Tugas Mandiri

Perencanaan Strategis Sistem Informasi

Senin 10.30 – 13.00

Kelas D

Dr. Julisar., SE., Ak, MM. CA., CertDA

NIM: 202150261

NAMA: Elisa Damayanti

Jurusan Akuntansi

Trisakti School of Management

Jakarta

2023
Tugas pertemuan 06

1. Tugas adalah individu

2. Dibuat di Microsoft Word, pergunakan cover depan.

3. Nama file → nim_nama_nama kelas_pert 06_pssi

4. Turn-in

Dari buku → Efraim Turban, Carol Pollard, Gregory Wood (2021).

Information Technology for Management: Driving Digital Transformation
to Increase Local and Global Performance, Growth and Sustainability.
12th Edition. Wiley. ISBN: 978-11-1980-252-5

Pertemuan 06 - Chapter 06 - Business Intelligence, Data Science, and Data

Analytics

1. Uraikan video What is Business Intelligence (BI)? →

https://www.youtube.com/watch?v=hDJdkcdG1iA

Uraian Video

Anda mungkin pernah mendengar istilah intelijen bisnis atau bi tetapi apa
artinya sebenarnya ada beberapa definisi yang berbeda tetapi sederhananya bi
adalah tentang memberikan informasi yang relevan dan andal kepada orang
yang tepat pada waktu yang tepat dengan tujuan untuk mencapai keputusan
yang lebih baik dengan lebih cepat untuk melakukan ini, bi memerlukan
metode dan program untuk mengumpulkan data tidak terstruktur mengubahnya
menjadi informasi dan menyajikannya untuk meningkatkan keputusan bisnis bi
mengambil sejumlah besar data yang dihasilkan oleh bisnis dan menyajikannya
dengan cara yang dapat ditindaklanjuti yang berarti sementara ini adala konsep

2
sederhana bi sebenarnya adalah bidang yang besar dan kompleks termasuk
analitik manajemen kinerja pemodelan data dan penambangan teks dan lebih
banyak lagi bayangkan kecerdasan bisnis berfungsi seperti toko bahan makanan
ketika Anda memasuki toko bahan makanan dan sedang mencari barang tertentu
katakanlah susu telur dan pisang Anda tidak perlu menemukan karyawan untuk
bertanya kepada mereka ke mana harus mencari toko kelontong diatur ke dalam
lorong dan tanda yang membuat toko relatif mudah dinavigasi sekarang
bayangkan barang-barang di toko itu seperti data bisnis Anda dan Anda perlu
mengumpulkan informasi tentang jam produksi yang dapat ditagih dan sasaran
penjualan Anda kemungkinan akan pergi ke tiga ahli yang berbeda dan bertanya
kepada mereka di mana Anda dapat menemukan informasi ini kemudian Anda
akan pergi ke orang lain dan meminta mereka menyusunnya untuk Anda bi
adalah tentang mengambil informasi Anda yang berantakan dan mengubahnya
menjadi toko kelontong yang rapi dan dapat diakses ini memungkinkan Anda
untuk menavigasi data Anda sendiri dan menemukan apa yang Anda butuhkan
tanpa bergantung pada orang lain. menawarkan keuntungan yang signifikan
ketika mencoba membuat strategis memiliki akses kapan saja ke data
terorganisir berarti Anda dapat menemukan proses bisnis yang tidak efisien dan
pola tersembunyi mengidentifikasi area kekuatan dan kelemahan dan
menemukan peluang baru yang semuanya berkontribusi pada pemahaman yang
lebih baik tentang operasi dan tantangan perusahaan Anda mari kita lihat
contoh ritel Anda adalah manajer rantai ritel yang memiliki toko dan toko
online Anda menawarkan kartu loyalitas kepada pelanggan Anda yang dapat
mereka gesek di toko atau masuk ke akun online mereka kartu tersebut
menghubungkan semua yang dibeli pelanggan -simpan dan online dengan
nomor akun unik mereka ke dalam basis data organisasi Anda melalui
penggunaan metode dan perangkat lunak intelijen bisnis Anda diberdayakan
dengan memiliki kemampuan untuk menjalankan laporan analitik pada
sejumlah besar informasi pelanggan yang dapat memungkinkan Anda untuk
3
memahami seberapa loyal mereka terhadap merek Anda produk apa yang
mereka beli dan seberapa sering dan jika mereka memiliki preferensi untuk
mengunjungi toko atau membeli dari toko online, apakah ini memberi Anda
kemampuan untuk memahami atau bahkan memprediksi pelanggan individu
atau segmen kebutuhan preferensi dan kebiasaan mengantisipasi peluang baru
untuk menjual memberikan layanan yang lebih baik atau bahkan menyediakan
kampanye pemasaran yang ditargetkan seperti pengiriman instan kupon di titik
penjualan untuk produk yang terkait dengan minat mereka seperti yang
ditunjukkan oleh perilaku masa lalu singkatnya Anda dapat memahami
pelanggan Anda dengan sangat baik berdasarkan riwayat transaksi dan perilaku
mereka dan gunakan informasi itu untuk meningkatkan penjualan Anda atau
membedakan merek Anda dengan menyediakan layanan yang lebih baik atau
unik sehingga sebagai penutup istilah intelijen bisnis mengacu pada sekelompok
alat dan teknik yang mengumpulkan dan mengatur data Anda dan
menyajikannya dengan cara yang berguna dan masuk akal jika Anda ingin
memiliki akses yang efisien ke informasi akurat yang dapat dipahami dan dapat
ditindaklanjuti sesuai permintaan, maka intelijen bisnis mungkin tepat untuk
organisasi Anda.

Pengertian Business Intelligence (BI)

Business intelligence adalah sebuah proses bisnis yang memanfaatkan

teknologi khusus agar dapat menganalisa data dan menyajikan data tersebut
sebagai bentuk informasi yang mudah dipahami untuk keperluan bisnis. Data-
data yang dihasilkan akan sangat akurat sehingga Anda bisa mengambil
keputusan bisnis yang lebih baik. Untuk contoh Business Intelligence saat ini
tentunya sudah memanfaatkan basis teknologi yang modern, yaitu
pemanfaatan teknologi berbasis cloud untuk bisnis.

4
 Bisa dikatakan, yang terpenting dalam
business intelligence adalah bisa mencakup
semua sistem yang digunakan perusahaan
untuk mendapatkan informasi yang ingin
diketahui. Misalnya untuk mengetahui
kinerja pemasaran, menganalisa manajemen
pelanggan, pengelolaan stock opname,
hingga positioning dalam bisnis. Bahkan, proses ini sangat diperlukan untuk
mengetahui berbagai hal mengenai perilaku konsumen.

Manfaat Business Intelligence (BI) untuk Bisnis

Ditinjau dari pengertiannya, maka BI memiliki manfaat yang sangat luar

biasa bagi perusahaan. Manfaat yang paling utama adalah menjelaskan tentang
suatu konsep dan metode untuk meningkatkan kualitas dalam pengambilan
keputusan bisnis berdasarkan sistem berbasis data. Business intelligence
menyediakan kumpulan data mentah yang dapat diubah menjadi informasi.
Untuk melakukannya, Anda harus menganalisa data dan menyusunnya
berdasarkan hubungan antara data-data yang ingin dikumpulkan dan konteks
informasi yang diinginkan.

Selain itu, ada banyak manfaat dari business intelligence untuk bisnis.

Beberapa manfaat tersebut antara lain:

• Meningkatkan nilai dari suatu data dan informasi yang diinginkan

perusahaan karena data dan informasi dapat diintegrasikan.

• Memudahkan dalam mengambil sebuah kesimpulan dari keadaan bisnis

yang mudah di akses dan dimengerti.

5
 • Membantu pihak manajerial untuk mengambil keputusan yang lebih baik

dan bijaksana.

• Membantu dalam memutuskan hal-hal yang harus dilakukan

oleh pebisnis di tengah krisis.

• Memudahkan pengukuran kinerja perusahaan dengan tolak ukur Key

Performance Indicator (KPI).

• Menunjukan pencapaian KPI dengan mudah, cepat, dan tepat.

• Mempersiapkan langkah-langkah untuk mengantisipasi jika terdapat

indikator yang menunjukan adanya masalah, misalnya target masih jauh

untuk dicapai.

• Meningkatkan nilai investasi teknologi informasi yang sudah ada dan

digunakan sebelumnya oleh perusahaan.

• Meningkatkan efisiensi biaya

• Mempercepat tenaga kerja dalam melakukan pekerjaan sehingga lebih

menghemat waktu.

• Mengalokasikan sebagai sumber daya yang dimiliki perusahaan dengan

lebih akurat.

BI sudah menjadi bagian yang utuh dalam sistem perusahaan. Anda juga

harus mulai mengintegrasikan setiap sistem dalam perusahaan dengan teknologi

yang berbasis proses ini. BI membutuhkan data-data sebagai indikator dan

variabel untuk pengolahan data.Misalnya data keuangan perusahaan, sehingga

sangat perlu bagi Anda untuk memiliki data-data keuangan yang akurat.
6
Caranya adalah dengan menggunakan Software Akuntansi Harmony.

Informasi dari data-data keuangan yang akurat, tentunya akan memaksimalkan

pemanfaatan business intelligence bagi usaha Anda.

Penerapan business intelligence dalam perusahaan

Pada perusahaan, business intelligence adalah proses yang dilakukan oleh
divisi khusus untuk menentukan kebijakan perusahaan hingga teknik bisnis
yang efektif. Contoh penerapan business intelligence dalam perusahaan
yaitu tren makanan ringan saat bulan Ramadhan.

BI akan mengumpulkan informasi kondisi pasar dan mengolahnya menjadi data

yang dibutuhkan oleh perusahaan dari segi bisnis. Misalkan saja pada momen
Ramadhan tersebut, ada saat dimana masyarakat mulai mencari makanan yang
cocok disantap ketika buka puasa atau ketika sahur.

Maka tim BI akan memberikan saran seperti apa strategi komunikasi dan
pemasaran yang tepat untuk perusahaan tersebut. Selain business intelligence,
sebuah perusahaan tentu tidak akan lepas dengan istilah Supply Chain
Management.

Peran BI dalam perusahaan

Perlu diingat bahwa peran BI dalam setiap perusahaan akan disesuaikan dengan
kebutuhan industri itu sendiri. Penyesuaian peran akan dipengaruhi oleh
beberapa faktor,

 ukuran industri
 administrasi

 jenis industri

 ceruk pasar

Jika Anda membutuhkan seorang BI namun belum bisa menemukan orang yang
tepat, Anda dapat memanfaatkan perusahaan riset pasar independen
seperti Populix. Selain memberikan data yang akurat, Populix untuk
bisnis juga bisa memberikan insight pasar yang berguna dalam membuat
keputusan untuk bisnis Anda.

7
Metode riset dinilai tepat untuk digunakan sebagai contoh penerapan business
intelligence dalam perusahaan guna mengumpulkan data.
Sehingga, company dapat menyusun rencana dan proyeksi yang sesuai.

Ada banyak komponen bisnis yang bisa didapatkan oleh perusahaan dalam riset
pada proses BI ini, yaitu perilaku konsumen, target marketing dan cara
meningkatkan profit perusahaan.

Aplikasi business intelligence

Data murni yang didapatkan oleh tim BI masih perlu diolah menggunakan
aplikasi business intelligence menjadi format yang lebih mudah dipahami oleh
divisi lainnya. Di Internet sendiri sudah banyak tersedia pilihan software yang
bisa digunakan. Empat aplikasi business intelligence software berikut
merupakan pilihan yang paling populer.

Google data studio

Google data studio adalah layanan gratis yang bisa digunakan untuk
menampilkan hasil olah data. Aplikasi business intelligence ini bisa berintegrasi
dengan produk-produk Google lainnya, sehingga akan memudahkan proses
pengerjaan. Sistem BI pada Google data studio terbilang lengkap dan mudah
untuk digunakan bahkan bagi BI pemula.

Domo
Salah satu software yang terkenal dari aplikasi business intelligence
adalah Domo. Aplikasi ini banyak dipilih karena fitur-fiturnya dan kemudahan
akses yang dimilikinya. Software ini dapat memudahkan pengolahan data
menjadi dashboard yang menarik sehingga lebih mudah dipahami.

Tableau
Tableau software business
intelligence adalah aplikasi yang unggul
dalam tampilan dashboard yang dapat
disusun secara interaktif. Data yang
Anda olah akan ditampilkan ke dalam
berbagai jenis view. Umumnya, software
ini digunakan untuk data yang
membutuhkan implementasi dan
kepentingan user sebagai prioritas pertamanya.

8
 PowerBI
Aplikasi PowerBI adalah
software milik Microsoft yang
dikhususkan untuk memudahkan
pengguna untuk mengolah dan
menampilkan data dalam bentuk
grafik. Software ini memiliki tiga
jenis konsep yang digunakan untuk
mengoptimalkan pekerjaan, yaitu dashboard, report dan dataset. Setiap fitur
yang ditawarkan memiliki kelebihan masing-masing.

Contoh business intelligence

Agar memudahkan Anda memahami konsep BI, berikut contoh business
intelligence pada rumah sakit.

Sebuah instansi rumah sakit ingin mengetahui kebutuhan kamar tipe apa yang
perlu ditingkatkan. Setelah mendapatkan data, tugas selanjutnya untuk business
intelligence adalah dengan mengelompokkan jumlah pasien berdasarkan usia,
kelas kamar yang dipilih, metode pembayaran, fasilitas, serta metode
pengobatan.

Dari proses tersebut, dapat ditemukan informasi mengenai kamar jenis apa yang
kuantitasnya perlu diperbanyak dan proyeksi perkiraan jumlah pemasukan dari
biaya rawat inap per malam. Terakhir, data yang terkumpul akan ditampilkan
berupa dashboard berisi grafik dan tabel laporan.

Manfaat business intelligence adalah hal yang tentu perlu dipertimbangkan

dalam perusahaan. Apalagi sebagian keputusan company akan lebih optimal
ketika didasari oleh data dan kondisi pasar. Disinilah tugas seorang BI bekerja
menganalisis dan mengolah data menjadi sebuah strategi yang akan dilakukan
perusahaan.

Itu tadi pembahasan mengenai inteligen bisnis untuk perusahaan beserta tugas
dan manfaatnya. Untuk mengetahui tips bisnis dan manajemen pada bisnis,
Anda bisa menyimak artikel dari Populix lainnya.

9
 2. Uraikan video ▸▸ How Does Business Intelligence Work? //
Muhammad Adrian → https://www.youtube.com/watch?
v=HR5wFOolalQ

Uraian Video

Halo, saya Adrian. Saya Head of Driver Growth and Performance atau
DRONE, yang merupakan bagian dari Business Intelligence di GO-JEK.

Apa itu Intelijen Bisnis?

Business Intelligence adalah fungsi dalam bisnis yang mengumpulkan data,

mengolahnya, mengelolanya, agar menjadi informasi dan wawasan yang
berguna bagi pengguna bisnis dalam mengambil keputusan strategis yang tepat.
Apa perbedaan antara intelijen bisnis dan ilmu data?

Apa perbedaan antara intelijen bisnis dan data sains?

Sebenarnya business intelligence dengan data science itu mirip, sama-sama

melakukan analisis data, kita melakukan visualisasi, kita juga melakukan
perhitungan matematis dan statistik. Namun perbedaan mendasarnya terletak
pada fokus analisisnya sendiri. Sementara BI (Business Inteligence) adalah
fungsi yang menganalisis secara retrospektif, Data Sains lebih prediktif.
Analogi perbedaan antara Business Intelligence dan Data Science dapat
diilustrasikan dalam kasus-kasus seperti terlambat datang ke kantor. Ketika
kejadian itu terjadi, kami berkata, "Oh! Saya datang terlambat ke kantor" yang
dilakukan BI adalah mencari tahu mengapa kami datang terlambat ke kantor.
Jadi kita menilai jalan apa yang kita ambil kemarin sehingga kita datang
terlambat, transportasi apa yang kita gunakan kemarin sehingga kita terlambat
datang ke kantor. Agar kedepannya kita bisa memperbaiki diri agar tidak
terlambat lagi. Sedangkan jika Data Science akan membantu kita sebelum kita

10
berangkat ke kantor, itu seperti memilih transportasi yang tepat, cara yang tepat.
Misal ada modal transportasi yang bisa kita gunakan seperti motor atau mobil,
dengan Data Science kita bisa tahu kapan kita harus menggunakan mobil,
karena akan hujan dan kita harus memilih jalur B karena hari ini jalan tidak
macet . Bagaimana Business Intelligence Bekerja di GO-JEK?

BI dalam GO-JEK ada beberapa bagian yang mengurusi fungsi bisnis seperti BI
untuk operasional, untuk driver, untuk pelanggan, untuk produk seperti GO-
PAY, GO-MART, dan lain-lain. Ada juga BI core untuk memastikan
infrastruktur BI berjalan dengan baik, sehingga mereka menangani semua
proses untuk disederhanakan, sehingga data selalu benar, dan juga laporan
keluar pada waktu yang tepat. Misalnya untuk tim saya, Driver Growth and
Performance, misalkan kita memiliki pertanyaan bisnis seperti, berapa banyak
penawaran yang kita perlukan untuk melayani permintaan bulan depan. Kami
akan melihat data historis seperti berapa banyak pelanggan kami di bulan
sebelumnya, berapa banyak pesanan yang mereka lakukan, bagaimana juga dari
para driver ini, apakah mereka online selama seminggu atau sebulan penuh.
Dari data tersebut kami melakukan pengolahan, kami hitung, sehingga pada
akhirnya kami dapat merasakan berapa banyak persediaan yang kami butuhkan
untuk setiap kota dan waktu.

Bagaimana menjadi pandai intelijen bisnis?

Prinsip-prinsip yang harus kita miliki untuk menjadi seorang business

intelligence yang baik, yang pertama adalah mengajukan pertanyaan bisnis yang
tepat. Jadi kita harus mengetahui pertanyaan apa yang tepat untuk memecahkan
suatu masalah, karena tanpa pertanyaan bisnis yang tepat, kita tidak memiliki
jawaban yang tepat atas masalah yang kita temukan dalam bisnis. Prinsip kedua
adalah mengetahui cara mendapatkan data yang benar dan relevan. Jadi
sebelumnya kita sudah tahu pertanyaan bisnis apa yang harus kita jawab, kita

11
juga harus tahu bagaimana cara mendapatkan data yang relevan dengan
pertanyaan bisnis tersebut agar nantinya pada akhirnya bisa kita olah dan
menjadi jawaban yang tepat pula. Prinsip ketiga adalah memperlakukan produk
analitik sebagai produk. Sehingga kita harus mengolah hasil analisis kita
terhadap informasi yang kita hasilkan atau wawasan agar dapat digunakan
dengan mudah oleh pengguna Dimana penggunanya adalah berbagai fungsi
bisnis yang ada di dalam perusahaan. Sehingga mereka dapat menggunakannya
untuk membuat keputusan strategis yang lebih baik. Prinsip keempat adalah
membuat seluruh proses menjadi ramping dan dapat diskalakan. Jadi dalam
proses BI ini dari awal sampai akhir, dari pengambilan data, penyimpanan,
pemrosesan, kita harus memastikan prosesnya efisien, semuanya lancar.
Sehingga kami dapat menghasilkan hasil akhir berupa informasi dan wawasan
untuk kebutuhan bisnis pada waktu yang tepat pula. Jadi kalau ada pertanyaan
bisnis, "kenapa terjadi sesuatu yang 'A'?", kita langsung punya jawabannya.

Apa yang Harus Dimiliki Intelijen Bisnis?

Jadi seorang BI harus memiliki tiga keterampilan dasar. Ada keterampilan

bisnis, jadi ini tentang bisnis, jadi bagaimana cara kerja bisnis serta bagian dari
bisnisnya sendiri. Yang kedua adalah pengetahuan dasar matematika dan
statistik, karena kita berurusan dengan data dan fakta. Kita harus tahu
bagaimana mengolahnya secara ilmiah (ilmiah). Yang ketiga adalah
kemampuan teknis, karena kami juga dalam mengolah data ini menggunakan
teknologi. Banyak hal yang juga kita lakukan dengan pemrograman, jadi kita
juga harus memiliki dasar-dasar pemrograman yang baik. Di mana Anda Dapat
Mempelajari Lebih Lanjut Tentang Intelijen Bisnis?

Untuk mempelajari hal-hal yang diperlukan sebagai BI, banyak sumber daya
yang dapat digunakan. Seperti artikel, buku yang bisa kita cari di internet,
maupun kursus online baik berbayar maupun gratis. Karena BI juga banyak

12
bergelut dengan data dengan menghasilkan informasi yang baik, mungkin
menarik juga bagi kita untuk membaca Moneyball, buku yang ditulis oleh
Michael Lewis. Buku ini menceritakan tentang bagaimana dari data dan statistik
pemain klub baseball, klub baseball dapat menentukan pemain mana yang dapat
dibeli dan pemain mana yang dapat digunakan untuk permainan tersebut. Selain
buku kita juga bisa menemukan artikel atau blog menarik di internet tentang
Business Intelligence atau data secara umum. Salah satu blog yang saya
rekomendasikan untuk dikunjungi adalah GO-JEK Data Blog
(https://medium.com/@gojek_bi) disana berisi insight yang dihasilkan oleh
Business Intelligence di GO-JEK.

Pengertian Business Intelligence (BI)

Business intelligence adalah sebuah

proses bisnis yang memanfaatkan
teknologi khusus agar dapat menganalisa
data dan menyajikan data tersebut sebagai
bentuk informasi yang mudah dipahami
untuk keperluan bisnis. Data-data yang
dihasilkan akan sangat akurat sehingga
Anda bisa mengambil keputusan bisnis yang lebih baik. Untuk contoh Business
Intelligence saat ini tentunya sudah memanfaatkan basis teknologi yang
modern, yaitu pemanfaatan teknologi berbasis cloud untuk bisnis.

Bisa dikatakan, yang terpenting dalam business intelligence adalah bisa

mencakup semua sistem yang digunakan perusahaan untuk mendapatkan
informasi yang ingin diketahui. Misalnya untuk mengetahui kinerja pemasaran,
menganalisa manajemen pelanggan, pengelolaan stock opname,

13
hingga positioning dalam bisnis. Bahkan, proses ini sangat diperlukan untuk
mengetahui berbagai hal mengenai perilaku konsumen.

Bagaimana Cara Kerja dari Business Intelligence

Dalam sebuah bisnis, business intelligence biasanya dimanfaatkan untuk

menjawab pertanyaan-pertanyaan yang muncul dari kinerja sebuah perusahaan.

BI mengumpulkan data-data mentah dari sebuah bisnis tersebut. Data tersebut

diolah kembali dan disimpan. Setelah itu, pengguna dapat mengakses dan
menganalisanya untuk menjawab pertanyaan yang muncul sebelumnya.
Biasanya data tersebut juga divisualisasikan dalam bentuk bagan dan grafik
yang disajikan kepada para pemangku kepentingan.

Dalam perkembangannya, BI menjadi hal yang semakin kompleks dan spesifik.

Dengan demikian, muncul beberapa proses yaitu:

 Pertama, data mining. Dalam proses yang pertama ini, BI akan

mengumpulkan berbagai data melalui database, statistik, dan juga
machine learning untuk melihat trend yang ada.
 Kedua, reporting. Data yang telah dianalisis dan dikumpulkan tadi
biasanya akan dilaporkan kepada para petinggi untuk pengambilan
keputusan lebih lanjut.
 Ketiga, performance metrics and benchmarking. Data kinerja yang ada
biasanya akan dibandingkan dengan data-data yang ada sebelumnya. Hal
ini untuk melihat performa kinerja terhadap goals yang ada.
 Keempat, descriptive analytics. Dalam proses yang ini, analisis data
yang pertama kali didapatkan akan digunakan kembali untuk mengkaji
apa saja yang terjadi.

14
  Kelima, querying. BI biasanya menjawab pertanyaan-pertanyaan
mengenai data dan informasi spesifik melalui database yang ada.
 Keenam, statistical analysis. Mengidentifikasi trend-trend dengan
menggunakan hasil dari analisis deskriptif dan eksplorasi data statistik.
 Ketujuh, data visualization. Memvisualisasikan data yang telah dianalisis
menjadi bagan, grafik, dan histogram agar lebih mudah digunakan.
 Kedelapan, visual analysis. Menggunakan visual storytelling dalam
menyampaikan data yang ada.
 Terakhir, data preparation. Menggabungkan dan mengidentifikasi
beberapa sumber data untuk digunakan dalam analisis data.

3. Uraikan video Crystal Widjaja - Pemanfaatan Big Data di dalam

Bisnis GO-JEK → https://www.youtube.com/watch?v=3grep1OVyeg

Uraian Video

Hai, nama saya Crystal Widjaja. Saya sudah bekerja di Gojek selam dua tahun
sekarang. Saya harus berbicara dalam bahasa Inggris karena Bahasa Indonesia
saya tidak begitu baik. Saya bisa memahaminya (Bahasa Indonesia), tapi saya
tumbuh di Amerika sepanjang hidup saya, tapi saya kembali ke Indonesia
karena potensi Gojek. Jadi ketika saya pertama kali mendengar tentang Gojek,
ada Go-Ride. Dan ini bukan kesempatan yang begitu menarik. Karena di Asia
Tenggara ada begitu banyak peluang untuk pertumbuhan dalam hal
infrastruktur, memobilisasi ekonomi buruh informal. Kami memiliki: Go-Send,
Go-Ride, Go-Mart, dan Go-Food. Jadi saya pikir pekerjaan saya di sini akan
sangat mudah. Hanya ada 4 produk, permintaan akan produk kami cukup besar,
tapi bukan sesuatu yang di luar kebiasaan. Kami memiliki database monolit, dan
semuanya bisa dengan mudah diakses di MySQL DB. Dan kemudian beberapa

15
bulan berlalu, lalu kami menambah 3 layanan lagi, dan saya berkata; "Tidak
apa-apa, saya bisa menangani 3 layanan lagi. Kita akan memiliki beberapa titik
data lagi, kita harus menambahkan beberapa dimensi baru, tapi tidak apa-apa
semuanya masih tersimpan di satu tempat mari kita terus mengumpulkan data
ke dalam satu area saja. Beberapa bulan lagi berlalu dan saya berkata, "Oke
sekarang kita memiliki beberapa layanan lagi yang berkembang di ekosistem
kita."

Tiba-tiba ada penyimpanan data baru dan mereka tidak semua dalam layanan
monolit. Beberapa di antaranya ada di mongoDB, beberapa di antaranya ada di
postgreSQL, beberapa di antaranya ada di simpanan besar yang bahkan belum
tersimpan. Sekarang, kami punya beberapa produk lagi, dan Anda akan mulai
melihat lebih banyak lagi segera. Dan karena filosofi kami sejak awal selalu
tentang; mari kita pastikan kita menyimpan data, dan menciptakan lingkungan
di mana setidaknya kita memiliki data. Karena data yang buruk pun lebih baik
daripada tidak ada data sama sekali. Sediakan sebuah lingkungan di mana
setidaknya orang bisa mengambil keputusan, berdasarkan data. Dan memahami
apa yang terjadi di dalam produk kami, meskipun tidak begitu mudah digunakan
sebagaimana yang kami inginkan. Karena Gojek bergerak begitu cepat dan
begitu berani, kami tidak punya pilihan lain. Kami hanya bisa menerima data
apa adanya dan menentukan standarisasinya nanti. Seiring pertumbuhan layanan
mikro kami, dan jenis penawaran produk kami meningkat, begitu pula skalanya.

Jadi, kami memompa semua data ini dalam format Json mentah, mungkin
belum terstruktur.Kami tidak peduli, kami memiliki data clickstream yang
masuk melalui sistem kami, kami telah memproses data sistem manajemen
pesanan, kami memiliki lokasi pengemudi. Dan setiap kali seseorang
memikirkan layanan data baru atau fitur baru untuk ditambahkan ke produk,
mereka akan membangun layanan mikro baru. Jadi dengan tingkat data yang
sedang kami buat, kami mulai memiliki masalah yang sangat besar. Data kami
16
akhirnya terlihat seperti ini. Hanya dilemparkan ke dalam satu repositori tanpa
pengaturan sama sekali. Kami berkata pada diri sendiri, "Baiklah kita ambil dari
setiap layanan mikro, kita simpan di database, biarkan orang-orang
menyelesaikannya nanti. Setidaknya setiap orang memiliki akses terhadap
sesuatu, data scientist bisa memanfaatkannya, developer bisa melihat fiturnya,
pemilik produk akan bisa ... aduh bagaimana dengan pemilik produk? Jadi
pemilik produk bisa masuk ke alat visualisasi kita atau mereka bisa masuk
melalui frontend. Dan mereka akan berkata, "Baiklah, ini banyak data tapi
sebenarnya saya tidak tahu bagaimana menggunakannya, karena Anda memiliki
banyak layanan mikro", saya mengerti. Ada produk-produk yang kami bangun
dengan lebih baik, melayani fungsi tertentu tapi saya hanya tahu bagaimana
menggunakan apa yang telah Anda berikan jika saya memiliki pertanyaan yang
sangat spesifik tentang fitur yang sangat spesifik. Jika saya ingin melihat
penilaian umpan balik dari semua pesanan kami, saya tahu bagaimana
menemukannya tapi apa yang harus dilakukan dengan informasi itu?
Bagaimana saya membuat keputusan yang lebih baik tentang itu? Jadi, pada
dasarnya kami tahu kami memiliki data dan memiliki banyak potensi, namun
tidak ada yang bisa menggunakannya dalam struktur itu. Kami mulai
memikirkan bagaimana kami ingin mengatur data kami. Bagaimana kami bisa
mempermudah orang-orang menemukan metrik baru? Dan bagaimana kami bisa
membuatnya sehingga orang-orang bisa menggali potensi data baru? Alih-alih
hanya mengajukan pertanyaan yang sama berulang-ulang. Karena seperti kata
Bill Gross, "Untuk membangun pertumbuhan, Anda harus sangat kreatif, Anda
harus menemukan bongkahan data tersebut dan wawasan yang orang lain tidak
tahu cara menemukannya."

Jadi sekarang kami memiliki lemari data ini, dan menurut saya
perumpamaannya seperti ini, kalau Anda mengatur lemari, Anda sedang
mencoba mengoptimalkan sesuatu kan? Anda tidak ingin memakai barang yang

17
sama setiap hari. Anda ingin bisa mencampur dan mencocokkan berbagai
pakaian. Anda ingin bisa tampil dengan semua aksesoris di lemari pakaian Anda
dan tidak memakai yang itu-itu saja. Jadi saat Anda mengatur lemari pakaian
Anda, Anda bisa mengaturnya dengan beberapa cara. Anda bisa
mengkategorikannya berdasarkan pakaian, Anda bisa memadumadankan semua
benda yang Anda tahu akan cocok dipakai bersama, . Anda bisa
mengkategorikan berdasarkan warna yang Anda tahu benda-benda ini akan
cocok satu sama lain Atau Anda bisa mengkategorikan berdasarkan jenis
pakaian, mengumpulkan semua kaos Anda di satu area, semua sepatumu di satu
area. Dan cara kami memikirkan bagaimana kami mengatur data kami di Gojek
agak mirip. Jadi Anda bisa mengatur berdasarkan pakaian kan? Jadi, Go Food
akan memiliki dataset yang sempurna, di mana semuanya memiliki data
pemesanan, memiliki pengemudi yang terikat pada Go Food, memiliki harga
pesanan Go Food, ada juga para penjual di kumpulan data yang rapi ini. Jadi
jika seseorang akan memesan Go Food, mereka bisa masuk ke lemari data dan
berkata, "Oh, itu data Go Food-ku, biar kucari jawaban atas pertanyaanku
tentang Go Food." Anda juga bisa mengaturnya berdasarkan unit bisnis, jadi
orang-orang di Keuangan akan bisa melihat dan berkata:

"Oh, ini data akuntansi saya, berikut adalah data tentang tingkat kenaikan harga,
ini data yang menjelaskan tentang pendapatan saya." Atau Anda bisa
mengaturnya berdasarkan jenis pakaian. Jadi, dalam hal ini, setiap pemesanan
disimpan di lokasi tertentu, semua data bit disimpan di lokasi tertentu, dan
semua pembatalan pemesanan disimpan di lokasi tertentu. Kami akhirnya
berpikir, berdasarkan kategori berbeda yang digunakan orang untuk
menemukan datanya. Bagaimana kami menyusunnya sedemikian rupa sehingga
orang menggunakan datanya dengan cara yang efisien dan efektif bagi mereka
untuk membangun produk mereka? Jadi itu membawa kita ke metrik North Star,
transaksi yang telah selesai. Jadi metrik North Star adalah sesuatu yang Anda

18
pakai untuk menyelaraskan pengaturan. Sehingga setiap orang di perusahaan
tahu apa tujuan perusahaan. Di Gojek itu adalah transaksi yang telah selesai.
Seiring dengan bertambahnya jumlah transaksi yang telah selesai, kami
mewujudkan tujuan kami. Dan setiap pemilik produk ingin tahu; Bagaimana
saya bisa berkontribusi pada metrik North Star di Gojek? Jadi sekarang Anda
perlu masuk ke metrik yang penting

Lalu apa metrik yang penting bila kita ingin meningkatkan jumlah transaksi
yang telah selesai? Nah Anda harus meningkatkan transaksi yang telah selesai
di Go Ride, transaksi yang telah selesai di Go Food akan menambah metrik
North Star tersebut. Transaksi Go Pay P2P akan menambah metrik itu, jadi
Anda mulai memecah kategori dan lapisan yang datanya perlu disejajarkan.
Sekarang untuk pemesanan Go Food yang telah selesai, apa saja metrik yang
penting untuk itu? Karena bisa saja Anda mempunyai pemilik produk yang
peduli dengan transaksi yang telah selesai di Go Food, tapi bagaimana dengan
semua PM yang mengerjakan fitur spesifik dan mereka tidak tahu persis
bagaimana fitur mereka bekerja terhadap metrik North Star? Kalau begitu Anda
masuk ke total pemesanan kan? Jika tidak ada pemesanan Go Food, jelas tidak
akan ada pemesanan yang telah selesai di Go Food. Akan ada lokasi untuk
setiap pemesanan yang memang terjadi. Bagaimana kita memastikan bahwa ada
pengemudi untuk menerima pesanan itu dan menyelesaikannya? Dan kemudian
pembatalan, untuk setiap pesanan yang dimasukkan dan kemudian mendapat
pengemudi, bagaimana kita memastikan bahwa pembatalan tidak terjadi?
Karena saat si pengemudi pergi ke restoran atau ke toko, barangnya habis.

Jadi bagaimana kita mencegah pembatalan? Jadi, tidak ada PM yang dapat
mengumpulkan metrik khusus yang penting ini, ke dalam metrik yang penting,
ke dalam metrik North Star. Dan mereka mengerti bagaimana fitur mereka
membantu mengurangi tingkat pembatalan, memperbaiki alokasi, atau
meningkatkan jumlah pemesanan. Sekarang metrik yang penting bagi metrik
19
yang penting adalah hal-hal yang kita selaraskan dengan unit bisnis di sekitar,
sementara kami membangun dasbor Tableau atau alat visualisasi kami. Jadi saat
Anda membuka alat visualisasi di Gojek, itu selalu berpusat pada salah satu
jenis konsep ini. Jadi ketika Anda melihat total pemesanan, apa yang perlu
Anda miliki untuk meningkatkan jumlah pemesanan adalah jelas pengguna aktif
di platform Anda untuk menyelesaikan pesanan, serta penjual untuk orang-
orang yang akan memesan. Bila Anda ingin memahami bagaimana
memperbaiki alokasi, Anda perlu mengetahui di mana pengemudi berada dan
Anda perlu tahu apakah mereka diberi insentif cukup baik untuk menyelesaikan
pesanan ini atau tidak. Hanya karena Anda memiliki persediaan, tidak berarti
bahwa pengemudi-pengemudi ini benar-benar akan menyelesaikan pesanan
tersebut. Dan untuk tingkat pembatalan, kita perlu memahami berapa lama
waktu yang dibutuhkan pelanggan untuk mendapatkan pengemudi sehingga
mereka tidak membatalkan karena mereka tidak sabar. Dan kita perlu mengerti
ketika pengemudi pergi ke restoran dan ternyata pesanannya habis, bagaimana
kita bisa mencegah masalah kualitas konten itu? Sehingga masalah ini tidak
terjadi lagi. Jadi sekarang Anda memiliki semua sub-fitur produk ini, yang bisa
dikerjakan oleh semua PM dan pemilik bisnis, karena mereka memahami
dengan tepat bagaimana, apa yang mereka lakukan dan dampaknya terhadap
metrik yang penting, terhadap metrik yang penting, dan sebagainya. Dan
sekarang selalu ada, -saya kira di sisi teknis-, orang merasa agak sulit untuk
mengerti, seperti oh bagaimana pekerjaan saya bisa membantu menyelesaikan
transaksi? Jadi bagi kami di sisi pengembang, kami selalu fokus pada waktu
servis, jam pasokan pengemudi. Jadi, kembali ke sini, sekarang kita tahu apa itu
metrik North Star. Kami telah menyelaraskan pengaturan di sekitarnya. ”Tim BI
telah pergi ke masing-masing pemilik produk dan berkata, "Hei ini metrik North
Star kami, inilah yang kami harapkan dari KPI dari setiap produk." Bagaimana
kita mengatur ini agar kita dapat secara efisien mengaktifkan pemilik produk
dan unit bisnis untuk menemukan momen AHA! mereka sendiri?
20
”Sehingga kita tidak harus terus-menerus mendatangi mereka dan berkata; "Hei,
apakah kamu melihat tingkat alokasi? Apakah Anda melihat tingkat
pembatalan?"

Dan sebaliknya mereka akan bisa masuk ke ini, dan mengerti sedikit lebih baik.
Jadi, apa yang kami putuskan adalah beberapa hal, kami memutuskan untuk
mengaturnya dengan cara yang berbeda, namun menggunakan data yang sama.
Jadi kami tidak terlalu khawatir tentang duplikasi data yang terwakili di gudang
data kami karena kami kebanyakan berada di platform awan (cloud). Dan
karena penyimpanan awan itu murah, Anda bisa menduplikat data asalkan
meningkatkan referensi. Jadi kami memutuskan untuk melihat satu gaya
pengaturan, di mana kami mempertimbangkan biasanya untuk kepentingan apa
pemilik produk masuk ke gudang data? Mereka akan berkata, "Oh, saya ingin
memahami sesuatu tentang pelanggan saya", atau, "Saya ingin memahami
sesuatu tentang pengemudi saya." Tapi mereka sering kehilangan apa yang ada
di antara dua hal tersebut, yaitu penilaian umpan balik yang mengikat mereka
bersama, pemesanan yang mereka selesaikan bersama. Atau hal-hal konyol
seperti cuaca, yang mungkin diperhatikan semua orang pagi ini. Jadi pada hal
ini, yang akan kami dapatkan dari pemilik produk adalah mereka masuk dan
mereka mengatakan:

“Oke, saya ingin lihat, pelanggan yang menggunakan Go Food.” Saya ingin
melihat pelanggan yang menggunakan voucher Go Points. Dan dari sini mereka
akan dipaksa untuk menemukan hubungan di antara setiap kepemilikan bersama
yang mungkin ada di antara seorang pengemudi. Karena pada platform kami,
kami sangat tertarik untuk tidak hanya mempromosikan pengalaman pelanggan,
tapi juga pengalaman pengemudi dengannya. Karena pengemudi selalu menjadi
agen kami terhadap pelanggan. Jadi cara lain kami mengaturnya adalah
berdasarkan jenis acara dan kepemilikan bersama. Sekarang semua orang di
perusahaan itu fokus pada berbagai aliran pekerjaan dan melakukan ini, kami
21
semacam dipaksa untuk memiliki kepemilikan bersama, sehingga mereka
dipaksa untuk tidak hanya melihat satu masalah saja.

Ketika orang melihat tingkat alokasi Go Food, mereka melihat bahwa tingkat
pembatalannya sangat tinggi, sehingga mereka dapat melihat ke dalam
pemesanan. Mereka hanya melihat pemesanan untuk mengatakan: "Oh wow,
kita terus-menerus mendapatkan pembatalan." Tapi mereka tidak benar-benar
melihat hal-hal seperti lokasi atau insentif pengemudi karena itu sangat jauh
dari konsep pemesanan. Jadi dengan menggabungkan hal-hal seperti pemesanan
Go Car atau Go Food, ke statistik pengemudi, seperti kinerjanya secara
keseluruhan di atas platform, dan kemudian ke unit ekonomi.

Jadi berapa harga yang diberikan kepada pengemudi untuk setiap pesanan yang
dia selesaikan, dan untuk pembatalan pemesanan, bagaimana hal itu
dibandingkan dengan pesanan yang telah diselesaikan? Sekarang ini adalah fitur
yang bisa mereka lihat, sebagai metrik data dan dibandingkan semua di satu
tempat. Salah satu contoh momen AHA! yang kami lihat di sini adalah, melihat
bagaimana kupon Go Points diadopsi. Jadi kami melihat semua tingkat adopsi
kupon Go Points. Anda dapat membeli voucher di aplikasi kami, dan
menukarkannya di toko. Bagi pengguna yang menggunakan voucher Alfamart,
kami tidak hanya melihat bagaimana mereka menukarkannya di dalam toko,
kami tidak hanya melihat cap waktu, namun kami menghubungkannya ke
tingkat profil pengguna. Apa yang dia lakukan pada saat itu? Dan dengan
melihat tingkat profil penggunanya, Anda bisa melihat bahwa dia baru saja
menyelesaikannya secara berurutan. Orang ini benar-benar ada di toko, dia
membeli voucher Go Points Alfamart, dan menukarkannya di toko.

22
Dan sekarang ini membuat kami bertanya-tanya, bisakah kami mengikat data
voucher Go Points lebih dekat dengan data Go Ride kami? Go Points adalah tim
yang benar-benar terpisah. Sementara Go Ride kebanyakan berfokus pada
transportasi, namun data ini dapat dengan mudah dihubungkan bersama dan
Anda dapat memberi mereka pengalaman kontekstual lebih banyak kepada
pengguna. Dan ini adalah dua lini produk yang sama sekali berbeda, yang
kebanyakan orang tidak akan anggap sebagai strategi pertumbuhan yang dapat
mendorong dan memberi insentif kepada pengguna dan menghubungi mereka
pada waktu yang tepat berdasarkan dua titik data yang sama sekali berbeda.
Setelah pengalaman menyiapkan data, cara yang bisa kami jelajahi dan sangat
kreatif banyak berkaitan dengan berbagai entri blog data dalam waktu yang
sangat singkat. Bagi kami untuk menggunakan gudang data seperti sekarang ini,
kami bisa mulai dengan satu pertanyaan saja; "Apa dampak Gojek bagi
Indonesia?" Nah, banyak orang akan melihat itu dan berkata; Kami sudah
meningkatkan pendapatan banyak orang kan?

Kami telah menciptakan banyak pekerjaan dan peluang bagi pengemudi, lihat
saja satu fitur itu: ekonomi unit pengemudi dan mari kita lihat ke mana cerita itu
akan membawa kita. Jadi bagi kami, ini menjadi pengalaman eksplorasi,
dimulai dengan satu pertanyaan dan ini membawa Anda menuju berbagai
hubungan tak terduga lainnya dengan titik data yang sebelumnya tidak Anda
pertimbangkan. Tapi karena datanya begitu terhubung bersama, Anda hampir
terpaksa menyadari bahwa ada koneksi di sana yang belum pernah anda duga
sebelumnya. Tahukah Anda berapa banyak martabak yang telah kita kirimkan
dalam satu tahun terakhir?

Kami mengantarkan 3 juta martabak dalam satu tahun terakhir. Dan titik data
semacam ini yang bahkan tidak perlu kami cari. Ini hanya kebetulan sesuatu
yang kami lihat saat kami melihat data dasar Go Food. Ketika kami ingin
menulis posting blog terbaru kami di Sudirman, tidak sulit bagi kami untuk
23
menemukan semua titik data yang berbeda ini. Kami tidak perlu meluangkan
banyak waktu untuk mencari semua data di Sudirman? Bagaimana kita menarik
data ini? Karena semua titik data yang kami miliki sesuai dengan data berbasis
lokasi, di manapun mereka berada.

Yang harus kami lakukan adalah mengetik secara harfiah: Sudirman sebagai
titik lokasi, dan semua data yang diwakili dengan penghitungan berbasis lokasi
akan bermunculan. Jadi Anda tidak perlu mengatakan bahwa saya ingin secara
khusus; oke berapa banyak pesanan Go Food yang dikirim ke Sudirman? Yang
harus Anda lakukan adalah mengatakan; "Apa yang terjadi di Sudirman?"

Saya pikir di sisi lalu lintas itu cukup mudah juga bagi kami. Jadi dalam
memahami apa yang terjadi di Sudirman dan apa pengaruhnya, Awalnya kami
melihat berapa banyak pesanan saat berada di daerah itu?

Kami melihat berapa banyak pengemudi yang menjemput dan penumpang yang
turun di daerah itu?

Dan karena kami telah membakukan data kami sampai pada titik di mana data
tersebut menggunakan ini sebagai dua ID, yang merupakan produk
perpustakaan open source Google yang menerjemahkan garis lintang dan bujur
ke dalam sel geografis. Kami telah membakukan data kami sehingga Anda bisa
mencari data geografis di semua produk yang berbeda, di semua pemahaman
yang berbeda. Dan melihat tingkat kejadian, seperti lokasi pengemudi berwarna
pink, ini bahkan tidak berada pada tingkat pemesanan tapi kami masih bisa
mengidentifikasi pengemudi di lokasi itu saat itu. Untuk membaca lebih lanjut,
silakan kunjungi blog data Gojek kami.

24
 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:

 Volume

Ukuran data yang dimiliki oleh big data memiliki kapasitas yang
besar. Anda dapat mencoba melakukan proses data dengan ukuran
yang besar untuk dijalankan. 

 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. 

 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

25
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.

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 ketiga dari big data 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.

26
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. 

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

27
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. 

28
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 Big Data

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. 

1. Tableau
2. Xplenty
3. RapidMiner
4. Pentaho
5. Skytree
6. Looker
7. Domo
8. Knime 
9. Sisense 
10.Cassandra
Sebenarnya, masih banyak tools yang dapat anda gunakan untuk
mengembangkan big data. Apabila anda menginginkan penyimpanan yang lebih

29
besar, teknologi cloud sangat kami rekomendasikan. Contohnya, menggunakan
software milik google seperti BigTable berbasis cloud base. 

Jadi dapat disimpulkan, big data memiliki beberapa fungsi dan manfaat terkait
dengan kebutuhan penyimpanan data yang besar dengan proses pembacaan data
lebih cepat dan efisien. 

4. Uraikan video Data Mining | Why and What of Data Mining →

https://www.youtube.com/watch?v=0Q7j7sv4rns

Uraian Video

halo semuanya ini bukan jus Tunisia dan selamat datang di kuliah hari ini
tentang apa itu penambangan data jadi pada dasarnya Anda telah mendengar
banyak tentang penambangan data dan pembelajaran mesin di Anda tahu tren
terkini surat kabar medium.com dan banyak tempat tetapi sangat sedikit orang
yang tahu apa sebenarnya tidak mining jadi pada kuliah ini kita akan
membahas pada hari apa data mining sebelumnya saya ingin memberitahukan
bahwa apa yang akan kita bahas pada kuliah ini jadi pada kuliah hari ini kita
akan membahas mengapa menambang karena sangat penting bagi kita untuk
memahami apa pentingnya mengapa demikian dan mendiskusikan mengapa itu
sangat penting dan kemudian kita berbicara tentang apa sebenarnya data mining
kemudian kita melangkah lebih jauh dan mencari tahu apa itu data mining
berguna aplikasi apa saja di mana kita dapat menggunakannya dan akhirnya
Anda tahu jenis data apa yang perlu kami ingat, kami telah mengatakan bahwa
penting juga bahwa Anda perlu memahami berbagai jenis data yang tersedia
dan bagaimana kami dapat menambang data dan juga penting untuk dipahami
bahwa semua data dapat ditambang sekarang poin yang sangat penting ini akan
kita diskusikan dan akhirnya masalah utama dalam penambangan data jadi mari
kita melangkah lebih jauh jadi seperti yang saya katakan mengapa
penambangan data jadi pada dasarnya kita tertarik dengan data itu seperti kami
memiliki begitu banyak data dan kami tidak memiliki pengetahuan dan
30
penambangan data pada dasarnya adalah keliru banyak orang memahami
penambangan data dengan cara yang sangat salah seperti jika Anda melakukan
penambangan emas jika Anda melakukan penambangan batubara dan dalam
kasus tersebut Anda benar-benar menggalinya untuk mendapatkan emas
sedangkan di sini Anda tidak tahu menambang untuk data pikiran Anda untuk
pengetahuan sehingga penambangan antar juga dikenal sebagai penambangan
pengetahuan atau penemuan pengetahuan dalam penambangan data dan alasan
untuk data mining menjadi sangat penting adalah ini ada sejumlah besar data
yang tersedia dan fakta menurut statistik yang telah saya ketahui dan pelajari
adalah jumlah data yang dihasilkan dalam dua tahun terakhir lebih dari jumlah
total data yang dihasilkan di seluruh abad sebelumnya jadi ini adalah sejumlah
besar data jadi dari mana data ini berasal dari data ini berasal dari berbagai
platform yang Anda sambungkan seperti platform media social setiap hari Anda
semua masuk ke platform media sosial seperti Facebook Instagram Twitter dll
dan Anda telah memposting begitu banyak hal yang Anda bicarakan tentang
hal-hal yang Anda sukai Anda tahu itu tidak suka, Anda membagikan
semuanya, lalu ada platform e-niaga yang saya ambil pusat booming amazon
ebay flip kart 8 di mana orang-orang online menjual produk memeriksa
perbedaan Anda tahu analisis komparatif dari berbagai produk dan ada banyak
data yang Anda ketahui dihasilkan di sana juga bersama dengan itu semua
pemerintah menjadi online sehingga ada banyak catatan online pendidikan
Anda kaki lainnya transaksi bank dan masih banyak lagi dan juga semua yang
Anda tahu ada banyak variasi baru yang akan dihasilkan dari blog berita dan
media lain jadi ini secara keseluruhan berarti bahwa ada sejumlah besar data
yang tersedia sekarang hanya masalah bagaimana kita dapat memanfaatkan data
ini untuk menghasilkan semacam pengetahuan yang dapat digunakan untuk
pengambilan keputusan sehingga apa yang kita bicarakan dalam penambangan
data pada dasarnya menemukan pola tersembunyi dari data yang sudah tersedia
ini dapat tersedia dalam berbagai bentuk dapat berupa hard copy dapat berupa
31
soft copy dapat berupa catatan online itu bisa berupa klik pada media bisa jadi
Anda sangat mengetahui kunci Anda di browser tetapi jika itu dapat membantu
kami dan mengetahuinya, Anda mengetahui beberapa pola, beberapa
pengetahuan tentang apa itu penambangan data dan itu juga mengekstraksi
pengetahuan dari data yang dapat membuat beberapa pengambilan keputusan
efektif itu didasarkan pada sistem pengambilan keputusan juga ada ekstraksi
dari interestingness jadi ketika kita berbicara tentang interestingness akan
berbicara di kuliah selanjutnya bagaimana interestingness adalah parameter
yang akan dinilai ketika kita berbicara tentang penambangan data dan juga
dapat digunakan untuk mencari algoritma dan laura untuk pemrosesan kueri
sekarang pada dasarnya Anda tahu apa yang sedang kita bicarakan apa bedanya
sehingga penambangan data tidak mencari apa bedanya dengan mencari jadi
kami tidak menulis kueri itu bukan basis data, penambangan antar diterapkan
pada bentuk data Rails jadi tidak selalu kita bekerja dengan jenis data yang
sama yang merupakan pergudangan data tabel konservasi yang akan kita bahas
di beberapa kuliah lain tetapi untuk memahami di kata-kata sederhana
penambangan data tidak diterapkan pada satu jenis data saat sedang memproses
kueri atau mungkin Anda tahu menulis kueri di basis data dalam jenis data yang
sama, pertanyaan jauh juga bahwa kita perlu pra-pemrosesan, kita berbicara
tentang Anda tahu masalah yang terkait dengan data dari sumber yang berbeda
sehingga pra-pemrosesan dilakukan dan itulah alasannya memberi Anda hasil
yang lebih efektif sekarang ketika kita berbicara tentang aplikasi bagaimana kita
menentukan kita menggunakan sisanya dapat digunakan dalam parameter yang
berbeda berbeda bidang dalam banyak hal sehingga bidang medis seperti yang
kami sebutkan di sini adalah salah satu bidang yang banyak diuntungkan oleh
penambangan data terutama prediksi deteksi kanker diabetes dan banyak hal
lainnya sehingga penambangan data kesehatan adalah salah satu penyebab Anda
tahu disebut obat untuk banyak dari Anda tahu penyakit kritis dan jika bukan
obatnya, itu membantu kami mengurangi efek penyakit e-niaga adalah satu-
32
satunya alasan Anda tahu penambangan data muncul dan penambangan data
adalah salah satu alasan e-niaga sedang menggerakkan kebangkitan Amazon
dan menjadi perusahaan besar yang paling Anda kenal adalah karena
penambangan data dan algoritme pembelajaran mesin yang telah mereka
kembangkan, analisis halaman web kami, hasil yang kami dapatkan algoritme
prediksi di pasar saham dan masih banyak lagi data penambangan adalah
bidang yang beragam sebenarnya saya ingin Anda berkomentar di bagian
komentar apakah Anda pernah mendengar tentang penambangan data dalam
beberapa cara atau Anda mengalami atau mungkin bagian dari pengalaman
Anda tahu bahwa penambangan data sedang dilakukan untuk Anda, silakan
bagikan pengalaman sekarang jenis data apa yang bisa menjadi milik saya
seperti yang saya sebutkan sebelumnya data apa yang sebenarnya kita bisa -
seperti kita bisa menambang database relasional kita memiliki gudang data dari
berbagai jenis atau periode waktu yang mungkin dimiliki oleh perusahaan atau
industri atau Institut data sehingga kami dapat Anda tahu benar-benar online
dan mendapatkan data tersebut melakukan pra-pemrosesan dan mencari tahu
apakah ada beberapa pola atau daya tarik di sana ada data sensor yang tersedia
melalui IOT Anda tahu ada dunia IOT yang sangat besar untuk dikoreksi
dengan bantuan analitik yang ditolak besar jadi olahraga sebagai bidang yang
Anda tahu banyak manfaatnya perbedaan adalah sesuatu yang banyak
manfaatnya sehingga data sensus IOT semacam ini banyak digunakan data deret
waktu jika ada data atau periode waktu yang bisa kita gunakan secara khusus
yang juga bisa menjadi milik saya jadi ada banyak aplikasi kita juga bisa
menerapkan penambangan data dan visualisasi dan grafik juga jadi ini adalah
aplikasi penambangan data dan secara umum itu adalah kategori yang sangat
luas yah sinyal kemudian di kuliah selanjutnya juga sekarang sebelum kita
melangkah lebih jauh seperti apa masalah utama dalam penambangan data
karena kemudian kita berbicara tentang keragaman data ketika kita berbicara
tentang data yang sangat besar bersama dengan manfaatnya ada banyak
33
kerugian dan yang ketiga adalah ini seperti yang tercantum di sini adalah
keragaman itu sendiri kadang-kadang dapat membawa kita kepada Anda tahu
kehilangan konsep pengetahuan efisiensi dan skalabilitas dapat menjadi masalah
ketika kita berbicara tentang data skala besar juga memprosesnya memerluka
perangkat keras dan struktur yang mana tidak selalu interaksi pengguna yang
tersedia adalah masalah yang terkadang kami miliki dalam penambangan data,
Anda tahu kami harus memperhatikan masyarakat tetapi pada informasi
semacam ini kami dapat menambang atau tidak jadi penambangan data secara
umum adalah bidang yang sangat luas. menurut saya akhir kuliah anda akan
memiliki gambaran singkat tentang apa itu data mining terima kasih banyak atas
waktu dan kesabaran anda silahkan berlangganan Idi technology semoga
bertemu lagi di kuliah berikutnya terima kasih banyak hasta la vista

Pengertian Pengembangan Data

Penambangan data adalah teknik berbantuan komputer yang digunakan dalam

analitik untuk memproses dan mengeksplorasi set data besar. Dengan alat dan
metode penambangan data, organisasi dapat menemukan pola dan hubungan
tersembunyi dalam data mereka. Penambangan data mentransformasi data
mentah menjadi pengetahuan praktis. Perusahaan menggunakan pengetahuan ini
untuk memecahkan masalah, menganalisis dampak masa depan dari keputusan
bisnis, serta meningkatkan margin keuntungan mereka.

Penambangan data” adalah istilah yang tidak cocok karena tujuan

penambangan data bukanlah mengekstraksi atau menambang data itu sendiri.
Alih-alih, sejumlah besar data sudah tersedia, dan penambangan data
mengekstraksi makna atau pengetahuan yang bermanfaat dari data tersebut.
Proses yang umum dari pengumpulan, penyimpanan, analisis, dan
penambangan data diuraikan di bawah ini.

34
  Pengumpulan data adalah menangkap data dari berbagai sumber,
seperti umpan balik pelanggan, pembayaran, dan pesanan pembelian.
 Penggudangan data adalah proses penyimpanan data tersebut dalam
basis data yang besar atau gudang data.
 Analitik data adalah pemrosesan, penyimpanan, dan analisis data lebih
lanjut menggunakan perangkat lunak serta algoritme yang kompleks.
 Penambangan data adalah cabang analitik data atau strategi analitik
yang digunakan untuk menemukan pola yang tersembunyi atau belum
diketahui sebelumnya di dalam data.

Mengapa penambangan data penting?

Penambangan data adalah bagian yang sangat penting dari keberhasilan inisiatif
analitik. Bisnis dapat menggunakan proses penemuan pengetahuan untuk
meningkatkan kepercayaan pelanggan, menemukan sumber pendapatan baru,
dan membuat pelanggan terus kembali. Penambangan data yang efektif
membantu berbagai aspek dalam perencanaan bisnis dan manajemen operasi.
Berikut adalah beberapa contoh bagaimana industri yang berbeda menggunakan
penambangan data.

Telekomunikasi, media, dan teknologi

Bisnis vertikal dengan persaingan tinggi seperti telekomunikasi, media, dan

teknologi menggunakan penambangan data untuk meningkatkan layanan
pelanggan dengan menemukan pola dalam perilaku pelanggan. Misalnya,
perusahaan dapat menganalisis pola penggunaan bandwidth dan menyediakan
peningkatan atau rekomendasi layanan yang dikustomisasi.

Perbankan dan asuransi

Layanan keuangan dapat menggunakan aplikasi penambangan data untuk

memecahkan masalah penipuan yang rumit, kepatuhan, manajemen risiko, dan
pengurangan pelanggan. Misalnya, perusahaan asuransi dapat menemukan
harga produk yang optimal melalui perbandingan performa produk lampau
dengan harga kompetitor.

Pendidikan

Penyedia pendidikan dapat menggunakan algoritme penambangan data untuk

menguji siswa, mengustomisasi pelajaran, dan menerapkan elemen game dalam
pembelajaran. Pandangan terpadu yang didukung data terkait kemajuan siswa
dapat membantu pendidik melihat hal yang dibutuhkan siswa dan mendukung
mereka dengan lebih baik.

35
 Manufaktur

Layanan manufaktur dapat menggunakan teknik penambangan data guna

menyediakan analitik waktu nyata dan prediktif untuk efektivitas peralatan
keseluruhan, tingkat layanan, kualitas produk, dan efisiensi rantai pasokan.
Misalnya, produsen dapat menggunakan data historis untuk memprediksi
keausan mesin produksi dan mengantisipasi pemeliharaan. Hasilnya, mereka
dapat mengoptimalkan jadwal produksi dan mengurangi waktu henti.

Ritel

Perusahaan ritel memiliki basis data pelanggan yang besar dengan data mentah
tentang perilaku pembelian pelanggan. Penambangan data dapat memproses
data ini untuk menghasilkan wawasan yang relevan bagi kampanye pemasaran
dan prakiraan penjualan. Melalui model data yang lebih akurat, perusahaan ritel
dapat mengoptimalkan penjualan dan logistik untuk meningkatkan kepuasan
pelanggan. Misalnya, penambangan data dapat mengungkapkan produk
musiman populer yang dapat disediakan lebih awal untuk menghindari
kekurangan di saat-saat terakhir.

Bagaimana cara kerja penambangan data?

Cross-Industry Standard Process for Data Mining (CRISP-DM) adalah panduan

yang sangat tepat untuk memulai proses penambangan data. CRISP-DM
merupakan metodologi dan model proses yang netral industri, alat, dan aplikasi.

 Sebagai metodologi, panduan ini menjelaskan fase umum dalam proyek

penambangan data, menguraikan tugas yang ada dalam setiap tahap, dan
menjelaskan hubungan antara tugas tersebut.
 Sebagai model proses, CRISP-DM menyediakan gambaran umum tentang
siklus hidup penambangan data.

Apa saja teknik untuk penambangan data?

Teknik penambangan data diambil dari berbagai bidang pembelajaran yang

tumpang tindih, termasuk analisis statistik, machine learning (ML), dan
matematika. Lihat beberapa contohnya di bawah ini.

Penambangan aturan asosiasi

Penambangan aturan asosiasi adalah proses menemukan hubungan antara dua

set data berbeda yang sepertinya tidak berhubungan. Pernyataan if-then

36
menunjukkan probabilitas hubungan antara dua titik data. Ilmuwan data
mengukur akurasi hasil menggunakan kriteria dukungan dan kepercayaan.
Dukungan mengukur seberapa sering elemen yang berhubungan muncul dalam
set data, sedangkan kepercayaan menunjukkan berapa kali pernyataan if-then
akurat.

Misalnya, ketika pelanggan membeli item, sering kali mereka membeli item
kedua yang berhubungan. Peritel dapat menggunakan penambangan asosiasi
pada data pembelian lampau untuk mengidentifikasi minat pelanggan baru.
Mereka menggunakan hasil penambangan data untuk mengisi bagian
rekomendasi pada toko online.

Klasifikasi

Klasifikasi adalah teknik penambangan data kompleks yang melatih algoritme

ML untuk menyortir data ke dalam kategori yang berbeda. Teknik ini
menggunakan metode statistik seperti pohon keputusan dan tetangga terdekat
untuk mengidentifikasi kategori. Di semua metode ini, algoritme telah
diprogram dengan klasifikasi data yang diketahui untuk menebak tipe elemen
data baru.

Misalnya, analis dapat melatih perangkat lunak penambangan data

menggunakan gambar apel dan mangga yang diberi label. Dengan akurasi
tertentu, perangkat lunak kemudian dapat memprediksi apakah gambar baru
merupakan gambar apel, mangga, atau buah lainnya.

Pembuatan klaster

Pembuatan klaster adalah pengelompokkan beberapa titik data berdasarkan

kesamaannya. Ini berbeda dari klasifikasi karena tidak dapat membedakan data
menurut kategori spesifik tetapi dapat menemukan pola dalam kesamaannya.
Hasil penambangan datanya adalah set klaster di mana setiap kumpulan berbeda
dari grup lain, tetapi objek di setiap klaster memiliki kesamaan dalam beberapa
hal.

Misalnya, analisis klaster dapat membantu dalam riset pasar saat bekerja dengan
data multivariasi dari survei. Peneliti pasar menggunakan analisis klaster untuk
membagi pelanggan ke dalam segmen pasar dan lebih memahami hubungan
antara grup yang berbeda.

Analisis urutan dan jalur

Perangkat lunak penambangan data juga dapat menemukan pola tempat

rangkaian peristiwa atau nilai tertentu mengarah ke yang berikutnya. Analisis

37
ini dapat mengenali beberapa variasi dalam data yang terjadi secara berkala atau
dalam pasang surut titik data dari waktu ke waktu.

Misalnya, bisnis mungkin menggunakan analisis jalur untuk menemukan bahwa

penjualan produk tertentu melonjak sebelum hari libur atau untuk melihat
bahwa cuaca hangat membawa lebih banyak orang ke situs web mereka.

5. Uraikan video AI: Perbedaan AI, ML (Machine Learning), dan DL

(Deep Learning) → https://www.youtube.com/watch?
v=rQRikWceaB8

Uraian Video

Hai di planning itulah yang lebih mirip cara kerja manusia tadinya Hai cara
tentang Ai biasanya tidak lepas dari pembicaraan tentang machine-learning dan
depleting mengapa karena teknik air yang digunakan saat ini hari ini pada
umumnya menggunakan pendekatan machine learning atau di planning baik
kita mulai dengan memahami apa itu ai ya Secara definisi Ai atau artificial
intelligence adalah kecerdasan yang dapat diwujudkan dalam suatu mesin Hai
biasanya berbentuk komputer dan algoritma didalamnya berbeda dengan natural
intelligence atau kecerdasan alami yang melekat pada manusia atau makhluk
hidup lainnya lebih formal artifisial intelijen adalah cabang ilmu komputer atau
cabang dari computer science yang berusaha mereplikasi atau mensimulasikan
kecerdasan manusia dalam sebuah mesin sehingga mesin tersebut dapat
melakukan tugas-tugas yang biasanya membutuhkan kecerdasan manusia ya
itulah pemahaman tentang artificial intelijen tidak rumit Saya kira ya Nah baik
berikutnya adalah kita coba kaitkan dengan machine learning dan di planning
yah machine learning merupakan bagian dari artificial intelegence ke bidang
Hai yang kedua machine-learning mengacu pada sistem Ai yang dapat belajar
sendiri berdasarkan algoritma Hai jadi pemahamannya sistem Ai ada yang dapat
menciptakan kecerdasan tidak melalui proses belajar sendiri dan ada satu lagi
yang dapat menciptakan kecerdasan dengan melalui proses learning atau belajar
Nah inilah yang disebut mesin learning system.
machine-learning menjadi lebih pintar dan pintar terus makin pintar dari waktu
ke waktu jika melakukan proses belajar terus-menerus sebagai contoh kalau kita
lihat translator bahasa yang disediakan oleh Google memungkinkan kalau kita
melihat terjemahan yang tidak tepat Hai user diperbolehkan mengusulkan
update ya terhadap sistem dengan demikian sistem akan belajar lagi ya
Sehingga kualitasnya dengan berjalannya waktu akan menjadi lebih baik di
perning sebetulnya adalah sebuah mesin learning tapi machine-learning yang
38
lebih spesifik apa spesifiknya yaitu diterapkan pada Kumpulan data yang sangat
besar tidak hanya besar tapi sangat besar tentunya harus memiliki algoritma
yang lebih baik lebih efektif dan didukung dengan mesin dengan kekuatan
komputasi yang lebih powerfull atau lebih baik yah itulah Hai Ai machine-
learning dan di planning lebih mudah barangkali kalau kita pahami melalui
gambar yang terpampang ya lingkaran biru adalah artificial intelegence
mencakup seluruh hal yang berkaitan dengan penciptaan kecerdasan diatas
sebuah mesin sebagian dari artifisial intelijen adalah sistem yang menggunakan
pendekatan penciptaan kecerdasan melalui proses belajar itulah yang disebut
machine-learning yang berwarna hijau ya sebagian dari mesin learning ada yang
lebih khusus yaitu diimplementasikan dengan Kumpulan data yang sangat besar
Inilah yang disebut di perning Ya baik kita lanjut ya lebih spesifik machine-
learning mesin enggak adalah bagian dari air yang sudah ada sejak lama bukan
baru setahun dua tahun yang lalu sistem machine-learning dapat belajar dan
meningkatkan kecerdasan secara otomatis dengan cara belajar terus-menerus itu
kira-kira pemahamannya seperti itu ya sistem ini bekerja berdasarkan algoritma
Hai tapi bukan algoritma yang dibuat spesifik berdasarkan permasalahannya
Hai kalau kita memprogram di dalam lingkungan bukan artificial intelegence
maka kita memahami perjalanan data masuk Mengalami berbagai proses di
dalam sampai keluar menjadi informasi di akhir ya itu kita harus
representasikan seluruh proses itu dalam bentuk algoritma yang sangat rinci jadi
sistem tidak merepresentasikan kecerdasan sistem hanya mengotomasi proses
yang dipikirkan oleh perancang sistem.

Dalam hal ini dituliskan berupa program oleh programmer nya pada sistem Ai
algoritma yang dimaksud adalah algoritma menjalankan mekanisme kecerdasan
itu Oh ya algoritma yang sama dapat digunakan untuk persoalan yang berbeda-
beda jadi algoritma yang dicalonkan itu menciptakan fungsi kecerdasan yah
dalam algoritma non Ai algoritma tidak menciptakan kecerdasan disana tapi
hanya menjalankan urutan proses machine-learning banyak menggunakan
pendekatan statistic e-learning algorithm untuk membangun kecerdasan Hai
algoritma mesin learning diklasifikasikan ke dalam tiga kategori ada yang
supervise and supervise serta reinforcement learning Ya baik kita lihat
berikutnya di perning di perning berkembang lama setelah mesin learning
digunakan dalam berbagai aplikasi artificial intelegent artinya Hai jadi baru
belakangan menyusul Setelah lama machine-learning digunakan di perning
biasanya menggunakan artificial neural Network yang meniru cara kerja otak
39
manusia Walaupun ada satu catatan artificial neural Network juga sekarang
digunakan dalam mesin learning Ya tapi dalam cara penerapan yang sedikit
berbeda evolusioner Network rekaren neuron netbook serta rekursif neural
Network baik tadi sudah disebut artificial neural Network banyak pilihan teknik
yang dapat digunakan untuk implementasi mesin learning atau di perning salah
satu pendekatan yang saat ini banyak digunakan adalah artificial neural
Network atau jaringan syaraf tiruan berupa sebuah algoritma yang bukan proses
yang terjadi dalam jaringan saraf yang sesungguhnya dalam makhluk hidup atau
manusia jadi algoritmanya bukan algoritma penyelesaian masalah kali lagi ya
tapi algoritma untuk menjalankan atau menirukan fungsi jaringan saraf it ya
sebagai jaringan syaraf tiruan salah satu contoh menarik ya penggunaan
artificial neural Network itu adalah Amazon recommendation engine kalau kita
belanja ke Amazon sebetulnya e-commerce manapun pada umumnya sekarang
melakukan proses yang sama customer biasanya diberikan rekomendasi kalau-
kalau membeli ABC biasanya ini D juga diperlukan nah ini biasanya makin
lama makin sering kita belanja makin akurat.

Mengapa karena Hai sistem belajar dari karakteristik kita dikawinkan dengan
karakteristik customer Yang lain sehingga bisa menebak kalau belanja ini
biasanya ini juga diperlukan ya kira-kira seperti itu baik dari kacamata yang lain
apa sebetulnya machine-learning dan edit learning tadi dikatakan bahwa
bedanya di perning berkaitan dengan volume data yang besar ya mari kita mulai
dengan mesin learning Katakanlah kita punya data suara ucapan yang ingin
diproses Hai Katakanlah untuk mengenali ini yang diucapkan tuh apa meja atau
kursi yes atau no atau apapun ya pada pendekatan machine-learning biasanya
ada sebuah proses di awal yang disebut fitur extractions Oh ya ini harus
dipikirkan oleh manusia jadi informasi yang masih abstrak besar volumenya itu
diekstrak fiturnya sehingga menjadi informasi yang jauh lebih ringkas tapi
kayak dengan fitur-fitur penting dari sumber data atau informasi nya Nah fitur-

40
fitur inilah hasil ekstrasi ini yang diumpankan sebagai input kedalam sistem
Dalam hal ini machine-learning sehingga mesin learning dapat melakukan
proses lebih efektif karena sudah Dipilihkan fitur-fitur yang penting sebagai
contoh kalau kita mau memproses sinyal ucapan suara begitu ini seringkali
digunakan feature Extraction Hai new frequency cepstrum ya ini berupa deretan
angka-angka yang merepresentasikan fitur-fitur kunci yang sudah diteliti oleh
berbagai tak peneliti dan digunakan secara lama inilah fitur-fitur terpenting
yang merepresentasikan sinyal suara yang volume datanya jauh lebih besar
sehingga machine-learning tugasnya menjadi lebih ringan ya dan juga lebih
akurat karena sudah Dipilihkan fiturnya ya yang jadi masalah adalah untuk
setiap persoalan yang berbeda maka feature Extraction nya beda-beda kita harus
reset lagi memikirkan itu sampai akhirnya Ayo kita tiba pada opsi
Menggunakan sesuatu yang disebut deeplearning4j sejak awal ini menggunakan
pendekatan tadi artificial neural Network yang datang dari otak manusia
manusia ketika mendengarkan tidak pernah memikirkan ni fiturnya apa saja ya
lalu fitur itu yang kita tangkap kita pikirkan tidak kita begitu saja mendengarkan
kita begitu saja melihat lalu menyimpulkan Oh itu gajah po itu berkata meja Oh
itu berkata kursi ya Nah Oleh karena itu pendekatan yang bawah dipeler ingin
tulah yang lebih mirip cara kerja manusia tadi ya Ada input mentah yang
penting adalah dikonversi ke dalam bentuk digital atau angka numerik yang
memungkinkan diproses lalu Algo modif learning itu menyimpulkan sendiri apa
ini.

apa sosok apa nih ada-ada fitur apa saja di dalamnya sudah disimpulkan sendiri
oleh sistem defleur Ning sini menjadi lebih mudah tapi tentunya konsekuensi
sebagai sebuah sistem sistem ini jauh lebih kompleks daripada machine-
learning dan memerlukan beban komputasi yang jauh lebih besar daripada
machine-learning ya inilah sistem yang sekarang paling banyak digunakan baik
ini hanya contoh lain saja ya ketika kita punya gambar benda-benda ya Da
mobil gajah dan beberapa mobil yang lain bentuknya berbeda-beda kalau pakai
pendekatan machine-learning kita harus memikirkan fiturnya apa yang
merepresentasikan gambar-gambar ini sehingga machine learning dapat belajar
41
ya Dek learning tidak perlu konversi itu semua ke dalam bentuk digital
umpankan ke dalam Deep learning biarkan deepening yang belajar sendiri ya ya
itu kira-kira ya pemahaman machine-learning dan di perning sedikit lebih
mendalam terima kasih atas perhatian anda mudah-mudahan meningkatkan
pemahaman dan wawasan anda tentang Ai di planning machine-learning juga
artificial neural Network

Apa Bedanya Artificial Intelligence, Machine Learning, dan Deep

Learning?

Artificial Intelligence

Dalam istilah sederhana, AI (singkatan dari Artificial Intelligence) ialah sistem

atau mesin yang meniru kecerdasan manusia untuk melakukan tugas dan secara
terus-menerus dapat meningkatkan kemampuannya berdasarkan informasi yang
telah dikumpulkan. AI telah diwujudkan dalam beberapa bentuk. Beberapa
contohnya adalah:

1. Chatbot, menggunakan AI untuk memahami masalah pelanggan lebih

cepat dan memberikan jawaban yang lebih efisien
2. Smart Assistant, menggunakan AI untuk mengurai informasi penting
dari kumpulan data teks dalam jumlah besar guna mengatur jadwal
pengguna secara lebih baik
3. Recommendation Engine, menggunakan AI supaya dapat memberikan
rekomendasi otomatis untuk acara TV berdasarkan kebiasaan menonton
pengguna, atau rekomendasi produk berdasarkan riwayat pembelian di
platform ecommerce

Artificial Intelligence atau AI lebih banyak berkutat dengan proses mesin

berpikir dan analisis data. Meskipun AI menampilkan gambar robot mirip
manusia yang memiliki kemampuan berpikir cerdas, AI tidak dimaksudkan
untuk menggantikan manusia.

Ketika membicarakan AI, kita sebenarnya tidak jauh-jauh dari dua istilah ini:
Machine Learning dan Deep Learning. Karna keduanya merupakan sub-bidang
dari Artificial Intelligence

42
Machine Learning

Machine Learning yaitu istilah untuk menyebut komputer yang belajar dari
data. Bidang ini merupakan irisan dari jurusan ilmu komputer dan statistika di
mana algoritma digunakan untuk melakukan tugas tertentu tanpa diprogram
secara eksplisit; Sebaliknya, machine larning mengenali pola dalam data dan
membuat prediksi ketika ada data baru yang tiba.

Secara umum, proses pembelajaran algoritma ini dapat bersifat supervised

ataupun unsupervised, tergantung pada data yang digunakan untuk melatih
algoritma.

Machine Learning menggabungkan algoritma “klasik” untuk berbagai macam

tugas seperti pengelompokan (clustering), regresi, atau klasifikasi. Algoritma
Machine Learning harus dilatih pada data dengan memberikan label tertentu.
Semakin banyak data yang diberikan ke dalam algoritma, maka hasilnya akan
semakin baik. 

Machine learning sebenarnya adalah bagian yang lebih mengerucut dari bidang
AI. Bidang ini menggunakan teknik (termasuk juga deep learning) yang
memungkinkan mesin menggunakan pengalaman atau data sebelumnya untuk
menyelesaikan tugas yang diberikan. Proses pembelajaran didasarkan pada
langkah-langkah berikut:

1. Masukkan data ke dalam algoritma. (Pada langkah ini kita dapat

memberikan informasi tambahan ke model, misalnya, dengan melakukan
ekstraksi fitur.)
43
 2. Gunakan data tersebut untuk melatih model.
3. Uji dan terapkan model.
4. Gunakan model yang diterapkan untuk melakukan tugas prediksi
otomatis. (Dengan kata lain, panggil dan gunakan model yang digunakan
untuk menerima prediksi yang dikembalikan oleh model.)

Lalu apa beda AI dan Machine Learning? 

Artificial Intelligence adalah bidang ilmu komputer yang membuat sistem

komputer dapat meniru kecerdasan manusia. Istilah ini terdiri dari dua kata,
Artificial (buatan) dan Intelligence (kecerdasan), yang berarti "kekuatan
berpikir buatan manusia." Sistem kecerdasan buatan tidak perlu diprogram
sebelumnya, melainkan menggunakan algoritma yang dapat bekerja dengan
kecerdasan mereka sendiri. 

Di sisi lain, Machine learning memungkinkan sistem komputer untuk membuat

prediksi atau mengambil beberapa keputusan menggunakan data yang sudah
ada sebelumnya tanpa perlu diprogram secara eksplisit. Caranya dengan
mempelajari banyak data yang sifatnya terstruktur maupun semi-terstruktur
sehingga model yang dibuat dapat menghasilkan output yang akurat atau
memberikan prediksi berdasarkan data tersebut.

Pembeda Artificial Intelligence Machine Learning

Keluaran yang Berupa pengetahuan atau
dihasilkan knowledge
Tujuan yang Mengembangkan sistem yang
ingin dicapai mampu meniru atau mendekati
kemampuan cerdas manusia
dalam menyelesaikan masalah
Cakupan tugas Membuat sistem cerdas untuk
melakukan tugas apa pun
seperti manusia.
Sub bidang Machine learning and deep
learning adalah dua bidang
turunan dari AI.
Titik fokus Sistem AI berfokus dalam
memaksimalkan peluang
keberhasilan.
Jenis data Data tidak terstruktur, semi-
Berupa data
Mengembangkan algoritma
yang bisa belajar secara
mandiri dari data latih
Mengajar mesin dengan
data untuk melakukan tugas
tertentu dan memberikan
hasil yang akurat.
Hanya deep learning yang
merupakan bidang turunan
dari Machine Learning
Pembelajaran mesin
memiliki fokus dalam
akurasi dan pola.
Hanya data terstruktur dan

44
 Pembeda Artificial Intelligence
yang didukung terstruktur, hingga terstruktur
Contoh Chatbots, Smart Assistant
implementasi (Siri, Alexa, Google
Assistant), Sistem pakar dll
Machine Learning
semi-terstruktur
Rekomendasi film Netflix,
Algoritma pencarian
Google, Facebook photo
tagging, dll

Deep Learning

Deep Learning didefinisikan sebagai algoritma yang menganalisis data dengan

struktur logika yang mirip dengan cara manusia menarik kesimpulan. Perlu
diketahui bahwasanya deep learning dapat dicapai hanya dengan menggunakan
supervised dan semisupervised learning.

Untuk mencapai hal ini, sistem deep learning menggunakan struktur algoritma
berlapis yang disebut jaringan saraf tiruan (JST). Desain JST semacam itu
terinspirasi oleh jaringan saraf biologis otak manusia, yang mengarah ke proses
pembelajaran yang jauh lebih mumpuni daripada model machine learning
standar.

Saat ini, Deep Learning digunakan di banyak bidang. Sistem kemudi otomatis,
misalnya, Deep learning digunakan untuk mendeteksi objek, seperti rambu
STOP atau pejalan kaki. Militer menggunakan Deep learning untuk
mengidentifikasi objek dari satelit, misal untuk menemukan zona aman atau
tidak aman bagi pasukannya. Tentu saja, industri elektronik juga tak
ketinggalan. Perangkat smart home assistant seperti Amazon Alexa,
mengandalkan algoritma Deep Learning untuk merespons suara dan mengetahui
preferensi penggunanya. 

Lalu apa istimewanya bidang Deep Learning dibandingkan dengan

Machine Learning?

Berikut adalah tabel perbandingan machine learning vs deep learning:

Perbedaan Semua Machine Hanya Deep Learning

Learning
Jumlah poin data Dapat menggunakan data Butuh data training dalam
yang sedikit dalam skala besar untuk melakukan
membuat prediksi. prediksi yang lebih baik

45
 Perbedaan Semua Machine
Learning
Ketergantungan Dapat bekerja pada mesin
perangkat keras low-end. Tidak
membutuhkan komputasi
yang besar
Proses fiturisasi Membutuhkan fitur untuk
diidentifikasi dan dibuat
secara akurat oleh
pengguna
Pendekatan Membagi prosesnya
pembelajaran menjadi tahapan yang
lebih kecil. Kemudian
menggabungkan hasil dari
setiap tahapan menjadi
satu output atau keluaran.
Waktu eksekusi Membutuhkan waktu
yang relatif sedikit untuk
training (tahap pelatihan),
mulai dari beberapa detik
hingga beberapa jam
Output/Keluaran Outputnya biasanya
berupa nilai numerik,
seperti skor atau
klasifikasi.
Kesimpulan
Sebagai penutup kesimpulan, AI adalah bidang yang menaungi Machine
Learning dan juga Deep Learning dan bidang apapun yang berhubungan dengan
metode meningkatkan mesin cerdas untuk menyelesaikan permasalahan di
kehidupan manusia.
Hanya Deep Learning
Membutuhkan mesin dengan
spesifikasi tinggi karena
digunakan untuk melakukan
operasi perkalian matriks
secara intensif. GPU dapat
mengoptimalkan operasi ini
secara efisien.
Mempelajari fitur dari data
yang disediakan dan
membuat fitur baru secara
mandiri tanpa intervensi
manusia.
Cara belajarnya didasarkan
pada proses menyelesaikan
masalah secara end-to-end.
Biasanya membutuhkan
waktu yang lama untuk
training karena algoritma
deep learning melibatkan
banyak layer.
Outputnya dapat berupa
format yang berbeda-beda,
seperti teks, skor, atau suara.
46
Machine Learning (ML) adalah sesuatu yang diidentikkan dengan AI karena
merupakan generasi awal dimana AI mulai berkembang, namun sekarang  ML
adalah bidang turunan dari AI. ML merujuk pada sistem AI yang mampu
belajar secara mandiri berdasarkan algoritma dan data historis.

Sedangkan sistem yang menjadi semakin cerdas dari waktu ke waktu tanpa
intervensi manusia adalah Deep Learning. Deep Learning (DL) merupakan
turunan machine learning (ML) yang bekerja berdasarkan dataset skala besar.

47