Oleh Tuga Mauritsius & Febrillian Permissindo

Istilah big data tidak bisa dipisahkan dengan ubiquitous computing . Istilah ubiquitous computing sendiri  dikemukakan pertama kali oleh Weiser (1998) untuk menggambarkan  fenomena the next generation computing environment dimana pengguna secara terus menerus berinteraksi dengan jaringan wireless computer. Aktifitas computing akan terjadi di seluruh aktifitas manusia dan invisible kepada penggunanya. Ada tiga poin utama menurut Weiser, yaitu: (1) Contrasting virtual reality yakni menanamkan (embedded) komputer ke dalam real world, bukan real world ke dalam komputer; (2) Challenging the Personal Computing paradigm yakni terlalu berfokus pada mesin dibandingkan task yang harus diselesaikan; (3) New Era of Computing yakni komputer hadir di setiap aktifitas kehidupan manusia.

Dari fenomena ini, bisa dibayangkan data yang akan dihasilkan oleh ubiquitous computing.  Seluruh aktifitas kehidupan akan melibatkan ubiquitous computing, dengan konsekwensi logis menghasilkan fenomena ubiquitous data, dimana data akan ada dimana mana. Dengan membanjirnya data yang digenerate muncullah istilah big data.

Istilah Big Data sendiri mulai muncul setelah Tahun 2005 diperkenalkan oleh O’Reilly Media. Karena perkembangan big data cukup pesat, terjadi perbedaan definisi di antara pengguna dan praktisi, seperti yang terjadi pada survey tahun 2012 yang dilakukan atas permintaan SAP (SAP, 2012). Sebagian fokus terhadap istilah big data, yang lain fokus terhadap bagaimana big data itu diimplementasikan. Big data sering dideskripsikan menggunakan 3 istilah, yaitu volume, velocity dan variety.

Volume mengacu pada besarnya data. Ukuran data besar dilaporkan dalam beberapa terabyte dan petabyte. Definisi volume data besar bersifat relatif dan bervariasi menurut faktor, seperti waktu dan jenis data.

Variety mengacu pada heterogenitas struktural dalam dataset. Kemajuan teknologi memungkinkan perusahaan untuk menggunakan berbagai jenis data, yaitu data terstruktur, semi-terstruktur, dan tidak terstruktur.  Data terstruktur, yang merupakan hanya 5% dari semua data yang ada, mengacu pada data tabular yang ditemukan di spreadsheet atau database relasional. Teks, gambar, audio, dan video adalah contoh data yang tidak terstruktur, yang kadang-kadang tidak memiliki struktur organisasi yang dibutuhkan oleh mesin untuk analisis. Mencakup kontinum antara data yang sepenuhnya terstruktur dan tidak terstruktur, format data semi-terstruktur tidak sesuai dengan standar yang ketat. Extensible Markup Language (XML), bahasa teks untuk bertukar data di Web, adalah contoh khas data semi-terstruktur.

Velocity (kecepatan) mengacu pada tingkat di mana data dihasilkan dan kecepatan di mana data itu harus dianalisis dan ditindaklanjuti. Proliferasi perangkat digital seperti smartphone dan sensor telah menyebabkan tingkat pembuatan data yang belum pernah terjadi sebelumnya dan mendorong meningkatnya kebutuhan akan analisis waktu nyata dan perencanaan berbasis bukti. Data yang berasal dari perangkat seluler dan mengalir melalui aplikasi seluler menghasilkan banyak informasi yang dapat digunakan untuk menghasilkan penawaran yang dipersonalisasi secara real-time untuk pelanggan sehari-hari. Data ini memberikan informasi yang baik tentang pelanggan, seperti lokasi geospasial, demografi, dan pola pembelian masa lalu, yang dapat dianalisis secara waktu nyata untuk menciptakan nilai pelanggan yang nyata.

Selain tiga V diatas, dimensi lain dari big data juga meliputi:

• Veracity, IBM mengungkapkan Veracity sebagai V keempat, mewakili inheren yang tidak dapat diandalkan dalam beberapa sumber data. Misalnya, sentimen pelanggan di media sosial tidak pasti, karena mereka memerlukan penilaian manusia. Namun mereka mengandung informasi berharga. Kebutuhan untuk menangani data yang tidak tepat dan tidak pasti adalah aspek lain dari big data. Ilustrasi IBM mengenai hal ini bisa dilihat pada Gambar 3.
• Variability (dan complexity), SAS memperkenalkan variabilitas dan Kompleksitas sebagai dua dimensi tambahan dari data besar. Variabilitas mengacu pada variasi dalam laju aliran data. Seringkali, kecepatan data besar tidak konsisten dan memiliki puncak dan palung berkala. Kompleksitas mengacu pada fakta bahwa data besar dihasilkan melalui berbagai sumber.
• Value: Oracle memperkenalkan value sebagai atribut yang menentukan big data. Berdasarkan definisi Oracle, big data sering ditandai dengan “kepadatan nilai rendah” yang relatif. Artinya, data yang diterima dalam bentuk aslinya biasanya memiliki nilai yang relatif rendah terhadap volumenya. Namun, nilai tinggi dapat diperoleh dengan menganalisis volume besar data tersebut.

Big data sendiri kurang bernilai jika hanya disimpan. Potensinya baru terbuka hanya ketika dimanfaatkan untuk mendukung pengambilan keputusan. Data dalam jumlah yang banyak dapat memberikan insight yang berharga dan keunggulan kompetitif jika teknologi yang dipakai tepat dan sumber daya organisasi dapat menunjang hal tersebut. Untuk memungkinkan pengambilan keputusan tersebut, dibutuhkan proses yang efisien untuk mengubah data besar yang bergerak cepat dan beragam menjadi insight yang bermakna. Keseluruhan proses penggalian insight dari data besar ini membentuk dua sub-proses utama: manajemen data dan analitik. Manajemen data melibatkan proses dan teknologi pendukung untuk memperoleh dan menyimpan data dan untuk mempersiapkan dan mengambilnya untuk dianalisis. Analytics, di sisi lain, mengacu pada teknik yang digunakan untuk menganalisis dan memperoleh kecerdasan dari big data. Dengan demikian, big data analytics dapat dilihat sebagai sub-proses dalam keseluruhan proses ‘insight extraction’ dari big data. Tantangan untuk mengekstrak nilai bisnis dari volume data yang banyak telah dianggap penting untuk mengerti tentang keadaan lingkungan sosial dan dinamika dari perusahaan (Loebbecke & Picot, 2015).

Chen, Chiang (Chen et al., 2012) memunculkan istilah Big Data Analytics (BDA) sebagai bidang bagian dari Business Intelligence & Analytics (BI&A), merujuk kepada teknologi BI&A yang menitikberatkan pada data mining dan analisis statistical.  Para peneliti mendefinisikan BDA sebagai berikut “a new generation of technologies and architectures, designed to economically extract value from very large volumes of a wide variety of data, by enabling high velocity capture, discovery and/or analysis.” (IDC, 2011).

BDA sering dianggap pembeda yang signifikan antara organisasi yang memiliki performa tinggi dengan yang rendah (Chen et al., 2012; Loebbecke & Picot, 2015).  Para peneliti menegaskan pengakuan atas BDA membantu perusahaan-perusahaan meningkatkan proses bisnis mereka (Chau & Xu, 2012; Loebbecke & Picot, 2015; Popovič et al., 2018) atau meningkatkan kepuasan dan pengalaman pelanggan (Chen et al., 2012; Verhoef et al., 2016).

BDA use (penggunaan BDA) merujuk kepada tingkatan di mana aplikasi BDA digunakan untuk menunjang aktifitas-aktifitas yang berbeda. Aktifitas yang dimaksud seperti hubungan dengan supplier, produk dan operasional, peningkatan produk dan layanan, penjualan dan pemasaran, dan hubungan dengan pelanggan.

Telah cukup banyak penggunaan BDA di dalam dunia industri dan perusahaan. Seperti di bidang telekomunikasi, prediksi churn dari pelanggan. Di bidang financial, dimanfaatkan untuk pencegahan penipuan, money laundering dan regulatory dan compliance analysis. Di bidang operational, dimanfaatkan untuk prediksi maintenance mesin, prediksi produksi, prediksi kerusakan suku cadang mobil pada penggunaan tertentu. Dalam bidang retail / e-commerce, BDA digunakan untuk memprediksi Next Product to Buy (NPTB) yang mengkombinasikan perilaku jangka panjang dengan data terbaru, sehingga perusahaan dapat menawarkan tawaran yang lebih tepat.  Terdapat juga pemanfaatan dibidang kesehatan, dimana big data analytics digunakan untuk menganalisa rekam medis dari berbagai pasien untuk dapat memprediksi perawatan seperti apa yang tepat untuk pasien yang baru sedang diperiksa.

Terdapat pula penelitian yang terkait penggunaan big data di Indonesia. Big data telah digunakan di berbagai bidang seperti e-commerce, keuangan dan perbankan, e-health, telekomunikasi, transportasi public dan ekonomi kreatif (Septri & Krisnadi, 2019). Daftar pemanfaatan ini bisa dilihat pada Tabel berikut.

Daftar Implementasi Big Data di Indonesia (Septri & Krisnadi, 2019)

Walaupun telah dilakukan implementasi Big Data di beberapa perusahaan di Indonesia, adopsi terhadap big data analytics belum terlalu luas. Oleh karena itu studi dan sosialisasi tentang adopsi  BDA pada perusahaan/ organisasi di Indonesia perlu  dilakukan secara lebih instensif dan massif.

DAFTAR PUSTAKA

Chau, M., & Xu, J. (2012). Business intelligence in Blogs: Understanding consumer interactions and communities. MIS Quarterly: Management Information Systems. https://doi.org/10.2307/41703504

Chen, H., Chiang, R. H. L., & Storey, V. C. (2012). Business intelligence and analytics: From big data to big impact. MIS Quarterly: Management Information Systems. https://doi.org/10.2307/41703503

Loebbecke, C., & Picot, A. (2015). Reflections on societal and business model transformation arising from digitization and big data analytics: A research agenda. Journal of Strategic Information Systems. https://doi.org/10.1016/j.jsis.2015.08.002

Popovič, A., Hackney, R., Tassabehji, R., & Castelli, M. (2018). The impact of big data analytics on firms’ high value business performance. Information Systems Frontiers. https://doi.org/10.1007/s10796-016-9720-

SAP. (2012). Small and Midsize Companies Look to Make Big Gains With “Big Data,” According to Recent Poll Conducted on Behalf of SAP. In SAP Newsletter. https://doi.org/10.1007/s40032-016-0291-4

Septri, W., & Krisnadi, I. (2019). PEMANFAATAN BIG DATA DALAM PERKEMBANGAN EKONOMI DAN BISNIS DI INDONESIA. Jurnal Manajemen Dan Bisnis ICT Universitas Mercu Buana, Jakarta Januari 2019.

Mark Weiser: https://en.wikipedia.org/wiki/Mark_Weiser