[Forwarded from denny Jd]
Malam ini kita akan kedapatan topik “Menerapkan Analisis Prediktif dalam Pengelolaan Sumber Daya Manusia” yang akan dibawakan oleh Pak Heru Wiryanto @Abu_Amany_Assundawy

[Forwarded from denny Jd]
Selamat malam semua, sebelum mulai, saya akan sampaikan aturan Kulgram malam ini:

[Forwarded from denny Jd]

Pertama, selain Pemateri dan Moderator dilarang chat selama Kulgram berlangsung. Kecuali diminta.

[Forwarded from denny Jd]
Kedua, pertanyaan bisa di-submit melalui link ini https://www.rumahmsdm.com/pertanyaan-kulgram

[Forwarded from denny Jd]
Saya akan memperkenalkan sedikit tentang pemateri kita malam ini:

[Forwarded from denny Jd]
Beliau adalah Konsultan Pengembangan Sumber Daya Manusia dengan bidang kekhususan, sebagai berikut:
– Menerapkan lansekap arsitektur pembelajaran melalui Implementasi Corporate University
– Mengembangkan konsep HR analytics dengan menerapkan HR Data Mining dan Penerapan Machine Learning di dunia HR.
– Mengembangkan “objective measurement” dan Data Analytics termasuk Computerized Adaptive Testing.

[Forwarded from denny Jd]
Seperti sudah dikenalkan sebelumnya juga oleh Pak Arief Budiarto:

“Malam ini kita menanti kulgram mas Heru Wiryanto. Beliau ahli dibidang predictive analysis. He is one of the best expert in predictive analysis?”

[Forwarded from denny Jd]
Selama lebih dari 25 tahun meniti pengalaman hidupnya yang didukung oleh minatnya yang tinggi di bidang Pengukuran yang obyektif pada Manajemen Sumber Daya manusia mendorong lulusan Fakultas Psikologi Universitas Padjadjaran, dan Pasca Sarjana Fakultas Psikologi Universitas Indonesia ini untuk berinovasi dan melakukan adopsi konsep dan metode termutakhir dalam dunia bisnis seperti penerapan metode Structural Equation Modeling, RASCH Model dan Item Response Theory, Bayesian Statistics sehingga lahirlah konsep-konsep seperti :
– Model Kepemimpinan Terintegrasi,
– Model Organisasi Sehat dan Berkinerja Tinggi,
– Model Berfikir Komputasi,
– Model Evaluasi Kebijakan yang teruji secara obyektif melalui data pendukung yang bersifat empiris.

[Forwarded from denny Jd]
Minat beliau kepada pengukuran dan pemutakhiran melalui pemanfaatan data mengantarkan kepada pengembangan data mining dan test adaptif berbasis komputer yang ditekuni selama ini.
Saat ini diberikan amanah menjadi narasumber untuk membantu Institusi Pemerintah, BUMN, swasta seperti : Garuda Indonesia, Telkom Indonesia, PLN, Kementerian Kesehatan RI, Kementerian Keuangan RI, sektor jasa keuangan, dlsbnya.

[Forwarded from denny Jd]
Langsung saja saya persilakan Pak Heru untuk menyampaikan materinya.

Selamat malam pak @Abu_Amany_Assundawy, silakan pak… ?

[Forwarded from Heru Wiryanto]
Assalammualaykum Warahmatulahi Wabarakatuh, Selamat Malam, Salam sejahtera buat kita semua.

[Forwarded from Heru Wiryanto]
Pertama-tama saya koreksi Dahulu Mas Denny, Pak Arief Budiarto Beliau Kepala Dinas Psikologi AD di bandung, senior saya di Psikologi UNPAD, dan banyak mensupport saya untuk mempelajari data science dan analisa prediktif.

[Forwarded from denny Jd]
Siap, mohon maaf. Pak Arief Budiarto. Noted. ?

[Forwarded from Heru Wiryanto]
Analisis prediktif merupakan tren Sumber Daya Manusia (SDM) yang dimasa mendatang. Meskipun banyak orang membicarakan analisis prediktif di bidang SDM, hampir tidak ada organisasi yang menerapkannya pada pengelolaan sumber daya manusia yang mereka punyai. Dalam kesempatan ini Saya akan menjelaskan apa itu analisis prediktif SDM dan bagaimana mereka bisa menjadi “Peta Perubahan Peran” sejatinya bagi departemen HR.

[Forwarded from Heru Wiryanto]
Logika Analisa prediktif di Bidang SDM

Apakah Anda tahu apa nilai kredibilitas pribadi Anda? Kita harus merujuk manajer tim bisbol Oakland Athletics Billy Bean dari film Moneyball atau profil Match.com? Mereka semua menggabungkan data dalam jumlah besar dan melakukan analisis prediktif untuk memprediksi masa depan (dalam waktu yang dekat).

Analisis prediktif ada dimana-mana. Pada intinya Analisis Prediktif adalah penggunaan teknologi yang mempelajari pola dari data yang ada dan menggunakan ini untuk meramalkan perilaku individu di masa depan. Ini artinya prediksi sangat spesifik. Di film Moneyball (seperti yangs saya anjurkan untuk menontotn film ini), prediksi analisis digunakan untuk memprediksi potensi keberhasilan pemain bisbol secara individual. Dengan cara yang sama, kita dapat menghitung credit score dari seseorang dengan menggunakan data historis dari jutaan orang di masa lalu untuk memprediksi apakah mereka dapat membayar kembali pinjaman yang ingin Anda ajukan untuk mobil baru atau rumah baru.

Analisis prediktif mau tidak mau, suka dan tidak suka melibatkan serangkaian teknik statistik (data mining) yang digunakan untuk memprediksi hasil yang belum pasti. Kita tidak akan membahas teknik itu secara mendetail khawatir akan pada kabur duluan….. he he he he……….

[Forwarded from denny Jd]
???

[Forwarded from Heru Wiryanto]
Sebagai ilustrasi mudahnya kita ambil contoh sederhana.

[Forwarded from Heru Wiryanto]
Katakanlah ada taman bermain di samping rumah Anda. Selama dua minggu terakhir, Anda mencatat apakah ada anak bermain di tempat bermain tersebut atau tidak. Anda juga mencatat data-data lain seperti cuaca yang cerah, hujan atau berawan, suhu dan kelembabannya. Nah berdasarkan data yang Anda kumpulkan, apakah Anda bisa memprediksi apakah akan ada anak-anak yang bermain di taman bermain tersebut pada hari tertentu?

[Forwarded from Heru Wiryanto]
Catatan data anda setelah diringkas sebagai berikut :

[Forwarded from Heru Wiryanto]

Catatan data selama 14 hari

[Forwarded from Heru Wiryanto]
Bisakah anda memprediksi kapan anak akan bermain dan tidak berdasar data diatas?

[Forwarded from Heru Wiryanto]
Ini adalah pertanyaan yang rumit. Jelas, kondisi cuaca ini ada kaitannya dengan apakah anak-anak bermain di luar atau tidak. Jika ramalan cuaca menyatakan akan turun hujan, artinya anak-anak cenderung tidak bermain di luar. Saat cuaca panas, anak-anak mungkin akan bermain di luar. Tapi apakah spreadsheet Anda dengan informasi empat belas hari berturut-turut menyimpan data yang cukup untuk membuat prediksi yang akurat mengenai apakah anak-anak akan dapat bermain di luar?

Data ini mungkin tampak tidak signifikan dibandingkan dengan sejumlah besar data SDM yang tersedia di perusahaan Anda. Namun, ini adalah contoh yang bagus. Mari kita cari tahu apa yang bisa kita lakukan dengan data 14 hari yang didapatkan ini.

[Forwarded from Heru Wiryanto]
Salah satu teknik yang sering dipakai dalam prediktif analitik dan yang paling sederhana, adalah diagram pohon keputusan, pada kesempatan kali ini kita tidak akan membahas teknis bagaimana diagram itu dibuat melalui koefisien gini dan entropy, tetapi bagaimana pohon keputusan itu dipergunakan untuk melakukan prediksi.

[Forwarded from Heru Wiryanto]
Metode Pohon keputusan secara umum merupakan model yang paling sederhana untuk menciptakan model prediktif. Pohon keputusan sendiri, mirip dengan pohon yang aslinya terdiri dari keputusan dan konsekuensi yang mungkin timbul. Pada pohon keputusan, setiap simpul mewakili hasil uji pada atribut tertentu dan masing-masing cabang menunjukkan hasil yang mungkin dari pengujian tersebut.

Saya membuat pohon keputusan berdasarkan data cuaca yang kami tetapkan dengan menerapkan beberapa teknik penggalian data (Data Mining) yang sederhana. Pohon keputusan dihitung dengan menggunakan algoritma decision tree, yang disebut C4.5. (jika yang berminat memperdalam saya akan rujuk alamat Rpubs saya uang membahas hal ini secara detail). Model pohon keputusan ini disusun sesuai dengan data yang ada dan dapat memprediksi apakah anak-anak akan bermain di taman bermain dengan akurasi 71%(untuk kasus diatas). Ini jauh lebih baik daripada menebak-nebak dengan kirata(kira-kira tapi nyata), yang memiliki akurasi 50%….. 50% terjadi dan 50% tidak.

Pohon keputusan merupakan cara yang praktis dan cukup jelas untuk memprediksi jika Anda melihat secara lebih detail lagi

[Forwarded from Heru Wiryanto]

Diagram Pohon keputusan

[Forwarded from denny Jd]
Pak Heru, sebelum lebih lanjut, apakah perlu rehat sebentar?

[Forwarded from Heru Wiryanto]
sedikit lagi… yap

[Forwarded from denny Jd]
baik pak… silakan

[Forwarded from Heru Wiryanto]
Ada dua prediktor kuat dalam decision tree (pohon keputusan) dengan menggunakan data tersebut tersebut. Cuaca adalah prediktor pertama. Anak-anak akan bermain di taman bermain 4 dari 5 kali saat cuaca cerah. Saat ramalan akan turun hujan, anak-anak tidak akan bermain di luar. Jika cuaca mendung/ berawan, kelembaban menjadi prediktor kedua. Anak-anak tidak mungkin bermain di luar jika kelembaban tinggi (biasanya saat hujan). Namun, bila kelembaban normal kemungkinan anak-anak akan bermain di luar . Dengan kata lain: ramalan cuaca dan kelembaban dapat digunakan untuk memprediksi secara akurat apakah anak-anak akan dapat bermain di taman atau tidak.

Baca juga:  Manfaat Strategis Pembentukan LSP P1 Studi Kasus PT. Vale Indonesia, Tbk

Meski contoh tersebut mungkin sangat sederhana dan tampak sangat logis, ini sudah dapat menunjukkan bagaimana analisis prediktif bekerja. Algoritma yang merupakan hasil mempelajari pola dari data yang ada dapat digunakan untuk membuat prediksi yang spesifik tentang masa yang akan datang. Eric Siegel (2013) membandingkannya dengan wiraniaga. Interaksi positif dan negatif mengajarkan kepada para tenaga penjualan/ wiraniaga mana teknik yang dapat bekerja dengan baik dan mana yang tidak. Dengan cara yang sama, analisis prediktif adalah memberikan peluang kepada organisasi untuk belajar dari pengalaman sebelumnya (data) untuk memprediksi apa yang akan terjadi di masa yang akan datang.

Bagaimana analisis prediktif dapat dilakukan praktik pengelolaan SDM

Sekarang, bagaimana analisis prediktif dapat dijalankan untuk pengeloaan SDM? Seperti yang saya pada diskusi-didkusi sebelumnya di telegram rumah SDM, bahwa Departemen SDM memiliki sejumlah besar data orang. Seharusnya dengan menerapkan analisis prediktif terhadap data ini, SDM dapat menjadi mitra strategis dengan mengandalkan model prediksi yang terbukti benar dan berbasis data, daripada mengandalkan firasat, gut feeling dan intuisi belaka. Analisis prediktif SDM memungkinkan Depatemen SDM memprediksi dampak kebijakan SDM terhadap kesejahteraan, kebahagiaan, dan kinerja karyawan.

[Forwarded from Heru Wiryanto]
Nah saya rehat dulu ya Pak denny

[Forwarded from denny Jd]
Silakan pak. Rehat dulu.

[Forwarded from denny Jd]
Sambil bapak ibu sekalian membaca.

[Forwarded from denny Jd]
Saya ingatkan, bahwa nanti akan ada sesi tanya jawab, silakan yang sudah mulai ada pertanyaan bisa submit pertanyaannya melalui link ini : https://www.rumahmsdm.com/pertanyaan-kulgram

[Forwarded from denny Jd]
Analisis Prediktif adalah penggunaan teknologi yang mempelajari pola dari data yang ada dan menggunakan ini untuk meramalkan perilaku individu di masa depan.

[Forwarded from denny Jd]
itu catatan saya .. bagian yang paling menggoda.. ?

[Forwarded from denny Jd]
Pak Heru, silakan bisa mulai kalau sudah selesai rehat. ?

[Forwarded from Heru Wiryanto]
Manajer SDM = Cenayang SDM? he he he he.

[Forwarded from denny Jd]
Kalau pakai data sudah bukan cenayang lagi ya pak? ?

[Forwarded from Heru Wiryanto]
Kita buktikan ke depan

[Forwarded from denny Jd]
siap

[Forwarded from denny Jd]
silakan pak

[Forwarded from Heru Wiryanto]
Pada kenyataannya, saat ini hanya sedikit organisasi yang mampu menghasilkan model prediksi untuk SDM. Menurut laporan Global Human Capital Trends (2016) dari Deloitte, hanya 8% dari seluruh dunia yang memiliki kemampuan ini pada tahun 2015. Angka ini meningkat dua kali lipat dibandingkan tahun sebelumnya. Pertumbuhan yang cepat ini juga bisa dilihat pada jumlah perusahaan yang menganggap analisis prediksi SDM sebagai tren penting.

[Forwarded from Heru Wiryanto]
Gambar 1, yang diambil dari laporan Deloitte Global Trends 2015, menunjukkan pentingnya prediktif analitik ini.

[Forwarded from Heru Wiryanto]

[Forwarded from Heru Wiryanto]
Banyak organisasi masih harus menempuh jalan panjang yang terhampar di depan mereka sebelum mereka dapat menghasilkan analisis prediktif SDM yang akurat dan tepat. Meski demikian keadaannya, adopsi awal dari teknik ini sudah menunjukkan beberapa hasil yang sangat menarik. Mari kita lihat lebih dekat beberapa dari mereka yang telah menerapkannya :

[Forwarded from Heru Wiryanto]
Google
Dalam bukunya Work Rules! (2015), Laszlo Bock, Wakil Presiden Senior People Operations (HRM) di Google, menulis bahwa instrumen terpenting Google People Operations adalah statistik. Pertanyaan dalam proses wawancara dan item yang ditanyakan dalam proses perekrutan Google semuanya sepenuhnya dilakukan secara otomatis, dihasilkan oleh komputer dan disesuaikan untuk mendapatkan kandidat terbaik. Selain itu, Google memprediksi probabilitas orang yang akan meninggalkan perusahaan dengan menerapkan analisis prediktif SDM. Salah satu temuan Google adalah bahwa tenaga penjualan yang baru direkrut yang tidak mendapatkan promosi dalam waktu empat tahun, jauh lebih mungkin untuk meninggalkan perusahaan.

[Forwarded from Heru Wiryanto]
Facebook
Apakah perekrut di perusahaan Anda memeriksa halaman Facebook pelamar? Mungkin seharusnya begitu. Sebuah studi di tahun 2012 mengungkapkan bahwa adalah mungkin untuk memprediksi kepribadian seseorang dan kinerja pekerjaan masa depan berdasarkan profil Facebook mereka (Kluemper, Rosen & Mossholder, 2012). Dalam penelitian ini, sejumlah peserta memberikan peringkat untuk direkrut berdasarkan profil Facebook. Peringkat ini memprediksikan 8% dari kinerja yang dihasilkan pekerja berdasarkan penilaian manajernya. Ada beberapa situs yang dapat memprediksi kepribadian secara komprehensif melalui status facebooknya salah satu contohnya : https://applymagicsauce.com bahkan saat ini telah dicoba algoritma prediksi tingkat kecerdasan dengan mempergunakan data data profil picture pada facebook.

[Forwarded from Heru Wiryanto]
meski 8% merupakan faktor yang tidak tinggi. Misalnya saja, tes kepribadian standar memiliki nilai prediksi yang lebih tinggi untuk kinerja dibandingkan dengan melihat profil Facebook seseorang. Namun, literatur menunjukkan secara runtut waktu bahwa model prediksi terbaik untuk kinerja pekerjaan masa depan menggabungkan berbagai prediktor, seperti tes IQ, wawancara terstruktur, dan tes kepribadian bersama-sama. Melihat melalui profil Facebook bisa menjadi instrumen tambahan untuk memindai kandidat dimasa depan.

[Forwarded from Heru Wiryanto]
US Special Forces
Selama pelatihan yang dilakukan sangat selektif, Pasukan Khusus AS. memprediksi kandidat mana yang paling mungkin berhasil. Dua prediktor utama adalah ‘grid’ dan kemampuan untuk melakukan lebih dari pushups 80 kali. Grid sebenarnya adalah prediktor kesuksesan pelatihan yang lebih akurat daripada IQ. Silakan explore Ted Talk milik Angela Lee Duckworth jika Anda tertarik untuk mengetahui lebih banyak.

[Forwarded from denny Jd]
Mengingatkan kembali untuk pertanyaan bisa disubmit melalui link ini https://www.rumahmsdm.com/pertanyaan-kulgram

[Forwarded from Heru Wiryanto]
Wikipedia
Wikipedia editor, atau Wikipedians, membuat dan mengedit artikel agar ensiklopedia terbesar di dunia tetap up-to-date. Setiap hari, lebih dari 800 halaman baru dibuat dan 3.000 suntingan dibuat di Wikipedia dalam bahasa Inggris saja. Wikipedia mampu memprediksi siapa dari 750.000 editor yang dimilikinya yang paling mungkin berhenti berkontribusi dimasa depan. Saya tidak yakin bagaimana Wikipedia mengatasi masalah ini ini, tapi saya rasa ucapan ‘terima kasih atas kontribusi Anda sejauh ini’ – email ini dapat membuat membuat keajaiban dalam menghargai dan melibatkan kembali para Wikipedian dimasa yang akan datang.

[Forwarded from denny Jd]
silakan lanjut pak Heru?

[Forwarded from Heru Wiryanto]
Best Buy
(pemimpin dalam analisis prediktif SDM) dapat secara akurat memprediksi bagaimana keterlibatan karyawan mempengaruhi kinerja toko-toko mereka. Peningkatan 0,1% dalam keterlibatan karyawan menghasilkan peningkatan lebih dari $ 100.000 pendapatan tahunan toko. Dampak besar keterlibatan tersebut mendorong Best Buy untuk melakukan survei keterlibatannya setiap tiga bulan dan bukan setiap tahun.

[Forwarded from Heru Wiryanto]
HP
HP mengembangkan algoritma skor Flight Risk untuk membantu para manajer membuat keputusan yang lebih tepat. Skor tersebut sebagai sinyal peringatan dini dan meminta manajer untuk melakukan intervensi sebelum terlambat mengenai “keluar atau tidaknya karyawan yang potensial dan berkinerja unggul. Atau, bila kehilangan karyawan tersebut tidak dapat dihindarkan, maka apa kontingensinya. Menurut Siegel (2013), HP berhasil menghemat sekitar $ 300 juta dengan menerapkan analisis prediktif SDM di HR untuk menghitung risiko Flight Risk ini.

[Forwarded from Heru Wiryanto]
Ini yang kasus yang paling menarik untuk saya:

[Forwarded from Heru Wiryanto]
Jangan pernah mempekerjakan Toxic Employee

Contoh analisis prediktif SDM yang lain, adalah studi kasus yang diterbitkan oleh Cornerstone (2015). Cornerstone mempelajari dampak Toxic employee di tempat kerja. Toxic employee(TE) adalah karyawan yang paling mungkin terlibat dalam perilaku yang tidak biasa. Contoh perilaku ini adalah kecurangan, narkoba atau penyalahgunaan alkohol, atau pelecehan seksual.

Baca juga:  Manfaat dan Tantangan Implementasi Integrated Talent Manajemen

Orang-orang yang mengidap TE ini tidak hanya merusak perusahaan; Mereka sangat merusak terhadap lingkungan kerja umum. Penelitian sebelumnya mengemukakan bahwa satu karyawan mengidap TE dalam sebuah tim akan menyebabkan produktivitas turun 30% sampai 40%. Selain itu, karyawan yang baik cenderung berhenti saat harus bekerja sama dengan kolega yang mengidap TE.

[Forwarded from Heru Wiryanto]
Cornerstone menggunakan dataset dari 63.000 karyawan. Dalam dataset ini, mereka memindai karyawan yang secara tidak sengaja dihentikan karena kekerasan di tempat kerja, pemalsuan dokumen, narkoba, dan penyalahgunaan alkohol, dan pelanggaran kebijakan lainnya. Berdasarkan kriteria ini, sekitar 4% dari seluruh karyawan dapat diklasifikasikan sebagai ‘beracun’ atau TE.

Setelah menganalisa dataset, Cornerstone mengidentifikasi sejumlah karakteristik kunci dari orang beracun.

Orang yang mengidap TE:

– adalah menyatakan dirinya sebagai pengikut aturan atau followers;

– memiliki skor rendah pada kehadiran dan ketergantungan(dependability);

– dan memiliki orientasi layanan pada pelanggan yang rendah.

[Forwarded from Heru Wiryanto]
Hebatnya, penelitian ini tidak menemukan tingkat kehilangan produktivitas yang dilaporkan sebelumnya dalam jangka pendek. Namun, ternyata ternyata perilaku toksik bisa menular. Selain itu, penelitian tersebut menghasilkan hipotesa bahwa karyawan yang mengidap TE berkontribusi terhadap stres jangka panjang dan kelelahan bagi karyawan yang lainnya.

[Forwarded from Heru Wiryanto]
Pada akhirnya, Cornerstone membuktikan bahwa mempekerjakan seorang karyawan yang mengidap TE akan menghabiskan waktu pada para manajer yang senilai dengan $ 12.800, versus rata-rata $ 4.000 untuk karyawan yang tidak mengidap TE. Ini tidak termasuk kerugian produktivitas jangka panjang (yang mahal), proses yang melelahkan dan efek negatif lainnya. Dengan menyempurnakan proses perekrutan, perusahaan dapat mencegah mempekerjakan kandidat yang cenderung menjadi Toxic employee (TE) dan menciptakan lingkungan kerja yang lebih sehat.

[Forwarded from denny Jd]
Wow

[Forwarded from Heru Wiryanto]
terakhir contoh dari JP Morgan menggunakan algortihm untuk memprediksi perilaku karyawannya: silakan explore disini : https://www.bloomberg.com/news/articles/2015-04-08/jpmorgan-algorithm-knows-you-re-a-rogue-employee-before-you-do? , terlalu panjang untuk diulas ceriteranya.

[Forwarded from Heru Wiryanto]
Sebuah “Perubahan Peta Peran” untuk HR

Seperti ditunjukkan contoh sebelumnya, hasil penerapan analisis prediktif SDM dapat mengejutkan. Departemen HR berpotensi menyimpan (atau memperoleh) jutaan dolar pada perusahaan mereka. Selain itu, HR dapat membantu manajer dan eksekutif mereka membuat keputusan yang lebih baik dengan menerapkan analisis prediktif SDM dan menggunakan pengukruan SDM yang akurat.

Potensi analisis prediktif SDM yang ditunjukkan oleh kasus-kasus bisnis ini memperjelas bahwa analisis prediktif SDM akan dibutuhkan dimasa depan. Mereka yang dapat memerankan peran baru yang memungkinkan HR untuk tidak hanya menilai bagaimana karyawan bekerja saja, lebih dari itu yakni dapat memprediksi dan mengoptimalkan dampak kebijakan SDM terhadap karyawan dan bisnis pada umunya.

[Forwarded from Heru Wiryanto]
Selesai juga paparannya…….

[Forwarded from denny Jd]
Saya keasikan baca nya pak…

[Forwarded from denny Jd]
Minta 1 menit untuk selesaikan baca yang terakhir

[Forwarded from denny Jd]
Selesai.. ?

[Forwarded from denny Jd]
Pak Heru silakan rehat sejenak.

[Forwarded from Heru Wiryanto]
1 jam kurang 3 menit…….

[Forwarded from denny Jd]
Hehehe.. iya pak.. sesuai prediktif Analisis Prediktif saya ?????

[Forwarded from denny Jd]
sambil menunggu bapak ibu yang lain yang mungkin masih membaca… berikut saya informasikan lagi link pertanyaan : https://www.rumahmsdm.com/pertanyaan-kulgram

bapak ibu yang punya pertanyaan silakan submit melalui link tersebut ?

[Forwarded from denny Jd]
Pak Heru, saya mau tanya duluan boleh ya?

[Forwarded from Heru Wiryanto]
siap.

[Forwarded from denny Jd]
Ini pertanyaan mungkin basic banget pak. Dan daripada saya tidak bisa tidur malam ini, mendingan saya keliatan bodo aja gak papa.

Pertama, yang dimaksud dataset ini apakah memang hanya kumpulan data yang terdiri dari kolom-kolom itu saja? Atau mungkin bapak bisa jelaskan mengenai dataset, pemahaman yang benar, supaya saya tidak tersesat. ??

[Forwarded from denny Jd]
silakan pak, itu dulu

[Forwarded from Heru Wiryanto]
Data set biasanya adalah data yang sudah siap diana;isa terdiri dari prediktor atau dalam data science disebut fitur, dan terdapat target prediksi. Misalkan kita akan memprediksi karyawan yang berprestasi maka data set akan berisi prediktor : Usia, Jenis Kelamin, Masa Kerja Pendidikan, dlsbnya serta terdapat satu variabel yang akan di predik yakni prestasi karyawan bisa datanya kategori : berprestasi atau tidak atau berupa angka misalkan indeks prestasi. Data set merupakan hasil pengolahan dari raw data (data mentah) yang sudah melalui proses cleaning pembersihan data untuk menjaga kualitas datanya…. karena tentunya jika kualitas datanya kurang baik bagaimana prediksi akan akurat?

[Forwarded from denny Jd]
Nah, oke, berarti bukan data raw. Hilang satu penasaran saya. Terima kasih, pak.

[Forwarded from denny Jd]
Saya mau tanya lagi, tapi ternyata saya bingung mau susun kalimatnya.
Berikut ada pertanyaan yang sudah masuk, pak

[Forwarded from denny Jd]
Pertanyaan dari Lyra Puspa (Vanaya Coaching Institute)
Bagaimana kita bisa memanfaatkan dan menjamin efektifitas analisis prediktif dg kondisi ketersediaan dan akurasi data di Indonesia yg lumayan memprihatinkan?

[Forwarded from denny Jd]
Silakan pak Heru ..?

[Forwarded from Heru Wiryanto]

[Forwarded from Heru Wiryanto]
kita coba itu data talent berisi 7000 responden dari data setnya…..kira kira yang mana fitur yang mana target?

[Forwarded from denny Jd]
lanjut ini dulu pak.. mau dapat penjelasannya…

[Forwarded from Heru Wiryanto]
Pertanyaan yang baik, saya sendiri selalu mengingatkan hukum 1:10:100, dalam prediktif analitik, 1 itu ketika rencana dibuat, bayangkan arsitek menggambar sebuah rumah dengan harga katakan 10 juta (harga gambarnya), nah ketika rumah itu dibangun ternyata ada kesalahan digambar maka biaya untuk merombak dan membetulkannya menjadi 10 kali…. kira kira 100 Juta……Nah kalo kesalahannya ketahuan sudah serah terima dan sudah jadi kebayang jadi 100 kali dari harga awal. Pada proyek prediktif analitik pun seperti itu…… sehingga proses data cleaning itu memakan waktu 80% dari proses prediktif analitik secara keseluruhan. Ada keuntungannya untuk yang belum mulai ke arah ini, jika perusahaan terdahulu sudah ngumpulkan data…. bahkan overload data…..sehingga bingung data cleaning. nah yang belum mulai ngumpulin data…… justru saatnya mulai membuat struktur data yang benar, dan jangan lupa “data governance” yang perlu dibuat…….. nah di Indonesia kan banyak yang baru mulai……kesempatan bagi kita untuk mulai. Untuk yang sudah kadung overload……outsourcing ajah ke dinas pembersihan data untuk proses data cleaningnya…..

[Forwarded from denny Jd]
Menarik, ternyata yang belum mulai malah diuntungkan dengan struktur data yang benar.

[Forwarded from denny Jd]
Pak Heru, sebelum lanjut ke pertanyaan selanjutnya, bagi yang belum mulai mengumpulkan data. Mohon kiat dari Pak Heru mengenai struktur data yang benar. Kalau ada referensi bacaan juga bisa dishare pak. ?

[Forwarded from denny Jd]
silakan pak..

[Forwarded from Heru Wiryanto]
Ini guidance yang sangat praktis :

[Forwarded from Heru Wiryanto]

ini saya cuplik dari bukunya David Green : The basic Principles of people analiytics hal 79 -80

[Forwarded from denny Jd]
Baik, saya noted bukunya, nanti saya baca lebih lanjut. Terima kasih sudah dicuplikan ?

[Forwarded from denny Jd]
Pak Heru silakan rehat sejenak. Kalau sudah, apakah bisa ke pertanyaan selanjutnya, pak?

[Forwarded from Heru Wiryanto]

ini buku yang wajib khatam ya

[Forwarded from denny Jd]
????

[Forwarded from denny Jd]
siap pak, lanjut ya pak..

[Forwarded from Heru Wiryanto]
yap

[Forwarded from denny Jd]
Pertanyaan selanjutnya ini ada hubungannya salah satunya dengan kualitas data. Pertanyaan dari Gandung (Telkom):

Baca juga:  Giving Feedback, Gampang tapi Susah.

Pak Heru, dlm rangka menghasilkan analisis prediktif yg akurat diperlukan dukungan data yg masif. Sementra banyak data2 di aspek HR yg tdk semuanya tercapture ke dalam sistem teknologi alias manual, dibanding data2 pemasaran dan keuangan misal.

Lalu apakah kita harus fokus ke integrasi data dulu sbelum melangkah ke predictive analytics?

[Forwarded from denny Jd]
Silakan pak Heru..

[Forwarded from Heru Wiryanto]
Ini kenyataan yang harus dihadapi ya Pak…….Pengalaman saya kalo nunggu integrasi data…..nggakk nyampe -nyampe, bahkan ada di perusahaan yang sudah mengerahkan segala daya upaya selama 2 tahun untuk integrasi data dari pelbagai system yang ada hasilnya ya jadi ora kelar kelar…. dan kapan prediksinya dimulai…. saya sarankan justru mulailah dari data yang dipunyai dulu…… kita tidak bisa compliance 100%, jika nanti ada data yang tidak lengkap, sistem memberikan solusi dengan metode tertentu ditaksir data yang tidak lengkap itu…. misalkan dengan Missing Value Analysis. Dan yang menarik proses data mining : “ask the right questions”……jadi bukan dengan “integrasi data’ he he he….. silakan lihat bagan ini

[Forwarded from Heru Wiryanto]

[Forwarded from Heru Wiryanto]
Yang penting justru persoalan bisnis atau masalah apa yang akan kita pecahkan dengan analisa prediktif…. nah terkadang kita gamang dengan pertanyaan ini…… jangan dibalik kita punya data ini lalu apa masalahnya ya?

[Forwarded from denny Jd]
Noted, jangan dibalik.

[Forwarded from denny Jd]
Hari ini pertanyaan yang masuk saya sabotase.

[Forwarded from denny Jd]
Ada satu lagi yang saya penasaran pak. Saat ini kan ada beberapa tools yang digunakan untuk mendeskripsikan personality, way of thinking, dll. Saya terus terang tidak terlalu paham, hanya tau saja.
Pertanyaannya, apakah secara alur proses (atau apa istilahnya) ini adalah sama-sama prediktif analisis? Hanya beda datasetnya?
Mohon dicerahkan, Pak Heru..

[Forwarded from Heru Wiryanto]
Nah kalo ini saya kurang periksa…. dalam melakukan analisa prediktif kita selalu menggunakan model algoritma, salah satu contoh yang diatas menggunakan C4.5 padahal didunia data science saat ini sudah berkembang hampir 50 an algoritma yang dapat dilakukan prediksi. sebagai Ilustrasi ketika kita tanyakan urutan angka 2,4,6 selanjutnya angka berapa? maka jawaban yang mungkin pertama kali adalah 8 itu adalah polanya atau aturanya berati n+2, namun itu bukan satu satunya algoritma bisa saja jawabnya 10, karena 2+4 =6, kemudian 4 + 6 = 10, jadi sepuluh, mungkin juga 2 + 4 + 6 jadi jawabannya 12. Nah pola pola itu kita sebut model polanya. Mana yang benar kita harus uji coba dengan kenyataan misalkan setelah diuji coba dengan data set bahwa dihasilkan dari 100 kali percobaan 80 kali menjawab 10, 15 kali menjawab 12 dan hanya 5 kali menjawab 8, maka prediksi yang paling kuat adalah nilai 10 yakni sebesar 80%. jadi prediktif analitik kalo dalam konteks data science atau data mining pasti menyangkut algoritma yang digunakan, nah saya belum menemukan algoitma way of thinking, yang ada saat ini biasanya : Random Forest, Neural Netwok, KNN, Support Vector Machine, C50, C45, ADA, Naive Bayesian, Extreme Gradient Booster…dan yang lainnya.

[Forwarded from denny Jd]
kali ini saya setelah dijawab belum tercerahkan, tapi saya akan baca lagi dan kejar Pak Heru kalau masih ada pertanyaan ?

[Forwarded from denny Jd]
Pak Heru, tidak terasa waktunya sudah hampir jam 10.
Sebagai penutup, ada pesan-pesan yang bisa disampaikan bagi bapak ibu dan rekan semua disini pak?

[Forwarded from denny Jd]
Silakan pak Heru

[Forwarded from Heru Wiryanto]

Ini bagan lengkapnya untuk metode prediktif

[Forwarded from Heru Wiryanto]
closing : kita harus pertimbangkan juga apa yang membuat analisa prediktif gagal: David Green mengingatkan ada 5 hal : 1. The project is too ambitious, 2.Lack of relevance to the business, 3. Compliance was not factored in from the beginning, 4. Bad data, 5. No translation to actionable insights. Kelima hal ini yang harus kita sadari ketika akan menerapkan analisa prediktif……. Tinggal tunggu saatnya apakah kita mau melihat ke belakang terus……….atau sudah melihat kedepan dengan memprediksi masa depan…….. ntar yang selalu melihat ke belakang disebut orang HR yang gagal move on…… Salam Heru Wiryanto.

[Forwarded from denny Jd]
Terima kasih Pak Heru untuk sharing dan waktunya.

[Forwarded from denny Jd]
Saya ada sedikit kekawatiran yang nanti akan saya diskusikan dengan Pak Heru di luar sesi ini. Saya kuatir untuk belajar analisa prediksi ini ada minimum requirement dan saya tidak memenuhi ?

Tapi kalaupun tidak memenuhi, resiko sebenarnya di Pak Heru, karena saya pasti banyak tanya ?

[Forwarded from Heru Wiryanto]
Sama sama pak Denny……. ada minimum requirementnya : puasa senin kemis, 40 kali nggakk boleh putus…….

[Forwarded from denny Jd]
Sekali lagi, terima kasih Pak Heru yang sudah menyempatkan waktu berbagi malam ini.

[Forwarded from denny Jd]
Hahaha.. amin, saya jalankan.

[Forwarded from denny Jd]
Dengan ini Kulgram saya tutup. Silakan bapak ibu dan rekan semua yang ingin berdiskusi dan menyampaikan apresiasi kepada pemateri.

[Forwarded from denny Jd]
Pak Heru, terima kasih ?????

[Forwarded from denny Jd]
Berikut ada satu pertanyaan yang belum sempat terjawab tadi malam:

[Forwarded from denny Jd]
Achmad S. Ruky (Pribadi)
Akhir tahun 70an saat saya mulai kejeblos ke profesi MSDM saat saya mengikuti pelatihan recruitment di Kuapa Lumpur, saya ingat bagwa trainer mengajai bahwa salah satu data yang bisa dipakai meramalkan keberhasilan seorang calon karyawan dalam pekerjaannya yang baru adalah “past performance”-nya. Saat itu, saya juga tifak yakin dengan teorinya karena tuntutan dan persyaratan komoetensi untuk jabatan yang berikutnya akan sangat berbeda. Setelah membaca penjelasan Pak Heru ttg cara memprediksi “future perfomance” maka teori yang dijarkan oleh trainer itu adalah so pasti tidak benar. Betulkah begitu?

[Forwarded from denny Jd]
dan ini jawaban dari pak Heru :

[Forwarded from Heru Wiryanto]
saya lebih berprinsip manusia bisa berubah dengan hidayah dari Alloh, past perfor mance to predict future performance tidak seluruhnya salah….. namun jika mengandalkan hal itu seperti pada assessment berbasis behavioral dengan mengabaikan variabel lain diluar itu akan menjadi fatal. Kita lihat saja pada hasil assessment center pak…. yang dihasilkan adalah yang pandai berceritera, bermain sandiwara, karena simulasi yang disuguhkan memang menuntut bermain peran pada akhirnya kita lihat kualitas yang dihasilkan “pinter ngeles” dan ngegedein”pencitraan” aliias narsistik. Saya percaya juga tidak ada satupun metode yang sangat ampuh, kesemuanya harus diintegrasikan dengan data….. Nah data science berupaya menggabungkan data-data itu menjadi informasi yang bisa dijadikan pijakan dalam membuat prediksi kedepan. Seluruh data yang dipunyai diseleksi dengan benar kadar “importance”nya dalam memprediksi, sekalipun secara teori sangat bagus akan tetapi dari data empiris terbukti bahwa variabel itu memang tidak berdampak signifikan terhadap akurasi prediksi kita ya kita tidak ikut sertakan sebagai prediktor. Menariknya kita sudah sering “merujuk yang terdahulu” seperti sudah default dalam menentukan prediktor….. seprti talent itu hampir pasti prediktornya potensi, engagement, dan sejuta teorinya…..mereka tidak melihat di data yang mereke punyai sesungguhnya apakah preidiktor-prediktor itu memang baik untuk melakukan prediksi yang akan dilakukan. Kalo saja mereka menilik kisah Umar bin Khattab, Khalid bin Walid dan sahabat Nabi yang lainnya yang pada jaman Jahiliyahnya mempunyai perangai dan perilaku yang buruk setelah mendapat hidayah menjadi tokoh panutan bahkan pahlawan dalam menegakkan Agama Islam….. runtuhlah paham asumsi…..past performance to predict future performance.

[Forwarded from denny Jd]
Terima kasih pak @Abu_Amany_Assundawy dan pak @ASRuky ??