Implementasi Big Data Analytics Berbasis Machine Learning Pada Industri Ritel: A Literature Review
Implementasi Big Data Analytics Berbasis Machine Learning Pada Industri Ritel: A Literature Review
net/publication/330243131
CITATIONS READS
0 7,961
1 author:
3 PUBLICATIONS 0 CITATIONS
SEE PROFILE
All content following this page was uploaded by Bagus Prabowo Aji on 09 January 2019.
Abstract—Kehadiran teknologi informasi dan menurut Wamba et al (2015) bigdata terkait dengan 5Vs:
komputerisasi pada sistem penjualan retail meningkatkan volume, variety, velocity, veracity dan value. Volume
minat dunia usaha dalam pemanfaatan BDA. Sehingga berkaitan dengan ukuran data yang semakin besar seiring
diperlukan ulasan mengenai artikel penelitian yang dapat dengan peningkatan kapasitas perangkat penyimpanan data
menjawab tantangan bisnis retail. Penulisan ulasan artikel (Chen dan Zhang, 2014) Variety berkenaan dengan
disini menggunakan metode pendekatan qualitative content pengambilan data yang dapat diperoleh dari berbagai macam
analysis yang diusulkan oleh Mayring (2014). Tujuannya sumber data, seperti sosial media, internet of things (IoT),
adalah untuk memberikan gambaran mengenai kasus, dan atau sensor dalam format data yang terstruktur maupun tidak
metode apa saja yang dapat digunakan dalam implementasi terstruktur (Tan et al.,2015). Velocity berhubungan dengan
BDA berbasis machine learning pada industri retail. kecepatan data untuk ditransfer baik secara real-time, stream-
Keywords—big data analytics, data mining, retail menekankan pada kualitas, dan tingkat kepercayaan data
industry, clustering, machine learning, market basket yang berkaitan dengan sumber data (Gandomi dan Haider,
analysis, social media analytics, hadoop. 2105). Value berkenaan dengan proses “revealing
Salah satu teknik analisis data yang dapat digunakan Fig 1.1 keuntungan pemanfaatan Big Data dalam bisnis
dengan pemanfaatan volume data yang terus bertambah Disisi lain, Hackeling.G, (2014) menyatakan bahwa
adalah BDA. Menurut Tsai et al., (2015) big data analytics “machine learning is the design and study of software
melibatkan penggunaan “advanced analytics technique” artifacts that use past experience to make future decision”.
untuk meng-ekstrak informasi berharga dari data yang besar, Machine learning digunakan untuk menyelesaikan masalah
guna membantu pengambilan keputusan. Sementara, komplek dengan jumlah data yang besar, dan terdapat banyak
variabel. Dimana machine learning menggunakan algoritma umum. Pada tahap ini teknik skimming (membaca cepat)
yang dapat meningkatkan performa secara adaptif, seiring dilakukan untuk mencari gagasan utama dan sudut pandang
dengan bertambahnya jumlah sampel data yang diberikan. artikel. Proses disini juga untuk menilai apakah artikel yang
Penelitian mengenai BDA mulai banyak dipubikasikan diseleksi menarik untuk dibaca lebih lanjut secara lengkap.
pada tahun 2015, namun studi yang membahas tentang 2.3 Pemilihan kategori
penggunaan metode dalam BDA berbasis machine learning Tahap ini bertujuan mengkonsep kerangka kerja guna
untuk industri retail masih jarang. Oleh karena itu, diperlukan mengklasifikasi analytics category, serta technique pada
review paper mengenai implementasi BDA berbasis machine artikel yang akan dilakukan review. Klasifikasi kerangka
learning pada industri retail. kerja disajikan pada tabel 2.1 dan gambar 2.1
Tujuan dari penulisan artikel disini adalah untuk Tabel 2.1 klasifikasi kerangka kerja
mengetahui pada kasus dan menggunaka teknik apa, BDA Analytics category: Demand/sales forecasting,
berbasis machine learning dapat dimanfaatkan untuk clustering product, market basket
Metode yang digunakan untuk penulisan disini adalah machine learning, unsupervised
qualitative content analysis approach yang diusulkan oleh machine learning (K-means,
Mayring (2014). Terdapat empat tahapan proses iterasi yaitu: bipartite graph clustering), social
dengan big data analytics dan retail: big data, hadoop, data
corporate chain store, retail, product inventory, sales Fig 2.1 klasifikasi kerangka kerja
BDA berbasis supervised machine learning dengan teknik Selain itu dalam industri retail, BDA dengan teknik social
time series umum digunakan. Seperti pada kasus peramalan media analytics (text mining) umum digunakan. He. W et al.,
penjualan perusahaan Walmart (Hansoor.A.S & Patil.A (2016) menilai popularitas antara perusahaan Walmart dan
2015), dan peramalan permintaan national dried nuts and Costco, serta memprediksi penjualan produk terlaris
fruit company-Turkey (Işlek.I & Öğüdücü.Ş.G 2015). berdasarkan setengah juta data cuitan twitter. Hasil studi
Dimana kedua studi memanfaatkan HDFS (hadoop menunjukkan, meskipun kata “Walmart” sering muncul pada
distributed file system), dan map reduce untuk proses transfer kicauan di twitter (lebih popular), akan tetapi pelanggan lebih
data, serta R sebagai bahasa pemrogaman. Hasil studi banyak membahas mengenai produk muffin yang dijual
menunjukkan, peramalan menggunakan machine learning Cosco. Meskipun demikian, metode text mining rentan
mampu menurunkan error rate (MAPE) secara signifikan terhadap spam, yang dapat memunculkan ambiguitas hasil
permintaan pasar secara mendadak (Knaub.J.S, 2015). Penulisan literature review menggunakan metode
Teknik lain dalam BDA berbasis machine learning yang qualitative content analysis telah menjawab tujuan, serta
umum digunakan pada industri retail adalah associate rule memberikan gambaran lengkap mengenai kasus, dan metode
mining (ARM). Khattak.A.M et al., (2010) membandingkan apa saja dalam big data analytics yang dapat dimanfaatkan
hasil analisa antara software weka, dan XL-miner, guna untuk mendukung pengambilan keputusan pada industri
mengetahui kebiasaan belanja konsumen. Sehingga retail. Sementara kelemahan metode disini adalah, klasifikasi
manajemen industri retail dapat menentukan tata letak kerangka kerja bersifat interpretasi dan subjektif. Sehingga
produk, dan strategi marketing (diskon) untuk meningkatkan dapat memicu bias mengenai hasil artikel yang diulas oleh
memanfaatkan BDA berbasis machine learning untuk Dari hasil review paper, studi mengenai pemanfaatan BDA
pengelompokan (kluster K-means) produk laris dan tidak berbasis machine learning untuk penentuan produk yang
laris. Sementara, Khattak.A.M et al., (2010) menggunakan dapat ditawarkan pada e-commerce, klasifikasi supplier
teknik kluster K-Means. Dimana hasil studi menunjukkan, (pemilihan pemasok) pada industri retail, serta story telling
jumlah transaksi, dan nominal belanja konsumen pada dengan visualisasi 3D belum dilakukan. Sehingga penelitian
industri retail mencapai puncak ketika sore hari antara jam kedepan dapat difokuskan pada masalah tersebut.
Chen, C. P., & Zhang, C. Y. (2014). Data-intensive Menggunakan Metode K-Means Dalam
Harsoor, A.S. and Patil, A., 2015. Forecast of sales of foundation, basic procedures and software solution.
walmart store using big data applications. IJRET: Nguyen, T., Li, Z. H. O. U., Spiegler, V., Ieromonachou, P.,
International Journal of Research in Engineering & Lin, Y. (2017). Big data analytics in supply chain
Hackeling.G.(2014). Mastering machine learning with scikit- review. Computers & Operations Research.
learn, Packt publishing Ltd, 35 Livery street, Tsai, C. W., Lai, C. F., Chao, H. C., & Vasilakos, A. V.
(2015). Big data analytics: a survey. Journal of Big
Birmingham B3 2PB,UK. Data, 2(1), 21.
He, W., Shen, J., Tian, X., Li, Y., Akula, V., Yan, G., & Tao, Wamba, S. F., Akter, S., Edwards, A., Chopin, G., &
R. (2015). Gaining competitive intelligence from Gnanzou, D. (2015). How ‘big data’can make big
social media data: evidence from two largest retail impact: Findings from a systematic review and a
chains in the world. Industrial Management & Data longitudinal case study. International Journal of
13-22.