Semantic Layer: Semua Dashboard Pakai Angka yang Sama

Rapat bulanan dimulai, tim sales bilang omzet Oktober Rp1,2 miliar, tim finance bilang Rp1,05 miliar. Dua-duanya mengambil data dari database yang sama. Bedanya ada di rumus: yang satu menghitung semua pesanan, yang lain hanya pesanan yang sudah dibayar dan dikurangi retur. Semantic layer adalah cara menyelesaikan masalah ini dengan menyimpan definisi setiap metrik di satu tempat, lalu semua dashboard dan tools membaca dari definisi itu.

Artikel ini menjelaskan apa itu semantic layer, pilihan cara menerapkannya, dan kapan tim kecil benar-benar butuh.

Masalahnya: rumus metrik tersebar di mana-mana

Di banyak perusahaan, rumus metrik tidak tinggal di satu tempat. Rumusnya tersebar:

  • Di dashboard Looker Studio milik tim marketing.
  • Di file Excel yang dikirim finance setiap awal bulan.
  • Di query SQL yang ditulis analis untuk laporan direksi.
  • Di spreadsheet yang ditarik tim operasional lewat IMPORTRANGE.

Setiap tempat punya versi rumusnya sendiri. Awalnya sama, lalu pelan-pelan berbeda. Ada yang lupa mengecualikan pesanan batal. Ada yang memakai tanggal order, ada yang memakai tanggal invoice. Ada yang menghitung pelanggan aktif 30 hari, ada yang 90 hari.

Akibatnya, rapat habis untuk debat angka siapa yang benar, bukan untuk mengambil keputusan. Analis juga makan waktu mengecek ulang rumus setiap kali ada pertanyaan “kok angkanya beda?”. Kalau Anda pernah membaca artikel kami soal definisi metrik SaaS, ini masalah yang sama dalam skala yang lebih luas.

Apa itu semantic layer?

Semantic layer adalah lapisan di antara data warehouse (gudang data terpusat) dan tools yang membaca data. Isinya adalah definisi bisnis: apa arti “omzet”, “pelanggan aktif”, “margin kotor”, tabel mana yang dipakai, filter apa yang berlaku, dan bagaimana tabel-tabel itu terhubung.

Tools di atasnya tidak lagi menulis rumus sendiri. Mereka cukup meminta “omzet bersih per bulan per cabang”, lalu semantic layer menerjemahkannya jadi query SQL yang benar dan menjalankannya di warehouse.

Arsitektur semantic layer: data warehouse di bawah, semantic layer berisi definisi metrik di tengah, lalu dashboard, spreadsheet, dan AI membaca angka yang sama

Tiga hal yang biasanya disimpan di semantic layer:

  1. Entitas dan relasi: pelanggan, pesanan, produk, dan cara menggabungkannya.
  2. Dimensi: cara memotong data, misalnya per tanggal, cabang, kategori produk, atau sales.
  3. Metrik: rumus angka yang dipakai bisnis, lengkap dengan filternya.

Hasilnya, kalau definisi “omzet bersih” berubah (misalnya retur sekarang ikut dikurangi), Anda cukup mengubahnya di satu tempat. Semua dashboard ikut berubah.

Opsi implementasi semantic layer

Tidak ada satu cara yang wajib. Pilihannya tergantung tools yang sudah Anda pakai.

Opsi Cara kerja singkat Cocok untuk
dbt Semantic Layer (MetricFlow) Metrik ditulis di file YAML di project dbt Tim yang sudah memakai dbt
Cube Semantic layer terpisah yang bisa dibaca lewat API dan SQL Banyak tools berbeda, termasuk aplikasi internal
LookML di Looker Model data ditulis di dalam Looker Tim yang memang memakai Looker sebagai BI utama
Semantic model Power BI Measure DAX di dalam model Power BI Tim yang hampir semuanya di ekosistem Microsoft
View atau tabel metrik di warehouse Metrik dihitung di tabel siap pakai, dashboard tinggal membaca Tim kecil yang ingin mulai tanpa tools baru

Beberapa catatan penting:

  • MetricFlow, mesin di balik dbt Semantic Layer, dibuka sebagai open source dengan lisensi Apache 2.0 pada Oktober 2025. Layanan Semantic Layer yang terkelola (termasuk API dan integrasi ke tools seperti Google Sheets) ada di paket berbayar dbt. Paket dan harganya bisa berubah, jadi cek halaman resmi dbt.
  • Cube punya versi inti yang open source (Apache 2.0) dan versi cloud berbayar.
  • LookML dan semantic model Power BI bekerja paling baik di dalam produknya masing-masing. Kalau tim Anda juga memakai tools lain, definisinya tidak otomatis ikut.

Untuk tim kecil, opsi terakhir sering sudah cukup: satu tabel “gold” berisi metrik harian yang sudah dihitung di data warehouse, lalu semua dashboard wajib membaca dari tabel itu, tidak lagi dari tabel mentah. Ini memang belum semantic layer yang lengkap, tapi prinsipnya sama: satu rumus, satu tempat.

Contoh definisi metrik

Misalnya sebuah distributor ingin menyamakan definisi omzet bersih. Di dbt, definisinya bisa terlihat kurang lebih seperti ini:

metrics:
  - name: omzet_bersih
    label: Omzet bersih
    description: Nilai invoice lunas setelah retur, tanpa PPN.
    type: simple
    type_params:
      measure: nilai_invoice_tanpa_ppn
    filter: |
      {{ Dimension('invoice__status') }} = 'lunas'

Yang penting di sini adalah isinya. Sintaksnya bisa dipelajari belakangan:

  • Nama dan label yang dipakai semua orang.
  • Deskripsi dalam bahasa bisnis, supaya orang non-teknis paham apa yang dihitung.
  • Filter yang eksplisit: invoice lunas saja, retur dikurangi, PPN tidak ikut.
  • Pemilik metrik: siapa yang berhak mengubah definisinya (biasanya ditulis di dokumentasi atau metadata).

Sebelum menulis satu baris kode pun, tuliskan dulu definisi ini di dokumen bersama dan sepakati dengan finance, sales, dan manajemen. Semantic layer hanya menyimpan kesepakatan. Kalau kesepakatannya belum ada, tools apa pun tidak akan membantu.

Kalau tim Anda sudah memakai dbt untuk transformasi, menambahkan definisi metrik di project yang sama adalah langkah paling natural.

Semantic layer dan AI

Ada alasan baru kenapa semantic layer makin sering dibahas: AI yang menjawab pertanyaan data. Kalau Anda bertanya ke AI “berapa omzet bulan lalu?”, AI harus menebak tabel dan rumus mana yang dipakai. Tebakannya bisa salah dan terdengar meyakinkan.

Dengan semantic layer, AI tidak perlu menulis SQL dari nol. AI cukup memilih metrik “omzet_bersih” dan dimensi “bulan”, lalu semantic layer yang menghitung. Jawabannya konsisten dengan dashboard.

Kapan semantic layer layak dipakai?

Semantic layer menambah satu lapisan yang harus dirawat. Jadi jangan dipasang hanya karena sedang ramai dibicarakan. Pertimbangkan kalau:

  • Angka yang sama sering berbeda di dashboard yang berbeda, dan debatnya sudah memakan waktu rapat.
  • Ada lebih dari satu tools yang membaca data, misalnya Looker Studio, Metabase, dan Google Sheets sekaligus.
  • Jumlah metrik penting sudah belasan atau puluhan.
  • Anda ingin membuka akses data ke AI atau ke aplikasi internal, dan butuh jawaban yang konsisten.

Belum perlu kalau:

  • Semua dashboard ada di satu tools dan dikelola satu orang.
  • Data masih tersebar di spreadsheet dan belum masuk warehouse. Rapikan pipeline datanya dulu.
  • Metrik bisnisnya belum disepakati. Selesaikan diskusinya dulu, baru teknisnya.

Langkah awal yang realistis: pilih lima metrik yang paling sering diperdebatkan, tulis definisinya, hitung di satu tabel atau model di warehouse, lalu arahkan semua dashboard ke sana. Setelah terbukti mengurangi debat, baru pertimbangkan tools semantic layer yang lebih lengkap.

Kalau dashboard di tim Anda sering menampilkan angka yang berbeda untuk hal yang sama, Aqilatic bisa membantu memetakan sumber masalahnya lewat audit proses gratis. Kami mengerjakan proyek data dari pipeline sampai dashboard, detailnya ada di layanan kami.

Pertanyaan yang sering muncul

Apakah semantic layer sama dengan data warehouse?

Tidak. Data warehouse menyimpan datanya. Semantic layer menyimpan arti dan rumus dari data itu, lalu menerjemahkan permintaan dari tools jadi query ke warehouse.

Apakah tim kecil butuh tools semantic layer khusus?

Belum tentu. Banyak tim kecil cukup dengan satu tabel metrik resmi di warehouse yang dibaca semua dashboard. Tools khusus mulai terasa manfaatnya saat tools dan metriknya makin banyak.

Apakah Looker Studio bisa membaca semantic layer?

Looker Studio (yang sejak April 2026 berganti nama jadi Data Studio) bisa membaca tabel atau view metrik dari BigQuery, jadi pendekatan “tabel metrik resmi” berjalan lancar. Untuk tools semantic layer tertentu, cek daftar integrasi resmi dari masing-masing penyedia.