3.

1 Managing Data / Mengelola Data

Semua aplikasi Sistem Informasi memerlukan yang namanya data. Data ini harus
berkualitas tinggi, artinya data tersebut harus akurat, lengkap, konsisten, mudah
diakses, relevan, dan ringkas. Sayangnya proses memperoleh, menyimpan, dan
mengelola data itu tidak mudah.

Kesulitan Dalam Mengelola Data/ Difficulities of Managing Data

Karena data diproses dalam beberapa tahap dan seringkali di banyak tempat, data
tersebut sering mengalami beberapa kesulitan dan masalah apalagi dalam organisasi.
Berikut adalah beberapa alasan mengapa dalam mengelola data dikatakan sulit:
1) Jumlah data meningkat secara eksponensial seiring berjalannya waktu.
Banyak data-data historis yang harus disimpan dalam waktu yang lama, belum lagi
ada data-data baru yang harus ditambahkan dalam jumlah yang banyak. Sebagai
contoh: Perusahaan retail kayak Walmart, untuk mendukung berjuta-juta
pelanggannya, mereka harus mengelola bertriliun-triliun byte data. Volume data
yang bisa jadi sangat besar akan menyulitkan dalam mencari data tertentu di
dalam tumpukan data.
2) Data tersebar di seluruh lokasi.
Data-data tersebut bisa dikumpulkan oleh banyak orang atau individu
menggunakan berbagai metode dan device. Data ini sering disimpan di banyak
server dan lokasi dalam sistem komputer, format, database, bahasa, dan orang
yang berbeda-beda.
3) Data diolah dari berbagai sumber.
Seperti:
- Sumber internal (database perusahaan dan dokumen perusahaan)
- Sumber eksternal (database komersial, laporan pemerintah, dan sistus web
perusahaan)
- Sumber pribadi (pemikiran, pendapat, dan pengalaman pribadi)
4) Data akan mengalami Data ROT.
ROT yang dimaksud disini istilah gampangnya kayak ngga valid lagi/expired.
Data ROT utamanya mengacu pada masalah dengan media tempat data disimpan.
Seiring berubahnya waktu, suhu, kelembaban, dan paparan cahaya itu dapat
menyebabkan masalah fisik pada media penyimpanan sehingga dapat
mempersulit pengaksesan data. Aspek kedua dari Data ROT adalah sulitnya
menemukan mesin yang dibutuhkan untuk mengakses data. Misalnya, kita punya
kaset jadul kayak 8-track gitu. Nah, untuk mengakses kaset itu kita butuh mesin
penyetelnyakan. Masalahnya saat ini hampir tidak mungkin kita nemuin mesin
pemutar kaset 8-track. Akibatnya, kita gak bisa mengakses data kaset tersebut.
5) Keamanan, kualitas, dan integritas data mudah terancam.
Ketiga hal tersebut adalah aspek penting dari database. Kewenangan
administrator yang tak terbatas dalam mengubah data akan mengurangi integritas
database. Banyaknya jumlah pemegang akses ke penyimpanan data tentunya akan
mempersulit pengawasan aktivitas login, yang nantinya rentan terhadap cyber
attack. Kayak datanya tidak terjamin gitu. Banyak orang-orang yang tidak
 berwenang bisa saja mengutak-ngatik data2 tersebut. Nah, Undang-Undang atau
hukum tentang data dibeberapa negara juga berbeda-beda dan masih terus
berubah-ubah.
6) Data tidak konsisten.
Dari waktu ke waktu, organisasi telah mengembangkan sistem informasi untuk
proses bisnis tertentu, seperti pemrosesan transaksi, manajemen distribusi, dan
manajemen hubungan customer. Sistem informasi yang secara khusus
mendukung proses ini memaksakan persyaratan unik pada data, yang
menghasilkan pengulangan dan konflik di seluruh organisasi. Misalnya, tim
pemasaran mungkin menangani informasi tentang pelanggan, wilayah penjualan,
dan pasar. Data-data ini bisa saja diduplikasi oleh tim penagihan atau customer
service. Situasi ini dapat menghasilkan data yang tidak konsisten dalam
perusahaan.

Data Governance / Tata Kelola Data

Untuk mengatasi banyak masalah yang terkait dengan pengelolaan data,
organisasi beralih ke Data governance. Data governance adalah salah satu cara untuk
mengelola informasi di seluruh organisasi. Ini melibatkan serangkaian proses bisnis
dan kebijakan-kebijakan yang dirancang untuk memastikan bahwa data ditangani dan
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 sampai kedaluwarsa dan dihapus.
Salah satu strategi penerapan Data Governance adalah Master data
management. Master data management adalah proses yang mencakup seluruh
proses dan aplikasi organisasi bisnis. Dengan Master data management, perusahaan
dapat menyimpan, memelihara, menukar, dan menyinkronkan "kebenaran" yang
konsisten, akurat, dan tepat waktu untuk Master Data perusahaan.
Master data adalah sebuah set data inti, seperti data pelanggan, produk,
karyawan, vendor, lokasi geografis, dan sebagainya, yang menjangkau sistem
informasi perusahaan.
Selain Master data, ada juga yang namanya Transaction data. Penting untuk
membedakan antara Master data dan Transaction data. Transaction data merupakan
data yang dihasilkan dan ditangkap oleh sistem operasional, menggambarkan aktivitas
bisnis, atau transaksi. Sebaliknya, Master data diterapkan ke beberapa transaksi dan
digunakan untuk mengkategorikan, menggabungkan, dan mengevaluasi data
transaksi.
 BIG DATA
Big Data adalah kumpulan data yang sangat besar dan kompleks sehingga sulit untuk
dikelola menggunakan sistem manajemen database tradisional.
Pada dasarnya, Big Data dapat dikatakan sebagai prediksi. Prediksi itu bukan
“mengajarkan” komputer untuk "berpikir" seperti manusia. Tetapi, prediksi datang dari
penerapan matematika ke sejumlah besar data untuk menyimpulkan probabilitas. Contoh-
contohnya: memprediksi email spam dan auto-correct.

Defining Big Data

Big Data terdiri dari 4 hal, yaitu:
- Data perusahaan tradisional—contohnya adalah informasi pelanggan dari sistem
customer relationship management, data perencanaan sumber daya perusahaan,
transaksi toko Web, data operasi, dan data buku besar.
- Data yang dihasilkan mesin/sensor—contohnya adalah smart meter; sensor
manufaktur; sensor yang ada di dalam smartphone, mobil, mesin pesawat, dan mesin
industri
- Data sosial—contohnya adalah komentar feedback pelanggan; situs microblogging
seperti Twitter; dan situs media sosial seperti Facebook, YouTube, dan LinkedIn.
- Gambar-gambar yang diambil oleh berjuta-juta perangkat di seluruh dunia, dari
kamera digital dan kamera HP hingga pemindai medis dan security cameras.
Beberapa contoh Big Data:
- Pada tahun 2015 Google memproses lebih dari 27 petabyte data setiap hari.
- Pengguna Facebook mengunggah lebih dari 10 juta foto baru setiap jam. Selain itu,
mereka mengklik tombol "like" atau meninggalkan komentar hampir 3 miliar kali
setiap hari.
- 800 juta pengguna bulanan layanan YouTube mengunggah lebih dari satu jam video
setiap detik.
- Jumlah tweet di Twitter tumbuh 200% setiap tahun. Pada pertengahan 2015,
volumenya melebihi 550 juta tweet per hari.

Characteristics of Big Data:

Big Data memiliki tiga karakteristik berbeda: volume, kecepatan, dan variasi. Karakteristik ini
membedakan Big Data dari data biasa:
- Volume: data yang dihasilkan dalam jumlah yang jauh lebih besar daripada data
nontradisional. Misalnya, sensor dalam suatu mesin jet dapat menghasilkan 10
terabyte data dalam 30 menit.
- Kecepatan: kecepatan aliran data ke dalam organisasi meningkat dengan cepat.
Kecepatan sangat penting karena meningkatkan kecepatan loop feedback antara
perusahaan, pelanggannya, pemasoknya, dan mitra bisnisnya.
- Variasi: Format data tradisional cenderung terstruktur dan dideskripsikan secara
relatif baik, dan berubah secara perlahan. Data tradisional mencakup data pasar
keuangan, transaksi point-of-sale, dan banyak lagi. Sebaliknya, format Big Data
berubah dengan cepat. Seperti citra satelit, siaran audio, file musik digital, pindaian
 dokumen pemerintah, dan komentar yang diposting di sosial media.

Issues with Big Data:

Terlepas dari nilainya yang besar, Big Data juga memiliki masalah, diantaranya sebagai
berikut:
- Big Data Dapat Berasal dari Sumber yang Tidak Tepercaya.
Seperti yang kita bahas di atas, salah satu karakteristik Big Data adalah
keragaman/variasi, artinya Big Data dapat berasal dari berbagai sumber yang sangat
bervariasi. Sumber-sumber ini mungkin internal atau eksternal. Data bisa saja berasal
dari sumber yang belum diverifikasi. Selanjutnya, data itu sendiri, yang dilaporkan oleh
sumbernya, bisa salah atau menyesatkan.
- Big Data Itu Kotor.
Data kotor mengacu pada data yang tidak akurat, tidak lengkap, tidak benar, duplikat,
atau salah. Contoh masalah tersebut adalah kesalahan ejaan kata dan data duplikat
seperti retweet atau siaran pers perusahaan yang muncul berkali-kali di media sosial.
- Perubahan Big Data, Terutama dalam Aliran Data.
Organisasi harus menyadari bahwa kualitas data dalam suatu analisis dapat berubah,
atau data itu sendiri dapat berubah.

Putting Big Data To Use

Organisasi2 harus mengelola Big Data dan mendapatkan nilainya. Ada beberapa cara
untuk melakukan ini:
- Membuat Big Data Tersedia.
Membuat Big Data tersedia dapat membantu organisasi mendapatkan nilai.
Misalnya, membuat Open Data di sektor publik. Open data adalah data publik
yang dapat diakses dan digunakan individu dan organisasi untuk menciptakan
bisnis baru dan memecahkan masalah yang kompleks. Membuat data tersebut
tersedia dapat memberikan manfaat ekonomi.
- Memungkinkan Organisasi untuk Melakukan Eksperimen.
Big Data memungkinkan organisasi untuk meningkatkan kinerja dengan
melakukan eksperimen yang terkontrol. Misalnya, Amazon (dan banyak
perusahaan lain seperti Google dan LinkedIn) terus-menerus bereksperimen
dengan menawarkan "tampilan" yang sedikit berbeda di situs Web-nya.
- Segmentasi Mikro Pelanggan.
Segmentasi pelanggan perusahaan berarti membagi perusahaan menjadi
kelompok-kelompok yang memiliki satu atau lebih karakteristik. Segmentasi
mikro berarti membagi pelanggan menjadi kelompok-kelompok yang sangat
kecil, atau bahkan sampai ke tingkat individu. Misalnya, Paytronix Systems
menyediakan program software loyalitas dan penghargaan untuk ribuan
restoran yang berbeda. Paytronix mengumpulkan data tamu restoran dari
berbagai sumber termasuk media sosial. Paytronix menganalisis Big Data ini
untuk membantu klien restorannya mengelompokkan tamu mereka secara
mikro.
 - Membuat Model Bisnis Baru.
Perusahaan dapat menggunakan Big Data untuk membuat model bisnis baru.
Misalnya, sebuah perusahaan transportasi komersial mengoperasikan truk
yang besar. Perusahaan baru-baru ini menempatkan sensor di semua truknya.
Sensor ini mengkomunikasikan sejumlah besar informasi ke perusahaan tanpa
kabel (wireless). Atau disebut juga proses telematika. Sensor tersebut
mengumpulkan data tentang penggunaan kendaraan termasuk akselerasi,
pengereman, tikungan, kinerja pengemudi, dan perawatan kendaraan.
Dengan menganalisis Big Data ini, perusahaan transportasi tersebut mampu
memperbaiki kondisi truknya melalui analisis real-time yang secara proaktif
menyarankan pemeliharaan. Selain itu, perusahaan dapat meningkatkan
keterampilan mengemudi operatornya dengan menganalisis gaya mengemudi
mereka.

KNOWLEDGE MANAGEMENT
Knowledge Management (KM) adalah suatu teori pengelolaan ilmu pengetahuan yang
sangat penting dan sangat berguna untuk memulai bisnis. Meliputi tentang bagaimana
sebuah organisasi berjalan secara efektif dengan mengaplikasikan aset pengetahuan. Semua
jenis orgaisasi harus mengelola pengetahuan jika ingin mencapai tujuannya.
Tujuan dari knowledge management adalah guna meningkatkan efisiensi perusahaan
dan juga menyimpan pengetahuan yang terdapat di dalam perusahaan itu sendiri. Dengan
adanya manajemen pengetahuan ini, semua bagian yang terdapat di dalam perusahaan
diharapkan mampu memperoleh pengetahuan dan wawasan terkait bisnis atau operasi yang
dilakukan secara lebih mendalam.

Explicit and Tacit Knowledge

Aspek yang paling utama yang menjadi subjek di dalam knowledge management adalah
pengetahuan atau knowledge itu sendiri. Umumnya, ada dua jenis pengetahuan yang harus
Anda ketahui, yaitu:
- Tacit: Jenis pengetahuan ini masih berbentuk pemikiran yang terdapat di dalam otak
manusia. Tacit termasuk bagian yang sangat sulit untuk dipahami, dikomunikasikan
dan diartikan dalam bentuk yang lain yang lebih terstruktur. Hal tersebut dikarenakan
tacit yang diambil dari sumbernya, yaitu intuisi, pengalaman pribadi, dan juga konteks
yang cenderung tidak pasti.
- Explicit: Kebalikan dari tacit, explicit adalah suatu wujud pengetahuan yang lebih
mudah untuk dimengerti, dikomunikasikan dan juga diartikan dalam wujud lain yang
lebih terstruktur. Pengetahuan jenis ini juga mudah dijelaskan dalam media tertentu,
sehingga bisa dikelola dengan sistem manajemen pengetahuan.
Knowledge Management Systems
Knowledge Management System (KMS) dimaksudkan untuk membantu organisasi mengatasi
pergantian, perubahan, dan perampingan dengan membuat keahlian sumber daya manusia
perusahaan dapat diakses secara luas.

Siklus KMS
Sebenarnya ada beberapa pendekatan dan versi siklus knowledge management berdasarkan
penelitinya. Nah kalau berdasarkan buku Reiner di Chapter 3 ini terdapat 6 langkah dalam
siklus ini yang bekerja sebagai berikut:
1. Create knowledge. Pengetahuan diciptakan ketika orang menentukan cara baru
dalam melakukan sesuatu atau mengembangkan know-how (pengetahuan).
Terkadang pengetahuan eksternal ikut dibawa masuk.
2. Capture knowledge. Pengetahuan baru harus diidentifikasi sebagai sesuatu yang
berharga dan direpresentasikan dengan cara yang masuk akal.
3. Refine knowledge. Pengetahuan baru harus ditempatkan dalam konteks sehingga
dapat ditindaklanjuti. Di sinilah kualitas tacit (wawasan manusia) harus bekerja
bersama dengan fakta explicit.
4. Store knowledge. Pengetahuan yang berguna kemudian harus disimpan dalam format
dan tempat penyimpanan yang wajar sehingga orang lain dalam organisasi dapat
mengaksesnya.
5. Manage knowledge. Seperti perpustakaan, pengetahuan harus tetap dalam keadaan
yang terbaru. Knowledge itu harus ditinjau kembali secara teratur untuk memastikan
bahwa itu relevan dan akurat.
6. Disseminate knowledge. Pengetahuan harus tersedia dalam format yang berguna bagi
siapa saja dalam perusahaan yang membutuhkannya, di mana dan kapanpun.