Nama : Dita Ainurrizka

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.