Projek

Data and Knowledge Management

Teknologi dan Sistem Informasi
Selasa 13:30 – 16:00
Kelas BA
Dr. Julisar., SE., Ak, MM., CA., CertDA

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.

Bekasi, 24 November 2022

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

1.1. Latar Belakang

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

1. Apa kegunaan Big Data bagi suatu perusahaan?

2. Bagaimana cara untuk mengelola Big Data perusahaan?
3. Bagaimana cara menerapkan Knowledge Management untuk menangani suatu
masalah?
4. Apa kegunaan dari Knowledge Management dalam suatu perusahaan?

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

Data and Knowledge Management :

1. Pengertian Big Data:
Big data adalah kumpulan proses yang terdiri dari volume data dalam jumlah besar yang
terstruktur maupun tidak terstruktur dan digunakan untuk membantu kegiatan bisnis. Big data
sendiri merupakan pengembangan dari sistem database pada umumnya. Yang membedakan
disini adalah proses kecepatan, volume, dan jenis data yang tersedia lebih banyak dan bervariatif
daripada DBMS (Database Management System) pada umumnya.

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.

b. Customer Relationship Management (CRM)

Anda perlu menjaga dan meningkatkan hubungan baik dengan pelanggan dan sales. Dengan
melakukan management menggunakan beberapa fitur tambahan untuk membantu anda dalam
memonitoring kegiatan penjualan, menghitung rata – rata konversi, dan lain sebagainya. 

c. Mengoptimalkan pengalaman penggunaan aplikasi

Penggunaan perangkat mobile terus meningkat, sehingga perlu adanya optimasi dari sisi software
dan hardware. Selain itu, penyimpanan data juga sangat berpengaruh terhadap optimalisasi sebuah
aplikasi. Dengan big data, proses transfer dan manajemen data berjalan lebih cepat dan akurat. 

Tools yang digunakan

Terdapat beberapa tools yang digunakan terkait dengan penggunaan basis data skala besar.
Berikut beberapa tools yang dapat anda coba dan gunakan untuk kepentingan bisnis anda. 
 Tableau
 Xplenty
 RapidMiner
 Pentaho
 Skytree
 Looker
 Domo
 Knime
 Sisense
 Cassandra
Sebenarnya, masih banyak tools yang dapat anda gunakan untuk mengembangkan big
data. Apabila anda menginginkan penyimpanan yang lebih besar, teknologi cloud sangat kami
rekomendasikan. Contohnya, menggunakan software milik google seperti BigTable
berbasis cloud base. 
Jadi, big data memiliki beberapa fungsi dan manfaat terkait dengan kebutuhan
penyimpanan data yang besar dengan proses pembacaan data lebih cepat dan efisien. Terdapat
beberapa tools yang dapat kami rekomendasikan untuk kebutuhan penunjang bisnis. 
Berikut ini terdapat beberapa ringkasan teori mengenai Big Data, yaitu sebagai berikut :
Big Data adalah aktivitas untuk mengumpulkan sejumlah besar data dari berbagai sumber
untuk mengdentifikasi trend dan pola data tersebut. Informasi yang diperoleh akan digunakan

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?”)

2. Knowledge Management (Manajemen Pengetahuan) :

Manajemen pengetahuan (knowledge management) merupakan suatu model gabuangan
berbagai aspek pengetahuan dalam suatu perusahaan. Oleh karena itu di dalam manajemen
pengetahuan termasuk penciptaan, pengkodean, dan pendistribusian pengetahuan. Manajemen
pengetahuan juga dapat diartikan sebagai proses pengumpulan dan penggunaan pengetahuan –
pengetahuan dalam perusahaan, baik yang berupa pengetahuan tertulis (dokumen, laporan, basis
data) maupun pengetahuan yang berada pada pikiran pekerja di perusahaan tersebut.
Knowledge Acquisition (Akuisisi Pengetahuan) :
Akuisisi pengetahuan merupakan salah satu tahap penting dalam pengembangan sistem
pakar, oleh karena itu keberadaannya perlu didukung oleh sistem pengetahuan dasar (knowledge
based system). Pada tahap akuisisi pengetahuan inilah dilakukan proses pengumpulan
pengetahuan dari para pakar oleh perekayasa pengetahuan atau Knowledge Engineer (KE), yang

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.

Manajemen pengetahuan adalah sebuah proses perencanaan dan pengontrolan kinerja

aktivitas tentang pembentukan proses pengetahuan, yakni proses yang membantu suatu
organisasi atau lembaga dalam mendapatkan, memilih, menyebarluaskan (distribusi), dan
mentransfer informasi yang dianggap penting dan informasi yang didapat dari beragam keahlian
seseorang seperti informasi yang muncul pada saat diskusi untuk menyelesaikan masalah
organisasi, pembelajaran dinamis, perencanaan strategis dan proses pengambilan keputusan.

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.

Fungsi dan Manfaat Knowledge Management 

Manajemen pengetahuan digunakan untuk memfasilitasi pengumpulan, perekaman,

pengorganisasian, penyaringan, analisis, temu kembali dan penyebaran pengetahuan eksplisit dan
implisit serta dapat menunjukkan fungsi strategis dengan sangat jelas. Fungsi adanya aplikasi
manajemen pengetahuan adalah sebagai perantara transfer pengetahuan antara penyedia dan
pencari pengetahuan dari pikiran pemiliknya ke tempat penyimpanan eksternal dan sebaliknya
pengambilan pengetahuan dari penyimpanan eksternal yang disaring sesuai dengan kebutuhan
dan mudah dipahami oleh pengguna.

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.

Implementasi knowledge management atau manajemen pengetahuan akan memberikan

pengaruh positif terhadap proses bisnis perusahaan baik secara langsung maupun tidak langsung.
Adapun manfaat adanya manajemen pengetahuan di perusahaan antara lain adalah sebagai
berikut: 

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.

Komponen Knowledge Management 

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.

Level Knowledge Management 

Menurut Dewiyana (2009), level knowledge management atau manajemen pengetahuan dapat
digambarkan seperti piramida di bawah ini.

Adapun penjelasan setiap level manajemen pengetahuan gambar di atas adalah sebagai berikut: 

1. Level 1: Data tersebar ditransformasikan oleh processing (pemrosesan data) ke informasi.

Pada level ini biasanya disebut manajemen dokumen yaitu mengelolah isi informasi
(content management), mengorganisasikan dan mendistribusikan informasi. Pemakai
dapat melakukan akses dan temu kembali dokumen secara Online pada database. 
2. Level 2: Data dianalisis dan diterapkan sehingga menjadi informasi. Pemakai bisa
menyumbangkan informasi ke sistem, menciptakan isi baru dan mengembangkan
database pengetahuan. Pemakai bisa membaca dokumen Online, mendownload,
melengkapinya dan kemudian mengirimkannya ke tujuan yang dikehendaki. Dengan
demikian informasi dapat secara terus menerus di-update. 
3. Level 3: Informasi dianalisis dan diterapkan sehingga menjadi pengetahuan. Hal ini
memerlukan pemahaman tentang input dan output informasi untuk mendukung kegiatan
organisasi. Pengetahuan dibangun oleh organisasi melalui proses pemerolehan,
pendistribusian, kolaborasi dan komunikasi serta penciptaan pengetahuan baru. 
4. Level 4: Pengetahuan dianalisis dan diterapkan sehingga membuat orang bijaksana. Pada
level ini enterprise intelligence dikembangkan dengan membangun jaringan pakar,
interaksi dengan database operasional, dan performance support, dimana pengetahuan
baru yang dihasilkan, ditambahkan pada sistem.

Halaman 15
Siklus Aliran Knowledge Management 

Menurut Wijaya (2014), siklus aliran knowledge management disebut sebagai General
Knowledge Model (GKM) yang digambarkan di bawah ini.

Adapun penjelasan General Knowledge Model adalah sebagai berikut: 

1. Knowledge Creation (penciptaan pengetahuan), merupakan proses penciptaan

pengetahuan baru, dapat dilakukan dengan proses pengembangan (development),
penemuan (discovery) ataupun penangkapan (capture) pengetahuan. 
2. Knowledge Retention (penyimpanan pengetahuan), merupakan proses yang bertujuan
untuk menjaga dan memelihara serta pengambilan-kembali pengetahuan yang ada. 
3. Knowledge Transfer (pemindahan pengetahuan), merupakan proses untuk
mengalirkan pengetahuan dari satu pihak ke pihak yag lainnya, meliputi proses
komunikasi, penterjemahan, pengubahan dan juga pemilahan. Knowledge Transfer dapat
juga dipahami sebagai Knowledge Sharing (penyebarluasan pengetahuan). 
4. Knowledge Utilization (pemanfaatan pengetahuan), merupakan proses yang berkaitan
dengan pemanfaatan pengetahuan yang ada.

Halaman 16
 BAB III
PEMBAHASAN

3.1. Managing Data

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.

 Kesulitan Mengelola Data

Karena data diproses dalam beberapa tahap dan seringkali di beberapa lokasi, data
tersebut sering mengalami masalah dan kesulitan. Mengelola data dalam organisasi sulit karena
berbagai alasan.
Pertama, jumlah data meningkat secara eksponensial seiring waktu. Harus banyak data
sejarah disimpan untuk waktu yang lama, dan data baru ditambahkan dengan cepat. Misalnya,
untuk mendukung jutaan customers, pengecer besar seperti Walmart harus mengelola banyak
data. (Satu petabyte sekitar 1.000 terabyte, atau triliunan byte)
Data juga tersebar di seluruh organisasi, dan dikumpulkan oleh banyak individu
menggunakan berbagai metode dan perangkat. Data ini sering disimpan di banyak server dan
lokasi dan dalam sistem komputasi, database, format, dan bahasa manusia dan komputer yang
berbeda.
Masalah lainnya adalah data dihasilkan dari berbagai sumber: sumber internal (misalnya,
database perusahaan dan dokumen perusahaan); sumber pribadi (misalnya, pemikiran, pendapat,
dan pengalaman pribadi); dan sumber eksternal (misalnya, basis data komersial, laporan
pemerintah, dan situs web perusahaan). Data juga berasal dari Web dalam bentuk data
clickstream. Data aliran klik adalah data yang dihasilkan pengunjung dan pelanggan saat mereka
mengunjungi situs web dan mengklik hyperlink. Data aliran klik menyediakan jejak aktivitas
pengguna di situs web, termasuk perilaku pengguna dan pola penelusuran.
Menambah masalah ini adalah kenyataan bahwa sumber data baru seperti blog, tweet
podcast, posting Facebook, video YouTube, teks, dan tag RFID serta sensor nirkabel lainnya
terus dikembangkan, dan data yang dihasilkan teknologi ini harus dikelola, Alio . data menjadi
kurang terkini dari waktu ke waktu. Misalnya, pelanggan pindah ke alamat baru atau mengubah
nama mereka; perusahaan gulung tikar atau dibeli, produk baru dikembangkan; karyawan
dipekerjakan atau dipecat; dan perusahaan memperluas ke negara-negara baru.
Data juga tunduk pada pembusukan data. Pembusukan data terutama mengacu pada
masalah dengan media tempat data disimpan. Seiring waktu, suhu, kelembaban, dan paparan
cahaya dapat menyebabkan masalah fisik pada media penyimpanan sehingga mempersulit akses
data. Aspek kedua dari pembusukan data adalah sulitnya menemukan mesin yang diperlukan
untuk mengakses data. Misalnya, saat ini hampir tidak mungkin menemukan pemutar 8-track
untuk memutar dan mendengarkan musik. Akibatnya, perpustakaan kaset 8-track menjadi relatif

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.

 Data Governance (Tata Kelola Data)

Untuk mengatasi berbagai masalah yang terkait dengan pengelolaan data, organisasi
beralih ke tata kelola data. Tata kelola data adalah pendekatan untuk mengelola informasi di
seluruh organisasi. Ini melibatkan serangkaian proses dan kebijakan bisnis formal yang
dirancang untuk memastikan bahwa data ditangani dengan cara tertentu yang terdefinisi dengan
baik. Artinya, organisasi mengikuti aturan yang jelas untuk membuat, mengumpulkan,
menangani, dan melindungi informasinya. Tujuannya adalah untuk membuat informasi tersedia,
transparan, dan berguna bagi orang-orang yang berwenang untuk mengaksesnya, mulai dari saat
informasi tersebut masuk ke dalam organisasi hingga menjadi usang dan dihapus.

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.

2. Aturan dan regulasi

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.

3.2. The Database Approach

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.

Misalnya, bayangkan sebagian besar informasi Anda disimpan di database pusat

universitas Anda. Selain itu, bagaimanapun, klub tempat Anda berada menyimpan file-nya
sendiri, departemen letics memiliki file terpisah untuk atlet siswa, dan instruktur Anda
mempertahankan nilai data di komputer pribadi mereka. Nama Anda mudah salah eja di salah
satu dari ini database atau file. Demikian pula, jika Anda pindah, alamat Anda mungkin
diperbarui dengan benar menjadi satu database file tetapi tidak di yang lain.
Basis data sistem meminimalkan masalah berikut :
● Data Rendundancy : Data yang sama disimpan di beberapa lokasi.
● Data isolation : Aplikasi tidak dapat mengakses data yang terkait dengan aplikasi lain.
● Data Inconsistency : Berbagai salinan data tidak sesuai.

Sistem basis data juga memaksimalkan hal berikut :

● Data Security : Karena data berada di satu tempat" dalam basis data, ada risiko
kehilangan banyak data sekaligus. Oleh karena itu, basis data harus memiliki langkah
keamanan yang sangat tinggi untuk meminimalkan kesalahan dan mencegah serangan.

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

Berikut merupakan kelemahan dari Database approach

● Penanganan data pada DBMS dapat dikatakan lebih kompleks dan rumit dibandingkan
File-system.
● Harus membutuhkan biaya yang lebih banyak karena membutuhkan biaya hardware dan
software yang akan digunakan

The Relational Database Model

Database management system (DBMS) adalah seperangkat program yang menyediakan
alat bagi pengguna untuk membuat dan mengelola basis data. Mengelola database mengacu pada
proses menambah, menghapus, mengakses, memodifikasi, dan menganalisis data yang disimpan
dalam database. Suatu organisasi dapat mengakses data ini dengan menggunakan alat kueri dan
pelaporan yang merupakan bagian dari DBMS atau dengan menggunakan program aplikasi yang
khusus ditulis untuk menjalankan fungsi ini. DBMSS juga menyediakan mekanisme untuk
menjaga integritas data yang disimpan, mengelola keamanan dan akses pengguna serta
memulihkan informasi jika sistem jatuh. Karena database dan DBMSS sangat penting untuk
semua area bisnis, mereka harus dikelola dengan hati-hati.
Sebagian besar data bisnis khususnya data akuntansi dan keuangan secara tradisional
adalah data yang menjadi tabel sederhana yang terdiri dari kolom dan baris. Tabel
memungkinkan orang untuk membandingkan informasi dengan cepat berdasarkan baris atau
kolom. Pengguna juga dapat mengambil item dengan lebih mudah dengan mencari lokasi titik
potong baris dan kolom tertentu. Model basis data relasional didasarkan pada konsep tabel dua
dimensi. Database relasional umumnya bukan satu tabel besar-biasanya disebut flat file-yang
berisi semua record dan atribut. Desain seperti itu akan memerlukan terlalu banyak redundansi
data. Sebaliknya, database relasional biasanya dirancang dengan sejumlah tabel terkait. Setiap
tabel ini berisi catatan (tercantum dalam baris) dan atribut (tercantum dalam kolom).
Agar berharga, database relasional harus diatur sehingga pengguna dapat mengambil,
menganalisis, dan memahami data yang mereka butuhkan. Kunci untuk mendesain database
yang efektif adalah model data. Model data adalah diagram yang mewakili entitas dalam
database dan hubungan mereka. Entitas adalah orang, tempat, benda, atau peristiwa seperti
pelanggan, karyawan, atau produk yang informasinya disimpan oleh organisasi. Entitas biasanya
dapat diidentifikasi di lingkungan kerja pengguna. Sebuah catatan umumnya menggambarkan
suatu entitas. Instance entitas merujuk ke setiap baris dalam tabel relasional, yang merupakan
representasi entitas yang spesifik dan unik.

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.

3.3. Big Data

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

Volume Jumlah data penting. Dengan data besar, Anda harus memproses

volume tinggi dari data tidak terstruktur dengan kepadatan rendah. Ini
bisa berupa data dengan nilai yang tidak diketahui, seperti feed data
Twitter, aliran klik di halaman web atau aplikasi seluler, atau peralatan
yang mengaktifkan sensor. Untuk beberapa organisasi, ini mungkin
puluhan terabyte data. Bagi yang lain, mungkin ratusan petabyte.

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.

Nilai dan kebenaran dari big data

Data memiliki nilai intrinsik. Tapi tidak ada gunanya sampai nilai itu ditemukan. Sama
pentingnya: Seberapa jujur data Anda dan seberapa banyak Anda dapat mengandalkannya?
Saat ini, big data sudah menjadi modal. Pikirkan beberapa perusahaan teknologi terbesar
di dunia. Sebagian besar nilai yang mereka tawarkan berasal dari data mereka, yang terus mereka
analisis untuk menghasilkan lebih banyak efisiensi dan mengembangkan produk baru.
Terobosan teknologi terbaru telah secara eksponensial mengurangi biaya penyimpanan
dan komputasi data, membuatnya lebih mudah dan lebih murah untuk menyimpan lebih banyak
data daripada sebelumnya. Dengan peningkatan volume data besar yang sekarang lebih murah
dan lebih mudah diakses, Anda dapat membuat keputusan bisnis yang lebih akurat dan tepat.
Menemukan nilai dalam data besar bukan hanya tentang menganalisisnya (yang
merupakan manfaat lain secara keseluruhan). Ini adalah seluruh proses penemuan yang
membutuhkan analis, pengguna bisnis, dan eksekutif yang berwawasan luas yang mengajukan
pertanyaan yang tepat, mengenali pola, membuat asumsi berdasarkan informasi, dan
memprediksi perilaku. Tapi bagaimana kita sampai di sini?

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.

Pengembangan Perusahaan seperti Netflix dan Procter & Gamble menggunakan

produk big data untuk mengantisipasi permintaan pelanggan. Mereka
membangun model prediktif untuk produk dan layanan baru
dengan mengklasifikasikan atribut kunci dari produk atau
layanan masa lalu dan saat ini dan memodelkan hubungan antara
atribut tersebut dan keberhasilan komersial dari
penawaran. Selain itu, P&G menggunakan data dan analitik dari
grup fokus, media sosial, pasar uji, dan peluncuran toko awal
untuk merencanakan, memproduksi, dan meluncurkan produk
baru.

Pemeliharaan Faktor-faktor yang dapat memprediksi kerusakan mekanis

prediktif mungkin terkubur dalam data terstruktur, seperti tahun,
pembuatan, dan model peralatan, serta data tidak terstruktur yang
mencakup jutaan entri log, data sensor, pesan kesalahan, dan
suhu mesin. Dengan menganalisis indikasi potensi masalah ini
sebelum masalah terjadi, organisasi dapat menerapkan

Halaman 27
 pemeliharaan dengan biaya yang lebih efektif dan
memaksimalkan waktu kerja suku cadang dan peralatan.

Pengalaman Perlombaan untuk pelanggan sedang berlangsung. Pandangan

pelanggan yang lebih jelas tentang pengalaman pelanggan sekarang lebih
mungkin daripada sebelumnya. Data besar memungkinkan Anda
mengumpulkan data dari media sosial, kunjungan web, log
panggilan, dan sumber lain untuk meningkatkan pengalaman
interaksi dan memaksimalkan nilai yang disampaikan. Mulailah
memberikan penawaran yang dipersonalisasi, kurangi churn
pelanggan, dan tangani masalah secara proaktif.

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.

Pembelajaran Pembelajaran mesin adalah topik hangat saat ini. Dan data—

mesin khususnya big data—adalah salah satu alasannya. Kami sekarang
dapat mengajar mesin alih-alih memprogramnya. Ketersediaan
big data untuk melatih model pembelajaran mesin
memungkinkan hal itu.

Efisiensi Efisiensi operasional mungkin tidak selalu menjadi berita, tetapi

operasional ini adalah area di mana big data memiliki dampak paling
besar. Dengan data besar, Anda dapat menganalisis dan menilai
produksi, umpan balik dan pengembalian pelanggan, serta faktor
lain untuk mengurangi gangguan dan mengantisipasi permintaan
di masa mendatang. Big data juga dapat digunakan untuk
meningkatkan pengambilan keputusan sejalan dengan permintaan
pasar saat ini.

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.

Manfaat Big Data

 Big data memungkinkan Anda mendapatkan jawaban yang lebih lengkap karena Anda
memiliki lebih banyak informasi.

Halaman 29
  Jawaban yang lebih lengkap berarti lebih percaya diri pada data yang berarti pendekatan
yang sama sekali berbeda untuk mengatasi masalah.

Tantangan data besar

Meskipun data besar menjanjikan banyak hal, ini bukannya tanpa tantangan.
Pertama, meskipun teknologi baru telah dikembangkan untuk penyimpanan data, volume data
menjadi dua kali lipat setiap dua tahun. Organisasi masih berjuang untuk mengimbangi data
mereka dan menemukan cara untuk menyimpannya secara efektif. Tapi itu tidak cukup hanya
menyimpan data. Data harus digunakan untuk menjadi berharga dan itu tergantung pada
kurasi. Data bersih, atau data yang relevan dengan klien dan diatur sedemikian rupa sehingga
memungkinkan analisis yang bermakna, membutuhkan banyak pekerjaan. Ilmuwan data
menghabiskan 50 hingga 80 persen waktunya untuk membuat dan menyiapkan data sebelum
benar-benar dapat digunakan.
Akhirnya, teknologi data besar berubah dengan sangat cepat. Beberapa tahun lalu,
Apache Hadoop adalah teknologi populer yang digunakan untuk menangani big data. Kemudian
Apache Spark diperkenalkan pada tahun 2014. Saat ini, kombinasi dari kedua framework
tersebut tampaknya merupakan pendekatan terbaik. Mengikuti teknologi data besar adalah
tantangan yang berkelanjutan.

Bagaimana Big Data bekerja

1. Integrasi
Big data menyatukan data dari banyak sumber dan aplikasi yang berbeda. Mekanisme integrasi
data tradisional, seperti mengekstrak, mengubah, dan memuat (ETL) umumnya tidak sesuai
dengan tugas. Dibutuhkan strategi dan teknologi baru untuk menganalisis kumpulan data besar
pada skala terabyte, atau bahkan petabyte. Selama integrasi, Anda perlu memasukkan data,
memprosesnya, dan memastikannya diformat dan tersedia dalam bentuk yang dapat digunakan
oleh analis bisnis Anda.
2. Kelola
Data besar membutuhkan penyimpanan. Solusi penyimpanan Anda bisa di cloud, di tempat, atau
keduanya. Anda dapat menyimpan data Anda dalam bentuk apa pun yang Anda inginkan dan
membawa persyaratan pemrosesan yang Anda inginkan dan mesin proses yang diperlukan ke
kumpulan data tersebut berdasarkan permintaan. Banyak orang memilih solusi penyimpanan
mereka berdasarkan tempat data mereka saat ini berada. Cloud semakin populer karena
mendukung persyaratan komputasi Anda saat ini dan memungkinkan Anda untuk meningkatkan
sumber daya sesuai kebutuhan.
3. Analisis

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.

Kemudahan kekurangan Salah satu kendala terbesar untuk mendapatkan keuntungan

keterampilan dengan dari investasi Anda dalam big data adalah kekurangan
standar dan tata kelola keterampilan. Anda dapat mengurangi risiko ini dengan
memastikan bahwa teknologi, pertimbangan, dan keputusan
big data ditambahkan ke program tata kelola TI
Anda. Standarisasi pendekatan Anda akan memungkinkan
Anda mengelola biaya dan memanfaatkan sumber
daya. Organisasi yang menerapkan solusi dan strategi big data
harus menilai persyaratan keterampilan mereka lebih awal
dan sering serta harus secara proaktif mengidentifikasi potensi
kesenjangan keterampilan. Ini dapat diatasi dengan
melatih/melatih silang sumber daya yang ada, mempekerjakan

Halaman 31
 sumber daya baru, dan memanfaatkan perusahaan konsultan.

Optimalkan transfer Gunakan pendekatan pusat keunggulan untuk berbagi

pengetahuan dengan pusat pengetahuan, mengontrol pengawasan, dan mengelola
keunggulan komunikasi proyek. Apakah data besar adalah investasi baru
atau berkembang, biaya lunak dan keras dapat dibagi di
seluruh perusahaan. Memanfaatkan pendekatan ini dapat
membantu meningkatkan kemampuan big data dan
kematangan arsitektur informasi secara keseluruhan dengan
cara yang lebih terstruktur dan sistematis.

Hasil tertinggi Sangatlah berharga untuk menganalisis data besar

menyelaraskan tidak sendiri. Namun Anda dapat menghadirkan wawasan bisnis
terstruktur dengan data yang lebih besar lagi dengan menghubungkan dan
terstruktur mengintegrasikan data besar berkepadatan rendah dengan data
terstruktur yang sudah Anda gunakan saat ini.
Apakah Anda menangkap big data pelanggan, produk,
peralatan, atau lingkungan, tujuannya adalah untuk
menambahkan poin data yang lebih relevan ke master inti dan
ringkasan analitik Anda, yang menghasilkan kesimpulan yang
lebih baik. Misalnya, ada perbedaan dalam membedakan
semua sentimen pelanggan dari hanya pelanggan terbaik
Anda. Itulah sebabnya banyak yang melihat data besar
sebagai perpanjangan integral dari kemampuan intelijen
bisnis, platform pergudangan data, dan arsitektur informasi
yang ada.
Perlu diingat bahwa proses dan model analitik big data dapat
berbasis manusia dan mesin. Kemampuan analitik data besar
mencakup statistik, analisis spasial, semantik, penemuan
interaktif, dan visualisasi. Menggunakan model analitik, Anda
dapat mengkorelasikan berbagai jenis dan sumber data untuk
membuat asosiasi dan penemuan yang bermakna.

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
operasi cloud
Proses data besar dan pengguna memerlukan akses ke
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.

3.4. Data Warehouses and Data Marts

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.

 Gunakan pemrosesan analitik online

Biasanya, database organisasi berorientasi pada penanganan transaksi. Artinya, database
menggunakan pemrosesan transaksi online (OLTP), di mana transaksi bisnis diproses secara
online segera setelah terjadi. Tujuannya adalah kecepatan dan efisiensi, yang sangat penting
untuk operasi bisnis berbasis Internet yang sukses. Sebaliknya, gudang data dan data mart, yang
dirancang untuk mendukung pengambil keputusan tetapi bukan OLTP, menggunakan
pemrosesan analitik online (OLAP), yang melibatkan analisis akumulasi data oleh pengguna
akhir. Tujuannya adalah kecepatan dan efisiensi, yang sangat penting untuk operasi bisnis
berbasis Internet yang sukses. Sebaliknya, gudang data dan data mart, yang dirancang untuk
mendukung pengambil keputusan tetapi bukan OLTP, menggunakan pemrosesan analitik online
(OLAP), yang melibatkan analisis akumulasi data oleh pengguna akhir.
 Terintegrasi
Data dikumpulkan dari beberapa sistem dan kemudian diintegrasikan di sekitar subjek. Misalnya,
data pelanggan dapat diambil dari sistem internal (dan eksternal) dan kemudian diintegrasikan di
sekitar pengidentifikasi pelanggan, sehingga menciptakan pandangan menyeluruh tentang
pelanggan.
 Varian waktu
Gudang data dan data mart memelihara data historis; yaitu data yang menyertakan waktu sebagai
variabel. Tidak seperti sistem transaksional, yang hanya memelihara data terbaru (seperti untuk
hari, minggu, atau bulan terakhir), gudang atau mart dapat menyimpan data bertahun-tahun.

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.

Lingkungan gudang data generik

 Lingkungan Gudang Data Generik
 Lingkungan untuk gudang data dan mart meliputi:
 Sistem sumber yang menyediakan data ke gudang atau mart
 Teknologi dan proses integrasi data yang menyiapkan data untuk digunakan • Arsitektur
berbeda untuk menyimpan data di gudang data organisasi atau data mart Alat dan aplikasi
berbeda untuk berbagai pengguna.
 Metadata (data tentang data dalam repositori), kualitas data, dan proses tata kelola yang
memastikan bahwa gudang atau mart memenuhi tujuannya

Arsitektur data warehouse diantara nya

1. Arsitektur Dasar Data warehouse
merupakan arsitektur sederhana dari suatu Data Warehouse. User dapat secara langsung
mengakses data yang diambil dari beberapa source melalui data warehouse.
2. Arsitektur Data Warehouse dengan menggunakan Staging Area Staging area
menyederhanakan proses pembuatan summary dan management warehouse secara
umum.
3. Arsitektur Data Warehouse dengan menggunakan Staging Area dan Data Mart
Data Mart merupakan subset dari kata resource, Biasanya berorientasi untuk suatu tujuan
yang spesifik atau subjek data yang di distribusikan untuk mendukung kebutuhan bisnis.

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.

Contoh Software Data Mart

- SmartMart (IBM)
- Visual Warehouse (IBM)
- PowerMart (Informatica)

OLAP (Online Analytical Processing )

- Suatu jenis pemrosesan yang memanipulasi dan menganalisa data bervolume besar dari
berbagai perspektif (multidimensi).
- OLAP seringkali disebut analisis data multidimensi.
- Data multidimensi adalah data yang dapat dimodelkan sebagai atribut dimensi dan atribut
ukuran.
- Contoh atribut dimensi adalah nama barang dan warna barang, sedangkan contoh atribut
ukuran adalah jumlah barang.

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.

Data MINING dan Teknologi meliputi

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.

3. Microsoft SQL server

Microsoft SQL server adalah database yang berfungsi untuk menyimpan dan mengambil
data sesuai dengan permintaan aplikasi lainnya. Perangkat ini dapat dijalankan melalui
komputer yang sama atau berbeda dengan menggunakan jaringan internet.
Data Warehouse bicara mengenai bagaimana data-data yang besar dan juga beragam
disimpan dalam satu repository (gudang data) dan disusun sedemikian sehingga
memudahkan pencarian. Data di dalam data warehouse diorganisir untuk mendukung
analisa, bukan transaksi pemrosesan dalam waktu nyata, seperti sistem online transaction
processing (OLTP).

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.

3.5. Knowledge Management

1. Apa itu Knowledge Management?

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.

2. Tipe Knowledge Management

 Tacit Knowledge
Tacit knowledge merupakan pengetahuan yang dimiliki atau diketahui oleh seseorang, tetapi
sulit untuk dijelaskan. Contoh Tacit knowledge adalah skill, pengalaman, dan ide-ide tertentu.
Terkadang tacit knowledge tidak disadari sebagai pengetahuan yang berharga untuk perusahaan.
Karena tidak begitu mudah diutarakan dan dijelaskan dengan kata-kata.
 Explicit Knowledge
Explicit knowledge dapat disebut juga sebagai documented knowledge. Karena, informasi atau
pengetahuan dalam explicit knowledge ini mudah untuk dijelaskan dan didokumentasikan.
Contoh Explicit knowledge adalah ijazah, laporan riset, artikel, datasheet, modul perusahaan, dan
lain-lain.
3. Knowledge Management Systems
Knowledge Management bertujuan untuk membantu perusahaan agar lebih produktif
dalam menggunakan pengetahuan yang telah diperoleh atau dikumpulkan. Perusahaan saat ini
menyadari bahwa mereka perlu mengintegrasikan explicit dan tacit knowledge dalam sistem
informasi formal. Knowledge Management Systems (KMS) mengacu pada penggunaan
teknologi informasi modern seperti internet, intranet, extranet hingga database untuk
memastikan, meningkatkan serta mempercepat knowledge management. Baik dalam suatu
perusahaan maupun beberapa perusahaan. Knowledge Management System dimaksudkan untuk
membantu perusahaan untuk mengatasi adanya perputaran, pengisian cepat, dan perampingan
dengan membuat keahlian sumber daya manusia dapat diakses secara luas.
Terdapat banyak keuntungan yang diperoleh perusahaan dalam Knowledge Management
Systems. Karena perusahaan dapat membuat praktik dengan cara yang paling efektif dan efisien
untuk menyelesaikan proses bisnis. Juga adanya peningkatan akses pengetahuan praktik dapat
meningkatkan kinerja organisasi secara keseluruhan. Contohnya, seorang manajer saat ini dapat
menyediakan pengetahuan tacit mereka, lalu organisasi menggunakan pengetahuan ini untuk
melatih manajer baru. Keuntungan lainnya adalah peningkatan layanan pelanggan,
pengembangan produk yang lebih efisien, dan peningkatan moral karyawan.

4. Siklus Knowledge Management Systems

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.

5. Piramida Kognitif Knowledge Management

Piramida kognitif knowledge management sangat berkaitan dengan penjabaran siklus
KMS. Karena, piramida kognitif mengilustrasikan bagaimana data dan informasi dapat naik
menjadi pengetahuan hingga dapat dijadikan dasar dalam mengambil keputusan.
1. Data
Data menjadi elemen paling mendasar, dan belum melalui proses apapun. Sehingga belum dapat
digunakan. Contohnya angka, kata, kode, table, dan basis data.
2. Information
Informasi yang saling terhubung merupakan hasil proses data dan telah memiliki nilai atau
makna. Contohnya gagasan, konsep, ide, dan pertanyaan.
3. Knowledge
Pengetahuan adalah informasi yang telah terorganisir untuk dipahami. Contohnya teori dan
kerangka kerja.

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.

6. Model Knowledge Management

Peneliti dari Jepang yang bernama Ikujiro Nonaka dan Hirakata Takeuvchi pada tahun
1995 beranggapan bahwa pengetahuan bersifat dinamis dan dapat berubah bentuk
dari tacit menjadi explicit ataupun sebaliknya. Kemudian mereka merumuskan suatu model
proses penciptaan pengetahuan yang memungkinkan organisasi untuk mengelola proses secara
efektif. 
Model Knowledge Management ini sering dikenal juga dengan model dimensi
pengetahuan SECI (Socialization, Externalization, Combination, Internalization).
1. Socialization
Transfer pengetahuan dari satu individu ke individu lainnya dalam bentuk tacit (dipahami namun
belum disadari keberadaannya). Socialization muncul dari aktivitas berbagi pengetahuan secara
langsung.

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.

7. Manfaat Knowledge Management

Untuk memiliki bisnis yang berkembang dengan baik dalam menghadapi berbagai
rintangan, maka diperlukan pengetahuan yang cukup luas dalam perusahaan tersebut. Penerapan
knowledge management dalam sebuah perusahaan dapat memberikan beberapa manfaat, yaitu :

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.

3.6. Fundamentals of Relational Database Operations

 Dasar-dasar Operasi Database Relasional

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.

Mari kita periksa hubungan berikut:

- Garis hubungan pada sisi STUDENT dari hubungan STUDENT–REGISTRATION
menunjukkan kardinalitas single opsional.
- Garis hubungan pada sisi REGISTRASI dari hubungan STUDENT–REGISTRATION
menunjukkan kardinalitas dari banyak opsional.
- Garis hubungan di sisi CLASS dari hubungan CLASS–REGISTRATION menunjukkan
kardinalitas single opsional.
- Garis hubungan di sisi REGISTRATION dari hubungan CLASS–REGISTRATION
menunjukkan kardinalitas banyak opsional.

Normalisasi dan Gabung

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.

Dalam contoh kita, ORDER, CUSTOMER, dan PIZZA adalah entitas.

Langkah pertama dalam normalisasi adalah menentukan dependensi fungsional di antara atribut-
atribut. Ketergantungan fungsional dalam contoh yaitu :
 Order Number : Order Date
 Order Number : Quantity
 Order Number : Total Price
 Costumer ID : Costumer F Name
 Costumer ID : Costumer L Name

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.

Berikut adalah cara kerja operasi join

 Relasi ORDER menyediakan Nomor Pesanan (kunci utama), Tanggal Pemesanan, dan
Harga Total.
 Kunci utama dari relasi ORDER (Nomor Pesanan) menyediakan link ke relasi ORDER-
PIZZA (link bernomor 1 pada Gambar dibawah ini).
 Relasi ORDER–PIZZA mensuplai Quantity ke 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.

Berikut ini merupakan fungsi big data.

 Big data dapat digunakan untuk memprediksi atau menganalisis penyebab suatu masalah
yang terjadi pada sistem. Pemanfaatan dari big data ini juga dapat meminimalisir adanya
kegagalan. Hasil dari analisis tersebut dapat digunakan dan ditampilkan secara langsung
(real time).
 Big data dapat menjadi referensi untuk mengembangkan sebuah produk. Informasi yang
kira-kira dibutuhkan akan disimpan ke dalam big data dan hasil dari analisis tersebut
dapat menjadi dasar untuk mengambil keputusan yang tepat untuk pengembangan bisnis.
 Big data dapat mengurangi waktu dan biaya. Dengan menggunakan big data
penyimpanan data akan mengurangi biaya yang harus dikeluarkan. Selain itu proses
mengirim dan menerima data juga dapat menjadi lebih cepat.
Jadi big data merupakan kumpulan data yang memiliki ukuran yang sangat besar, data-
data tersebut terdiri dari data yang terstruktur, semi-terstruktur, dan tidak terstruktur. Data
tersebut akan terus berkembang seiring berjalannya proses pengumpulan data. Mungkin
jika tidak ada big data di masa yang serba canggih seperti sekarang ini, kita akan
kesulitan dalam menentukan pilihan. Kesalahan menentukan pilihan tersebut dapat
berdampak fatal untuk bidang yang sedang ditekuni.

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.

Data governance adalah sebuah pendekatan untuk mengelola informasi di seluruh

organisasi. Artinya, organisasi mengikuti aturan jelas untuk membuat, mengumpulkan,
penanganan, dan melindungi informasinya. Tujuannya adalah untuk membuat informasi yang
tersedia, transparan, dan berguna bagi orang-orang yang berwenang untuk mengaksesnya

Knowledge Management adalah proses yang membantu organisasi memanipulasi

pengetahuan penting yang merupakan bagian dari memori organisasi, biasanya dalam format
terstruktur. Knowledge memiliki ciri, yaitu
 Berbeda dengan data dan informasi
 Sederhananya, pengetahuan adalah informasi dalam tindakan.
 Pengetahuan dapat dilakukan untuk memecahkan masalah.
Klasifikasi jenis pengetahuan
 Eksplisit
- Lebih objektif, rasional, dan pengetahuan teknis.
- Pengetahuan eksplisit adalah pengetahuan yang sudah dikodifikasi
(didokumentasikan) dalam bentuk yang dapat didistribusikan kepada orang lain atau
berubah menjadi proses atau strategi. 
- Pengetahuan eksplisit terdiri dari kebijakan, panduan prosedural, laporan, produk,
strategi, tujuan, kompetensi inti dari perusahaan, dan infrastruktur TI.

 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

Knowledge Management Systems (KMSs)

Sistem manajemen pengetahuan (KMSs) mengacu pada penggunaan teknologi-modern
informasi internet, intranet, extranet, data gudang untuk sistematisasi, dan mempercepat

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.

- Penciptaan framework mengenai proses, aktivitas, maupun sistem informasi yang

dirancang untuk mencapai keunggulan kompetitif dimana keunggulan kompetitif ini
membedakan perusahaan dengan pesaing. Indentitas khusus ini dapat berupa filosofi,
visi, misi maupun jasa yang ditawarkan perusahaan dimana baik karyawan maupun
masyarakat mengerti indentitas khusus.
- Tim management dibawah Managing Partner dilibatkan untuk menentukan strategi
perusahaan dimana strategi tersebut perlu dibagi menjadi target yang lebih detail agar
terjadi kesamaan persepsi mengenai target yang akan dicapai.
- Standarisasi proses–proses dalam operational Perusahaan terutama yang termasuk dalam
aktivitas–aktivitas utama.
- Jika suatu hari perusahaan ingin Knowledge Management System dapat diakses dari
internet, tidak hanya pada LAN perusahaan maka disarankan utnuk diadakan pengujian
terhadap keamanan data, informasi dan knowledge.

Daftar Referensi

LANDASAN TEORI. Manajemen pengetahuan (knowledge management) merupakan suatu

model gabungan - PDF Free Download (adoc.pub). Diakses pada Sabtu, 19 November

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