5W + 1H dan Analisis SWOT terhadap :

 The Hadoop Ecosystem

 Artificial Intelligence
 Blockchain
 Business Inteligent

Diajukan untuk memenuhi salah satu tugas mata kuliah Sistem Informasi
dan Teknologi
Dengan Dosen pengampu yaitu :
Dr. Ir. Iwan Setiawan, MT, MTA, MCSA, MCAD, CEH, IAIL

Oleh:

FADJAR HILMAWAN
NIM: 1922121006

PROGRAM PASCASARJANA ILMU ADMINISTRASI

FAKULTAS ILMU ADMINISTRASI DAN HUMANIORA
UNIVERSITAS MUHAMMADIYAH SUKABUMI
SUKABUMI
2020
1. THE HADOOP ECOSYSTEM
 what ?
Hadoop adalah framework open source berbasis Java di
bawah lisensi Apache untuk mensupport aplikasi yang jalan pada
Big Data. Hadoop berjalan pada lingkungan yang menyediakan
storage dan komputasi secara terdistribusi ke kluster-kluster dari
komputer/node.

 where ?
Asal mula hadoop muncul karena terinspirasi dari makalah
tentang Google MapReduce dan Google File System (GFS) yang
ditulis oleh ilmuwan dari Google, Jeffrey Dean dan Sanjay
Ghemawat pada tahun 2003.
Proses developmen dimulai pada saat proyek Apache Nutch,
yang kemudian baru dipindahkan menjadi sub-proyek hadoop pada
tahun 2006. Penamaan menjadi hadoop adalah diberikan oleh
Doug Cutting, yaitu berdasarkan nama dari mainan gajah anaknya.

 when ?
Proses developmen dimulai pada saat proyek Apache Nutch,
yang kemudian baru dipindahkan menjadi sub-proyek hadoop pada
tahun 2006. Penamaan menjadi hadoop adalah diberikan oleh
Doug Cutting, yaitu berdasarkan nama dari mainan gajah anaknya.

 who ?
ditulis oleh ilmuwan dari Google, Jeffrey Dean dan Sanjay
Ghemawat pada tahun 2003.

 why ?
Untuk menjawab pertanyaan mengapa hadoop diperlukan,
saya coba jabarkan dalam bentuk perbandingan antara pendekatan
tradisional (RDBMS) dengan solusi yang ditawarkan oleh hadoop.

1. Pendekatan Tradisional
 Dalam pendekatan ini, suatu perusahaan akan memiliki
komputer skala enterprise (High-End Hardware) untuk
menyimpan dan mengolah data besar. Data besar tersebut
akan disimpan dalam RDBMS skala enterprise seperti
Oracle Database, MS SQL Server atau DB2.
Dibutuhkan software canggih untuk dapat menulis,
mengakses dan mengolah data besar tersebut dalam rangka
kebutuhan analisis.

Limitasi Pendekatan Tradisional :

a) Kesulitan menggolah data berukuran sangat besar
(Big Data), misal 1 file berukut 500 GB, 1 TB, dst.
b) Keterbatasan Hardware terhadap kemampuan
pengolaha data yang besar, sehingga Waktu akses
semakin lama ketika memproses data yang semakin
sangat besar
c) Hanya bisa data bersifat tabular
2. Solusi Hadoop
Dalam pendekatan ini Hadoop mendukung pemprosesan
secara terdistribusi ke kluster-kluster dari komputer. Hadoop
didukung oleh dua komponen utama.
o HDFS merupakan sistem penyimpanan/storage
terdistribusi, yang melakukan proses pemecahan file
 besar menjadi bagian-bagian lebih kecil kemudian
didistribusikan ke kluster-kluster dari komputer.
o MapReduce merupakan algoritma/komputasi
terdistribusi

Kelebihan Solusi Hadoop dengan didukung oleh dua

komponen utama tersebut:
o Sangat baik untuk mengolah data berukuran besar,
bahkan untuk ukuran 1 TB sekalipun
o Lebih cepat dalam mengakses data berukuran besar
o Lebih bervariasi data yang bisa disimpan dan diolah
dalam bentuk HDFS
Namun dengan kelebihan tersebut bukan berarti tanpa
kekurangan, berikut ini limitasi-nya.
o Tidak cocok untuk OLTP (Online Transaction
Processing), di mana data dapat diakses secara
randon ke Relational Database
o Tidak cocok untuk OLAP (Online Analytic Processing)
o Tidak cocok untuk DSS (Decission Support System)
o Proses update tidak bisa untuk dilakukan (seperti
pada hadoop 2.2), namun untuk Append bisa
dilakukan
 Berdasarkan beberapa limitasi tersebut dapat
disimpulkan bahwa Hadoop adalah sebagai Solusi Big Data
untuk pengolahan data besar, menjadi pelengkap OLTP,
OLAP, dan DSS, jadi hadoop bukan untuk menggantikan
RDBMS. Saya rasa untuk saat ini, namun bisa jadi suatu
saat hadoop bisa lepas dari limitasi tersebut

 how ?
Arsitektur Hadoop atau Ekosistem Hadoop ?
Framework hadoop terdiri atas empat modul/komponen utama.
 Hadoop HDFS adalah sebuah sistem file terdistribusi.
 Hadoop MapReduce adalah sebuah model
programming/Algoritma untuk pengelolaan data skala besar
dengan komputasi secara terdistribusi
 Hadoop YARN adalah sebuah platform resource-
management yang bertanggung jawab untuk mengelola
resources dalam clusters dan scheduling
 Hadoop Common adalah berisi libraries dan utilities yang
dibutuhkan oleh modul Hadoop lainnya.
Semenjak tahun 2008 framework hadoop bukan hanya empat
modul utama tersebut namun merupakan kumpulan modul open
source seperti Hive, Pig, Oozie, Zookeeper, Flume Sqoop, Mahout,
Hbase, Ambari, Spark, dsb.
Sekelompok modul dalam arsitektur hadoop kadang di sebut juga
sebagai Ekosistem Hadoop.
Cara kerja Hadoop

Untuk melihat secara umum cara kerja hadoop dalam pemrosesan

pada sistem terdistribusi, kita bisa melihat pada cara kerja dari 3
modul utama berikut ini.
 Bagaimana cara kerja HDFS
Sebuah kluster HDFS terdiri dari NameNode, yang mengelola
metadata dari kluster, dan DataNode yang menyimpan data/file.
File dan direktori diwakili pada NameNode oleh inode. Inode
menyimpan atribut seperti permission, modifikasi dan waktu
akses, atau kuota namespace dan diskspace.
Isi file dibagi menjadi blok-blok file( biasanya 128 MB), dan
setiap blok file tersebut direplikasi di beberapa DataNodes. Blok
file disimpan pada sistem file lokal dari DataNode.
Namenode aktif memonitor jumlah salinan/replika blok file. Ketika
ada salinan blok file yang hilang karena kerusakan pada
 DataNode, NameNode akan mereplikasi kembali blok file
tersebut ke datanode lainnya yang berjalan baik. NameNode
mengelola struktur namespace dan memetakan blok file pada
datanode.

 Bagamana cara kerja MapReduce

MapReduce bertugas membagi data yang besar ke dalam
potongan lebih kecil dan mengatur mereka kedalam bentuk tupel
untuk pemrosesan paralel. Tupel adalah kombinasi antara key
dan value-nya, dapat disimbolkan dengan notasi : "(k1, v1)".
Dengan pemrosesan bersifat paralel tersebut, tentunya akan
meningkatkan kecepatan dan keandalan komputasi pada sistem
klustering.
MapReduce terdiri atas tiga tahap, yaitu tahap map, shuffle, dan
terakhir reduce. Shuffle dan reduce digabungkan kedalam satu
tahap saja yaitu tahap reduce.
1. Map berfungsi memproses data inputan yang umumnya
berupa file yang tersimpan dalan HDFS (dapat di baca di Sistem
file terdistribusi), inputan tersebut kemudian diubah menjadi tuple
yaitu pasangan antara key dan value-nya.
 2. Tahap reduce, memproses data inputan dari hasil proses map,
yang kemudian dilakukan tahap shuffle dan reduce yang hasil
data set baru-nya disimpan di HDFS kembali.
Cara kerja MapReduce

 Bagaimana cara kerja Yarn

Tujuan awal Yarn adalah untuk memisahkan dua tanggung jawab
utama dari JobTracker/TaskTracker menjadi beberapa entitas yang
terpisah.
o Global ResourceManager di node master, yang berfungsi mengatur
semua resource yang digunakan aplikasi dalam sistem.
o ApplicationMaster di setiap aplikasi, yang berfungsi untuk negosiasi
resource dengan ResourceManager dan kemudian bekerja sama
dengan NodeManager untuk mengeksekusi dan memonitor tasks
o NodeManager di Agen-Framework setiap node slave, yang
bertanggung jawab terhadap Container, dengan memantau
penggunaan resource/sumber daya dari container(cpu, memori,
disk, jaringan ) dan melaporkannya pada ResourceManager
o Container di setiap aplikasi yang jalan di NodeManager, sebagai
wadah penyimpanan data/file
 Strenght
Vendor hadoop yang ada di pasaran
Tentu kurang lengkap rasanya jika kita tidak menyertakan informasi
tentang vendor hadoop yang beredar di pasaran saat ini.
Dengan melihat vendor-vendor besar seperti IBM, Microsoft,
Amazon yang ikut bermain di dalam menyediakan solusi Big data
dengan Hadoop, dapat kita simpulkan bahwa solusi big data
dengan hadoop bisa jadi hal yang sangat menjanjikan di masa
yang akan datang.
Berikut ini Top 10 Vendor yang menyediakan solusi Big Data
dengan hadoop, yang dipaparkan oleh "Bernard Marr" pada artikel
di situsnya.
1. IBM
2. Cloudera
3. Amazon Web Service
4. Hortonworks
5. MapR
6. Microsoft HDInsight
7. Intel Distribution for Apache Hadoop
 8. Datastax Enterprise Analytics
9. Teradata Enterprise Access for Hadoop
10. Pivotal HD

 Weakness
Sebagian orang awam sulit untuk menggunakan hadoop, tapi
berikut saya jelaskan Cara Install/Setup Hadoop
Cara setup lab termudah adalah dengan menggunakan paket
virtual yang biasanya sudah disiapkan oleh sebagian besar vendor
hadoop, untuk contoh setup hadoop kali ini, saya gunakan adalah
versi free dari Hortonworks.
Berikut ini langkah-langkah persiapan lab dari Hadoop Hortonworks
:
1. Download dan Install VMware Player
https://my.vmware.com/en/web/vmware/free#desktop_end_u
ser_computing/vmware_workstation_player/12_0
2. Download dan load SandBox dari Hortonworks
https://www.cloudera.com/downloads/hortonworks-
sandbox.html#install
3. Tambahkan dan hidupkan image dari SandBox
menggunakan VMWare Player
4. Environment untuk uji coba sudah tersedia.

 Opportunities
- Open source dengan komunitas yang sangat aktif.
- Sistem terdistribusi yang menggunakan dapat komputer
komuditas.
- Sistem kluster yang dapat dikembangkan secara bertahap
- tidak terikat dengan vendor hardware tertentu.
- Untuk membantu institusi pemerintah memahami jumlah data
yang terus tumbuh, penting untuk mengadopsi solusi analitik
yang interaktif, mudah digunakan, serta memiliki teknologi
memori yang kuat. Menurut data SAS Indonesia, salah satu
contoh penerapan analitik yang berhasil adalah yang dilakukan
 oleh pemerintah Belgia. Dengan menggunakan teknik advanced
analytics dari SAS yang dikenal dengan hybrid detection model,
pemerintah Belgia menghemat 1 milyar Euro setiap tahunnya
dari hasil memangkas kerugian yang diakibatkan oleh kejahatan
VAT sebesar 98%.
- Untuk bisa memaksimalkan big data seperti yang dilakukan oleh
pemerintahan Belgia, dibutuhkan salah satu teknologi bernama
Hadoop yang merupakan teknologi yang dibuat berdasarkan
metode Google untuk menyimpan dan mengolah data. “SAS
Data Loader for Hadoop yang digabungkan dengan teknologi
data quality dan data integration dari SAS dapat membantu
pembuat kebijakan mengatur siklus data secara keseluruhan,
mulai dari data management sampai data discovery, dan
pengembangan model analitik hingga penyebarannya,” kata
Tan Shih Huei, Solution Architect ASEAN, MapR Technologies
pada acara seminar Big Data Untuk Layanan Publik di Royal
Kuningan, Jakarta, Selasa (20/10/2015).
- Peter Sugiapranata, Sales Director SAS Indonesia
mencontohkan peran Hadoop dalam mengolah data yang
berasal dari media sosial. “Komentar yang masuk dari media
sosial akan dipilah-pilah secara otomatis oleh sistem hadoop,
apakah itu termasuk komentar yang negatif atau positif.
Pengguna lebih mudah dan lebih cepat merespon beragam
komentar dari masyarakat,
- Dengan demikian, pembuat kebijakan yang dalam hal ini adalah
institusi pemerintah mampu dengan mudah, cepat dan murah
mengatasi tantangan dalam mengerahkan, mengatur, dan
memanfaatkan teknologi big data.

 Threats
Kebocoran data
SUMBER :
http://noviardisyamsuir.blogspot.com/2016/03/pembahasan-apa-itu-
hadoop-untuk.html
2. ARTIFICIAL INTELLIGENCE
 what ?
Artificial Intelligence atau AI merupakan salah satu teknologi yang
sedang populer saat ini. Berbagai bidang industri sudah
memanfaatkan teknologi tersebut, mulai dari kesehatan, keuangan,
dan lain-lain.
Artificial Intelligence atau kecerdasan buatan adalah sistem
komputer yang mampu melakukan tugas-tugas yang biasanya
membutuhkan kecerdasan manusia. Teknologi ini dapat membuat
keputusan dengan cara menganalisis dan menggunakan data yang
tersedia di dalam sistem. Proses yang terjadi dalam Artificial
Intelligence mencakup learning, reasoning, dan self-correction.
Proses ini mirip dengan manusia yang melakukan analisis sebelum
memberikan keputusan.

 where ?
Program kecerdasan buatan atau Artificial Intelligence pertama kali
dicetuskan pada tahun 1951an. Tidak bisa dipungkiri bahwa di
tahun tersebut memang sedang gencar-gencarnya pembuatan cikal
bakal, konsep, hingga teknologi berbasis AI. Dan, AI sendiri
pertama kali digunakan di University of Manchester untuk
menjalankan sebuah mesin bernama Ferranti Mark 1.
Beberapa waktu kemudian, Christopher Strachey melanjutkan
konsep kecerdasan buatan untuk menjalankan sebuah permainan
catur, dimana bidak catur tersebut dapat berjalan secara otomatis
dan mampu bermain melawan manusia sungguhan. Pada saat itu
konsep papan catur Christopher Strachey disambut hangat oleh
pemain catur seluruh dunia, sebab mereka masih bisa bermain
catur walau hanya seorang diri.
Berlanjut pada tahun 1956, kecerdasan buatan tidak hanya dibuat
untuk memudahkan bermain catur saja. Melainkan pada saat
konferensi pertamanya, John McCharty menamai algoritma
 teknologi tersebut dengan sebutan “Artificial Intelligence”. Istilah
tersebut masih digunakan hingga sekarang oleh para pakar
teknologi.

 when ?
Terakhir, konsep dan teknologi kecerdasan buatan disempurnakan
oleh seorang ahli yang namanya masih diingat sampai sekarang
sebagai seorang pakar kecerdasan buatan, yaitu Alan Turin. Pada
saat itu, Alan Turin meneliti dan menguji coba algoritma AI yang
diberi nama dengan “Turing Test”. Hingga seiring berkembangnya
waktu, konsep teknologi AI banyak digunakan di berbagai teknologi
baik itu multimedia, search engine, dan masih banyak lainnya.
Rasanya itulah sekilas mengenai sejarah AI yang diramalkan akan
membuat kemajuan teknologi dengan sangat luar biasa.

 who ?
University of Manchester untuk menjalankan sebuah mesin
bernama Ferranti Mark 1.

 why ?
Seiring kemajuan teknologi, tolok ukur sebelumnya yang
mendefinisikan kecerdasan buatan menjadi ketinggalan zaman.
Sebagai contoh, mesin yang menghitung fungsi dasar atau
mengenali teks melalui pengenalan karakter yang optimal tidak lagi
dianggap sebagai kecerdasan buatan, karena fungsi ini sekarang
dianggap sebagai fungsi komputer yang melekat.
 how ?
Sistem atau proses yang berfungsi secara otomatis. Misalnya,
otomatisasi proses robotik (RPA) dapat diprogram untuk melakukan
tugas bervolume tinggi dan berulang yang biasanyadilakukan
manusia. RPA berbeda dari otomatisasi TI karena dapat
beradaptasi dengan keadaan yang berubah. AI terus berkembang
untuk menguntungkan banyak industri yang berbeda. Mesin
 ditransfer menggunakan pendekatan lintas disiplin yang berbasis di
matematika, ilmu komputer, linguistik, psikologi, dan banyak lagi.
 Strenght
Sedangkan AI kuat (strong AI), juga dikenal sebagai kecerdasan
buatan umum adalah sistem AI dengan kemampuan kognitif
manusia secara umum. Ketika disajikan dengan tugas khusus,
sistem AI kuat dapat menemukan solusi tanpa campur tangan
manusia.
 Weakness
AI memiliki 2 kategori yaitu lemah atau kuat. AI lemah (weak AI)
yang juga dikenal sebagai AI sempit adalah sistem AI yang
dirancang dan dilatih untuk tugas tertentu. Asisten pribadi virtual,
seperti Apple Siri, adalah bentuk AI yang lemah.
 Opportunities
Otomasi: Sistem atau proses yang berfungsi secara otomatis.
Misalnya, otomatisasi proses robotik (RPA) dapat diprogram untuk
melakukan tugas bervolume tinggi dan berulang yang biasanya
dilakukan manusia. RPA berbeda dari otomatisasi TI karena dapat
beradaptasi dengan keadaan yang berubah.
Pembelajaran mesin: Ilmu membuat komputer bertindak tanpa
pemrograman.
Visi mesin: Ilmu yang memungkinkan komputer untuk melihat.
Teknologi ini menangkap dan menganalisis informasi visual
menggunakan konversi analog-ke-digital kamera dan pemrosesan
sinyal digital. Ini sering dibandingkan dengan penglihatan manusia,
tetapi penglihatan mesin tidak terikat oleh biologi dan dapat
diprogram untuk melihat melalui dinding. Ini digunakan dalam
berbagai aplikasi dari identifikasi tanda tangan hingga analisis citra
medis. Visi komputer, yang difokuskan pada pemrosesan gambar
berbasis mesin, sering dikaitkan dengan visi mesin.
Pemrosesan bahasa alami (NLP): Pemrosesan bahasa manusia
oleh program komputer. Salah satu yang lebih tua dan paling
dikenal contoh NLP adalah deteksi spam, yang melihat baris subjek
dan teks email dan memutuskan apakah itu termasuk sampah.
 Pendekatan saat ini untuk NLP didasarkan pada pembelajaran
mesin. Tugas NLP termasuk terjemahan teks, analisis sentimen
dan pengenalan suara.
Robotika: Bidang teknik yang berfokus pada desain dan pembuatan
robot. Robot sering digunakan untuk melakukan tugas yang sulit
bagi manusia untuk melakukan atau melakukan secara konsisten.
Mereka digunakan dalam jalur perakitan untuk produksi mobil atau
oleh NASA untuk memindahkan benda besar di luar angkasa. Para
peneliti juga menggunakan pembelajaran mesin untuk membangun
robot yang dapat berinteraksi dalam lingkungan sosial.
Mobil dengan pengemudi otomatis: Ini menggunakan kombinasi visi
komputer, pengenalan gambar dan pembelajaran mendalam untuk
membangun keterampilan otomatis dalam mengemudikan
kendaraan sambil tetap berada di jalur tertentu dan menghindari
penghalang yang tidak terduga, seperti pejalan kaki .

 Threats
Biaya tinggi

Hardware dan software AI perlu diperbarui untuk memenuhi

persyaratan terbaru. Mesin perlu perbaikan dan pemeliharaan yang
membutuhkan banyak biaya.

Menambah pengangguran

Meningkatnya penggunaan mesin AI mengakibatkan masalah

pengangguran. Ketika mesin menggantikan sumber daya manusia,
tingkat orang yang kehilangan pekerjaan akan meningkat. Karena
mesin bisa bekerja tanpa istirahat. Ini lebih menguntungkan industri
daripada bekerja dengan orang-orang yang membutuhkan istirahat.
Mesin melakukan pekerjaan seperti yang diprogram untuk
dilakukan tanpa kesalahan. Sementara kesalahan bisa terjadi pada
manusia.

Tidak bisa think out of the box

Robot AI hanya bisa melakukan pekerjaan yang diprogram untuk

mereka lakukan. Mereka tidak bisa bertindak di luar hal yang
berbeda dari algoritma atau pemrograman yang disimpan dalam
sirkuit internal mereka. Dalam hal berpikir kreatif, tidak ada yang
bisa mengalahkan pikiran manusia. Pikiran datang dari emosi dan
 pengalaman yang tidak bisa dilakukan mesin. Jadi robot AI tidak
bisa berpikir think out of the box, sementara ribuan pikiran dan ide
baru muncul dalam benak manusia.

Tidak punya perasaan

Tidak ada keraguan bahwa mesin atau robot AI jauh lebih baik
dalam hal bekerja secara efisien tetapi mereka tidak bisa
menggantikan koneksi manusia yang membuat tim. Mesin tidak
bisa mengembangkan ikatan perasaan dengan manusia.

Bergantung pada mesin

Zaman sekarang sebagian besar orang sangat bergantung pada

aplikasi seperti Siri, google maps, dll. Dengan begitu jadi banyak
bantuan dari mesin, jika manusia tidak mengeluarkan kemampuan
berpikir mereka lagi, kemampuan manusia akan berkurang secara
bertahap.Di masa depan dengan penggunaan AI yang semakin
umum manusia bisa menjadi sepenuhnya bergantung pada mesin
dan kehilangan kapasitas mentalnya.

Sumber:
https://topcareer.id/read/2019/11/11/12634/sisi-negatif-
penggunaan-artificial-intelligence-ai-dalam-industri/

3. BLOCKCHAIN
 what ?
Secara umum Blockchain diartikan sebagai buku besar digital, di
mana setiap transaksi dicatat dan diamankan di banyak database
yang tersebar luas di computer. Dengan kata lain Blockchain itu
salah satu teknologi yang sudah tidak menggunakan pihak ketiga
lagi dalam proses pertukaran data atau transaksi.

 where ?
Pada tahun 2016, National Settlement Depository (NSD) Federasi
Rusia mengumumkan suatu proyek percontohan
berdasarkan platform Nxt blockchain 2.0, yang akan
mengeksplorasi penggunaan sistem voting otomatis berbasis
blockchain.[24] Pada bulan Juli 2016 IBM membuka sebuah pusat
penelitian inovasi blockchain di Singapura. Sebuah kelompok kerja
 untuk World Economic Forum bertemu pada bulan November 2016
untuk membahas pengembangan model pemerintahan terkait
dengan blockchain. Menurut Accenture, penerapan teori difusi
inovasi menunjukkan bahwa blockchain mencapai tingkat adopsi
13,5% di sektor keuangan pada tahun 2016, sehingga termasuk
fase pengadopsi awal (early adopter). Kelompok-kelompok industri
perdagangan bergabung dan mendirikan Global Blockchain
Forum pada tahun 2016, sebuah inisiatif dari Chamber of Digital
Commerce.
 when ?
pada tahun 2008 dan dimanfaatkan sebagai buku besar untuk
transaksi publik cryptocurrency bitcoin Penemuan blockchain untuk
bitcoin menjadikannya mata uang digital pertama yang dapat
mengatasi masalah double-spending tanpa memerlukan otoritas
tepercaya atau peladen pusat. Desain bitcoin ini juga telah
mengilhami aplikasi-aplikasi lain
 who ?
Blockchain diciptakan oleh Satoshi Nakamoto 
 why ?
 Blockchain dirancang dari awal agar aman (secure by design) dan
merupakan contoh sistem komputasi terdistribusi dengan Byzantine
Fault Tolerance (BFT) yang tinggi. Konsensus terdesentralisasi
dapat dicapai dengan blockchain.Hal ini membuat blockchain cocok
untuk merekam peristiwa, catatan medis, dan aktivitas
pengelolaan record lainnya, seperti manajemen identitas,
pemrosesan transaksi, dokumentasi barang bukti, ketertelusuran
makanan (food traceability) dan pemungutan suara (voting).
 how ?
Blockchain merupakan sebuah buku besar digital terdesentralisasi,
terdistribusi dan bersifat publik yang dimanfaatkan untuk mencatat
transaksi pada banyak komputer sehingga catatan tersebut tidak
dapat diubah secara retroaktif tanpa mengubah seluruh blok
setelahnya serta konsensus dalam jaringan. Dengan demikian
memungkinkan para peserta untuk memverifikasi dan mengaudit
transaksi dengan mudah. Basis data blockchain dikelola secara
 mandiri menggunakan jaringan P2P dan
peladen timestamping terdistribusi. Mereka diautentikasi oleh
kolaborasi massa yang didukung kepentingan kolektif. Hasilnya
adalah alir kerja yang kuat di mana ketidakpastian perihal
keamanan data adalah marjinal. Pendayagunaan blockchain dapat
menghilangkan karakteristik reproduktifitas tak terhingga dari suatu
aset digital. Hal ini menegaskan bahwa setiap nilai unit ditransfer
hanya sekali, mengatasi permasalahan double spending.
Blockchain juga digambarkan sebagai protokol pertukaran nilai.
Pertukaran nilai berbasis blockchain ini dapat diselesaikan lebih
cepat, lebih aman dan lebih murah dibandingkan dengan sistem
tradisional. Blockchain dapat menentukan hak kepemilikan jika
dipersiapkan dengan benar untuk memerinci perjanjian, blockchain
juga menyediakan rekaman yang memaksa penawaran dan
penerimaan (offer and acceptance).
 Strenght
Dengan menyimpan data di seluruh jaringan peer-to-peer,
blockchain menghilangkan sejumlah risiko yang ada pada data
yang dipegang secara terpusat. Blockchain terdesentralisasi dapat
menggunakan pengiriman pesan ad-hoc dan jaringan terdistribusi.
 Weakness

Nikolai Hampton mengungkapkan dalam Computerworld bahwa

"Tidak perlu '51 persen' serangan pada private blockchain,
karena private blockchain (kemungkinan besar) sudah
mengendalikan 100 persen dari semua sumber daya dalam
penyusunan blok. Jika Anda mampu menyerang atau merusak
perangkat penyusunan blockchain pada peladen
perusahaan private, Anda dapat secara efektif mengendalikan 100
persen jaringan mereka dan mengubah transaksi sesuai keinginan
Anda.
 Opportunities
Permissioned blockchains menggunakan layer pengaturan akses
untuk mengendalikan siapa yang memiliki akses ke dalam
 jaringan. Berbeda dengan jaringan blockchain publik, validator pada
jaringan blockchain private diperiksa oleh pemilik jaringan. Mereka
tidak bergantung pada node anonim dalam memvalidasi transaksi
atau mengambil manfaat dari network effect. Permissioned
blockchains juga bisa menggunakan nama blockchain "konsorsium"
atau "hybrid". New York Times mencatat pada tahun 2016 dan 2017
banyak perusahaan yang memanfaatkan jaringan blockchain
"dengan private blockchain, yang independen dari sistem publik.

 Threats
Hal ini memiliki serangkaian implikasi yang buruk selama krisis
finansial atau krisis utang seperti krisis finansial 2007–08, di mana
aktor yang kuat secara politik dapat mengambil keputusan yang
mendukung beberapa kelompok dengan mengorbankan orang lain,
dan "blockchain bitcoin dilindungi oleh upaya penambangan
(mining) kelompok besar. Mustahil bagi private blockchain dapat
melindungi datanya menggunakan gigawatt daya komputasi — ini
memakan waktu dan tidak murah. Dia juga mengatakan,
"Dalam private blockchain juga tidak ada 'kompetisi'; tidak ada
insentif jika menggunakan lebih banyak daya atau menemukan blok
lebih cepat daripada yang lain. Ini artinya bahwa banyaknya solusi
blockchain internal tidak lebih dari sekadar basis data yang rumit.

Sumber: https://id.wikipedia.org/wiki/Rantai_blok

4. BUSINESS INTELIGENT
 what ?
Menurut Wikipedia, Business Intelligence adalah sekumpulan teknik
dan alat untuk mentransformasi dari data mentah menjadi informasi
yang berguna dan bermakna untuk tujuan analisis bisnis
 where ?
"Sepanjang Holandia, Flanders, Prancis, dan Jerman, dia
memelihara rentetan inteligensi bisnis yang komplet dan
sempurna. Berita-berita dari banyak pertempuran pertama kali
 diterima olehnya, dan jatuhnya Namur menambah keuntungannya,
berkat penerimaan paling awal dari berita." (Devens, (1865),
p. 210). Kemampuan untuk mengumpulkan dan bereaksi
berdasarkan informasi yang diterima, suatu kemampuan yang
Furnese sangat handal, sampai sekarang masih menjadi jantung
dari IB.
 when ?
dalam "Cyclopedia of Commercial and Business Anecdotes" pada
tahun 1865. Devens menggunakan istilah tersebut untuk
menjelaskan bagaimana seorang bankir, Sir Henry Furnese,
mendapatkan profit dengan memainkan informasi tentang
lingkungannya, sebelum kompetitornya.
 who ?
Istilah "Inteligensi Bisnis" awalnya ditemukan oleh Richar Millar
Devens 
 why ?
IB dapat digunakan untuk mendukung sejumlah besar keputusan
bisnis mulai dari operasi sampai strategis. Keputusan operasi
termasuk penempatan dan harga produk. Keputusan strategis
termasuk prioritas, tujuan dan arah pada tingkat yang lebih luas.
Pada semua kasus, IB lebih efektif bila digabungkan dengan data
yang didapat dari pasar tempat perusahaan beroperasi (data
eksternal) dengan data dari sumber internal bisnis perusahaan
seperti data operasi dan finansial (data internal). Bila digabungkan,
data eksternal dan internal bisa menyediakan gambaran yang lebih
lengkap, yang efeknya, menciptakan "inteligensi" yang tidak dapat
diturunkan dari kumpulan data tunggal manapun.
 how ?

Seringkali aplikasi IB menggunakan data yang dikumpulkan dari

suatu gudang data (GD) atau dari pasar data, dan konsep dari IB
dan GD terkadang digabungkan sebagai "IB/GD" (atau
"BI/DW") atau "IBGD". Suatu gudang data mengandung salinan
dari data analitis yang memfalisitasi pendukungan keputusan.
 Namun, tidak semua layanan gudang data untuk inteligensi bisnis,
tidak juga semua aplikasi inteligensi bisnis membutuhkan sebuah
gudang data. Untuk membedakan antara konsep dari inteligensi
bisnis dan gudang data, Forrester Research mendefinisikan
inteligensi bisnis dengan satu atau dua cara:
o Menggunakan definisi luas: "Inteligensi Bisnis adalah suatu
kumpulan metodologi, proses, arsitektur, dan teknologi yang
mengubah data mentah menjadi informasi yang bermakna
dan berguna digunakan untuk mendapatkan strategi yang
lebih efek Di bawah definisi ini, inteligensi bisnis juga
mengikutkan teknologi seperti integrasi data, kualitas data,
penggudangan data, manajemen data-master, analitis
konten dan teks, dan banyak lainnya yang terkadang pasar
menyatukannya ke segmen "Manajemen Informasi. Oleh
karena itu, Forrester mengacu pada persiapan
data dan penggunaan data sebagai dua bagian yang
terpisah tetapi pada segmen yang berkaitan dekat dari
susunan arsitektur inteligensi-bisnis.
o Forrester mendefinisikan pasar inteligensi-bisnis yang lebih
kecil sebagai, mengacu hanya pada lapisan paling atas dari
susunan arsitektural IB seperti pelaporan, analitis
dan dasbor.

 Strenght
Inteligensi bisnis bisa diterapkan untuk tujuan bisnis berikut,
dengan tujuan untuk mendapatkan nilai bisnis:
o Perkiraan - program yang membuat hierarki dari metrik
performansi (lihat juga Model Referensi Metrik)
dan pengukuran yang menginformasikan pimpinan bisnis
tentang progres kearah tujuan bisnis (manajemen proses
bisnis).
o Analitis - program yang membuat proses kuantitatif supaya
sebuah bisnis mencapai keputusan yang optimal dan
melakukan penemuan pengetahuan bisnis. Biasanya
 mengikutkan: penggalian data, penggalian proses, analisis
statistik, analitis prediksi, pemodelan prediksi, pemodelan
proses bisnis, silsilah data, pemrosesan kejadian
kompleks dan analitis preskriptif.
o Pelaporan/pelaporan perusahaan - program yang
membangun infrastruktur untuk laporan strategis untuk
melayani manajemen strategis dari suatu bisnis, bukan
pelaporan operasional. Seringkali mengikutkan visualisasi
data, sistem informasi eksekutif dan OLAP.
o Kolaborasi/platform kolaborasi - program yang membuat
wilayah yang berbeda (baik dalam dan luar bisnis) bekerja
sama lewat berbagi data dan pertukaran data elektronik.
o Manajemen pengetahuan - program yang membuat data
perusahaan diarahkan oleh strategi dan praktik untuk
mengidentifikasi, membuat, merepresentasikan,
menyalurkan, dan mengadopsi wawasan dan pengalaman
yang benar-benar berpengetahuan bisnis. Manajemen
pengetahuan mengarah ke manajemen
pembelajaran dan penyesuaian peraturan.
Sebagai tambahan dari yang di atas, inteligensi bisnis bisa
menyediakan pendekatan pro-aktif, seperti fungsi peringatan yang
secara langsung mengingatkan pengguna jika suatu kondisi
tertentu tercapai. Sebagai contohnya, jika suatu metrik bisnis
melampaui batas yang telah ditentukan, metrik tersebut akan
diwarnai dalam laporan standar, dan ahli analis bisnis diperingatkan
lewat email atau layanan pengawasan lainnya. Proses ini
membutuhkan pengaturan data, yang seharusnya ditangani oleh
ahlinya.

 Weakness
Tanpa data yang cukup, atau dengan kualitas data yang kecil,
setiap implementasi IB akan gagal: tidak penting seberapa bagus
dukungan manajemen atau motivasi berbasis-bisnis. Sebelum
implementasi sebaiknya dilakukan pemrofilan data terlebih dahulu.
 Analisis ini mengidentifikasi isi, konsistensi dan struktur dari data.
Hal ini sebaiknya dilakukan seawal mungkin dalam proses dan jika
analis memperlihatkan bahwa datanya kurang, tangguhkan proyek
untuk sementara sambil departemen IT memikirkan bagaimana
mengumpulkan data secara benar.
Permasalahan manajemen yang lain yang harus dihadapi sebelum
memulai implementasi yaitu jika pendukung bisnis terlalu agresif.
Jika individu manajemen terbawa oleh kemungkinan-kemungkinan
penggunaan IB dan mulai menginginkan implementasi GD atau IB
untuk memasukan beberapa kumpulan data yang berbeda yang
pada tahap perencanaan awal tidak diikutkan. Namun, karena
implementasi tambahan dari data tambahan bisa menambah
jumlah waktu dari rencana semula, akan lebih bijak untuk
memastikan orang dari manajemen sadar dari aksi mereka

 Opportunities
Karena keterkaitan yang dekat dengan senior manajemen, hal
penting yang harus diperhatikan sebelum proyek dimulai adalah
apakah ada kebutuhan bisnis dan apakah jelas keuntungan bisnis
dengan melakukan implementasi. Kebutuhan dan keuntungan dari
implementasi terkadang diarahkan oleh kompetisi dan keinginan
untuk mendapatkan keuntungan di pasar. Alasan lain untuk
pendekatan berbasis-bisnis untuk implementasi IB adalah akuisisi
organisasi lain untuk memperbesar organisasi awal terkadang
menguntungkan untuk mengimplementasikan GD atau IB dengan
tujuan untuk membuat pengawasan yang lebih.
Perusahaan yang mengimplementasikan IB biasanya organisasi
yang besar dan multinasional dengan cabang yang beragam. [
Solusi IB yang dirancang baik menyediakan pandangan konsolidasi
dari kunci data bisnis yang tidak ada di tempat lainnya di dalam
organisasi, memberikan manajemen visibilitas dan kontrol terhadap
pengukuran yang sebelumnya tidak ada.
 Threats
Tulisan Gartner tahun 2009 memprediksikan perkembangan berikut
dalam pasar inteligensi bisnis:
o Karena kurangnya informasi, proses, dan perangkat, selama
2012, lebih dari 35 persen dari top 5000 perusahaan global
secara regular gagal membuat keputusan yang berwawasan
tentang perubahan signifikan dalam pasar dan bisnis
mereka.
o Pada 2012, unit-unit bisnis akan mengontrol paling kurang
40 persen dari anggaran total untuk inteligensi bisnis.
o Pada 2012, sepertiga dari aplikasi analitis yang digunakan
untuk proses bisnis akan diberikan dalam bentuk
aplikasi butiran-kasar mashup.
Laporan khusus Information Management tahun 2009 memprediksi
tren teratas dari IB: "komputasi hijau, jasa jaringan
sosial, visualisasi data, IB seluler, analitis prediktif, aplikasi
komposit, komputasi awan dan multi-sentuh.". Penelitian yang
dilakukan tahun 2014 mengindikasikan bahwa karyawan lebih
mungkin memiliki akses ke, dan lebih mungkin lagi terlibat dengan,
perangkat IB berbasis-awan daripada perangkat tradisional.
Tren IB lainya termasuk hal-hal berikut:

o Produk SOA-IB pihak ketiga yang menangani

masalah ETL yang besar.
o Perusahaan menerapkan pemrosesan dalam memory,
pemrosesan 64-bit, dan pra-paket aplikasi IB analitis.
o Aplikasi operasional memiliki komponen IB, dengan
peningkatan pada waktu respon, skala, dan konkurensi.
o Analitis IB yang tepat atau mendekati seketika adalah
ekpektasi dasar.
o Perangkat lunak sumber-berbuka IB menggantikan
penawaran dari vendor.

Jalur penelitian yang lain mengikutkan pengkajian gabungan dari IB

dan data tak pasti. Dalam konteks ini, data yang digunakan tidak
 diasumsikan harus tepat, akurat dan komplet. Melainkan, data
dianggap tidak pasti dan karenanya ketidakpastian ini disebarkan
ke hasil yang dikeluarkan oleh IB.

Menurut kajian dari Aberdeen Group, ada peningkatan ketertarikan

dalam IB Software-as-a-Service (SaaS - Perangkat lunak sebagai
jasa) selama beberapa tahun terakhir, dengan dua kali lipat
organisasi menggunakan pendekatan ini setahun lalu - 15% pada
tahun 2009 dibandingkan 7% pada tahun 2008.

Sebuah artikel oleh Chris Kanaracus menunjukan pertumbuhan

data yang sama dari firma penelitian IDC, yang memprediksi pasar
IB SaaS akan tumbuh 22 persen setiap tahun sampai 2013 berkat
meningkatnya kecanggihan produk, anggaran IT yang ketat, dan
faktor lainnya

Sumber: https://id.wikipedia.org/wiki/Inteligensi_bisnis