The power of data
- Get link
- X
- Other Apps
Materi Sebelumnya: Seluk Beluk AI
The Power of Data
Berkenalan dengan Data
Hai! Selamat datang di materi pertama dari Kelas Belajar Dasar Data Science. Sebelum memilih untuk mempelajari kelas ini, tentu Anda memiliki motivasi yang kuat untuk menjadi seorang Data Scientist. Menjadi seorang Data Scientist yang andal tentunya memerlukan fondasi yang kuat. Fondasi tersebut bisa dibentuk melalui pembelajaran teks, video, maupun latihan.
Tentunya, Anda telah berada di kelas yang tepat karena tiga hal tersebut akan Anda dapatkan, serta selangkah lebih dekat menjadi Data Scientist yang andal. Pada modul ini, Anda akan mempelajari banyak hal, mulai dari berkenalan dengan data, jenis-jenis data, menentukan keputusan dengan data, big data in action, hingga evolusi ilmu big data. Kelima submodul tersebut diharapkan mampu menjadi fondasi dasar untuk Anda dalam memahami konsep dasar data. Menarik sekali, bukan?
Jangan lupa tarik nafas dan berdoa terlebih dahulu, serta jaga semangatnya hingga akhir kelas nanti, ya! Yuk, kita lanjut ke materi berikutnya.
Mengenali Data Secara Umum
Sebelum belajar di kelas ini, Anda mungkin telah bergelut dengan data baik secara sadar maupun tidak. Namun, apakah Anda tahu sebenarnya apa sih pengertian data secara harfiah?
Berdasarkan Kamus Besar Bahasa Indonesia, data adalah keterangan yang benar dan nyata; keterangan atau bahan nyata yang dapat dijadikan dasar kajian; informasi dalam bentuk yang dapat diproses oleh komputer seperti representasi digital dari teks, angka, gambar grafis, atau suara.
Menurut Kamus Cambridge, data adalah informasi, terutama fakta atau angka yang dikumpulkan untuk diperiksa dan dipertimbangkan, serta digunakan untuk membantu pengambilan keputusan atau informasi dalam bentuk elektronik yang dapat disimpan dan digunakan oleh komputer.
Selain itu, ada juga definisi data menurut ahli. Drs. John J. Longkutoy mengatakan bahwa data adalah suatu istilah majemuk dari fakta yang mengandung arti yang dihubungkan dengan kenyataan, simbol, gambar, angka, huruf yang menunjukan suatu ide, objek, kondisi atau situasi, dan lainnya.
Ketika melihat buku atau sebuah bacaan, pasti Anda melihat sebuah data yang disajikan dalam bentuk angka, grafik, dan lain-lain. Apakah Anda sadar bahwa data tidak hanya berbentuk angka dan grafik semata? Ternyata, data juga bisa digambarkan dalam bentuk lain seperti analogi yang terdapat pada gambar di bawah ini.
Coba tebak! Manakah yang tergolong dalam sebuah data? Sebutkan 3 hal yang termasuk data dalam gambar di atas. Jawab dalam waktu lima detik, ya. Satu… Dua… Tiga… Empat… Lima…
Jika Anda sudah menemukan jawabannya, tuliskan di forum diskusi dengan format berikut, ya.
“AKI_Pengenalan Data_(jawaban Anda)”
Ayo kita telaah satu per satu hal-hal yang termasuk data pada gambar di atas. Data yang ada di sana antara lain: maps, petunjuk jalan, dan kecepatan pada speedometer. Apakah jawaban Anda juga sama?
Nah, dari ketiga pengertian dan analogi yang tertulis di atas, dapat disimpulkan bahwa data merupakan fakta atau informasi yang berbentuk teks, angka, gambar, dll. Tentu Anda sudah memahaminya, bukan?
Namun, pernahkah pertanyaan di bawah ini terlintas di benak Anda?
- “Bagaimana caranya mengumpulkan data agar menjadi sebuah informasi?”
- “Metode apa yang digunakan agar data tersebut dapat bermanfaat?” atau
- “Bagaimana cara mengolah data-data tersebut?”
Jawaban pertanyaan di atas bisa Anda dapatkan dengan mempelajari kelas ini. Yuk, simak penjelasannya di materi berikutnya.
Metode Pengumpulan Data
Menjadi sebuah kumpulan data yang dapat menghasilkan atau menyampaikan sebuah informasi tentu tidak sembarang dan perlu cara khusus untuk mengumpulkannya. Dasarnya, metode pengumpulan data terbagi menjadi dua, yaitu data kuantitatif dan data kualitatif. Dengan kedua metode tersebut, data akan dapat menjadi satu paduan yang menghasilkan sebuah informasi. Penasaran bagaimana caranya? Simak penjelasannya di bawah ini, ya.
Data Kuantitatif
Kuantitatif atau kuantitas memiliki arti jumlah atau banyak. Menurut Australian Bureau of Statistics, kuantitatif adalah nilai data berupa hitungan atau angka di mana setiap kumpulan data memiliki nilai numerik yang unik. Data ini adalah informasi terukur yang dapat digunakan peneliti untuk perhitungan matematis dan analisis statistik dalam membuat keputusan kehidupan nyata berdasarkan data tersebut.
Perhatikan gambar di bawah ini.
Mari kita analogikan gambar di atas. Bayangkan, Anda pergi ke pasar Beringharjo di Jogja untuk membeli cendera mata khas Jogja. Anda tertarik dengan baju batik yang terdapat pada salah satu kios di sana. Apakah Anda tahu? Jawaban-jawaban dari pelayan tersebut merupakan variabel numerik yang menghasilkan data kuantitatif. Misalnya, bertanya harga batik dan banyak karyawan di toko tersebut.
Biasanya, data kuantitatif dikumpulkan menggunakan survey, polling, atau kuesioner yang dibagikan ke populasi tertentu.
Contoh-contoh data kuantitatif yang lain dapat Anda lihat di bawah ini.
- Menurut Badan Pusat Statistik, jumlah penduduk Indonesia tahun 2023 tercatat sebanyak 278,696 juta jiwa.
- Menurut Halodoc, tinggi badan rata-rata pria Indonesia adalah 160 cm.
- Menurut GoodStats, nasi padang memiliki rating 4.9 dari 5 dan menjadi makanan terbaik di Asia Tenggara.
Hal lain yang perlu Anda ketahui adalah setiap metode pengumpulan data memiliki kelebihan dan kekurangannya masing-masing. Berikut merupakan kelebihan dan kekurangan dari data kuantitatif.
Kelebihan
- Data kuantitatif dapat dianalisis secara statistik, kemungkinan besar penelitian akan dirinci.
- Memiliki nilai bias minimum. Menurut Kamus Oxford, bias adalah fakta bahwa hasil penelitian atau eksperimen tidak akurat karena adanya faktor tertentu yang tidak dipertimbangkan saat mengumpulkan informasi.
- Hasil yang diperoleh akan sangat akurat karena bersifat objektif.
Kekurangan
- Informasi terbatas. Karena data kuantitatif tidak deskriptif, hal tersebut menjadikan peneliti sulit untuk mengambil keputusan jika hanya berasal dari informasi yang dikumpulkan.
- Bergantung pada jenis pertanyaan. Bias dalam hasil bergantung pada jenis pertanyaan yang disertakan untuk mengumpulkan data kuantitatif. Pengetahuan peneliti tentang pertanyaan dan tujuan penelitian sangat penting saat mengumpulkan data kuantitatif.
Setelah mengetahui tentang data kuantitatif, mungkin Anda tercetus pertanyaan baru, “Lalu, apa bedanya dengan data kualitatif?” Yuk, simak penjelasannya di bawah ini.
Data Kualitatif
Menurut sumber Australian Bureau of Statistics, data kualitatif adalah ukuran jenis dan dapat diwakilkan oleh nama, simbol, atau kode angka. Data kualitatif juga adalah data tentang variabel kategori.
Pengumpulan data kualitatif dapat dilakukan melalui berbagai metode, seperti observasi langsung (misalnya mengamati perilaku pembeli dan penjual di pasar), wawancara one-on-one, diskusi kelompok terarah (focus group discussion), serta metode sejenis lainnya.
Perhatikan gambar berikut.
Mari kita analogikan bahwa Anda dan rekan-rekan sedang bersantai di Taman Lumbini Borobudur, Magelang, Jawa Tengah. Anda bertanya kepada rekan-rekan Anda terkait Candi Borobudur. Nah, perlu Anda ketahui bahwa jawaban yang diberikan oleh rekan-rekan Anda tersebut adalah contoh dari data kualitatif yang bersifat subjektif.
Biasanya, data kualitatif dikumpulkan menggunakan observasi, interview, studi pustaka atau dokumentasi, serta catatan yang dibagikan kepada responden yang memenuhi kualifikasi.
Perhatikan contoh-contoh data kualitatif lainnya di bawah ini.
- Maluku Utara adalah kota yang paling bahagia di Indonesia.
- Kota yang memiliki pendapatan tertinggi di Indonesia adalah DKI Jakarta.
- Bandung adalah kota pertama yang paling diminati di Indonesia.
Hal lain yang perlu Anda ketahui adalah setiap metode pengumpulan data memiliki kelebihan dan kekurangannya masing-masing. Berikut merupakan kelebihan dan kekurangan dari data kualitatif.
Kelebihan
- Data yang dikumpulkan memberi para peneliti analisis terperinci. Saat mengumpulkannya, para peneliti cenderung menyelidiki peserta dan dapat mengumpulkan banyak informasi dengan mengajukan pertanyaan yang tepat. Data yang terkumpul digunakan untuk menyimpulkan rangkaian pertanyaan dan jawaban.
- Data membantu seorang peneliti untuk memahami pola pikir narasumber/pengguna. Penggunaan data kualitatif memberikan wawasan tentang mengapa narasumber/pengguna menggunakan produk tersebut. Memahami bahasa pelanggan membantu menyampaikan data yang dikumpulkan secara lebih sistematis.
- Data yang dikumpulkan dapat digunakan untuk melakukan penelitian di masa mendatang. Karena pertanyaan yang diajukan untuk mengumpulkan data kualitatif adalah pertanyaan terbuka, responden bebas mengungkapkan pendapat mereka untuk menyampaikan lebih banyak informasi.
Kekurangan
- Memakan waktu. Karena mengumpulkan data ini butuh lebih banyak waktu dibandingkan kuantitatif, lebih sedikit pula orang yang mengambil metode pengumpulan data kualitatif, kecuali waktu dan anggaran yang memungkinkan dan ukuran sampel yang lebih kecil.
- Tidak mudah untuk menggeneralisasi. Karena lebih sedikit orang yang diteliti, kita juga akan sulit untuk menggeneralisasikan hasil dari populasi tersebut.
- Bergantung pada keterampilan peneliti. Jenis data ini dikumpulkan melalui wawancara one on one, observasi, study group, dan lain-lain. Hal ini bergantung pada keterampilan dan pengalaman peneliti untuk mengumpulkan informasi dari sampel.
Nah, sampai di sini, Anda sudah mengetahui pengertian data beserta contoh pengumpulan data. Selanjutnya, mari kita latih pemahaman terkait metode pengumpulan data di permainan Truth or Dare berikut.
Truth or Dare
Setelah memahami data secara umum dan metode pengumpulan data yang terdiri dari data kuantitatif dan kualitatif, nah yang terakhir ini adalah latihan pengertian data melalui permainan truth or dare. Jadi, dalam permainan ini, Anda diminta untuk menjawab soal secara jujur dan berani menyelesaikannya dalam dua menit. Bagikan pengalaman Anda dan nilai hasil dari rekan-rekan lainnya di forum diskusi.
Sebelum mencoba permainan ini, ada beberapa syarat yang perlu Anda ikuti.
- Siapkan stopwatch untuk mengukur seberapa cepat Anda menyelesaikan soal tersebut.
- Unduh soal yang tertera pada tautan di bawah.
- Lengkapi kolom kosong dengan jawaban Anda.
- Selesaikan permainan secara jujur.
- Tuliskan hasil yang Anda peroleh di forum diskusi dengan format sebagai berikut.
“AKI_TOD_(Waktu mengerjakan)_(Tuliskan pemahaman Anda hingga sub-bab ini)” - Siapkan keberanian untuk melihat waktu pengerjaan rekan-rekan Anda yang lain.
Good luck!
Jenis-Jenis Data
Setelah mengetahui cara mengumpulkan data, pada bagian ini, Anda akan mempelajari jenis-jenis data dari data kuantitatif dan data kualitatif.
Pada materi sebelumnya, kita sudah mengetahui bahwa data kuantitatif bersifat numerikal dan data kualitatif bersifat kategorikal.
Nah, di sini Anda akan mempelajari data-data bersifat numerikal yang dapat diolah sebagai data kuantitatif dan juga data-data bersifat kategorikal yang dapat diolah sebagai data kualitatif.
Anda akan menemui beberapa jenis data beserta turunannya: data numerikal terdiri dari data kontinu dan data diskrit; data kategorikal terdiri dari data nominal dan data ordinal. Kira-kira contohnya seperti apa, ya? Yuk, simak penjelasannya di bawah ini.
Data Numerik
Data numerik adalah data berwujud angka yang bisa didapat dari sebuah pengukuran.
Misalnya, tinggi badan, berat badan, dan usia. Selain itu, data ini juga bisa diperoleh dari sebuah perhitungan. Misalnya, jumlah orang yang hadir di pesta pernikahan atau jumlah penduduk Indonesia. Nah, data numerik ini terbagi menjadi dua bagian, yaitu data kontinu dan diskrit.
Data Kontinu
Data kontinu dapat direpresentasikan dalam berbagai nilai numerik, seperti bilangan desimal, bulat, dan lain-lain. Beberapa tipe data kontinu yang umum adalah tinggi, berat, waktu, suhu, usia, dan lain-lain.
Mari kita analogikan bahwa Anda ingin mengunjungi sebuah arena bermain Jatim Park 1 di Kota Batu, Jawa Timur.
Sebelum menaiki wahana roller coaster, Anda diminta untuk diukur tinggi badan terlebih dahulu untuk memastikan kelayakan tinggi badan dan berat badan pada permainan tersebut.
Petugas mencatat data Anda sebagai berikut.
- Tinggi 160.5 cm
- Berat 60.18 kg
Dari data tersebut maka Anda memenuhi kriteria untuk bisa menaiki wahana tersebut karena minimal tinggi dan berat badan yang menjadi batas adalah 110 cm dan 30 kg, sedangkan maksimal berat badan yang menjadi batas adalah 100 kg.
Data Diskrit
Data diskrit merupakan data numerik yang hanya bisa direpresentasikan dengan bilangan bulat dan tidak dapat dibagi ke dalam unit yang lebih kecil.
Perhatikan gambar berikut.
Gambar tersebut menunjukan, bahwa Anda adalah salah satu dari 1254 pengunjung Jatim Park pada hari itu. Karena pengunjung merupakan sebuah individu yang tunggal, tidak dapat dibagi ke dalam unit yang lebih kecil, maka banyaknya pengunjung termasuk pada data diskrit.
Oke, kita sudah mengenal jenis-jenis data yang termasuk dalam data kuantitatif. Lalu, bagaimana bentuk dari data kategorikal? Perhatikan penjelasan selanjutnya di bawah ini.
Data Kategorikal
Data kategorikal merupakan data yang dapat dikelompokkan dan terbagi berdasarkan karakteristik atau ciri khasnya masing-masing. Dari data kategorikal, ada dua pembagian, yaitu nominal dan ordinal. Mari kita bahas satu per satu.
Data Nominal
Data nominal adalah jenis pengelompokan data yang tidak memiliki keterkaitan dengan data lainnya dan tidak memiliki arti khusus. Jadi, data ini dapat dibedakan tanpa harus mengurutkan atau dibandingkan dengan data lainnya.
Perhatikan gambar di bawah ini.
Seperti yang tertera pada gambar di atas, Anda mengunjungi Taman Mini Indonesia Indah (TMII). Anda mengunjungi beberapa rumah adat, seperti Rumah Gadang dari Padang, Rumah Joglo asal Jogja, dan Rumah Honai dari Papua. Pada dasarnya, rumah-rumah adat tersebut tidak saling berhubungan, tetapi dapat diklasifikasikan menjadi rumah adat di Indonesia.
Data Ordinal
Berlawanan dari data nominal, data ordinal adalah jenis pengelompokan data yang memiliki urutan atau harus disusun secara berurutan dengan mekanisme peringkat.
Perhatikan gambar di bawah ini.
Manakah menurut Anda yang lebih bagus? Apakah gunung atau laut? Berdasarkan gambar yang Anda lihat bahwa terdapat rating atau peringkat pada kedua destinasi liburan tersebut. Bintang 4 mengartikan bahwa tingkat kepuasan wisatawan yang mengunjungi Gunung Rinjani masih kurang jika dibandingkan dengan wisata Raja Ampat yang memiliki rating bintang 5.
Nah, informasi tersebut merupakan contoh dari data ordinal bahwa jenis data tersebut diurutkan berdasarkan peringkat.
Secara keseluruhan, berikut adalah perbandingan di setiap jenis-jenis data yang telah dijelaskan.
| Jenis Data | Definisi | Contoh | Karakteristik |
| Kontinu | Data numerik yang dapat bernilai bilangan bulat maupun desimal serta bersifat berkelanjutan. | Tinggi = 160,5 cm; Berat = 60,18 kg; waktu; suhu; usia. | Dapat dibagi menjadi unit lebih kecil; nilai dapat berupa desimal. |
| Diskrit | Data numerik yang hanya dapat direpresentasikan dalam bilangan bulat. | Jumlah pengunjung = 1.254 orang; jumlah kursi; jumlah anak. | Tidak dapat dipecah menjadi unit lebih kecil; selalu berupa bilangan bulat. |
| Nominal | Data kategorikal tanpa urutan atau hierarki. | Rumah Gadang (Padang), Rumah Joglo (Yogyakarta), Rumah Honai (Papua). | Hanya berfungsi sebagai pembeda; tidak dapat diurutkan. |
| Ordinal | Data kategorikal yang memiliki urutan atau peringkat. | Rating tempat wisata di Google Maps | Memiliki tingkatan atau skala yang dapat diurutkan. |
Implementasi Data di Industri
Dengan keberadaan data yang kian hari kian membesar, tak dapat dipungkiri bahwa sekarang kita telah hidup berdampingan dengan data. Bahkan, seorang bayi sekalipun sebelum lahir telah memiliki data kelahiran, bukan?
Nah, coba Anda perhatikan gambar di bawah ini.
Gambar tersebut telah menunjukan hal yang terjadi apabila kita tidak menggunakan data dengan baik. Akibat yang bisa ditimbulkan adalah salah persepsi bahkan dapat berakibat fatal untuk perusahaan. Lalu, sebenarnya apa kegunaan data bagi organisasi dan perusahaan?
Menurut sumber dari The Council on Quality and Leadership, berikut adalah 12 alasan data digunakan di sebuah industri.
- Meningkatkan kualitas kehidupan. Penggunaan data di organisasi adalah hal penting pertama yang harus diperhatikan oleh perusahaan atau organisasi guna meningkatkan kualitas atau meningkatkan kesejahteraan.
- Membuat keputusan. Data sama dengan pengetahuan. Data yang baik dapat memberikan bukti yang tidak dapat dielakkan dan bermanfaat untuk perusahaan atau organisasi. Sebaliknya, apabila data tersebut hanya berupa asumsi atau pengamatan abstrak, ia akan bisa menjadi bumerang karena mengambil tindakan atau keputusan berdasarkan kesalahan data tersebut.
- Memantau kualitas. Dengan memanfaatkan data untuk pemantauan kualitas, organisasi mampu menghadapi tantangan sebelum terjadi krisis.
- Mendapatkan hasil yang diinginkan. Ketika strategi diterapkan untuk mengatasi tantangan, mengumpulkan data akan memungkinkan Anda untuk menentukan seberapa baik solusi yang dilakukan.
“Anda tidak dapat mengelola apa yang tidak Anda ukur.”
- Peter Drucker
- Menemukan solusi untuk masalah. Data memungkinkan organisasi untuk memvisualisasikan hubungan antara yang terjadi di berbagai lokasi, departemen, dan sistem. Jika jumlah kesalahan meningkat, data dapat menunjukkan penyebab masalah tersebut terjadi pada organisasi atau perusahaan.
- Cadangan argumen. Memanfaatkan data akan membantu Anda menyajikan argumen yang kuat apabila terjadi perubahan sistem, baik di organisasi maupun perusahaan. Dengan menggunakan data, Anda dapat berargumentasi mengapa perlu dilakukan perubahan atau tidak sekalipun.
- Berhenti menebak! Data akan membantu Anda menjelaskan sebuah keputusan (baik dan buruk) kepada stakeholder. Proses analisis data yang tepat membuat Anda tidak perlu menebak-nebak lagi akan sebuah prediksi.
- Menjadi strategis. Data akan mendukung organisasi untuk menentukan area yang harus diprioritaskan terlebih dahulu dibandingkan yang lain.
- Mengetahui kinerja. Analisis data akan mendukung Anda mengidentifikasi program kerja tinggi, layanan, dan para karyawan. Setelah melakukan analisis, Anda dapat mempelajarinya untuk mengembangkan strategi untuk membantu program, layanan, dan para karyawan yang memiliki kinerja buruk.
- Tetap pada jalur. Data yang baik memungkinkan organisasi tetap berada pada jalurnya (baseline), memiliki tolok ukur, dan tujuan untuk terus bergerak maju.
- Mengoptimalkan biaya. Dengan menggunakan data, organisasi atau perusahaan mampu menerapkan praktik berbasis bukti dan mengembangkan sistem untuk mengumpulkan dan menganalisis data.
- Akses sumber daya. Untuk menggunakan data, tentu perlu diperhatikan sumber daya yang mampu mengoperasikannya, baik Excel, Spreadsheet, atau sumber online gratis lainnya. Anda bisa melakukan pencarian di website dengan keyword “Cara menganalisis data” atau “Cara menggunakan Excel atau Spreadsheet”.
Tahukah Anda?
Menurut Statista, seluruh organisasi meningkatkan upaya perekrutan untuk membangun data science yang lebih luas. Rata-rata jumlah data scientist yang dipekerjakan suatu organisasi tumbuh dari 28 menjadi 50. Hal tersebut juga senada dengan artikel dari Harvard Online yang mengatakan bahwa data science dapat membantu mengidentifikasi masalah serta memperjelas data yang harus dikumpulkan dan dianalisis untuk dijalankan guna membantu memecahkan sebuah masalah. Oleh karena itu, permintaan perekrutan data science meningkat di setiap organisasinya. Selain Statista dan Harvard Online, 365Data Science juga menyebutkan bahwa permintaan paling signifikan untuk data scientist di bidang IT & Tech adalah 49%. Kemudian, sektor layanan keuangan dan kepegawaian serta perekrutan masing-masing 14% dan 11%. Lalu, dari sektor industri menawarkan 4% dan bidang kesehatan sebanyak 3%, serta sektor pertahanan 2%. Sisanya, berasal dari sektor-sektor lainnya. Mari kita eksplor berbagai peran yang berkecimpung di dunia data science seperti yang tertera pada gambar di bawah ini.
Untuk dapat berkecimpung di dunia data science, Anda tidak harus melulu menjadi seorang data scientist, lho. Seperti yang Anda lihat pada kolom LinkedIn di atas, dengan mencari keyword “data science”, akan banyak posisi-posisi yang berkecimpung di dunia data, seperti senior data scientist, data analyst, bahkan project leader. Mengapa hal tersebut bisa terjadi? Pada dasarnya, ketika Anda mencari keyword tersebut, nantinya akan muncul posisi-posisi yang memiliki syarat serupa dengan kemampuan data science, seperti komunikasi, SQL, Python, dan masih banyak lagi. Jadi, apabila Anda ingin berkecimpung di dunia data, ingatlah bahwa mempelajari data science tidak harus selalu menjadi data scientist, tetapi masih banyak posisi lain yang dapat Anda cari. |
Asah Kemampuan Intelektual!
Katakanlah Anda memiliki rencana untuk berbelanja ke Pasar Gede, Kota Surakarta, Jawa Tengah, seperti yang tertera pada gambar di bawah ini.
Dari beberapa aktivitas di atas, mana sajakah yang termasuk dalam jenis-jenis data yang telah dijelaskan sebelumnya? Yuk, bagikan jawaban Anda di forum diskusi menggunakan format di bawah ini.
“AKI_Jenis Data_(jawaban Anda)” |
See you there!
Menentukan Keputusan dengan Data
Seperti yang telah disebutkan pada bagian implementasi Data di Industri di materi sebelumnya, salah satu penggunaan data adalah untuk membuat keputusan.
Coba bayangkan Anda beserta rekan-rekan kerja berencana berlibur di akhir pekan nanti. Sebagai penggiat acara, Anda mencari rekomendasi tempat berlibur di sebuah platform travel. Anda memutuskan untuk memilih salah satu pulau di Pulau Belitung. Namun, ketika melihat testimoni, rating tempat tersebut memiliki bintang 3 dari 5 dan terdapat beberapa testimoni kurang menyenangkan.
Bintang tersebut mengartikan bahwa semakin kecil ratingnya, semakin rendah kualitas tempat tersebut. Begitu pula sebaliknya, semakin tinggi rating tempat tersebut, artinya semakin baik pula kualitas dan reputasinya. Dengan melihat kondisi tersebut, Anda memutuskan untuk memilih destinasi lain yang memiliki rating lebih tinggi dari tempat tersebut.
Analogi di atas merupakan contoh penggunaan data secara sederhana hingga menghasilkan sebuah keputusan. Namun, mengapa data menjadi hal yang sangat penting sebelum membuat keputusan? Yuk, kita cari tahu lebih lanjut.
Mengapa Data Penting
Seperti yang telah disebutkan sebelumnya, apabila sebuah organisasi atau perusahaan tidak menggunakan data dengan baik dan benar, akan berakibat fatal terhadap organisasi tersebut.
Untuk menjadi sebuah data yang dapat digunakan dan menghasilkan sebuah informasi yang bermanfaat, tentu tidak semata-mata mendapatkan data dan tiba-tiba menjadi sebuah hasil yang diharapkan; melainkan butuh proses di balik itu yang harus diolah terlebih dahulu sehingga data-data tersebut mampu menghasilkan sebuah wawasan.
Perhatikan piramida Data - Information - Knowledge - Wisdom (DIKW) di bawah ini.
Merujuk pada gambar di atas, dilansir dari jurnal Australasian Journal of Information System, menjelaskan piramida DIKW di atas seperti berikut.
- Data
Data adalah fakta atau pengamatan yang terpisah dan objektif, tidak terorganisir dan tidak diproses, serta tidak menyampaikan makna tertentu. Item data adalah deskripsi dasar dan tercatat dari hal-hal, peristiwa, kegiatan, dan transaksi.
- Informasi (Information)
Informasi adalah data yang memberi nilai tambah pada pemahaman suatu subjek. Adapun definisi lainnya bahwa informasi adalah data yang telah diolah menjadi bentuk yang lebih berarti dan berguna bagi manusia.
- Pengetahuan (Knowledge)
Pengetahuan adalah kombinasi dari data dan informasi yang ditambahkan pendapat ahli, keterampilan, dan pengalaman sehingga menghasilkan aset berharga yang dapat digunakan untuk membantu pengambilan keputusan. Pengetahuan adalah data atau informasi yang telah diatur dan diproses untuk menyampaikan pemahaman, pengalaman, akumulasi pembelajaran, dan keahlian.
- Kebijaksanaan (Wisdom)
Kebijaksanaan adalah akumulasi pengetahuan yang memungkinkan Anda memahami cara menerapkan konsep dari satu domain ke situasi atau masalah baru. Adapun pengertian lain yaitu kebijaksanaan adalah kemampuan untuk bertindak kritis atau praktis dalam situasi tertentu.
Dari empat poin di atas, dapat disimpulkan bahwa untuk menjadi sebuah data yang bermanfaat, ia perlu melewati beberapa proses, mulai dari data mentah yang diolah hingga menjadi sebuah informasi, kemudian dari informasi tersebut dianalisis dan ditafsirkan supaya menjadi sebuah wawasan, dan pada akhirnya wawasan tersebut dapat dijadikan basis untuk membuat keputusan yang bijak.
Berikut adalah contoh penerapan DIKW:
| DIKW | Contoh Penerapan |
|---|---|
| Data | Data lalu lintas di Kota Bandung awalnya muncul sebagai kumpulan angka yang mencerminkan volume kendaraan yang melintas di berbagai titik jalan. Misalnya, data ini dapat mencakup jumlah kendaraan pada setiap jam selama seminggu di titik-titik tertentu. |
| Informasi | Melalui analisis data, informasi yang lebih rinci dapat dihasilkan. Informasi ini mencakup pemahaman tentang pola kemacetan di Kota Bandung, termasuk lokasi dan waktu dengan tingkat kemacetan tertinggi. Misalnya, informasi ini dapat mengidentifikasi bahwa ruas jalan tertentu cenderung mengalami kemacetan pada jam sibuk pagi dan sore. |
| Knowledge | Pengetahuan dapat diperoleh dengan memahami pola informasi yang dihasilkan. Dalam konteks ini, pengetahuan bisa berarti pemahaman bahwa jam sibuk pagi dan sore hari menjadi faktor utama penyebab kemacetan di beberapa ruas jalan Kota Bandung. Pengetahuan ini membantu dalam mengidentifikasi faktor-faktor penyebab kemacetan dan mendasari pengambilan keputusan. |
| Wisdom | Keberhasilan penanganan kemacetan di Kota Bandung bergantung pada penerapan kebijaksanaan yang didasarkan pada pengetahuan yang diperoleh. Kebijaksanaan ini dapat mencakup langkah-langkah seperti penyesuaian waktu lampu lalu lintas, peningkatan transportasi umum, dan pengembangan jalur sepeda. Dengan menerapkan kebijaksanaan ini, diharapkan dapat mengurangi kemacetan dan meningkatkan mobilitas, membawa dampak positif bagi penduduk Kota Bandung secara keseluruhan. |
Contoh penerapan konsep DIKW di atas dapat membantu menggambarkan perjalanan dari data mentah hingga kebijaksanaan yang dapat membawa perubahan positif dalam mengelola lalu lintas.
Nah, untuk membuat sebuah keputusan terlebih pada sebuah organisasi atau perusahaan, tentunya tidak dapat sembarangan dan perlu banyak pertimbangan.
- “Apakah data tersebut sudah dapat dibuat untuk mengambil keputusan?”
- “Bagaimana cara membuat keputusan yang bijak dalam penggunaan data?”
Untuk menjawab pertanyaan tersebut, Anda akan mempelajari data-driven decision making atau pengambilan keputusan berbasis data. Penasaran? Mari kita lanjutkan pembahasannya.
Data-Driven Decision Making (Data dan Keputusan)
Tahukah Anda?
Perusahaan konsultan NewVantage Partners yang berasal dari Paris, Perancis, melaporkan bahwa 98.6 persen eksekutif menunjukan bahwa organisasi mereka menginginkan budaya perusahaan mereka berbasis data, tetapi ternyata hanya 32.4 persen yang melaporkan sukses.
Studi IDC juga mencatat bahwa organisasi telah menginvestasikan triliunan dolar untuk memodernisasi bisnis mereka, tetapi 70 persen dari inisiatif ini gagal karena mereka memprioritaskan investasi teknologi tanpa membangun budaya data untuk mendukungnya. Wah, sangat disayangkan sekali. Ternyata, walaupun teknologi sudah menunjang, tetap akan berpeluang gagal jika tidak diiringi dengan transformasi data. Sumber: A Guide To Data Driven Decision Making: What It Is, Its Importance, and How To Implement It |
Sebagai manusia, tak jarang kita membuat sebuah keputusan secara cepat berdasarkan perasaan dan intuisi, tanpa mempertimbangkan hasil atau konsekuensinya.
Namun, ketika harus membuat sebuah keputusan baik untuk organisasi atau perusahaan, tentu sangat penting untuk mempertimbangkan semua faktor eksternal atau internal sebelum mengambil sebuah keputusan.
Dengan menggunakan paradigma Data-Driven Decision Making, organisasi dapat memastikan bahwa tujuan dan sasaran bisnis mereka dipandu oleh bukti yang kuat.
Data-Driven Decision Making (DDDM) atau pengambilan keputusan berbasis data didefinisikan sebagai penggunaan fakta, metrik, dan data untuk memandu keputusan bisnis yang selaras dengan tujuan, sasaran, dan inisiatif perusahaan.
Apakah DDDM begitu penting? Yuk, cari tahu alasannya.
Mengapa DDDM Penting
Menggunakan data yang berasal dari riset pasar sangat penting untuk pertumbuhan bisnis. Dengan menggunakan data, Anda dapat membuat strategi yang lincah, tepat sasaran, dan yang penting baik untuk prospek bisnis sebuah organisasi atau perusahaan.
Misalnya, DDDM sangat penting untuk strategi pemasaran berbasis data. Faktanya, 49% bisnis profesional di bidang pemasaran menggunakan strategi berbasis data untuk meningkatkan jangkauan pelanggan (customer reach).
Berikut salah satu contoh data yang digunakan di bidang pemasaran dalam menganalisis insight (wawasan) dan prime time dari social media.
Perusahaan Multinasional dengan DDDM
Organisasi atau perusahaan besar dan sukses saat ini tak luput dari bantuan data-data yang telah mereka kelola dan gunakan. Berikut merupakan beberapa kasus terkait penggunaan DDDM di perusahaan multinasional.
- Google
Google mempertahankan fokus pada “people analysis” atau analisis orang. Sebagai bagian dari salah satu inisiatif dari people analysis adalah adanya Project Oxygen. Tahukah Anda apa itu Project Oxygen? Jadi, Project Oxygen adalah upaya untuk menentukan hal yang membuat seorang manajer menjadi hebat di Google. Perusahaan tersebut mengumpulkan lebih dari 10.000 data feedback dan membandingkan data tersebut dengan retensi karyawan. Google menggunakan informasi tersebut untuk mengidentifikasi perilaku dari manajer berkinerja tinggi.
Sederhananya, Google selalu melakukan feedback time untuk para manajernya dengan mengumpulkan feedback sebanyak lebih dari 10.000 data. - Starbucks
Tahukah Anda? Pada tahun 2008, Starbucks pernah tutup gerai sebanyak 70%. Dirasa karena tidak strategis dalam menempatkan toko, maka CEO Howard Schultz melakukan pendekatan yang lebih analitis yaitu mengidentifikasi lokasi toko di masa mendatang.
Saat ini Starbucks telah bermitra dengan perusahaan location-analytics (analitik lokasi) untuk menentukan lokasi toko yang ideal menggunakan data seperti demografi dan pola lalu lintas. Starbucks menggunakan data ini untuk menentukan kemungkinan keberhasilan lokasi tertentu sebelum melakukan investasi baru.
The real “Bangkit dari keterpurukan” Hebat sekali! - Amazon
E-Commerce terbesar di dunia ini menggunakan data untuk memutuskan produk mana yang harus mereka rekomendasikan kepada pelanggan berdasarkan pembelian dan yang mereka cari di kolom pencarian. Mengapa Amazon menggunakan DDDM? Daripada menyarankan produk sembarangan, maka Amazon menggunakan analitik data dan machine learning untuk menggerakkan sistem rekomendasinya.
Segudang Manfaat DDDM
Tidak mungkin apabila sebuah metode diciptakan jika tak ada manfaat di dalamnya. Tentunya, Data-Driven Decision Making dibuat dengan memiliki segudang manfaat apabila diterapkan pada sebuah organisasi atau perusahaan. Berikut merupakan manfaat yang dapat diperoleh apabila sebuah organisasi menerapkan DDDM.
- Lebih percaya diri dalam membuat keputusan
Dengan mengumpulkan data, tak dapat dipungkiri bahwa untuk memutuskan keputusan yang meyakinkan akan terasa lebih mudah. Pada dasarnya, data bersifat logis dan konkret, tidak bersifat subjektif. Dengan menghilangkan unsur subjektif dari keputusan yang telah dibuat, Anda dapat menanamkan kepercayaan kepada diri sendiri dan perusahaan secara keseluruhan.
- Lebih proaktif
Dengan menerapkan DDDM, Anda dapat mengidentifikasi peluang bisnis sebelum pesaing Anda melakukannya atau dapat mendeteksi sebuah risiko atau masalah sebelum terjadi.
- Melakukan penghematan biaya
Setiap organisasi atau perusahaan tentu memiliki alasan tersendiri dalam menggunakan data pada setiap keputusan bisnisnya. Salah satu penggunaan DDDM adalah ketika perusahaan memutuskan menggunakan data untuk mengurangi pengeluaran dengan kata lain untuk menghemat biaya. Dengan eksistensi data sebelumnya, sebuah organisasi mampu memutuskan budget yang akan digunakan pada saat ini.
Setelah mengetahui pentingnya sebuah data hingga mengetahui segudang manfaat DDDM, dapat disimpulkan bahwa untuk menentukan keputusan dengan data perlu melewati beberapa tahap hingga data tersebut menghasilkan informasi yang bermanfaat.
Big Data in Action
Semakin pesat berkembangnya teknologi, semakin pesat pula perkembangan data di dunia. Setiap industri berbondong-bondong dalam memanfaatkan data yang diperoleh agar menjadi sebuah informasi yang bermanfaat untuk revenue yang didapatkan bahkan keberlangsungan perusahaan tersebut. Semakin besar perusahaan maka kebutuhan akan data semakin banyak dan semakin luas.
Mari kita sebut saja big data, yaitu sebuah konsep pengelompokan atau pengumpulan data dalam skala besar. Nah, materi ini adalah bagian lanjutan dari mengenali data secara umum. Setelah Anda memahami dasar-dasar data, yang perlu diketahui selanjutnya adalah perihal big data yang sudah amat melekat dengan kehidupan data saat ini.
Dengan mempelajari big data, Anda akan mengetahui perbedaan antara small data versus big data dengan tujuan agar mengetahui cara mengolah keduanya. Penasaran bagaimana menariknya isi sub modul ini? Yuk, Kita lanjutkan pembahasannya.
Apa itu Big Data
Menurut The Gartner IT Glossary, big data adalah aset informasi bervolume tinggi (high-volume), berkecepatan tinggi (high-velocity), dan/atau memiliki banyak ragam (high-variety) yang menuntut bentuk pemrosesan informasi yang hemat biaya dan inovatif sehingga memungkinkan peningkatan wawasan, pengambilan keputusan, dan otomatisasi proses.
Menurut Kompas, big data merupakan konsep pengelompokan atau pengumpulan data dalam skala besar yang terdiri dari berbagai macam jenis data, seperti data terstruktur, semi terstruktur, dan tidak terstruktur dengan konsep karakter mendasar meliputi Three V: volume, variety, dan velocity.
Serta menurut Oracle, big data adalah data yang memiliki lebih banyak variasi, berada dalam volume yang meningkat, dan berada di kecepatan yang lebih tinggi atau dikenal juga sebagai 3V (Variety, Volumes, Velocity).
Kesimpulan dari ketiga sumber tersebut adalah bahwa big data merupakan kumpulan data besar atau bervariasi yang memiliki karakter dasar Three V yaitu volume, variety, dan velocity.
Mari kita bahas ketiga istilah tersebut di bawah ini.
Volume, Variety, Velocity
Karakteristik big data adalah sifat, keistimewaan, atau ciri yang mencerminkan bahwa data tersebut dikategorikan sebagai big data. Pada dasarnya, karakteristik big data terbagi menjadi tiga, yaitu volume, variety, dan velocity.
- Volume
Volume adalah jumlah data yang dihasilkan dari banyak transaksi dan yang disimpan. Contohnya seperti penggunaan history browser, pencatatan transaksi pada e-commerce, data KTP atau data penduduk Indonesia, data pelanggan pada perbankan, dan masih banyak lagi. Ukuran big data biasanya menggunakan skala Terabytes (1000 Gigabytes) dan ukuran Petabytes (1.000.000 Gigabytes). - Variety
Variety adalah variasi tipe dan sifat dari data, apakah data tersebut bersifat terstruktur, semi terstruktur, ataupun tidak terstruktur. Mari kita bahas satu per satu.- Data Terstruktur
Data terstruktur adalah salah satu jenis data yang disusun dengan rapi dan diatur sedemikian rupa sehingga memiliki format atau bentuk yang tetap. Ambil contoh, Anda dan rekan-rekan ingin berlibur di Ubud, Bali dengan melakukan rafting di sana. Berikut adalah rincian daftar harganya.No Kategori Harga satuan Paket 1
Tiket Masuk Objek Wisata
Rp30.000
Rp200.000
2
Rafting 5 km/2 jam
Rp75.000
3
1x Makan Siang
Rp25.000
4
Coffee Break
Rp15.000
5
Peralatan Rafting
Rp30.000
6
Free Foto Rafting
Rp50.000
Karena data pada tabel di atas memiliki format yang tetap dan tersusun rapi sesuai dengan struktur tabel, Anda bisa dengan mudah memahaminya atau langsung paham sekalipun data yang dimasukkan berbeda.
Data Tidak Terstruktur
Seperti namanya, data tidak terstruktur merupakan data yang memiliki struktur acak atau tak beraturan. Untuk, lebih jelasnya simak gambar di bawah ini.
Apakah Anda menemukan perbedaan antara data terstruktur dan tidak terstruktur? Tentu Anda bisa dengan jelas melihat perbedaannya, bukan?
Gambar di atas merupakan flyer dari kegiatan rafting. Terlihat dari flyer tersebut terdapat beberapa format data, seperti gambar dan teks. Dari data tidak terstruktur, kita dapat mengetahui bahwa sebuah data tidak harus selalu berbentuk tabel dan angka, tetapi jauh lebih luas dari itu.Data Semi Terstruktur
Nah, selanjutnya kita akan membahas data semi terstruktur atau bisa dikatakan sebagai gabungan dari data terstruktur dan data tidak terstruktur. Masih bingung? Berikut penjelasan lengkapnya.
Data semi terstruktur adalah data dengan bentuk yang tidak dikenal. Pada dasarnya, jenis data ini memiliki atribut terstruktur yang membuatnya tetap dapat dianalisis. Namun, pada saat yang bersamaan, data semi terstruktur ini tidak mengikuti suatu susunan tertentu seperti data tidak terstruktur. Contoh data semi terstruktur di antaranya adalah berkas dalam bentuk .csv, email, halaman web, dan sejenisnya.
- Data Terstruktur
- Velocity
Velocity berarti kecepatan dalam men-generate data, mengakses data, serta memproses data. Big data platform dan big data analytics software tentu harus dapat memproses banyak data secepat mungkin ketika ada permintaan. Contohnya adalah yang terdapat pada search engine Google, ketika Anda ingin mencari suatu hal di Google, permintaan tersebut langsung diproses dan ditampilkan pada halaman Google.
Small Data vs. Big Data
Berikut merupakan perbandingan antara small data versus big data yang dapat Anda bandingkan satu per satu.
| Fitur | Small Data | Big Data |
|---|---|---|
Variasi | Data biasanya terstruktur dan seragam. | Data seringkali tidak terstruktur dan heterogen. |
Fakta | Data umumnya berkualitas tinggi dan dapat diandalkan. | Kualitas dan keandalan data dapat sangat bervariasi. |
Teknologi | Tradisional | Modern |
Volume | Data dalam kisaran puluhan atau ratusan Gigabyte. | Ukuran data lebih dari Terabyte. |
Basis Data | SQL | NoSQL |
Bahasa Pemrograman | SQL | Python, R, Java, SQL |
Posisi (Job) | Data Analyst, Database Administrators, dan Data Engineer | Data Scientist, Data Analyst, Database Administrators, dan Data Engineer. |
Kesimpulannya adalah big data merupakan kumpulan data besar yang berukuran di luar kemampuan alat perangkat lunak biasa untuk memroses, menyimpan, dan menganalisis. Lain halnya dengan small data yang ukurannya cukup kecil untuk disimpan di suatu mesin seperti server lokal atau laptop dan pastinya mudah diakses.
Kini Anda sudah paham, kan? Kalau sudah, mari kita lanjutkan ke pembahasan terkait pentingnya big data.
Mengapa Big Data Penting
Pada dasarnya, perusahaan menggunakan big data dalam sistem mereka untuk menggali potensi, meningkatkan operasi, memberikan layanan pelanggan yang lebih baik, dan mengambil tindakan atau keputusan yang dapat meningkatkan pendapatan atau keuntungan.
Perusahaan yang menggunakan big data secara efektif memiliki potensi keunggulan kompetitif dibandingkan dengan bisnis yang tidak menggunakannya karena dapat membuat keputusan yang lebih cepat dan tepat.
Source: DataReportal
Dengan menggunakan big data, sebuah perusahaan akan mendapatkan sebuah insight (wawasan) tentang social media yang kemudian dapat digunakan untuk menyempurnakan pemasaran, periklanan, dan promosi guna meningkatkan keterlibatan pelanggan serta tingkat konversi.
Big Data dan Data Science
Big data dan data science merupakan hal serupa, tetapi tak sama. Mempelajari big data dalam data science merupakan hal yang mendasar agar Anda mengetahui keberadaan big data sebagai subset dari data science karena bidang tersebut berupa kumpulan data yang lebih besar. Kedua bidang ini bekerja di bidang yang sama, yaitu data. Anda akan menemukan dan mengelola data yang tidak terstruktur, data yang besar, dan kedua hal tersebut merupakan bagian dari big data.
Pada dasarnya, big data dan data science diimplementasikan bersama untuk memecahkan masalah data. Perhatikan urutan proyek big data di bawah ini.
- Identify the problem
- Get the data
- Prepare the data
- Analyze the data
- Generate reports and insights
- Perform practical actions
Dari urutan di atas, tahapan 1, 2, dan 3 adalah langkah-langkah yang ditangani dengan teknologi big data, sedangkan pada tahapan 4, 5, dan 6 menggunakan teknologi data science. Oleh karena itu, data science tidak akan luput dari big data.
Untuk mengelola big data pada data science, sebuah organisasi atau perusahaan memerlukan seorang data scientist yang dapat mengelola data-data tersebut hingga menghasilkan sebuah informasi bermanfaat untuk kelangsungan perusahaan.
Saat ini, tidak dapat dipungkiri bahwa data scientist merupakan tenaga yang sangat diperlukan oleh startup dan perusahaan-perusahaan multinasional seperti Gojek, Grab, Amazon, Tokopedia, Apple, Google, dan masih banyak lagi.
Big Data di Mana-Mana
Sekarang kita akan simak berbagai penerapan big data di macam-macam sektor.
Big Data dengan Sektor Pendidikan
Industri pendidikan dibanjiri dengan sejumlah data yang besar terkait siswa, fakultas, hasil, dan lainnya. Apabila sektor pendidikan menggunakan big data dengan tepat, ia akan memberikan insight (wawasan) yang dapat digunakan untuk meningkatkan efektivitas operasional dan kerja lembaga pendidikan.
Berikut adalah beberapa bidang dalam industri pendidikan yang telah didorong oleh big data.
- LMS (Learning Management System). LMS adalah program perangkat lunak berbasis web untuk manajemen, dokumentasi, pemantauan, pelaporan, administrasi, dan distribusi konten pendidikan, program pelatihan, dan lain-lain. LMS merupakan ide dari e-learning yang dikembangkan dari kebutuhan akan konten pendidikan dan alat pelatihan. Penggunaan big data dalam LMS dapat menciptakan sistem umpan balik yang dapat membantu instruktur dan perancang materi untuk menemukan solusi atas masalah paling umum dalam pembelajaran online.
- Sistem penilaian. Kemajuan baru dalam sistem penilaian telah diperkenalkan sebagai hasil dari analisis data siswa yang tepat.
- Prediksi karier. Analisis dan studi yang tepat dari setiap catatan siswa akan membantu memahami kemajuan, kekuatan, kelemahan, minat setiap siswa, dan banyak lagi.
Big Data dengan Industri Kesehatan
Industri kesehatan adalah industri lain yang terikat untuk menghasilkan data dalam jumlah besar. Berikut merupakan implementasi big data yang telah diterapkan pada industri kesehatan.
- Big data mengurangi biaya perawatan karena lebih sedikit kemungkinan untuk melakukan diagnosis yang tidak perlu.
- Membantu memprediksi wabah epidemi dan juga memutuskan tindakan pencegahan yang dapat diambil untuk meminimalkan efek yang sama.
- Membantu menghindari penyakit yang dapat dicegah dengan mendeteksinya pada tahap awal.
- Pasien dapat diberikan obat berbasis data yang diidentifikasi dan diresepkan setelah meneliti hasil medis sebelumnya.
Loh, bagaimana caranya?
Perangkat dan sensor yang dapat digunakan telah diperkenalkan di industri kesehatan yang dapat memberikan informasi secara langsung ke catatan kesehatan elektronik pasien. Salah satu perusahaan yang menerapkan teknologi tersebut adalah Apple.
Apple telah menghadirkan Apple HealthKit, CareKit, dan ResearchKit. Tujuan utamanya adalah memberdayakan pengguna iPhone untuk menyimpan dan mengakses catatan informasi kesehatan secara langsung di ponsel mereka.
Big Data dengan Media dan Hiburan
Di zaman teknologi yang serba canggih, Anda pasti menjadi salah satu penikmat adanya teknologi tersebut. Salah satu dampak dari adanya teknologi adalah keberadaan media sosial. Ratusan juta atau bahkan milyar orang memiliki media sosial yang diakses dari gadget mereka. Pembuatan data setiap harinya tidak dapat dihindari dan ini adalah dasar utama munculnya big data di industri media dan hiburan.
Berikut merupakan beberapa manfaat adanya big data di industri media dan hiburan.
- Memprediksi minat audiens.
- Penjadwalan streaming (seperti Youtube, TikTok, Instagram) yang dioptimalkan atau sesuai permintaan di platform distribusi media digital.
- Mendapatkan insight (wawasan) dari feedback pelanggan.
- Penargetan iklan yang efektif.
Untuk Anda pengguna Spotify, pasti sudah tidak asing lagi apabila diberikan rekomendasi lagu atau playlist otomatis dari Spotify. Nah, karena Spotify merupakan platform penyedia musik sesuai dengan permintaan, mereka menggunakan big data analytics, mengumpulkan data dari semua penggunanya di seluruh dunia, lalu menggunakan data yang dianalisis untuk memberikan rekomendasi dan saran musik yang terinformasi kepada setiap pengguna individu.
Peran Big Data pada Transformasi Digital
Transformasi digital membantu perusahaan merangkul perubahan dan tetap kompetitif di dunia yang semakin digital. Peran big data dalam transformasi digital berasal dari potensi sebuah organisasi untuk menggabungkan digitalisasi dan otomatisasi dalam proses bisnis sehingga dapat meningkatkan efisiensi, memacu inovasi, dan mengarah ke model bisnis baru.
Selain itu, big data analytics memungkinkan bisnis untuk mengamati informasi terperinci tentang kelompok pelanggan tertentu atau berbeda. Selain itu, bisa jadi untuk informasi lainnya berupa hal-hal yang dilakukan oleh customer saat berada di situs web mereka, barang yang dibeli, seberapa sering para customer membelinya, dan masih banyak lagi. Jadi, dengan menggunakan semua informasi ini, bisnis menerapkan perubahan untuk memenuhi kebutuhan pelanggan di masa depan. Oleh karena itu, untuk menyelesaikan transformasi digital, sektor bisnis perlu mengadopsi big data.
Bersambung ke:
Evolusi Ilmu Big Data
Tahukah Anda?
Seiring pesatnya perkembangan teknologi dan konektivitas di era digital, kita telah menyaksikan sebuah fenomena ledakan data yang belum pernah terjadi sebelumnya. Untuk memahami sejarah dan evolusi big data, mari kita menjelajahi lorong waktu dan kembali ke awal mula abad 20 dan 21.
- Pada abad 20, tepatnya tahun 1901, pengumpulan dan pengolahan data masih belum seperti sekarang karena keterbatasan teknologi.
- Tahun 1940, mesin pemrosesan data elektronik pertama muncul yang memungkinkan organisasi untuk menyimpan dan mengolah data dengan lebih efisien.
FYI (for your information)! Perkembangan teknologi komputer dan internet pada tahun 1990-an menjadi pemicu utama bagi pertumbuhan big data. Dalam era ini, web dan e-commerce mulai berkembang pesat. - Tahun 2005, Rogers Mougalas dari O’Reilly Media menciptakan istilah big data yang menjadi bentuk definisi yang dipahami secara luas hingga saat ini.
- Dalam beberapa tahun terakhir, evolusi big data semakin dipercepat oleh perkembangan teknologi seperti cloud computing, artificial intelligence, dan machine learning.
Sejarah dan evolusi big data telah membawa perubahan yang signifikan dalam cara kita memandang dan memanfaatkan data. Perkembangan teknologi yang semakin masif berbanding lurus dengan jumlah data yang terus meningkat sehingga kebutuhan big data akan saling berkaitan dengan teknologi.
Latihan The Power of Data
Setelah panjang lebar membahas mengenai The Power of Data, Anda akan melakukan aktivitas mengasah kemampuan intelektual terkait data. Perhatikan ilustrasi di bawah ini supaya dapat menjawab pertanyaan di bagian Asah Kemampuan Intelektual.
Asah Kemampuan Intelektual
Yeay! Anda telah sampai di tempat pemberhentian terakhir modul ini. Sebagai tolok ukur pemahaman Anda terkait The Power of Data, di bawah ini terdapat latihan soal yang dapat menguji pemahaman Anda. Sebelum mengerjakan latihan, perhatikan langkah-langkah di bawah ini.
- Unduh soal Asah Kemampuan Intelektual.
- Perhatikan dan simak baik-baik instruksi yang ada di dalam latihan soal tersebut.
- Jawab di kolom yang telah disediakan.
- Jika sudah selesai mengerjakan, unduh Jawaban Asah Kemampuan Intelektual dan periksa kembali hasil pekerjaan Anda.
Sudah paham terkait tata caranya, ya? Good luck!
[Download] Soal Asah Kemampuan Intelektual
[Download] Jawaban Asah Kemampuan Intelektual
Selamat! Anda telah menyelesaikan modul The Power of Data. Maka dari itu, dengan selesainya modul ini, diharapkan Anda telah menguasai dasar-dasar data. Agar jam terbang Anda semakin bertambah, mari kita lanjut ke modul berikutnya, yaitu Fundamental Data Science yang pastinya akan lebih menarik. See you there!
Rangkuman The Power of Data
Berdasarkan Kamus Besar Bahasa Indonesia data adalah keterangan yang benar dan nyata; keterangan atau bahan nyata yang dapat dijadikan dasar kajian; informasi dalam bentuk yang dapat diproses oleh komputer, seperti representasi digital dari teks, angka, gambar grafis, atau suara.
Menurut Kamus Cambridge, data adalah informasi, terutama fakta atau angka, dikumpulkan untuk diperiksa dan dipertimbangkan, serta digunakan untuk membantu pengambilan keputusan atau informasi dalam bentuk elektronik yang dapat disimpan dan digunakan oleh komputer.
Dan yang terakhir, menurut ahli yaitu Drs. Jhon J. Longkutoy mengatakan bahwa Data adalah suatu istilah majemuk dari fakta yang mengandung arti yang dihubungkan dengan kenyataan, simbol, gambar, angka, huruf yang menunjukan suatu ide, objek, kondisi atau situasi dan lainnya.
Data Kuantitatif
Kuantitatif atau kuantitas memiliki arti jumlah atau banyak. Menurut Australian Bureau of Statistics, kuantitatif adalah nilai data yang berupa hitungan atau angka di mana setiap kumpulan data memiliki nilai numerik yang unik. Data ini adalah informasi terukur yang dapat digunakan peneliti untuk perhitungan matematis dan analisis statistik untuk membuat keputusan kehidupan nyata berdasarkan data tersebut.
Data Kualitatif
Menurut sumber Australian Bureau of Statistics, menyebutkan bahwa data kualitatif adalah ukuran jenis dan dapat diwakilkan oleh nama, simbol, atau kode angka. Data kualitatif juga adalah data tentang variabel kategori.
Ciri data kualitatif dapat diamati dan direkam, serta tipe data ini bersifat non-numerik. Data kualitatif dapat dikumpulkan melalui metode observasi, wawancara one on one, melakukan study group, dan metode sejenis lainnya.
Data Numerik
Data numerik adalah data berwujud angka yang bisa didapat dari sebuah pengukuran.
Misal, ukuran tinggi badan, berat badan, dan usia. Selain itu, data ini juga bisa diperoleh dari sebuah perhitungan, misalnya jumlah orang yang hadir di pesta pernikahan atau jumlah penduduk Indonesia. Nah, data numerik ini terbagi menjadi dua bagian yaitu data kontinu dan diskrit.
- Data Kontinu
Data kontinu dapat direpresentasikan dalam berbagai nilai numerik, seperti bilangan desimal, bulat, dan lain-lain. - Data Diskrit
Data diskrit merupakan data numerik yang hanya bisa direpresentasikan dengan bilangan bulat dan tidak dapat dibagi ke dalam unit yang lebih kecil.
Data Kategorikal
Data kategorikal merupakan data yang dapat dikelompokkan dan terbagi berdasarkan karakteristik atau ciri khasnya masing-masing. Dari data kategorikal, ada dua pembagian, yaitu nominal dan ordinal. Mari kita bahas satu per satu di bawah ini, ya.
- Data Nominal
Data nominal adalah jenis pengelompokan data yang tidak memiliki keterkaitan dengan data lainnya dan tidak memiliki arti khusus. Jadi, data ini dapat dibedakan tanpa harus mengurutkan atau dibandingkan dengan data lainnya. - Data Ordinal
Berlawanan dari kata nominal, data ordinal adalah jenis pengelompokan data yang memiliki urutan, atau harus disusun secara berurutan dengan mekanisme peringkat.
Menentukan Keputusan dengan Data
- Data
Data adalah fakta atau pengamatan yang terpisah dan objektif, tidak terorganisir dan tidak diproses, serta tidak menyampaikan makna tertentu. Item data adalah deskripsi dasar dan tercatat dari hal-hal, peristiwa, kegiatan, dan transaksi.
- Informasi
Informasi adalah data yang memberi nilai tambah pada pemahaman suatu subjek. Adapun definisi lainnya bahwa data informasi adalah data yang telah dibentuk menjadi bentuk yang lebih berarti dan berguna bagi manusia.
- Pengetahuan (Knowledge)
Pengetahuan adalah kombinasi dari data dan informasi yang ditambahkan pendapat ahli, keterampilan, dan pengalaman, sehingga menghasilkan aset berharga yang dapat digunakan untuk membantu pengambilan keputusan. Pengetahuan adalah data atau informasi yang telah diatur dan diproses untuk menyampaikan pemahaman, pengalaman, akumulasi pembelajaran, dan keahlian.
- Kebijaksanaan (Wisdom)
Kebijaksanaan adalah akumulasi pengetahuan yang memungkinkan Anda memahami cara menerapkan konsep dari satu domain ke situasi atau masalah baru. Adapun pengertian lain yaitu kebijaksanaan adalah kemampuan untuk bertindak kritis atau praktis dalam situasi tertentu.
Data-Driven Decision Making (Data dan Keputusan)
Data-Driven Decision Making atau pengambilan keputusan berbasis data didefinisikan sebagai penggunaan fakta, metrik, dan data untuk memandu keputusan bisnis yang selaras dengan tujuan, sasaran, dan inisiatif perusahaan.
Big Data in Action
Menurut The Gartner IT Glossary, Big data adalah aset informasi bervolume tinggi (high-volume), berkecepatan tinggi (high-velocity), dan/atau beragam tinggi (high-variety) yang menuntut bentuk pemrosesan informasi yang hemat biaya dan inovatif yang memungkinkan peningkatan wawasan, pengambilan keputusan, dan otomatisasi proses.
Menurut Kompas, Big data merupakan konsep pengelompokan atau pengumpulan data dalam skala besar, yang terdiri dari berbagai macam jenis data, meliputi data terstruktur, semi terstruktur, dan tidak terstruktur dengan konsep karakter mendasar meliputi Three V yaitu volume, variety, dan velocity.
Serta menurut Oracle, Big data adalah data yang memiliki data variasi yang lebih banyak, berada dalam volume yang meningkat, dan berada di kecepatan yang lebih tinggi. Atau dikenal juga sebagai 3V (Variety, Volumes, Velocity).
Volume, Velocity, Variety
Karakteristik Big Data adalah sifat-sifat, keistimewaan atau ciri-ciri yang mencerminkan bahwa data tersebut adalah data yang dikategorikan sebagai big data. Pada dasarnya karakteristik Big Data terbagi menjadi tiga, yaitu volume, velocity, dan variety.
- Volume. Jumlah data yang dihasilkan dari banyak transaksi serta volume data yang disimpan. Contohnya, seperti penggunaan history browser, pencatatan transaksi pada e-commerce, data ktp atau data penduduk Indonesia, data pelanggan pada perbankan dan masih banyak lagi. Ukuran big data biasanya menggunakan skala Terabytes (1000 Gigabytes) dan ukuran Petabytes (1.000.000 Gigabytes)
- Variety. Variasi tipe dan variasi sifat dari data, apakah data tersebut bersifat terstruktur, semi terstruktur, ataupun tidak terstruktur.
- Velocity. Kecepatan dalam men-generate data, mengakses data serta memproses data. Big data platform dan big data analytics software tentu harus dapat memroses banyak data secepat mungkin ketika ada permintaan, contohnya adalah yang terdapat pada search engine Google. Ketika Anda ingin mencari suatu hal di Google maka permintaan tersebut langsung diproses dan ditampilkan pada halaman Google.
Small Data vs. Big Data
| Fitur | Small Data | Big Data |
|---|---|---|
Variasi | Data biasanya terstruktur dan seragam. | Data seringkali tidak terstruktur dan heterogen. |
Fakta | Data umumnya berkualitas tinggi dan dapat diandalkan. | Kualitas dan keandalan data dapat sangat bervariasi. |
Teknologi | Tradisional | Modern |
Volume | Data dalam kisaran puluhan atau ratusan Gigabyte. | Ukuran data lebih dari Terabyte. |
Basis Data | SQL | NoSQL |
Bahasa Pemrograman | SQL | Python, R, Java, SQL |
Posisi (Job) | Data Analyst, Database Administrators, dan Data Engineer | Data Scientist, Data Analyst, Database Administrators, dan Data Engineer. |
- Get link
- X
- Other Apps
Comments
Post a Comment