Nama : Warna

Nim : B1034211038

Subject : Mid test big data

SOAL 1

a. social data analisis, historical data analysis dan predictive analysis adalah 3
komponen penting guna menyelesaikan sebuah fenomena, berikut adalah
beberapa pembahasan terkait metode di atas.
Jawab:
1) Social data analysis melibatkan pengumpulan, pemrosesan, dan
analisis data yang berasal dari platform sosial media dan sumber-
sumber lainnya untuk memahami persepsi, preferensi, dan perilaku
pelanggan. Ini membantu bisnis dalam memahami apa yang dikatakan
atau dipikirkan pelanggan tentang produk atau layanan mereka di
media sosial.
Dampak: Dengan menganalisis data sosial, bisnis dapat
mengidentifikasi tren, sentimen, dan isu-isu yang relevan dengan
pelanggan. Ini memungkinkan mereka untuk merespons dengan cepat
terhadap masalah yang muncul, meningkatkan hubungan dengan
pelanggan, dan bahkan mengarahkan strategi pemasaran mereka secara
lebih efektif.

2) Analisis data historis melibatkan pengumpulan dan analisis data

historis bisnis, seperti penjualan, keuntungan, biaya, dan lainnya. Hal
ini membantu dalam memahami kinerja masa lalu dan tren yang
mungkin memengaruhi kinerja masa depan.

Dampak: Dengan menganalisis data historis, bisnis dapat

mengidentifikasi pola-pola tertentu dalam perilaku pelanggan, musim
penjualan, atau faktor lain yang memengaruhi profitabilitas. Hal ini
memungkinkan mereka untuk mengambil keputusan yang lebih baik
dalam hal manajemen persediaan, harga, dan strategi pemasaran.
 3) melibatkan penggunaan algoritma dan model statistik untuk
memprediksi peristiwa masa depan, seperti penjualan, permintaan
pelanggan, atau tren pasar. Ini memungkinkan bisnis untuk mengambil
tindakan yang sesuai untuk mengoptimalkan hasil.

Dampak: Dengan memanfaatkan analisis prediksi, bisnis dapat

mengidentifikasi peluang dan risiko di masa depan. Mereka dapat
mengembangkan strategi yang lebih cerdas dalam hal perencanaan
persediaan, pengaturan harga yang optimal, manajemen risiko, dan
peningkatan pengambilan keputusan yang berbasis data

b. Bagaimana Sistem dalam Hadoop dapat membagi proses perhitungan atau

komputasi yang biasanya memakan waktu yang sangat lama atau hampir tidak
mungkin dilakukan oleh satu computer?
Jawab ; Hadoop Distributed File System (HDFS): HDFS adalah sistem
penyimpanan terdistribusi yang digunakan oleh Hadoop untuk menyimpan
data secara terdistribusi di seluruh cluster. Data dibagi menjadi blok-blok yang
lebih kecil dan disimpan di berbagai node dalam cluster. Hal ini
memungkinkan akses cepat dan terdistribusi ke data yang dibutuhkan oleh
tugas komputasi.

SOAL 2

Analisis metode untuk mengatasi fenomena yang terjadi di sebuah Perusahaan !

Jawab : Salah satu metode yang sering digunakan untuk mendeteksi fraud adalah
metode clustering, satu diantara metode clustering adalah K-means yang paling umum
digunakan. Ini membagi data menjadi beberapa kelompok berdasarkan kemiripan fitur.
Dalam konteks deteksi fraud, ini dapat mengelompokkan transaksi ke dalam kelompok
berdasarkan karakteristik seperti jumlah, lokasi, waktu, dll. Kemudian, kita dapat
menganalisis kelompok-kelompok ini untuk mencari pola yang mencurigakan. Jadi
Perusahaan bisa mendeteksi dengan melihat kemiripan dan menyelaraskan spesifikasi laptop
dengan harga yang ada dipasaran sehingga terbukti fraud yang di lakukan oleh Andi.
SOAL 3
A. Jawab = sistem rekomendasi adalah teknologi yang digunakan untuk memberikan
rekomendasi kepada pengguna berdasarkan preferensi mereka. Ini bisa digunakan
dalam berbagai konteks, seperti e-commerce, media sosial, layanan streaming, dan
banyak lagi.
Sistem rekomendasi bertujuan untuk membuat pengalaman pengguna lebih personal,
membantu pengguna menemukan konten atau produk yang relevan, dan meningkatkan
keterlibatan mereka dengan platform atau layanan. Semakin banyak data yang dikumpulkan
dan semakin baik model yang digunakan, semakin baik pula kualitas rekomendasi yang dapat
diberikan kepada pengguna.
Contoh = ketika ingin membeli skincare di onine shop seperti shopee,kita hanya memerluka
untuk mengetik kata kunci ‘’skincare’’ di kolom pencarian dan akan banyak rekomendsi
skincare yang muncul diberanda seperti skincare dengan merek Skintific, Originote, Wardah,
Garnier, Ponds, MS Glow dan lain sebagainya lalu dikelompokan dari range harga termurah
hingga yang tertinngi,terlaris, sehingga memudahkan kita untuk mengambil keputusan dalam
membeli suatu barang
B. lakukan sebuah rancangan terkait clustering dengan objek “ mahasiswa akuntansi
universitas Tanjungpura” dalam membuat clustering perhatiakn juga konsep,syarat,
dan metode clustering
 pengelompokan mahasiswa laki laki dan Perempuan
 pengelompokan mahasiswa berdasarkan ukm yang diikuti
 pengelompokan mahasiswa berdasarkan tempat tinggal
(kost,kontrakan,rumah pribadi)
 pengelompokan mahasiswa akuntansi berdasarkan suku dan ras
 pengelompokan mahasiswa akuntansi berdasarkan asal daerah

SOAL 4

Implementasi sistem rekomendasi berdasarkan fenomena yang dihadapi perusahaan dalam

menemukan pelanggan untuk produk baru dapat membantu perusahaan meningkatkan
efisiensi dan efektivitas pemasaran. Berikut adalah langkah-langkah untuk merancang sistem
rekomendasi tersebut:
1. Analisis Data Pelanggan:

Kumpulkan dan analisis data pelanggan yang ada, termasuk riwayat pembelian, preferensi,
dan perilaku mereka terkait produk-produk sebelumnya.

Identifikasi tren dan pola yang mungkin ada dalam data ini untuk memahami preferensi
pelanggan.

2. Data Produk Baru:

Kumpulkan informasi lengkap tentang produk baru yang ingin Anda promosikan, termasuk
deskripsi, fitur, manfaat, dan spesifikasi.

Tentukan kriteria atau atribut yang relevan untuk produk baru ini, seperti kategori produk,
harga, merek, dan sebagainya.

3. Segmen Pelanggan:

Kelompokkan pelanggan ke dalam segmen berdasarkan karakteristik, preferensi, dan perilaku

mereka.

Anda bisa menggunakan teknik seperti analisis clustering atau segmentasi pelanggan untuk
memahami lebih baik setiap segmen.

4. Penggunaan Algoritma Rekomendasi:

Pilih algoritma rekomendasi yang sesuai berdasarkan karakteristik data Anda. Algoritma yang
umum digunakan termasuk Collaborative Filtering, Content-Based Filtering, dan Hybrid
Filtering.

Terapkan algoritma tersebut untuk membuat rekomendasi produk baru kepada setiap segmen
pelanggan.

5. Integrasi Data:

Integrasikan data produk baru dengan data pelanggan dan hasil dari algoritma rekomendasi
ke dalam satu sistem.

Pastikan data terus diperbarui secara berkala untuk memastikan rekomendasi yang akurat.

6. Pengujian:
Uji sistem rekomendasi dengan menggunakan dataset yang sudah ada untuk mengevaluasi
sejauh mana sistem ini memberikan rekomendasi yang sesuai dengan preferensi pelanggan.

Lakukan pengujian A/B jika perlu untuk membandingkan hasil dari sistem rekomendasi
dengan kelompok kontrol yang tidak menerima rekomendasi.

7. Personalisasi:

Selain memberikan rekomendasi produk baru, pastikan bahwa sistem ini dapat
mempersonalisasi rekomendasi berdasarkan interaksi pelanggan terbaru dan perubahan
preferensi mereka.

8. Pengoptimalan dan Peningkatan:

Terus optimalkan sistem rekomendasi berdasarkan data dan umpan balik pelanggan.

Gunakan metrik seperti tingkat konversi, penjualan tambahan, atau retensi pelanggan untuk
mengukur kinerja sistem dan melakukan perbaikan.

9. Pelatihan Tim:

Latih tim pemasaran dan penjualan dalam menggunakan sistem rekomendasi ini agar mereka
dapat memahami dan mengoptimalkan penggunaannya.

10. Pelaporan dan Pemantauan:

Bangun sistem pelaporan untuk memantau kinerja sistem rekomendasi secara berkala.

Periksa data pelanggan yang masuk dan perubahan dalam preferensi untuk memastikan
rekomendasi tetap relevan.

Implementasi sistem rekomendasi ini dapat membantu perusahaan mengatasi masalah dalam
menemukan pelanggan untuk produk baru mereka dan meningkatkan pengalaman pelanggan.
Ingatlah bahwa keberhasilan sistem ini akan tergantung pada akurasi rekomendasi serta
kemampuan perusahaan dalam merespons perubahan dalam preferensi pelanggan dan pasar.