MKU Transformasi Digital

Bab 12. Big Data

Tujuan Pembelajaran:
● Menjelaskan pengertian dan karakteristik Big Data;
● Menyebutkan tipe-tipe Big Data;
● Menjelaskan macam analisis Big Data;
● Mengidentifikasi manfaat Big Data;
● Menjelaskan contoh pemanfaatan Big Data di berbagai bidang.
A. Pengertian dan Karakteristik Big Data
Big Data merupakan kumpulan data yang lebih besar dan lebih kompleks,
terutama dari sumber data baru. Kumpulan data ini sangat banyak sehingga perangkat
lunak pemrosesan data tradisional tidak dapat mengelolanya. Namun, volume data
yang sangat besar ini dapat digunakan untuk mengatasi masalah bisnis yang
sebelumnya tidak dapat diatasi. Data dalam jumlah besar ini, baik terstruktur maupun
tidak terstruktur, mencakup semua data web yang dihasilkan oleh email, situs web,
dan situs jejaring sosial (Holmes, Dunn, & Annas, 2000).
Saat ini, Big Data telah menjadi modal beberapa perusahaan teknologi terbesar
di dunia. Sebagian besar nilai yang ditawarkan oleh perusahaan berasal dari data-data
yang mereka miliki. Data tersebut terus mereka analisis untuk menghasilkan lebih
banyak efisiensi dan mengembangkan produk baru. Terobosan teknologi baru-baru
ini telah secara eksponensial mengurangi biaya penyimpanan dan komputasi data,
membuatnya lebih mudah dan lebih murah untuk menyimpan lebih banyak data
daripada sebelumnya. Dengan peningkatan volume data besar yang kini lebih murah
dan lebih mudah diakses maka perusahaan dapat membuat keputusan bisnis yang
lebih akurat dan tepat. Manfaat dari Big Data tidak hanya berada pada kemampuannya
untuk dianalisis, tetapi juga keseluruhan proses penemuan yang membutuhkan analis
yang berwawasan, pengguna bisnis, dan eksekutif berdasarkan pertanyaan yang tepat
untuk mengenali pola, membuat asumsi yang tepat, dan memprediksi perilaku.

Gambar 12.1. Karakteristik Big Data

Materi Pembelajaran – MKU Transformasi Digital 1

 Agar suatu set data dapat dianggap sebagai Big Data maka harus memiliki satu
atau lebih karakteristik yang memerlukan akomodasi dalam desain solusi dan
arsitektur lingkungan analitik. Terdapat lima karakteristik Big Data yang dapat
digunakan untuk membantu membedakan data yang dikategorikan sebagai Big Data
dari bentuk data lainnya. Lima karakteristik tersebut biasanya disebut sebagai Five Vs:
volume, velocity, variety, veracity, value (Erl, Khattak, & Buhler, 2016). Berikut
penjelasan masing-masing karakteristik dari Big Data:
1. Volume
Volume atau jumlah data merupakan karakteristik penting dari Big Data. Dengan
data besar, maka perusahaan harus memproses data tidak terstruktur dengan
kepadatan rendah dan volume tinggi. Ini bisa berupa data dengan nilai yang tidak
diketahui, seperti: data eksperimen ilmiah/penelitian, transaksi online, peralatan
berkemampuan sensor, dan media sosial. Untuk beberapa organisasi atau
perusahaan, data-data tersebut mungkin bernilai puluhan terabyte data bahkan
bagi yang lain bisa jadi bernilai ratusan petabyte.
2. Velocity
Di lingkungan Big Data, data dapat tiba dengan kecepatan tinggi, dan kumpulan data
yang sangat besar dapat terakumulasi dalam periode waktu yang sangat singkat.
Dari sudut pandang perusahaan, kecepatan (velocity) data diterjemahkan ke dalam
jumlah waktu yang dibutuhkan untuk memproses data setelah memasuki
perimeter perusahaan. Untuk mengatasi arus masuk data yang cepat, perusahaan
harus merancang solusi pemrosesan data yang sangat elastis dan tersedia serta
kemampuan penyimpanan data yang sesuai. Biasanya, kecepatan tertinggi aliran
data langsung mengarah ke memori dibandingkan yang ditulis ke disk. Beberapa
produk pintar berbasis internet yang beroperasi secara realtime (atau hampir)
maka akan memerlukan evaluasi dan tindakan secara realtime juga.
3. Variety
Variety mengacu pada banyak jenis data yang tersedia. Tipe data tradisional
biasanya merupakan data terstruktur dan tersusun dengan rapi dalam database
relasional. Dengan munculnya big data, data dapat hadir secara bervariasi dalam
tipe data baru yang tidak terstruktur. Variasi data mengacu pada berbagai format
dan jenis data yang perlu didukung oleh Big Data. Variasi data membawa tantangan
bagi perusahaan dalam hal integrasi, transformasi, pemrosesan, dan penyimpanan

Materi Pembelajaran – MKU Transformasi Digital 2

 data. Contoh variasi data diantaranya, yang meliputi data terstruktur berupa
transaksi keuangan, data semi terstruktur berupa email, dan data tidak terstruktur
berupa gambar.
4. Veracity
Veracity atau kebenaran data mengacu pada kualitas atau ketepatan data. Data yang
masuk ke lingkungan Big Data perlu dinilai kualitasnya, yang dapat menyebabkan
aktivitas pemrosesan data untuk menyelesaikan data yang tidak valid dan
menghilangkan noise. Dalam kaitannya dengan kebenaran, data dapat menjadi
bagian dari sinyal atau gangguan dari sebuah set data. Noise adalah data yang tidak
dapat diubah menjadi informasi sehingga tidak memiliki nilai, sedangkan sinyal
memiliki nilai dan mengarah pada informasi yang bermakna. Data dengan rasio
signal-to-noise tinggi memiliki lebih banyak kebenaran daripada data dengan rasio
yang lebih rendah. Data yang diperoleh dengan cara yang terkontrol, misalnya
melalui pendaftaran pelanggan online, biasanya mengandung lebih sedikit
gangguan daripada data yang diperoleh melalui sumber yang tidak terkontrol,
seperti postingan sebuah blog. Dengan demikian, rasio signal-to-noise data
tergantung pada sumber data dan tipenya.
5. Value
Value atau nilai diartikan sebagai kegunaan data bagi suatu perusahaan.
Karakteristik nilai secara intuitif terkait dengan karakteristik veracity dimana
semakin tinggi akurasi data, maka semakin banyak nilai yang dimiliki data tersebut
untuk dipergunakan lebih lanjut. Nilai juga bergantung pada berapa lama
pemrosesan data karena hasil analitik memiliki umur simpan. Nilai dan waktu
berhubungan secara terbalik. Semakin lama waktu yang dibutuhkan data untuk
diubah menjadi informasi yang bermakna, maka semakin sedikit nilai yang
dimilikinya untuk dipergunakan lebih lanjut. Hasil yang terlalu lama menghambat
kualitas dan kecepatan dalam pengambilan keputusan.

B. Tipe Big Data

Setelah mengetahui pengertian dari Big Data, selanjutnya berikut beberapa
prinsip dasar mengenai Big Data yang akan membuatnya lebih sederhana untuk
memahami apa itu Big Data:

Materi Pembelajaran – MKU Transformasi Digital 3

1. Big Data mengacu pada sejumlah besar data yang terus tumbuh secara
eksponensial seiring waktu.
2. Big Data sangat banyak sehingga tidak dapat dianalisis atau diproses menggunakan
teknik pemrosesan data konvensional.
3. Big Data memiliki beberapa tipe data sehingga terdapat alat dan teknik yang
digunakan untuk menganalisis data tersebut.
Lebih lanjut, mari kita bahas mengenai tipe-tipe Big Data sebagai berikut:
1. Structured (terstruktur)
Data terstruktur merupakan data yang sesuai dengan model atau skema data dan
sering kali disimpan dalam bentuk tabel. Data ini biasanya digunakan untuk
menangkap hubungan antara entitas yang berbeda dan karena itu paling sering
disimpan dalam relasional database. Data terstruktur sering kali dihasilkan oleh
aplikasi perusahaan dan sistem informasi seperti sistem ERP (Enterprise Resource
Planning) dan CRM (Customer Relationship Management). Banyak alat dan database
yang secara mandiri dapat mendukung data terstruktur sehingga jarang diperlukan
pertimbangan khusus dalam hal pemrosesan atau penyimpanan. Contoh jenis data
ini termasuk transaksi perbankan, faktur, dan catatan pelanggan.
2. Semi-structured (semi-terstruktur)
Data semi-terstruktur memiliki tingkat struktur dan konsistensi yang ditentukan,
tetapi tidak bersifat relasional. Oleh karena itu, data semi-terstruktur biasanya
bersifat hierarkis atau berbasis grafik. Jenis data ini biasanya disimpan dalam file
yang berisi teks. Misalnya, file XML dan JSON adalah bentuk umum dari data semi-
terstruktur. Data jenis ini lebih mudah diproses daripada data tidak terstruktur.
Contoh sumber data semi-terstruktur diantaranya file electronic data interchange
(EDI), spreadsheets, RSS feeds, dan data sensor. Data semi-terstruktur sering kali
memiliki persyaratan pra-pemrosesan dan penyimpanan khusus, terutama jika
format dasarnya tidak berbasis teks.
3. Unstructured (tidak terstruktur)
Data tidak terstruktur adalah data yang tidak sesuai dengan model data atau skema
data. Diperkirakan bahwa 80% data tidak terstruktur terdiri dari data dalam
perusahaan tertentu. Data tidak terstruktur memiliki tingkat pertumbuhan yang
lebih cepat daripada data terstruktur. Bentuk data ini bisa berupa tekstual atau
biner dan sering kali disampaikan melalui file yang berdiri sendiri dan non-

Materi Pembelajaran – MKU Transformasi Digital 4

 relasional. Contoh file teks bisa berisi konten berbagai tweet atau postingan blog
sedangkan contoh file biner seringkali merupakan file media yang berisi data
gambar, audio, atau video. Secara teknis, baik file teks maupun biner memiliki
struktur yang ditentukan oleh format file itu sendiri, tetapi aspek ini diabaikan, dan
pengertian tidak terstruktur terkait dengan format data yang terdapat dalam file itu
sendiri. Logika yang bertujuan khusus biasanya diperlukan untuk memproses dan
menyimpan data tidak terstruktur. Misalnya, untuk memutar file video, maka
ketersediaan coder-decoder sangatlah penting. Data tidak terstruktur tidak dapat
langsung diproses atau dikueri menggunakan SQL. Jika diperlukan untuk disimpan
dalam database relasional, maka data ini disimpan dalam tabel sebagai Binary Large
Object (BLOB) atau database Not-only SQL (NoSQL) yang merupakan database non-
relasional yang dapat digunakan untuk menyimpan data tidak terstruktur bersama
dengan data terstruktur.

C. Analisis Big Data

Big Data dapat membantu perusahaan dalam menangani berbagai aktivitas
bisnis, dari pengalaman pelanggan hingga analitik. Perkembangan data yang bergerak
cepat seperti Big Data tersebut selalu memberikan adanya peluang untuk inovasi.
Teknik statistik biasanya digunakan untuk analisis data eksplorasi, setelah itu teknik
komputasi yang memanfaatkan wawasan yang diperoleh dari studi statistik dari
kumpulan data dapat diterapkan. Dalam prosesnya diperlukan algoritme yang efisien
secara komputasi. Berikut ini beberapa jenis analisis data:
1. Quantative Analysis (analisis kuantitatif) adalah teknik analisis data yang berfokus
pada mengukur pola dan korelasi yang ditemukan dalam data. Teknik ini
melibatkan analisis observasi dalam jumlah besar dari kumpulan data. Oleh karen
itu, hasil analisis kuantitatif dapat diterapkan secara umum ke seluruh kumpulan
data.
2. Qualitative Analysis (analisis kualitatif) adalah teknik analisis data yang berfokus
pada penggambaran berbagai kualitas data dengan menggunakan kata-kata. Teknik
ini melibatkan analisis sampel yang lebih kecil namun dianalisis secara lebih
mendalam dibandingkan dengan analisis data kuantitatif. Hasil analisis ini tidak
dapat digeneralisasikan ke seluruh kumpulan data karena ukuran sampel yang
kecil. Hasil dari analisis kualitatif adalah gambaran hubungan dengan

Materi Pembelajaran – MKU Transformasi Digital 5

 menggunakan kata-kata seperti, hasil analisis penjualan suatu perusahaan hanya
menyatakan bahwa angkanya “tidak setinggi” periode sebelumnya, dan tidak
memberikan perbedaan numerik.
3. Data Mining, juga dikenal sebagai penemuan data, yang merupakan bentuk analisis
data khusus yang menargetkan kumpulan data besar. Sehubungan dengan analisis
Big Data, data mining umumnya mengacu pada teknik otomatis berbasis perangkat
lunak yang menyaring kumpulan data besar untuk mengidentifikasi pola dan tren.
Data mining membentuk dasar untuk analitik prediktif dan Bussiness Intelligence
(BI).
4. Statistical Analysis (analisis statistik) menggunakan metode statistik berdasarkan
rumus matematika sebagai alat untuk menganalisis data. Analisis statistik paling
sering bersifat kuantitatif, tetapi juga dapat bersifat kualitatif. Jenis analisis ini
biasanya digunakan untuk mendeskripsikan kumpulan data melalui peringkasan,
seperti memberikan mean, median, atau mode statistik yang terkait dengan
kumpulan data tersebut. Teknik analisis ini juga dapat digunakan untuk
menyimpulkan pola dan hubungan dalam kumpulan data, seperti regresi dan
korelasi.
5. Machine learning merupakan salah satu teknik analisis data yang dilatar belakangi
oleh manusia yang pandai dalam mengenali pola dan hubungan dalam data. Namun,
manusia tidak dapat memproses data dalam jumlah besar dengan sangat cepat.
Sedangkan mesin justru sangat mahir dalam memproses data dalam jumlah besar
dengan cepat, tetapi hanya jika diketahui cara menganalisisnya. Oleh karena itu,
machine learning bertujuan menggabungkan antara pengetahuan manusia dengan
kecepatan pemrosesan mesin, sehingga mesin akan dapat memproses data dalam
jumlah besar tanpa memerlukan banyak campur tangan manusia. Berikut ini
contoh beberapa teknik machine learning dalam hubungannya dengan data mining:
classification, clustering, outlier detection, filtering.
6. Semantic Analysis (analisis semantik) merupakan praktik untuk mengekstraksi
informasi yang bermakna dari data tekstual dan ucapan. Analisis semantik
dibutuhkan karena fragmen teks atau data ucapan dapat memiliki arti yang berbeda
dalam konteks yang berbeda, sedangkan kalimat lengkap dapat mempertahankan
maknanya, meskipun terstruktur dengan cara yang berbeda. Agar mesin dapat
mengekstrak informasi yang berharga, maka teks dan data ucapan perlu dipahami

Materi Pembelajaran – MKU Transformasi Digital 6

 oleh mesin dengan cara yang sama seperti manusia. Beberapa contoh jenis analisis
semantik: natural language processing, text analytics, sentiment analysis
7. Visual analysis (analisis visual) adalah suatu bentuk analisis data yang melibatkan
representasi data grafis untuk mengaktifkan atau meningkatkan persepsi
visualnya. Berdasarkan premis bahwa manusia dapat memahami dan menarik
kesimpulan dari grafik lebih cepat daripada teks, analisis visual bertindak sebagai
alat penemuan di bidang Big Data. Teknik analisis ini menggunakan representasi
grafis untuk mengembangkan pemahaman yang lebih dalam tentang data yang
dianalisis, sehingga dapat membantu mengidentifikasi dan menyoroti pola,
korelasi, dan anomali tersembunyi. Contoh analisis visual: heat maps, time series
plots, network graphs, spatial data mapping

D. Manfaat Big Data Analytics

Salah satu manfaat terbesar dari Big Data adalah analisis prediktif. Analitik Big
Data dapat memprediksi hasil secara akurat, sehingga memungkinkan bisnis dan
organisasi untuk membuat keputusan yang lebih baik, sekaligus mengoptimalkan
efisiensi operasional dan mengurangi risiko. Manfaat lain dari Big Data khususnya di
bidang bisnis, sebagai berikut:
1. Dengan memanfaatkan data dari platform media sosial menggunakan analitik Big
Data, perusahaan di seluruh dunia dapat merampingkan strategi pemasaran digital
untuk meningkatkan pengalaman konsumen secara keseluruhan. Big Data
memberikan wawasan tentang poin kesulitan pelanggan dan memungkinkan
perusahaan untuk meningkatkan produk dan layanan mereka.
2. Meningkatkan akurasi, Big Data menggabungkan data yang relevan dari berbagai
sumber untuk menghasilkan wawasan yang sangat dapat ditindaklanjuti. Sebagian
perusahaan tidak memiliki alat yang diperlukan untuk menyaring data yang tidak
relevan, yang pada akhirnya menghabiskan biaya besar untuk memilah-milah data
yang berguna dari sejumlah data yang besar. Analitik Big Data dapat membantu
mengurangi ini, sehingga dapat menghemat waktu dan biaya.
3. Analitik Big Data dapat membantu perusahaan menghasilkan lebih banyak arahan
penjualan yang tentunya akan berdampak pada peningkatan pendapatan.
Perusahaan menggunakan analitik Big Data untuk memahami seberapa baik kinerja
produk atau layanan mereka di pasar dan mengenai tanggapan para pelanggan.

Materi Pembelajaran – MKU Transformasi Digital 7

 4. Dengan memanfaatkan Big Data, perusahaan bisa selangkah lebih maju dari
pesaingnya. Perusahaan dapat menyaring pasar untuk mengetahui jenis promosi dan
penawaran apa yang disediakan pesaingnya, dan kemudian dapat memberikan
penawaran yang lebih baik untuk pelanggan. Selain itu, Big Data memungkinkan
perusahaan mempelajari perilaku pelanggan untuk memahami tren pelanggan dan
memberikan pengalaman yang sangat 'dipersonalisasi' kepada mereka.

E. Contoh Implementasi Big Data

Banyak bidang saat ini yang telah menggunakan Big Data, berikut contoh
beberapa bidang diantaranya:
1. Kesehatan
Profesional medis (dokter) saat ini dapat memberikan layanan perawatan
kesehatan yang dipersonalisasi untuk setiap pasien dengan bantuan analitik
prediktif. Beberapa alat kesehatan juga telah banyak yang dikembangkan dengan
pemanfaatan Big Data dan konsep artificial intelligence, seperti: perangkat
kebugaran, telemedicine, pemantauan jarak jauh sehingga dapat membantu
mengubah hidup menjadi lebih baik.
2. Akademisi
Big Data juga membantu meningkatkan pendidikan saat ini. Pendidikan tidak
terbatas pada batasan fisik ruang kelas - ada banyak kursus pendidikan online
untuk dipelajari. Institusi akademis berinvestasi dalam kursus digital yang
didukung oleh teknologi Big Data untuk membantu perkembangan pelajar pemula
secara menyeluruh.
3. Manufaktur
Menurut TCS Global Trend Study, manfaat paling signifikan dari Big Data di bidang
manufaktur adalah meningkatkan strategi pasokan dan kualitas produk. Di sektor
manufaktur, Big Data membantu menciptakan infrastruktur yang transparan,
sehingga memprediksi ketidakpastian dan ketidakmampuan yang dapat
mempengaruhi bisnis secara negatif.
4. Ritel
Big Data telah mengubah cara kerja di toko ritel. Selama bertahun-tahun,
perusahaan ritel telah mengumpulkan sejumlah besar data dari survei demografis
lokal, pemindai POS, RFID, kartu loyalitas pelanggan, inventaris toko, dan

Materi Pembelajaran – MKU Transformasi Digital 8

 sebagainya. Sekarang, mereka mulai memanfaatkan data ini untuk menciptakan
pengalaman pelanggan yang dipersonalisasi, meningkatkan penjualan,
meningkatkan pendapatan, dan memberikan layanan pelanggan yang luar biasa.
Mereka juga mengumpulkan data media sosial untuk memahami apa yang
pelanggan katakan tentang merek mereka, layanan mereka, dan menyesuaikan
desain produk dan strategi pemasaran mereka.
5. Transportasi
Big Data Analytics memiliki nilai yang sangat besar untuk industri transportasi. Di
negara-negara di seluruh dunia, baik perusahaan transportasi swasta maupun yang
dikelola pemerintah menggunakan teknologi Big Data untuk mengoptimalkan
perencanaan rute, mengontrol lalu lintas, mengelola kemacetan jalan, dan
meningkatkan layanan. Selain itu, layanan transportasi bahkan menggunakan Big
Data untuk manajemen pendapatan, mendorong inovasi teknologi, meningkatkan
logistik, dan tentu saja, untuk mendapatkan keunggulan di pasar.

F. Tantangan dalam Big Data

Meskipun Big Data memiliki banyak manfaat, namun bukan berarti tidak memiliki
tantangan dalam penggunaannya. Beberapa tantangan yang ditemukan dalam Big Data
antara lain:
1. Besarnya data, walaupun teknologi terus dikembangkan untuk mendukung proses
penyimpanan data namun ukuran data akan terus bertambah seriring waktu.
Perusahaan harus terus berjuang untuk mengimbangi perkembangan data yang ada
untuk menemukan cara penyimpanan data secara efektif dan efisien.
2. Akurasi data, tidak cukup hanya terkait penyimpanan tetapi data juga harus dapat
digunakan secara akurat. Akuratnya suatu data salah satunya dapat bergantung pada
proses kurasi. Kurasi atau membersihkan data, yakni memilih data yang relevan
dengan klien dan diatur sedemikian rupa sehingga memungkinkan analisis yang
bermakna. Data scientist menghabiskan waktu yang tidak sedikit untuk mengatur
dan menyiapkan data terlebih dahulu agar benar-benar dapat digunakan.
3. Cepatnya perubahan, mengikuti perkembangan teknologi Big Data merupakan
tantangan yang berkelanjutan. Sebagai contoh, Apache Hadoop terkenal sebagai
teknologi yang dapat digunakan untuk menangani data besar beberapa tahun lalu.

Materi Pembelajaran – MKU Transformasi Digital 9

 Sedangkan pada tahun 2014 muncul Apache Spark. Selanjutnya kombinasi dari dua
kerangka kerja tersebut menjadi pendekatan terbaik saat ini.
Untuk mengatasi tantangan-tantangan tersebut maka perusahaan perlu
meningkatkan kinerjanya dengan melibatkan tiga aktivitas berikut:
1. Integrasi
Data yang berasal dari aplikasi dan banyak sumber yang berbeda dapat disatukan
menjadi big data. Mekanisme seperti mengekstrak, mengubah, dan memuat data
secara tradisional biasanya sudah tidak sesuai dengan tujuan perusahaan saat ini.
Untuk itu dibutuhkan strategi dan teknologi baru untuk menganalisis kumpulan Big
Data pada skala besar. Selama proses integrasi, maka perusahaan perlu
memasukkan data, memprosesnya, dan memastikan data diformat dan tersedia
dalam bentuk yang dapat digunakan oleh analis data di perusahaan.
2. Pengelolaan
Big Data membutuhkan penyimpanan. Solusi penyimpananmya bisa melalui cloud,
lokal, ataupun keduanya. Perusahaan biasa memilih solusi penyimpanan data
mereka sesuai dengan keberadaan data saat ini. Cloud secara bertahap
mendapatkan popularitas karena mendukung persyaratan komputasi saat ini dan
memungkinkan untuk pengelolaan data atau sumber daya sesuai kebutuhan.
3. Analisis
Big Data akan terasakan manfaatnya apabila perusahaan dapat menganalisis dan
menindaklanjuti data tersebut. Melalui analisis visual perusahan dapat
memperoleh informasi baru dari beragam kumpulan data yang ada. Bahkan dengan
menjelajahi data lebih jauh maka perusahaan dapat membuat penemuan baru, serta
membuat model data dengan konsep machine learning dan artificial intelligence.

G. Rangkuman
Data merupakan hal yang penting di era digital saat ini. Agar suatu set data dapat
dianggap sebagai Big Data maka harus memiliki karakteristik. Terdapat lima
karakteristik Big Data yang biasanya disebut sebagai Five Vs: volume, velocity, variety,
veracity, value. Berdasarkan jenisnya, Big Data terbagi atas: structured, unstructured,
dan semi structured. Saat ini telah banyak bidang yang menganalisis Big Data dan
memanfaatkannya untuk meningkatkan performa kinerja dan keuntungan bisnis.
Salah satu manfaat terbesar dari Big Data adalah analisis prediktif. Analitik Big Data

Materi Pembelajaran – MKU Transformasi Digital 10

 dapat memprediksi hasil secara akurat, sehingga memungkinkan bisnis dan organisasi
untuk membuat keputusan yang lebih baik, sekaligus mengoptimalkan efisiensi
operasional dan mengurangi risiko.

H. Referensi

Erl, T., Khattak, W., & Buhler, P. (2016). Big Data Fundamentals Concepts, Drivers &
Techniques. Prentice Hall.
Holmes, D. E., Dunn, J., & Annas, J. (2000). Title: Big data: a very short introduction Title:
Locke: a very short introduction Title: Ancient philosophy: a very short introduction
Computer Science Title: Computer science: a very short introduction. Oxford
University Press.

Materi Pembelajaran – MKU Transformasi Digital 11