Perancangan Tata Kelola Data Dengan Kerangka Kerja DAMA- DMBOK (Studi Kasus: PT. XYZ).

Abstract

Dalam era digital yang berkembang pesat, data menjadi aset berharga bagi organisasi di berbagai sektor. Keberadaan rancangan tata kelola data yang holistik untuk mengelola, melindungi, menyimpan, dan menggunakan data secara efisien sangat dibutuhkan. Tata kelola data yang baik membantu menghindari risiko seperti kebocoran data, pelanggaran privasi, dan masalah kepatuhan hukum. PT. XYZ, perusahaan teknologi informasi yang bergerak di bidang perdagangan barang/jasa, e-commerce, sewa, dan IT solution, menyadari pentingnya pengelolaan data dalam mendukung visi dan misinya. Dengan cabang hampir di seluruh Indonesia, PT. XYZ melayani pelanggan dari lembaga pemerintah dan korporasi. Volume data PT. XYZ terus bertambah, mencakup data operasional, keuangan, hingga pelanggan. Pengelolaan data yang efektif mendukung pengambilan keputusan yang cepat dan akurat serta menjaga integritas dan keamanan data. PT. XYZ menghadapi tantangan pengelolaan data, termasuk masalah redundansi dan kurangnya kebijakan internal terkait tata kelola data, yang mengakibatkan pengambilan keputusan tidak optimal dan risiko kesalahan pengolahan data. Penelitian ini bertujuan untuk mengevaluasi pengelolaan data saat ini, mengidentifikasi kebutuhan pengelolaan data yang efektif, dan merumuskan rekomendasi tata kelola data berdasarkan kerangka kerja Data Management Data Management Body of Knowledge (DAMA DMBOK) sesuai kondisi perusahaan. Penelitian dilakukan selama tiga bulan dari Desember 2023 hingga Februari 2024 di PT. XYZ Kantor Jakarta. Teknik penentuan sampel menggunakan purposive sampling kepada informan yang dianggap ahli di bidangnya. Data primer dikumpulkan melalui kuesioner skala Likert, sementara data sekunder diperoleh dari dokumen relevan seperti profil perusahaan dan data operasional. Evaluasi kondisi tata kelola saat ini dilakukan untuk memahami harapan manajemen. Identifikasi kebutuhan tata kelola data mencakup analisis kebijakan internal dan masalah data yang ada, termasuk pengukuran kematangan data dan analisis kesenjangan antara kondisi saat ini dengan kondisi yang diharapkan. Rekomendasi tata kelola data dirancang mencakup pemetaan peran dan tanggung jawab, pengembangan model operasional, serta penyusunan peta jalan implementasi. Kategori kesiapan pengukuran yang dinilai dalam penelitian ini adalah Data Management Maturity (skor 2,1), Capacity to Change (3,2), Collaborative Readiness (2,5), dan Business Alignment (2,8). Nilai rata-rata keseluruhan adalah 2,7, menunjukkan kondisi moderat dalam kemampuan manajemen informasi dan efektivitas tata kelola data di PT. XYZ. Pengukuran ini berfungsi sebagai alat kontrol dan umpan balik untuk meningkatkan tata kelola data. Berdasarkan hasil pengukuran area pengetahuan, pengelolaan data saat ini berada di level 1 atau initial/ad hoc dengan nilai rata-rata 1,7, menunjukkan kebutuhan peningkatan signifikan dalam berbagai aspek.

v

Berdasarkan area pengetahuan yang dinilai didapatkan Data Governance memperoleh skor 1,8 dan berada pada level Initial/Ad Hoc, menunjukkan bahwa tata kelola data masih dalam tahap awal dan belum terstruktur dengan baik. Area Data Architecture memperoleh skor 2,33 dengan level Repeatable, yang berarti bahwa arsitektur data sudah mulai bisa diulang tetapi belum sepenuhnya optimal. Data Modelling and Design memiliki skor 2,00 dan berada pada level Repeatable, menunjukkan bahwa pemodelan dan desain data sudah mulai diterapkan dengan pola berulang. Data Storage and Operations memperoleh skor 3,00 dan berada pada level Defined, yang menunjukkan bahwa operasi dan penyimpanan data sudah terdefinisi dengan baik. Namun, area Data Security hanya memiliki skor 1,8 dan berada pada level Initial/Ad Hoc, menandakan bahwa keamanan data masih belum memadai. Data Integration and Interoperability juga berada pada level Initial/Ad Hoc dengan skor 1,83, menunjukkan bahwa integrasi dan interoperabilitas data masih dalam tahap awal. Document and Content Management memperoleh skor 2,50 dan berada pada level Repeatable, yang berarti manajemen dokumen dan konten sudah mulai bisa diulang. Reference and Master Data juga berada pada level Initial/Ad Hoc dengan skor 1,8, menunjukkan bahwa data referensi dan master masih dalam tahap awal. Data Warehousing and Business Intelligence serta Metadata Management tidak memiliki kapabilitas yang memadai, dengan kedua area ini mendapatkan skor 0,00 dan berada pada level No Capability. Terakhir, Data Quality memperoleh skor 1,33 dan berada pada level Initial/Ad Hoc, menunjukkan bahwa kualitas data masih belum terstruktur dengan baik dan membutuhkan perbaikan signifikan. Penerapan tata kelola data yang bertahap dan sistematis penting untuk mengurangi risiko kegagalan dan memfasilitasi adaptasi anggota organisasi terhadap perubahan. Rekomendasi perancangan tata kelola data melibatkan validasi melalui wawancara dengan pihak-pihak terkait, yang menunjukkan bahwa area seperti Data Governance, Reference and Master Data, dan Data Quality menjadi prioritas utama dengan skor validasi tertinggi. Peta jalan tata kelola data yang diusulkan mencakup enam tahapan selama tiga tahun, masing-masing dengan fokus pada aspek wawasan data, kualitas data, standar data, dan tata kelola data. Usulan peta jalan merumuskan rencana pengembangan tata kelola data dalam perusahaan selama periode tiga tahun yang dibagi ke dalam enam tahapan. Tahap pertama fokus pada dasar-dasar tata kelola data, tahap kedua pada pengembangan struktur data, tahap ketiga pada model dan desain data, tahap keempat pada validasi data dan implementasi standar, tahap kelima pada pengembangan laporan dan analisis data, dan tahap keenam pada penyelesaian tata kelola data. Pendekatan ini memberikan panduan langkah demi langkah untuk meningkatkan tata kelola data secara keseluruhan, memastikan data dikelola dengan baik, akurat, dan bermanfaat bagi perusahaan.

In the rapidly evolving digital era, data has become a valuable asset for organizations across various sectors. The presence of a holistic data governance framework to manage, protect, store, and efficiently use data is highly needed. Good data governance helps avoid risks such as data breaches, privacy violations, and compliance issues. PT. XYZ, an information technology company engaged in the trade of goods/services, e-commerce, rentals, and IT solutions, recognizes the importance of data management in supporting its vision and mission. With branches almost all over Indonesia, PT. XYZ serves customers from government institutions and corporations. PT. XYZ's data volume continues to increase, encompassing operational, financial, and customer data. Effective data management supports quick and accurate decision-making while maintaining data integrity and security. PT. XYZ faces challenges in data management, including redundancy issues and a lack of internal policies related to data governance, leading to suboptimal decision-making and data processing errors. This study aims to evaluate current data management, identify the needs for effective data management, and formulate data governance recommendations based on the Data Management Body of Knowledge (DAMA DMBOK) framework in line with the company's conditions. The research was conducted over three months, from December 2023 to February 2024, at PT. XYZ's Jakarta office. The sampling technique used was purposive sampling to informants considered experts in their fields. Primary data was collected through Likert scale questionnaires, while secondary data was obtained from relevant documents such as the company's profile and operational data. Evaluation of the current governance conditions was conducted to understand management's expectations. Identification of data governance needs included analysis of internal policies and existing data issues, such as data maturity measurement and gap analysis between current and expected conditions. Data governance recommendations were designed to include role and responsibility mapping, operational model development, and implementation roadmap formulation. The readiness categories assessed in this study are Data Management Maturity (score 2.1), Capacity to Change (3.2), Collaborative Readiness (2.5), and Business Alignment (2.8). The overall average score is 2.7, indicating moderate conditions in information management capabilities and data governance effectiveness at PT. XYZ. This measurement serves as a control and feedback tool to improve data governance. Based on the knowledge area measurement results, current data management is at level 1 or initial/ad hoc with an average score of 1.7, indicating a significant need for improvement in various aspects. Based on the assessed knowledge areas, Data Governance scored 1.8, indicating it is still in the initial/ad hoc stage and not well-structured. Data

vii

Architecture scored 2.33 at the Repeatable level, meaning the data architecture is starting to be repeatable but not fully optimized. Data Modeling and Design scored 2.00 at the Repeatable level, showing that data modeling and design are beginning to be applied in repetitive patterns. Data Storage and Operations scored 3.00 at the Defined level, indicating that data operations and storage are well-defined. However, Data Security only scored 1.8 at the Initial/Ad Hoc level, signifying inadequate data security. Data Integration and Interoperability also scored 1.83 at the Initial/Ad Hoc level, indicating early-stage integration and interoperability. Document and Content Management scored 2.50 at the Repeatable level, meaning document and content management is starting to be repetitive. Reference and Master Data scored 1.8 at the Initial/Ad Hoc level, indicating that reference and master data are still in the early stages. Data Warehousing and Business Intelligence and Metadata Management lacked adequate capabilities, scoring 0.00 at the No Capability level. Lastly, Data Quality scored 1.33 at the Initial/Ad Hoc level, indicating poorly structured data quality needing significant improvement. A phased and systematic approach to data governance implementation is crucial to reduce failure risks and facilitate organizational members' adaptation to changes. Data governance design recommendations involve validation through interviews with relevant parties, showing areas like Data Governance, Reference and Master Data, and Data Quality as top priorities with the highest validation scores. The proposed data governance roadmap encompasses six stages over three years, each focusing on aspects of data insight, data quality, data standards, and data governance. The roadmap outlines a three-year development plan divided into six stages. The first stage focuses on the fundamentals of data governance, the second on developing data structures, the third on data modeling and design, the fourth on data validation and standard implementation, the fifth on report and data analysis development, and the sixth on completing data governance. This approach provides a step-by-step guide to improving overall data governance, ensuring data is well- managed, accurate, and beneficial for the company.