Kelompok 4 :
NIM: Nama:
(202270003) Kenya Prima Khaulika
(202270010) Cyrilla Afiona Pratiwi
(202270021) Sovia Azzahra
(202270024) Suci Ramadania
(202270028) Alifiah Alfait Siddiq
(202270043) James Putra Tjokro
(202270049) Lovely Teguh Wicaksono
ALAMAN COVER
Jurusan Akuntansi
Trisakti School of Management
Bekasi
2022
KATA PENGANTAR
Puji dan syukur kami panjatkan kepada Tuhan Yang Maha Esa, yang telah melimpahkan rahmat
serta hidayah-Nya hingga kami dapat menyelesaikan tugas projek Teknologi dan Sistem
Informasi dengan tema “Perkembangan Teknologi dan Sistem Informasi di Era Digital”. Kami
mengambil salah satu materi yang bersumber dari buku Introduction to Information Systems
dengan materi Chapter 5 yaitu “Data and Knowledge Management”.
Tidak lupa juga kami turut mengucapkan terima kasih kepada semua pihak yang telah turut
berpartisipasi dalam penyusunan makalah ini. Tentunya, kami tidak akan mampu menyusun
makalah ini dengan maksimal jika tanpa bantuan serta dukungan dari berbagai pihak.
Tujuan ditulisnya makalah ini untuk memenuhi tugas yang diberikan oleh Dosen Pengajar Mata
Kuliah Teknologi dan Sistem Informasi yakni Bu Dr. Julisar., SE., Ak, MM., CA., CertDA.
Makalah ini kami susun berdasarkan informasi yang kami dapat dari berbagai sumber di internet.
Sebagai penyusun, kami menyadari bahwa makalah yang kami susun ini masih terdapat banyak
kekurangan, baik dari penyusunan maupun tata Bahasa dalam penyampaian materi dalam
makalah ini. Oleh karena itu, kami dengan rendah hati dan lapang dada menerima saran maupun
kritik demi memperbaiki makalah kelompok kami.
Kami mempersembahkan makalah ini dengan penuh terima kasih dan kami berharap makalah ini
dapat memberi informasi yang bermanfaat bagi para pembaca.
Penulis
Halaman 2
DAFTAR ISI
KATA PENGANTAR...............................................................................................................................2
DAFTAR ISI..............................................................................................................................................3
BAB I..........................................................................................................................................................4
PENDAHULUAN..................................................................................................................................4
1.1. Latar Belakang...........................................................................................................................4
1.2. Rumusan Masalah...................................................................................................................4
1.3. Tujuan Penulisan......................................................................................................................5
BAB II........................................................................................................................................................6
LANDASAN TEORI.............................................................................................................................6
1. Pengertian Big Data:.....................................................................................................................6
2. Knowledge Management (Manajemen Pengetahuan) :............................................................10
BAB III.....................................................................................................................................................17
PEMBAHASAN...................................................................................................................................17
3.1. Managing Data..........................................................................................................................17
3.2. The Database Approach...........................................................................................................21
3.3. Big Data.....................................................................................................................................24
3.4. Data Warehouses and Data Marts...........................................................................................34
3.5. Knowledge Management..........................................................................................................39
3.6. Appendix : Fundamentals of Relational Database Operations.............................................43
BAB IV.....................................................................................................................................................52
PENUTUP............................................................................................................................................52
4.1 Kesimpulan................................................................................................................................52
4.2 Saran...........................................................................................................................................54
Daftar Referensi......................................................................................................................................55
Halaman 3
BAB I
PENDAHULUAN
Big Data adalah himpunan data yang sangat besar yang tidak mampu diolah oleh sistem
computer dan perangkat lunak konvensional. Tanpa adanya big data kita tidak mempunyai
identitas diri karena data sudah ada dari kita baru lahir sampsi kita besar sekarang,mulai dari
nama,data Pendidikan,data Kesehatan,dan lainnya yang digambarkan dalam bentuk satu
kotak. Di dalam big data ada yang Namanya big data specialist yang merupakan istilah yang
mencakup berbagai profesi yang berkaitan dengan data,seperti data scientist,data
engineer,data analyst,data architect,dan database administrator.
Big Data di era digital merupakan suatu pertumbuhan data berjalan dengan sangat cepat.
Hal ini disebabkan oleh beberapa faktor yang salah satunya adalah meningkatnya
penggunaan smartphone dan internet. Big Data juga berperan dalam meningkatnya
produktivitas serta efisiensi sumber daya manusia. Bagi pelaku bisnis dan perusahaan,dengan
adanya big data akan memudahkan mereka dalam mengelola serta menganalisa data yang
ada.
Knowledge Management atau yang biasa disebut Manajemen Pengetahuan yang artinya
memberikan nilai tambah bagi sebuah organisasi. Knowledge Management yaitu suatu
pendekatan yang digunakan oleh organisasi untuk mengumpulkan, menyimpan,
menganalisis, dan menggunakan pengetahuan guna membangun kekuatan dari
kompetitiornya,dan bertujuan dari penerapan knowledge management adalah untuk
meningkatkan efisiensi perusahaan dan mengembangkan pengetahuan yang telah dimilki
perusahaan tersebut.
Karena Knowledge Management mampu pengungkit untuk penciptaan
pengetahuan,improvement ataupun inovasi. Knowledge management yang dijalankan di
dalam organisasi adalah knowledge management yang memberikan nilai
tambah,menghasilkan competitive advantage atau keunggulan kompetitif bagi organisasi,dan
melalui proses-proses knowledge sharing. Knowledge Management itu penting karena
knowledge management perlu mencari tahu, bagaimana pengetahuan nenek moyang kita bisa
sampai ke generasi sekarang Knowledge Management juga penting di dalam suatu
perusahaan karena untuk mengambil keputusan di masa sekarang maupun di masa yang akan
mendatang.
1.2. Rumusan Masalah
Halaman 4
1.3. Tujuan Penulisan
1.3.1 Tujuan
1. Untuk mengetahui apa itu big data bagi perusahaan.
2. Untuk dapat menginformasikan mengenai kegunaan dan cara mengelola suatu Big
Data.
3. Menginfokan kepada pembaca tentang Knowledge management.
4. Menginformasikan mengenai cara penerapan atau kegunaan dari Knowledge
Management.
1.3.2 Manfaat
1. Bagi mahasiswa makalah ini sangat berguna untuk digunakan sebagai referensi
agar dapat memahami secara baik tentang materi knowladge Management ini.
2. Bagi pihak yang membutuhkan materi, ini dapat di jadikan referensi mengelola
seuatu perusahaan agar knowladge managementnya lebih baik
Halaman 5
BAB II
LANDASAN TEORI
Definisi dari big data juga dapat dibagi menjadi 3 bagian, yang biasa disebut dengan 3V :
1. Volume : Ukuran data yang dimiliki oleh big data memiliki kapasitas yang besar. Anda dapat
mencoba melakukan proses data dengan ukuran yang besar untuk dijalankan.
2. Velocity : Kecepatan transfer data juga sangat berpengaruh dalam proses pengiriman data
dengan efektif dan stabil. Big data memiliki kecepatan yang memungkinkan untuk dapat
diterima secara langsung (real-time). Kecepatan tertinggi yang bisa didapatkan langsung melalui
aliran data ke memori apabila dibandingkan dengan yang ditulis pada sebuah disk.
3. Variety : Jenis variasi data yang dimiliki oleh big data lebih banyak daripada menggunakan
sistem database SQL. Jenis data yang masih bersifat tradisional, lebih terstruktur daripada data
yang belum terstruktur. Contohnya adalah teks, audio, dan video merupakan data yang belum
terdefinisikan secara langsung dan harus melalui beberapa tahap untuk dapat diproses dalam
sebuah database.
Selain dari 3V diatas, masih ada 2V lain yang merupakan bagian dari big data sendiri.
Yaitu Value dan Veracity. Untuk value, merupakan nilai atau aliran data yang tidak teratur dan
konsisten dalam beberapa kondisi dan periode. Hal tersebut dapat terjadi pada suatu kasus
dimana terdapat lonjakan data yang besar sehingga, akan memproses data dengan resource
memori yang lebih besar.
Veracity merupakan bentuk pembenaran suatu data. Jadi, mengacu pada kualitas data
tersebut, dapat berasal dari berbagai sumber. Perlu adanya proses untuk menghubungkan dan
mengkorelasikan beberapa hubungan data. Jika tidak ada relasi yang baik, maka dapat
menimbulkan kontrol yang lepas kendali.
Halaman 6
Fungsi Big Data :
Big data memiliki beberapa fungsi penting dalam proses pengembangan dan penyempurnaan
sebuah aplikasi. Berikut ini merupakan beberapa fungsi terkait dengan big data:
1. Dapat menentukan penyebab suatu masalah, kegagalan secara real time
Fungsi pertama dari big data adalah menentukan dan menganalisa penyebab dari suatu
permasalahan yang terjadi di dalam sistem. Kemudian, dengan penggunaannya saat ini, juga
dapat meminimalisir terjadinya kegagalan dalam proses penyimpanan data. Untuk hasil analisis
tersebut dapat ditampilkan secara real-time.
2. Pengambilan sebuah keputusan yang cerdas dan tepat
Big data juga dapat digabungkan dengan sistem dan perangkat teknologi cerdas seperti
IoT (Internet of Things) dan AI (Artificial Intelligence). Tugasnya adalah untuk memberikan dan
menyimpan data dan informasi yang dibutuhkan dalam pengembangan sebuah produk. Misalnya
saja smart city atau kota cerdas yang menggunakan bantuan kecerdasan buatan dan jaringan
internet berskala besar yang mampu untuk menghubungkan tiap sudut kota, bangunan, dan
infrastruktur pendukung lain.
3. Mendeteksi sebuah anomali atau perilaku yang menyimpang dalam struktur bisnis anda
Fungsi yang ketiga adalah mampu untuk mendeteksi secara cepat dan tepat, bentuk atau
proses kegiatan yang menyimpang dan berhenti karena ada kesalahan dari sisi teknis maupun
non teknis. Big data juga dapat merencanakan beberapa opsi untuk mengurangi dan mengatasi
anomali tersebut dengan lebih cepat untuk membantu aktivitas bisnis perusahaan atau organisasi
anda.
4. Mengurangi biaya, waktu, dan meningkatkan performa produk aplikasi
Penyimpanan data dengan menggunakan sistem big data juga dapat mengurangi biaya
yang harus dikeluarkan oleh perusahaan. Kemudian, waktu dalam mengelola dan menjalankan
sebuah operasi menjadi lebih cepat dengan transfer data diatas rata – rata sistem database lain.
Peningkatan performa juga menjadi kelebihan tersendiri untuk mendukung pengembangan
perangkat lunak.
Manfaat Big Data :
Banyak sekali kemudahan yang dimiliki oleh big data dari sisi fungsionalitas dan fitur yang
dimiliki. Kami membagi menjadi 2 manfaat untuk kebutuhan dalam proses teknologi informasi
(TI) dan bisnis.
1. Bidang Teknologi Informasi
a. Penggunaan Perangkat Mobile
Saat ini, penggunaan perangkat seperti smartphone, tablet, IPOD, dll. Sering kita jumpai
karena telah mendukung dan support dengan berbagai sistem aplikasi. Kemudian, faktor user
friendly dan mudah dibawa kemana saja merupakan kelebihan utama dari perangkat mobile.
Halaman 7
Penggunaannya juga digunakan untuk pengembangan perangkat mobile saat ini. Salah satu
contoh yang mudah untuk anda lihat adalah aplikasi GPS yang tentunya sudah terinstall dalam
perangkat anda. GPS (Global Positioning System) yang dimiliki oleh Google Maps
menggunakan bantuan dari big data dalam memproses dan memanajemen berbagai bentuk data.
Karena, sistem database yang dibutuhkan sangat besar. Mulai dari gambar, pemetaan
lokasi hingga dapat menjangkau hampir seluruh penjuru dunia sekaligus. Tentunya
membutuhkan sebuah basis data dengan kapasitas yang sangat besar. Sekarang, Google telah
menerapkan sistem penyimpanan berbasis cloud (awan). Sehingga, penyimpanan dapat
dilakukan secara online dan real-time dengan kapasitas yang lebih besar lagi.
b. Media Sosial
Hampir setiap orang menggunakan yang namanya media sosial untuk mengakses
berbagai informasi dan membagikan aktivitas keseharian pribadi. Tentunya, banyak yang
mengupload foto, video maupun teks ke dalam aplikasi media sosial tersebut. Semua informasi
tersebut merupakan jenis data yang akan terekam dan tersimpan dalam sistem basis data dengan
kapasitas besar.
Anda bisa membayangkan berapa ukuran yang harus dialokasi oleh media sosial seperti
Facebook, Twitter, Instagram, dll. Untuk menampung data setiap harinya. Solusi terbaik untuk
mengatasi masalah tersebut adalah dengan menggunakan big data yang memiliki performa yang
baik dalam penanganan data dengan skala besar.
c. Perangkat Cerdas
Sistem cerdas untuk saat ini banyak dikembangkan oleh negara – negara maju seperti
China, Jepang, Amerika, dll. Salah satu manfaat yang dimiliki oleh perangkat cerdas adalah
mampu membantu kegiatan manusia dengan lebih efektif dan efisien.
Contoh dari perangkat cerdas adalah teknologi IoT yang saat ini banyak diterapkan pada
perangkat elektronik seperti kulkas, mesin cuci, AC, dan lain sebagainya. Dengan menggunakan
sistem yang telah terintegrasi dengan jaringan internet, maka segala bentuk aktivitas dapat
dikoordinir dalam satu sistem aplikasi saja dengan bantuan big data sebagai penyedia layanan
informasi dan penyimpanan data.
d. Media Digital
Selanjutnya, big data juga mempengaruhi dari sisi penggunaan media digital. Contohnya,
penggunaan fitur pada website dan aplikasi streaming seperti spotify dan netflix. Dalam sistem
basis data yang mereka gunakan, mampu mencatat data musik, film yang telah anda tonton dan
memberikan sebuah rekomendasi untuk anda.
Dengan bantuan teknologi AI sendiri, basis data dapat terintegrasi dengan baik dan cepat
untuk memberikan kemudahan dalam penggunaan aplikasi tersebut. Contoh lain dari penerapan
media digital adalah fitur pada e-commerce yang telah menerapkan AI dengan big data untuk
memudahkan pengguna dalam memberikan rekomendasi produk.
Halaman 8
2. Bidang Bisnis
a. Meningkatkan sistem operasional bisnis
Untuk meningkatkan produktivitas dan efektivitas bisnis yang anda rintis, tentu memerlukan
sumber daya yang memadai. Salah satunya akan kebutuhan data yang terus meningkat. Big data dapat
mengatasi permasalahan data dengan kebutuhan yang besar untuk membantu proses operasional bisnis
anda.
Halaman 9
oleh perusahaan atau siapa saja untuk bisa lebih memahami perilaku masyarakat. Apa saja
keinginan serta kebutuan mereka. Dan pada akhirnya informasi ini akan terpakai dalam
pengambilan suatu keputusan. Contohnya adalah : Data Driven Marketing (Pemasaran
Beberbasis Data).
Ada (3V) karakteristik dalam Big Data :
1. Volume (Seberapa besar jumlah data)
2. Velocity (Seberapa cepat perubahan data)
3. Variety (Seberapa besar variasi data terjadi)
Dari (3V) karakteristik tersebut, kita dapat menerapkan prinsip Pareto, untuk meningkatkan
penjualan). Prinsip Pareto (80/20) artinya 80% dampak yang datang, diperoleh dari 20%
penyebab.
Contoh :
80% keuntungan perusahaan hanya datang dari 20 pembeli
80% harga pasar, biasanya dikuasai 20% kompotitor.
80% penjualan toko, hanya akan datang dari 20% produk tertentu.
Cara Perusahaan untuk menggali data terstruktur dan tidak terstruktur.
Image atau face recognition (mengamati pola gambar / visual )
Penggalian data juga disebut Data Mining, untuk mengolahnya menjadi infnormasi yang
berharga untuk mengambil suatu keputusan.
Data : Merupakan suatu kumpulan data
Information : Fakta yang berharga dan bermakna 5W+1H
Knowledge : Suatu pengetahuan (untuk menjawab “How?”)
Wisdom : Kearifan atau kebijaksanaan, membantu dalam memahami suatu fenomena
(contohnya menjawab dari “Why?” , “Mengapa fenomena tersebut bisa terjadi?”)
Halaman 10
akan dimasukkan dalam sistem berbasis pengetahuan (Knowledge Based System), atau dapat
dikatakan sebagai proses penyerapan pengetahuan. Teknik penyerapan pengetahuan sendiri pada
dasarnya terdiri dari dua bagian utama, yaitu identifikasi proyek dan penyerapan pengetahuan.
Penyerapan pengetahuan dari pakar ini dapat diperoleh oleh KE melalui wawancara dan berbagai
macam metode lainnya, seperti observasi dan diskusi
Knowledge management atau manajemen pengetahuan adalah suatu sistem dan proses
yang terformat dan terarah yang dikembangkan dalam suatu organisasi untuk menciptakan,
mencari, mengumpulkan, memilih, mengorganisir, mendokumentasikan, menyimpan,
memelihara dan menyebarkan informasi dan pengetahuan dalam rangka mendukung kebutuhan
masing-masing individu di dalam perusahaan sehingga dapat digunakan dalam pengambilan
keputusan yang baik untuk mendukung strategi bisnis.
Knowledge management digunakan dalam pengelolaan pengetahuan organisasi untuk
menciptakan nilai dan menghasilkan keunggulan bersaing atau kinerja prima. Kombinasi
pengetahuan manusia dalam organisasi akan menghasilkan pengetahuan organisasi yang
berbeda. Hanya saja, organisasi yang memiliki banyak pengetahuan berkualitas belum tentu
mampu menghasilkan barang atau jasa yang sama kualitasnya. Maka dari itu penting bagi suatu
perusahaan untuk memiliki Knowledge Management guna mendapatkan manfaat sebesar-
besarnya dari pengetahuan.
Berikut definisi dan pengertian knowledge management atau manajemen pengetahuan dari
beberapa sumber buku:
Menurut Prijosaksono dan Sembel (2002), knowledge management adalah suatu proses
terformat dan terarah dalam mencerna informasi yang telah dimiliki suatu perusahaan dan
mencari apa yang dibutuhkan oleh masing-masing individu di dalam perusahaan tersebut
untuk kemudian memfasilitasinya agar mudah diakses dan selalu tersedia bilamana
dibutuhkan.
Menurut Laudon dan Laudon (2008), knowledge management adalah serangkaian proses
yang dikembangkan dalam suatu organisasi untuk menciptakan, mengumpulkan,
memelihara dan mendiseminasikan pengetahuan organisasi tersebut.
Menurut Widayana (2005), knowledge management adalah suatu sistem yang dibuat
untuk menciptakan, mendokumentasikan, menggolongkan dan menyebarkan pengetahuan
dalam organisasi. Sehingga pengetahuan mudah digunakan kapan pun diperlukan, oleh
siapa saja sesuai dengan tingkat otoritas dan kompetensinya.
Menurut Ariani (2003), knowledge management adalah dukungan individu untuk
mengkomunikasikan atau menyampaikan pengetahuan yang dimilikinya dengan cara
Halaman 11
menciptakan lingkungan dan sistem untuk pemahaman, pengorganisasian, dan
penyebaran pengetahuan ke seluruh organisasi.
Menurut Turban dkk (2005), knowledge management adalah suatu proses yang
membantu organisasi dalam mengidentifikasi, memilih, mengorganisir, mencari, dan
memindahkan informasi penting dan keahlian baik yang sudah terstruktur pada organisasi
maupun pengetahuan dalam organisasi yang belum terstruktur.
Menurut Horwitch dan Armacost (2002), knowledge management adalah pelaksanaan
penciptaan, penangkapan, pentransferan, dan pengaksesan pengetahuan dan informasi
yang tepat ketika dibutuhkan untuk membuat keputusan yang lebih baik, rangka
mendukung strategi bisnis.
Menurut Davenport, Thomas dan Prusak (2000), knowledge management adalah
campuran dari pengalaman, nilai, informasi kontektual, pandangan pakar dan intuisi
mendasar yang memberikan suatu lingkungan dan kerangka untuk mengevaluasi dan
menyatukan pengalaman baru dengan informasi.
Menurut Frappaolo dan Toms (Dewiyana, 2006), fungsi knowledge management adalah sebagai
berikut:
1. Intermediation, yaitu peran perantara transfer pengetahuan antara penyedia dan pencari
pengetahuan. Peran tersebut untuk mencocokkan (to match) kebutuhan pencari
pengetahuan dengan sumber pengetahuan secara optimal. Dengan demikian,
intermediation menjamin transfer pengetahuan berjalan lebih efisien.
2. Externalization, yaitu transfer pengetahuan dari pikiran pemiliknya ke tempat
penyimpanan (repository) eksternal, dengan cara se-efisien mungkin. Externalization
dengan demikian adalah menyediakan sharing pengetahuan.
3. Internalization, adalah pengambilan (extraction) pengetahuan dari tempat penyimpanan
eksternal, dan penyaringan pengetahuan tersebut untuk disediakan bagi pencari yang
relevan. Pengetahuan harus disajikan bagi pengguna dalam bentuk yang lebih cocok
dengan pemahamannya. Maka, fungsi ini mencakup interpretasi format ulang penyajian
pengetahuan.
4. Cognition, yaitu fungsi suatu sistem untuk membuat keputusan yang didasarkan atas
ketersediaan pengetahuan. Cognition merupakan penerapan pengetahuan yang telah
berubah melalui tiga fungsi terdahulu.
5. Measurement, yaitu kegiatan knowledge management untuk mengukur, memetakan dan
mengkuantifikasi pengetahuan korporat dan performance dari solusi knowledge
Halaman 12
management. Fungsi ini mendukung empat fungsi lainnya, untuk mengelola pengetahuan
itu sendiri.
1. Penghematan waktu dan biaya. Dengan adanya sumber pengetahuan yang terstruktur
dengan baik, maka perusahaan akan mudah untuk menggunakan pengetahuan tersebut
untuk konteks yang lainnya, sehingga perusahaan akan dapat menghemat waktu dan
biaya.
2. Peningkatan aset pengetahuan. Sumber pengetahuan akan memberikan kemudahan
kepada setiap karyawan untuk memanfaatkannya, sehingga proses pemanfaatan
pengetahuan di lingkungan perusahaan akan meningkat, yang akhirnya proses kreatifitas
dan inovasi akan terdorong lebih luas dan setiap karyawan dapat meningkatkan
kompetensinya.
3. Kemampuan beradaptasi. Perusahaan akan dapat dengan mudah beradaptasi dengan
perubahan lingkungan bisnis yang terjadi.
4. Peningkatan Produktifitas. Pengetahuan yang sudah ada dapat digunakan ulang untuk
proses atau produk yang akan dikembangkan, sehingga produktivitas dari perusahaan
akan meningkat.
Menurut Bhatt (2000), knowledge management memiliki tiga komponen utama yang
saling terikat satu sama lain, yaitu people, process, technology. Ketiga komponen dapat
menghasilkan suatu pembelajaran bagi organisasi. Adapun penjelasan atas ketiga komponen
tersebut adalah sebagai berikut (Debowski, 2006):
a. People
People adalah orang yang memiliki knowledge, mengelola sistem dan proses, dan
berkomitmen terhadap proses strategik knowledge untuk keseluruhan organisasi. Budaya sharing
mendorong penyebaran knowledge dapat dibangun melalui hubungan knowledge efektif,
networks, CoPs dan strategi komunitas sosial lainnya.
b. Process
Process adalah pengaturan dan penyelarasan dari strategi, prinsip, proses, praktek untuk
memastikan bahwa knowledge management berjalan dengan baik ketika diimplementasikan.
c. Technology
Technology adalah peran atau media pendukung yang penting dalam knowledge
management, dimana dibutuhkan individu yang memiliki kompeten ketika menggunakannya.
Implementasi knowledge management system memerlukan berbagai tools cukup beragam yang
ikut terlibat dalam sepanjang siklus knowledge management teknologi yang digunakan untuk
Halaman 13
memfasilitasi teruntama komunikasi, kolaborasi, dan konten manajemen untuk knowledge
capture, sharing, dissemination, and application. Dalam hal ini teknologi berperan sebagai
support dan enabler bagi organisasi, karena people merupakan komponen knowledge
management yang paling berperan penting.
Jenis dan Sumber Knowledge Management
Dalam perusahaan knowledge sering terkait pada dokumen atau tempat penyimpanan
barang berharga. Selain itu pengetahuan juga terletak pada rutinitas, proses, praktek dan norma
perusahaan. Menurut Wijaya (2014), knowledge dibagi menjadi dua jenis yaitu Explicit
Knowledge dan Tacit Knowledge. Adapun penjelasan kedua jenis pengetahuan tersebut adalah
sebagai berikut:
a. Pengetahuan Eksplisit (explicit knowledge)
Merupakan sesuatu yang dapat diekspresikan dengan kata-kata dan angka, serta dapat
disampaikan dalam bentuk ilmiah, spesifikasi, manual dan sebagainya. Knowledge jenis ini
dapat segera diteruskan dari satu individu ke individu lainnya secara formal dan sistematis.
Explicit Knowledge juga dapat dijelaskan sebagai suatu proses, metoda, cara, pola bisnis dan
pengalaman desain dari suatu produksi. Pengetahuan eksplisit lebih mudah ditemukan kembali
dan ditransfer kepada orang lain dibandingkan pengetahuan implisit. Hal ini disebabkan karena
pengetahuan implisit sulit untuk dibagi melalui ruang dan waktu.
b. Pengetahuan Implisit (tacit knowledge)
Pengetahuan implisit adalah pengetahuan yang berada di dalam pikiran manusia yang
tidak dinyatakan dalam bentuk tulisan, melainkan sesuatu yang terdapat dalam benak orang-
orang yang bekerja di dalam suatu organisasi. Tacit knowledge merupakan knowledge dari para
pakar, baik individu maupun masyarakat, serta pengalaman mereka. Tacit Knowledge bersifat
sangat personal dan sulit dirumuskan sehingga membuatnya sangat sulit untuk dikomunikasikan
atau disampaikan kepada orang lain. Perasaan pribadi, intuisi, bahasa tubuh, pengaman fisik serta
petunjuk praktis (rule-ofthumb) termasuk dalam jenis Tacit Knowledge. Pengetahuan implisit
memiliki dua dimensi, yaitu:
Dimensi teknis, yang lebih bersifat informal dan know-how dalam melakukan sesuatu.
Dimensi teknis yang mengandung prinsip-prinsip dan teknis pengetahuan yang diperoleh
karena pengalaman ini, relatif sulit didefinisikan dan dijelaskan.
Dimensi kognitif, terdiri dari kepercayaan, persepsi, idealisme, values, emosi dan mental
yang juga sulit dijelaskan. Dimensi ini akan membentuk cara seseorang menerima segala
sesuatu yang ada di lingkungannya.
Menurut Short (2000), Sumber-sumber pengetahuan dapat diklasifikasikan menjadi tiga
jenis, yaitu: modal pengetahuan (knowledge capital), modal sosial (social capital) dan modal
infrastruktur (infrastructure capital). Adapun penjelasan ketiga jenis sumber pengetahuan
tersebut adalah sebagai berikut:
1. Modal pengetahuan (knowledge capital). Aset pengetahuan boleh jadi tersimpan, atau
terletak pada pekerjaan rutin, proses dan prosedur, peran jabatan dan
Halaman 14
pertanggungjawaban, dan struktur organisasi. Pengetahuan yang tersimpan dalam sistem
ini digunakan secara reguler untuk melaksanakan tugas atau langkah-langkah proses
pekerjaan secara konsisten.
2. Modal Sosial (social capital). Aset sosial adalah sejumlah sumber daya yang potensial
dan aktual yang tersimpan dalam, tersedia melalui, dan diperoleh dari jaringan antar
hubungan yang diproses oleh individu atau organisasi. Inti teori aset sosial adalah
tersedianya jaringan antar hubungan yang menyediakan sumber untuk menjalankan
kegiatan sosial, menyediakan koleksi aset pengetahuan yang dimiliki kepada anggota
mereka.
3. Modal Infrastruktur (infrastructure capital). Infrastruktur kapital mencakup sumber-
sumber pengetahuan suatu perusahaan, seperti jaringan LAN/WAN, file, server, network,
intranet, PC, dan aplikasinya. Semua infrastruktur teknologi informasi dapat dikatakan
sebagai bagian dari infrastructure capital juga mencakup struktur organisasi, pembukuan
atau pemberkasan, peran pertanggungjawaban, dan lokasi kantor secara geografis yang
menyediakan sarana fisik dalam berbagai pasar. Sumber daya ini secara rutin ditopang
oleh perusahaan dengan tugas keseharian, baik administrasi maupun operasional.
Adapun penjelasan setiap level manajemen pengetahuan gambar di atas adalah sebagai berikut:
Halaman 15
Siklus Aliran Knowledge Management
Menurut Wijaya (2014), siklus aliran knowledge management disebut sebagai General
Knowledge Model (GKM) yang digambarkan di bawah ini.
Halaman 16
BAB III
PEMBAHASAN
Semua aplikasi IT membutuhkan data. Data ini harus berkualitas tinggi, artinya harus
akurat, lengkap, tepat waktu, konsisten, dapat diakses, relevan, dan ringkas. Sayangnya, proses
memperoleh, menyimpan, dan mengelola data menjadi semakin sulit.
Halaman 17
tidak berharga, kecuali jika Anda memiliki pemutar S-track yang berfungsi atau Anda
mengonversi kaset ke media yang lebih modern seperti CD dan DVD.
Keamanan, kualitas, dan integritas data sangat penting, namun mudah terancam bahaya.
Persyaratan hukum yang berkaitan dengan data juga berbeda antar negara maupun antar industri,
dan persyaratan tersebut sering berubah.
Masalah lain muncul dari fakta bahwa, dari waktu ke waktu, organisasi telah
mengembangkan sistem informasi untuk proses bisnis tertentu, seperti pemrosesan transaksi.
manajemen rantai pasokan, dan manajemen hubungan pelanggan. Sistem informasi yang secara
khusus mendukung proses ini memberlakukan persyaratan unik pada data, persyaratan tersebut
mengakibatkan pengulangan dan konflik di seluruh organisasi. Misalnya, fungsi pemasaran
mungkin memelihara informasi tentang pelanggan, wilayah penjualan, dan pasar. Data ini
mungkin digandakan dalam fungsi penagihan atau layanan pelanggan. Pengaturan ini dapat
menghasilkan data yang tidak konsisten di dalam perusahaan. Data yang tidak konsisten
mencegah perusahaan mengembangkan pandangan terpadu tentang informasi bisnis inti-data
tentang pelanggan, produk, keuangan, dan seterusnya-di seluruh organisasi dan sistem
informasinya.
Dua faktor lain memperumit pengelolaan data. Pertama, peraturan federal yang misalnya,
Undang-Undang Sarbanes-Oxley tahun 2002 telah menjadikannya prioritas utama bagi
perusahaan untuk mempertanggungjawabkan cara mereka mengelola informasi dengan lebih
baik. Sarbanes-Oxley mensyaratkan bahwa (1) perusahaan publik mengevaluasi dan
mengungkapkan keefektifan pengendalian keuangan internal mereka dan (2) auditor independen
untuk perusahaan tersebut menyetujui pengungkapan ini. Undang-undang juga meminta CEOS
dan CFO bertanggung jawab secara pribadi atas pengungkapan tersebut. Jika perusahaan mereka
tidak memiliki kebijakan manajemen data yang memuaskan dan terjadi penipuan atau
pelanggaran keamanan, maka pejabat perusahaan dapat dimintai pertanggungjawaban dan
menghadapi tuntutan hukum.
Kedua, perusahaan tenggelam dalam data, yang sebagian besar tidak terstruktur. Seperti
yang telah Anda lihat, jumlah data meningkat secara eksponensial. Agar menguntungkan,
perusahaan harus berkembang strategi untuk mengelola data ini secara efektif. Masalah
tambahan dengan manajemen data adalah Big Data.
Halaman 18
Salah satu strategi penerapan tata kelola data adalah pengelolaan data induk. Manajemen
data master adalah proses yang mencakup semua proses dan aplikasi bisnis organisasi. Ini
memberi perusahaan kemampuan untuk menyimpan, memelihara, menukar, dan menyinkronkan
"versi tunggal kebenaran" yang konsisten, akurat, dan tepat waktu untuk data master perusahaan.
Salah satu bagian besar tata kelola data adalah membangun program yang mengurai silo
data melalui proses kolaboratif dengan pemangku kepentingan dari unit-unit bisnis yang
terpisah-pisah. Program tata kelola data memerlukan bekerja keras untuk memastikan data rapi
dan digunakan dengan tepat serta dimasukkan secara akurat ke dalam sistem. Menerapkan
strategi tata kelola data yang solid membantu memastikan informasi, yaitu :
Diaudit dengan bersih
Dievaluasi
Didokumentasikan
Terkelola
Terlindungi
Dapat Dipercaya
Namun, tim TI perlu memastikan bahwa dapat menyediakan data yang dapat diandalkan terlebih
dahulu. Manfaat memiliki data yang mudah diakses dan akurat adalah :
1. Memiliki satu sumber yang benar.
Semua pembuat keputusan bekerja dari himpunan data yang sama, terminologi, dan tampilan
yang sama, sehingga memberikan lebih banyak peluang adanya fleksibilitas internal.
2. Kualitas data yang lebih baik.
Tim Anda dapat yakin bahwa semua data yang tersedia aman untuk digunakan, lengkap, dan
konsisten.
3. Manajemen data yang lebih baik.
Membantu menentukan kode etik dan praktik terbaik untuk memastikan tim Anda menangani
hal-hal yang dibutuhkan dan yang penting bagi organisasi dengan segera dan secara
konsisten.
4. Kepatuhan yang lebih cepat dan konsisten.
Memiliki manajemen data yang bersih di seluruh proses tata kelola Anda berarti prosedur
membuat, menangani, dan melindungi data Anda dengan benar agar tetap sesuai kebijakan.
5. Pengurangan biaya dan margin keuntungan yang lebih tinggi.
Membuang keputusan yang didasarkan pada informasi yang sudah usang membuat operasi
sehari-hari menjadi efisien, audit lebih mudah, dan pemborosan berkurang.
6. Reputasi organisasi berbintang.
Ketika bisnis Anda stabil dan dapat diandalkan, Anda memposisikan bisnis Anda sebagai
pemimpin di marketplace Anda.
Halaman 19
Prinsip dan praktik terbaik tata kelola data yaitu ketika membuat kerangka kerja yang
diperlukan untuk tata kelola data, Anda perlu membuat kerangka kerja yang cocok dengan tujuan
organisasi. Beberapa hal yang perlu Anda pikirkan adalah cara menggunakan data dengan benar,
meningkatkan keamanan data, membuat dan menerapkan kebijakan distribusi data, serta
mematuhi semua ketentuan regulasi. Untuk menjamin keberhasilan implementasi, fokus pada
lima prinsip tata kelola data ini:
1. Akuntabilitas
Di seluruh organisasi, Anda akan memerlukan anggota tim mengontrol data Anda jika
tidak ada yang bertanggung jawab, maka tidak akan ada tata kelola data. Anda dan tim IT harus
menerapkan kepemilikan dan tanggung jawab. Buat tim tata kelola data yang terdiri dari
perwakilan dari departemen lain untuk memastikan akuntabilitas lintas organisasi.
Anda memerlukan aturan dan regulasi standar untuk ditaati oleh semua orang yang
dikembangkan oleh tim tata kelola data Anda untuk menerapkan dan membuat kriteria untuk
semua penggunaan data.
3. Administrasi data
Memilih administrator data khusus, juga dikenal sebagai pengurus data adalah kunci
untuk memberlakukan dan memastikan perlindungan yang tepat terhadap tata kelola data Anda.
Sebagai pengurus data, tanggung jawab orang ini adalah melapor kepada tim tata kelola data dan
menegakkan aturan dan regulasi data, memastikan agar selalu diikuti.
4. Kualitas data
Anda memerlukan data berkualitas tinggi, rapi, dan dapat diandalkan untuk membuat
keputusan bisnis yang tepat. Untuk melakukannya, pengurus data Anda akan membuat kumpulan
standar bersama untuk meningkatkan kualitas data.
5. Transparansi
Semua proses tata kelola data harus setransparan mungkin. Menyimpan catatan permanen
dari semua fungsi dan langkah untuk memastikan audit yang akan datang dapat menentukan
penggunaan data, data apa yang digunakan, cara Anda menangani data, dan mengapa tim Anda
menggunakannya.
Data master adalah sekumpulan data inti, seperti pelanggan, produk, karyawan, vendor,
lokasi geografis, dan seterusnya, yang menjangkau sistem informasi perusahaan. Penting untuk
membedakan antara data master dan data transaksional. Data transaksional, yang gen. dihasilkan
dan ditangkap oleh sistem operasional, menggambarkan aktivitas bisnis, atau transaksi.
Sebaliknya, data master diterapkan ke banyak transaksi, dan digunakan untuk mengkategorikan,
menggabungkan, dan mengevaluasi data transaksional.
Halaman 20
Contoh manajemen data master adalah Dallas, Texas, yang menerapkan rencana untuk
mendigitalkan catatan publik dan pribadi kota, seperti dokumen kertas, gambar dan konten video
dan audio. Master database dapat digunakan oleh salah satu dari 38 departemen pemerintah yang
memiliki akses yang sesuai. Kota ini juga mengintegrasikan proses keuangan dan penagihan
dengan program manajemen hubungan pelanggannya.
Bagaimana Dallas akan menggunakan sistem ini? Bayangkan kota mengalami jeda
saluran air. Sebelum menerapkan sistem tersebut, petugas perbaikan harus menggeledah Balai
Kota untuk catatan yang diajukan secara sembarangan. Setelah para pekerja menemukan cetak
biru hard copy, mereka membawanya ke lokasi dan, setelah mereka memeriksanya secara
manual, memutuskan rencana tindakan. Sebaliknya, sistem baru mengirimkan cetak biru secara
nirkabel ke laptop kru di lapangan, yang dapat memperbesar atau menyorot area yang menjadi
perhatian untuk menghasilkan respons yang cepat. Proses ini mengurangi waktu yang diperlukan
untuk menanggapi keadaan darurat beberapa jam. Sehingga seiring dengan tata kelola data,
organisasi menggunakan pendekatan basis data untuk mengelola data mereka secara efisien dan
efektif.
File data adalah kumpulan catatan yang terkait secara logis. Dalam lingkungan
manajemen file, setiap aplikasi memiliki file data spesifik yang terkait dengannya. File ini berisi
semua rekaman data yang diperlukan aplikasi. Seiring waktu, organisasi mengembangkan
banyak aplikasi, masing-masing dengan file data khusus aplikasi yang terkait.
Halaman 21
● Data integrity : Data memenuhi batasan tertentu; misalnya, tidak ada karakter abjad di
bidang nomor Jaminan Sosial.
● Data Independence : Aplikasi dan data tidak tergantung satu sama lain, yaitu, aplikasi
dan data tidak terhubung satu sama lain, sehingga semua aplikasi dapat mengakses data
yang sama.
Setiap catatan dalam database harus berisi setidaknya satu bidang yang secara unik
mengidentifikasi catatan tersebut sehingga dapat diambil, diperbarui, dan disortir. Second ary
key adalah bidang lain yang memiliki beberapa informasi pengenal tetapi biasanya tidak
mengidentifikasi catatan dengan akurasi yang lengkap. Foreign key adalah bidang (atau
sekelompok bidang) dalam satu tabel yang secara unik mengidentifikasi baris kata lain. Kunci
asing digunakan untuk membuat dan menegakkan tautan antara dua tabel.
Sebuah perusahaan harus mengelola data dalam jumlah besar. Data tersebut terdiri dari
data terstruktur Dan juga tidak terstruktur disebut Big Data, Data terstruktur sangat terorganisir
dalam bidang tetap dalam penyimpanan data seperti database relasional.
Data terstruktur harus ditentukan dalam hal nama bidang dan jenis (misalnya,
alfanumerik, numerik, dan mata uang). Data tidak terstruktur adalah data yang tidak berada
dalam basis data relasional tradisional. Contoh data tidak terstruktur adalah pesan email,
dokumen pengolah kata, video, gambar, file audio, presentasi PowerPoint, posting Facebook,
tweet, snap, peringkat dan rekomendasi, dan halaman Web. Analis industri memperkirakan
bahwa 80 hingga 90 persen data dalam organisasi tidak terstruktur.
Karena database biasanya memproses data secara real time (atau hampir real time), tidak
praktis untuk mengizinkan pengguna mengakses database. Lagi pula, data akan berubah saat
pengguna melihatnya. Akibatnya, gudang data telah dikembangkan untuk memungkinkan
pengguna mengakses data untuk pengambilan keputusan. Database approach sendiri merupakan
sistem yang menggunakan Database Management System (DBMS) dimana merupakan aplikasi
software yang memberikan layanan kepada pengguna untuk secara efisien mengakses, membuat,
menjaga, memberikan akses kontrol (Security, Integrity, Concurrency, Recovery, User-
Accessible), dan mendefinisikan database. Database itu sendiri merupakan suatu kumpulan file –
file yang mempunyai keterkaitan antara satu file dengan file lainnya sehingga hal ini dapat
diakses secara bersamaan jika dibutuhkan oleh pengguna.
Berikut merupakan kelebihan dari Database approach
● Pada DBMS data disimpan secara efisien sehingga data tidak akan mubazir
● Jika terjadi kehilangan data maka data tersebut dapat di backup kembali sehingga data
tidak akan hilang (recovery of data)
● DBMS menyediakan sistem keamanan yang jauh lebih baik dibandingkan File-system
● Karena adanya sistem sentralisasi maka data dapat di share dengan mudah (data
consistency)
● Data Integrity, dimana database dapat membuat constraints pada data sebelum melakukan
input data tersebut
Halaman 22
● Proses pencarian data yang optimal dan efisien karena hanya butuh menuliskan query
sederhana untuk mengambil data dari database
● Terdapat Concurrenct protocol / control yang menjaga atau memanage akses data dari
banyak user secara bersamaan sehingga database dapat berjalan secara konsisten dan juga
memecahkan konflik read-write dan write-write
Halaman 23
The Data Hierarchy
Hirarki data dibagi menjadi enam hirarki atau data, berikut dalah hirarki data berdasarkan ukuran
yang paling kecil hingga besar.
1. Bit
2. Byte
3. Field
4. Record
5. File
6. Database
Semua data dari yang paling kecil tersebut nantinya akan diproses hingga menjadi sebuah
database. Unit paling kecil dalam suatu database adalah bit, bit ini sebenarnya adalah singkatan
dari binary. Binary atau angka biner hanya terdiri dari 1 dan 0. Angka biner ini yang jika
digabungkan menjadi delapan digit akan bisa mengidentifikasi sesuatu, baik angka, huruf,
maupun simbol. Delapan angka biner ini jika dikelompokkan disebut dengan byte.
Jika byte tadi merupakan sebuah angka, huruf maupun simbol, kumpulan dari byte ini
disebut sebuah field. Field ini tidak terbatas hanya tulisan saja, tetapi bisa juga gambar. Field–
field yang saling terkait akan membentuk sebuah record. Sederhananya, record adalah sebuah
baris dalam database. Record atau baris-baris dalam database tentunya sejenis, menggambarkan
sebuah file, file di sini bisa juga diartikan sebagai tabel. Kumpulan dari tabel-tabel yang salin
terkait inilah yang disebut dengan database. Tingkatan ini bukan berhenti sampai database saja,
dikenal juga data mart dan data warehouse yang berupa kumpulan dari sebuah database.
Big data adalah kumpulan data yang sangat besar dan tidak mampu diolah oleh sistem
komputer dan perangkat lunak konvensional serta memiliki karakteristik tertentu yakni volume,
variety, dan velocity. Dalam big data, volume atau ukuran daya yang dihasilkan sangat sangat
besar. Jika semua data pada tahun tertentu dipindahkan ke dalam kaset DVD, maka DVD
tersebut dapat membuat tumpukan yang sangat panjang bahkan bisa diasumsikan seperti jarak
antara bumi ke bulan, dan kembali lagi ke bulan, ditambah data-data tersebut tidak memiliki
jumlah yang tetap alias terus bertambah.
Tahun 2012, data yang dihasilkan yakni 2,3 triliun gigabytes data setiap harinya. Selain
volume, varietas juga merupakan salah satu karakter dari big data. Data-data yang dihasilkan
terdiri dari berbagai jenis dan variasi, seperti teks, foto, video, dan lain-lain. Banyak sekali yang
menghasilkan big data. Salah satunya adalah adanya internet of things. Internet of things bisa
diartikan dimana benda-benda di sekitar kita dapat berkomunikasi antara satu sama lain melalui
sebuah jaringan seperti internet, mulai dari gawai, televisi, jam tangan, bahkan sampai lemari
pendingin. Semua benda-benda tersebut menghasilkan data. Baik itu data tentang letak titik
macet di suatu tempat, data berapa detak jantungmu berdenyut setiap hari, data tentang berapa
Halaman 24
langkah kaki yang kamu ambil setiap hari, data perbankan, kesehatan, sensor untuk
mengumpulkan informasi tentang iklim, postingan di sosial media, data transaksi kartu kredit,
dan yang paling penting, adalah data untuk ilmu pengetahuan.
Pusat Penelitian Informatika LIPI di Indonesia turut berperan dalam suatu proyek sains
besar di bidang fisika partikel eksperimen yaitu Alice-Cern. Proyek tersebut menghasilkan data
yang sangat besar, sehingga membutuhkan high-performance computing untuk mengolahnya.
Data-data yang telah dihasilkan kemudian dapat dianalisa dengan sangat cepat untuk
menghasilkan informasi. Itulah mengapa velocity atau kecepatan merupakan karakter penting
lainnya dari big data. Coba bayangkan bagaimana kita bisa berbagi informasi secara real time
jika data tersebut tidak dianalisa dengan cepat. Tentunya perangkat komputer biasa tidak dapat
menangani hal ini. Perlu menghabiskan beberapa tahun untuk melakukan itu. HPC adalah
jawabannya.
HPC atau High Performance Computing adalah sistem komputer yang dibangun agar
mampu menyelesaikan beban komputasi yang tak terkira beratnya dalam waktu yang masih
bisa diterima. Sebuah sistem HPC terdiri dari puluhan, ratusan, bahkan ribuan CPU core yang
saling terkoneksi untuk menyelesaikan suatu komputasi secara paralel. LIPI mempunyai dua
sistem HPC yang dikelola Pusat Penelitian Informatika yaitu di Bandung dan Cibinong. LIPI
membuka kesempatan kepada masyarakat yang ingin menggunakan HPC tersebut untuk
kepentingan ilmu pengetahuan secara gratis. Info lebih lanjut bisa dilihat di grid.lipi.go.id.
Kesimpulannya, big data merupakan suatu fenomena yang tercipta karena adanya kemajuan
teknologi dan mau tidak mau, kita harus dapat menghadapinya agar bisa terus berkembang.
Halaman 25
Tiga Karakteristik Big Data
Kecepatan Velocity adalah tingkat cepat di mana data diterima dan (mungkin)
ditindaklanjuti. Biasanya, kecepatan aliran data tertinggi langsung ke
memori dibandingkan dengan yang ditulis ke disk. Beberapa produk
pintar berkemampuan internet beroperasi dalam waktu nyata atau
mendekati waktu nyata dan akan membutuhkan evaluasi dan tindakan
waktu nyata.
Variasi Varietas mengacu pada banyak jenis data yang tersedia. Tipe data
tradisional terstruktur dan tertata rapi dalam database
relasional. Dengan munculnya data besar, data datang dalam tipe data
baru yang tidak terstruktur. Tipe data tidak terstruktur dan semi
terstruktur, seperti teks, audio, dan video, memerlukan pemrosesan awal
tambahan untuk mendapatkan makna dan mendukung metadata.
Halaman 26
Sejarah Big data
Meskipun konsep data besar itu sendiri relatif baru, asal-usul kumpulan data besar
kembali ke tahun 1960-an dan 70-an ketika dunia data baru saja dimulai dengan pusat data
pertama dan pengembangan database relasional.
Sekitar tahun 2005, orang mulai menyadari betapa banyak data yang dihasilkan pengguna
melalui Facebook, YouTube, dan layanan online lainnya. Hadoop (kerangka kerja sumber
terbuka yang dibuat khusus untuk menyimpan dan menganalisis kumpulan data besar)
dikembangkan pada tahun yang sama. NoSQL juga mulai mendapatkan popularitas selama ini.
Pengembangan kerangka kerja open-source, seperti Hadoop (dan baru-baru ini, Spark)
sangat penting untuk pertumbuhan big data karena membuat big data lebih mudah untuk
dikerjakan dan lebih murah untuk disimpan. Pada tahun-tahun sejak itu, volume data besar telah
meroket. Pengguna masih menghasilkan data dalam jumlah besar tetapi bukan hanya manusia
yang melakukannya.
Dengan munculnya Internet of Things (IoT), semakin banyak objek dan perangkat yang
terhubung ke internet, mengumpulkan data tentang pola penggunaan pelanggan dan kinerja
produk. Munculnya pembelajaran mesin telah menghasilkan lebih banyak data.
Halaman 27
pemeliharaan dengan biaya yang lebih efektif dan
memaksimalkan waktu kerja suku cadang dan peralatan.
Penipuan dan Dalam hal keamanan, bukan hanya beberapa peretas nakal—
Anda menghadapi seluruh tim ahli. Lanskap keamanan dan
kepatuhan
persyaratan kepatuhan terus berkembang. Data besar membantu
Anda mengidentifikasi pola dalam data yang mengindikasikan
penipuan dan mengumpulkan informasi dalam jumlah besar
untuk membuat pelaporan regulasi jauh lebih cepat.
Halaman 28
Dorong inovasi Data besar dapat membantu Anda berinovasi dengan
mempelajari saling ketergantungan di antara manusia, institusi,
entitas, dan proses, lalu menentukan cara baru untuk
menggunakan wawasan tersebut. Gunakan wawasan data untuk
meningkatkan keputusan tentang pertimbangan keuangan dan
perencanaan. Periksa tren dan apa yang diinginkan pelanggan
untuk memberikan produk dan layanan baru. Menerapkan harga
dinamis. Ada kemungkinan tak terbatas.
Sementara data besar telah berkembang jauh, kegunaannya baru saja dimulai. Komputasi
awan telah memperluas kemungkinan data besar lebih jauh. Cloud menawarkan skalabilitas yang
benar-benar elastis, di mana pengembang dapat dengan mudah menjalankan cluster ad hoc untuk
menguji subset data. Dan database grafik juga menjadi semakin penting, dengan kemampuannya
untuk menampilkan data dalam jumlah besar dengan cara yang membuat analitik menjadi cepat
dan komprehensif.
Halaman 29
Jawaban yang lebih lengkap berarti lebih percaya diri pada data yang berarti pendekatan
yang sama sekali berbeda untuk mengatasi masalah.
Halaman 30
Investasi Anda dalam big data terbayar saat Anda menganalisis dan menindaklanjuti data
Anda. Dapatkan kejelasan baru dengan analisis visual dari kumpulan data Anda yang
bervariasi. Jelajahi data lebih jauh untuk membuat penemuan baru. Bagikan temuan Anda
dengan orang lain. Bangun model data dengan pembelajaran mesin dan kecerdasan
buatan. Jadikan data Anda berfungsi.
Menyelaraskan big data Kumpulan data yang lebih luas memungkinkan Anda
dengan tujuan bisnis membuat penemuan baru. Untuk itu, penting untuk
tertentu mendasarkan investasi baru pada keterampilan, organisasi,
atau infrastruktur dengan konteks berbasis bisnis yang kuat
untuk menjamin investasi dan pendanaan proyek yang
berkelanjutan. Untuk menentukan apakah Anda berada di
jalur yang benar, tanyakan seberapa besar data mendukung
dan memungkinkan bisnis utama dan prioritas TI
Anda. Contohnya termasuk memahami cara memfilter log
web untuk memahami perilaku e-niaga, mendapatkan
sentimen dari media sosial dan interaksi dukungan pelanggan,
serta memahami metode korelasi statistik dan relevansinya
untuk data pelanggan, produk, manufaktur, dan teknik.
Halaman 31
sumber daya baru, dan memanfaatkan perusahaan konsultan.
Rencanakan kinerja lab Menemukan makna dalam data Anda tidak selalu
penemuan Anda mudah. Terkadang kita bahkan tidak tahu apa yang kita
Halaman 32
cari. Itu yang diharapkan. Manajemen dan TI perlu
mendukung “kurangnya arah” atau “kurangnya persyaratan
yang jelas” ini.
Pada saat yang sama, penting bagi analis dan ilmuwan data
untuk bekerja sama dengan bisnis guna memahami
kesenjangan dan persyaratan utama pengetahuan
bisnis. Untuk mengakomodasi eksplorasi data yang interaktif
dan eksperimentasi algoritme statistik, Anda memerlukan area
kerja berkinerja tinggi. Pastikan lingkungan sandbox memiliki
dukungan yang diperlukan—dan diatur dengan benar.
Sejajarkan dengan model Proses data besar dan pengguna memerlukan akses ke
operasi cloud beragam sumber daya untuk eksperimen berulang dan
menjalankan pekerjaan produksi. Solusi big data mencakup
semua ranah data termasuk transaksi, data master, data
referensi, dan data ringkasan. Kotak pasir analitik harus
dibuat sesuai permintaan. Manajemen sumber daya sangat
penting untuk memastikan kontrol seluruh aliran data
termasuk sebelum dan sesudah pemrosesan, integrasi,
peringkasan dalam basis data, dan pemodelan
analitik. Penyediaan cloud pribadi dan publik yang terencana
dengan baik dan strategi keamanan memainkan peran integral
dalam mendukung persyaratan yang berubah ini.
Data warehouse atau biasa disebut gudang data yang ada di suatu perusahaan. Gudang
data adalah tempat penyimpanan data historis yang diatur berdasarkan subjek untuk mendukung
pembuat keputusan dalam suatu organisasi. Karena gudang data sangat mahal, gudang data
digunakan terutama oleh perusahaan besar.
Data mart merupakan versi gudang data berbiaya rendah dan diperkecil yang dirancang
untuk kebutuhan pengguna akhir di unit bisnis strategis (SBU) atau departemen individual. Data
Halaman 33
mart dapat diimplementasikan lebih cepat daripada gudang data, seringkali dalam waktu kurang
dari 90 hari. Lebih jauh lagi, mereka mendukung controls lokal daripada pusat dengan
memberikan kekuasaan pada kelompok pengguna. Biasanya, grup yang membutuhkan satu atau
beberapa aplikasi analitik bisnis hanya memerlukan data mart daripada gudang data.
Perbedaan Data warehouse dan Data Mart yaitu :
Data warehouse menyimpan data selama beberapa bulan atau tahun. Sedangkan Data mart
merupakan subset dari data resource, biasanya berorientasi untuk suatu tujuan yang spesifik atau
subjek data yang didistribusikan untuk mendukung kebutuhan bisnis.
Karakteristik dasar dari data warehouse dan data mart adalah sebagai berikut:
Diatur menurut dimensi atau subjek bisnis
Data diatur menurut subjek-misalnya, menurut pelanggan, vendor, produk, tingkat harga, dan
wilayah. Pengaturan ini berbeda dengan sistem transaksional, di mana data diatur oleh proses
bisnis seperti entri pesanan, pengendalian persediaan, dan piutang.
Halaman 34
Organisasi menggunakan data historis untuk mendeteksi penyimpangan, tren, dan hubungan
jangka panjang.
Nonvolatile
Gudang data dan data mart bersifat nonvolatile-yaitu, pengguna tidak dapat mengubah atau
memperbarui data. Oleh karena itu, gudang atau mart mencerminkan sejarah, yang seperti baru
saja kita lihat, sangat penting untuk mengidentifikasi dan menganalisis tren. Gudang dan mart
diperbarui, tetapi melalui proses pemuatan yang dikontrol TI, bukan oleh pengguna.
Multidimensi
Biasanya, gudang data atau mart menggunakan struktur data multidimensi. Ingatlah bahwa
database relasional menyimpan data dalam tabel dua dimensi. Sebaliknya, gudang data dan mart
menyimpan data lebih dari dua dimensi. Untuk alasan ini, data dikatakan disimpan dalam
struktur multidimensi.
Data mart
Bagian dari data warehouse yang mendukung kebutuhan pada tingkat departemen atau
fungsi bisnis tertentu dalam perusahaan. Karakteristik yang membedakan data mart dan data
warehouse adalah sebagai berikut (Connolly, Begg, Strachan 1999).
Halaman 35
Data mart memfokuskan hanya pada kebutuhan-kebutuhan pemakai yang terkait
dalam sebuah departemen atau fungsi bisnis.
Data mart biasanya tidak mengandung data operasional yang rinci seperti pada
data warehouse.
Data mart hanya mengandung sedikit informasi dibandingkan dengan data
warehouse. Data mart lebih mudah dipahami dan dinavigasi.
Data Mining
- Perangkat lunak yang digunakan untuk menemukan pola-pola tersembunyi maupun
hubungan-hubungan yang terdapat dalam basis data yang besar dan menghasilkan aturan-
aturan yang digunakan untuk memperkirakan perilaku di masa medatang
- Data mining sering dikatakan berurusan dengan “penemuan pengetahuan” dalam basis
data. Suatu aturan yang dihasilkan oleh data mining misalnya seperti berikut
“Kebanyakan pembeli mobil Forsa adalah wanita berusia di atas 30 tahun”.
- Data Mining Mengotomatisasi penemuan pola-pola yang tidak diketahui sebelumnya.
- Contoh dari penemuan pola ini adalah analisis pada data penjulan ritel untuk
mengidentifikasi produk.
- Produk,yang kelihatannya tidak berkaitan, yang seringkali dibeli secara bersamaan oleh
kustomer.
- Contoh lain adalah pendeteksian transaksi palsu dengan kartu kredit.
Teknologi Data Warehouse digunakan untuk melakukan OLAP (Online Analytical Processing),
Sedangkan Data Mining digunakan untuk melakukan penemuan informasi.
Halaman 36
1. Databases
Teknologi data warehouse digunakan untuk melakukan OLAP (Online Analytical
Processing), Sedangkan data mining dapat digunakan untuk melakukan penemuan
informasi.
2. Database warehouse
Jenis lain dari database adalah database warehouse yang digunakan untuk melakukan
analisis serta pelaporan data. Jenis ini dapat dikatakan sebagai komponen inti dari
business intelligence. Warehouse database yaitu, Repositori pusat untuk data yang
dirancang khusus untuk kueri dan analisis cepat.
4. OLTP
Online Transaction Processing atau sering dikenal dengan OLTP adalah sistem yang
berorientasi proses yang memproses transaksi secara langsung melalui komputer yang
terhubung dalam jaringan.
Misalnya biasa digunakan pada sebuah supermarket, kasir menggunakan mesin dalam
proses transaksinya.
OLTP yang mempunyai karakteristik beberapa user dapat creating, updating, retrieving
untuk setiap record data, OLTP sangat optimal untuk updating data.
5. ETL
Proses ETL merupakan suatu landasan dari sebuah data warehouse. Sebuah rancangan
ETL yang benar akan mengekstraksi data dari sistem sumber, mempertahankan kualitas
data dan menerapkan aturan-aturan standar, dan menyajikan data dalam berbagai bentuk,
sehingga dapat digunakan dalam proses pengambilan keputusan.
Proses ETL yaitu sebuah urutan dari tahapan yang dimulai dari sourcing data (src) lalu
data di-transform melalui proses look-up bulk data (lkpbld) dan transform (xfm). Proses
ETL diakhiri dengan proses load ke berbagai macam output yang sesuai dengan skema,
yang terdiri dari proses load-up data (lodupd), load-insert data (lodins), dan load bulk
data (lodbld). Dari tahapan proses ETL tersebut, dapat dianalisis kinerja EDW PM
berdasarkan estimasi waktu tiap prosesnya.
6. OLAP
Halaman 37
Online Analytical Processing, atau disingkat OLAP yaitu metode pendekatan untuk
menyajikan jawaban dari permintaan proses analisis yang sifat nya dimensional secara
cepat, dengan desain dari aplikasi dan teknologi yang dapat mengoleksi, menyimpan,
memanipulasi suatu data multidimensi yang bertujuan untuk analis.
OLAP adalah bagian dari kategori yang lebih global dari pemikiran bisnis, yang juga
merangkum hubungan antara pelaporan dan penggalian data. Aplikasi khusus dari OLAP
yaitu pelaporan bisnis untuk penjualan, pemasaran, manajemen pelaporan, manajemen
proses bisnis (MPB), penganggaran dan peramalan, laporan keuangan dan bidang-bidang
yang serupa. Istilah OLAP merupakan perampingan dari istilah lama database OLTP
(Online Transaction Processing).
Nigel Pendse menyarankan suatu alternatif dan mungkin istilahnya lebih deskriptif yang
menjelaskan bahwa konsep OLAP adalah Analisis Cepat dari Informasi Multidimensi
yang dapat di-sharing (FASMI) Keluaran dari kueri OLAP ditampilkan secara khusus
dalam format matrik atau pivot. Dimensinya membentuk baris berupa ukuran dan kolom
berupa nilai dari matrik.
Knowledge Management (KM) merupakan metode yang dipakai suatu organisasi atau
perusahaan yang bertujuan untuk mengidentifikasi, menciptakan, mendeskripsikan serta
mendistribusikan pengetahuan yang dimiliki setiap karyawan atau setiap orang yang ada
diperusahaan. Pengetahuan tersebut digunakan dan dipelajari kembali demi keberhasilan
organisasi atau perusahaan tersebut dalam proses mencapai tujuan yang direncanakan.
Knowledge management melibatkan 3 faktor utama, yaitu :
1. People
People merupakan orang-orang yang memiliki pengetahuan, yang mengelola sistem tersebut,
serta yang berkomitmen pada suatu proses yang melibatkan pengetahuan untuk organisasi.
Aktivitas berbagi pengetahuan antar anggota dapat membuat penyebaran pegetahuan dapat
dibangun, serta pengetahuan yang dimiliki oleh setiap orang dalam organisasi tersebut dapat
menjadi lebih luas.
2. Process
Proses untuk memastikan apakah implementasi dari knowledge management berjalan dengan
lancer dan sesuai dengan yang direncanakan. Dengan cara menyelaraskan prinsip, strategi,
praktik, dan proses.
3. Technology
Halaman 38
Teknologi merupakan media Knowledge Management System (KMS) yang memerlukan
seseorang yang berkompeten dalam proses mengimplementasikan knowledge management.
Dalam proses tersebut, diperlukan berbagai alat untuk memfasilitasi komunikasi dan kolaborasi.
Hal tersebut bertujuan untuk mendukung knowledge capture, dissemination, sharing, dan
application. Teknologi berperan sebagai pendukung people dalam melakukan tugasnya.
Halaman 39
Siklus knowledge management systems memiliki 6 step. Tujuannya agar pengetahuan
yang dimiliki dapat disempurnakan secara dinamis dari waktu ke waktu. Siklus Knowledge
Management Systems yaitu :
- Create
Pengetahuan dapat diciptakan saat seseorang menentukan cara baru dalam melakukan
sesuatu atau mengembangkan pengetahuan. Terkadang pengetahuan eskternal juga di ikut
sertakan.
- Capture
Pengetahuan baru harus diidentifikasi sebagai sesuatu yang berharga dan disajikan dalam
bentuk yang masuk akal.
- Refine
Pengetahuan baru harus ditempatkan dalam konteks sehingga dapat ditindaklanjuti. Di
sinilah kualitas tacit knowledge (wawasan manusia) harus ditangkap bersama dengan
fakta eksplisit.
- Store
Pengetahuan yang berguna kemudian harus disimpan dalam format yang wajar dalam
gudang pengetahuan sehingga orang lain dalam organisasi dapat mengaksesnya.
- Manage
Seperti perpustakaan, pengetahuan harus terus diperbarui. Oleh karena itu, harus ditinjau
secara teratur untuk memverifikasi bahwa itu relevan dan akurat.
- Disseminate
Pengetahuan harus tersedia dalam format yang berguna bagi siapa saja dalam organisasi
yang membutuhkannya, di mana saja dan kapan saja.
Halaman 40
4. Wisdom
Wisdom merupakan kemampuan meningkatkan efektivitas. Dengan wisdom, maka dapat
meningkatkan value dari perusahaan. Kebijakan atau keputusan hasil penerapan dari suatu
pengetahuan yang menjadi dasar dalam pengambilan keputusan.
2. Externalization
Transformasi pengetahuan dari bentuk tacit ke bentuk yang lebih explicit. Dengan
externalization, pengetahuan tacit yang ada dalam diri individu dikeluarkan melalui berbagai
macam saluran dan media agar mudah dipelajari oleh individu lain.
3. Combination
Mengorganisasikan kumpulan pengetahuan explicit ke dalam satu bentuk media yang lebih
sistematis melalui proses penambahan pengetahuan baru.
4. Internalization
Transformasi pengetahuan dari explicit kembali menjadi tacit. Contohnya dengan proses belajar
yang kemudian diikuti dengan ‘learning by doing‘ yang lambat laun membentuk pengetahuan
baru dalam individu.
Halaman 41
1. Mempercepat Akses Informasi dan Pengetahuan
Dengan sumber pengetahuan yang ada, perusahaan dapat menggunakannya untuk konteks lain.
Dan pengetahuan yang dimiliki beberapa karyawan, dapat membuat perkembangan pengetahuan
dalam perusahaan tersebut cepat meluas. Dengan begitu, dapat menghemat waktu dan
perusahaan akan cepat berkembang seiring pemanfaatan pengetahuan yang meningkat.
2. Menciptakan Produktivitas
Pengetahuan yang dimiliki sebuah perusahaan dapat digunakan ulang dalam proses menciptakan
sebuah produk yang sedang dikembangkan. Serta dalam menciptakan produk, dapat juga
menggunakan pengetahuan yang baru. Karena perusahaan harus dapat mengikuti perkembangan
pengetahuan yang ada. Maka hal tersebut dapat meningkatkan produktivitas.
3. Menciptakan Inovasi dan Perubahan
Dengan perkembangan zaman, pengetahuan yang diperoleh oleh setiap karyawan dalam
perusahaan pasti bertambah dan berubah. Dengan perubahan pengetahuan tersebut, dapat
memberikan inovasi kepada perusahaan untuk membuat produk yang mengikuti perkembangan
zaman.
4. Perusahaan Mudah Beradaptasi
Jika lingkungan bisnis mengalami perubahan, maka perusahaan sudah lebih siap dalam
menghadapi perubahan tersebut. Dan perusahaan dapat lebih cepat beradaptasi terhadap
perubahan tersebut karena perusahaan sudah memperoleh pengetahuan yang berkembang
dimasyarakat.
8. Kerugian Knowledge Management
Tidak hanya terdapat manfaat, tetapi knowledge management juga memiliki kerugian
bagi perusahaan. Berikut beberapa tantangan yang muncul dari penerapan knowledge
management.
Kesulitan untuk menemukan cara yang efisien untuk mencatat pengetahuan bisnis.
Segala informasi dan sumber terkait menjadi lebih mudah untuk ditemukan oleh
orang lain.
Sulit menyelaraskan knowledge management dengan tujuan dan strategi bisnis.
Membutuhkan waktu untuk mengintegrasikan knowledge management ke dalam
proses dan sistem informasi yang sudah ada.
Memilih dan mengimplementasikan teknologi knowledge management menjadi
tantangan tersendiri.
Sulitnya memotivasi karyawan untuk membagi, menggunakan, serta mengaplikasikan
pengetahuan yang ada.
Untuk mengatasi tantangan tersebut, serta untuk meminimalisir kerugian yang mungkin akan
diperoleh oleh perusahaan, maka terdapat beberapa hal yang dapat dilakukan oleh perusahaan.
Halaman 42
Mengembangkan proses yang jelas untuk merekam, mencatat, dan membagikan
pengetahuan.
Mendefinisikan konteks dan tujuan dari semua knowledge management yang
dimiliki.
Menciptakan kultur pembagian pengetahuan dalam perusahaan antara manajemen dan
karyawan.
Menetapkan tujuan dan strategi yang jelas untuk membantu perusahaan dalam
memaksimalkan pengetahuan.
Mempertimbangkan biaya, strategi, dan pelatihan yang diperlukan untuk semua
sistem knowledge management baru.
Ada banyak operasi yang mungkin dilakukan dengan database relasional. Di bagian ini,
kita membahas tiga operasi ini : bahasa kueri, normalisasi, dan gabungan.
Database relasional adalah kumpulan tabel 2D yang saling terkait, terdiri dari baris dan
kolom. Setiap baris mewakili record, dan setiap kolom (atau bidang) mewakili atribut (atau
karakteristik) dari record tersebut. Setiap catatan dalam database harus berisi setidaknya satu
bidang yang secara unik mengidentifikasi catatan tersebut sehingga dapat diambil, diperbarui,
dan diurutkan. Bidang pengidentifikasi ini, atau kumpulan bidang, disebut kunci utama. Dalam
beberapa kasus, menemukan catatan tertentu memerlukan penggunaan kunci sekunder. Kunci
sekunder adalah bidang lain yang memiliki beberapa informasi pengenal, tetapi biasanya tidak
mengidentifikasi catatan secara unik. Kunci asing adalah bidang (atau grup bidang) dalam satu
tabel yang cocok dengan nilai kunci utama dalam baris tabel lain. Kunci asing digunakan untuk
membuat dan menegakkan tautan antara dua tabel.
Tabel terkait ini dapat digabungkan jika berisi kolom umum. Keunikan dari primary key
memberi tahu DBMS catatan mana yang digabungkan dengan yang lain dalam tabel terkait. Fitur
ini memungkinkan fleksibilitas yang besar bagi pengguna dalam berbagai kueri yang dapat
mereka buat. Meskipun fitur ini, bagaimanapun, model database relasional memiliki beberapa
kelemahan. Karena database berskala besar dapat terdiri dari banyak tabel yang saling terkait,
desain keseluruhannya dapat menjadi kompleks, menyebabkan waktu pencarian dan akses yang
lambat.
Query Languages (Bahasa Languages)
Operasi basis data yang paling umum dilakukan adalah mencari informasi. Structured
query language (SQL) adalah bahasa query paling populer yang digunakan untuk berinteraksi
dengan database. SQL memungkinkan orang untuk melakukan pencarian yang rumit dengan
menggunakan pernyataan atau kata kunci yang relatif sederhana. Kata kunci tipikal adalah
SELECT (untuk memilih atribut yang diinginkan), FROM (untuk menentukan tabel atau
Halaman 43
beberapa tabel yang akan digunakan), dan WHERE (untuk menentukan kondisi yang akan
diterapkan dalam kueri).
Untuk memahami cara kerja SQL, bayangkan sebuah universitas ingin mengetahui nama
mahasiswa yang akan lulus dengan predikat cum laude (tetapi bukan magna atau summa cum
laude) pada Mei 2018. Staf TI universitas akan kueri database relasional siswa dengan
pernyataan SQL seperti berikut ini:
SELECT Student_Name
FROM Student_Database
WHERE Grade_Point_Average > = 3.40 and Grade_Point_Average < 3.60.
Permintaan SQL akan mengembalikan John Jones dan Juan Rodriguez.
Cara lain untuk menemukan informasi dalam database adalah dengan menggunakan
query by example (QBE). Di QBE, pengguna mengisi kisi atau templat—juga dikenal sebagai
formulir—untuk menyusun sampel atau deskripsi data yang diinginkan. Pengguna dapat
membuat kueri dengan cepat dan mudah dengan menggunakan fitur drag-and-drop dalam DBMS
seperti Microsoft Access. Melakukan kueri dengan cara ini lebih sederhana daripada
memasukkan perintah SQL.
Entity – Relationship Modeling
Desainer merencanakan dan membuat database melalui proses pemodelan entity-
relationship (ER), menggunakan diagram entity-relationship (ER). Ada banyak pendekatan untuk
diagram ER, Jika terbiasa dengan satu versi diagram ER, maka akan dapat dengan mudah
beradaptasi dengan versi lainnya.
Diagram ER terdiri dari entitas, atribut, dan hubungan. Untuk mengidentifikasi entitas,
atribut, dan hubungan dengan benar, perancang basis data pertama-tama mengidentifikasi aturan
bisnis untuk model data tertentu. Aturan bisnis adalah deskripsi yang tepat tentang kebijakan,
prosedur, atau prinsip dalam organisasi mana pun yang menyimpan dan menggunakan data
untuk menghasilkan informasi. Aturan bisnis diturunkan dari deskripsi operasi organisasi, dan
membantu menciptakan dan menegakkan proses bisnis di organisasi itu.
Entitas digambarkan dalam persegi panjang, dan hubungan dijelaskan pada garis antara
dua entitas. Atribut untuk setiap entitas dicantumkan, dan kunci utama digaris bawahi. Kamus
data menyediakan informasi tentang setiap atribut, seperti namanya, apakah itu kunci, bagian
dari kunci, atau atribut bukan kunci; jenis data yang diharapkan (alfanumerik, numerik, tanggal,
dll.); dan nilai yang valid. Kamus data juga dapat memberikan informasi mengapa atribut
diperlukan dalam database; fungsi bisnis, aplikasi, formulir, dan laporan mana yang
menggunakan atribut tersebut dan seberapa sering atribut harus diperbarui.
Pemodelan ER sangat berharga karena memungkinkan perancang basis data untuk
berkomunikasi dengan pengguna di seluruh organisasi untuk memastikan bahwa semua entitas
dan hubungan antar entitas terwakili. Proses ini menggarisbawahi pentingnya
Halaman 44
mempertimbangkan semua pengguna saat merancang database organisasi. Perhatikan bahwa
semua entitas dan hubungan dalam contoh kita diberi label dalam istilah yang dapat dipahami
pengguna.
Relasi menggambarkan hubungan antar entitas. Derajat suatu hubungan menunjukkan
jumlah entitas yang terkait dengan suatu hubungan. Sebuah hubungan unary ada ketika sebuah
asosiasi dipertahankan dalam satu entitas. Hubungan biner ada ketika dua entitas diasosiasikan.
Hubungan ternary terjadi ketika tiga entitas diasosiasikan. Dalam bab ini, kita hanya membahas
hubungan biner karena merupakan yang paling umum. Relasi entitas dapat diklasifikasikan
sebagai satu-ke-satu, satu-ke-banyak, atau banyak-ke-banyak. Istilah konektivitas
menggambarkan klasifikasi hubungan.
Konektivitas dan kardinalitas ditetapkan oleh aturan bisnis suatu hubungan. Kardinalitas
mengacu pada berapa kali sebuah instance dari satu entitas dapat dikaitkan dengan sebuah
instance dalam entitas terkait. Kardinalitas dapat berupa tunggal wajib, tunggal opsional, banyak
wajib, atau banyak pilihan.
Mari kita lihat contoh dari sebuah universitas. Entitas adalah orang, tempat, atau benda
yang dapat diidentifikasi di lingkungan kerja pengguna. Misalnya, pertimbangkan pendaftaran
siswa di universitas. Siswa mendaftar untuk kursus, dan mereka juga mendaftarkan mobil
mereka untuk izin parkir. Dalam contoh ini, MAHASISWA, IZIN PARKIR, KELAS, dan
PROFESOR adalah entitas. Ingatlah bahwa turunan entitas mewakili siswa, izin parkir, kelas,
atau profesor tertentu. Oleh karena itu, SISWA tertentu (James Smythe, 8023445) adalah turunan
dari entitas SISWA; izin parkir tertentu (91778) adalah turunan dari entitas IZIN PARKIR; kelas
tertentu (76890) adalah turunan dari entitas CLASS; dan profesor tertentu (Margaret Wilson,
390567) adalah turunan dari entitas PROFESSOR.
Instance entitas memiliki pengidentifikasi, atau kunci utama, yang merupakan atribut
(atribut dan pengidentifikasi adalah sinonim) yang unik untuk instance entitas tersebut.
Misalnya, instance SISWA dapat diidentifikasi dengan Nomor Induk Mahasiswa; contoh IZIN
PARKIR dapat diidentifikasi dengan Nomor Izin; Mesin virtual CLASS dapat diidentifikasi
dengan Nomor Kelas; dan instansi PROFESSOR dapat diidentifikasi dengan Nomor Identifikasi
Profesor.
Entitas memiliki atribut, atau properti, yang menggambarkan karakteristik entitas. Dalam
contoh yaitu, atribut untuk SISWA adalah Nama Mahasiswa dan Alamat Mahasiswa. Contoh
atribut IZIN PARKIR adalah NIP dan Jenis Mobil. Contoh atribut untuk CLASS adalah Nama
Kelas, Waktu Kelas, dan Tempat Kelas. Contoh atribut untuk PROFESSOR adalah Nama
Profesor dan Jurusan Profesor. (Perhatikan bahwa setiap mata kuliah di universitas ini memiliki
satu profesor—tidak ada pengajaran tim.)
Mengapa Nomor Induk Mahasiswa merupakan atribut dari kelas entitas SISWA dan
IZIN PARKIR? Artinya, mengapa kita membutuhkan kelas entitas IZIN PARKIR? Jika Anda
mempertimbangkan semua sistem universitas yang saling terkait, kelas entitas IZIN PARKIR
diperlukan untuk aplikasi lain, seperti pembayaran biaya, tiket parkir, dan tautan eksternal ke
Departemen Kendaraan Bermotor negara bagian.
Halaman 45
Mari pertimbangkan tiga jenis hubungan biner dalam contoh sebagai berikut :
Dalam hubungan satu-ke-satu (1:1), sebuah instance entitas tunggal dari satu tipe terkait dengan
instance entitas tunggal dari tipe lain. Dalam contoh universitas kami, IZIN SISWA-PARKIR
adalah hubungan 1:1. Aturan bisnis di universitas ini yang diwakili oleh hubungan ini adalah:
Mahasiswa hanya boleh mendaftarkan satu mobil di universitas ini. Tentunya siswa tidak perlu
mendaftarkan mobil sama sekali. Artinya, seorang siswa hanya dapat memiliki satu izin parkir
tetapi tidak perlu memilikinya.
Perhatikan bahwa garis hubungan pada sisi IZIN PARKIR menunjukkan kardinalitas tunggal
opsional. Seorang siswa dapat memiliki, tetapi tidak harus, izin parkir. Di sisi hubungan SISWA,
hanya satu izin parkir yang dapat diberikan kepada satu siswa, menghasilkan kardinalitas lajang
wajib. Lihat Gambar dibawah ini.
Jenis hubungan kedua, satu-ke-banyak (1:M), diwakili oleh hubungan CLASS-PROFESSOR
pada gambar dibawah ini. Aturan bisnis di universitas ini yang diwakili oleh hubungan ini adalah
sebagai berikut: Di universitas ini, tidak ada pengajaran tim. Oleh karena itu, setiap kelas harus
memiliki hanya satu profesor. Di sisi lain, profesor dapat mengajar lebih dari satu kelas.
Perhatikan bahwa garis hubungan di sisi PROFESSOR menunjukkan kardinalitas tunggal wajib.
Sebaliknya, garis hubungan di sisi CLASS menunjukkan kardinalitas banyak opsional.
Jenis hubungan ketiga, banyak-ke-banyak (M:M), diwakili oleh hubungan SISWA-KELAS.
Sebagian besar sistem manajemen basis data tidak mendukung hubungan banyak-ke-banyak.
Oleh karena itu, dengan bantuan menggunakan tabel persimpangan (atau jembatan) sehingga
memiliki dua hubungan satu-ke-banyak. Aturan bisnis di universitas ini diwakili oleh hubungan
ini adalah: Siswa dapat mendaftar untuk satu kelas atau lebih, dan setiap kelas dapat memiliki
satu atau lebih siswa. Pada gambar dibawah ini, terdapat tabel PENDAFTARAN sebagai tabel
persimpangan. Perhatikan bahwa Student ID dan Class ID adalah kunci asing dalam tabel
PENDAFTARAN.
Halaman 46
Untuk menggunakan sistem manajemen basis data relasional secara efisien dan efektif, data
harus dianalisis untuk menghilangkan elemen data yang berlebihan. Normalisasi adalah metode
untuk menganalisis dan mengurangi basis data relasional ke bentuk yang paling ramping untuk
memastikan redundansi minimum, integritas data maksimum, dan kinerja pemrosesan yang
optimal. Normalisasi data adalah metodologi untuk mengatur atribut ke dalam tabel sehingga
redundansi di antara atribut non-kunci dihilangkan. Hasil dari proses normalisasi data adalah
database relasional yang terstruktur dengan baik.
Normalisasi data memerlukan daftar semua atribut yang harus dimasukkan ke dalam database
dan daftar semua asosiasi yang mendefinisikan, atau dependensi fungsional, di antara atribut.
Ketergantungan fungsional adalah sarana untuk menyatakan bahwa nilai dari satu atribut tertentu
dikaitkan dengan nilai tunggal tertentu dari atribut lain. Misalnya, untuk Nomor Mahasiswa
05345 di sebuah universitas, ada tepat satu Nama Mahasiswa, John C. Jones, yang terkait
dengannya. Artinya, Nomor Pelajar disebut sebagai determinan karena nilainya menentukan nilai
atribut lainnya. Kita juga dapat mengatakan bahwa Nama Siswa secara fungsional bergantung
pada Nomor Siswa.
Sebagai contoh normalisasi, pertimbangkan toko pizza. Toko ini menerima pesanan dari
pelanggan dalam bentuk formulir. Gambar dibawah ini menunjukkan tabel data yang tidak
dinormalisasi yang dikumpulkan oleh toko pizza. Tabel ini memiliki dua catatan, satu untuk
setiap pesanan yang dilakukan. Karena ada beberapa pizza di setiap pesanan, nomor pesanan dan
informasi pelanggan muncul dalam beberapa baris. Beberapa atribut dari setiap record memiliki
nilai null. Nilai null adalah atribut tanpa data di dalamnya. Misalnya, Nomor Pesanan memiliki
empat nilai nol. Oleh karena itu, tabel ini tidak dalam bentuk normal pertama. Data yang diambil
dari formulir tersebut ditunjukkan pada Gambar dibawah ini.
Halaman 47
Costumer ID : Costumer Address
Costumer ID : Zip Code
Costumer ID : Total Price
Pizza Code : Pizza Name
Pizza Code : Price
Dalam proses normalisasi, kita akan melanjutkan dari data yang tidak dinormalisasi, ke bentuk
normal pertama, ke bentuk normal kedua, dan kemudian ke bentuk normal ketiga.
Gambar dibawah ini, menunjukkan data dalam bentuk normal pertama. Atribut yang
dipertimbangkan terdaftar dalam satu tabel dan kunci utama telah ditetapkan. Kunci utama kami
adalah Nomor Pesanan, ID Pelanggan, dan Kode Pizza. Dalam bentuk normal pertama, setiap
ORDER harus mengulang nomor pesanan, tanggal pemesanan, nama depan pelanggan, nama
belakang pelanggan, alamat pelanggan, dan kode pos pelanggan. File data ini berisi grup
berulang dan menjelaskan banyak entitas. Artinya, relasi ini memiliki redundansi data,
kurangnya integritas data, dan flat file akan sulit digunakan di berbagai aplikasi yang mungkin
dibutuhkan oleh toko pizza.
Perhatikan tabel pada Gambar diatas, dan perhatikan kolom paling pertama (berlabel Nomor
Pesanan). Kolom ini berisi banyak entri untuk setiap pesanan—tiga baris untuk Nomor Pesanan
1116 dan tiga baris untuk Nomor Pesanan 1117. Beberapa baris untuk satu pesanan ini disebut
grup berulang. Tabel pada Gambar diatas juga memuat beberapa entitas: ORDER, CUSTOMER,
dan PIZZA. Oleh karena itu, kami beralih ke bentuk normal kedua.
Untuk menghasilkan bentuk normal kedua, kami memecah tabel pada Gambar diatas menjadi
tabel yang lebih kecil untuk menghilangkan beberapa redundansi datanya. Bentuk normal kedua
tidak mengizinkan ketergantungan fungsional parsial. Artinya, dalam sebuah tabel dalam bentuk
normal kedua, setiap atribut bukan kunci harus bergantung secara fungsional pada seluruh kunci
primer dari tabel tersebut.
Halaman 48
Jika Anda memeriksa Gambar diatas, Anda akan melihat bahwa bentuk normal kedua belum
menghilangkan semua redundansi data. Misalnya, setiap Nomor Pesanan diduplikasi tiga kali,
seperti semua data pelanggan. Dalam bentuk normal ketiga, atribut non-kunci tidak
diperbolehkan untuk mendefinisikan atribut non-kunci lainnya. Artinya, bentuk normal ketiga
tidak memungkinkan dependensi transitif di mana satu atribut non-kunci secara fungsional
bergantung pada atribut lainnya.
Dalam contoh kami, informasi pelanggan bergantung pada ID Pelanggan dan Nomor Pesanan.
Gambar dibawah ini menunjukkan data dari toko pizza dalam bentuk normal ketiga. Struktur
bentuk normal ketiga memiliki poin penting sebagai berikut :
Ini benar-benar bebas dari redundansi data.
Semua kunci asing muncul jika diperlukan untuk menautkan tabel terkait.
Halaman 49
Gambar Bentuk normal ketiga untuk data dari toko pizza.
Mari kita lihat kunci utama dan kunci asing untuk tabel dalam bentuk normal ketiga :
Hubungan ORDER : Kunci utama adalah Nomor Pesanan dan kunci asing adalah ID
Pelanggan.
Hubungan PELANGGAN : Kunci utama adalah ID Pelanggan.
Hubungan PIZZA : Kunci utama adalah Kode Pizza.
Relasi ORDER–PIZZA : Kunci utama adalah kunci komposit, terdiri dari dua kunci
asing, Nomor Pesanan dan Kode Pizza.
Sekarang pertimbangkan untuk memesan di toko pizza. Tabel dalam bentuk normal
ketiga dapat menghasilkan urutan dengan cara berikut dengan menggunakan operasi join.
Operasi gabungan menggabungkan catatan dari dua atau lebih tabel dalam database untuk
mendapatkan informasi yang terletak di tabel yang berbeda. Dalam contoh kami, operasi
gabungan menggabungkan catatan dari empat tabel yang dinormalisasi untuk
menghasilkan ORDER.
Halaman 50
Kunci utama dari relasi ORDER-PIZZA adalah kunci komposit yang terdiri dari Nomor Pesanan
dan Kode Pizza. Oleh karena itu, komponen Kode Pizza dari kunci utama menyediakan tautan ke
relasi PIZZA (tautan bernomor 2 pada Gambar dibawah ini).
Relasi PIZZA memasok Nama dan Harga Pizza ke ORDER.
ID Pelanggan di ORDER (kunci asing) menyediakan tautan ke hubungan PELANGGAN
(tautan bernomor 3 pada Gambar dibawah ini).
Relasi PELANGGAN memasok FName Pelanggan, LName Pelanggan, Alamat
Pelanggan, dan Kode Pos ke ORDER.
Di akhir proses bergabung ini, kami memiliki ORDER lengkap. Normalisasi bermanfaat ketika
memelihara database selama periode waktu tertentu. Salah satu contohnya adalah kemungkinan
harus mengubah harga setiap pizza. Jika toko pizza menaikkan harga Meat Feast dari $12,00
menjadi $12,50, proses ini adalah satu langkah mudah pada gambar diatas. Bidang harga diubah
menjadi $12,50, dan PESANAN diperbarui secara otomatis dengan nilai harga saat ini.
BAB IV
PENUTUP
4.1 Kesimpulan
Big data adalah sekumpulan data yang memiliki volume atau ukuran yang sangat besar
yang terdiri dari data yang terstruktur (structured), semi-terstruktur (semi structured), dan tidak
Halaman 51
terstruktur (unstructured) yang dapat berkembang seiring waktu berjalan. Dalam big data sendiri
terdapat tiga karakteristik atau aspek yang biasanya disebut dengan Three V atau tiga V. Yaitu
Volume, Velocity dan Variety. Ketiga karakteristik di atas harus dimiliki oleh big data, jika salah
satu dari ketiga karakteristik di atas tidak terpenuhi, maka kumpulan data tersebut tidak dapat
dikategorikan sebagai big data. Selain ketiga karakteristik di atas, big data juga memiliki dua
karakteristik tambahan. Kedua karakteristik tersebut adalah value dan veracity. Berikut adalah
penjelasan dari value dan veracity.
Value
Value sendiri memiliki arti nilai atau makna. Sebuah data dapat disebut memiliki value
jika hasil dari pemrosesan data tersebut dapat membantu dalam pengambilan keputusan
yang lebih baik. Biasanya karakteristik value ini diperlukan dalam bidang bisnis.
Veracity
Veracity disini mengacu pada tingkat akurasi dalam pengumpulan data dan seberapa
akurat data tersebut. Dengan data yang memiliki tingkat keakuratan yang tinggi, maka
pengambilan keputusan akan lebih baik dan maksimal. Sama seperti value, veracity ini
juga sering diperlukan dalam bidang bisnis.
Halaman 52
Database Management System (DBMS) adalah satu set program yang menyediakan
pengguna dengan alat untuk menambahkan, menghapus, mengakses, dan menganalisa data yang
disimpan di satu lokasi DBMS juga menyediakan mekanisme untuk menjaga integritas dari data
yang disimpan, memanage keamanan dan akses pengguna, dan memulihkan data jika sistem
gagal. Data mart adalah data warehouse yang dirancang untuk kebutuhan pengguna akhir di
unit strategis bisnis atau departemen. Data Mart jauh lebih murah daripada Data Warehouse.
Tacit
- Cumulative store dari pembelajaran subjektif atau pengalaman.
- Terdiri dari pengalaman organisasi, wawasan, keahlian, pengetahuan, rahasia dagang,
keahlian, pemahaman, dan pembelajaran. Termasuk juga budaya organisasi.
- Umumnya tidak tepat dan sangat pribadi karena tidak terstruktur
Halaman 53
manajemen pengetahuan antar perusahaan. KMSs dimaksudkan untuk membantu organisasi
mengatasi omset, perubahan yang cepat, dan membuat keahlian sumber daya manusia di
organisasi diakses secara luas.
4.2 Saran
Untuk Perusahaan berkaitan dengan implementasi Knowledge Management System ini bertumpu
pada analisa SWOT. Disarankan untuk meningkatkan internal perusahaan.
Daftar Referensi
Halaman 54
2022. (21:50), dari LANDASAN TEORI. Manajemen pengetahuan (knowledge
management) merupakan suatu model gabungan - PDF Free Download (adoc.pub)
Keuntungan dan Kerugian Knowledge Management - Simulasi Kredit SimulasiKredit. 2021.
Keuntungan dan Kerugian Knowledge Management. Diakses pada Selasa, 15 November
2022 (22.41), dari Keuntungan dan Kerugian Knowledge Management |
SimulasiKredit.com
Adani, M. R. (2020). Pengenalan Big Data : Pengertian, Fungsi, Manfaat, dan Tools. Diakses
pada ( November 23, 15:00). Dari, Big Data: Pengertian, Fungsi, Manfaat, Dan Tools
(sekawanmedia.co.id)
Aullya. (2014). Perbedaan data Werehouse dan Data Mart. Diakses pada Selasa, 15 November
2022 (10:10). Dari, Perbedaan Data Warehouse dan Data Mart – Sharing Cantik
(wordpress.com)
Azure.microsoft.com . (t.thn.). Apa itu Tata Kelola Data? Alat dan Prinsip. Diakses pada Jumat,
18 November 2022 (21:14). Dari, https://azure.microsoft.com/id-id/resources/cloud-
computing-dictionary/what-is-a-data-governance/
Rainer, R. Kelly; Brad Prince. (2019). Introduction to Information Systems, Supporting and
Transforming Business. 8th edition, John Wiley & Sons, Inc. ISBN: 978-1-119-59463-5
Evaristus Didik Madyatmadja - Binus University School of Information Systems . (2021). File-
Based Approach VS Database Approach. Diakses pada Jumat 18 November 2022
(19:20). Dari, https://sis.binus.ac.id/2021/10/14/file-based-approach-vs-datababe-
approach/
Fransisca - Binus University School of Information Systems. (2019). Hirarki Data. Diakses pada
Jumat 18 November 2022 (19:47). Dari https://sis.binus.ac.id/2019/05/27/hirarki-data/
LinovHR. (2022). Data and Knowledge Management. Diakses pada Senin, 14 November 2022
(18:23). Diakses pada https://www.linovhr.com/knowledge-management/amp/
Riadi, M. (2020). KajianPustaka.com. Knowledge Management (Penfertian, Fungsi, Jenis, Level
dan Siklus). Diakses Pada 11/23/2022 (19:00), dari Knowledge Management (Pengertian,
Fungsi, Komponen, Jenis, Level dan Siklus) (kajianpustaka.com)
Oracle. (2022). What is Big Data?. Diakses pada Senin, 14 November 2022 (14:00), dari What
Is Big Data? | Oracle
SAS. (2022). Big Data. Diakses Pada Selasa, 15 November 2022 (20:00), dari Big Data: Apa itu
dan mengapa itu penting | SAS
Lembaga Ilmu Pengetahuan Indonesia. (2016). Apa itu Big Data? BRIN Indonesia. Diakses pada
Kamis, 17 November 2022 (19:00), Dari Apa Itu Big Data? - YouTube
Halaman 55
Halaman 56