BAB II BIG DATA
G. Konsep Big Data Analytics
Big data analytics adalah proses menggunakan algoritma analisis yang berjalan pada platform pendukung yang kuat untuk mengungkap potensi yang tersembunyi dalam big data, seperti pola tersembunyi atau korelasi yang tidak diketahui. Selain itu big data analytics merupakan proses mengeksplorasi sejumlah besar data dan berbagai jenis data dengan tujuan memperoleh informasi
yang berharga. Terdapat beberapa model analytics dalam big data analytics, mulai dari descriptive analytics, diagnostic analytics, predictive analytics, dan prescriptive analytics di mana tiga (analisis deskriptif, prediktif, dan preskriptif) menjadi yang paling dominan (Rizal, 2019).
Big data analytics telah muncul sebagai tools penting dalam mendukung pengambilan suatu keputusan manajerial. Dyché (2014) mengemukakan bahwa upaya penemuan data besar dapat mengungkapkan temuan yang sebelumnya tidak diketahui yang dapat menghasilkan wawasan yang berguna untuk pengambilan suatu keputusan manajerial. Sebelum komputer ditemukan, kemampuan orang untuk menyimpan dan memproses data dibatasi.
Ada ahli yang biasanya mengambil suatu keputusan atas dasar intuisi mereka. Intuisi ini tidak selalu sempurna karena pengumpulan data yang besar tidak mungkin dilakukan. Di era sekarang, big data telah menghasilkan volume, kecepatan, dan variasi data. Ini membuatnya lebih mudah untuk menganalisis data dalam hal keandalan statistik dan peningkatan model.
Big data analytics biasanya digunakan dalam pengambilan suatu keputusan di e-commerce, e-government, politik, sains, teknologi, kesehatan, keamanan dan keselamatan publik melalui segmentasi database, graph mining, social network analysis, text analytics, web analytics, sentiment affect analytics, criminal network analysis, cyber-attack analysis, multilingual text analysis, health analytics dan patient network analysis. Alat pengambilan keputusan multi kriteria juga membantu dalam pengambilan suatu keputusan di industri kesehatan untuk memahami proses evaluasi yang lengkap dengan menyediakan alat pendukung keputusan.
RFID diperkenalkan untuk data warehouse yang dapat diintegrasikan dalam hal logika dan operasi.
Big data analytics memiliki efek signifikan pada nilai bisnis dan kinerja perusahaan yang mengarah pada penghematan, mengurangi biaya operasi, biaya komunikasi, meningkatkan pengembalian, meningkatkan hubungan pelanggan, dan mengembangkan rencana bisnis baru.
Big data analytics juga merupakan teknik analitik tingkat lanjut untuk mengoperasikan kumpulan data dengan jumlah yang besar. Advanced analytics mempersiapkan big data untuk membuat suatu keputusan cerdas oleh users. Para analis membandingkan data historis dari data warehouse yang mengarah pada pengambilan keputusan yang lebih baik. Big data analytics bukan hanya tentang volume data tetapi juga berkaitan dengan variasi data. Menurut laporan penelitian oleh Russom (2011) telah ditemukan bahwa sangat sedikit persentase populasi yang mengetahui istilah-istilah seperti predictive analytics, advance analytics, dan big data analytics. RDBMS, pergudangan data, data mining, clustering, association, OLAP, BPM, ETL, regresi, klasifikasi, analisis, genetic algorithm, analisis statistik multivariat, dan penelitian heuristik adalah alat untuk big data analytics. Big data memberikan manfaat yang besar untuk pengambilan suatu keputusan dengan memberikan data yang bermanfaat kepada pelanggan, memberikan manfaat pada business analytics dan specific analytic application.
Terlepas dari manfaatnya, ada beberapa hambatan dalam penggunaan analitik data besar untuk membuat keputusan.
Hambatan ini umumnya termasuk kekurangan staf untuk menangani advanced analytics untuk pengambilan keputusan, kurangnya dukungan bisnis dan masalah yang sering muncul dengan perangkat lunak basis data.
Sumber : Sharda, 2018
Gambar 2.1. Hubungan Antara Descriptive, Predictive, dan Prescriptive Analytics dengan Business Analytics
Berikut ini adalah faktor keberhasilan terpenting untuk big data analytics (Watson, & Schrader, 2012) :
1. Kebutuhan bisnis yang jelas (sejalan dengan visi dan strategi). Investasi bisnis harus dibuat demi kebaikan bisnis, bukan semata untuk kemajuan teknologi. Oleh karena itu, pendorong utama untuk big data analytics harus menjadi kebutuhan bisnis, di tingkat mana tingkat strategis, taktis, dan operasi.
2. Sponsor yang kuat dan berkomitmen merupakan fakta yang cukup penting untuk di perhatikan, jika anda tidak memiliki sponsor eksekutif yang kuat dan berkomitmen, maka sulit untuk berhasil. Jika cakupannya adalah satu atau beberapa aplikasi analitik, sponsorship dapat dilakukan di tingkat departemen. Namun, jika targetnya adalah perusahaan- transformasi organisasi yang luas, yang sering terjadi pada inisiatif big data, sponsor harus berada di tingkat tertinggi dan organisasi secara luas.
3. Keselarasan antara bisnis dan strategi TI sangat penting.
untuk memastikan agar pekerjaan analitik selalu mendukung strategi bisnis, dan bukan yang lain. Analytics
harus memainkan peran yang memungkinkan dan berhasil mengeksekusi strategi bisnis.
4. Budaya pengambilan keputusan berbasis fakta. Dalam budaya pengambilan keputusan berbasis fakta, angka- angka dan bukan intuisi, firasat, atau anggapan yang mendorong pengambilan keputusan. Ada juga budaya eksperimentasi untuk melihat mana yang berhasil dan yang tidak.
5. Infrastruktur data yang kuat. Gudang data telah menyediakan infrastruktur data untuk analitik. Infrastruktur ini sedang berubah dan ditingkatkan di era big data dengan teknologi baru. Sukses membutuhkan mengawinkan yang lama dengan yang baru untuk infrastruktur holistik yang bekerja secara sinergis.
Sumber : Sharda, 2018
Gambar 2.2. Faktor Terpenting Dalam Big Data Analytics
Masalah bisnis yang ditangani oleh big data secara keseluruhan adalah efisiensi proses dan pengurangan biaya, serta meningkatkan pengalaman pelanggan, tetapi prioritas yang berbeda muncul ketika itu dilihat oleh industri. Efisiensi proses dan pengurangan biaya mungkin termasuk di antaranya masalah yang
paling sering dijumpai serta dapat diatasi dengan big data analytics untuk manufaktur, pemerintah, energi dan utilitas, komunikasi dan media, transportasi, dan perawatan kesehatan sektor. Pengalaman pelanggan yang ditingkatkan mungkin berada di urutan teratas daftar masalah ditangani oleh perusahaan asuransi dan pengecer.
Manajemen resiko biasanya di atas daftar perusahaan di bidang perbankan dan pendidikan. Berikut adalah sebagian daftar masalah yang bisa terjadi ditangani menggunakan big data analytics : (a) Efisiensi proses dan pengurangan biaya, (b) Manajemen merek, (c) Maksimalisasi pendapatan, cross-selling, dan up-selling, (d) Pengalaman pelanggan yang ditingkatkan, (e) Identifikasi pesaing untuk mendapatkan pelanggan, (f) Peningkatan layanan pelanggan, (g) Mengidentifikasi produk baru dan peluang pasar, (h) Manajemen risiko, (i) Kepatuhan terhadap peraturan, (J) Kemampuan keamanan yang ditingkatkan.