Dsusun Oleh:
Muzdalipah (20919019)
Nurul Alifiah Hasan (20919020)
1
DAFTAR ISI
halaman Sampul........................................................................................................................................ 1
Daftar Isi................................................................................................................................................... 2
Kata Pengantar.......................................................................................................................................... 3
Bab I.......................................................................................................................................................... 4
Pendahuluan.............................................................................................................................................. 4
A. Latar Belakang.................................................................................................................................4
B. Rumusan Masalah............................................................................................................................5
C. Tujuan...............................................................................................................................................5
Bab II.........................................................................................................................................................6
Pembahasan................................................................................................................................................6
BAB III....................................................................................................................................................29
PENUTUP...............................................................................................................................................29
Kesimpulan.....................................................................................................................................29
Daftar pustaka......................................................................................................................................... 30
2
KATA PENGANTAR
Kami panjatkan puji syukur Kehadirat Allah SWT yang telah melimpahkan segala
karuniaNya sehingga kami dapat menyelesaikan makalah bertema “business intelligence and
analytics”. Makalah ini merupakan tugas mata kuliah “Decision support system” . semoga
makalah ini dapat bermanfaat bagi kami selaku mahasiswa dan para pembaca pada
umumnya.
Kami mengucapkan terimakasih kepada Drs. Dekar Urumsah, S. Si, M. Com (IS).,
PhD selaku dosen mata kuliyah “Decision support system” atas segala bimbingannya selama
penyusunan makalah ini.
Kami menyadari paper ini masih jauh dari sempurna, oleh karena itu kami sangat
membutuhkan kritik dan saran yang sifatnya membangun untuk memperbaiki kekurangan
kami, sehingga pada masa yang akan datang dapat lebih baik lagi.
Penulis
3
BAB I
PENDAHULUAN
A. Latar Belakang
Saat ini persaingan bisnis semakin ketat, analisis data merupakan salah satu faktor
yang menentukannya. Perusahaan harus dapat menganalisis data perusahaannya dengan
tepat dan cermat agar dapat bertahan dalam persaingan bisnis. Analisis data yang
dilakukan perusahaan akan digunakan dalam pengambilan keputusan. Dimana saat ini
pengambilan keputusan yang mengandalkan intuisi sudah tidak dapat digunakan lagi,
mengingat lingkungan bisnis dewasa ini semakin rumit. Penjualan suatu produk tidak
hanya ditentukan oleh harga dan kualitas produk saja, banyak faktor lain yang ikut ambil
bagian seperti karakteristik pelanggan, faktor geografi, musim, dan lain sebagainya.
Karena faktor-faktor di atas perusahaan membutuhkan sebuah alat bantu yang dapat
digunakan untuk mengolah data untuk menjadi informasi yang kelak akan menjadi
pengetahuan yang dapat digunakan oleh perusahaan dalam mengambil keputusan. Salah
satu alternatif yang dapat digunakan adalah dengan menggunakan Inteligensi Bisnis (IB).
Untuk bisa membangun sistem Inteligensi Bisnis yang baik, banyak hal yang harus
diperhatikan mulai dari tahap pengembangan Inteligensi Bisnis , lingkungan dari
Inteligensi Bisnis , dan tools yang digunakan. Banyak perusahaan di indonesia yang
masih belum menggunakan Inteligensi Bisnis dalam membantu perusahaan dalam
pengambilan keputusan. Contohnya pada perusahaan penyedia pinjaman untuk kredit
mobil yang masih menggunakan cara tradisional dalam penentuan kelayakan pinjaman
customernya. Dengan menggunakan Inteligensi Bisnis , perusahaan penyedia pinjaman
kredit untuk pembelian mobil (leasing) bisa menentukan dengan mudah pelanggan mana
yang layak untuk diberikan pinjaman dengan lebih hasil yang lebih cepat dan tepat.
Dengan kata lain Inteligensi Bisnis membuat sebuah pekerjaan menjadi lebih efisien dan
efektif. Disinilah nilai Businnes Intelligence bisa menjadi besar dan berguna bagi
perusahaan.
4
B. Rumusan Masalah
1. Bagaimana pengambilan keputusan manajerial?
2. Bagaimana sistem informasi dukungan untuk pengambilan keputusan?
3. Apa itu business intelligence dan kerangkanya?
4. Apa itu analisis bisnis dan perangkatnya?
5. Bagaiman koneksi antara DSS dan BI?
C. Tujuan Masalah
1. Untuk Mengetahui pengambilan keputusan manajerial.
2. Untuk mengetahui sistem informasi dukungan untuk pengambilan keputusan.
3. Untuk mengetahui business intelligence dan kerangkanya.
4. Untuk mengetahui analisis bisnis dan perangkatnya.
5. Untuk mengetahui koneksi antara DSS dan BI.
5
BAB II
PEMBAHASAN
6
Wewenang Deskripsi
Figur / sosok Seorang Manajer memiliki tanggung jawab terhadap legal, sosial,
seremonial dan juga bertindak sebagai simbol perusahaan. Seorang
Manajer diharapkan menjadi sumber inspirasi. Sebagai contoh,
seorang Manajer biasanya akan melakukan hal-hal seremonial
seperti menghadiri acara pemootongan pita peresmian,
menandatangani dokumen legal (hukum), menyapa tamu perusahaan
dan menjadi tuan rumah resepsi
Juru bicara Seorang Manajer juga berperan sebagai Juru Bicara yang
meneruskan informasi tentang organisasinya dan tujuan
organisasinya ke pihak luar.
7
keputusan mengendalikannya untuk kemajuan organisasinya. Peran Manajer
wirausahawan disini adalah memecahkan masalah dan menghasilkan ide-ide baru
serta menerapkannya dalam organisasi. Manajer harus
merencanakan masa depan organisasinya, membuat proyek-proyek
perbaikan dan peningkatan kualitas dan produktivitas.
Pemecah masalah Setiap organisasi pasti menemukan masalah dan hambatan dalam
operasionalnya. Ketika suatu permasalahan atau hambatan terjadi,
manajer harus bertanggung jawab untuk menyelesaikannya. Dan
jika terjadi konflik diantara anggota timnya, manajer harus menjadi
penengah dan mencarikan alternatif strategis untuk menyelesaikan
konflik tersebut.
Pembagi sumber daya Seorang Manajer juga berperan sebagai pembagi sumber daya yaitu
menentukan dimana sumber daya tersebut harus dialokasikan untuk
mendapatkan hasil yang terbaik. Sumber daya yang dimaksud disini
dapat berupa dana, tenaga kerja, material, mesin dan sumber daya
lainnya.
8
pengambilan keputusan yang metodis, bijaksana, analitis daripada keterampilan
komunikasi antarpribadi dan kilat.
Manajer biasanya membuat keputusan dengan mengikuti proses empat
langkah:
1. Mendefinisikan masalah (yaitu, situasi keputusan yang mungkin menghadapi
kesulitan atau peluang).
2. Membuat model yang menggambarkan masalah dunia nyata.
3. Mengidentifikasi solusi yang mungkin untuk masalah yang dimodelkan dan
mengevaluasi solusinya.
4. Membandingkan, memilih, dan merekomendasikan solusi potensial untuk masalah
tersebut.
Untuk mengikuti proses ini, seseorang harus memastikan bahwa solusi alternatif yang
memadai sedang dipertimbangkan, bahwa konsekuensi dari penggunaan alternatif ini dapat
diprediksi secara wajar, dan bahwa perbandingan dilakukan dengan benar. Namun, faktor
lingkungan membuat proses evaluasi menjadi sulit.
9
kapasitas jaringan, beberapa perkembangan jelas berkontribusi dalam memfasilitasi
pertumbuhan dukungan keputusan dan analitik dalam beberapa cara, termasuk berikut
ini:
• Komunikasi dan kolaborasi kelompok. Banyak keputusan dibuat oleh
kelompok yang anggotanya mungkin berada di lokasi yang berbeda. Grup dapat
berkolaborasi dan berkomunikasi dengan mudah dengan menggunakan alat
berbasis web serta smartphone yang ada di mana-mana. Kolaborasi sangat penting
di sepanjang rantai pasokan, di mana mitra mulai dari vendor hingga pelanggan
harus berbagi informasi. Mengumpulkan sekelompok pembuat keputusan,
terutama para ahli, di satu tempat bisa jadi mahal. Sistem informasi dapat
meningkatkan proses kolaborasi grup dan memungkinkan anggotanya berada di
lokasi yang berbeda (menghemat biaya perjalanan).
• Mengelola gudang data raksasa dan Big Data. Gudang data besar, seperti yang
dioperasikan oleh Walmart, berisi terabyte dan bahkan petabyte data. Khusus
metode, termasuk komputasi paralel, tersedia untuk mengatur, mencari, dan
menambang data. Biaya yang terkait dengan pergudangan data menurun.
Teknologi yang jatuh di bawah kategori luas Big Data telah memungkinkan data
besar yang berasal dari berbagai sumber dan dalam berbagai bentuk, yang
memungkinkan tampilan yang sangat berbeda menjadi kinerja organisasi yang
tidak mungkin dilakukan di masa lalu.
• Dukungan analitis. Dengan lebih banyak data dan teknologi analisis, lebih
banyak alternatif dapat dievaluasi, prakiraan dapat ditingkatkan, analisis risiko
dapat dilakukan dengan cepat, dan pandangan para ahli (beberapa di antaranya
10
mungkin berada di lokasi terpencil) dapat dikumpulkan dengan cepat dan dengan
biaya yang lebih rendah. Keahlian bahkan dapat diturunkan langsung dari sistem
analitik. Dengan alat seperti itu, pengambil keputusan dapat melakukan simulasi
yang kompleks, memeriksa banyak skenario yang mungkin, dan menilai berbagai
dampak dengan cepat dan ekonomis. Ini, tentu saja, adalah fokus dari beberapa
bab dalam buku ini.
11
Kemampuan ini dan lainnya telah mendorong penggunaan dukungan keputusan
terkomputerisasi sejak akhir 1960-an, terutama sejak pertengahan 1990-an.
Pertumbuhan teknologi seluler, platform media sosial, dan alat analisis telah
memungkinkan tingkat dukungan sistem informasi yang jauh lebih tinggi bagi para
manajer.
Pada masa awal DSS, manajer membiarkan staf mereka melakukan beberapa analisis
pendukung dengan menggunakan alat DSS. Seiring kemajuan teknologi PC, generasi
manajer baru mengembangkan manajer yang nyaman dengan komputasi dan mengetahui
bahwa teknologi dapat secara langsung membantu membuat keputusan bisnis yang cerdas
lebih cepat. Alat baru seperti OLAP, pergudangan data, penambangan data, dan sistem
cerdas, disampaikan melalui teknologi Web, menambahkan kemampuan yang dijanjikan
dan akses mudah ke alat, model, dan data untuk pengambilan keputusan dengan bantuan
komputer. Alat-alat ini mulai muncul dengan nama BI dan analisis bisnis di pertengahan
1990-an.
.
C. KERANGKA UNTUK KECERDASAN BISNIS (Bl)
Konsep pendukung keputusan yang disajikan telah diterapkan secara bertahap, dengan
nama yang berbeda, oleh banyak vendor yang telah membuat alat dan metodologi untuk
dukungan keputusan. Seiring dengan pertumbuhan sistem perusahaan yang luas, manajer
dapat mengakses laporan yang mudah digunakan yang memungkinkan mereka membuat
keputusan dengan cepat. Sistem ini, yang umumnya disebut sistem informasi eksekutif (EIS),
kemudian mulai menawarkan kemampuan visualisasi, peringatan, dan pengukuran kinerja
tambahan. Pada tahun 2006, produk dan layanan komersial utama muncul di bawah payung
istilah business intelligence (BI).
12
Dalam hal ini Inteligensi Bisnis memiliki kemampuan untuk dapat mengakses
berbagai sumber data dan informasi yang berada pada sejumlah sumber yang berbeda
dimana pada setiap sumber memliki format penyimpanan data yang berbeda pula.
2. Data analysis
Dalam hal ini intelligence memiliki kemampuan untuk dapat menganalisis data yang
didapatkan dari aktivitas perusahaan dan informasi dari perusahaan sehingga dapat
dijadikan sebuah pengetahuan yang kelak dapat digunakan perusahaan untuk
meningkatkan kinerja perusahaan.
3. Situation awareness
Dalam hal ini Inteligensi Bisnis memiliki kemampuan untuk dapat menyediakan
sebuah sistem yang dapat digunakan untuk mencari dan memberikan data serta
informasi yang dibutuhkan oleh perusahaan ketika perusahaan menghadapi kejadian
darurat atau terdesak.
4. Risk analysis
Dalam hal ini Inteligensi Bisnis memiliki kemampuan untuk dapat memberikan
perhitungan resiko yang akan dihadapi perusahaan terhadap berbagai kemungkinan
yang terjadi akibat dari pilihan-pilihan tertentu yang diambil oleh perusahaan.
5. Decision support
Dalam hal ini Inteligensi Bisnis memiliki kemampuan untuk dapat memberikan
pertimbangan- pertimbangan yang dapat digunakan untuk membantu perusahaan
dalam pengambilan keputusan yang dapat menghasilkan keputusan-keputusan yang
berkualitas yang diambil berdasarkan berbagai perhitungan dan pengolahan terhadap
data atau informasi baik internal maupun eksternal yang dimiliki oleh perusahaan.
Business intelligence (BI) adalah istilah umum yang menggabungkan arsitektur, alat,
database, alat analisis, aplikasi, dan metodologi. Ini, seperti DSS, adalah ekspresi bebas
konten, jadi artinya berbeda bagi orang yang berbeda. Bagian dari kebingungan tentang BI
terletak pada kesibukan dan kata kunci yang terkait dengannya (misalnya, manajemen kinerja
bisnis [BPM]). Tujuan utama Bi adalah untuk mengaktifkan akses interaktif (kadang-kadang
dalam waktu nyata) ke data, untuk memungkinkan manipulasi data, dan untuk memberikan
13
manajer bisnis dan analis kemampuan untuk melakukan analisis yang sesuai. Dengan
menganalisis data, situasi, dan kinerja historis dan terkini, pengambil keputusan mendapatkan
wawasan berharga yang memungkinkan mereka membuat keputusan yang lebih tepat dan
lebih baik. Proses BI didasarkan pada traniformasi data menjadi informasi, kemudian
keputusan, dan akhirnya tindakan.
Menurut Nadia Branon, Business Intelligence merupakan kategori yang umum
digunakan untuk aplikasi dan teknologi untuk mengumpulkan, menyimpan, menganalisa, dan
menyediakan akses pada data agar dapat membantu pengguna dari kalangan perusahaan agar
dapat mengambil keputusan dengan lebih baik dan tepat.
Secara ringkas Business Intelligence dapat diartikan sebagai pengetahuan yang
didapat dari hasil analisis data yang diperoleh dari kegiatan (usaha) suatu organisasi.
Business Intelligence biasanya dikaitkan dengan upaya untuk memaksimalkan kinerja suatu
organisasi. Business intelligent system merupakan istilah yang umumnya digunakan untuk
jenis aplikasi maupun teknologi yang digunakan untuk membantu kegiatan businnes
intelligence, seperti mengumpulkan data, menyediakan akses serta menagnalisis data dan
informasi mengenai kinerja perusahaan.
Sejarah Singkat Bl
Istilah Business Intelligence (BI) pertama kali didengungkan pada tahun 1958 oleh
seorang peneliti dari IBM yang bernama Hans Peter Luhn. Beliau mendefinisikan istilah
intelligence sebagai “Kemampuan dalam mengerti dan memahami suatu hubungan timbal
balik antara fakta-fakta yang disajikan sedemikian rupa menjadi suatu landasan dalam
bertindak untuk mencapai tujuan yang dikehendaki”. Business Intelligence seperti yang kita
ketahui pada saat ini bisa dikatakan sebagai hasil evolusi dari Decision Support System
(DSS) yang dimulai sekitar tahun 1960 dan berkembang sampai tahun 1980an. Sekitar tahun
1980an mulai dari DSS, EIS (Executive Information System), data warehouse, OLAP dan
Business Intelligence mulai menjadi perhatian dan menjadi suatu kesatuan system. Pada
tahun 1989 dalam sebuah artikel terbitan Gartner, Howard Dresner menggunakan istilah
Business Intelligence (BI) . Dia menggambarkan istilah tersebut sebagai seperangkat konsep
dan metode yang berguna untuk meningkatkan kemampuan pembuatan keputusan dengan
bantuan sistem yang berbasiskan fakta atau realita yang terjadi.
14
Manfaat Business Intelligence
Dengan fitur yang dimiliki oleh business intelligence, mereka dapat memberikan
kekuatan baru pada bisnis kita yang dapat mengubah cara kita dalam menjalankan bisnis
selama ini. Selain itu business intelligence juga memiliki berbagai manfaat yang diantaranya
adalah :
Arsitektur Bl
Sistem BI memiliki empat komponen utama: gudang data, dengan data sumbernya;
analitik bisnis, kumpulan alat untuk memanipulasi, menambang, dan menganalisis data di
gudang data; manajemen kinerja bisnis (BPM) untuk memantau dan menganalisis kinerja;
dan antarmuka pengguna (misalnya, dasbor).
Gaya Bl
15
skor); analisis kubus (juga dikenal sebagai analisis irisan-dan-dadu); pertanyaan ad hoc; dan
statistik dan penggalian data.
Dari mana pendekatan modern untuk data warehousing (DW) dan BI berasal? Apa
akar mereka, dan bagaimana akar tersebut memengaruhi cara organisasi mengelola inisiatif
ini saat ini? Investasi saat ini dalam teknologi informasi berada di bawah pengawasan yang
meningkat dalam hal dampak dan potensi bottom-line mereka. Hal yang sama berlaku untuk
DW dan aplikasi BI yang memungkinkan inisiatif ini.
Meskipun beberapa orang menyamakan DSS dengan BI, sistem ini pada saat ini tidak
sama. Menarik untuk dicatat bahwa beberapa orang percaya bahwa DSS adalah bagian dari
BI, salah satu alat analisisnya. Yang lain berpikir bahwa BI adalah kasus khusus dari DSS
yang sebagian besar berhubungan dengan pelaporan, komunikasi, dan kolaborasi (suatu
bentuk DSS yang berorientasi pada data). Penjelasan lain (Watson, 2005) adalah bahwa BI
merupakan hasil dari revolusi yang terus menerus dan oleh karena itu, DSS merupakan salah
16
satu elemen asli BI. Lebih lanjut, di banyak kalangan BI telah dimasukkan oleh istilah baru
analitik atau ilmu data.
17
pelanggan mungkin menanggapi kampanye pemasaran tertentu atau penawaran layanan /
produk yang sedang berlangsung. Ketika sebuah organisasi memiliki pandangan yang
baik tentang apa yang terjadi dan apa yang mungkin terjadi, organisasi juga dapat
menggunakan teknik lain untuk membuat keputusan terbaik dalam situasi tersebut.
Delapan tingkat analitik ini dijelaskan secara lebih rinci dalam kertas putih oleh SAS.
Gagasan untuk melihat semua data untuk memahami apa yang terjadi, apa yang
akan terjadi, dan bagaimana memanfaatkannya sebaik-baiknya juga telah dikemas oleh
INFORMS dalam mengusulkan tiga tingkat analitik. Ketiga level ini diidentifikasi
(inforrns.org/ Community / Analytics) sebagai deskriptif, prediktif, dan preskriptif. Satu
pandangan menunjukkan bahwa ketiga langkah ini agak independen (dari sebuah tangga)
dan satu jenis aplikasi analitik mengarah ke yang lain. Tampilan lingkaran yang saling
berhubungan menunjukkan bahwa sebenarnya ada beberapa tumpang tindih di ketiga
jenis analitik ini. Dalam kedua kasus tersebut, sifat yang saling berhubungan dari
berbagai jenis aplikasi analitik terbukti. Kami selanjutnya memperkenalkan tiga tingkat
analitik ini.
Analisis Deskriptif
Analisis deskriptif atau pelaporan mengacu pada mengetahui apa yang terjadi di
organisasi dan memahami beberapa tren dan penyebab yang mendasari kejadian
tersebut. Ini melibatkan, pertama-tama, konsolidasi sumber data dan ketersediaan
semua data yang relevan dalam bentuk yang memungkinkan pelaporan dan analisis
yang sesuai. Biasanya pengembangan infrastruktur data ini merupakan bagian dari
gudang data. Dari infrastruktur data ini kita dapat mengembangkan laporan,
pertanyaan, peringatan, dan tren yang sesuai dengan menggunakan berbagai alat dan
teknik pelaporan. Teknologi penting yang telah menjadi pemain kunci di bidang ini
adalah visualisasi.
Analisis Prediktif
Analisis prediktif bertujuan untuk menentukan apa yang mungkin terjadi di
masa depan. Analisis ini didasarkan pada teknik statistik serta teknik lain yang lebih
baru dikembangkan yang termasuk dalam kategori umum data mining. Tujuan dari
teknik ini adalah untuk dapat memprediksi apakah pelanggan cenderung beralih ke
pesaing ("churn"), apa yang kemungkinan besar akan dibeli pelanggan selanjutnya
dan berapa banyak, promosi apa yang akan ditanggapi pelanggan, atau apakah ini
18
pelanggan adalah risiko layak kredit. Sejumlah teknik digunakan dalam
mengembangkan aplikasi analitik prediktif, termasuk berbagai algoritme klasifikasi.
Misalnya, kita dapat menggunakan teknik klasifikasi seperti model pohon
keputusan dan jaringan saraf untuk memprediksi seberapa baik film akan berhasil di
box office. Kami juga dapat menggunakan algoritme pengelompokan untuk
menyegmentasikan pelanggan ke dalam kluster yang berbeda agar dapat menargetkan
promosi tertentu kepada mereka. Akhirnya, kita dapat menggunakan teknik
penambangan asosiasi untuk memperkirakan hubungan antara perilaku pembelian
yang berbeda. Artinya, jika pelanggan membeli satu produk, apa lagi yang
kemungkinan besar akan dibeli pelanggan? Analisis semacam itu dapat membantu
pengecer dalam merekomendasikan atau mempromosikan produk terkait.
Analisis Preskriptif
Kategori analitik ketiga disebut analitik preskriptif. Tujuan analitik preskriptif
adalah untuk mengenali apa yang sedang terjadi serta kemungkinan perkiraan dan
membuat keputusan untuk mencapai kinerja terbaik. Kelompok teknik ini secara
historis telah dipelajari di bawah payung penelitian operasi atau ilmu manajemen dan
umumnya ditujukan untuk mengoptimalkan kinerja sistem. Tujuannya di sini adalah
memberikan keputusan atau rekomendasi untuk tindakan tertentu. Rekomendasi ini
bisa dalam bentuk keputusan ya / tidak tertentu untuk suatu masalah, jumlah tertentu
(misalnya, harga untuk barang atau tiket pesawat tertentu), atau rangkaian rencana
produksi yang lengkap. Keputusan dapat disajikan kepada pembuat keputusan dalam
laporan atau dapat langsung digunakan dalam sistem aturan keputusan otomatis
(misalnya, dalam sistem harga maskapai penerbangan). Dengan demikian, jenis
analitik ini juga dapat disebut analitik keputusan atau analitik normatif. Kasus
Aplikasi 1.6 memberikan contoh aplikasi analitik preskriptif seperti itu.
19
untuk mendapatkan nilai dari teks atau analisis Web yang menganalisis aliran data
Web banyak profesi / aliran analitik khusus industri atau masalah telah muncul .
Contoh area tersebut adalah analitik pemasaran, analitik ritel, analitik
penipuan, analitik transportasi, analitik kesehatan, analitik olahraga, analitik bakat,
analitik perilaku, dan sebagainya.
Secara harfiah, setiap analisis data yang sistematis di sektor tertentu diberi
label sebagai Analisis "(isi-kosong)". Meskipun hal ini dapat mengakibatkan konsep
analitik terlalu banyak dijual, manfaatnya adalah lebih banyak orang di industri
tertentu menyadari kekuatan dan potensi analitik. Ini juga memberikan fokus kepada
para profesional yang mengembangkan dan menerapkan konsep analitik dalam bidang
vertikal. Meskipun banyak teknik untuk mengembangkan aplikasi analitik mungkin
umum, ada masalah unik dalam setiap segmen vertikal yang memengaruhi cara data
dikumpulkan, diproses, dianalisis, dan aplikasi diterapkan. Jadi, diferensiasi berbasis
analitik pada fokus vertikal bagus untuk pertumbuhan disiplin ilmu secara
keseluruhan.
20
sebagai berada di bawah payung analitik prediktif dan preskriptif. Pandangan kami
adalah bahwa perbedaan antara analitik dan ilmu data lebih pada tingkat pengetahuan
teknis dan keahlian daripada fungsinya. Ini mungkin juga lebih merupakan perbedaan
lintas disiplin ilmu. Ilmu komputer, statistik, dan program matematika terapan
tampaknya lebih menyukai label ilmu data, sehingga label analitik disimpan untuk
profesional yang lebih berorientasi bisnis. Sebagai contoh lain dari ini, para
profesional fisika terapan telah mengusulkan menggunakan ilmu jaringan sebagai
istilah untuk mendeskripsikan analitik yang terkait dengan sekelompok jaringan sosial
orang, jaringan rantai pasokan, dan sebagainya.
Selain perbedaan yang jelas dalam kumpulan keahlian profesional yang hanya
perlu melakukan analitik deskriptif / pelaporan versus mereka yang terlibat dalam
ketiga jenis analitik, perbedaannya tidak jelas antara kedua label, paling banter. Kami
mengamati bahwa lulusan program analitik kami cenderung bertanggung jawab untuk
tugas yang lebih sesuai dengan profesional ilmu data (sebagaimana didefinisikan oleh
beberapa lingkaran) daripada hanya melaporkan analitik. Mulai sekarang, kami akan
menggunakan istilah-istilah ini secara bergantian.
Data yang tidak dapat disimpan dalam satu unit penyimpanan. Big Data biasanya
mengacu pada data yang ada dalam berbagai bentuk, baik itu terstruktur, tidak
terstruktur, atau dalam aliran. Sumber utama data tersebut adalah aliran klik dari situs
Web, postingan di situs media sosial seperti Facebook, atau data dari lalu lintas, sensor,
atau cuaca. Mesin pencari Web seperti Google perlu mencari dan mengindeks miliaran
halaman Web untuk memberikan pencarian yang relevan menghasilkan sepersekian
detik. Meskipun ini tidak dilakukan dalam waktu nyata, membuat indeks dari semua
halaman Web di Internet bukanlah tugas yang mudah. Beruntung bagi Google, ini dapat
mengatasi masalah ini. Di antara alat lainnya, ia telah menggunakan teknik analisis Big
Data.
Ada dua aspek untuk mengelola data pada skala ini: penyimpanan dan
pemrosesan. Jika kita dapat membeli solusi penyimpanan yang sangat mahal untuk
menyimpan semua data di satu tempat dalam satu unit, menjadikan unit ini toleran
21
terhadap kesalahan akan melibatkan biaya besar. Seorang yang cerdik solusi diusulkan
yang melibatkan penyimpanan data ini dalam potongan-potongan pada mesin yang
berbeda yang terhubung oleh jaringan, meletakkan satu atau dua salinan dari potongan
ini di lokasi yang berbeda di jaringan, baik secara logis dan fisik. Ini awalnya digunakan
di Google (kemudian disebut Google File System) dan kemudian dikembangkan dan
dirilis sebagai proyek Apache sebagai Hadoop Distributed File System (HDFS).
Namun, menyimpan data ini hanya setengah dari masalah. Data menjadi tidak
berharga jika tidak memberikan nilai bisnis, dan untuk memberikan nilai bisnis, data itu
harus dianalisis. Bagaimana data dalam jumlah besar itu dianalisis? Meneruskan semua
komputasi ke satu komputer yang kuat tidak akan bekerja; skala ini akan membuat
overhead besar pada komputer yang begitu kuat. Solusi lain yang cerdik diusulkan:
Dorong komputasi ke data, alih-alih mendorong data ke node komputasi. Ini adalah
paradigma baru, dan memunculkan cara baru dalam memproses data. Inilah yang kita
kenal sekarang sebagai paradigma pemrograman MapReduce, yang membuat
pemrosesan Big Data menjadi kenyataan. MapReduce awalnya dikembangkan di
Google, dan versi berikutnya dirilis oleh proyek Apache yang disebut Hadoop
MapReduce.
Saat ini, ketika kita berbicara tentang menyimpan, memproses, atau menganalisis
Big Data, HDFS dan MapReduce terlibat di beberapa level. Standar relevan dan solusi
perangkat lunak lainnya telah diusulkan. Meskipun toolkit utama tersedia sebagai open
source, beberapa perusahaan telah diluncurkan untuk memberikan pelatihan atau layanan
perangkat keras atau perangkat lunak analitik khusus di ruang ini. Beberapa contohnya
adalah HortonWorks, Cloudera, dan Teradata Aster.
Selama beberapa tahun terakhir, apa yang disebut Big Data semakin berubah
seiring dengan munculnya aplikasi Big Data. Kebutuhan untuk memproses data yang
masuk dengan kecepatan tinggi menambah kecepatan ke persamaan. Salah satu contoh
pemrosesan data yang cepat adalah perdagangan algoritmik. Ini adalah penggunaan
platform elektronik berdasarkan algoritme untuk memperdagangkan saham di pasar
keuangan, yang beroperasi dalam urutan mikrodetik. Kebutuhan untuk memproses
berbagai jenis data menambahkan variasi ke persamaan. Contoh lain dari berbagai
macam data adalah analisis sentimen, yang menggunakan berbagai bentuk data dari
platform media sosial dan tanggapan pelanggan untuk mengukur sentimen. Saat ini Big
22
Data dikaitkan dengan hampir semua jenis data besar yang memiliki karakteristik
volume, kecepatan, dan variasi.
F. ANALISIS BISNIS
Business Analytics (BA) merupakan pelengkap dari kehadiran BI, agar bisa
dimanfaatkan secara maksimal dengan interpertasi data guna memprediksi apa yang akan
terjadi di masa depan berdasarkan data. BA adalah langkah yang baik bagi perusahaan,
jika ingin meningkatkan atau mengubah cara serta membuat keputusan yang lebih baik di
masa depan. BA bisa membantu menyusun strategi, mengenal peluang pasar,
meningkatkan hubungan dengan pelanggan, menunjukkan potensi risiko, dan
mengurangi ancaman berdasarkan evaluasi dan analisa masa lampau.
Menurut Michigan State University, Sehubungan dengan semakin pentingnya
keberadaan big data, maka terdapat berbagai jalur karier lintas bidang yang dapat
memanfaatkan business analytics, yaitu:
Yang membuat big data ini berbeda adalah kumpulan data terstruktur
dengan yang tidak terstruktur ini sangat besar bahkan kompleks sehingga teknik
pemrosesan data yang biasanya tidak dapat bekerja dengan data-data tersebut
23
bisa terlaksana. Teknologi big data akan berfokus menemukan benang
tersembunyi, tren, maupun pola tumpukan data dari perusahaan, kemudian data
tersebut diproses dan dikelola sehingga mampu membuka peluang baru.
Peran big data Indonesia ini penting dalam dunia bisnis karena memiliki
sifat high-volume, high-variety, dan high velocity yang mana artinya data yang ada
sangat melimpah, ragamnya sangat banyak, bisa didapatkan dengan cara real-time,
dan banyak informasi yang akan didapatkan dari big data tersebut. Peran big data
dalam dunia bisnis ini adalah untuk memahami kondisi pasar. Kondisi pasar akan
mudah berubah sewaktu-waktu sehingga dengan big data ini diharapkan mampu
melihat perubahan tren pasar dengan cepat. Hal yang membuat tren pasar ini
berubah dikarenakan perilaku pembelian konsumen yang berubah. Dalam bisnis
big data juga bisa untuk mengetahui produk yang paling banyak dijual dan bisa
menghasilkan produk di masa depan yang sesuai dengan tren.
Big data berperan dalam pengontrol reputasi bisnis online yang dimiliki.
Tools yang ada pada big data ini bisa melakukan analisis sentimen, sehingga
pebisnis akan bisa melihat seberapa banyak umpan balik tentang siapa saja yang
telah memberikan respons perusahaan. Peran yang terakhir adalah big data akan
mampu memahami pelanggan dengan baik. Big data akan mampu mengetahui apa
yang pelanggan inginkan dan memberikan pelayanan terbaik kepada mereka.
Dengan menggunakan big data ini perusahaan aka bisa meminimalkan keluhan dan
komplain pelanggan.
24
b. BI umumnya menggunakan user interface dashboard untuk menganalisis sedangkan
BA menggunakan banyak alat bahkan termasuk aplikasi software untuk
menyelesaikan pekerjaannya.
c. BI memberikan insight dan informasi terkait data itu sendiri dibandingkan membuat
transformasi tambahan terhadap data tersebut, di sisi lain BA meliputi cara
pemecahan masalah dengan menggunakan teknologi dengan mengubah bentuk data
menjadi solusi yang bermakna.
d. Baik BA maupun BI, keduanya diperlukan oleh bisnis dan perusahaan. Oleh karena
itu, penting untuk mengetahui apa yang paling dibutuhkan oleh bisnismu.
25
BAB III
PENUTUP
Kesimpulan
Ada 5 konsep dari intelegensi Bisnis yaitu Data sourcing, Data analysis, Situation
awareness, Risk analysis, Decision support.
26
DAFTAR PUSTAKA
Sharda, R . Turba dan Delen. 2015. Business Intelligence And Analytics, System For
Decision Support. Pearson: Tenth Edition .
27