UTS Analitik Big data

Soal Konsep :

1. Perkembangan big data saat ini sudah semakin pesat dan tidak bisa dihindari lagi. Mengingat
pentingnya hal tersebut, berkaitan dengan kemajuan teknologi dan manfaat yang
didapatkannya.
a) Jelaskan apa yang anda ketahui mengenai konsep 3V di dalam big data?
b) Sebutkan pemanfaatan big data dalam kasus kehidupan sehari-hari di bidang
pemerintah dan pendidikan!

2. Database system yang dikelola dengan baik dan terstruktur akan memudahkan segala jenis
pekerjaan, dengan adanya inovasi yang berkembang terus di dalam big data.
a) Apakah yang membedakan antara SQL dan NOSQL database system?
b) Sebutkan beberapa kunci kesuksesan analitik big data, terlepas dari ukuran, tipe, atau
kecepatan yang dimilikinya.

3. Terapkan pendekatan Siklus IMPACT, untuk menganalisis petunjuk (insight) dalam

memberikan solusi yang akurat pada persoalan atau peluang bisnis yang perlu dilakukan oleh
perusahaan/organisasi, di masa New Normal?
a) Identifikasi permasalahannya
b) Bagaimana penyediaan dan penyiapan data
c) Apakah model ekstrak data yang akan diterapkan
d) Apakah bentuk petunjuk (insight/actionable information) yang dihasilkan
e) Bagaimana mengkomunikasikan hasil dan mengevaluasi implementasinya
Jawaban Konsep
1. Perkembangan big data
a) Pada konsep 3V dalam analitik big data dikatakan bahwa Big data memiliki ciri-ciri berukuran
sangat besar, variatif, memiliki laju pertumbuhan yang cepat, dan sebagian besar tidak terstruktur.
Ciri-ciri ini biasa dikenal dengan 3 V's Big Data. Istilah 3 V's Big Data pertama diperkenalkan
oleh perusahaan riset dan konsultan IT bernama Gartner. Menurut McKinsey Global Institute
(MGI), big data adalah data yang sulit untuk dikoleksi, disimpan, dikelola maupun dianalisis
dengan menggunakan sistem database biasa karena volumenya yang terus bertambah.
Karakteristik 3V yang dimaksud adalah volume, velocity, dan variety. Maksud dari karakteristik
volume ini adalah jumlah big data yang terus bertambah dan terus diproduksi setiap hari yang
tersimpan dalam format digital di internet. Karakteristik 3V yang kedua adalah velocity. Istilah
velocity ini merujuk pada kecepatan pertumbuhan atau pertambahan big data yang tidak bisa
dikontrol sehingga kita sulit mengolah data tersebut dengan teknologi konvensional. 3V yang
terakhir adalah variety. Maksud dari variety adalah macam-macam data yang tersedia di dalam big
data. Beberapa jenis data yang ada dalam big data adalah data text, audio, video, gambar, dan lain
sebagainya.

Cara kerja dan pengolahan big data sedikit berbeda dari data yang sudah tersimpan di database. Proses
pertama yang dilakukan dalam big data adalah mengintegrasi data. Jika data dari database diproses
menggunakan ETL (Extract, Transform, and Load), lain halnya dengan big data yang memiliki
proses pengolahan yang lebih rumit. Karena big data terdiri dari berbagai jenis data dengan
berbagai format, maka perlu adanya proses perubahan format agar seragam dan dapat diolah lebih
lanjut. Proses kedua yang dilakukan dengan big data adalah Me-manage data. Agar big data dapat
diatur, maka perlu adanya proses penyimpanan yang tepat. Salah satu sistem penyimpanan big data
yang murah adalah cloud. Proses ketiga dalam pengolahan big data adalah menganalisis data.
Tidak sama seperti data biasa yang bisa diolah menggunakan metode statistik tertentu, big data
harus diolah dengan membuat pemodelan menggunakan machine learning dan artificial
intelligence. Setelah data berhasil diolah dan dianalisis, maka kita akan mendapatkan input dan
insight baru yang berguna bagi proses pengambilan keputusan.

berikut penjelasan 3 karakteristik big data :

1. Volume
Volume dalam big data 3v ini diartikan sebagai kuantitas atau jumlah data yang dihasilkan
dari banyak transaksi serta volume data yang disimpan.

Apa saja contoh data ini? Bisa berbentuk log history pengguna seperti history browser,
pencatatan transaksi pada ecommerce, data ktp atau data penduduk indonesia, data pelanggan
pada perbankan dan masih banyak lagi.

Ukuran big data biasanya menggunakan skala Terabytes (per 1000 Gigabytes) dan ukuran
Petabytes (per 1000.000 Gigabytes), pada contohnya berdasarkan publikasi yg dilakukan oleh
facebook di https://research.fb.com/blog/2014/10/facebook-s-top-open-data-problems ,
facebook menghasilkan sejumlah 400 petabytes per hari atau 400.000.000 Gigabytes per hari,
tentu data sebesar ini sudah dikategorikan sebagai big data

2. Variety
Variety ini artinya variasi tipe dan variasi sifat dari data, apakah data tersebut bersifat
terstruktur / structured, semi terstruktur ataupun tidak terstruktur
Apa itu data terstruktur atau Structured data?
  Data terstruktur / structured data adalah data yang mempunyai elemen-elemen yang dapat
di akses seperti keys (primary key, relational keys, foreign key) untuk dapat dianalisis
ataupun data yang disimpan pada format tertentu contohnya data yang berada pada
relational database ataupun database SQL
 Semiterstruktur / Semi-structured data
Informasi yang tidak disimpan dalam relational database tetapi mempunyai pattern atau
terorganisir dengan rapi sehingga lebih mudah untuk di analisa, dengan sedikit pengolahan
kita dapat menyimpan data ini ke dalam relational database contohnya data pada file XML
dan csv yang sering dipergunakan untuk export data pada database.
 Data Tidak Terstruktur / Unstructured data
Informasi atau data yang tidak terorganisir dengan baik karena sifat alaminya, atau tidak
memiliki predefined data model atau model yang sudah terdefinisi contohnya file gambar,
suara, vidio, pdf, log files dan lainnya

3. Velocity
Velocity dalam 3v big data ini artinya adalah kecepatan dalam men generate data, mengakses
data serta memproses data. big data platform dan big data analytics software tentu harus dapat
memproses banyak data secepat mungkin ketika ada request, contoh velocity salah satunya
adalah pada search engine google, berdasarkan data pada
https://www.internetlivestats.com/google-search-statistics/ google harus memproses rata-rata
40.000 pencarian setiap detiknya.

b) Pemanfaat big data dibidang pemerintah dan Pendidikan

Contoh aplikasi satu data indonesia:
01. Dari segi ekonomi

Satu Data Indonesia memberikan informasi kepada pemerintah untuk menemukan cara-cara efektif
dan inovatif dalam mengatasi kemiskinan di negara Indonesia. Dengan kumpulan parameter yang
diperoleh dari big data, pemerintah akan lebih mudah untuk menentukan lokasi mana yang
membutuhkan perhatian lebih dan bagaimana program pengentasan kemiskinan dapat terlaksana. 

02. Segi pariwisata 

Tak hanya dari sektor ekonomi saja. Pariwisata Indonesia juga akan melakukan pendekatan big data
untuk mengetahui potensi-potensi tiap daerah. Metode big data dipakai untuk memetakan berbagai
aspek pariwisata sehingga mampu menarik pengunjung sesuai dengan minatnya. Metode ini jauh
lebih efektif karena promosi sangat tertarget dan personal. Penggunaan metode big data analytics juga
sebagai upaya untuk membangkitkan lagi sektor pariwisata ditengah pandemi. 

03. Segi sosial budaya

Big data membantu sektor sosial dan budaya untuk mendapatkan parameter budaya yang kerap sulit
untuk diidentifikasi. Dalam lingkup yang kecil contohnya – seorang individu dapat dinilai
performanya dari caranya berinteraksi dan bagaimana nilai-nilai budaya diterapkan oleh individu
tersebut. Mengumpulkan dan mengamati data publik memungkinkan pemerintah untuk memetakan
tren sosial budaya saat ini dan saat mendatang, serta mengatasi masalah-masalah yang timbul dengan
metode yang terukur. 

04. Dari segi transportasi

Setiap hari, jutaan pengguna jalan dihadapkan dengan masalah infrastruktur dan keamanan
berlalulintas. Sangat penting untuk mengontrol jumlah kecelakaan di jalan dengan menggunakan big
data sehingga jalan-jalan yang rusak bisa segera diketahui dan diperbaiki. 
Program Satu Data Indonesia juga sangat bermanfaat dalam pemberlakuan prosedur e-tilang yang
sedang gesit dijalankan oleh pemerintah saat ini. Dengan cctv yang terhubung di banyak titik, para
pelanggar marka dapat teridentifikasi jelas baik figur maupun nomor kendaraannya. 

05. Dari segi kesehatan

Instansi kesehatan menangani isu yang rumit setiap harinya. Contohnya sistem BPJS yang menangani
seluruh masyarakat Indonesia. Dengan banyaknya informasi yang didapatkan, pemerintah dapat lebih
efektif saat hendak memberikan alokasi subsidi berdasarkan data-data yang diperoleh. Dengan Satu
Data Indonesia, program subsidi dapat meminimalkan risiko pelanggaran maupun tidak tepat sasaran.
Pemerintah akan memiliki gambaran besar aliran bantuan dan mempunyai control yang besar
terhadap lajunya. 

06. Dari segi pendidikan

Instansi yang tak kalah penting yaitu Pendidikan. Satu Data Indonesia dapat memberikan informasi
faktual untuk meningkatkan mutu Pendidikan Indonesia di segala tingkat. Dengan big data analytics,
pemerintah memperoleh informasi yang relevan mengenai kebutuhan Pendidikan masyarakat
sehingga setiap lapisan dapat memperoleh edukasi secara merata demi masa depan bangsa.

Big data saat ini telah dianggap sebagai “dashboard perilaku manusia” oleh Rick Smolan dan Jennifer
Erwitt, penulis utama dari buku ilustrasi The Human Face of Big data. Metode dan analisa big data
berkontribusi dalam melihat perilaku manusia mampu mengukur dan menganalisa aliran data yang
konstan yang ditangkap melalui sensor, satelit, dan peranti berkemampuan GPS.8. Big data juga
telah disebut sebagai emas pada saat ini. Saat ini banyak Inovasi dalam teknologi telah membuat
data aktual yang sangat masif.

Implementasi Big data dilakukan pertama kali pada algoritme pencarian web Google untuk
menunjukkan perilaku pencarian pengguna google (Rheinhalter,2014). Saat ini perusahaan Netflix
telah mengubah cara orang memilih dan mengonsumsi film dan televisi melalui mesin rekomendasi
melalui implementasi Big data.

Di bidang pendidikan dan pelatihan Big data dianggap sebagai peluang baru untuk menyesuaikan
pendidikan dengan kebutuhan dan proses belajar peserta. Menggunakan Big data dalampendidikan
bukan lagifiksi dan telah dilakukan di beberapa institusi. Dengan bantuan perangkat lunak yang
menganalisis penekanan siswa untuk mengetahui perkembangan pembelajaran mereka. Perangkat
lunak ini mengumpulkan informasi dari perangkat yang digunakan siswa dan mengumpulkan nilai,
keterampilan belajar, poin yang kuat dan lemah serta pola ragu ketika menggunakan mouse
komputer. implementasi Big data mampu melihat potensi pembelajaran yang disesuaikan ini juga
memengaruhi pengajaran, dengan memberi staf pengajar lebih banyak waktu untuk mendukung
siswa secara individu, dan lebih bisa melihat kebutuhan siswa

Saat ini inovasi teknologi dan peningkatan mobilitas siswa telah memungkinkan pendidikan berubah
secara masif. Kepopuleran Massive Open Online Courses (MOOC) Saat ini telah tercatat 70 institusi
di Amerika Serikat yang telah menawarkan kursus MOOC dan menjadi salah satu platform
pendidikan online terbesar. Sebagai contoh Coursera dan dengan lebih dari
470.000pendaftaransiswa.Investasidiperlukan untuk memastikan pengembangan pendekatan
pedagogi baru untuk memanfaatkan skala dan kemungkinan Big data tanpa melupakan kompleksitas
yang terlibat dalam setiap pemikiran kreatif (Cusumano, 2013). Saat ini Eropa mampu meningkatkan
daya saingnya melalui pengajaran online dan menggunakan implementasi teknologi Big data.

07. Dari segi agrikultur

Indonesia memiliki beragam jenis ternak dan tanaman pertanian yang tersebar di berbagai wilayah di
seluruh Indonesia. Dengan topografi dan demografi penduduk yang berbeda-beda di tiap wilayah,
permasalahan agrikultur menjadi kompleks karena setiap kebijakan pemerintah harus dapat mewakili
instansi terkait. 

Satu Data Indonesia memungkinkan pemerintah untuk memantau kegiatan pertanian dan peternakan
sekaligus mengumpulkan jutaan data agrikultur di seluruh Indonesia. Informasi ini sangat berguna
untuk memecahkan masalah yang kompleks seputar agrikultur. Lewat satu Data Indonesia, setiap
informasi memiliki standar dan terstruktur sehingga dapat dengan mudah ditemukan dan diolah
kembali dalam bentuk grafik, diagram, table maupun peta.

Daftar panjang manfaat Satu Data Indonesia tidak hanya sampai disini. Selain proses pengambilan
keputusan yang dapat dilakukan dengan cepat, pemanfaatan big data dapat meningkatkan
produktivitas kinerja setiap instansi karena baik karyawan teknis maupun non teknis dapat bekerja
dengan data yang lengkap untuk mendukung para pengambil keputusan. Di sisi lain, adanya satu data
Indonesia juga sangat meminimalkan risiko penipuan dan penyalahgunaan wewenang karena tingkat
transparansi yang tinggi. Informasi yang juga bisa diakses oleh masyarakat juga membuat public turut
berpatisipasi mengawal jalannya pemerintahan. 

Teknologi big data yang tergabung dalam Satu Data Indonesia berperan penting bagi pemerintah dan
masyarakat. Di Indonesia sendiri sudah ada 8 kota yang menerapkan Smart City dan memanfaatkan
big data untuk kebutuhan publik mulai dari perijinan hingga layanan pengaduan. Program ini
membantu pihak berwenang untuk mengambil berbagai keputusan penting dan memastikan bahwa
langkah-langkah yang diambil sudah berada di jalur yang benar. Satu Data Indonesia memberikan
pemerintah sebuah alat untuk membuat perubahan positif di negeri kita.  Kehadiran big data tentu
membantu instansi untuk mencapai tujuan. Untuk itu, BigBox sebagai penyedia layanan end-to-end
big data platform hadir guna memberikan solusi  dalam penerapan dan pengembangan big data.

2. Database system yang dikelola dengan baik dan terstruktur akan memudahkan segala jenis
pekerjaan, dengan adanya inovasi yang berkembang terus di dalam big data.
a. Apakah yang membedakan antara SQL dan NOSQL database system?
SQL merupakan singkatan dari Structured Query Language. Sebenarnya SQL sendiri
merupakan bahasa yang digunakan untuk mengatur/mengelola data dalam database
relasional. Jadi sebenarnya SQL sendiri pada mulanya tidak digunakan untuk
menyebut jenis database. Akan tetapi karena jenis (kategori) database yang berbeda
memiliki bahasa query yang berbeda juga maka agaknya salah kaprah yang juga
dialami oleh penulis (karena alasan SEO tentunya) dapat dimaklumi.

Database relasional menggunakan ‘relasi’ (yang biasanya disebut tabel) untuk

menyimpan data dan mencocokkan data tersebut dengan memakai karakteristik umum
di setiap dataset. Beberapa contoh database management system yang menggunakan
SQL antara lain Oracle, Sybase, Microsoft SQL Server, PostgreSQL.
Munculnya SQL berawal dari peran Larry Ellison salah satu pendiri Oracle yang
mengimplementasikan ide dari petinggi IBM Edgar F. Cobb. Cobb mengeluarkan
makalah pada tahun 70’an yang mendeskripsikan tentang database di mana objek
dapat dikonstruksikan dan di-query memakai sesuatu yang disebut SQL. Dia
menggunakan SQL untuk membuat data (dalam objek yang disebut tabel) dan skema
untuk data tersebut yang mendeskripsikan isian dalam beberapa kolom. Sedangkan
untuk setiap record dalam SQL database disebut ‘baris’.

NOSQL
Dilihat dari namanya, database NoSQL sebenarnya sudah cukup menjelaskan.
NoSQL merupakan database yang tidak membutuhkan skema dan tidak memiliki
relasi untuk setiap tabel. Semua bentuk dokumen dari NoSQL adalah JSON yang
mudah dibaca dan dimengerti. NoSQL banyak diminati karena memiliki performa
yang tinggi dan bersifat non-relasional sehingga dapat memakai berbagai model data.
Beberapa contoh dari database NoSQL yaitu MongoDB, MarkLogic, Couchbase,
CloudDB, dan Dynamo DB.

Bahasa
Seperti telah disebutkan sebelumnya bahwa SQL sendiri merujuk pada bahasa query,
perbedaan antara SQL dan NoSQL yang langsung dapat dilihat adalah bahasa query
dari masing-masing database. Bahasa SQL adalah bahasa query yang terstruktur. Hal
ini menyebabkan SQL menjadi agak terbatas. SQL mengharuskan kita untuk
menentukan skema dalam membangun struktur data bahkan sebelum kita membuat
database tersebut. Data kita harus mengikuti struktur yang sama setelah database
dibuat. Oleh karena itu, kita dituntut untuk merencanakan secara matang dan berhati-
hati dalam mengeksekusi data.

Sebaliknya, database NoSQL tidak memiliki skema (setidaknya skemanya dapat

berubah-ubah) dan tak terstruktur. Selain itu data NoSQL dapat disimpan dalam
berbagai cara baik itu graph-based, document-oriented, column-oriented, atau yang
terorganisir dengan baik seperti KeyValue. Fleksibilitas ini memungkinkan kita untuk
membuat dokumen terlebih dahulu sebelum perencanaan matang dan menentukan
struktur terlebih dahulu. KIta juga bisa menambahkan isian (field) secara dadakan
serta menerapkan syntax yang berbeda-beda dalam setiap database.

Skalabilitas
Hal lain yang membedakan antara SQL dan NoSQL adalah dari segi skalabilitas.
Hampir seluruh database SQL memiliki skala vertikal. Ini berarti jika kita ingin
mengembangkan database kita, yang dapat kita lakukan adalah menambah kapasitas
muatan di satu server dengan meng-upgrade komponennya seperti RAM, kapasitas
SSD, atau CPU. Hal ini cukup beralasan mengingat SQL lahir di masa di mana
hardisk dan komponen lain masih mahal. Jadi dibandingkan membangun server baru,
akan lebih efisien jika kita meng-upgrade komponennya secara bertahap. Walaupun
begitu, beberapa korporasi besar seperti Oracle terus melakukan pengembangan agar
database SQL dapat memiliki skala horizontal.

Sebaliknya, database NoSQL memiliki skala horizontal di mana jika kita ingin
mengembangkan database kita, kita hanya perlu menambah server baru. Inilah
 mengapa NoSQL dipakai oleh perusahaan seperti Facebook yang memiliki jumlah
pengguna sangat besar dan jenis data yang bermacam-macam.

Komunitas
Jika dilihat dari segi komunitas, tentu saja SQL memiliki komunitas yang lebih besar
dibandingkan NoSQL karena SQL sudah berumur puluhan tahun. Tapi walaupun
begitu, perkembangan komunitas NoSQL sangat cepat. Lihat saja banyaknya tutorial
MongoDB yang bertebaran di internet. Hadirnya stack seperti MEAN (MongoDB,
Express JS, Angular JS, Node JS) atau MERN (MongoDB, Express JS, React JS,
Node JS) membuktikan bahwa walaupun terbilang baru, NoSQL memiliki komunitas
yang cukup dapat diandalkan.

Aplikasi
Seperti yang telah beberapa kali disebutkan bahwa SQL bersifat table-based di mana
database ini cocok digunakan untuk aplikasi yang membutuhkan transaksi multi baris.
Contoh dari aplikasi ini adalah sistem akuntansi dan mungkin legacy system yang
pada awalnya dibuat untuk struktur relasional. Sedangkan untuk NoSQL, database
jenis ini cocok digunakan untuk database yang membutuhkan data set yang besar
seperti big data. NoSQL juga banyak dipakai aplikasi jejaring sosial atau customer
management yang struktur datanya bisa berubah sewaktu-waktu tergantung dari
perkembangan aplikasinya sendiri.
b.) Kunci kesuksesan analitik big data terlepas dari ukuran, tipe, atau kecepatan yang dimilikinya.
1. Kebutuhan bisnis yang jelas (selaras dengan visi dan strategi).
Investasi bisnis harus dibuat demi kebaikan bisnis, bukan melulu demi perkembangan teknologi.
Karena itu pendorong utama dalam Big Data Analytics seharusnya adalah kebutuhan bisnis di semua
tingkatan baik di tingkat strategis, taktis, maupun operasional.

2. Dukungan yang kuat dan berkomitmen (dari para eksekutif yang berjiwa pemenang).
Sudah merupakan hal yang umum bahwa bila kita tidak memiliki dukungan eksekutif yang kuat dan
berkomitmen, sangatlah susah (atau tidak mungkin) untuk berhasil. Bila ruang lingkupnya hanya kecil
atau beberapa aplikasi analitik saja, dukungan tersebut bisa hanya di tingkat departmen saja. Tetapi
bila targetnya adalah transformasi seluruh perusahaan/grup, dukungan eksekutif harus pada tingkat
yang lebih tinggi.

3. Keselarasan antara strategi bisnis dan IT.

Sangatlah penting memastikan bahwa pekerjaan analitik adalah selalu untuk mendukung strategi
bisnis dan bukan sebaliknya. Analitik seharusnya memainkan peranan yang mendobrak dalam
mengeksekusi strategi bisnis.

4. Kultur pengambilan keputusan yang berbasis fakta.

Di dalam kultur pengambilan keputusan yang berbasis fakta, angka-angka atau data-data lebih penting
daripada pengambilan keputusan yang menggunakan intuisi, firasat, anggapan, dsb. Selain itu juga
ada kultur bereksperimen untuk melihat apa saja yang berhasil dan yang tidak. Untuk menciptakan
kultur pengambilan keputusan berbasis fakta, manajemen senior harus:
Mengenali bahwa beberapa orang tidak bisa atau tidak akan menyesuaikan diri
Menjadi pendukung yang vokal
Menekankan bahwa metode-metode yang kuno harus dihentikan
Bertanya untuk mengetahui bahwa keputusan dihasilkan dari proses analitik
Menghubungkan insentif dan kompensasi atas perilaku yang diharapkan tersebut

5. Infrastruktur data yang handal

Data warehouse memberikan infrastruktut data untuk analitik. Infrastruktur ini terus berubah dan
ditingkatkan dalam era Big Data dengan teknologi-teknologi baru. Kesuksesan perlu mengawinkan
antara infrastruktur yang lama dengan yang baru secara holistik sehingga mampu berjalan dengan
sinergis.

Karena kompleksitas dan ukuran akan selalu meningkat, kebutuhan untuk sistem-sistem analitik yang
lebih efisien juga akan meningkat. Supaya tetap selaras dengan kebutuhan komputasi Big Data,
sejumlah teknik-teknik dan platform yang baru dan inovatif sudah dikembangkan. Teknik-teknik ini
secara kolektif disebut dengan ‘high-performance computing’, antara lain meliputi”
In-memory analytics. Teknik ini akan memecahkan problem-problem yang kompleks secara real-time
dengan insight yang sangat akurat dengan menggunakan komputasi analitik dan Big Data untuk
diproses secara ‘in-memory’ dan di distribusikan lintas node secara dedicated.
In-database analytics. Teknik ini akan mempercepat waktu untuk mendapatkan insight dan
mendorong tata kelola data yang lebih baik dengan melakukan integrasi data dan fungsi-fungsi
analitik di dalam database sehingga kita tidak harus memindahkan datau mengkonversi data berulang-
ulang.
Grid computing. Teknik ini akan meningkatkan efisiensi, biaya yang rendah, dan kinerja yang lebih
baik dengan memproses job dalam sekumpulan sumber data IT yang dipakai bersama oleh beberapa
proses komputasi dan dikelola secara sentral.
Appliances. Ini akan membawa hardware dan software secara bersamaan dalam unit fisikal yang tidak
hanya cepat tetapi juga scalable berdasarkan kebutuhan.
Kebutuhan komputasi hanyalah sebagian kecil dari daftar tantangan dalam Big Data bagi perusahaan
saat ini. Berikut adalah daftar tantangan yang ditemui para eksekutif bisnis untuk mendapatkan impact
yang signifikan pada implementasi bisnis dari Big Data analytics. Ketika mempertimbangkan
arsitektur dan project-project Big Data, menyadari tantangan-tantangan ini akan membuat perjalanan
dalam menempuh kompetensi Big Data menjadi tidak terlalu stress.
Volume data. Ini adalah tantanga tentang kemampuan dalam menangkap, menyimpan, dan
memproses volume data yang sangat besar dengan kecepatan yang bisa diterima sehingga informasi
terbaru bisa tersedia bagi para pengambil keputusan ketika mereka memerlukannya.
Integrasi data. Ini adalah tantangan tentang kemampuan mengkombinasikan data yang memiliki
struktur yang berbeda atau sumber yang berbeda dan melakukannya dengan sangat cepat dengan
biaya yang masuk akal.
Kemampuan memproses. Ini adalah tentang kemampuan memproses data secara cepat saat itu juga
ketika data ditangkap. Cara tradisional dalam mengumpulkan dan memproses data mungkin tidak
akan berhasil. Dalam berbagai situasi data perlu dianalisa secepat mungkin setelah data ditangkap
untuk meningkatkan nilai/manfaatnya. (Ini disebut dengan ‘stream analytics’).
Tata kelola data. Ini adalah tentang kemampuan untuk mengikuti/selaras dengan isu-isu terkait
keamanan, privasi, kepemilikan, dan kualitas dari Big Data. Karena volume, variety (format dan
sumbernya), dan velocity dari data terus berubah, demikian juga dengan praktik-praktik tata
kelolanya.
Ketersediaan skill. Big Data sedang digunakan dengan berbagai macam tool baru dan dilihat dengan
berbagai macam cara. Ada kekurangan orang (seringkali disebut dengan ‘data scientists’) dengan skill
yang bisa melakukan pekerjaan ini.
Biaya solusi. Karena Big Data telah membuka mata dunia tentang potensi peningkatan bisnis, suatu
eksperimentasi dan penemuan yang hebat sedang berlangsung untuk menentukan pola-pola yang
menjadi perhatian dan insight yang berubah menjadi suatu nilai. Karena itu untuk memastikan ROI
dalam project Big Data, sangatlah penting untuk mengurangi biaya yang telah digunakan untuk
mendapatkan nilai tersebut.
Meskipun tantangan-tantangan tersebut sangat nyata, begitu pula dengan ‘value proposition’ dari Big
Data analytics. Apapun yang bisa kita lakukan sebagai ahli dalam ‘business analytics’ untuk
membantu membuktikan nilai dari berbagai macam sumber data yang baru kepada para pemimpin
bisnis akan menggerakkan organisasi kita melebihi sekedar eksperimentasi dan mengekplor Big Data
menjadi mengadopsi dan menganutnya sebagai suatu ‘pembeda’. Tidak ada yang salah dengan
eksplorasi, tetapi pada akhirnya nilai/manfaat akan muncul dengan mengubah insight-insight tersebut
menjadi suatu tindakan.

3. Terapkan pendekatan Siklus IMPACT, untuk menganalisis petunjuk (insight) dalam memberikan
solusi yang akurat pada persoalan atau peluang bisnis yang perlu dilakukan oleh
perusahaan/organisasi, di masa New Normal?
a) Identifikasi permasalahannya
b) Bagaimana penyediaan dan penyiapan data
c) Apakah model ekstrak data yang akan diterapkan
d) Apakah bentuk petunjuk (insight/actionable information) yang dihasilkan
e) Bagaimana mengkomunikasikan hasil dan mengevaluasi implementasinya

a) mengidentifikasi permasalahannya

 pada saat krisis harus dilakukan estimasi, mengukur kerusakan dan biaya, dari segi
sumber daya manusia. jumlah dan jenis karyawan (berapa banyak dan siapa) yang
dibutuhkan, untuk tujuan pemulihan sistem. ·
 Acting for Employees: Anggota SDM harus mengembangkan sistem dan metode, yang
akan memastikan kontrol dan ketersediaan informasi secara langsung, tentang keamanan
karyawan. Hal ini untuk mengamankan dan mendapatkan apa pun yang diperlukan untuk
memenuhi kebutuhan fsik utama karyawannya ·
 Decision Making Under Pressure: Selama tahap ini, peristiwa yang mengancam biasanya
mengarah pada arus emosi egative seperti ketakutan dan kecemasan ·
 Ensuring Required Communication: Sangat penting bagi karyawan yang tetap tinggal di
tempat kerja mereka, untuk memiliki kemampuan untuk segera menghubungi keluarga
mereka terutama dengan adanya pandemi Covid-19 ini. ·
 Supporting & Overcoming Fear: HRM harus menjaga hubungan langsung dengan moral
karyawan, selama dan setelah krisis. Kebanyakan krisis tidak pernah berakhir segera.
Konsekuensi jangka panjang termasuk ketidakpastian, ketakutan, drama, kemarahan dan
depresi. ·
 Providing Sentimental Support : Dukungan dan persiapan sentimental dan emosional,
mengingat kemungkinan krisis dapat terdiri dari faktor yang paling sulit dan paling krusial.
Segala bentuk penyangkalan atas situasi nyata dan aktual harus dihilangkan dan dihadapi
langsung

b) Penyediaan dan penyiapan data

Banyak perusahaan yang telah terpuruk akibat pandemi Covid-19, dan membangkitkan kejayaan
kembali di era pasca pandemi ini tidak semudah membalikan telapak tangan. Pandemi Covid-19
telah merubah lingkungan bisnis dan memasuki lingkungan baru ini secara konvensional akan
menghadapi risiko ketidakpastian yang tinggi. Butuh keberanian untuk mengambil risiko, lebih
proaktif dan lebih inovatif. Ini termasuk dalam berbagai aktivitas pemasaran. Setiap perusahaan
yang ingin memasuki lingkungan baru pasca pandemi Covid-19 harus lebih inovatif, proaktif dan
berani mengambil risiko dalam proses marketing, mulai dari pengembangan produk baru, market
entry, manajemen harga, saluran, komunikasi pemasaran, penjualan dan customers care. Sumber-
sumber informasi yang diperlukan untuk menghadapi era baru tersebut dapat diupayakan sekarang
ini, yakni dengan secara agresif melakukan riset pasar. Saat ini kita akan lebih mudah melakukan
riset pasar, karena informasi pasar sangat dengan mudah diperoleh melalui internet dan media
sosial. Semoga pandemi Covid-19 ini akan menjadi sumber pembelajaran untuk menyiapkan bisnis
yang lebih baik di lingkungan baru pasca pandemi. Penyediaan dan penyiapan data di masa new
normal yaitu :

1. Literasi data untuk membaca, menganalisis serta menggunakannya pada era digital –
2. Literasi Teknologi untuk penyiapan mesin, aplikasi serta teknologi (Internet dan kecerdasan
buatan –
3. Literasi Manusia untuk penempatan manusia sesuai fungsinya pada era digital.
4. Pengembangan E-Government mencakup gambaran mengenai basis data. –
5. Transformasi pelayanan yang dilakukan dari tatap muka menjadi layanan berbasis online
(daring)

6. Pembelajaran Mesin. Pembelajaran mesin, subset khusus AI yang melatih

mesin cara belajar, memungkinkan untuk secara cepat dan otomatis
menghasilkan model yang dapat menganalisis data yang lebih besar dan
lebih kompleks, serta memberikan hasil yang lebih cepat, lebih akurat –
bahkan dalam skala yang sangat besar. Dan dengan membangun model
yang tepat, organisasi memiliki peluang yang lebih baik untuk
mengidentifikasi peluang yang menguntungkan – atau menghindari risiko
yang tidak diketahui.
7. Manajemen data. Data harus berkualitas tinggi dan diatur dengan baik
sebelum dapat dianalisis dengan andal. Dengan data yang terus-menerus
mengalir masuk dan keluar dari suatu organisasi, penting untuk menetapkan
proses berulang guna membangun dan mempertahankan standar kualitas
data. Setelah data dapat diandalkan, organisasi harus membuat program
manajemen data master yang membuat seluruh perusahaan pada halaman
yang sama.
8. Penambangan data. Teknologi penambangan data membantu Anda
memeriksa sejumlah besar data untuk menemukan pola dalam data – dan
informasi ini dapat digunakan untuk analisis lebih lanjut guna membantu
menjawab pertanyaan bisnis yang kompleks. Dengan perangkat lunak
penambangan data, Anda dapat menyaring semua kebisingan data yang
kacau dan berulang-ulang, menentukan apa yang relevan, menggunakan
informasi itu untuk menilai kemungkinan hasil, dan kemudian mempercepat
laju pengambilan keputusan berdasarkan informasi.
9. Hadoop. Kerangka kerja perangkat lunak open source ini dapat menyimpan
sejumlah besar data dan menjalankan aplikasi pada kelompok perangkat
keras komoditas. Hal ini telah menjadi teknologi utama untuk melakukan
 bisnis karena peningkatan volume dan varietas data yang konstan, dan model
komputasi terdistribusi dapat memproses big data dengan cepat. Manfaat
tambahan adalah bahwa kerangka kerja open source Hadoop adalah gratis
dan menggunakan perangkat keras komoditas untuk menyimpan data dalam
jumlah besar.
10. Analitik in-memory. Dengan menganalisis data dari memori sistem (bukan
dari hard disk drive Anda), Anda dapat memperoleh wawasan langsung dari
data Anda dan menindaklanjutinya dengan cepat. Teknologi ini dapat
menghapus latensi persiapan data dan pemrosesan analitik untuk menguji
skenario baru dan menciptakan model; ini bukan hanya cara mudah bagi
organisasi untuk tetap gesit dan membuat keputusan bisnis yang lebih baik,
tetapi juga memungkinkannya untuk menjalankan skenario analitik iteratif dan
interaktif.
11. Analitik prediktif. Teknologi analitik prediktif menggunakan data, algoritme
statistik, dan teknik pembelajaran mesin untuk mengidentifikasi kemungkinan
hasil di masa mendatang berdasarkan data historis. Ini semua tentang
memberikan penilaian terbaik tentang apa yang akan terjadi di masa depan,
sehingga organisasi dapat merasa lebih percaya diri bahwa mereka
mengambil keputusan bisnis sebaik mungkin. Beberapa aplikasi analitik
prediktif yang paling umum termasuk deteksi penipuan, risiko, operasi, dan
pemasaran.
12. Penambangan teks. Dengan teknologi penambangan teks, Anda dapat
menganalisis data teks dari web, bidang komentar, buku, dan sumber
berbasis teks lainnya untuk mengungkap wawasan yang belum Anda
perhatikan sebelumnya. Penambangan teks menggunakan pembelajaran
mesin atau teknologi pemrosesan bahasa alamiah untuk mengombinasikan
dokumen – email, blog, umpan Twitter, survei, kecerdasan kompetitif, dan
lainnya – untuk membantu Anda menganalisis informasi dalam jumlah besar
dan menemukan hubungan topik dan istilah yang baru.

c) model ekstra data yang akan diterapkan

Menggunakan model AI-Vision atau computer vision adalah bagian dari artificial
intelligence yang melatih komputer untuk melakan interpretasi, menafsirkan atau
memahami hal-hal yang terkait visual atau penglihatan manusia. “Komputer visual ini
menggunakan gambar yang didapatkan dari kamera digital atau video, dari model berbasis
deep learning, yang dapat mengidentifikasi dan mengklarifikasi objek. Jadi tujuan utama
dari AI-Vision ini adalah mengotomatisasi tugas-tugas manusia secara visual. ada tiga
langkah dasar yang selalu ada pada komputer vision. Pertama yaitu acquiring image
(koleksi gambar), processing the image (memproses gambar), dan understanding the
image (memahami/menginterpretasi gambar). “Salah satu hal yang memungkinkan untuk
dimanfaatkan komputer vision adalah monitor perilaku masyarakat baik di indoor maupun
di outdoor. Seperti apakah masyarakat memakai masker atau tidak, berkerumun atau
tidak, berjaga jarak atau tidak di tengah kondisi pandemi seperti sekarang ini. Ai komputer
bisa juga untuk mengukur temperatur secara otomatis, kesehatan, atau bahkan bisa
melakukan monitoring kepadatan lalu lintas, estimasi usia, dan lain-lain.

Pusat Riset AI ITB sendiri telah melakukan proses monitoring masyarakat menggunakan
AI-Vision yang bekerja sama dengan Prosa AI. Model yang pertama adalah Vehicle
Classification and Counting (VCC), yang digabungkan dengan Lisence Plate Recognition
(LPR) dan Illegal Parking (LP). Pemanfaatannya dapat dilakukan di dalam ruangan,
maupun di luar ruangan. Sebagai contoh, adalah untuk memonitor lahan parkir yang
dikaitkan dengan jumlah pengunjung di pusat perbelanjaan. “Pemanfaatan di Indoor itu
bisa dilakukan misalnya untuk pengaturan jumlah kendaraan yang masuk ke SPBU, kita
bisa melihat apakah kendaraan tersebut menggunakan bahan bakar sesuai
peruntukkannya atau tidak, memakai bahan bakar bersubsidi atau tidak.