCEPT(Sales, Menghapus semua filter pada tabel Sales,
dari tabel kecuali filter Sales[Category]) kecuali filter pada kolom Category.
pada kolom yang
ditentukan.
6 Informasi ISBLANK Memeriksa apakah nilai ISBLANK(Sales[Amount]) Memeriksa apakah kolom Amount pada
kosong. baris tertentu kosong atau tidak.
ISNUMBER Memeriksa apakah nilai ISNUMBER(Sales[Amount]) Memeriksa apakah nilai di kolom Amount
adalah angka. adalah angka.
ISTEXT Memeriksa apakah nilai ISTEXT(Sales[Product]) Memeriksa apakah nilai di kolom Product
adalah teks. adalah teks.
7 Matematika ABS Mengembalikan nilai ABS(Sales[Amount]) Mengembalikan nilai absolut dari kolom
absolut dari angka. Amount pada tabel Sales.
ROUND Membulatkan angka ke ROUND(Sales[Amount], 2) Membulatkan nilai di kolom Amount
jumlah desimal menjadi dua angka desimal.
tertentu.
SQRT Mengembalikan akar SQRT(Sales[Amount]) Mengambil akar kuadrat dari nilai di
kuadrat dari angka. kolom Amount.
POWER Mengembalikan angka `POWER(Sales[
yang dipangkatkan.

Sumber: [Link]
 MINGGU KE-9
VISUALISASI DATA DAN LAPORAN

1. PENDAHULUAN
1.1 Apa Itu Visualisasi Data?
Visualisasi data adalah representasi grafis dari data yang bertujuan untuk menyampaikan
informasi secara lebih mudah dipahami. Dengan visualisasi data, pola, tren, dan wawasan yang
tersembunyi dalam data dapat diidentifikasi dengan lebih cepat dibandingkan dengan hanya
membaca tabel atau angka mentah.
1.2 Manfaat Visualisasi Data
• Membantu pengambilan keputusan dengan menyajikan data dalam bentuk yang lebih
intuitif.
• Memudahkan identifikasi tren dan pola yang tidak mudah terlihat dalam tabel data
mentah.
• Meningkatkan efisiensi analisis dengan memvisualisasikan hubungan antar variabel.
• Mempermudah komunikasi data kepada pemangku kepentingan non-teknis.

2. KONSEP DASAR VISUALISASI DATA

2.1 Jenis-Jenis Visualisasi Data
Berikut adalah beberapa jenis visualisasi data yang umum digunakan:
• Grafik Batang (Bar Chart): Menampilkan perbandingan antar kategori.
• Grafik Garis (Line Chart): Menunjukkan tren dari waktu ke waktu.
• Grafik Lingkaran (Pie Chart): Menggambarkan proporsi atau distribusi.
• Peta Geografis (Map Visualization): Memvisualisasikan data berdasarkan lokasi
geografis.
• Scatter Plot: Menunjukkan hubungan antara dua variabel numerik.
• Matriks dan Tabel: Untuk menampilkan data secara terstruktur.
2.2 Prinsip-Prinsip Visualisasi Data yang Baik
• Pilih visualisasi yang tepat sesuai dengan tujuan analisis data.
• Gunakan warna dengan bijak untuk menyoroti informasi penting.
• Hindari informasi berlebihan yang dapat membingungkan audiens.
 • Pastikan visualisasi mudah dibaca dengan judul, label, dan skala yang jelas.

3. MEMBUAT VISUALISASI DATA DI POWER BI

3.1 Pengenalan Power BI
Power BI adalah alat Business Intelligence (BI) yang digunakan untuk menghubungkan,
mengolah, dan memvisualisasikan data dalam bentuk dashboard dan laporan interaktif.
3.2 Langkah-Langkah Membuat Visualisasi di Power BI
1. Mengimpor Data
o Klik "Get Data" untuk memilih sumber data.
o Pilih format data yang ingin dihubungkan (Excel, SQL Server, dll.).
o Klik "Load" untuk memuat data ke Power BI.
2. Menambahkan Visualisasi
o Buka tab "Visualizations".
o Pilih jenis visualisasi yang diinginkan.
o Seret dan letakkan field ke dalam visualisasi.
o Sesuaikan tampilan visualisasi dengan mengatur warna, label, dan skala.
3. Menggunakan Filter dan Slicer
o Tambahkan filter untuk menyaring data berdasarkan kriteria tertentu.
o Gunakan slicer untuk memungkinkan pengguna memilih subset data.

4. MEMBUAT LAPORAN DI POWER BI

4.1 Apa Itu Laporan di Power BI?
Laporan di Power BI adalah kumpulan visualisasi data yang disusun dalam beberapa halaman
untuk menyajikan wawasan yang lebih mendalam.
4.2 Langkah-Langkah Membuat Laporan
1. Tambahkan Halaman Baru
o Klik ikon "+" untuk menambah halaman baru dalam laporan.
2. Susun Layout Visualisasi
o Atur posisi visualisasi agar mudah dibaca.
o Gunakan grid layout untuk keteraturan.
3. Menambahkan Interaktivitas
 o Gunakan tombol drill-through untuk menyelami detail data.
o Tambahkan tombol navigasi untuk berpindah antar halaman laporan.

5. DASHBOARD DAN PEMBAGIAN LAPORAN

5.1 Perbedaan Dashboard dan Laporan
• Laporan: Berisi beberapa halaman dengan berbagai visualisasi data.
• Dashboard: Ringkasan dari beberapa laporan dalam satu tampilan interaktif.
5.2 Membuat Dashboard di Power BI
1. Unggah laporan ke Power BI Service
2. Pilih elemen visual yang ingin ditampilkan dalam dashboard
3. Tambahkan widget dan filter interaktif
4. Simpan dan bagikan dashboard dengan pengguna lain
5.3 Berbagi Laporan dan Dashboard
• Bagikan melalui tautan di Power BI Service
• Atur izin akses berdasarkan pengguna atau grup
• Gunakan fitur embed untuk menyematkan laporan dalam aplikasi lain
 Minggu ke 10
Publishing and Sharing

Untuk mempublikasikan laporan ke Power BI Service dan membuatnya dapat diakses

secara online, ikuti langkah-langkah berikut:
1. Persiapkan Laporan di Power BI Desktop
• Pastikan laporan Anda sudah lengkap dan siap untuk dipublikasikan di Power
BI Desktop.
• Lakukan pengecekan data, visualisasi, dan kustomisasi lain untuk memastikan
laporan dalam kondisi baik.

2. Sign in ke Power BI Desktop

• Sebelum dapat mempublikasikan, Anda harus login ke akun Power BI.
• Di Power BI Desktop, pilih Sign in di pojok kanan atas, lalu masukkan email
akun Power BI yang Anda gunakan.

3. Publish Laporan ke Power BI Service

• Setelah login, klik Home di Power BI Desktop, lalu pilih Publish.
• Pada jendela Publish to Power BI, pilih workspace tujuan:
✓ My Workspace: Untuk menyimpan laporan di ruang pribadi Anda.
✓ Workspace lain: Jika Anda ingin membagikan laporan dengan tim atau
departemen, pilih workspace yang sesuai (opsi workspace tambahan ini
tersedia jika Anda memiliki lisensi Power BI Pro atau lisensi lainnya).
• Setelah memilih workspace, klik Select untuk mulai mempublikasikan. Tunggu
beberapa saat hingga laporan selesai diunggah.

4. Akses Laporan di Power BI Service

• Buka browser dan masuk ke Power BI Service di [Link]
• Navigasikan ke workspace tempat Anda mengunggah laporan (misalnya, My
Workspace atau workspace lain yang Anda pilih).
 Laporan yang diunggah akan muncul di daftar Reports dan dataset terkait akan
muncul di daftar Datasets

5. Bagikan atau Publikasikan Laporan

Setelah laporan tersedia di Power BI Service, Anda bisa membagikannya kepada
orang lain:
o Pilih laporan, klik Share, lalu masukkan alamat email pengguna yang ingin
diberi akses. Anda bisa menambahkan pesan atau pengaturan hak akses.
o Publish to Web: Jika Anda ingin membagikan laporan secara publik (akses
bebas), Anda bisa menggunakan opsi ini di bawah File > Publish to Web. Perlu
diperhatikan bahwa ini akan membuat laporan Anda dapat diakses publik dan
siapa saja dengan tautan dapat melihatnya.

6. Mengatur Refresh Data (Opsional)

Jika laporan Anda terhubung ke data yang sering diperbarui, Anda bisa mengatur
jadwal refresh di Power BI Service:
o Di Datasets, temukan dataset untuk laporan yang diunggah, lalu klik ikon titik
tiga (...) dan pilih Settings.
o Di bagian Scheduled refresh, atur waktu refresh, seperti frekuensi harian atau
mingguan, agar data laporan Anda selalu up-to-date.

7. Pengaturan Hak Akses Tambahan

o Jika Anda mempublikasikan laporan ke workspace kolaboratif, Anda bisa
mengatur hak akses tambahan dengan mengundang anggota lain atau
mengatur peran tertentu untuk pengguna di workspace tersebut.
o Setelah langkah-langkah ini, laporan Anda akan tersedia di Power BI Service
dan siap diakses oleh pengguna yang memiliki hak akses atau tautan ke
laporan tersebut.

Agar dapat mengakses laporan Power BI melalui perangkat mobile, Anda bisa
menggunakan aplikasi Power BI Mobile yang tersedia untuk Android, iOS, dan
Windows Mobile.
Berikut langkah-langkahnya:
1. Unduh dan Instal Aplikasi Power BI Mobile
• Android: Buka Google Play Store, cari Power BI, lalu unduh aplikasi Power BI
Mobile.
• iOS: Buka App Store, cari Power BI, lalu unduh aplikasi Power BI Mobile.
• Windows Mobile: Buka Microsoft Store dan cari Power BI (jika masih tersedia
di platform Anda).

2. Login ke Aplikasi Power BI Mobile

• Buka aplikasi Power BI Mobile dan login menggunakan akun Microsoft yang
terhubung ke Power BI Service.
• Pastikan akun yang digunakan adalah akun yang memiliki akses ke laporan
yang ingin Anda lihat.

3. Akses Laporan di Power BI Mobile

• Setelah login, Anda akan melihat berbagai workspace dan dashboard yang
tersedia di Power BI Service.
• Navigasi laporan:
• Pilih Workspaces di menu bawah untuk mengakses laporan dan dashboard
yang disimpan dalam workspace tertentu.
• Pilih Favorites untuk laporan yang telah Anda tandai sebagai favorit di Power
BI Service.
• Recents memungkinkan Anda mengakses laporan yang baru saja Anda buka.
• Ketuk laporan atau dashboard yang ingin Anda buka untuk melihatnya secara
penuh di layar.

4. Interaksi dengan Laporan dan Dashboard

Aplikasi Power BI Mobile mendukung berbagai interaksi pada laporan, seperti:
❑ Menyentuh grafik atau visualisasi untuk melihat detail data.
❑ Menggunakan filter dan slicer yang telah diatur untuk mempersempit tampilan
data.
 ❑ Membuat anotasi dengan fitur markup untuk memberikan catatan atau sorotan
pada laporan yang dibagikan (iOS dan Android).

5. Mode Tampilan Portrait dan Landscape

• Aplikasi Power BI Mobile mendukung tampilan portrait (vertikal) dan landscape
(horizontal). Anda dapat mengubah orientasi perangkat untuk menyesuaikan
tampilan.
• Mode landscape sangat berguna untuk laporan yang membutuhkan ruang
horizontal lebih luas.

6. Mengaktifkan Notifikasi dan Pembaruan Data

• Anda dapat mengaktifkan notifikasi untuk menerima pembaruan atau alert
terkait laporan tertentu.
• Pengaturan notifikasi ini bisa diatur di aplikasi atau Power BI Service.

7. Menggunakan Fitur Offline (Opsional)

• Untuk melihat laporan tanpa koneksi internet, Anda bisa menyimpan laporan
sebagai snapshot.
• Laporan yang disimpan sebagai snapshot memungkinkan Anda melihat data
yang terakhir di-refresh saat koneksi internet tersedia.

8. Berbagi Laporan dari Perangkat Mobile

• Di aplikasi Power BI Mobile, Anda juga bisa berbagi tautan ke laporan atau
dashboard dengan pengguna lain (yang memiliki hak akses).
• Pilih laporan yang ingin Anda bagikan, klik ikon Share atau Bagikan, dan
masukkan email penerima.

Dengan aplikasi Power BI Mobile, Anda bisa memantau data dan laporan
secara real-time di perangkat mobile kapan saja dan di mana saja.