See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/277906196

Penggunaan Big Data Analytic di Perguruan Tinggi

Conference Paper · February 2015

DOI: 10.13140/RG.2.1.4581.9046

CITATIONS READS

2 6,703

1 author:

Asniar Tj
Telkom University
17 PUBLICATIONS   34 CITATIONS   

SEE PROFILE

All content following this page was uploaded by Asniar Tj on 09 June 2015.

The user has requested enhancement of the downloaded file.

 PENGGUNAAN BIG DATA ANALYTIC DI PERGURUAN TINGGI
Asniar
Fakultas Ilmu Terapan, Universitas Telkom
Jalan Telekomunikasi Terusan Buah Batu, Bandung 40257
asniar@telkomuniversity.ac.id

Abstrak

Digitalisasi data menyebabkan ledakan data di Perguruan tinggi yang membuka peluang big data di perguruan
tinggi. Data-data digital dalam jumlah banyak meninggalkan tentang apa yang mahasiswadan akademisi lihat,
apa yang mereka baca, keterlibatan dan perilaku mereka, penilaian, tentang kepentingan dan prefensi mereka
sehingga menyediakan sejumlah besar data yang dapat ditambang untuk pengalaman pembelajaran. Nilai big
data terletak pada hasil analisis dan prediksi atau tindakan yang diambil dari hasil analisis dan prediksi tersebut.
Makalah ini mencoba untuk memberikan usulan penggunaan big data analytic di perguruan tinggi yang meliputi
learning analytic, academic analytic, dan process analytic. Dengan penggunaan big data analytic di perguruan
tinggi maka dapat diperoleh wawasan yang lebih tentang mahasiswa, akademisi, dan proses di perguruan tinggi
sehingga mendukung analisis prediksi dan peningkatan pengambilan keputusan berdasarkan data yang pada
akhirnya dapat membantu meningkatkan kinerja keberhasilan mahasiswa dan institusi.

Kata kunci : big data analytic, learning analytic, academic analytic, process analytic

1. Pendahuluan

Teknologi informasi telah digunakan untuk

melakukan berbagai aktifitas utama di perguruan
tinggi, dimulai dari registrasi perkuliahan setiap
semester, pembayaran, absensi dan berita acara
perkuliahan bahkan proses pembelajaran hingga
penilaian. Data-data tentang pendidikan dan
pengajaran, penelitian, pengabdian masyarakat, dan
kegiatan penunjang lainnya juga sudah dilakukan
pelaporan dengan menggunakan teknologi
informasi. Semua aktifitas tersebut dari waktu ke
waktu menyebabkan digitalisasi data yang
selanjutnya menyebabkan ledakan data di Perguruan
Tinggi sehingga membuka peluang untuk big data
analytic di perguruan tinggi.
Data-data digital dalam jumlah banyak
meninggalkan tentang apa yang mahasiswa dan
akademisi lihat, apa yang mereka baca, keterlibatan
dan perilaku mereka, penilaian, maupun tentang
kepentingan dan prefensi mereka sehingga
menyediakan sejumlah besar data yang dapat
ditambang untuk pengalaman pembelajaran.[6]
Gambar 1 Dimensi Big Data[4]
Volume mengacu pada jumlah massa data
yang organisasi berusaha memanfaatkan ulang
untuk meningkatkan pengambilan keputusan di
enterprise.Variety adalah tentang mengelola
kompleksitas beberapa jenis data, termasuk data
terstruktur, data semi-terstruktur, dan data tidak
terstruktur. Velocity adalah kecepatan di mana data
dibuat, diolah dan dianalisis terus dengan cepat.
Veracity mengacu pada tingkat kebenaran dan
kepercayaan yang terkait dengan jenis tertentu dari
data, seperti data komentar pada media sosial. [4]
3. Big Data Analytic

2. Big Data Nilai big data terletak pada hasil analisis

Big Data adalah istilah baru yang digunakan
untuk mengidentifikasi dataset yang karena
ukurannya yang besar dan sangat kompleks. [2]
dan prediksi atau tindakan yang diambil dari hasil
analisis dan prediksi tersebut. Analisis Big Data
membutuhkan kinerja sangat tinggi terhadap kumpulan
big data dalam waktu respon yang wajar [1]. Big data
juga sebagai peralihan data transaksional bisnis ke
dalam keputusan dan wawasan dengan
menggunakan analisis mutakhir (terlepas dari mana
data disimpan). [3]
Berikut ini adalah beberapa teknologi yang
dikenal digunakan dalam aplikasi Big Data Analytics :
[1]
3.1 Kerangka Map Reduce dan Hadoop
Kerangka Map Reduce dan Hadoop
diterbitkan pada tahun 2004 oleh Google. Kerangka ini
dirancang untuk secara efisien memproses volume data
yang besar dengan menghubungkan banyak komoditas
komputer (cluster) bersama-sama untuk bekerja secara
paralel. MapReduce menangani aliran data menjadi dua
fase, fase peta dan fase pengurangan (reduksi). Pada
fase peta, potongan data diproses dalam isolasi oleh
tugas-tugas yang disebut Pemeta. Output dari pembuat
peta ini dibawa ke tugas-tugas yang disebut reduksi,
yang menghasilkan output akhir. Pada sisi
penyimpanan, sistem file terdistribusi yang mendasari
membagi file data yang besar ke dalam potongan yang
dikelola oleh node yang berbeda di cluster.
Gambar 2 Map Reduce Framework dan Hadoop [1]
Hadoop adalah implementasi open source
yang paling terkenal dari kerangka MapReduce. The
Hadoop Distributed File System (HDFS) memberikan
dukungan penyimpanan untuk Kerangka Hadoop.
HBase menyediakan tambahan fungsi basis data
terdistribusi melalui HDFS. Data yang disimpan dalam
HDFS biasanya diproses dengan operasi MapReduce.
Peralatan seperti Pig atau Hive dikembangkan di atas
kerangka Hadoop untuk menyediakan akses data
sebagai dukungan atas MapReduce atau HDFS untuk
analisis tingkat atas dari aplikasi. Alat baru seperti
Impala menyediakan kemampuan ad-hoc query yang
real time. Fungsionalitas penyimpanan, pengolahan, dan
akses data yang disediakan oleh ekosistem Hadoop
adalah tantangan untuk Big Data Repositori.
3.2 No SQL Store
NoSQL Store menyediakan sistem
penyimpanan scalabledata dengan jaminan konsistensi
yang lebih rilex dibandingkan dengan RDBMS
tradisional. NoSQL Store juga menyediakan skema
fleksibel untuk memungkinkan kolom heterogen pada
baris yang berbeda dari penyimpanan.
3.3 Real-Time Query over HDFS
Walaupun kerangka MapReduce sangat
scalable untuk permintaan Big Data, biasanya tidak
memberikan respon real-time yang dibutuhkan query
interaktif. Beberapa solusi seperti Impala berupaya
untuk memecahkan masalah menggunakan mesin real-
time pengolahan ad-hoc query SQL langsung di atas
HDFS, melewati pengolahan MapReduce untuk
memungkinkan waktu respon yang lebih singkat.
Optimasi tambahan seperti kompresi dapat digunakan
untuk mempercepat waktu respon lebih lanjut.
Solusi dalam kategori ini menyediakan
implementasi horizontal yang scalable(terukur) untuk
permintaan real-time di level Big Data.
4. Infrastruktur IT untuk Big Data di
Perguruan Tinggi
Sumber: Action Analytics, EDUCAUSE
REVIEW, January/February 2008, Penulis: Donald
Norris, Linda Baer, Joan Leonard, Louis Pugliese,
dan Paul Lefrere
Gambar 3 Infrastruktur IT untuk Big Data [5]
Infrasturuktur IT untuk Big Data di
Perguruan Tinggi mendukung untuk meningkatkan
kesadaran tentang data analytic dimana alat aplikasi
analisis dan informasi membantu dalam
menganalisis proses kesuksesan dan peningkatan
kinerja mahasiswa.[5]
5. Usulan Penggunaan Big Data Analytic di
Perguruan Tinggi
Usulan Penggunaan Big Data Analytic di
Perguruan Tinggi meliputi Learning Analytic,
Academic Analytic, dan Process Mining.
5.1 Learning Analytic
Big Data Analytic dapat digunakan untuk
menganalisa secara real time pengalaman
mahasiswa yang dapat dihasilkan dari aktifitas Rancangan meliputi 3 proses utama yakni Learning
mahasiswa, seperti : registrasi perkuliahan, Analytic, Academic Analytic, dan Process Mining.
pembayaran, partisipasi di kelas, belajar online, dan
penilaian.
Learning Analytic adalah melakukan
analisis data pembelajaran secara real time sehingga
dapat digunakan untuk memprediksi mahasiswa
sukses dan mahasiswa yang beresiko akademik.
Dengan big data analytic di perguruan tinggi dapat
memberikan wawasan siswa yang beresiko putus
(dropping out) sehingga dapat dilakukan tindakan
preventif atau memberikan dukungan tambahan
untuk meningkatkan keberhasilan mereka, dan
keyakinan, dalam proses pembelajaran sebelum
mereka benar-benar gagal. Learning Analytic
memiliki potensi untuk membantu mahasiswa dan
dosen bersama-sama mengenali tanda-tanda bahaya
sebelum ancaman terhadap keberhasilan belajar
terwujud. Learning Analytic menyediakan tools,
teknologi, dan platform untuk memberdayakan
pendidik serta membuka pintu pada pengalaman
belajar bermakna yang dapat melibatkan,
menginspirasi, dan mempersiapkan siswa saat ini
dan masa depan untuk sukses.

5.2 Academic Analytic

Objek yang dapat dianalisis dalam
Academic Analytic adalah kinerja staff akademisi.
Dengan academic analytic dapat dilakukan analisis
yang real time terhadap data-data yang merupakan
variable pengukuran kinerja akademisi sehingga
dapat diketahui staf-staf akademisi yang berprestasi
maupun staf-staf akademisi yang kinerjanya sangat
kurang dibandingkan dengan staf-staf akademisi
lainnya.
5.3 Process Analytic
Big Data Analytic dapat juga digunakan
untuk menganalisis secara real time proses bisnis di
Perguruan Tinggi. Data-data yang digunakan dapat
diperoleh dari data log atau data aktifitas dari
mahasiswa, dosen, dan unit-unit terkait dengan
proses-proses dan aktivitas yang terjadi di Perguruan
Tinggi untuk kemudian dilakukan process analytic
dengan menggunakan process mining untuk
menemukan model proses bisnis baru. Namun
process analytic tidak terbatas pada proses
penemuan proses bisnis tapi juga memungkinkan
untuk memeriksa kesesuaian, mendeteksi
penyimpangan, memprediksi penundaan,
mendukung pengambilan keputusan, dan
merekomendasikan desain ulang proses.
6. Rancangan Usulan Penggunaan Big Data
Analytic di Perguruan Tinggi
Berikut adalah rancangan usulan
penggunaan big data analytic di perguruan tinggi.
Gambar 4 Rancangan Usulan Penggunaan Big Data
Analytic di Perguruan Tinggi
Gambar 4 di atas menjelaskan bahwa
rancangan yang diusulkan untuk learning analytic,
academic analytic, dan process analytic melibatkan
teknologi ETL untuk menarik data dari beberapa
sumber. Untuk learning analytic dapat
menggunakan sumber-sumber data dari data-data
Student Information System, Course Magement,
Online Education, Student Assessment, dan data
finance. Untuk proses academic analytic dapat
menggunakan sumber-sumber data dari data-data
Outcomes Assessment, Lecture Assessment, Staff
Assessment, Faculty Assessment, dan data Finance
Assessment. Sementara untuk process analytic dapat
menggunakan sumber-sumber data dari data-data log
activity dari proses Student Information System,
Cource Management, Online Education, Student
Assessment, dan data log activity dari proses finance.
Student Assessment, dan data finance. Data dari
beberapa sumber tersebut kemudian dikumpulkan
dalam suatu gudang data (data warehouse) untuk
kemudian dianalisa dengan menggunakan teknologi
analisis dan prediksi yang real time, seperti : OLAP,
Analytical Reporting Tools (Business Intelligence),
dan Data Mining/Predictive Modelling. Hasil
analisis dan prediksi akan ditampilkan dalam bentuk
Dashboard Analytic Presentation yang diharapkan
dapat mendukung peningkatan pengambilan
keputusan di perguruan tinggi dalam upaya
meningkatkan kinerja kerberhasilan mahasiswa dan
institusi.
 7. Kesimpulan

Digitalisasi data yang menyebabkan

ledakan data di perguruan tinggi memungkinkan
praktek efektif untuk memanfaatkan big data
analytic berupa learning analytic, academic analytic
dan process analytic. Dengan menggunakan big data
analytic di Perguruan Tinggi yang didukung dengan
kerjasama dari semua kontributor enterprise
pendidikan, baik itu mahasiswa, staf, dosen,
administrator, dan masyarakat maka memungkinkan
untuk membuat akuntabel keputusan berdasarkan
informasi dan data yang ditambang hati-hati,
sehingga pada akhirnya mendukung peningkatan
pengambilan keputusan berdasarkan data di
perguruan tinggi dalam upaya meningkatkan kinerja
keberhasilan mahasiswa dan institusi.

Daftar Pustaka:

[1] Dong, Wei. (2013). Big Data Analytics Guide

Book. Unleashing Business Value in Big
Data; Big Data Analytics Solution Suite 1.0
GB979. TeleManagement Forum.
[2] Fan, Wei. Mining Big Data: Current Status,
and Forecast to the Future, SIGKDD
Explorations, Volume 14, Issue 2
[3] Foreman, John W. (2014). Data Smart; Using
Data Science to Transform Information into
Insight. Indianapolis: John Wiley & Sons, Inc.
[4] Schroeck, et al. (2012). Analytics: The real-
world use of big data, Executive Report IBM
Institute for Business Value In collaboration
with Said Business School at the University of
Oxford, IBM Corporation
[5] Soares, Louis. (2012). Rise of Big Data in
Higher Education. EDUCASE. Webinar.
Center For American Progress
[6] Wagner, Ellen; Ice, Phil. (2012). Data
Changes Everything : Delivering on the
Promise of Learning Analytics in Higher
Education. Educase Review. www. e d u c a u
s e . e d u / e ro

View publication stats