Pengantar

Big Data
Siklus Hidup Big Data Analytic
 9 Tahap Big Data Analytics
LifeCycle

1. Evaluasi Kasus Bisnis.

2. Identifikasi Data.
3. Akuisisi & Pemfilteran Data.
4. Ekstraksi Data.
5. Validasi & Pembersihan Data.
6. Agregasi & Representasi Data.
7. Analisis data.
8. Visualisasi data.
9. Pemanfaatan hasil analisis.
1. Evaluasi Kasus Bisnis.
• Kasus bisnis yang terdefinisi dengan baik yang menyajikan
pemahaman yang jelas tentang pembenaran, motivasi, dan tujuan
pelaksanaan analisis
• menentukan apakah masalah bisnis yang ditangani benar-benar
merupakan masalah Big Data.
• Agar memenuhi syarat sebagai masalah Big Data, masalah bisnis
harus berhubungan langsung ke satu atau lebih karakteristik Big Data
berupa volume, kecepatan, atau variasi.
2. Identifikasi Data
• Untuk mengidentifikasi kumpulan data diperlukan untuk proyek
analisis dan sumbernya.
• Mengidentifikasi sumber data yang lebih beragam dapat
meningkatkan kemungkinan menemukan pola dan korelasi
tersembunyi.
• Sumbernya dapat berasal dari internal dan/atau eksternal
perusahaan.
3. Akuisisi & Pemfilteran Data.
• Data dikumpulkan dari semua sumber data yang diidentifikasi pada
tahap sebelumnya.
• Data yang diperoleh kemudian difilter secara otomatis untuk
menghilangkan data yang rusak atau data yang dianggap tidak
memiliki nilai bagi tujuan analisis.
4. Ekstraksi Data.
Beberapa data yang diidentifikasi sebagai masukan untuk analisis
mungkin datang dalam format yang tidak kompatibel dengan solusi Big
Data. Kebutuhan untuk mengatasi jenis data yang berbeda lebih
mungkin terjadi pada data yang berasal dari sumber eksternal.
Tahap siklus hidup Ekstraksi Data, didedikasikan untuk mengekstraksi
data yang berbeda dan mengubahnya menjadi format yang dapat
digunakan oleh solusi Big Data untuk tujuan analisis data.
Tingkat ekstraksi dan transformasi yang diperlukan bergantung pada
jenis analitik dan kemampuan solusi Big Data.
5. Validasi & Pembersihan Data
• Data yang tidak valid dapat menyimpang dan memalsukan hasil
analisis.
• Tahap Validasi dan Pembersihan Data, didedikasikan untuk
pembentukan seringkali aturan validasi yang rumit dan menghapus
data tidak valid yang diketahui.
• Solusi Big Data sering kali menerima data redundan di kumpulan data
yang berbeda. Redundansi ini dapat dimanfaatkan untuk
mengeksplorasi kumpulan data yang saling berhubungan guna
menyusun parameter validasi dan mengisi data valid yang hilang.
6. Agregasi & Representasi Data.
• Data mungkin tersebar di beberapa kumpulan data, sehingga
mengharuskan kumpulan data digabungkan menjadi data yang lebih
umum.
• Tahap Agregasi dan Representasi Data, didedikasikan untuk
mengintegrasikan beberapa kumpulan data untuk menghasilkan
tampilan terpadu.
7. Analisis data.
• Tahap Analisis Data didedikasikan untuk melaksanakan tugas analisis
sebenarnya, yang biasanya melibatkan satu atau lebih jenis analisis.
• Tahap ini dapat bersifat berulang, terutama jika analisis data bersifat
eksploratif, yang mana analisis diulangi hingga ditemukan pola atau
korelasi yang sesuai.
8. Visualisasi data.
• Kemampuan untuk menganalisis data dalam jumlah besar dan menemukan
wawasan yang berguna tidak banyak gunanya jika satu-satunya yang dapat
menginterpretasikan hasilnya adalah para analis.
• Tahap Visualisasi Data, didedikasikan untuk menggunakan teknik dan alat
visualisasi data untuk mengkomunikasikan hasil analisis secara grafis untuk
interpretasi yang efektif oleh pengguna bisnis.
• Pengguna bisnis harus mampu memahami hasil untuk memperoleh nilai
dari analisis dan selanjutnya memiliki kemampuan untuk memberikan
umpan balik, seperti yang ditunjukkan oleh garis putus-putus yang
mengarah dari tahap 8 kembali ke tahap 7.
• Hasil penyelesaian tahap Visualisasi Data memberikan pengguna
kemampuan untuk melakukan analisis visual sehingga memungkinkan
ditemukannya jawaban atas pertanyaan yang bahkan belum dirumuskan
pengguna
9. Pemanfaatan hasil analisis
• Setelah hasil analisis tersedia bagi pengguna bisnis untuk mendukung
pengambilan keputusan bisnis, seperti melalui dasbor, mungkin ada peluang
lebih lanjut untuk memanfaatkan hasil analisis.
• Tahap Pemanfaatan Hasil Analisis bertujuan untuk menentukan bagaimana
dan di mana data analisis yang diproses dapat dimanfaatkan lebih lanjut.
• Tergantung pada sifat masalah analisis yang ditangani, hasil analisis dapat
menghasilkan “model” yang merangkum wawasan dan pemahaman baru
tentang sifat pola dan hubungan yang ada dalam data yang ada.
• Sebuah model mungkin terlihat seperti persamaan matematika atau
seperangkat aturan. Model bisa saja digunakan untuk meningkatkan logika
proses bisnis dan logika sistem aplikasi, dan keduanya dapat terbentuk
dasar dari sistem atau program perangkat lunak baru.