PAPER

BIG DATA ANALYTICS:

OPPORTUNITY OR THREATS FOR
THE ACCOUNTING PROFESSIONS

Disusun oleh:

Kelompok 4:
1. Raja Marciano
2. Rivan AndiGhifary
3. Rizka Amalya Umayaksa
4. Robby Saputra
5. Septian Ventiarso

PROGRAM MAGISTER AKUNTANSI

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS TRISAKTI
2022
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Informasi memiliki peranan yang sangat besar dalam suatu proses

pengambilan keputusan. Ketiadaan informasi yang andal dapat
mengakibatkan timbulnya kesalahan dalam proses pengambilan keputusan.
Untuk menghasilkan informasi yang andal diperlukan adanya data yang
akurat, karena tanpa data yang akurat informasi yang dihasilkan akan
berkurang keandalannya. Pengertian data menurut Oxford Language adalah
“facts and statistics collected together for reference or analysis” sedangkan
pengertian informasi adalah “facts provided or learned about something or
someone”. Dari pengertian tersebut dapat kita simpulkan bahwa
keberadaan data sebagai fakta-fakta yang bersifat individu, menunjang
terbentuknya informasi tentang sesuatu hal. Keberadaan data secara
individu tidak dapat dijadikan sebagai dasar untuk pengambilan keputusan,
namun jika data tersebut telah diorganisasikan dan melalui proses analisa
maka dapat menjadi informasi yang berguna dalam pengambilan
keputusan.

Perkembangan teknologi yang pesat memicu penggunaan teknologi

dalam setiap aspek kehidupan. Era digital mempermudah manusia untuk
menyimpan data dan memprosesnya untuk berbagai kepentingan. Kondisi
ini memicu pesatnya pertumbuhan jumlah dan jenis data sehingga
memunculkan istilah Big Data. Big data menjadi salah satu topik
perbincangan diberbagai kalangan diantaranya pemerintahan, pendidikan,
teknologi, keuangan dan sektor lainnya. Big data adalah sekumpulan data
yang berukuran sangat besar dan kompleks, sehingga tidak memungkinkan
untuk diproses menggunakan perangkat pengelola database konvensional
atau aplikasi pemroses data lainnya.
Salah satu peran penting big data yaitu pada sektor keuangan.
Hadirnya pandemi covid-19 menyebabkan angka pengguna internet di
Indonesia meningkat drastis akibat adanya perubahan aktivitas secara
langsung menjadi virtual sehingga mendorong dan mengharuskan adanya
transformasi digital. Saat ini, mayoritas bank, layanan keuangan, dan

2
 asuransi bekerja keras untuk mengembangkan pendekatan berbasis data
sepenuhnya untuk menumbuhkan bisnis mereka dan memperbaiki
pelayanan yang diberikan kepada konsumen.

Meningkatnya jumlah konsumen tentu berpengaruh terhadap

tingkat layanan yang ditawarkan oleh perusahaan. Untuk dapat melihat
pandangan mengenai konsumen secara keseluruhan, perusahaan perlu
pusat data sentral yang terdiri dari kombinasi seluruh interaksi konsumen
dengan perusahaan termasuk data pribadi, riwayat transaksi, dan
pelayanan.

1.2 Rumusan Masalah

Berdasarkan uraian diatas, Penulis tertarik untuk mengangkat

pembahasan yang dirumuskan sebagai berikut.
a. Bagaimana perkembangan teknologi big data?

b. Bagaimana penggunaan big data pada sektor keuangan?

c. Bagaimana tantangan penggunaan big data pada sektor keuangan di

Indonesia?

1.4 Tujuan dan Manfaat

Berdasarkan pembahasan latar belakang, maka tujuan penulisan ini

untuk mengetahui perkembangan teknologi big data dan penggunaan serta
tantangan big data pada sektor keuangan di Indonesia.

1.5 Metodologi Penulisan

Metode yang digunakan terdiri dari beberapa bagian yaitu:

a. Studi Pustaka

3
 Metode pengumpulan informasi melalui artikel, jurnal, media internet
dan buku -buku referensi yang dapat digunakan sebagai sumber
penyusunan penulisan.
b. Metode Analisis

Metode Analisis yang digunakan yaitu menganalisis dan mereviu

perkembangan big data di Indonesia.

4
1.6 Sistematika Penulisan

Dalam rangka memberikan informasi yang menyeluruh dari

makalah ini, sistematika penulisan dibagi ke dalam 4 (empat) bab sebagai
berikut
BAB I PENDAHULUAN

Menguraikan secara singkat mengenai latar belakang,

permasalahan, tujuan penulisan makalah, dan sistematika.
BAB II LANDASAN TEORI

Memuat teori-teori dan peraturan yang relevan dengan topik

yang akan dibahas sebagai kerangka acuan dalam pembahasan
masalah secara ringkas dan jelas.
BAB III PEMBAHASAN

Membahas mengenai perkembangan teknologi big data,

peluang dan tantangan bagi profesi akuntan.
BAB IV KESIMPULAN DAN SARAN

Menyajikan simpulan dan saran yang dapat disampaikan sesuai

permasalahan yang menjadi pokok bahasan dalam makalah ini.

5
 BAB II LANDASAN TEORI

2.1 Gambaran Umum Big Data

Beberapa elemen penting dalam big data diantaranya

(Riyandani,2016):

a. Data (facts, a description of the world)

b. Information (Captured Data and Knowledge) : Merekam atau

mengambil data dan Knowledge pada satu waktu tertentu (at a single
point);
c. Knowledge (Our personal map/model of the world) : apa yang kita
ketahui.

2.2 Definisi Big Data

Definisi Big Data menurut Gartner (2012),“Big data is high

volume, high velocity, and/or high variety of information assets that
demand cost- effective, innovative forms of information processing that
enable enhanced insight, decision making, and process automation”.
Sedangkan menurut Dumbill, Big Data adalah data yang melebihi
kapasitas pemrosesan dari sistem database konvensional. Data tersebut
terlalu besar, terlalu cepat, atau tidak kompatibel dengan struktur arsitektur
database yang ada, sehingga tidak dapat diproses dengan cara biasa dan
harus menggunakan alat atau metode pemrosesan yang baru.
Dari definisi para ahli tersebut, dapat dijabarkan bahwa Big Data

memiliki beberapa karakteristik dasar yaitu:

a. Volume

Volume terkait dengan seberapa banyak data yang bisa diolah. Pada
tahun 2008, peneliti dari Universitas San Diego mengestimasikan
jumlah data yang diproses oleh seluruh server yang ada di dunia.
Menurut mereka, sekitar 27 juta server yang ada di dunia telah

6
 memproses data sebanyak 95,7 Zettabytes atau setara dengan 10 juta
juta Gigabytes. Jumlah ini akan meningkat sebanyak dua kali lipat
dalam waktu dua tahun.
b. Variety

7
 Variety terkait dengan apakah data tersebut memiliki berapa banyak
variasi data dari sumber yang berbeda, dan apakah merupakan data
terstruktur atau data tidak terstruktur. Data terstruktur adalah data yang
memiliki format yang seragam dan dapat diakses serta diproses
berulang kali (repeated access and process). Sedangkan Data Tidak
Terstruktur adalah data yang memiliki bentuk dan struktur yang
berbeda satu sama lain. Analisis terhadap Data Tidak Terstruktur
memerlukan waktu yang lebih lama dibandingkan dengan Data
Terstruktur. Namun, bisa jadi timbul informasi baru yang tidak
diperoleh dari Data Terstruktur;
c. Velocity

Velocity terkait dengan kecepatan pemrosesan data yang harus

mengimbangi pesatnya pertumbuhan data. Kecepatan pemrosesan
berpengaruh terhadap kualitas output/informasi yang dihasilkan, yang
pada akhirnya mempengaruhi efektivitas atas keputusan yang diambil.

2.3 Jenis - Jenis Big Data

Menurut buku Big Data Analytics In Accounting and Auditing

(2019), terdapat 3 (tiga) jenis Big Data yaitu:

a. Structured / terstruktur

Merupakan data yang dapat disimpan, diakses dan diproses dengan

format yang tetap dan terorganisir. Data terstruktur pada umumnya data
dalam format excel atau spreadsheet, antara lain data penjualan,
pembelian, gaji.
b. Unstructured / tidak terstruktur

Merupakan data yang formatnya tidak terstruktur atau tidak memiliki

format yang jelas, sehingga sangat sulit untuk diproses. Data dapat
berasal dari beberapa sumber dan memiliki kombinasi seperti tulisan,
gambar, suara dan video. Contoh data tidak terstruktur yaitu komentar
dan like pada media sosial juga data keluhan pelanggan dan email.
c. Semi Structured / semi terstruktur,

Dimana berisi data yang terstruktur dan tidak dan sulit dibedakan mana
yang terstruktur dan mana yang tidak, contohnya file xml dan csv
8
 BAB III PEMBAHASAN

3.1 Perkembangan Teknologi Big Data

Perkembangan teknologi Big Data tidak bisa dilepaskan dari

teknologi atau konsep open source. Istilah Big Data terus bergaung seiring
dengan pesatnya perkembangan teknologi open source yang
mendukungnya. Banyak perusahaan besar mengkontribusikan teknologi
Big Data yang mereka buat dan mereka gunakan ke komunitas open
source. Hal inilah yang kemudian menjadi salah satu pendorong utama
berkembangnya big data.
Ada banyak sekali teknologi open source yang populer dalam
ekosistem

Big Data, berikut ini beberapa di antaranya:

a. Apache Hadoop

Apache Hadoop adalah sebuah framework yang memungkinkan untuk

melakukan penyimpanan dan pemrosesan data yang besar secara
terdistribusi dalam klaster komputer menggunakan model
pemrograman sederhana. Hadoop terinspirasi dari teknologi yang
dimiliki oleh Google seperti Google File System dan Google
Map Reduce. Hadoop menawarkan 3 hal utama yaitu:
1. Sistem penyimpanan terdistribusi Hadoop memiliki sebuah file
sistem yang dinamakan Hadoop Distributed File System atau lebih
dikenal dengan HDFS. HDFS merupakan sistem penyimpanan file
atau data terdistribusi dalam klaster Hadoop. HDFS terinspirasi dari
Google File System.
2. Framework pemrosesan data secara paralel dan terdistribusi.

MapReduce adalah model pemrograman untuk melakukan

pemrosesan data besar secara terdistribusi dalam klaster Hadoop.
MapReduce bekerja dan mengolah data-data yang berada dalam
HDFS.
3. Resource management terdistribusi. YARN merupakan tools yang
menangani resource management dan penjadwalan proses dalam
klaster Hadoop. YARN mulai diperkenalkan pada Hadoop 2.0.

9
 YARN memisahkan antara layer penyimpanan (HDFS) dan layer
pemrosesan (MapReduce).Pada awalnya Hadoop hanya mensupport
MapReduce sebagai satu-satunya framework komputasi paralel
yang dapat bekerja diatas klaster Hadoop.YARN memungkinkan
banyak framework komputasi paralel lain,
seperti Spark, Tez, Storm, dsb, untuk bekerja diatas
klaster Hadoop dan mengakses data-data dalam HDFS.
b. Apache Hive

Apache Hive adalah sebuah framework SQL yang berjalan di atas

Hadoop. Hive mendukung Bahasa pemrograman SQL yang
memudahkan untuk melakukan query dan analisis data berukuran besar
di atas Hadoop. Selain Hadoop, Hive juga dapat digunakan di atas
sistem file terdistribusi lain seperti Amazon AWS3 dan Alluxio.
Dukungan Hive terhadap SQL ini sangat membantu portabilitas
aplikasi berbasis SQL ke Hadoop, terutama sebagian besar aplikasi data
warehouse yang membutuhkan sistem penyimpanan maupun komputasi
yang besar. Pada awalnya Hive dikembangkan oleh Facebook untuk
digunakan sebagai sistem data warehouse mereka. Setelah
disumbangkan ke komunitas open source, Hive berkembang dengan
pesat dan banyak diadopsi serta dikembangkan oleh perusahaan besar
lainnya seperti Netflix dan Amazon. Pada dasarnya Hive hanya sebuah
layer untuk menerjemahkan perintah-perintah SQL ke dalam
framework komputasi terdistribusi. Hive dapat bekerja menggunakan
berbagai framework yang berjalan diatas Hadoop, seperti MapReduce,
Tez atau Spark.
c. Apache Spark

Apache Spark merupakan framework komputasi terdistribusi yang

dibangun untuk pemrosesan big data dengan kecepatan tinggi.
Apache spark memiliki algoritma yang berbeda dengan MapReduce,
tetapi dapat berjalan diatas Hadoop melalui YARN. Spark
menyediakan API dalam Scala, Java, Python, dan SQL, serta dapat
digunakan untuk menjalankan berbagai jenis proses secara efisien,
termasuk proses ETL,

10
 data streaming, machine learning, komputasi graph, dan SQL.Selain
HDFS, Spark juga dapat digunakan di atas file system lain
seperti Cassandra, Amazon AWS3, dan penyimpanan awan yang lain.
Fitur utama Spark adalah komputasi cluster dalam memori.

Penggunaan memori ini dapat meningkatkan kecepatan pemrosesan

aplikasi secara drastis. Untuk kasus tertentu, kecepatan
pemrosesan Spark bahkan dapat mencapai 100 kali dibanding
pemrosesan menggunakan disk seperti MapReduce. Jika MapReduce
lebih sesuai digunakan untuk pemrosesan batch dengan dataset yang
sangat besar, maka Spark sangat sesuai untuk pemrosesan iteratif dan
live-streaming, sehingga Spark banyak dimanfaatkan untuk machine
learning. Spark adalah salah satu sub project Hadoop yang
dikembangkan pada tahun 2009 di AMPLab UC Berkeley. Sejak tahun
2009, lebih dari 1200 developer telah berkontribusi pada project

Apache Spark.

Selain 3 teknologi tersebut, sebenarnya masih sangat banyak teknologi

dan framework big data lainnya yang bersifat open source
seperti HBase, Cassandra, Presto, Storm, Flink,
NiFi, Sqoop, Flume, Kafka dan lain sebagainya.

Big Data Pipeline

Untuk dapat memberikan nilai yang bermanfaat, data harus melalui

berbagai tahapan pemrosesan terlebih dahulu. Mulai dari
pencatatan/pembuatan, pengumpulan, penyimpanan, pengayaan, analisis
dan pemrosesan lebih lanjut, hingga penyajian. Rangkaian proses data ini
biasa disebut dengan Data Pipeline. Secara garis besar Big Data Pipeline
dapat dibagi menjadi 3, yaitu :
a. Data Engineering: tercakup di dalamnya data collection, ingestion,
cleansing, transformation dan enrichment.
b. Data Analytics / Machine Learning: mencakup feature engineering dan
komputasi.

11
c. Data Delivery: penyajian data, termasuk penerapan model dalam
aplikasi atau sistem, visualisasi, dan lain sebagainya.

Big Data Analytics

Saat ini jika kita berbicara mengenai big data, maka biasanya yang
dimaksud adalah big data analytics. Hal ini cukup wajar, karena ketika
sebuah proyek big data dimulai, tentu saja hasil akhir yang diharapkan
adalah mendapatkan insight yang bermanfaat, yang dapat membantu
pengambilan keputusan.
Data Analytics sendiri adalah serangkaian proses untuk menggali
informasi atau insight dari kumpulan data. Informasi tersebut dapat berupa
pola, korelasi, trend, dan lain sebagainya. Data analytics seringkali
melibatkan teknik dan algoritma pengolahan data yang cukup kompleks
seperti data mining maupun perhitungan statistik.
Dalam Big Data Analytics, tingkat kesulitannya semakin besar
karena data yang diproses diperoleh dari berbagai sumber dengan bentuk
dan jenis yang berbeda-beda, dan ukuran serta kecepatan yang besar pula.
Oleh karena itu Big Data Analytics banyak menggunakan teknik dan
algoritma yang lebih advance seperti predictive model dan machine
learning untuk melihat trend, pola, korelasi dan insight lainnya.
Secara umum big data analytics terbagi 4 kategori yaitu:

a. Descriptive Analytics

Analisis ini digunakan untuk menjawab pertanyaan mengenai apa yang

sedang terjadi. Hampir semua organisasi telah mengimplementasikan
analisis jenis ini.
b. Diagnostic Analytics

Setelah mengetahui apa yang terjadi, biasanya pertanyaan berikutnya

adalah mengapa bisa terjadi. Analisa jenis ini menggunakan drill-down
data untuk mencari alasan lebih mendalam mengenai apa yang sedang
terjadi.

12
 c. Predictive Analytics

Analisis prediktif memberikan prediksi mengenai apa yang akan terjadi

berdasarkan data-data yang ada. Analisa jenis ini menggunakan teknik
dan algoritma machine learning dan artificial intelligence untuk
menghasilkan model prediksi berdasarkan data-data historis.
d. Prescriptive Analytics

Memanfaatkan analisis deskriptif dan prediktif, analisis jenis ini

memberikan insight untuk dapat memperoleh hasil yang sesuai dengan
apa yang telah diprediksikan.

3.2 Penggunaan Big Data

3.2.1 Big Data untuk Telekomunikasi

Telekomunikasi merupakan salah satu sektor yang mau tidak mau

harus berurusan dengan big data. Terlebih lagi saat ini layanan
telekomunikasi bisa dibilang adalah jantung dari dunia digital kita. Jika
data sering disebut sebagai ‘the new oil’, maka penyedia layanan
telekomunikasi seperti memiliki sebuah tambang minyak yang
sangat produktif. Ada banyak sekali sumber data yang ada dalam sebuah
perusahaan telekomunikasi. Sebut saja data operasional jaringan, data
transaksi percakapan, data koneksi internet, data pelanggan, dan data
produk. Jika semua data-data tersebut dapat diintegrasikan dengan baik,
maka akan dapat memberikan insight yang dapat digunakan untuk
optimalisasi jaringan, meningkatkan pelayanan, pembuatan produk dan
program promosi, serta meningkatkan loyalitas pelanggan.

3.2.2 Big Data untuk Kesehatan

Data dalam bidang kesehatan adalah salah satu contoh big data
karena volume, kompleksitas, keragaman serta tuntutan ketepatan
waktunya. Disamping itu layanan kesehatan juga melibatkan banyak sekali
pihak, diantaranya yaitu berbagai rumah sakit, lab, klinik, dan asuransi
kesehatan. Oleh karena itu bidang kesehatan termasuk sektor yang
memiliki tantangan besar di bidang big data.

13
 Integrasi data, akurasi data dan kecepatan perolehan data
merupakan hal yang sangat penting dalam bidang kesehatan, karena hal ini
menyangkut keselamatan pasien. Tidak hanya itu, jumlah tenaga medis dan
rumah sakit pun masih sangat kurang dibanding dengan potensi pasien,
terlebih di masa pandemi seperti saat ini. Insight yang diperoleh melalui
big data dapat digunakan untuk membantu mengatasi permasalahan
tersebut, diantaranya yaitu untuk penegakan diagnosa yang lebih akurat,
personalisasi obat- obatan, peningkatan pelayanan rumah sakit hingga
optimalisasi operasional rumah sakit.

3.2.3 Penggunaan Big Data pada Sektor Keuangan

Penggunaan Big Data pada sektor keuangan antara lain seperti pada
Perusahaan Perbankan, Perusahaan Asuransi dan Perusahaan perkreditan
bahkan oleh regulator. Pada sektor keuangan, Big Data dimanfaatkan
untuk: a. Meningkatkan pendapatan
Bank dan Lembaga keuangan mendesain produk, mengidentifikasi
pelanggan dan menetapkan target area dengan menganalisa data yang
dikumpulkan untuk meningkatkan pendapatan mereka.
b. Meningkatkan komitmen dan keandalan pelanggan

Bank dan Lembaga keuangan mengunakan data yang dikumpulkan

untuk memahami kebutuhan dan perilaku pengeluaran dan investasi
pelanggan.
c. Mengoptimalkan asset dan mitigasi resiko

Big data memberikan informasi terkait resiko, estimasi bunga yang bisa
dihasilkan dan konsii pasar sebelum mengambil keputusan akan
optimalisasi asset dan mitigasi resiko.
d. Pada bank komersial digunakan perbankan untuk menganalisa dan
memetakan data pelanggan sehingga dapat memberikan penawaran
atau promosi akan produk mereka antara lain pemberian diskon
pembelian makanan dengan menggunakan kartu kredit/kartu debit yang
diterbitkan bank tersebut.
e. Pada Bank Sentral dan Regulator, big data digunakan untuk membuat

forecast dan menetukan arah kebijakan ekonomi negara.

14
 f. Financial fraud dapat dicegah dengan menggunakan big data, dengan
big data mereka dapat menganalisa apabila terdapat transaksi yang
mencurigakan dengan menganalisa histori transaksi pelanggan
g. Selain itu, big data pada sektor keuangan juga digunakan pada

Perusahaan Fintech, Robo Advising.

3.3 Tantangan Penggunaan Big Data Pada Sektor Keuangan (Khususnya

Di Indonesia)

Penggunaan Big Data pada sektor keuangan memiliki banyak

keunggulan, tetapi juga beberapa tantangan yang harus dihadapi yaitu:
1. Kesadaran korporasi tentang pemanfaatan teknologi big data

Di Indonesia, secara umum adopsi teknologi big data masih di tahap

awal atau infancy. Dari sisi awarness atau kesadaran, perusahaan di
Indonesia terhadap teknologi tersebut sudah ada, namun kami melihat
implementasinya masih sangat rendah bila dibandingkan dengan
potensi pasar yang ada, terlebih melihat kebutuhan akan big data yang
terus meningkat.
2. Ketersediaan & Pertumbuhan Data

Tantangan yang pertama adalah berurusan dengan pertumbuhan data.

Tantangan ini menjadi yang paling jelas dan big data ini hanya akan
menyiapkan dan menganalisis semua informasi yang ada tersebut.
Jumlah informasi yang tersimpan di dalam dunia TI ini meningkat dua
kali lipat dalam dua tahun sekali. Sebagian besar data tersebut tidak
terstruktur artinya tidak ada di database. Data tersebut berupa
dokumen, foto, audio dan video dimana data ini menjadi sulit
dianalisis. Untuk bisa mengatasi pertumbuhan data, perusahaan bisa
beralih ke teknologi yang big data ini.
3. Kekurangan Tenaga Profesional

Tantangan dalam implementasi teknologi big data adalah kekurangan

tenaga profesional. Dengan peningkatan data eksponensial, permintaan
tenaga ahli analisis big data ini akan semakin besar. Penting juga bagi
perusahaan agar bisa mempekerjakan ahli data yang terampil dan juga

15
 memiliki kemampuan analisis data yang bagus, serta memiliki
kedisiplinan tinggi.
4. Keamanan Data

Di satu sisi dibutuhkan keterbukaan data, namun disisi lain privasi

merupakan isu yang sensitif dan sering tercidera melalui kemajuan
teknologi. Privasi berhubungan dengan data-data pribadi seseorang
yang harus dilindungi. Data-data yang digunakan sebagai big data,
yang diperoleh langsung dari konsumen, banyak yang merupakan data
pribadi dan sangat rawan untuk disalahgunakan oleh pihak lain.
Penggunaan data pribadi seseorang harus atas persetujuan yang
bersangkutan jika akan digunakan pihak lain. Oleh karena itu,
pemerintah saat ini sedang menyusun RUU tentang Perlindungan Data
dan Informasi Pribadi untuk melindungi data-data pribadi warga
negara. Penggunaan teknologi big data yang tidak bijak rawan akan isu
privasi data. Keamanan warga negara harus diperhatikan, dimana
tindakan kriminal yang mungkin muncul akibat terbukanya informasi
harus diantisipasi, terlebih yang berpengaruh terhadap kestabilan
negara. Sejauh ini, penerapan big data di Indonesia wajib tunduk pada
peraturan perundang-undangan yang telah mengatur perlindungan data
atau informasi dan pembatasan penggunaannya, di antaranya UU
Informasi dan Transaksi Elektronik, UU Keterbukaan Informasi Publik,
UU Perbankan, dan UU Perlindungan Konsumen. Ketika satu data saja
butuh keamanan yang terjamin, maka ketika ada pengintegrasian data
beberapa sumber, tingkat keamanannya pun harus semakin
ditingkatkan. Sebab, data yang tersimpan pun tidak sedikit, tetapi
terkait banyak hal. Jaminan keamanan ini akan menjadi tantangan pula
bagi Pemerintah dalam melindungi data warganya
5. Mahalnya Implementasi big data

Layaknya implementasi IT lainnya, adopsi big data juga memerlukan

biaya yang tidak sedikit. Untuk itu, perusahaan bisa
mempertimbangkan untuk melakukan perancangan arsitektur yang
terukur, dengan implementasi bertahap. Seiring dengan berjalannya
waktu, data yang

16
 dihasilkan perusahaan akan bertambah. Di sisi lain, media
penyimpanan pun memiliki siklus hidup (life cycle) tertentu, sehingga
akan menambah biaya perawatan dan penggantian.

3.4 Studi Kasus

3.4.1 Studi Kasus Sektor Perbankan

Lembaga keuangan dapat menggunakan analisis big data agar cepat

mengidentifikasi potensi penipuan sebelum menjadi besar efeknya,
sehingga meminimalkan risiko kerugian secara finansial. Sebagai contoh
penggunaan big data di PT Bank Rakyat Indonesia Tbk (BRI)
menggunakan big data analytics untuk mendeteksi penipuan. Big data
merupakan salah satu strategi BRI untuk bersaing dengan perusahaan
fintech yang sedang berkembang pesat di Indonesia. Data besar mengelola
risiko dengan lebih efektif. Pada Maret 2018, 33 nasabah BRI di Kediri,
Jawa Timur melaporkan uang di rekening tabungannya dirampok. Nilai
kerugian akibat pencurian rekening tersebut sebesar Rp15 juta. Pelaku
pencurian menggunakan skimming untuk mencuri data dari mesin
anjungan tunai mandiri (ATM) nasabah BRI. Perbankan adalah bisnis
kepercayaan, sehingga jika terjadi penipuan, reputasi bank akan ternodai
atau tercemar. Analisis data besar dapat memprediksi ini berdasarkan data
perilaku pelanggan. Oleh karena itu, jika ada transaksi yang di luar
kebiasaan nasabah, sistem BRI dapat mendeteksinya dengan cepat. BRI
juga menggunakan data untuk mendapatkan agen BRILINK. Analisis big
data membuat rekomendasi agar calon nasabah menjadi agen BRILINK.

17
3.4.2 Studi Kasus Non Perbankan (Netflix)

3.4.2.1 Cara Netflix Memanfaatkan big data

Ada banyak hal yang mempengaruhi kesuksesan netflix, mulai dari pilihan
film yang menarik, hingga platform yang ramah pengguna. Selain itu ada
satu faktor lagi yang berperan penting bagi pertumbuhan netflix, yaitu
rekomendasi film yang akurat. Ada 2 jenis sistem rekomendasi yang
digunakan:
a. Content based system yaitu rekomendasi yang dibuat berdasarkan film
yang ditonton oleh pengguna
b. Collaborative filtering system yaitu rekomendasi berdasarkan profil
user yang mirip. Jadi jika profil A dan profil B mirip, maka profil A
akan mendapatkan rekomendasi film yang sama dengan profil B

Netflix menggunakan sistem rekomendasi hybrid yaitu gabungan dari

kedua sistem diatas, dengan kata lain sistem ini dapat memberikan
rekomendasi yang lebih akurat dibandingkan kedua sistem pendahulunya.
Mereka masih menambahkan variabel yang dipertimbangkan dalam
algoritmanya

Faktor yang dipertimbangkan netflix untuk merekomendasikan filmnya

adalah :

• Film atau acara yang pernah kamu tonton

• Kapan kamu menonton filmnya

• Lokasi kamu menonton

• Perangkat yang kamu gunakan untuk menonton

• Seberapa lama kamu menonton filmnya

• Seberapa sering kamu menghentikan (pause) filmnya

• Film apa saja yang kamu tonton sampai selesai

18
• Apa saja adegan yang sering kamu ulang

• Kata kunci yang sering kamu ketik saat mencari tontonan

• Rating yang diberikan untuk film dari pengguna

Bisa terbayang berapa banyak data yang harus diolah oleh netflix untuk
merekomendasikan film yang akurat

19
3.4.2.2 Keuntungan yang didapat Netflix dari bigdata

Berdasarkan riset yang dilakukan netflix, penggunanya mengandalkan fitur

rekomendasi untuk menemukan tontonan yang mereka sukai. Alasannya
sederhana, pengguna tidak perlu susah mencari film melalui fitur
pencarian. Hanya dengan melihat bagian rekomendasi mereka bisa
menemukan film yang sesuai dengan selera mereka. Hasilnya jumlah
konsumen yang bertahan semakin meningkat (berdasarkan data netflix).
Berkat usaha gigih yang dilakukan netflix untuk meningkatkan
kenyamanan pengguna, kini mereka berhasil menjadi perusahaan media
yang sukses. Hal ini tidak lepas dari kecerdikan mereka dalam
memanfaatkan data

3.4.2.3 Pelajaran yang bisa diambil dari studi kasus netflix

Ada ledakan data hari ini, dan kebutuhan akan analitik telah tumbuh secara
eksponensial. Alat dan perangkat lunak sedang dikembangkan untuk
mendapatkan wawasan yang tepat dari data. Jika Anda ingin mengenal
pelanggan Anda lebih baik, temukan peluang pendapatan, dan masuki
pasar baru. Anda perlu memiliki mekanisme yang membantu Anda
mendapatkan wawasan yang lebih baik. Sebagai sebuah organisasi,
berinvestasi dalam analisis data akan memberi Anda empat manfaat
signifikan.
a. Pemahaman yang lebih dalam tentang pelanggan
b. Deteksi dini masalah dalam produk dan layanan
c. Mengidentifikasi strategi pemasaran yang lebih baik
d. Menemukan cara untuk mengurangi pengeluaran

20
 BAB IV PENUTUP

4.1 Kesimpulan

Big Data adalah himpunan data yang sangat besar dan kompleks
sehingga sulit diproses dengan menggunakan aplikasi yang masih
tradisional. Big data telah membawa kita ke dimensi baru dalam beberapa
industri salah satunya sektor keuangan, dimana agar tetap survive dalam
bisnis yang kompetitif, sehingga memerlukan penggunaan big data. Big
data bersama-sama dengan teknologi dapat memberikan informasi untuk
mengembangkan sektor keuangan sehingga dapat membantu dalam
pengambilan keputusan yang lebih baik dan memberikan keuntungan yang
kompetitif.

4.2 Saran

Penerapan big data seharusnya disesuaikan dengan kebutuhan

perusahaan sehingga dapat menghasilkan strategi yang solutif dan
implementatif.

21
 DAFTAR PUSTAKA

The Gartner IT Glossary: What is Big Data? Diakses 10 September 2022

O'Reilly Radar: What is Big Data? Diakses 10 September 2022

Media Informatika Vol. 16 No. 2 2017: Big Data dan Pemanfaatannya dalam

Berbagai Sektor. Diakses 10 September 2022

Forum Keuangan dan Bisnis V 2016: Penggunaan Big Data dalam Instansi di

Bawah Naungan Pemerintahan. Diakses 10 September 2022

Cholissodin, I., Riyandani, E., 2016, Analisis Big Data, Fakultas Ilmu Komputer,
Universitas Brawijaya, Malang

Idbiddata.com. Diakses 10 September 2022

The Institute of Cost Accountants of India Vol. 54 No 05. 2019. Big Data Analytics

In Accounting and Auditing

22