NIM : 2105036137 Kelas : PBAS D4 Matkul: Fintech and Digital Banking Resume Pertemuan 10
BIG DATA ANALYTICS
Sejarah Big Data Perkembangan dari Big Data di Indonesia akhir-akhir ini terus mengalami peningkatan. Adanya peningkatan data ini tentu saja bukan terjadi tanpa alasan. Dimana fungsi utama yang dijanjikan oleh big data dengan cara pengelolaan informasi dari pelanggan dan juga menyajikan informasi tersebut secara langsung terhadap pelaku bisnis tentu saja menjadikan pelaku bisnis tersebut lebih mudah dalam mengetahui kondisi pasar dan mengenal lebih dalam konsumen mereka. Sebenarnya Big data ini sendiri tidak berarti tentang seberapa besarnya data yang kita miliki. Tetapi lebih mengerucut lagi terhadap pengumpulan data yang secara signifikan dan tepat sehingga bisa mendapatkan hasil pengolahan yang dapat dijadikan acuan terhadap pengambilan keputusan bisnis. Istilah dari big data ini sebenarnya mengacu terhadap data yang sangat besar, kompleks dan cepat. Pengertian Big Data Big Data Analytics adalah proses mengekstraksi informasi berharga dari kumpulan data besar yang dapat membantu bisnis membuat keputusan yang lebih baik dan meningkatkan penjualan. Hal ini juga berguna untuk memahami pola dan tren dengan menggunakan kumpulan data dan metadata. Big Data Analytics Ini adalah proses berkelanjutan di mana data dihasilkan melalui berbagai sumber termasuk situs web e-commerce, media sosial, aplikasi seluler, dan sumber lainnya. Data terus disempurnakan dan diperbarui untuk mencerminkan pola baru yang muncul. Dengan Big Data Analytics, analisis dilakukan dengan cara yang jauh lebih efisien daripada metode tradisional. Mengenal 3 V dalam Big Data 1. Volume V yang pertama dari Big data adalah volume. Dimana volume ini mengumpulkan data dari berbagai macam sumber. Termasuk juga transaksi bisnis, perangkat yang pintar atau Iot, peralatan industri, sosial media, dan masih banyak lagi perangkat dari big data yang menjadi sumber dari big data itu sendiri. 2. Velocity V yang berikutnya adalah Velocity. Dimana Velocity pada big data adalah dengan pertumbuhan dari Internet of Things, data tentu saja akan terus mengalir ke bisnis dengan memiliki kecepatan yang sebelumnya belum pernah terjadi. 3. Varietas Seperti yang diketahui bahwa data sendiri muncul dalam berbagai jenis format mulai dari data yang terstruktur, data numerik di database tradisional sampai dokumen email, teks, audio, video dan juga transaksi keuangan yang tidak terstruktur. Jenis- jenis Big Data Analytics 1. Big Data Analytics Diagnostic Biasanya, perusahaan menggunakan proses ini untuk mengidentifikasi masalah tertentu. Proses yang dilakukan meliputi pemulihan data, penambangan data, dan penelusuran. 2. Big Data Analytics Descriptive Proses analisis deskriptif meringkas data dari masa lalu kemudian dijadikan bentuk data yang mudah dibaca. Dari data-data inilah kemudian laporan data-data lainnya bisa dibutuhkan. 3. Big Data Analytics Preskriptif Jenis analisis data ini bekerja dengan menggunakan proses data analisis prediktif dan deskriptif untuk menemukan solusi dalam masalah tertentu. Sebagian proses ini bergantung pada machine learning dan artificial intelligence. 4. Big Data Analytics Predictive Jenis analisis data ini menggunakan artificial intelligence, data mining, dan machine learning untuk menganalisis data saat ini dan masa lalu. Kemudian hasil analisisnya digunakan untuk membuat prediksi yang tepat di masa depan. Dengan menggunakan jenis ini, tren dan pola akan lebih mudah diidentifikasi. Big Data memiliki tiga karakteristik, salah satunya adalah variety (variasi). Variety disini maksudnya adalah data pada Big Data memiliki berbagai macam jenis data. 1. Data Terstruktur Jenis data structured (data tradisional) dapat diproses, disimpan, dan diambil dalam format tetap. Jenis data ini disimpan dalam bentuk tabel, baris dan kolom yang normalnya disimpan dalam excel atau spreadsheet, dimana informasi pada data sangat terorganisir dan dapat dengan mudah diakses dari database dengan algoritma mesin pencari sederhana. Contoh data terstruktur adalah, data sensor, data penjualan pada suatu perusahaan, data karyawan dalam database perusahaan dengan detail yang terstruktur seperti detail karyawan, posisi pekerjaan, gaji, dan lainnya ditampilkan secara terorganisir. 2. Data Semi-Terstruktur Jenis data semi-structured merupakan jenis data yang dimasukan ke dalam sebuah tabel, tetapi skemanya tidak sama dengan tabel biasa yang hanya terdiri dari baris dan kolom. Data semi-terstruktur mengandung format data terstruktur dan tidak terstruktur. Walaupun belum diklasifikasi oleh repository tertentu (database), namun mengandung informasi yang penting. Contohnya data dalam bentuk file csv, file xml, dan file json. 3. Data Tidak Berstruktur Jenis data unstructured adalah data dengan bentuk yang tidak dikenal, harus disimpan dengan format khusus karena tidak memiliki struktur yang spesifik seperti jenis data structured. Raw data dari jenis data ini hanya dapat menghasilkan nilai setelah diproses dan dianalisis. Menyimpan data jenis ini pun memiliki kerumitan seperti memerlukan penggunaan sistem penyimpanan yang memadai, seperti database NoSQL (MongoDB dan CouchDB). Contoh jenis data tidak terstruktur seperti data teks, berformat foto/gambar, video, atau suara. Selain itu, bisa juga dalam bentuk keluhan pelanggan, kontrak, ataupun email internal. Contoh dari data jenis ini dapat ditemukan dalam social media, seperti komentar, likes, followers, dan data click pada setiap aktivitas di akunmu. Klasifikasi Big Data Jenis Big Data yang bermacam-macam tersebut kemudian diklasifikasikan menjadi dua, yaitu Big Data Operasional dan Big Data Analytic. Masing-masing dikelompokkan berdasarkan beban kerja, yang keduanya memiliki kebutuhan sistem berlawanan satu sama lain. Untuk memahami klasifikasi teknologi Big Data lebih lanjut, simak penjelasan di bawah ini: 1. Big Data Operasional Big Data operasional merupakan sistem yang memiliki kapabilitas operasional untuk pekerjaan-pekerjaan bersifat interaktif dan real time. Secara umum, data pada kelompok ini disimpan. Untuk menanganinya, dibangun sistem dengan database NoSQL. Teknologi NoSQL dikenal lebih cepat, mudah, dan lebih murah. NoSQL dengan komputasi awan menjadi perangkat kerja operasional Big Data yang mudah dikelola dan bisa di implementasikan lebih cepat. 2. Big Data Analytic Pekerjaan yang berhubungan dengan klasifikasi Big Data ini diimplementasikan dengan sistem database MPP dan MapReduce. Teknologi ini muncul sebagai reaksi keterbatasan dan kurangnya kemampuan relational database tradisional untuk mengelola lebih dari satu server. Selain itu, MapReduce ini juga menawarkan metode baru yang mampu menganalisis data yang fungsinya sebagai pelengkap.
Manfaat Big Data Analytics
Big Data penting karena menjadi solusi untuk menyelesaikan sejumlah masalah umum yang dihadapi perusahaan. Dengan mengaplikasikannya, Big Data dapat mengumpulkan seluruh informasi terkait konsumen yang dapat menjadi panduan dalam memproduksi barang atau jasa sesuai dengan kebutuhan dan behaviour mereka. Big Data bukan lagi soal analisis segmen pasar, melainkan soal fakta di lapangan. Dengan analisis data yang dimiliki, perusahaan akan mudah membangun strategi marketing yang efektif dan menjangkau setiap konsumen sesuai dengan segmen pasar. Hal ini juga terhindar dari risiko menyusutnya pangsa pasar. Manfaat lain Big Data lainnya yaitu membantu bisnis dalam menemukan penyebab kegagalan, sekaligus menemukan insight baru yang dapat mendorong peningkatan bisnis. Big Data juga bisa mendeteksi tindakan serta strategi berbahaya yang bisa mempengaruhi kestabilan perusahaan. Penerapan Big Data Analytics Langkah Penerapan Big Data Analytics sebagai berikut: 1. Data extraction: Pengumpulan data dari halaman website ke dalam database 2. Data mining: Indentifikasi informasi dari database 3. Data collection: Penyimpanan data dalam database yang terus bertambah 4. Data storing: Penyimpanan data dalam ruang penyimpanan dengan kapasitas besar dan infrastruktur dengan mesin analisis terbaru 5. Data analysis: Pengolahan berbagai jenis data dari berbagai sumber untuk menghasilkan insight (wawasan) 6. Data consumption: Penggunaan data yang telah diolah sesuai keperluan perusahaan atau instansi tertentu. Tipe Data Untuk Big Data Data terstruktur mempertahankan hegemoni atas tipe data lainnya. Sebagian besar data yang ditangani melalui platform analitik saat ini berada di bawah rubrik data terstruktur. Ini terutama tentang tabel dan struktur data lain dari database relasional. Tetapi sumber lain menghasilkan struktur yang dapat diprediksi, seperti format rekaman sebagian besar aplikasi dan baris yang dibatasi karakter dari banyak file lemak. Data semiterstruktur dan kompleks semakin kuat. Hegemoni tipe data terstruktur pada akhirnya akan ditantang oleh tipe data yang lebih luas. Secara khusus, saat ini 54% responden melaporkan menangani beberapa bentuk data semi terstruktur (XML dan standar serupa) atau data kompleks (hierarkis atau sumber warisan). Tipe data ini didorong oleh peningkatan penggunaan standar industri (SWIFT, ACORD, HL7) dan XML yang diterapkan pada pertukaran data bisnis-kebisnis (yang cenderung dimodelkan dalam hierarki). Data tidak terstruktur (kebanyakan teks yang mengekspresikan bahasa manusia) terus bertambah (35%). TDWI telah mewawancarai banyak anggotanya yang menggunakan penambangan teks atau alat analitik teks untuk mengonversi fakta (ditemukan dalam dokumen tekstual) menjadi data terstruktur (biasanya baris catatan atau tabel per fakta yang ditemukan). Data web akhirnya mendapatkan perhatian yang layak. Pengguna yang diwawancarai oleh TDWI berbicara tentang bagaimana selama bertahun-tahun mereka tidak memiliki keterampilan atau platform TI yang tepat untuk menganalisis data Web. Tipe data real-time tertinggal saat ini. Tetapi mereka memiliki peluang bagus untuk menjadi lebih umum karena teknologi waktu nyata terus meningkat dan diadopsi oleh organisasi pengguna. Tren Untuk Opsi Analisis Big Data Sebagian besar opsi analisis data besar akan mengalami beberapa tingkat pertumbuhan dalam waktu dekat. Angka-angka juga menunjukkan pilihan mana yang akan tumbuh paling banyak, serta yang akan stagnan atau menurun. Secara khusus, empat kelompok opsi menonjol berdasarkan kombinasi pertumbuhan dan komitmen. Grup 1 – Komitmen kuat hingga sedang, potensi pertumbuhan yang kuat.Opsi yang memiliki probabilitas tertinggi untuk mengubah praktik terbaik untuk analitik data besar adalah opsi dengan potensi pertumbuhan yang kuat (menurut hasil survei) ditambah dengan komitmen organisasional yang moderat atau kuat Grup 2 – Komitmen sedang, potensi pertumbuhan yang baik.Berbagai jenis platform database analitik mendominasi Grup.Dan berkat adopsi pengguna, platform database analitik yang lebih baru telah mencapai komitmen sedang dan potensi pertumbuhan yang baik Grup 3 – Komitmen lemah, pertumbuhan bagus. Komitmen organisasi terhadap pilihan Grup 3 lemah karena semuanya relatif baru. Meski begitu, potensi pertumbuhan itu baik dalam organisasi yang berkomitmen, jadi kita harus berharap opsi ini akan segera digunakan oleh lebih banyak organisasi. Grup 4 – Komitmen kuat, pertumbuhan gemuk atau menurunGrup 4 mencakup opsi penting seperti data mart untuk analitik, EDW terpusat, alat OLAP, SQL kode tangan, dan DBMS yang dibuat untuk OLTP. Faktanya, ini adalah beberapa opsi paling umum yang digunakan saat ini untuk BI, pergudangan data, dan analitik. SAS (Statistical Analysis System) dan Analisis Big Data Dengan pengalaman lebih dari 35 tahun, SAS memahami bagaimana teknologi, bisnis, TI, layanan, dan dukungan terjalin bersama untuk memberikan solusi hemat biaya yang menawarkan nilai bisnis yang signifikan. Pendekatan ini sangat penting dalam hal lingkungan big data. SAS menyediakan: Dukungan siklus hidup penuh untuk analitik data besar: Tata kelola dan manajemen analitik data besar yang mencakup tata kelola data komprehensif, manajemen model analitik, dan opsi penerapanfleksibel (di tempat, peralatan, dan cloud). Status penasihat tepercaya: Berdasarkan kepemimpinan analitis dan kemampuan solusi selama bertahun-tahunkomputasi, analitik dalam basis data, dan analitik dalam memori) membantu mengeksploitasi data besar dengan wawasan cepat dan tindakan terbaik untuk dilakukan. Pada saat yang sama, TI dapat mengelola sumber dayanya dengan lebih baik, termasuk infrastruktur, sambil memberikan kinerja dan skalabilitas yang unggul untuk memproses pekerjaan manajemen data dan analitik. Arsitektur solusi yang fleksibel: Pendekatan yang memaksimalkan nilai dan kualitas analitik dengan mengakomodasi kebutuhan bisnis yang unik dan kendala teknis untuk setiap inisiatif analitik. SAS menyediakan berbagai pilihan, termasuk kemampuan untuk memproses seluruh kumpulan data atau untuk mengoptimalkan analisis berdasarkan kumpulan data yang ditargetkan. Solusi bisnis untuk analitik data besar: Beragam solusi bisnis untuk intelijen pelanggan, manajemen risiko, deteksi penipuan, pengoptimalan penurunan harga, perencanaan bermacam-macam, dan banyak lagi.bersama dengan serangkaian layanan nilai tambah yang ekstensif, termasuk dukungan teknis berkelanjutan, layanan profesional, pelatihan, dan kemitraan.
Pendekatan sederhana untuk SEO: Bagaimana memahami dasar-dasar optimasi mesin pencari dengan cara yang sederhana dan praktis melalui jalur penemuan non-spesialis untuk semua orang