Pengembangan Algoritma Unsupervised Learnin Technique Pada Big

Data Analysis Di Media Sosial Sebagai Media Promosi Online Bai

Masyarakat
Reviewer

Floridia Anggitasari, Iwan Darmawan

Writer

Nurhayati 1, Busman 2, Rayi Pradono Iswara 3

Abstrak : Bidang Kesehatan telah menghasilkan banyak Volume data dalam jumlah besar hal ini menjadi
pertimbangan adanya pemanfaatan Big Data sebagai salah satu solusi untuk menyelesaikan permasalahan
dan issue issue yang terjadi pada Bidang Kesehatan ini. Big data menjadi salah satu latar belakang untuk
meningkatkan layanan Kesehatan Di seluruh Dunia. Makalah ini akan memuat Manfaat & Tujuan, Tantangan
dan Pengaplikasian Big Data pada Bidang Kesehatan.

Kesehatan Juga membahas seputar Teknik yang

I. Pendahuluan
Big Data adalah akumulasi kumpulan data yang
berlimpah dan rumit dalam karakter. Mereka
terdiri dari data terstruktur dan tidak terstruktur
yang berkembang berlimpah, sehingga cepat
mereka tidak mudah oleh sistem database
relasional klasik atau alat analitis saat ini. Big
Data dalam perawatan kesehatan mengacu pada
catatan perawatan kesehatan elektronik (EHR)
yang cukup besar dan kompleks yang sulit
mereka kelola dengan perangkat lunak dan
perangkat keras tradisional. Juga, Mereka tidak
mudah dikelola dengan alat dan metode
manajemen data tradisional atau umum. Tujuan
industri perawatan kesehatan adalah untuk
menganalisa volume besar data ini untuk fakta,
pola, asosiasi dan tren yang tidak diketahui dan
berguna dengan bantuan algoritme
pembelajaran mesin, yang dapat melahirkan lini
baru pengobatan penyakit.
A. Tujuan Makalah
Makalah ini akan membahas Peluang, Tantangan
dan Analitik Big Data pada Bidang Perawatan
digunakan serta beberapa contoh
pengaplikasian Big Data dan Teknologi Masa
Depan .
Big Data membuat lebih banyak menaklukkan
struktur penilaian baru dengan menghitung dan
mengamati proses secara diagonal. Big Data
adalah pemikiran yang diharapkan dan
generalisasi nilai dari kumpulan data yang sangat
besar. Analisis sistematis dari data yang ekstensif
dapat mendeteksi pola sehingga perlakuan yang
tepat untuk individu
B. Komponen Konsep Dasar
Sebelumnya Doug Laney menciptakan konsep
Big Data yang terdiri dari 3 yaitu Volume,
Kecepatan dan Variasi.
Seiring berjalannya waktu konsep ini menjadi
lebih luas yan teridiri dari 5 Point yaitu :
Volume : Big Data menunjukkan bobot data yang
besar. Ini digunakan untuk menjadi data yang
dibuat oleh individu.
Kecepatan : Perangkat sensor dan perangkat
yang dapat dikenakan mengumpulkan data
fisiologis real time pasien dengan kecepatan
atau kecepatan yang cepat. Data baru ini
dihasilkan setiap detik menimbulkan tantangan
besar bagi analis data. Data media sosial juga
menambah kecepatan ketika pandangan
pengguna, posting, feed meningkat dalam
hitungan detik ke jumlah besar dalam kasus
epidemi / bencana nasional.
Veracity : Konsep kejujuran dalam transaksi Big
Data dengan bias, kebisingan dan tidak
terstruktur. Big Data merasa kebenaran dalam
analisis data adalah masalah besar ketika
membandingkan dengan volume dan kecepatan.
Ragam : Data perawatan kesehatan yang
bervariasi umumnya termasuk dalam salah satu
dari tiga kategori yaitu terstruktur, semi
terstruktur dan tidak terstruktur.
Nilai : Pentingnya data atau nilai informasi yang
mencakup data disebut Data Value. Nilai kata
dalam Big Data memainkan peran penting. Ini
mencakup volume besar dan berbagai jenis data
yang mudah diakses dan memberikan analitik
berkualitas yang membantu untuk membuat
keputusan.
Velocity
Volume Veracity
Big
Data
Value Variety
II. Tantangan
Penerapan Big Data pada Bidang Kesehatan
memiliki beberapa Tantangan nyata untuk
penerapanya.
Tantangan utama adalah interoperabilitas,
pengelolaan, keamanan, pengembangan,
penggunaan kembali, dan kedewasaan. Untuk
interoperabilitas, integrasi teknologi big data
dengan solusi perusahaan yang ada sangat
penting. Penyerapan data, pemodelan data,
visualisasi data menggunakan alat yang ada
harus didukung. Untuk pengelolaan, manajemen
Cluster data dan pemantauan Big Data adalah
masalah penting.
 Data tidak terstruktur dan asalnya data
 Data yang hilang atau tidak lengkap
 memerlukan proses untuk memastikan
bahwa data dari sumber adalah data
yang valid atau tidak dan memiliki
kualitas yang baik
 Agregasi Data Di sektor Perawatan
Kesehatan, data dalam bentuk tidak
terstruktur. Data tidak terstruktur ini
dalam bentuk gambar, grafik, catatan
dokter, dll. Selain itu, sifat dari data
terstruktur sebagian besar bersifat
heterogen. Ini dapat menyebabkan
masalah besar pada saat agregasi data
ini.
 Untuk mendapatkan manfaat melalui
Big Data Analytics, diperlukan
manajemen dan analisis tingkat
organisasi serta investasi skala besar.
 Algoritme tradisional untuk proses atau
analisis penambangan data harus
ditingkatkan untuk menangani volume
data yang besar.
 Keamanan Data: Semakin banyak data
digital, peran mengamankan data
semakin penting. Orang tidak mau
 berbagi data pribadi mereka dengan
takut pelanggaran keamanan.
 Kurangnya Ahli: Ada kelangkaan
ilmuwan data yang berkualitas dan
berpengalaman di dunia.
misalnya: Berapa tingkat kematian di wilayah
tertentu? atau pertanyaan kompleks seperti
berapa banyak pasien dengan diabetes

III. Tahapan Big Data

1. Akuisisi dan penyimpanan data: Seperti telah
disebutkan, data dimasukkan ke sistem melalui
banyak sumber eksternal seperti data klinis dari
sistem Pendukung Keputusan Klinis (CDSS), EMR,
EHR, data sensor yang dihasilkan mesin, data
dari perangkat yang dapat dikenakan, daftar
kesehatan nasional data, data terkait obat dari
perusahaan farmasi, data media sosial seperti
feed twitter, status Facebook, halaman web,
blog, artikel, dan banyak lagi.Data ini disimpan
dalam database atau gudang data. Dengan
munculnya komputasi awan, akan lebih mudah
untuk menyimpan data tebal seperti itu di awan
Sesuai gambar 1, data dihasilkan dari berbagai
daripada pada disk fisik. Ini adalah cara yang
sumber seperti rumah sakit, kelompok medis,
lebih efektif dan dapat dikelola untuk
pembayar, atau penyedia data lainnya. Data ini
menyimpan data.
pertama-tama perlu dikumpulkan. Selain itu,
2. Pembersihan data: Data yang telah diperoleh banyak ekstraksi, pembersihan, konformasi,
harus lengkap dan harus dalam format transformasi dan pemuatan dieksekusi pada
terstruktur, untuk melakukan analisis yang data selama fase ini. Akhirnya, beberapa
efektif. Umumnya terlihat dalam data kesehatan informasi yang bermakna dan berguna
dari kekurangan seperti, banyak pasien tidak dihasilkan yang dapat digunakan oleh berbagai
berbagi data mereka sepenuhnya seperti data pengguna
tentang kebiasaan diet, berat badan dan gaya
hidup mereka.
IV. Manfaat Big Data
3. Integrasi data: Proses Big Data menggunakan
Pasien
data yang dikumpulkan di berbagai platform.
Data ini dapat bervariasi dalam metadata akan mendapat manfaat dengan cara berikut
(jumlah bidang, jenis, dan format). Seluruh data
harus dikumpulkan dengan benar dan konsisten  Pengobatan yang benar dan efektif.
ke dalam dataset yang dapat digunakan secara  Keputusan yang terkait dengan
efektif untuk tujuan analisis data. kesehatan yang diinformasikan dengan
lebih baik.
4. Data query, analisis dan interpretasi: Setelah  Langkah preventif dapat dilakukan tepat
data dibersihkan dan terintegrasi, langkah waktu.
selanjutnya adalah query data. Permintaan
dapat berupa pertanyaan sederhana seperti
  Pemantauan kesehatan berkelanjutan di
tempat pasien menggunakan perangkat
nirkabel yang dapat dikenakan.
 Merancang garis perawatan pribadi
untuk pasien.
 Meningkatnya harapan dan kualitas
hidup.
Untuk Rumah Sakit
Dengan menggunakan teknik Big Data yang
efektif pada data yang tersedia, rumah sakit
dapat menuai manfaat berikut:
Memprediksi pasien yang kemungkinan akan
tinggal lebih lama atau akan diterima kembali
setelah perawatan.
Mengidentifikasi pasien yang berisiko untuk
rawat inap. Dengan demikian, penyedia layanan
kesehatan dapat mengembangkan rencana
perawatan kesehatan baru untuk mencegah
rawat inap.
Perawatan Virtual dan Teknologi Perawatan
Kesehatan yang Dapat Dipakai
Teknologi membantu penyedia membuat
inisiatif perawatan virtual yang meningkatkan
kualitas perawatan dan menyediakan pasien
dengan lebih banyak akses
Mempelajari Khasiat Obat
Data catatan kesehatan elektronik (EHR) juga
dapat digunakan untuk mempelajari efikasi
obat. Para peneliti di University of
Pennsylvania School of Medicine [15]
membandingkan hasil uji coba terkontrol
secara acak dibandingkan menggunakan EMR
untuk membandingkan hasil kardiovaskular.
Telah diamati bahwa biaya uji coba terkontrol
secara acak jauh lebih tinggi daripada biaya
menggunakan data EHR tersedia untuk
membandingkan modalitas pengobatan
Mengindentifikasi Dini Penyakit
Prediksi Serangan Jantung: Ini melakukan
informasi umum pada analitik Big Data pada
aplikasi medis, mendeteksi serangan jantung
dan studi medis yang tidak dapat diprediksi
tentang penggunaan tertentu menggunakan
teknik IOT dan Hadoop. Ini adalah pengguna
akhir untuk mendukung proyek spesialis online.
Menggunakan Hive & R Menganalisis Penderita
diabetes: Deskripsi yang tepat dari set data
diabetes adalah untuk mencapai lancar dengan
bantuan dari sarang dan R. Petunjuk yang
diungkapkan selama metode dapat digunakan
untuk membangun beberapa model peramalan.
Di sini hanya penyelidikan yang dicapai tetapi
data yang diungkapkan, dapat digunakan lebih
lanjut untuk membuat model prediktif yang
efisien.
Infectious Disease Outbreak Prediction: Ini
berfokus pada tinjauan efisien demam berdarah
dan prediksi wabah campak khusus pada tipe
data, sumber dan faktor yang digunakan untuk
prediksi. Kajian ini menemukan bahwa studi
terbatas telah dilakukan pada prediksi wabah
campak sementara penelitian yang ada tentang
wabah campak tidak menggunakan dataset dari
berbagai sumber.
Contoh Pengaplikasian Big Data dengan
Manfaatnya :
Layanan Kesehatan Nasional Inggris
menggunakan perangkat lunak analisis awan
untuk memetik data angka dan teks pada
fasilitas layanan kesehatan dari spreadsheet dan
basis data dan menyajikannya dalam bahasa
Inggris sederhana di situs webnya, NHS Choices.
Upaya ini bermanfaat bagi warganya, karena
mereka dapat membuat pilihan yang lebih baik
tentang perawatan mereka berdasarkan
informasi dari sekitar 50.000 fasilitas perawatan
kesehatan. NHS Choices menggunakan
perangkat lunak Narrative Science Inc., yang
disebut Quill, aplikasi cloud yang berjalan di
Amazon Web Services. Perangkat lunak
menggunakan teknik pembuatan bahasa alami,
untuk memeriksa melalui data terstruktur dan
secara otomatis menyajikannya dalam bentuk
cerita.
Seton Healthcare Family, yang berbasis di Texas,
Austin memiliki lebih dari 12.000 karyawan;
lebih dari 2600 dokter yang dipercaya; 1,35 juta
kunjungan rawat jalan; lebih dari 68.000
penerimaan ke rumah sakitnya; lebih dari
265.000 kunjungan ruang gawat darurat per
tahun; 38 lokasi klinis; 10 rumah sakit perawatan
akut. Ini telah menggunakan konten IBM dan
solusi Predictive Analytics for Healthcare. Sistem
ini memberikan pandangan terpadu informasi
klinis dan operasional yang relevan untuk
mendorong pengambilan keputusan yang lebih
tepat.
V. Analitik
Big Data analytics pada Perawatan Kesehatan
pada dasarnya adalah seperangkat metodologis,
prosedur, kerangka kerja dan teknologi yang
digunakan untuk mengubah data mentah
menjadi informasi yang berguna dan berguna.
Kumpulan Informasi ini digunakan untuk
membuat tugas
Statistik Inferensial: Setelah wabah info, dibantu
oleh penilaian dan pendekatan penggambaran,
khususnya perlu mengenali pendekatan analisis
angka hukum apa yang tepat untuk memeriksa
data tambahan dan untuk mengikat konsekuensi
yang luas.
VI. Platform Big data
Open Source Platform di antaranya adalah
Hadoop, MapReduce, Storm, GridGrain.
Database Big Data seperti Cassanadra, HBase,
MongoDB, CouchDB, OrientDB, Terrastore, Hive
dll. Alat Pertambangan seperti RapidMiner,
Mahout, Orange, Weka, Rattle, KEEL, dll. Sistem
file seperti HDFS dan Gluster. Bahasa
pemrograman seperti Pig / PigLatin, R, ECL. Alat
pencarian Big Data seperti Lucene, Solr etc.Data
Agregasi dan alat transfer seperti Sqoop, Flume,
Chukwa. Alat-alat lain seperti Oozie, Zookeeper,
Avro, Terracotta. Beberapa platform open
source juga tersedia seperti Lumify, IKANOW.

pengambilan keputusan lebih efektif apakah

mereka strategis, taktis & operasional.

Ada dua teknik statistik: statistik deskriptif dan

inferensial.

Statistik deskriptif: Fenomena statistik adalah

total yang berasal dari informasi, misalnya
kesalahan maksud atau standar. Ini bisa sangat
menguntungkan ketika menjelajahi data untuk
mendapatkan kumpulan statistik bergambar
yang benar. Secara khusus, ini bisa sangat
memikat untuk menghubungkan statistik yang
diakses dari kolom yang berbeda (tetapi serupa),
atau di antara tingkat faktor. Ini memberi
gambaran tentang persamaan atau perbedaan
antara data.

NoSQL Di relational database tabular relasi
databases digunakan sementara database NoSQL
(Not Only SQL) menyediakan metode yang
berbeda untuk penyimpanan dan retrival
data. Ini Berfokus pada penyimpanan dan
retrival volume besar data semi-
terstruktur, tidak terstruktur atau
terstruktur.
Hadoop Hadoop sejauh ini merupakan
System implementasi metodologi MapReduce
yang paling populer. Ini adalah platform
sumber terbuka untuk Penanganan Big
Data.
Hive Hive adalah arsitektur dukungan Hadoop
runtime yang memanfaatkan Struktur
Query Language SQL dengan platform
Hadoop.
PIG PIG terdiri dari bahasa "Perl-like". Alih-alih
bahasa "SQL-like", itu memungkinkan
untuk eksekusi query atas data yang
disimpan pada cluster Hadoop.
VII. Kesimpulan
Big Data membuktikan dapat menjadi Solusi
dalam Bidang Kesehatan manfaatnya Tidak
hanya di rasakan pada Internal Rumah Sakit
maupun Penyedia Layanan namun dapat
dirasakan pula oleh pasien.
Pada Masa yang akan dating Big data dapat
menjadi Solusi untuk Bidang Kesehatan
diseluruh Dunia, Selain untuk mengakomodasi
organisasi perawatan, dokter dan lainya. Tetapi
juga ikut serta menyelesaikan Masalah Penyakit
dan Meningkatkan Harapan Hidup Orang banyak
VIII. Daftar Pustaka
[1] Sanskruti Patel and Atul Patel, “A Big
Data Revolution in Healthcare sector :
Opportunities, Challenges, and Technological
Advancements”, Maret 2016.
[2] Nivedita Das, Leena Das, Siddharth
Swarup Rautaray and Manjusha Pandey,
Cloud Penyimpanan awan menggunakan
Storage jaringan server jauh / Server ini dihosting
di Internet untuk menyimpan, mengelola,
dan memproses data. Ada banyak vendor
yang menyediakan penyimpanan cloud.
Misalnya Google Cloud Storage adalah
bagian penting dalam menyimpan dan
bekerja dengan Big Data di Google Cloud
Platform Untuk Bigquery dan Hadoop,
Menggunakan keranjang Google Cloud
Storage adalah opsional tetapi disarankan
Column – Kolom berorientasi database pada
Oriented dasarnya menyimpan set data sebagai
databases segmen kolom data dan bukan sebagai
deretan data. Hal ini memungkinkan
kompresi data yang sangat besar dan
waktu permintaan yang sangat cepat.
Cassandra Cassandra juga merupakan sistem basis
data terdistribusi. Ini ditetapkan sebagai
proyek tingkat atas yang dimodelkan
untuk menangani Big Data yang
didistribusikan di banyak server utilitas.
“Big Data Analytics for Medical Applications”,
Februari 2018.
[3] Jasleen Kaur Bains, “Big Data Analytics in
Healthcare- Its Benefits, Phases and
Challenges”, April 2016