BAB VII PEMANFAATAN DATA DALAM
B. Studi Kasus 2 : Strategi Pemulihan UMKM Terdampak
• Permodalan yang dimaksud yaitu berupa pengembangan perluasan akses pembiayaan/permodalan bagi pelaku usaha.
Pada akhir rancangan model analisis penentuan strategi pengembangan usaha UMKM yang terbentuk maka akan didapatkan hasil berupa rekomendasi pengembangan usaha yang akan diberikan kepada UMKM Kota Medan sebanyak 1350 UMKM apakah berupa program (A1) pendidikan pelatihan, atau (A2) fasilitas permodalan yang akan diberikan, dan (O) tidak perlu diberikan rekomendasi yang dapat dilihat dari kinerja usaha berupa aset dan omset usaha UMKM yang dapat dilihat pada Tabel 5.1.
berikut :
Tabel 7.1. Hasil Rancangan Model Analisis Penentuan Strategi Pengembangan UMKM
Klaster Hasil Model Perekomendasian
Total
A1 A2 O
1 38 - 11 49
2 166 3 10 179
3 882 240 - 1122
Jumlah 1086 243 21 1350
B. Studi Kasus 2 : Strategi Pemulihan UMKM Terdampak
Latar Belakang Penelitian
Penelitian ini dilatarbelakangi dengan dunia yang saat ini telah memasuki era revolusi industri 4.0, dimana hampir segala sesuatu dilakukan serba digital dan menghasilkan pertambahan informasi yang sangat pesat dengan jumlah data yang sangat besar (big data).
Pemanfaatan data ini dapat digunakan sebagai sumber data alternatif penganti survei tradisional. Salah satunya adalah cara pemanfaatan big data ini adalah dengan big data analytics agar bisa diperoleh informasi lebih mendalam (insight) untuk memicu pengambilan keputusan dan tindakan bukan berdasarkan insting semata. Informasi ini penting mengingat saat ini dunia sedang menghadapi pandemi COVID-19 yang sangat mempengaruhi dunia usaha yang salah satunya adalah UMKM di Kota Medan. Menurut data dari kementerian koperasi, terdapat 1.402 UMKM di kota Medan yang terdampak, dengan sektor usaha paling terdampak adalah sektor makanan dan minuman. Dampak ini terutama terlihat dari sisi penawaran dan permintaan.
Berdasarkan pengamatan dan interview langsung di lapangan dengan beberapa pelaku UMKM yang masih bertahan dan beroperasi selama pandemi berlangsung mengatakan bahwa para pelaku UMKM memilih untuk menggunakan cara serta resources sendiri dalam menghadapi pandemi mengingat belum ada kebijakan terkait dari pemerintah khususnya Dinas Koperasi dan UMKM Kota Medan dalam memberikan bantuan kepada para pelaku UMKM. Melalui pengamatan ke kantor dinas juga diperoleh fakta bahwa memang belum adanya kebijakan dari pemerintah pusat maupun daerah dalam membantu UMKM yang saat ini terdampak pandemi COVID-19. Tujuan dari penelitian ini adalah memanfaatkan data-data sentimen media sosial sebagai data pendukung dalam merancang strategi pemulihan UMKM dan membuat suatu rancangan strategi pemulihan UMKM yang terdampak pendemi COVID-19 dengan metode big data analytics.
Metodologi Penelitian
Penelitian ini dilakukan di Dinas Koperasi dan UMKM Kota Medan yang berlokasi di Jl. Gatot Subroto Km. 77, Lalang, Kec.
Medan Sunggal, Kota Medan, Sumatera Utara 20216. Metode yang digunakan pada penelitian ini adalah penelitian deskriptif, yaitu penelitian yang dilakukan untuk memperoleh fakta-fakta yang ada dan mencari keterangan secara faktual untuk mendapatkan kebenaran tanpa mempengaruhi variabel lainnya. Objek penelitian yang diamati adalah kondisi UMKM selama pandemi COVID-19.
Selanjutnya untuk tahapan penelitian pada penelitian ini dapat dilihat pada Gambar 7.5. berikut :
Sumber : Kurniawan,. 2021
Gambar 7.5. Blok Diagram Prosedur Penelitian
Bagaimana Pemanfaatan Data UMKM Menggunakan Big Data Analytics ?
Pada penelitian ini teknik big data analytics berperan sebagai tools dalam mendukung pengambilan suatu keputusan dengan menggunakan algoritma analisis yang berjalan pada platform
pendukung untuk mengungkap potensi yang tersembunyi dalam big data, seperti pola tersembunyi atau korelasi yang tidak diketahui. Proses awal pengolahan dengan menggunakan big data analytics diawal dengan dilakukannya pengumpulan data (data collecting). Pengumpulan data dilakukan dengan dua cara, yaitu secara langsung dari Dinas Koperasi dan UMKM Kota Medan, dan secara online menggunakan metode data mining dari data sosial media Twitter dan kanal berita The Guardian. Data media sosial diperoleh dengan menggunakan akuisisi data melalui metode data mining melalui software Orange yang diambil dari data sosial media Twitter yang berkaitan dengan UMKM dan kanal berita The Guardian. Data sosial media Twitter terdiri dari berbagai atribut diantaranya seperti tweet, date, bahasa, lokasi, jumlah like, retweets, balasan tweet, author, deskripsi, author statuses count, author fav count, author friends count, author followers count, author verified, dan username. Kemudian untuk kanal berita The Guardian terdiri dari 11 atribut diantaranya adalah topik berita, headline, content, trial text, HTML, tanggal publikasi, tipe publikasi, bahasa, tags, URL, dan jumlah kata.
Selanjutnya sebelum masuk ke tahap pengolahan dengan menggunakan big data analytics, perlu dilakukan terlebih dahulu data processing karena data awal yang diperoleh dari Dinas Koperaso dan UMKM Kota Medan yang terdiri 1402 baris data dengan jumlah aribut sebanyak 10 buah dan rincian data usaha mikro sebanyak 1279 baris data, usaha kecil sebanyak 112 baris data, dan usaha menengah sebanyak 11 baris data. Pada akhir data processing dapat tercapai dengan menggunakan framework Orange yang disusun sebagai berikut :
Sumber : Kurniawan, 2021
Gambar 7.6. Framework Proprocessing Data UMKM
Selanjutnya tahap Descriptive Analytics pada penelitian ini adalah untuk memvisualisasikan data usaha mikro, kecil, dan menengah yang telah diolah secara proprocess sebelumnya. Software yang digunakan untuk memvisualisasikan data ini adalah dengan menggunakan Microsoft Power BI. Hasil visualisasi data kemudian dibuat menjadi dashboard dengan melakukan filter pada beberapa data yang masih menyimpang terlalu jauh kemudian disajikan dalam sebuah report.
Pada tahap Predictive Analytics, data sosial media dan kanal berita diambil terlebih dahulu dengan menggunakan software Orange melalui Application Programming Interface (API) terhadap situs- situs terkait. Data mentah (raw data) ini kemudian di proprocess
terlebih dahulu pada software Orange agar dapat diolah menjadi informasi dan insight. Setelah data selesai di-preprocess, data kemudian dianalisa sentimennya menggunakan tools sentiment analysis pada Orange.
Tahap Prescriptive Analytics yang dilakukan pada penelitian ini adalah dengan menggunakan tools word-cloud dan topic modelling dari data sosial media Twitter. Berikut merupakan hasil gambar word cloud sosial media Twitter dan The Guardians yang dapat dilihat pada Gambar 7.7. dan Gambar 7.8 :
Sumber : Kurniawan, 2021
Gambar 7.7 World Cloud Sosial Media Twitter
Sumber : Kurniawan, 2021
Gambar 7.8 World Cloud dari The Guardians
Selanjutnya di akhir hasil pengolahan, maka selanjutnya tahap perancangan strategic framework untuk pemulihan UMKM kedepannya adalah sebagai berikut :
Sumber : Kurniawan, 2021
Gambar 7.9. Rumusan Stategic Framework
DAFTAR PUSTAKA
Al-Rodhan, Nayef. 2014. The Social Contract 2.0: Big Data and the Need to Guarantee Privacy and Civil Liberties. Harvard International Review. Harvard International Review.
Alemany Oliver, Mathieu., Vayre, Jean-Sebastien. 2015. Big Data and the Future of Knowledge Production in Marketing Research: Ethics, Digital Traces, and Abductive Reasoning.
Journal of Marketing Analytics. 3 (1): 5–13.
Andayani, S. 2007. Pembentukan Cluster Dalam Knowledge Discovery In Database Dengan Algoritma K-Means. Pp. 70 -75.
Asosiasi Penyelenggara Jasa Internet Indonesia (APJII). 2016.
Hasil Survey dan Prilaku Pengguna Internet Indonesia.
Ayodya, Wulan. 2020. UMKM 4.0 : Strategi UMKM Memasuki Era Digital. PT Elex Media Komputindo : Jakarta. ISBN:
978-623-00-1160-3
Azevedo, A., Santos, M., F. KDD, SEMMA and CRISP-DM: a parallel overview Archived 2013-01-09 at the Wayback Machine. In Proceedings of the IADIS European Conference on Data Mining 2008, pp 182–185.
Azis, Abdul., & Rusland, A. Herani. 2009. Peranan Bank Indonesia di Dalam Mendukung Pengembangan Usaha Mikro, Kecil, dan Menengah. Jakarta : Pusat Pendidikan dan Studi Kebanksentralan. ISBN. 979-3363-09-6.
Barocas, Solon., Nissenbaum, Helen., Lane, Julia., Stodden, Victoria., Bender, Stefan., Nissenbaum, Helen. 2014. Big Data's End Run around Anonymity and Consent. Cambridge University Press. pp. 44–75.
Bell, G., Hey, T., Szalay, A. 2009. COMPUTER SCIENCE:
Beyond the Data Deluge. Science. 323 (5919): 1297–1298.
Berkhin, P. 2006. A Survey of Clustering Data Mining Techniques.
In : Grouping Multidimensi Data. Springer Berlin Heidelberg, pp. 25-71.
Bholowalia, P & Kumar, A. 2014. EB K-Means : A Clustering Techniques Based on Elbow Method and K-Means in WSN.
International Journal of Computer Application (0975-8887), XI (105), pp. 17-24.
Bouckaert, Remco R., Frank, Eibe., Hall, Mark A., Holmes, Geoffrey., Pfahringer, Bernhard., Reutemann, Peter., Witten, Ian H. 2010. WEKA Experiences With A Java Open-Source Project. Journal of Machine Learning Research. 11: 2533–
2541.
Boyd, Dana., Crawford, Kate. 2011. Six Provocations for Big Data.
Social Science Research Network: A Decade in Internet Time: Symposium on the Dynamics of the Internet and Society.
Boyd, D., Crawford, K. 2012. Critical Questions for Big Data.
Information, Communication & Society. 15 (5): 662–679.
Breur, Tom. 2016. Statistical Power Analysis and The Contemporary "Crisis" in Social Sciences. Journal of Marketing Analytics. 4 (2-3) : 61-65, doi: 10.1057.
CaoLongbing. 2017. Data Science. ACM Computing Surveys. 50 (3): 1–42.
Charemza, Wojciech W., Deadman, Derek F. 1992. Data Mining.
New Directions in Econometric Practice. Aldershot: Edward Elgar. pp. 14–31. ISBN 1-85278-461-X.
Chris Kimble., Giannis Milolidakis. 2015. Big Data and Business Intelligence: Debunking the Myths. Global Business and Organizational Excellence. 35 (1): 23–34.
Chugh, R & Grandhi, S. 2013. Why Business Intelligence?
Significance of Business Intelligence Tools and Integrating BI Governance with Corporate Governance. International Journal of E-Entrepreneurship and Innovation, vol. 4, no.2, pp. 1-14.
Coker, Frank. 2014. Pulse: Understanding the Vital Signs of Your Business. Ambient Light Publishing. pp. 41–42. ISBN 978- 0-9893086-0-1.
Copeland, CS. 2017. Data Driving Discovery. Healthcare Journal of New Orleans: 22–27.
Couldry, Nick., Turow, Joseph. 2014. Advertising, Big Data, and the Clearance of the Public Realm: Marketers' New Approaches to the Content Subsidy. International Journal of Communication. 8: 1710–1726.
Cristian S. Calude., Giuseppe Longo. 2016. The Deluge of Spurious Correlations in Big Data. Foundations of Science.
Davenport, Thomas H., Patil, D. J. 2012. Data Scientist: The Sexiest Job of the 21st Century. Harvard Business Review.
ISSN 0017-8012.
Dedić N. & Stanier C. 2016. Measuring the Success of Changes to Existing Business Intelligence Solutions to Improve Business Intelligence Reporting. Lecture Notes in Business Information Processing. 268. Springer International Publishing. pp. 225–236.
Dedić, Nedim., Stanier, Clare. 2016. An Evaluation of the Challenges of Multilingualism in Data Warehouse Development. International Conference on Enterprise Information Systems, 25–28 April 2016, Rome, Italy.
Proceedings of the 18th International Conference on Enterprise Information Systems (ICEIS 2016). 1. SciTePress.
pp. 196–206. ISBN 978-989-758-187-8.
Dedić, N., Stanier, C. 2017. Towards Differentiating Business intelligence, Big Data, Data Analytics and Knowledge Discovery. Innovations in Enterprise Information Systems Management and Engineering. Lecture Notes in Business Information Processing. 285. Berlin, Heidelberg: Springer International Publishing. pp. 114–122.Dhar, V. 2013. Data science and prediction. Communications of the ACM. 56 (12): 64–73.
Du, K. 2010. A Neural Network Approach : Neural Network. 23.1 : 89 -107.
Epstein, J. M., & Axtell, R. L. 1996. Growing Artificial Societies:
Social Science from the Bottom Up. A Bradford Book.
Fayyad, Usama. 1996. Advences In Knowledge Discovery and Data Mining. MIT Press.
Fayyad, Usama. 1999. First Editorial by Editor-in-Chief. SIGKDD Explorations. 13 (1): 102.
Feldman, D., Himmelstein, J. 2013. Developing Business Intelligence Apps for SharePoint. O'Reilly Media, Inc. pp.
140–1. ISBN 9781449324681.
Fox, Charles. 2018. Data Science for Transport. Springer Textbooks in Earth Sciences, Geography and Environment.
Springer. ISBN 9783319729527.
Ghavami, P. 2020. Peter Ghavami - Big Data Analytics Methods- De Gruyter.
Golden, Bernard. 2013. Amazon Web Services For Dummies. For Dummies. John Wiley & Sons. p. 234. ISBN 9781118652268.
Graham M. 2012. Big Data and The End of Theory?. The Guardian.
London.
Günnemann, Stephan., Kremer, Hardy., Seidl, Thomas. 2011. An Extension of The PMML Standard to Subspace Clustering Models. Proceedings of the 2011 workshop on Predictive markup language modeling. p. 48.
Haag, Cummings, McCubbrey, Pinsonneault, Donovan. 2000.
Management Information Systems: For The Information Age.
McGraw-Hill Ryerson Limited: 136-140. ISBN 0-07- 281947-2.
Haleem, Abid., Javaid, Mohd., Khan, Ibrahim., Vaishya, Raju.
2020. Significant Applications of Big Data in COVID-19 Pandemic. Indian Journal of Orthopaedics. 54 (4): 526–528.
Han, Jiawei., Kamber, Micheline. 2001. Data Mining: Concepts and Techniques. Morgan Kaufmann. p. 5. ISBN 978-1- 55860-489-6.
Han, Jaiwei., Kamber, Micheline., Pei, Jian. 2011. Data Mining:
Concepts and Techniques. 3rd ed. Morgan Kaufmann. ISBN 978-0-12-381479-1.
Hawkins, Douglas M. 2004. The problem of Overfitting. Journal of Chemical Information and Computer Sciences. 44 (1): 1–12.
Hayashi, Chikio. 1998. What is Data Science? Fundamental Concepts and a Heuristic Example. In Hayashi, Chikio., Yajima, Keiji., Bock, Hans-Hermann., Ohsumi, Noboru., Tanaka, Yutaka., Baba, Yasumasa. Data Science, Classification, and Related Methods. Studies in Classification, Data Analysis, and Knowledge Organization.
Springer Japan. pp. 40–51.
Hilbert, Martin; López, Priscila. 2011. The World's Technological Capacity to Store, Communicate, and Compute Information.
Science. doi:10.1126.
Hilbert, Martin. 2014. What is The Content of the World's Technologically Mediated Information and Communication Capacity: How Much Text, Image, Audio, and Video?. The Information Society. 30 (2): 127–143.
Hilbert, M. 2016. Big Data for Development: A Review of Promises and Challenges. Development Policy Review, 34(1), 135–
174.
Hadi, M Zaky. 2019. Peluang Implementasi Teknologi Big Data Dan Block Chain Untuk Peningkatan Kinerja Perdagangan Pada Sektor UMKM Di Indonesia Pada Era Industri 4.0 Hermawati, Fajar A. 2013. Data Mining. Yogyakarta : CV. Andi
Offset.
Huser V., Cimino JJ. 2016. Impending Challenges for The Use of Big Data. International Journal of Radiation Oncology, Biology, Physics. 95 (3): 890–894.
IBM. What is Big Data? – Bringing Big Data to The Enterprise.
ibm.com.
Ibrahim., Targio Hashem, Abaker., Yaqoob, Ibrar., Badrul Anuar, Nor., Mokhtar, Salimah., Gani, Abdullah., Ullah Khan, Samee. 2015. "Big data" on Cloud Computing: Review and Open Research Issues". Information Systems. 47: 98–115.
Jang, JSR., Sun, CT dan Mizutani, E. 2004. Neuro-Fuzzy and Soft Computing. Singapore. Pearson Education.
Jeble, S., Kumari, S., & Patil, Y. 2018. Role of Big Data in Decision Making. Operations and Supply Chain Management, 11(1), 36–44.
Jeff, Leek. 2013. The key word in "Data Science" is not Data, it is Science. Simply Statistics.
Kantardzic, Mehmed. 2003. Data Mining: Concepts, Models, Methods, and Algorithms. John Wiley & Sons. ISBN 978-0- 471-22852-3.
Kitchin, Rob., McArdle, Gavin. 2016. What makes Big Data, Big Data? Exploring The Ontological Characteristics of 26 Datasets. Big data & Society. 3 (1): 205395171663113.
doi:10.1177/2053951716631130.
Kshetri, Nir. 2014. Big Data׳s Impact on Privacy, Security and Consumer Welfare. Telecommunications Policy. 38 (11):
1134–1145.
Kurniawan, Felix. 2021. Rancangan Strategi Pemulihan UMKM Terdampak Pandemi COVID-19 Dengan Pendekatan Big Data Analytics. Skripsi. Universitas Sumatera Utara
Kusrini., dkk. 2009. Algoritma Data Mining. Yogyakarta : CV.
Andi Offset
L'Heureux, A., Grolinger, K., Elyamany, H. F., Capretz, M. A. M.
2017. Machine Learning With Big Data: Challenges and Approaches. IEEE Access. 5: 7776–7797.
Larose, Daniel T. 2005. Discovery Knowledge In Data : An Introducion to Data Mining. Jhon Willey & Sons, Inc.
Lembaga Pengembangan Perbankan Indonesia. 2015. Profil Bisnis Usaha Mikro, Kecil, Dan Menengah (UMKM). LPPI.
Lovell, Michael C. 1983. Data Mining. The Review of Economics and Statistics. 65 (1): 1–12.
Lukasz Kurgan and Petr Musilek. 2006. A Survey of Knowledge Discovery and Data Mining Process Models. The Knowledge Engineering Review. Vol. 21 (1), pp 1–24, Cambridge University Press, New York.
Magoulas, Roger., Lorica, Ben. 2009. Introduction to Big Data.
Release 2.0. Sebastopol CA: O'Reilly Media (11).
Mann, S., Hilbert, M. 2020. AI4D: Artificial Intelligence for Development. International Journal of Communication, 14(0), 21.
Maulida, Sri. Yunani, Ahamd. 2017. Peluang dan Tantangan Pengembangan Usaha Mikro Kecil Menengah (UMKM) Dari Berbagai Aspek Ekonomi. Jurnal Ilmiah Manajemen dan Bisnis. Vol. 2, No. 1.
Manyika, James., Chui, Michael., Bughin, Jaques., Brown, Brad., Dobbs, Richard., Roxburgh, Charles., Byers, Angela Hung.
2011. Big Data: The Next Frontier for Innovation, Competition, and Productivity. McKinsey Global Institute.
Mena, Jesús. 2011. Machine Learning Forensics for Law Enforcement, Security, and Intelligence. Boca Raton, FL:
CRC Press (Taylor & Francis Group). ISBN 978-1-4398- 6069-4.
Mirkes EM., Coats TJ., Levesley J., Gorban AN. 2016. Handling Missing Data in Large Healthcare Dataset: A Case Study of Unknown Trauma Outcomes. Computers in Biology and Medicine. 75: 203–16.
Molina, G. U., Widom, H & Jennifer, J.D. 2002. Database Systems The Complete Book. International Edition. New Jersey, Prentice Hall. Pp. 109-120.
Murdoch TB., Detsky AS. 2013. The Inevitable Application of Big Data to Health Care. JAMA. 309 (13): 1351–2.
Murtagh, Fionn., Devlin, Keith. 2018. The Development of Data Science: Implications for Education, Employment, Research, and the Data Revolution for Sustainable Development. Big Data and Cognitive Computing. 2 (2): 14.
O'Donoghue, John., Herbert, John. 2012. Data Management Within mHealth Environments: Patient Sensors, Mobile Devices, and Databases. Journal of Data and Information Quality. 4 (1): 5:1–5:20.
Olson, D. L. 2007. Data Mining in Business Services. Service Business, 1(3), 181–193.
Onay, Ceylan., Öztürk, Elif. 2018. A Review of Credit Scoring Research in The Age of Big Data. Journal of Financial Regulation and Compliance. 26 (3): 382–405.
Patil, Preeti S., Srikantha Rao., Suryakant B. Patil. 2011.
Optimization of Data Warehousing System: Simplification in Reporting and Analysis. IJCA Proceedings on International Conference and Workshop on Emerging Trends in Technology (ICWET). Foundation of Computer Science. 9 (6): 33–37.
Pllana, Sabri., Janciak, Ivan., Brezany, Peter., Wöhrer, Alexander.
2016. A Survey of The State of The Art in Data Mining and Integration Query Languages. 2011 14th International Conference on Network-Based Information Systems. (NBIS 2011). IEEE Computer Society. pp. 341–348.
Prasetyo, Eko. 2012. Data Mining : Konsep dan Aplikasi Menggunakan MATLAB. Yogyakarta : CV. Andi Offset.
Pujianto, A., Mulyati, A., & Novaria, R. 2018. Pemanfaatan Big Data Dan Perlindungan Privasi Konsumen Di Era Ekonomi Digital. Majalah Ilmiah Bijak, 15(2), 127-137.
Reichman OJ., Jones MB., Schildhauer MP. 2011. Challenges and Opportunities of Open Data in Ecology. 331 (6018) : 703-5.
Reinsel, David., Gantz, John., Rydning, John. 2017. Data Age 2025: The Evolution of Data to Life-Critical. Framingham, MA, US: International Data Corporation.
Reips, Ulf-Dietrich., Matzat, Uwe. 2014. Mining "Big Data" using Big Data Services. International Journal of Internet Science.
1 (1): 1–8.
Rizal, S. 2019. Development of Big Data Analytics Model. ITEJ (Information Technology Engineering Journals), 4(1), 14–
25.
Rifandi, Muhammad. 2021. Rancangan Model Analisis Penentuan Strategi Pengembangan UMKM Kota Medan Berdasarkan Pengelompokan Kinerja Usaha Menggunakan Algoritma K- Means. Skripsi. Universitas Sumatera Utara
Rosita, R. 2020. Pengaruh Pandemi Covid-19 Terhadap Umkm Di Indonesia. Jurnal Lentera Bisnis, 9(2), 109.
Rud, Olivia. 2009. Business Intelligence Success Factors: Tools for Aligning Your Business in the Global Economy.
Hoboken, N.J: Wiley & Sons. ISBN 978-0-470-39240-9.
Sagiroglu, Seref. 2013. Big Data: A Review. International Conference on Collaboration Technologies and Systems (CTS): 42–47. ISBN 978-1-4673-6404-1.
Santosa, Budi. 2007. Data Mining : Teknik Pemanfaatan Data Untuk Keperluan Bisnis. Yogyakarta : Graha Ilmu.
Seltzer, William. 2005. The Promise and Pitfalls of Data mining:
Ethical Issues. ASA Section on Government Statistics.
American Statistical Association.
Sharda, Ramesh, dursun delen. 2018. Business Intelligence, Analytics, and Data Science. A Managerial Perspective- Pearson.
Siwach, Gautam., Esmailpour, Amir. 2014. Encrypted Search &
Cluster Formation in Big Data. ASEE 2014 Zone I Conference. University of Bridgeport, Bridgeport, Connecticut, US. Archived from the original.
Snijders, C., Matzat, U., Reips, U.-D. 2012. 'Big data': Big Gaps of Knowledge in The Field of Internet. International Journal of Internet Science. 7: 1–5.
Solnik, Ray. 2016. The Time Has Come: Analytics Delivers for IT Operations. Data Center Journal.
Sönmez, F., Perdahçı, Z. N., & Aydın, M. N. 2019. Big Data Analytics and Models. 10–33.
Sprague, R. H. and E. D. Carlson. 1982. Building Effective Decision Support Systems. Englewood Clliffs, N.J., Prentice- Hall. ISBN 0-13-086215-0
Sugiri, D. 2020. Menyelamatkan Usaha Mikro, Kecil dan Menengah dari Dampak Pandemi Covid-19. Fokus Bisnis:
Media Pengkajian Manajemen Dan Akuntansi, 19(1), 76–86.
Rao, R. 2003. From Unstructured Data to Actionable Intelligence.
IT Professional. 5 (6): 29–35.
Republik Indonesia. 2008. Undang-Undang Republik Indonesia No. 20 Tahun 2008 Tentang Usaha Mikro, Kecil, dan Menengah.
Republik Indonesia. 2013. Peraturan Pemerintah No. 17 Tahun 2013 Tentang Pelaksanaan Undang-Undang No. 20 Tahun 208 Tentang UMKM.
Ridwan, Mujib. 2013. Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naïve Bayes Classfer. Jurnal EECCIS.
Talley, Jill. 2016. ASA Expands Scope, Outreach to Foster Growth, Collaboration in Data Science. Amstat News. American Statistical Association.
Tan, P. et al. 2006. Introduction to Data Mining. Boston : Pearson Education.
Tobias Knobloch and Julia Manske. 2016. Responsible Use of Data. Development and Cooperation.
Tony Hey., Stewart Tansley., Kristin Michele Tolle. 2009. The Fourth Paradigm: Data-Intensive Scientific Discovery.
Microsoft Research. ISBN 978-0-9825442-0-4.
Turban, E., dkk. 2005. Decision Suppport Systems and Intelligent Systems. Yogyakarta : Andi Offset.
Vajjhala, N. R., & Ramollari, E. 2016. Big Data Using Cloud Computing - Opportunities for Small and Medium-Sized Enterprises. European Journal of Economics and Business Studies, 4(1), 129.
Vayena E., Salathé M., Madoff LC., Brownstein JS. 2015. Ethical Challenges of Big Data in Public Health. PLOS Computational Biology. 11 (2): e1003904.
Viceconti M., Hunter P., Hose R. 2015. Big Data, Big Knowledge:
Big Data for Personalized Healthcare. IEEE Journal of Biomedical and Health Informatics. 19 (4): 1209–15.
Wang, Yandong., Goldstone, Robin., Yu, Weikuan., Wang, Teng.
2014. Characterization and Optimization of Memory- Resident MapReduce on HPC Systems. 2014 IEEE 28th International Parallel and Distributed Processing Symposium. IEEE. pp. 799- 808.
Wedel, Michel., Kannan, PK. 2016. Marketing Analytics for Data- Rich Environments. Journal of Marketing. 80 (6): 97–121.
WEF (World Economic Forum) & Vital Wave Consulting. 2012.
Big data, Big Impact: New Possibilities for International Development. World Economic Forum.
Wibowo, T. J. 2019. Lingkungan Usaha yang Mendukung Transformasi Usaha Mikro, Kecil dan Menengah di Era Revolusi Industri 4.0. Operations Excellence: Journal of Applied Industrial Engineering, 11(1), 23.
Witten, Ian H., Frank, Eibe., Hall, Mark A. 2011. Data Mining:
Practical Machine Learning Tools and Techniques. 3rd ed.
Elsevier. ISBN 978-0-12-374856-0.
Wu, C. F. Jeff. 1986. Future Directions of Statistical Research in China: A Historical Perspective. Application of Statistics and Management. 1:1-7.
Xing, F. Z., Cambria, E., Welsch, R. E. 2018. Natural Language Based Financial Forecasting: A Survey. Artificial Intelligence Review. 50 (1): 49–73.
Yanase J., Triantaphyllou E. 2019. A Systematic Survey of Computer-Aided Diagnosis in Medicine: Past and Present Developments. Expert Systems with Applications. 138:
112821.