1
Tahap 4 Rekrutmen Asisten LSIK 2019
Telaah Paper “Organizational business
intelligence and decision making using big data
analytics”
Yanfang Niu, School of Accountancy, Shandong
University of Finance and Economics, Limeng Ying,
School of Management, Wenzhou Business College, Jie
Yang, School of Management, Wenzhou Business
College, Mengqi Bao, School of Management, Wenzhou
Business College, C.B. Sivaparthipan, Department of
Computer Science and Engineering, Adhiyamaan
College of Engineering.
Abstrak—Business intelligence merupakan sebuah kemampuan
dalam memanfaatkan data yang tersedia menjadi informasi yang
bermakna. Pada kasus organisasi dan perusahaan, business
intelligence sangat berguna dalam peningkatan performa bisnis.
Proses pengambilan keputusan yang merupakan tujuan dari
business intelligence disertai dengan berbagai tantangan seperti
kegagalan sumber daya, perencanaan, pengambilan risiko, dan
persiapan. Paper ini menyajikan suatu kerangka baru yaitu
Optimized Data Management dengan Big Data Analytics (ODM-
BDA) yang dapat meningkatkan efektivitas dan efisiensi proses
pengambilan keputusan dalam suatu organisasi atau perusahaan.
Kerangka ini memadukan teknologi cloud dengan big data dalam
praktiknya. Digunakan studi kasus dalam pemodelan kerangka
ODM-BDA berupa prediksi perilaku pelanggan terhadap
aktivitas pembelian yang akan datang. Penelitian ini juga
menyajikan tingkat performansi dari kerangka ODM-BDA
melalui berbagai pengujian statistik dan menghasilkan nilai true
positive, tingkat error, tingkat akurasi, tingkat efisiensi, dan
penundaan.
Keywords—Business intelligence, big data, teknologi cloud,
pengambilan keputusan
I. PENDAHULUAN
Ketika big data mulai berkembang dan menciptakan solusi
bagi perusahaan melalui transformasi data menjadi tindakan
strategis, tantangan yang dihadapi oleh proses big data analysis
tidak dapat dihindari. Beberapa faktor yang menimbulkan
tantangan-tantangan tersebut terutama dikarenakan oleh tidak
adanya sumber daya smart big data, kurangnya kapasitas
analisis waktu nyata yang dapat diakses, dan rendahnya akses
ke kapasitas jaringan yang memadai untuk menjalankan
aplikasi [1]. Berdasarkan fakta-fakta yang disebutkan, penting
untuk menemukan cara untuk meningkatkan rentang jaringan,
perlindungan data, dan undang-undang tentang perlindungan
data, fragmentasi data yang berbeda, dan ketersediaan yang
tidak mencukupi [2]. Sebuah prosedur diperlukan untuk
mengembangkan batasan kontraktual dalam pengungkapan
informasi kepada pengguna yang tidak sah, melarang duplikasi
13419094 | Athaya Hanin Sobita
informasi, mengembangkan pencarian latar belakang serta
membatasi pemanfaatan informasi secara legal di organisasi
tertentu. Sehingga pengembangan prosedur untuk perlindungan
data guna meningkatkan performa big data dalam sebuah
organisasi menjadi hal yang esensial. Diperlukan model-model
eksisting dalam pengembangan prosedur. Model-model
eksisting berperan sebagai menjadi batu loncatan dalam
pengembangan prosedur selanjutnya.
Tujuan dari makalah ini adalah untuk menawarkan tutorial
sebuah model atau algoritma yang mudah dipahami,
menunjukkan studi kasus model tertentu, dan memeriksa
permintaan data skala besar di proses tertentu dalam organisasi
sekaligus melihat bagaimana organisasi menangani big data
dan menyediakan dasar untuk mengembangkan kerangka big
data. Model, algoritma, dan proses yang digunakan dalam
penelitian ini akan dibahas lebih lanjut pada bagian III.
Penelitian ini berkontribusi untuk menyebarkan kesadaran
tentang implikasi praktis dari analisis big data untuk kegiatan
business intelligence serta menilai tren potensial. Selain itu,
makalah ini menunjukkan betapa pentingnya teknologi
informasi pada kegiatan business intelligence untuk
meningkatkan kinerja proses pengambilan keputusan dan
produktivitas pengembangan rencana oleh pemangku
kepentingan bisnis atau organisasi dengan menggunakan big
data analysis dengan pengusulan sebuah model yang baru.
Diharapkan model tersebut dapat mencegah semua tantangan
yang dihadapi organisasi di era modern ini seperti kegagalan
rencana, kurangnya persiapan, kegagalan sumber daya, dan
kemampuan pengambilan risiko. Selain itu, model baru yang
dihasilkan tentunya akan memberikan banyak manfaat dan
solusi bagi pemilik masalah. Namun, model baru juga memiliki
banyak kekurangan yang perlu dianalisis. Oleh karena itu,
penelitian ini layak untuk ditelaah lebih lanjut.
II. PENGERTIAN NAMA TOPIK DAN PERKEMBANGANNYA
Penelitian ini melibatkan big data dalam praktik
pengembangannya. Dalam kegiatan business intelligence, big
data memiliki peran penting. Teknologi internet dan komputer
telah menciptakan tantangan baru pada business intelligence
untuk mengumpulkan data-data esensial yang didapatkan dari
berbagai sumber. Sebagai contoh, terdapat 1 juta penjualan
dalam 1 jam pada toko swalayan Wal-Mart [3]. Dari data
penjualan tersebut, dapat diperoleh berbagai informasi dan
temuan tentang bagaimana Wal-Mart melakukan kegiatan jual-
beli dalam rentang waktu yang ditentukan. Pola, tren, dan
musim dapat dianalisis lebih lanjut dari data yang diperoleh.
Dengan analisis tersebut peningkatan performa perusahaan

Tahap 4 Rekrutmen Asisten LSIK 2019
dapat dilakukan dengan lebih baik. Peningkatan dapat
dilakukan dengan mengetahui pola dan keinginan konsumen
dengan lebih baik, meningkatkan teknologi pemasaran, serta
pelaksanaan customer relationship management agar dapat
mempertahankan pelanggan maupun memperoleh pelanggan
baru. Di tahun 2019, 39% entitas responden melakukan praktik
analisis lanjutan dan 84% entitas responden menggunakan
pemeriksaan lanjutan dalam 4 tahun sesuai dengan penelitian
[4]. Adapun data-data yang diperoleh dari industri media sosial
dimana 87% dari informasi yang tersedia per tahun 2021
dihasilkan dari meningkatnya penggunaan media sosial seperti
Facebook, YouTube, dan Weibo.
Untuk kemudahan dalam memahami isi dari penelitian ini,
disajikan beberapa pengertian dari istilah yang sering
digunakan, yaitu sebagai berikut.
Business intelligence
Sebuah kemampuan dalam memanfaatkan data yang
tersedia menjadi informasi yang bermakna. Menurut Kumar, C.
P. & Babu, L. D. [5], BI melingkupi banyak sektor yakni
Intelijen Kompetitif, Intelijen Konsumen, Intelijen Industri,
Intelijen Komoditas, dan Intelijen Operasional. Beberapa
keunggulan utama BI adalah pelaporan yang cepat dan andal
(76%), pilihan pasar yang lebih baik (75%), layanan pelanggan
yang ditingkatkan (54%), dan pendapatan perusahaan yang
lebih tinggi (42%) [6].
Big data
Terdapat 3 fitur utama dalam big data yakni panjang,
variasi, dan kecepatan. Menurut Duan, Y., Edwards, J. S., &
Dwivedi, Y. K. [7], ketiga fitur tersebut mewakili data yang
berjumlah besar, variasi pengurutan data, dan perbedaan
kecepatan pembuatan data. Proses analisis big data berguna
bagi sebuah organisasi, perusahaan, ataupun bisnis dalam
memperoleh pengetahuan dan informasi dari berbagai sudut
pandang, seperti transaksi pelanggan, pelacakan produk,
penyimpanan berbasis video, hubungan antar konsumen, iklan,
manajemen pendapatan, serta informasi investasi [8]. Analisis
big data sangat bermanfaat bagi proses pengambilan keputusan
agar solusi yang dihasilkan relevan dan diharapkan dapat
menyelesaikan masalah dengan tepat.
Big data analytics
Sebuah alat yang dapat membantu sebuah organisasi,
perusahaan, atau bisnis dalam memanfaatkan big data.
Pemanfaatan dilakukan dalam bentuk peningkatan kepercayaan
pelanggan, pengendalian risiko rantai pasok, pengembangan
kecerdasan strategis, pengadaan studi pasar yang bersifat
kredibel [9]. Proses analisis data yang dikhususkan pada
pengambilan keputusan diharuskan dapat mengurangi
kesalahan dan rentang data. Hal tersebut dilakukan dengan
peningkatan efisiensi big data dan pengelolaan prosedur
pengambilan keputusan yang cermat. Umumnya metode
analisis statistik modern digunakan dalam pengelolaan data
hirarki besar karena metode tersebut dianggap metode yang
efektif dan efisien.
13419094 | Athaya Hanin Sobita
2
Cloud services
Teknologi berbasis cloud umumnya dibagi menjadi 4
desain yaitu Informasi Layanan, Perangkat Lunak Sistem
(SaaS), Platform Layanan (PaaS), dan Infrastruktur (IaaS).
Setiap model cloud memiliki fitur dan fungsi khusus. Cloud
dapat memenuhi keinginan organisasi untuk opsi penyimpanan,
platform mulus yang memungkinkan organisasi untuk
merancang aplikasi yang disesuaikan, dan kontrol penuh atas
seluruh infrastruktur tanpa harus memelihara secara fisik sesuai
dengan desain yang digunakan. Pelanggan cloud memiliki
kendali namun pengguna cloud tidak menangani arsitektur dari
sistem. Sebuah organisasi sangat membutuhkan cloud agar
mobilitas data dapat berjalan dengan lancar.
III. RANGKUMAN KONTEN PAPER DAN KESIMPULANNYA
Dalam penelitian ini digunakan beberapa model dan
konsep yang digunakan sebagai benchmark dari model baru
yang akan dihasilkan. Beberapa konsep tersebut adalah sebagai
berikut.
Competitive Intelligence (CI)
Diperkenalkan oleh Ferraris, A., Mazzoleni, A., Devalle,
A., & Couturier, J. [10], merupakan suatu konsep yang
ditujukan untuk memanfaatkan teknologi baru dan penggunaan
berskala besar agar segala informasi yang diperoleh untuk
kebutuhan proses pengambilan keputusan dapat dievaluasi
lebih lanjut.
Big Data Analytics Framework (BDA)
Berdasar pada strategi pemasaran untuk pengembangan
organisasi. Layanan aplikasi big data, koordinasi sistem,
sumber data, dan pengguna akhir merupakan 4 elemen penting
dari BDA. Keempat elemen ini dapat digunakan dengan adanya
rantai nilai informasi yang mendapatkan manfaat dari building
blocks tambahan dalam perlindungan data, kerahasiaan, dan
administrasi.
Deep Learning-Augmented Decision-Making (DLADM)
Merupakan suatu kemajuan terbaru dari teknik deep
learning (DL) yang dimanfaatkan untuk penyediaan proses
informasi bagi pekerja sehingga keterampilan pekerja
meningkat. Pada penelitian ini DLADM merupakan nama yang
diberikan untuk proses pengambilan keputusan di organisasi
atau perusahaan yang dilengkapi dengan hasil algoritma deep
learning (DL).
Konsep-konsep tersebut tidak lepas dari masalah privasi
dan keamanan big data, masalah teknologi hardware seperti
komputasi dan keamanan merupakan masalah yang termasuk
dalam proses analisis big data. Pertama, analisis real-time dan
portabel tidak dapat dilakukan pada suatu konfigurasi komputer
tunggal. Kedua, kesenjangan antar jaringan didorong oleh
infrastruktur yang tidak memadai sehingga membatasi
kapasitas jaringan untuk mengakomodasi aplikasi praktis.
Ketiga, daya simpan magnetic disks tidak banyak diketahui.
Untuk mengatasi masalah-masalah tersebut digunakan

Tahap 4 Rekrutmen Asisten LSIK 2019
kerangka Optimized Data Management dengan Big Data
Analytics (ODM-BDA). Adapun alur penelitian yang
menjelaskan urutan dan tahapan yang dilakukan, yaitu sebagai
berikut.
Gambar 3-1
Alur Penelitian
Cloud menjadi salah satu elemen yang penting dalam
pembuatan kerangka ODM-BDA guna menyimpan segala data
yang diperlukan untuk proses pengambilan keputusan. Dengan
teknologi cloud yang memadai, kepemimpinan dan manajemen
suatu organisasi atau perusahaan menjadi bersatu dan stabil.
Gambar 3-2 menunjukkan arsitektur dari cloud kerangka ODM-
BDA. Arsitektur dari cloud ODM-BDA menggunakan
arsitektur Service atau Service Oriented Architecture (SOA),
model ini digunakan untuk mengemas sumber daya perangkat
lunak sebagai sebuah layanan yang dapat digunakan berulang
kali dan otonom yang mewakili pekerjaan bisnis [11]. Model
ini dapat digunakan dalam proses bisnis sebagai building blocks
yang fleksibel untuk proses pengembangan bisnis. SOA
berperan sebagai alat yang mengotomatiskan akses pekerja ke
data bisnis yang digunakan secara bersamaan sehingga model
ini dapat dilihat sebagai sumber daya instrumental untuk para
pekerja [12].
Gambar 3-2
Arsitektur Cloud ODM-BDA
Information Management (IM) harus berada dalam internet
control sebuah perusahaan dengan fokus bisnis. Delivery
network dimanfaatkan untuk mengurangi latency dan
meningkatkan performa jaringan. Teknologi Content Delivery
Network (CDN) diterapkan dalam arsitektur cloud ODM-BDA
agar mempercepat pengiriman informasi atau konten web ke
pengguna. Teknologi CDN umumnya digunakan oleh
organisasi yang memiliki volume traffic yang besar sehingga
dapat dengan cepat menyediakan informasi penting kepada
pengguna dimana saja secara global. Dalam praktiknya, juga
dibutuhkan sistem keamanan cloud yang baik agar data yang
13419094 | Athaya Hanin Sobita
3
masuk dan keluar dari sistem tetap terjaga sehingga tidak
disalahgunakan.
Langkah-langkah pembentukan big data pada kerangka
ODM-BDA terdapat pada Gambar 3-3Error! Reference
source not found.. Dengan langkah-langkah berikut organisasi
atau perusahaan dapat menangani informasi dalam satu format
dan mentransformasikannya ke bentuk lain dengan
menggunakan perangkat lunak migrasi yang komprehensif.
Kecepatan dalam langkah ini merupakan bagaimana kerangka
dapat mengelola sumber data dengan kecepatan rendah ataupun
tinggi. Volume dalam langkah ini merupakan bagaimana
kerangka dapat mengelola informasi dengan jumlah besar.
Ekstraksi data standar meliputi kegiatan identifikasi tren-tren
yang menarik dari database. Teknik umum yang digunakan
dalam analisis big data adalah Hadoop dan Redis. Untuk big
data analytics, terdapat lebih banyak sumber daya dan
teknologi yang tersedia, seperti BI database dari Amazon’s
Velocity, layanan pemrosesan data Google, jaringan cloud IBM,
dan layanan pemrosesan informasi Amazon. Dengan data yang
konsisten dan terus berkembang, peluang bisnis baru sebuah
organisasi dapat muncul sehingga mendapatkan pendapatan
yang semakin besar. Dengan ini dapat dikatakan, sebuah
organisasi atau perusahaan dapat membuat atau
menghancurkan keputusan bisnis melalui data yang digunakan
serta proses pengolahan data yang dilakukan. Kegiatan business
intelligence meliputi memproses data berjumlah besar dan
kompleks. Hal ini dilakukan untuk membuat prediksi kondisi
masa depan. Adapun teknologi analitik prediktif untuk
penilaian risiko, manajemen , dan riset pasar yang digunakan
dalam business intelligence. Faktanya, big data sangat
berkaitan dengan pemasaran. Dengan penggunaan big data
yang benar dan tepat, proses big data analytics memegang
kunci masa depan dari pemasaran suatu organisasi atau
perusahaan. Data menunjukkan, perusahaan yang
menggunakan big data dalam operasinya memperoleh
peningkatan produktivitas dan profitabilitas sebanyak lima
hingga enam persen.
Gambar 3-3
Langkah-Langkah Pembentukan Big Data
ODM-BDA menggunakan cloud dalam kerangkanya
sehingga analisis data yang digunakan merupakan analisis data
berbasis cloud. Metode dan alat digunakan untuk
mengumpulkan dan mengkomunikasikan data. Perangkat lunak
untuk analisis data berbasis cloud umumnya dijual dibawah
struktur harga dan berdasarkan kontrak atau rencana bayar
setiap penggunaan. Analisis data berbasis cloud dapat
memudahkan organisasi atau perusahaan dalam
penyederhanaan operasi. Adapun proses analisis bisnis yang
 4
Tahap 4 Rekrutmen Asisten LSIK 2019

bermanfaat untuk mengurangi risiko jangka panjang dan Jumlah data keseluruhan adalah 𝑛, data yang dibuang
pendek dari sebuah organisasi atau perusahaan dengan adalah 𝑅, dan data sisa adalah 𝐷𝑠 . Tahap selanjutnya adalah
menyajikan keputusan yang tepat berdasarkan data yang ada, mengevaluasi segala informasi yang terdapat pada 𝐷𝑠 sebagai
contohnya seperti tren penjualan dan preferensi pelanggan. koefisien korelasi. Kemudian, 𝐷𝑠 didefinisikan sebagai 𝑦𝑖𝑗
Dengan penggunaan big data pada kerangka ODM-BDA dengan asumsi hanya terdapat satu database yang dinyatakan
organisasi dapat menyajikan fasilitas sesuai permintaan. Sistem pada persamaan ( 2 ).
big data dapat dibuat sesegera mungkin oleh organisasi. Selain
itu, ODM-BDA dapat menyajikan fasilitas berupa data dan 𝐷𝑠 = 𝑦𝑖𝑗 = 𝑥𝑖𝑗 , 𝑦𝑖1𝑘 , 𝑦𝑖2𝑘 , … , 𝑦𝑖𝑚 𝑘 (2)
informasi jaringan dengan penggunaan internet melalui
beberapa perangkat. Pengumpulan sumber dengan pemasok Notasi 𝑖 menunjukkan data di baris 𝑖 dan notasi 𝑗
layanan yang dikelompokkan juga disajikan dengan efektif menunjukkan dimensi kedua dari identifikasi kinerja yang
melalui model multi-lease. Biaya semakin efisien dengan bervariasi antara 2 dan 𝑗. Kemudian 𝑥𝑖𝑗 adalah suatu aktivitas
penggunaan kerangka ODM-BDA karena sumber daya dapat pada baris 𝑖 dan identifikasi kinerja 𝑗. Notasi 𝑘 menunjukkan
diukur berdasarkan penggunaan. ODM-BDA merupakan kluster pengelompokkan dengan 𝑦𝑖𝑚 𝑘 adalah variabel lain yang
kerangka yang mudah dalam menerima pemasok dan pelanggan akan menentukan korelasi dengan variabel 𝑥𝑖𝑗 . Dengan
atau pengguna. Pemeliharaan data terjaga dan dapat memperhitungkan 𝑛 jumlah database untuk setiap 𝑦𝑖𝑚 𝑘 .
menghasilkan metode bisnis yang lebih efektif. Diperoleh persamaan korelasi yang dinyatakan pada persamaan
Studi kasus dilakukan pada penelitian ini untuk ( 3 ).
mendefinisikan pembelian konsumen yang berdasar pada (∑𝑛 𝑥 ∑𝑛 𝑥 ) (3)
rincian dan informasi yang konsumen berikan kepada ∑𝑛𝑙=1 𝑥𝑙𝑘 𝑦𝑖𝑙 𝑘=1 𝑖𝑘 𝑖=1 𝑖𝑙
𝑟𝑥𝑦 = 𝑛
perusahaan. Jika konsumen membeli sebuah layanan, (∑𝑛 𝑥 )2
pertimbangan yang berbeda sangat mempengaruhi √(∑𝑛𝑙=1 𝑥𝑖𝑘2
− 𝑙=1 𝑙 )
𝑛
pengambilan keputusan dari konsumen. Studi kasus akan
membahas tentang arsitektur platform yang melingkupi detail Untuk menghitung bobot, diperlukan nilai maksimum dari
konsumen yang bergantung pada aktivitas pembelian yang kelompok sampel yang dinyatakan pada persamaan ( 4 ).
dilakukan. Dari hasil studi kasus yang didapatkan, diharapkan
perusahaan dapat menyesuaikan produk dan layanan mereka 𝑘 (4)
terhadap keinginan pelanggan agar menghasilkan penjualan ∑ 𝑓𝑖 = 𝑁
yang berkelanjutan sehingga memperoleh pendapatan yang 𝑖=1
lebih tinggi. Studi kasus mengkualifikasikan konsumen
menjadi beberapa bidang seperti minat, kelompok umur, dan Korelasi yang sudah didapatkan mengacu pada representasi
profesi. Terdapat 3 bagian penting dalam metode penyelesaian dari asosiasi atau bobot subkategori yaitu 𝑟𝑥𝑦𝑘 , dengan 𝑟𝑥𝑦𝑘 =
studi kasus ini yaitu: metode proyeksi yang berfokus pada (𝑟𝑥𝑦 ×𝑓𝑘 )
diasumsikan sebagai nilai dari hasil 𝑦𝑖 yang
korelasi aktivitas pembelian konsumen, peningkatan data pada 𝑁
genetic algorithm, dan berbagai versi regresi. bersesuaian, dinyatakan pada persamaan ( 5 ).
Konsumen dikelompokkan berdasarkan minatnya,
𝑛
pengelompokkan dibuat dari data yang diperoleh secara (5)
otomatis. Pembentukan kelompok-kelompok ini ditujukan 𝑟𝑥𝑦 = ∑ 𝑟𝑥𝑦𝑖
untuk memprediksi pengguna baru yang mengunjungi halaman 𝑖=0

web untuk melakukan pembelian layanan selama periode

Anggap 𝑟𝑥𝑦 adalah 𝑤𝑥𝑦 , dimana 𝑤 adalah bobot. Hal
pertama. Model digunakan untuk meramalkan apa yang
diinginkan konsumen sebelum konsumen membeli barang. tersebut dinyatakan pada persamaan ( 6 ).
Adapun metodologi perbandingan yang digunakan untuk
memperoleh hubungan antara kedua bidang. Dalam studi kasus 𝑤𝑥𝑦 × 𝑓𝑘 𝑤𝑥𝑦 × 𝑓𝑘 (6)
𝑤𝑥𝑦𝑘 = ( )𝑤𝑥𝑦 = ( )𝑤𝑥𝑦
ini, business intelligence berperan sebagai alat yang membantu 𝑛 𝑁
memfasilitasi keputusan bisnis yang lebih baik. Pada metode
pengelompokkan ini digunakan model statistik dengan
pendekatan korelasi tertimbang. Bobot digunakan untuk Langkah terakhir adalah menghitung bobot kumulatif dari
menghitung pentingnya sektor saat pemantauan niat pelanggan database yang sudah didefinisikan yang dinyatakan pada
untuk melakukan transaksi dari suatu produk. Pada penelitian persamaan ( 7 ).
𝑚
(7)
ini, area aktivitas digunakan, kemudian dilakukan pencarian
𝑤𝑑𝑠𝑗 = ∑ 𝑤𝑥𝑦𝑘
hubungan antara aktivitas dan rentang usia, pekerjaan,
𝑗=1
kelompok hobi, dan pendapatan. Penelitian diawali dengan
penentuan data sisa yang tertera pada persamaan ( 1 ).
Sehingga model ini dapat digunakan sebagai layanan
analisis yang melingkupi beberapa key function seperti layanan
𝐷𝑠 = 𝑛 − 𝑅 (1)
cloud dan struktur yang dapat digabungkan dengan kerangka

13419094 | Athaya Hanin Sobita

 5
Tahap 4 Rekrutmen Asisten LSIK 2019

ODM-BDA. Studi diasumsikan berada pada top 12% dari total

bobot kumulatif database individu.
Adapun arsitektur data analytics dari kerangka ODM-
BDA yang terdapat pada Gambar 3-4. Arsitektur melingkupi
analisis penjualan, pemasaran, layanan, perencanaan, dan
pelaksana. Arsitektur dilengkapi dengan bantuan alat analisis
seperti master enterprise data warehouse dan enterprise
knowledge base. Graphical User Interface (GUI) juga termasuk
dalam arsitektur ini dengan tujuan agar pengguna mampu
berinteraksi dengan perangkat yang digunakan.

Gambar 3-6
Nilai True Positive BI-BDE [13]

Pengujian statistik kedua dilakukan untuk melihat

performansi kerangka ODM-BDA yang terdiri dari persen
presisi, persen efisiensi, persen akurasi, dan kecepatan
penundaan dengan memvariasikan jumlah iterasi dari 10 hingga
100 serta ukurang langkah sebesar 100. Dari Tabel 3-1, dapat
disimpulkan bahwa kerangka ODM-BDA memiliki kinerja
tertinggi. Adapun plot normal probability parameter akurasi
dan plot normal probability parameter efisiensi dari kerangka
ODM-BDA yang ditunjukkan pada Gambar 3-7 dan Gambar 3-
8.
Gambar 3-4 Tabel 3-1
Arsitektur Data Analytics ODM-BDA Performansi ODM-BDA
Iterasi Presisi Efisiensi Akurasi Penundaan
(%) (%) (%) (ms)
Pengujian statistik dilakukan pada kerangka ODM-BDA. 10 73 74 81 17
Setiap pengujian dibandingkan dengan kerangka BI-BDE. 20 79 76 83 21
Pengujian statistik pertama dilakukan untuk menemukan hasil 30 81 82 86 28
true positive dari kedua kerangka. Gambar 3-5 menunjukkan 40 83 85 87 34
50 85 88 90 39
nilai true positive dari kerangka ODM-BDA dan Gambar 3-6 60 88 90 92 41
menunjukkan nilai true positive dari kerangka BI-BDE. Pada 70 91 92 93 43
pengujian ini digunakan 10 konsumen untuk memprediksi 80 93 94 95 46
90 95 96 96 49
pembelian yang dilakukan. Prediksi pembelian dibandingkan 100 96 97 96 52
dengan pembelian aktual. Terlihat bawa kerangka ODM-BDA
memiliki nilai true positive lebih besar daripada kerangka BI-
BDE.

Gambar 3-7
Plot Normal Probability Akurasi ODM-BDA [13]
Gambar 3-5
Nilai True Positive ODM-BDA [13]

13419094 | Athaya Hanin Sobita


Tahap 4 Rekrutmen Asisten LSIK 2019
rendah sebesar 0.66%, persen efisiensi sebesar 96.3%, persen
true positive sebesar 80.6%, dan nilai penundaan rendah
sebesar 52.8%.
A. Kelebihan dan Kekurangan Metodologi
aspek yakni pada kerangka serta penelitian ODM-BDA dan
struktur paper secara keseluruhan.
Gambar 3-8
Plot Normal Probability Efisiensi ODM-BDA [13]
Pengujian statistik ketiga dilakukan untuk menemukan
tingkat error dengan menyajikan actual error dan predicted
error. Gambar 3-9 menunjukkan tingkat error dari kerangka
ODM-BDA dan Gambar 3-10 menunjukkan tingkat error dari
kerangka BI-BDE. Performa kerangka ODM-BDA pada
tingkat error lebih tinggi daripada kerangka BI-BDE.
Gambar 3-9
Tingkat Error ODM-BDA [13]
Gambar 3-10
Tingkat Error BI-BDE [13]
Dari penelitian tersebut, dapat disimpulkan bahwa ODM-
BDA memiliki persen akurasi sebesar 96.1%, tingkat error
13419094 | Athaya Hanin Sobita
6
IV. ANALISIS
Analisis kelebihan dan kekurangan dilakukan pada dua
a. ODM-BDA
Kerangka ODM-BDA merupakan sebuah framework
baru yang dikembangkan dari beberapa konsep serupa. Sifat
kerangka yang baru ini tidak lepas dari kekurangan yang
didapati selama pembuatan kerangka ini. Berikut
kekurangan yang ditemukan dari kerangka ODM-BDA.
1. Tidak ada referensi pengembangan dari kerangka
ODM-BDA beserta dengan kondisi penggunaan
ODM-BDA di sebuah perusahaan atau organisasi.
Walaupun ODM-BDA dihasilkan dari berbagai
konsep, namun belum ada implementasi secara
nyata dari kerangka ODM-BDA. Hal ini
menyulitkan peneliti lain untuk mengembangkan
kerangka ini dikarenakan tidak adanya
benchmark yang dihasilkan dari implementasi
nyata dimana implementasi tersebut dapat
menghasilkan feedback bagi kerangka ODM-
BDA itu sendiri.
2. Penelitian tidak menyajikan data yang digunakan
untuk penelitian dan pengujian statistik. Hal ini
membuat pembaca ragu akan keabsahan dari hasil
penelitian dan uji statistik yang disajikan oleh
paper ini. Khususnya pada pengujian statistik,
pembaca harus tahu akan data yang digunakan
karena tidak menutup kemungkinan terjadinya
manipulasi data dalam proses pengujian.
3. Kemungkinan overfitting. Dikarenakan data yang
tidak transparan, perlu diragukan hasil penelitian
dari paper ini khususnya pada pengukuran
performansi ODM-BDA. Pada bagian ini
dimungkinkan terjadinya overfitting. Overfitting
adalah suatu kondisi dimana data pada proses
training memiliki prediksi yang sangat baik,
namun pada proses testing memiliki prediksi yang
sangat buruk [13]. Hal ini menyebabkan saat
model melalui proses testing dengan
menggunakan data yang berbeda, hasil yang
diperoleh kurang akurat dan tidak sesuai dengan
apa yang diharapkan. Kemungkinan overfitting
dapat dilihat dari tingkat performansi kerangka
ODM-BDA yang dianggap “terlalu baik”.
Kondisi overfitting dapat disebabkan oleh fokus
yang terlalu tinggi pada proses training dari
dataset tertentu dan data minor yang diduplikasi
secara berlebihan.
4. Hubungan matematis studi kasus yang sulit untuk
dipahami. Terdapat banyak notasi yang tidak
didefinisikan secara jelas pada paper. Hal ini
sangat disayangkan karena hubungan matematis

Tahap 4 Rekrutmen Asisten LSIK 2019
merupakan komponen yang esensial dalam proses
pemahaman paper. Paper ini juga menyajikan alur
perhitungan yang kurang membantu pemahaman
dari hubungan matematis sehingga dianggap
kurang penting.
Terlepas dari berbagai kekurangan yang dimiliki oleh
kerangka ODM-BDA, adapun kelebihan yang terlihat dari
perancangan kerangka ini. Berikut kelebihan yang dimiliki
oleh kerangka ODM-BDA.
1. Menggunakan berbagai aspek yang terdiri dari
cloud, big data, serta business organizational.
Dengan menggunakan berbagai aspek dan sumber
dalam pembangunan kerangka, kerangka yang
dihasilkan menjadi lebih terstruktur dan lengkap.
Teknologi yang digunakan pada kerangka ini
adalah teknologi baru yang memudahkan
pengguna dalam mengoperasikan kerangka.
2. Studi kasus menggunakan permasalahan
customer behaviour. Permasalahan yang
digunakan dianggap tepat sasaran karena
faktanya, customer behaviour sangatlah dinamis.
Sebuah organisasi atau perusahaan akan berjalan
lebih baik jika dapat memprediksi perilaku
pelanggan dalam keberjalanan bisnisnya.
3. Dalam pengujian statistik digunakan iterasi yang
berjumlah banyak. Hal ini digunakan untuk
memastikan kemungkinan nilai yang diperoleh di
percobaan lainnya sehingga kemungkinan nilai
dapat diketahui pada penelitian ini. Namun,
metode ini tidak memberikan pengaruh besar
dalam keabsahan hasil penelitian.
b. Paper Secara General
Ditemukan beberapa kekurangan dan kelebihan dari
metode penulisan paper ini. Metode penulisan meliputi
penataan topik dan hal-hal minor. Berikut beberapa
kekurangan yang ditemukan pada metode penulisan paper
ini.
1. Ditemukan beberapa kesalahan penulisan pada
paper ini. Mayoritas dari kesalahan adalah spasi
antar kata yang tidak teratur sehingga sulit untuk
dibaca dengan seksama.
2. Topik yang disajikan oleh paper cenderung tidak
runtut dan tersebar. Ditemukan banyak sekali
topik yang kurang relevan dengan topik inti yang
sedang dibahas pada bagian tertentu. Sehingga
topik inti kurang menonjol pada pembahasan dan
mengurangi informasi yang ingin disampaikan.
3. Skala yang ditampilkan pada diagram nilai true
positive dan diagram tingkat error berbeda antara
dua kerangka (ODM-BDA dan BI-BDE). Dapat
ditemukan pada Gambar 3-5 dan Gambar 3-6
untuk diagram nilai true positive serta Gambar 3-
9 dan Gambar 3-10 untuk diagram tingkat error.
Hal ini dianggap cukup fatal, seperti yang dapat
dilihat pada Gambar 3-6. Sekilas, nilai true
positive kerangka BI-BDE rata-rata lebih tinggi
daripada nilai true positive kerangka ODM-BDA.
Namun jika dilihat lebih lanjut, skala yang
digunakan berbeda. Diagram nilai true positive
13419094 | Athaya Hanin Sobita
7
kerangka ODM-BDA menggunakan rentang true
positive value dari 78% hingga 98% sedangkan
diagram nilai true positive kerangka BI-BDE
menggunakan rentang true positive value dari
60% hingga 80%. Ini dapat memungkinkan
kesalahan dan kekeliruan persepsi pembaca
terhadap visualisasi diagram pada paper. Hal ini
juga terjadi pada diagram tingkat error kedua
kerangka yang juga menimbulkan kesalahan
penyimpulan pada paper.
4. Kesalahan penyimpulan terjadi pada analisis
tingkat error kedua kerangka. Seperti yang sudah
dinyatakan sebelumnya, bahwa terdapat rentang
nilai yang berbeda pada kedua diagram. Hal ini
menimbulkan kesalah interpretasi dari diagram
tersebut. Pada paper tertera bahwa kerangka
ODM-BDA memiliki performa yang baik pada
tingkat error yang dihasilkan. Jika dilihat lebih
lanjut pada Gambar 3-9 dan Gambar 3-10,
kerangka BI-BDE memiliki predicted error yang
lebih baik dari kerangka ODM-BDA terlihat dari
box plot yang keseluruhan datanya hampir
mendekati rata-rata yang ditentukan serta tingkat
error yang lebih kecil. Sedangkan pada diagram
tingkat error kerangka ODM-BDA, predicted
error yang dihasilkan lebar dan memiliki tingkat
error yang lebih tinggi dari BI-BDE. Ini
menggambarkan bahwa data tersebar dan
semakin jauh dari rata-rata yang sudah
ditentukan. Hal ini terjadi juga pada actual error
dari kedua kerangka, namun tidak merubah
kesimpulan karena setelah dilihat lebih lanjut
variasi data kurang lebih sama antara keduanya.
Box plot actual error BI-BDE terlihat lebih besar
karena rentang error rate yang digunakan hanya
berkisar dari -0.1 hingga 0.5 sedangkan rentang
error rate ODM-BDA dimulai dari -0.4 hingga
1.4.
Adapun kelebihan dari metode penulisan paper ini
yaitu sebagai berikut.
1. Paper ini menyajikan berbagai diagram yang
dapat memudahkan pemahaman. Seluruh
pengujian statistik melampirkan diagram. Namun
memang ditemukan beberapa kesalahan dalam
visualisasi dan interpretasi diagram-diagram
tersebut.
B. Implikasi dari Penerapan Konten Paper pada Industri
Banyak organisasi dan perusahaan yang sudah menerapkan
analisis data dalam pengembangan rencana, peningkatan
pendapatan, dan pengambilan keputusan. Namun, belum
sepenuhnya memanfaatkan teknologi yang memudahkan
pemanfaatan data salah satunya adalah cloud. Perpaduan antara
big data dan cloud merupakan inovasi yang dapat mengubah
jalannya suatu perusahaan. Modern ini, cloud bukan hanya alat
yang digunakan untuk penyimpanan saja namun juga dapat
dipadukan dengan big data analytics, fungsi ini juga
mempengaruhi setiap aspek dari software yang digunakan.
Inovasi big data dan teknologi cloud dapat membantu

Tahap 4 Rekrutmen Asisten LSIK 2019
menentukan keputusan strategis sebuah organisasi dan
perusahaan dengan mempertimbangkan segala informasi yang
ada pada data dan memanfaatkannya untuk melakukan prediksi
masa depan. Namun perlu diperhatikan bahwa ODM-BDA
masih memerlukan fungsi perlindungan dan privasi sehingga
kerangka ini diharapkan dapat dikembangkan di kemudian hari.
Sangat disayangkan bahwa tidak terdapat fakta bahwa
kerangka ODM-BDA sudah digunakan oleh organisasi atau
perusahaan nyata. Paper ini tidak menyajikan kondisi dimana
suatu organisasi atau perusahaan menggunakan kerangka
ODM-BDA. Namun, paper ini menyajikan studi kasus yang
dapat setidaknya mewakili sebuah organisasi atau perusahaan
dalam pengimplementasian ODM-BDA pada proses bisnisnya.
Studi kasus pada paper ini bertujuan untuk meramalkan
perilaku konsumen dalam pengambilan keputusan untuk
melakukan transaksi atau pembelian layanan. Prediksi
dilakukan dengan penggunaan suatu record konsumen dan
menentukan korelasinya dengan parameter-parameter lain yang
sudah ditentukan. Dari studi kasus ini diharapkan dapat
memberikan gambaran bagaimana suatu organisasi atau
perusahaan menggunakan ODM-BDA, bahwa salah satu
fungsinya adalah peramalan customer behaviour.
C. Relevansi Topik dengan Kondisi Industri Saat Ini
Business intelligence (BI) merupakan salah satu tools yang
digunakan banyak organisasi dan perusahaan dalam
perwujudan keputusan bisnis yang lebih baik. BI dapat
membantu perusahaan atau organisasi dalam peningkatan
performansi penjualan, keuangan, pemasaran, layanan,
perencanaan, dan bidang-bidang lain dengan mengakses
informasi yang dianggap penting dari operasi bisnis yang
terjadi, khususnya penjualan yang berkaitan erat dengan
informasi pelanggan. Perilaku pelanggan sangatlah dinamis,
sebuah organisasi atau perusahaan harus dapat mengantisipasi
seluruh kemungkinan yang dilakukan oleh pelanggan.
Kompetisi antar bisnis yang semakin ketat, pesaing yang
semakin berkembang, dan pasar yang semakin luas merupakan
salah satu ancaman sekaligus kesempatan bagi sebuah
organisasi atau perusahaan untuk berkembang dan
meningkatkan kinerjanya. Untuk melewati ancaman tersebut
diperlukan BI dalam keberjalanan bisnisnya. BI tidak hanya
terbatas pada sektor manufaktur, namun juga pada industri
perbankan, perhotelan, rumah sakit, dan lain-lain. Sehingga BI
menjadi elemen yang perlu dipertimbangkan dalam sebuah
organisasi atau perusahaan. Proses pengambilan keputusan
akan semakin optimal dengan keberadaan BI karena didasari
oleh data dan kondisi pasar.
Dengan perkembangan teknologi yang semakin pesat,
organisasi dan perusahaan harus dapat beradaptasi dengan
menggunakan teknologi-teknologi tersebut pada kegiatan
operasionalnya. Kerangka ODM-BDA menyajikan
kemampuan dua elemen yang terdiri dari teknologi cloud dan
big data dalam pengoptimalan kinerja suatu organisasi atau
perusahaan. Jika sebuah organisasi atau perusahaan sudah
memiliki teknologi yang memadai khususnya teknologi cloud
dan big data, sebaiknya segera menerapkan ODM-BDA dalam
proses pengambilan keputusannya. Investasi dari teknologi-
teknologi tersebut akan digantikan oleh keberjalanan bisnis
yang lebih baik dengan penggunaan kerangka ODM-BDA.
13419094 | Athaya Hanin Sobita
8
D. Analisis Pengembangan Kerangka ODM-BDA
Dari analisis yang dilakukan pada penelitian ODM-BDA
didapatkan banyak kekurangan yang ada pada kerangka ODM-
BDA sehingga diperlukan langkah pengembangan untuk
memperoleh kerangka yang lebih baik. Pada bagian studi kasus,
digunakan metode korelasi antara berbagai variabel. Penulis
mengusulkan metode lain yaitu clustering. Memang pada studi
kasus sudah digunakan clustering di beberapa datanya, namun
secara keseluruhan metode yang digunakan adalah korelasi.
Fungsi dari clustering adalah pengelompokkan data-data ke
dalam beberapa cluster sehingga kemiripan maksimum terjadi
pada satu cluster tersebut.
Terdapat dua pendekatan metode clustering, yaitu partition-
based clustering dan hierarchical clustering. Pada pendekatan
partition-based clustering, data dikelompokkan melalui proses
pemilahan data yang sudah dianalisa ke dalam beberapa cluster
eksisting. Setiap cluster memiliki titik pusat, titik pusat ini
digunakan sebagai acuan untuk meminimumkan jarak dari
seluruh data ke titik pusat. Metode partition-based clustering
yang paling umum digunakan adalah K-Means. Pendekatan
selanjutnya adalah hierarchical clustering. Pendekatan ini
memiliki suatu hirarki berupa dendogram dengan data yang
mirip ditempatkan di hirarki yang saling berdekatan dan data
yang tidak mirip ditempatkan di hirarki yang saling berjauhan.
Metode hierarchical clustering antara lain adalah single
linkage, average linkage, complete linkage, dan lain-lain.
Penulis mengusulkan metode K-Means untuk
pengembangan kerangka ODM-BDA. Metode clustering dan
business intelligence dapat diterapkan pada aktivitas customer
clustering dimana dapat menentukan konsumen high profit,
high value, dan low-risk [14]. Adapun tahapan proses clustering
yang dapat digunakan pada pengembangan kerangka ODM-
BDA, yaitu sebagai berikut.
Gambar 4-1
Tahapan Clustering
Dalam proses analisis hasil clustering, perlu diperhatikan
kestabilan dari cluster yang diukur dari pemanfaatan algoritma
McKmeans. Iterasi dapat dilakukan dari 100 kali hingga 1000
kali dengan maksimum cluster yang diestimasikan antara k=2
hingga k=10. Sementara dalam mencari jumlah k yang stabil
dilakukan dengan membandingkan selisih nilai mean terbesar
antara maximum cluster assignments (MCA) index McKmeans

Tahap 4 Rekrutmen Asisten LSIK 2019
dengan MCA index random prototype baseline. Perlu diketahui
bahwa MCA index McKmeans merupakan nilai maksimum k
cluster yang dibentuk melalui McKmeans dan MCA index
random prototype baseline merupakan minimum cluster yang
idealnya terbentuk apabila digunakan data acak dalam
pembentukan cluster [14]. Kemudian, untuk menentukan
estimasi k terbaik dapat dilakukan pengujian sebanyak 100 kali
dan dipilih k dengan jumlah terbanyak. Nilai k yang terpilih
digunakan untuk melakukan identifikasi hasil cluster. Pada
proses identifikasi hasil cluster ditemukan distribusi setiap
cluster beserta parameter-parameter lain yang berkaitan.
Dengan menggunakan metode clustering diharapkan
kerangka ODM-BDA dapat dengan mudah diaplikasikan.
Metode ini juga cukup mudah dilakukan di berbagai data
analytics engine. Hal ini dapat meningkatkan efisiensi
perusahaan dalam proses pengambilan keputusan.
V. KESIMPULAN DAN SARAN
Penelitian ini mengusulkan suatu framework yang
dihasilkan dari penerapan teknologi cloud dan data analytics,
yaitu kerangka ODM-BDA. Tujuan dari pembentukan
kerangka ini salah satunya adalah melakukan prediksi customer
behaviour yang sangat dinamis karena dipengaruhi oleh kondisi
pasar yang tak tentu. Pembentukan kerangka ini berfokus pada
metode penemuan korelasi antara variabel. ODM-BDA dapat
membantu organisasi atau perusahaan dalam meningkatkan
performa operasional dan bisnisnya dengan menyajikan alur
pengambilan keputusan yang lebih terstruktur. Hal ini cukup
terwakilkan oleh pengujian statistik yang dilakukan pada paper
ini. Performa ODM-BDA cenderung lebih baik dari kerangka
lainnya sehingga ODM-BDA merupakan kerangka yang
optimal untuk diimplementasikan di organisasi atau
perusahaan.
Namun, pada penelitian ini ditemukan berbagai kekurangan
dari proses pembangunan kerangka ODM-BDA. Data yang
kurang transparan menyulitkan pembaca untuk meyakini studi
kasus serta pengujian statistik yang ada. Adapun hubungan
matematis yang sulit untuk dimengerti dikarenakan kurangnya
penjelasan dari setiap notasi. Kemudian, hal yang paling krusial
adalah tidak adanya bukti nyata dari implementasi kerangka
ODM-BDA sehingga tidak ada feedback dari sebuah organisasi
atau perusahaan yang menerapkan kerangka ini. Hal ini
menyulitkan proses pengembangan dari studi ini. Maka dari itu,
usulan pengembangan hanya dapat dilakukan pada metode
prediksi yang digunakan saja. Diusulkan metode clustering
pada penelitian ini, usul ini didasarkan atas kemudahan
pemahaman serta ketepatan hasil yang diperoleh.
Masih banyak sekali hal-hal yang dapat ditingkatkan dari
paper ini, tak hanya kerangka ODM-BDA beserta dengan
metode penelitiannya saja namun struktur penulisan, fokus
pembahasan, serta keabsahan pengujian statistik perlu ditinjau
ulang. Kedepannya, diharapkan paper ini dapat dikembangkan
sebaik mungkin.
REFERENSI
[1] O. M. Araz, T. M. Choi, D. L. Olson and F. S.
Salman, "Role of analytics for operational risk
13419094 | Athaya Hanin Sobita
9
management in the era of big data," Decision
Sciences, vol. VI, no. 56, pp. 1320-1346, 2020.
[2] P. Mikalef, I. O. Pappas, J. Krogstie and M.
Giannakos, "Big data analytics capabilities: A
systematic literature review and research agenda,"
Information Systems and e-Business Management,
vol. III, no. 16, pp. 547-578, 2018.
[3] G. Manogaran, N. Chilamkurti and C. H. Hsu,
"Editorial Note: Machine Learning for Visual
Analysis of Multimedia Data," Multimedia Tools and
Applications, no. 79, p. 5003, 2020.
[4] M. S. S. Garmaroodi, F. Farivar, M. S. Haghighi, M.
A. Shoorehdeli and A. Jolfaei, "Detection of
anomalies in industrial iot systems by data mining:
Study of CHRIST osmotron water purification
system," IEEE Internet of Things Journal, vol. VIII,
pp. 10280-10287, 2020.
[5] C. P. Kumar and L. D. Babu, "In Information
Systems Design and Intelligent Applications," in
Review on big data and its impact on business
intelligence, Singapore, Springer, 2019, pp. 93-109.
[6] P. Rikhardsson and O. Yigitbasioglu, "Business
intelligence & analytics in management accounting
research: Status and future focus," International
Journal of Accounting Information Systems, vol. 29,
pp. 37-58, 2018.
[7] Y. Duan, J. S. Edwards and Y. K. Dwivedi,
"Artificial intelligence for decision making in the era
of big data–evolution, challenges, and research
agenda," International Journal of Information
Management, vol. 48, pp. 63-71, 2019.
[8] Z. Allam and Z. A. Dhunny, "On big data, artificial
intelligence, and smart cities," Cities, vol. 89, pp. 80-
91, 2019.
[9] K. Boˇziˇc and V. Dimovski, "Business intelligence
and analytics for value creation: The role of
absorptive capacity," International Journal of
Information Management, vol. 46, pp. 93-103, 2019.
[10] A. Ferraris, A. Mazzoleni, A. Devalle and J.
Couturier, "Big data analytics capabilities and
knowledge management: Impact on firm
performance," Management Decision, vol. 57, pp.
1923-1936, 2019.
[11] M. Papazoglou and W.-J. Van Den Heuvel, "Service
oriented architectures: approaches, technologies and
research issues," The VLDB, vol. 16, no. 3, pp. 389-
415, 2007.
[12] V. Alkkiomäki, "The role of service-oriented
architecture as a part of the business model,"
International Journal of Business Information
Systems, vol. 21, no. 3, p. 368, 2016.
[13] Y. Niu, L. Ying, J. Yang, M. Bao and C.
Sivaparthipan, "Organizational business intelligence
and decision making using big data analytics,"
Information Processing and Management, vol. 58,
no. 6, p. 102725, 2021.
 10
Tahap 4 Rekrutmen Asisten LSIK 2019

[14] A. Ruslidiantoro, "ariprusli.medium.com," Medium,

3 Mei 2021. [Online]. Available:
https://ariprusli.medium.com/overfitting-dan-
underfitting-7f9e686aa97d. [Accessed 2 Desember
2021].
[15] Fajrizal and K. Djahara, "Pemanfaatan Clustering
Algoritma McKmeans untuk Business Intelligence,"
Konferensi Nasional Sistem & Informatika STMIK
STIKOM, pp. 192-197, 2015.

13419094 | Athaya Hanin Sobita