🤖 Autonomous Information Systems & Edge Intelligence

S1 Sistem Informatika - FSTT ISTN Jakarta | Semester Ganjil 2025/2026

📊 Materi 2: Data dan Konteks dalam Pengambilan Keputusan

🎯 Pendahuluan

Dalam dunia sistem informasi modern, data adalah bahan bakar yang membuat sistem bisa berpikir dan mengambil keputusan. Tanpa data, sistem hanyalah kumpulan kode yang tidak tahu harus berbuat apa.

Namun, data saja tidak cukup. Sistem juga perlu memahami konteks - yaitu latar belakang situasi yang membantu sistem memahami makna dari data tersebut.

💭 Analogi Sederhana

Bayangkan kamu punya toko online. Kamu tidak tahu siapa pembelinya, kapan mereka belanja, atau apa yang mereka sukai. Kalau tidak ada data, kamu tidak bisa memberi promo tepat sasaran, bukan?

Rumus sederhana:

Data + Konteks = Keputusan yang Relevan

📋 Jenis-Jenis Data dalam Sistem Otonom

Jenis Data Deskripsi Contoh Konkret
1. Data Transaksi Data hasil interaksi langsung pengguna dengan sistem • Riwayat pembelian pelanggan
• Jumlah produk yang dilihat/diklik
• Nilai transaksi dan metode pembayaran
• Frekuensi pembelian per bulan
2. Data Perilaku Data yang menggambarkan bagaimana pengguna berinteraksi dengan sistem • Waktu pengguna aktif (pagi/siang/malam)
• Durasi membuka halaman tertentu
• Urutan klik saat berbelanja
• Scroll depth pada halaman produk
3. Data Konteks Data yang menjelaskan situasi atau kondisi di sekitar pengguna • Lokasi saat mengakses (Jakarta, Bandung)
• Waktu akses (weekday/weekend)
• Jenis perangkat (mobile/desktop)
• Koneksi internet (WiFi/mobile data)
4. Data Demografis Data karakteristik pengguna • Usia dan jenis kelamin
• Pekerjaan dan pendapatan
• Pendidikan
• Status pernikahan
5. Data Sosial Data interaksi sosial pengguna • Like, comment, share
• Following/followers
• Grup atau komunitas yang diikuti
• Interaksi dengan brand

🔍 Apa Itu "Konteks" dalam Pengambilan Keputusan?

Konteks berarti latar belakang situasi yang membantu sistem memahami makna dari data. Data yang sama bisa memiliki makna berbeda tergantung konteksnya.

📖 Ilustrasi: Pentingnya Konteks

🔍 Skenario: Dua pengguna sama-sama mencari kata "kopi"

Aspek User A User B
Waktu Pukul 07.00 pagi Pukul 22.00 malam
Lokasi Di kantor (GPS) Di rumah
Perangkat Mobile Desktop
Riwayat Sering beli kopi siap saji Sering beli kopi bubuk
Rekomendasi Sistem ☕ Kopi siap saji untuk kantor (ready to drink) ☕ Kopi instan sachet untuk santai di rumah

Kesimpulan: Keyword yang sama, tapi rekomendasi berbeda karena konteks yang berbeda!

⚙️ Proses Pengambilan Keputusan Berbasis Data

Sebuah sistem otonom biasanya melakukan 4 langkah utama dalam pengambilan keputusan:

🔄 Alur Proses Pengambilan Keputusan

1. Mengumpulkan Data
→
2. Menganalisis Pola
→
3. Menentukan Aksi
→
4. Belajar dari Hasil
Tahap Penjelasan Contoh di E-Commerce
1. Mengumpulkan Data Sistem mengambil data dari berbagai sumber (user activity, transactions, logs) User mencari "sepatu olahraga", mengklik 5 produk, menambah 1 ke cart, durasi 15 menit
2. Menganalisis Pola Mencari hubungan dan pola dari data yang terkumpul Analisis: "User ini tertarik sepatu Nike, rentang harga 500k-800k, ukuran 42, sering belanja saat promo"
3. Menentukan Aksi Otomatis Membuat keputusan dan mengeksekusinya ✓ Tampilkan sepatu Nike ukuran 42 range 500k-800k
✓ Kirim notif "Promo Flash Sale Sepatu Nike 30%"
✓ Tampilkan gratis ongkir untuk produk ini
4. Belajar dari Hasil (Feedback) Evaluasi apakah keputusan berhasil dan update model • Jika user beli → tingkatkan confidence untuk pola ini
• Jika user ignore → coba strategi lain
• Track conversion rate dan adjust algorithm

📱 Studi Kasus 1: Sistem Rekomendasi Produk Tokopedia

🎯 Objektif

Meningkatkan conversion rate dengan menampilkan produk yang tepat di waktu yang tepat untuk setiap pengguna berdasarkan data dan konteks mereka.

1. Data yang Dikumpulkan

Kategori Data Detail yang Dicatat Tujuan Pengumpulan
Perilaku Browsing • Produk yang dilihat
• Kategori yang dikunjungi
• Durasi view per produk
• Scroll depth 		Memahami minat dan preferensi produk
Riwayat Transaksi • Produk yang dibeli
• Frekuensi pembelian
• Nilai rata-rata transaksi
• Kategori yang sering dibeli 		Identifikasi pola pembelian dan budget range
Konteks Waktu • Jam akses (pagi/siang/malam)
• Hari (weekday/weekend)
• Periode gajian (awal/tengah/akhir bulan)
• Event khusus (Harbolnas, 11.11) 		Timing untuk menampilkan promo dan rekomendasi
Device & Lokasi • Jenis perangkat
• Kota/provinsi
• Tipe koneksi
• Bahasa yang digunakan 		Optimasi tampilan dan relevansi produk lokal
Interaksi Produk • Wishlist
• Add to cart tapi tidak checkout
• Rating dan review
• Share produk 		Mengukur intensi pembelian dan trigger reminder

2. Analisis Konteks untuk Personalisasi

# Pseudocode: Analisis Konteks function analyzeContext(user): context = { 'time_of_day': getCurrentTime(), 'day_type': isWeekend() ? 'weekend' : 'weekday', 'payday_proximity': getDaysUntilPayday(), 'location': user.city, 'device': user.device_type, 'purchase_history': user.transactions.length, 'cart_items': user.cart.length } # Contoh logika kontekstual if context.time_of_day == 'night' AND context.device == 'mobile': recommendation_type = 'casual_browsing' # Produk hiburan, hobi else if context.payday_proximity <= 3 AND context.purchase_history > 5: recommendation_type = 'high_value_items' # Produk premium else if context.cart_items > 0 AND last_visit_hours > 24: action = 'send_cart_reminder' # Kirim notifikasi return context, recommendation_type

3. Keputusan Otomatis Berdasarkan Konteks

Konteks Insight Keputusan Sistem
Senin Pagi, Mobile, Commuting User dalam perjalanan ke kantor ✓ Tampilkan quick view produk
✓ Highlight produk kebutuhan kantor
✓ Easy one-click purchase
Jumat Malam, Desktop, Gajian User punya waktu luang dan budget tersedia ✓ Tampilkan produk premium/wishlist
✓ Show flash sale dan limited edition
✓ Tawarkan bundling deals
Minggu Sore, Mobile, Rumah User santai browsing ✓ Rekomendasi produk hobi dan hiburan
✓ Content marketing (tips, tutorial)
✓ Soft selling approach
Akhir Bulan, Desktop, Office Budget terbatas, cari value for money ✓ Highlight diskon dan cashback
✓ Tampilkan produk range murah
✓ Offer installment plans

4. Implementasi dan Hasil

📊 Metrik Keberhasilan Setelah Implementasi

KPI Before After Improvement
Click-Through Rate (CTR) 3.2% 7.8% +144%
Conversion Rate 2.1% 4.9% +133%
Average Order Value Rp 425,000 Rp 580,000 +36%
User Engagement Time 9.4 menit 14.2 menit +51%
Cart Abandonment Rate 71% 48% -32%

💡 Total peningkatan revenue: +47% dalam 6 bulan pertama implementasi

🎵 Studi Kasus 2: Spotify - Konteks dalam Rekomendasi Musik

🎯 Objektif

Spotify ingin memberikan pengalaman mendengarkan musik yang personal dengan memahami konteks situasi pengguna, tidak hanya preferensi genre.

1. Data Multi-Dimensional yang Dikumpulkan

Dimensi Data Points
Preferensi Musik Genre favorit, artis yang diikuti, lagu yang di-save, skip rate per lagu
Konteks Waktu Jam mendengarkan (workout pagi, commute, kerja, tidur), hari dalam minggu
Aktivitas Running (detect via GPS+tempo), studying (low tempo), party (upbeat), relaxing
Mood Inferred dari tempo lagu yang dipilih, lirik sentiment, playlist yang dibuat
Sosial Teman mendengar apa, collaborative playlists, sharing behavior

2. Konteks-Aware Recommendation Engine

🕐 Contoh: User yang Sama, Konteks Berbeda

Waktu Konteks Terdeteksi Rekomendasi Playlist Karakteristik Musik
06:00 - 07:30 🏃 Morning workout (GPS moving, high heart rate pattern) "Beast Mode", "Workout Twerkout" Tempo: 140-180 BPM, Energi tinggi, EDM/Hip-hop
08:00 - 09:00 🚗 Commuting (GPS moving pattern, regular route) "Morning Commute", "Feel Good Morning" Tempo: 100-130 BPM, Uplifting, Pop/Indie
09:00 - 17:00 💼 Working (stationary, weekday, desktop) "Deep Focus", "Peaceful Piano" Tempo: 60-90 BPM, Instrumental, Lo-fi/Classical
19:00 - 22:00 🍽️ Evening relaxation (home, wind down pattern) "Chill Vibes", "Acoustic Evening" Tempo: 80-110 BPM, Mellow, Acoustic/R&B
22:00 - 23:00 😴 Sleep preparation (declining activity, night mode) "Sleep", "Peaceful Sleep" Tempo: <60 BPM, Ambient, Nature sounds/Meditation

3. Machine Learning + Konteks

# Simplified Spotify Context-Aware Algorithm function recommendMusic(user, current_context): # Analyze current context time_of_day = current_context.time activity = detectActivity(user.sensors) # GPS, accelerometer location_type = classifyLocation(user.gps) # home, gym, office, transit # Get user's historical patterns user_pattern = analyzeUserHistory(user.id, time_of_day, activity) # Combine collaborative filtering + context similar_users = findSimilarUsers(user, context=current_context) # Generate recommendations if activity == "WORKOUT" AND time_of_day == "MORNING": recommendations = getHighEnergyTracks( user_preference, tempo_range=[140, 180], genre_boost=['EDM', 'Hip-Hop', 'Rock'] ) elif activity == "COMMUTING" AND location_type == "TRANSIT": recommendations = getUpbeatButCalmTracks( user_preference, tempo_range=[100, 130], skip_rate_threshold=0.3 # Avoid songs user might skip ) elif activity == "WORKING" AND location_type == "OFFICE": recommendations = getFocusTracks( instrumental_preference=True, tempo_range=[60, 90], exclude_lyrics=user.preference.work_mode ) # Learn from immediate feedback trackUserResponse(user.id, recommendations, context=current_context) return recommendations

4. Hasil dan Impact

📈 Business Impact

  • User Retention: +32% (users lebih engaged karena musik selalu "pas")
  • Listening Time: Naik dari 25 jam/bulan menjadi 38 jam/bulan per user
  • Skip Rate: Turun 44% (rekomendasi lebih akurat)
  • Premium Conversion: +28% (free users upgrade karena fitur context-aware)
  • Playlist Completion Rate: Naik dari 42% ke 71%

💡 Key Learning

Kesuksesan Spotify bukan hanya dari mengerti "lagu apa yang disukai user", tapi "lagu apa yang tepat untuk situasi user saat ini".

Ini membuktikan bahwa konteks sama pentingnya dengan preferensi dalam sistem rekomendasi yang efektif.

⚠️ Tantangan dalam Penggunaan Data dan Konteks

1. Data Overload (Terlalu Banyak Data)

Masalah: Sistem kebanjiran data dari berbagai sumber, sulit memilah mana yang relevan.

Contoh: E-commerce mengumpulkan 50+ data points per user per session, tapi hanya 10% yang benar-benar berguna untuk keputusan.

Solusi:

  • Feature selection: Pilih hanya data yang high-impact
  • Data filtering: Buang noise dan outliers
  • Prioritization: Fokus pada data yang directly correlate dengan business goals

2. Konteks yang Berubah Cepat

Masalah: Preferensi dan situasi user berubah dengan cepat, model perlu update real-time.

Contoh: User biasanya suka produk fashion, tiba-tiba butuh elektronik karena laptop rusak.

Solusi:

  • Real-time data processing pipeline
  • Short-term vs long-term preference modeling
  • Decay function untuk data lama (data 6 bulan lalu less relevant)
  • Immediate feedback loop

3. Privacy dan Regulasi Data

Masalah: Pengumpulan data harus comply dengan GDPR, CCPA, UU PDP Indonesia.

Contoh: Tidak bisa sembarangan tracking lokasi GPS user tanpa explicit consent.

Solusi:

  • Privacy by design: Built-in privacy dari awal
  • Consent management: Clear opt-in/opt-out mechanism
  • Data anonymization: Remove PII (Personally Identifiable Information)
  • Data minimization: Collect only what's necessary

4. Kualitas Data (Garbage In, Garbage Out)

Masalah: Data yang tidak akurat atau tidak lengkap menghasilkan keputusan yang salah.

Contoh: User A dan B share akun yang sama, sistem tidak bisa distinguish preferensi mereka.

Solusi:

  • Data validation: Check consistency dan accuracy
  • Data cleansing: Remove duplicates dan errors
  • Multi-profile support: Allow multiple users per account
  • Confidence scoring: Assign confidence level ke setiap data point

5. Cold Start Problem

Masalah: User baru tidak punya historical data, sulit membuat rekomendasi personal.

Contoh: User pertama kali buka aplikasi, sistem belum tahu preferensinya.

Solusi:

  • Onboarding questionnaire: Tanya preferensi di awal
  • Demographic-based initial recommendations
  • Popular items untuk new users
  • Quick learning: Aggressive data collection di early sessions

✅ Best Practices: Data dan Konteks untuk Sistem Otonom

1. Gunakan Data Hierarchy

Priority Data Type Reasoning
High Recent behavior (last 7 days) Paling relevan dengan current intent
Medium Purchase history (last 3 months) Shows established preferences
Low Demographic data General guidance, kurang personal

2. Kombinasikan Multiple Contexts

Jangan hanya rely pada satu konteks, tapi combine beberapa:

  • Temporal: Waktu, hari, musim, event khusus
  • Spatial: Lokasi, nearby stores, regional preferences
  • Device: Mobile, desktop, tablet, TV
  • Social: What friends are doing, trending items
  • Personal: Mood, activity, lifecycle stage

3. Implement Feedback Loops

Collect Data
→
Make Decision
→
Execute Action
→
Measure Result
→
Learn & Improve
↻

Selalu track apakah keputusan yang dibuat efektif, dan gunakan insight untuk improve algorithm.

4. Balance Personalization dengan Serendipity

Jangan terlalu fokus pada personalisasi sampai user stuck di filter bubble:

  • 80% personalized: Based on user preference dan context
  • 20% serendipity: Introduce new, unexpected items untuk discovery

Contoh: Netflix recommend 8 film sesuai taste-mu, 2 film dari genre berbeda.

🎯 Kesimpulan Materi 2

📚 Poin-Poin Penting:

  • Data adalah bahan bakar sistem otonom, tanpa data sistem tidak bisa membuat keputusan
  • Konteks adalah kunci - data yang sama bisa punya makna berbeda tergantung situasi
  • 5 jenis data utama: Transaksi, Perilaku, Konteks, Demografis, Sosial
  • 4 tahap pengambilan keputusan: Kumpulkan → Analisis → Putuskan → Belajar
  • Studi kasus menunjukkan improvement 30-140% dengan context-aware systems
  • Tantangan utama: Data overload, privacy, kualitas data, cold start
  • Best practice: Data hierarchy, multiple contexts, feedback loops, balance personalization

💭 Pertanyaan Refleksi

  • Data apa saja yang dikumpulkan oleh aplikasi yang Anda gunakan sehari-hari?
  • Bagaimana aplikasi tersebut menggunakan konteks untuk personalisasi?
  • Apakah Anda merasa privacy Anda terjaga? Mengapa?
  • Pernahkah Anda mendapat rekomendasi yang tidak relevan? Apa penyebabnya?

📝 Tugas Praktikum

Tugas 1: Analisis Data & Konteks (Individual)

Instruksi:

  1. Pilih 1 aplikasi yang Anda gunakan (e-commerce, streaming, social media)
  2. Identifikasi minimal 10 data points yang dikumpulkan aplikasi tersebut
  3. Klasifikasikan data tersebut (Transaksi/Perilaku/Konteks/Demografis/Sosial)
  4. Analisis bagaimana konteks mempengaruhi rekomendasi yang Anda terima
  5. Buat laporan 3-4 halaman dengan screenshot sebagai bukti

Format Laporan:

  • Deskripsi aplikasi
  • Tabel data yang dikumpulkan
  • Analisis penggunaan konteks
  • Evaluasi efektivitas personalisasi
  • Rekomendasi improvement

Deadline: Sebelum pertemuan minggu depan

Tugas 2: Case Study Analysis (Kelompok 4-5 orang)

Topik: "Membangun Context-Aware Recommendation System"

Scenario: Kampus ISTN ingin membuat sistem rekomendasi mata kuliah pilihan untuk mahasiswa.

  1. Identifikasi data apa saja yang perlu dikumpulkan
  2. Tentukan konteks apa saja yang relevan (waktu pendaftaran, IPK, minat, dll)
  3. Buat flowchart proses pengambilan keputusan
  4. Desain 3 skenario rekomendasi dengan konteks berbeda
  5. Presentasikan solusi Anda (15 menit)

Deliverables:

  • Dokumen analisis (5-7 halaman)
  • Flowchart/diagram
  • Slide presentasi

📚 Referensi dan Bacaan Lanjutan

📖 Buku:

  • Sharda, R., Delen, D., & Turban, E. (2020). Business Intelligence and Analytics: Systems for Decision Support. Pearson.
  • Provost, F., & Fawcett, T. (2013). Data Science for Business. O'Reilly Media.
  • Davenport, T. H. (2014). Big Data at Work. Harvard Business Review Press.

🌐 Online Resources:

  • Coursera: Applied Data Science (University of Michigan)
  • Google: Machine Learning Crash Course
  • Kaggle: Learn - Data Analysis tutorials

📄 Papers:

  • Adomavicius, G., & Tuzhilin, A. (2011). "Context-aware recommender systems"
  • Baltrunas, L., & Ricci, F. (2014). "Context-dependent items generation in collaborative filtering"
← Materi 1: Sistem Otonom Materi 3: Arsitektur Edge-Cloud →

© 2025 ISTN Jakarta - Fakultas Sains Terapan dan Teknologi

Dosen: Oni Bibin Bintoro, Riadi Marta Dinata