Modernisasi Monitoring Subsidi Kapal Perintis: Implementasi Dashboard Interaktif dan AI untuk Efisiensi Pelaporan di PT PELNI

1. Pendahuluan

Sebagai bagian dari PT PELNI (Persero) yang bertugas menjaga konektivitas di wilayah tertinggal, terpencil, terluar, dan perbatasan (3TP), pengelolaan armada kapal perintis adalah tanggung jawab yang besar. Dalam keseharian saya sebagai Staf Subsidi Kapal Perintis, data merupakan elemen yang tidak terpisahkan. Setiap harinya, kami berhadapan dengan volume data yang masif, mulai dari identitas armada seperti Sabuk Nusantara 100 s.d. 108, data pelabuhan pangkalan, hingga rincian keuangan yang sangat mendetail.

Latar belakang saya mengikuti pelatihan Data Analytics ini didorong oleh tantangan nyata di unit kerja, yaitu masih adanya kerumitan manual dalam membaca dan mengolah laporan penyerapan subsidi. Sering kali, visualisasi data yang ada terlalu rumit sehingga menyulitkan user atau manajemen dalam menangkap kondisi riil serapan anggaran secara cepat.

Tujuan utama dari pembelajaran ini adalah agar saya mampu membangun sebuah sistem monitoring yang otomatis dan akurat. Manfaat yang diharapkan sangat konkret: mengeliminasi proses manual yang memakan waktu, menyajikan data serapan subsidi secara real-time, serta mempermudah identifikasi hambatan (bottleneck) administratif di berbagai pangkalan guna mendukung langkah intervensi strategis dari pusat

2. Materi yang Dipelajari

Pembelajaran diawali dengan pemahaman fundamental mengenai alur kerja seorang analis data yang dimulai dari Data Understanding, Cleaning, Analysis, hingga Reporting. Berikut adalah ringkasan materi inti yang saya peroleh:

1. Dasar-Dasar Statistika dan Excel: Mempelajari penggunaan statistika deskriptif (Mean, Median, Mode, dan Standard Deviation) untuk memberikan gambaran umum tentang karakteristik data. Selain itu, saya mempelajari teknik analisis korelasi untuk mengevaluasi hubungan antar variabel dan analisis regresi untuk melakukan prediksi sederhana di masa depan.
2. Data Cleaning dan Tata Kelola Data: Memahami bahwa kualitas data sangat bergantung pada proses pembersihan. Materi ini mencakup penanganan data duplikat, nilai yang hilang (missing values), hingga standarisasi format menggunakan fitur Power Query di Excel maupun Power BI.
3. Business Intelligence (BI) dengan Power BI: Pembelajaran mendalam mengenai Semantic Model, yaitu cara menghubungkan berbagai tabel (Tabel Fakta dan Tabel Dimensi) melalui relasi yang tepat. Saya juga mempelajari bahasa formula DAX (Data Analysis Expressions) seperti fungsi CALCULATE, SUM, dan AVERAGE untuk melakukan perhitungan kompleks secara dinamis.
4. Integrasi AI untuk Analitik: Teknik prompting yang efektif (menggunakan kerangka Context, Instruction, Output Format, dan Constraint) untuk membantu audit data, meringkas laporan, hingga menyusun formula Excel secara otomatis.
5. Visualisasi Data Interaktif: Menyusun dasbor yang tidak hanya statis, tetapi mampu melakukan filtering dan drill-down menggunakan Slicer untuk melihat detail data dari level agregat hingga ke unit terkecil.

3. Pembelajaran yang Didapat (Lesson Learned)

Nilai terpenting yang saya peroleh adalah pemahaman bahwa data tidak dapat langsung dianalisis sebelum melalui proses data cleaning. Sekitar 80% waktu seorang analis dihabiskan untuk Data Cleaning, karena data yang berantakan akan menghasilkan kesimpulan yang kurang tepat (garbage in, garbage out).

Pelajaran lainnya yang saya dapatkan adalah memandang AI sebagai asisten, bukan pengganti kemampuan berpikir kritis. Meskipun AI mampu memberikan jawaban cepat, keputusan akhir tetap memerlukan intuisi manusia yang memahami konteks bisnis di perusahaan. Keterampilan teknis dalam membangun Semantic Model di Power BI juga memberikan perubahan cara kerja bagi saya yang mana data yang ter segemntasi di berbagai spreadsheet dapat disatukan dalam satu dasbor tunggal yang saling terhubung.

4. Implementasi dalam Pekerjaan

Sebagai rencana nyata, saya akan menerapkan ilmu ini untuk membangun Dashboard Monitoring Serapan Subsidi Kapal Perintis. Langkah-langkah konkretnya meliputi:

1. Konsolidasi Data: Mengumpulkan data Buku Besar (GL) keuangan dan data realisasi verifikasi dari berbagai pangkalan operasional.
2. Automasi Pembersihan: Menggunakan Power Query untuk menyelaraskan format pangkalan dan nama kapal secara otomatis, sehingga tidak ada lagi input manual yang berulang.
3. Visualisasi Bottleneck: Menampilkan metrik finansial utama (RAB vs Realisasi) serta grafik batang dinamis yang menyoroti wilayah dengan selisih administrasi terbesar.
4. Pelaporan Strategis: Menyusun Executive Summary berbasis data visual yang dapat diakses oleh manajemen kapan saja, sehingga intervensi terhadap kendala operasional di lapangan dapat dilakukan lebih cepat.

Potensi manfaat bagi perusahaan adalah meningkatnya transparansi anggaran dan akurasi pencairan subsidi, yang pada akhirnya akan menjaga stabilitas arus kas perusahaan dan kepuasan pemangku kepentingan pusat.

5. Penutup

Pelatihan Data Analyst ini menjadi wawasan bagi saya untuk menyiapkan viusalisasi data yang saya kerjakan menjadi lebih mudah untuk dipahaim. Key takeaway dari pembelajaran ini adalah pentingnya integrasi data dan visualisasi yang berorientasi pada kebutuhan pengguna (Right Audience, Right Message, Right Format). Saya berharap dengan penerapan sistem monitoring berbasis data ini, efektivitas operasional armada PELNI, khususnya kapal perintis, dapat terus meningkat demi pelayanan konektivitas nasional yang lebih baik.