BIG DATA ANALYTICS PADA INDUSTRY 4.

0
Disusun untuk memenuhi Tugas Mata Kuliah Dasar Sistem Informasi
Dosen Pengampu : Fifi Lailasari Hadianastuti, [Link], [Link]

Disusun Oleh :

1. Haidar Hardi Wibowo (1322044)

2. Mizan Assyfa Attar (1322048)
3. Zahra Anggraini (1322052)
4. Muhammad Rafi Saputra (1322057)
5. Chaisya Ardanesvara Gautama (1322061)
6. Jihan Sania (1322063)
7. Aliep Putro Octavian (1322068)

SISTEM INFORMASI INDUSTRI OTOMOTIF

POLITEKNIK STMI JAKARTA
2022
 Abstrak

Berbagai perusahaan dan penggiat bisnis di era industri 4.0 ini menggunakan big
data analytics untuk meningkatkan keputusan bisnis dengan memahami pola dan
menangkap tren dari sejumlah besar data pelanggan melalui cloud computing (komputasi
awan) dan platform IoT(Internet of Things). Revolusi industri 4.0 menitik beratkan pada
otomatisasi kolaborasi dengan teknologi cyber sebagai dasar penggabungan informasi
dan teknologi komunikasi dalam bidang industri. Revolusi industri 4.0 ini mencakup
berbagai teknolgi yang diantaranya adalah teknologi Big Data (konsep kumpulan data
yang terus bertambah dari aktivitas rutin yang terusmenerus), Cloud Computing
(teknologi yang menggunakan internet sebagai sarana pengelolaan data dan transaksi),
Addictive manufacturing, Internet of things (IOT) dan Artificial Intelligent. Pentingnya
big data di era modern ini terungkap dalam fenomena dimana pendapatan berbagai
sektor industri adalah melalui mengekstrak informasi yang paling cocok dan bermanfaat
dalam menciptakan strategi ataupun peluang bisnis yang mereka kelola melalui media
sosial, data transaksi konsumen, hingga data pelayanan yang memang diminati pasar.
Semakin kompleks informasi yang ingin diperoleh dan di analisis, semakin besar data
yang akan di ekstrak, sehingga menciptakan terbukanya tantangan baru, peluang baru,
dan strategi penjualan atau pemasaran baru yang mengindikasikan bahwa pengolahan
data yang optimal dalam warehouse big data akan mampu memaksimalkan tujuan
perusahaan dalam memenangkan persaingan.
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Big data analytics adalah penggunaan teknologi komputasi canggih pada kumpulan
big data untuk menemukan korelasi, pola, tren, dan preferensi yang berharga bagi
perusahaan untuk membuat keputusan yang lebih baik. Di era Industri 4.0, big data
analytics berperan di beberapa area termasuk di smart factories (pabrik pintar), di mana
data dari mesin produksi dianalisis untuk memprediksi kapan operasi pemeliharaan dan
perbaikan akan dibutuhkan. Melalui penerapannya, maka suatu perusahaan manufaktur
dapat mendapatkan efisiensi produksi, memahami data real-time dan otomatisasi
manajemen produksi.

1.2 Tujuan
Memahami definisi Big Data Analytics dan mengetahui penerapan Artificial
Intelligence pada teknologi sehari-hari serta analisis 5W+1H pada Artificial Intelligence.

1.3 Ruang Lingkup

Pembahasan ini hanya mencakup pada sejarah, analisis aspek 5W+1H, dan penerapan
Big Data Pada Industry 4.0 . Data dari pembahsan merupakan data primer yang
dikumpulkan dari beberapa artikel serta sumber yang didapatkan. Objek utama adalah big
data dan pembahasan terfokus pada implementasi serta cara kerja Big Data Analystic.
 BAB II
PEMBAHASAN

I. Pengertian, Karakteristik dan Manfaat Big Data

Menurut pendapat beberapa ahli, big data memiliki berbagai pengertian antara lain:

1. Big data adalah istilah yang menggambarkan volume data yang besar, baik data yang terstruktur
maupun data yang tidak terstruktur (Permana, 2016).
2. Big data adalah data yang memiliki skala (volume), distribusi (velocity), keragaman (variety)
yang sangat besar, dan atau abadi, sehingga membutuhkan penggunaan arsitektur teknikal dan
metode analitik yang inovatif untuk mendapatkan wawasan yang dapat memberikan nilai bisnis
baru atau informasi yang bermakna (McKinsey Global, 2011 dalam Cholissodin dkk, 2016).
3. Big data adalah sekumpulan data yang begitu besar atau kompleks dimana tidak bisa ditangani
lagi dengan sistem teknologi komputer konvensional (Hurwitz, dkk., 2013).
4. Big data adalah proses menyampaikan wawasan pengambilan keputusan secara cepat dengan
menggunakan orang dan teknologi agar dapat menganalisis data dari berbagai jenis dan sumber
dalam jumlah yang besar guna menghasilkan aliran pengetahuan yang selanjutnya akan
ditindaklanjuti (Kalivas dan Overly, 2015).
Berdasarkan beberapa pengertian diatas dapat dsimpulkan bahwa big data adalah sekumpulan data yang
memiliki volume yang besar yang dianalisis 103 dengan bantuan teknologi untuk memberikan nilai
tambah terhadap proses bisnis.

Big data memiliki 5 karakteristik utama yang dikenal dengan 5Vs yaitu volume, velocity, variety,
veracity dan value.
1. Volume (jumlah data) Volume dari big data mengacu pada besarnya data yang dihasilkan atau
diperoleh. Big data memiliki jumlah data yang sangat besar sehingga dalam proses pengolahannya
dibutuhkan suatu penyimpanan yang besar.
2. Velocity (kecepatan data) Velocity mengacu pada peningkatan kecepatan di mana data ini dibuat,
dan peningkatan kecepatan di mana data dapat diproses, disimpan, dan dianalisis oleh hubungan
database.
3. Variety (keragaman data) Variety mengacu pada bentuk format data yang beragam baik terstruktur
maupun tidak terstruktur yang tergantung banyaknya sumber data.
4. Veracity (ketidakakakuratan data) Veracity mengacu pada sulitnya memastikan kebenaran suatu
data akibat banyaknya data yang ada dan dari berbagai sumber.
5. Value (Nilai data) Value mengacu pada kemampuan data dapat diolah menjadi sesuatu yang
memiliki nilai.

Dengan perkembangan teknologi yang ada saat ini, dimungkinkan untuk menganalisis data
yang ada dan mendapatkan jawaban dengan segera. Kemampuan untuk bekerja lebih cepat dan tetap
tangkas memberi organisasi keunggulan kompetitif yang tidak mereka miliki sebelumnya. Pengambilan
keputusan berbasis data telah menjadi salah satu kemampuan paling mendasar yang tidak hanya
menghasilkan kinerja pendapatan yang kuat dan pengalaman pelanggan yang unggul tetapi juga
mendorong inovasi dan keunggulan kompetitif yang strategis (Nash & Hardoon, 2017). Big data yang
dimanfaatkan secara optimal akan membuka peluang analitis yang belum pernah terjadi sebelumnya
mengingat tersedianya sumber data baru. Pada era ini, semua data yang terkumpul digunakan untuk
meningkatkan bisnis saat ini maupun dimasa mendatang. Sebagai akibatnya, baik perusahaan,
pemerintah, dan organisasi nirlaba mengalami perubahan perilaku. Pergeseran perilaku ini menciptakan
lingkaran yang baik, dimana data disimpan dan dari data tersebut, orang-orang ditugaskan untuk
menemukan nilai yang terdapat di dalamnya yang berguna bagi kepentingan perusahaan. Banyak sekali
contoh disekitar kita yang menunjuk bagaimana big data dikelola dan dimanfaatkan untuk kepentingan
bisnis. Setiap pencarian yang dilakukan seseorang di Google akan disimpan oleh Google dan akan
dimanfaatkan oleh entitas bisnis lainnya untuk menawarkan produk mereka. Berbagai aplikasi yang ada
di smartphone juga memungkinkan untuk menyimpan aktivitas pengguna smartphone terutama
aktivitas yang berhubungan dengan jaringan internet. Aktivitas atau jejak digital tersebut dapat meliputi
data produk atau layanan yang dicari/dipilih oleh pengguna hingga data lokasi dimana pengguna
smartphone tersebut berada. Film dan program acara yang dipilih pengguna pada aplikasi Netflix atau
Spotify, e-book yang dibeli melalui [Link] dan lokasi yang teridentifikasi pada aplikasi berbasis
GPS seperti Google Maps dan Waze akan disimpan dan dianalisis untuk dimanfaatkan lebih lanjut oleh
para perusahaan pengguna data. Jika proses analisis terhadap big data dilakukan secara optimal, maka
akan mendatangkan berbagai manfaat bagi perusahaan antara lain perusahaan akan memiliki metode-
metode yang lebih inovatif dalam memanfaatkan data, menjadikan perusahaan memiliki data dengan
volume yang tinggi, meningkatkan jumlah data yang dimiliki, meningkatkan pengolahan data yang
lebih presisi, memaksimalkan analisis terhadap data, mengurangi Barrier to Entry, dan pengurangan
biaya yang selama ini dikeluarkan untuk mendapatkan data terutama data konsumen sebagaimana
terlihat pada Gambar I.1.

Elemen yang penting dalam Big Data terdiri dari data, informasi, dan pengetahuan. antara
lain:
1. Data (Data)
Data adalah hasil observasi langsung terhadap suatu kejadian, yang merupakan perlambangan
yang mewakili objek atau konsep dalam dunia nyata. Menurut Ralston dan Reily (Chamidi, 2004: 314),
data didefinisikan sebagai fakta atau apa yang dikatakan sebagai hasil dari suatu observasi terhadap
fenomena alam.
2. Informasi (Information)
Dalam hubungannya dengan sistem informasi, informasi dapat kita definisikan sebagai
kumpulan data yang terstruktur yang kita komunikasikan melalui bahasa lisan, surat kabar, video dan
lain sebagainya yang bermanfaat dalam mengambil keputusan pada saat ini atau masa mendatang.
 3. Knowlegde
Pengetahuan adalah sesuatu yang digunakan manusia untuk memahami dunia, yang dapat
diubah-ubah berdasarkan informasi yang diterima.
Hubungan antara ketiga elemen di atas dapat dijelaskan bahwa hasil data dari IoT dan sensor akan
menghasilkan data dalam jumlah yang besar atau big data. Data tersebut merupakan hasil observasi
langsung terhadap suatu kejadian dan merupakan entitas yang dilengkapi dengan nilai tertentu.
Sementara itu, kumpulan data yang terstruktur atau telah diolah akan memperlihatkan hubungan entitas
di atas sehingga menghasilkan informasi. Hasil informasi yang telah diproses tersebut akan
menghasilkan suatu pemahaman dan pembelajaran serta merefleksikan pengalaman masa lampau akan
menjadi suatu pengetahuan. Hasil dari pengetahuan yang diperoleh dapat digunakan untuk membuat
suatu keputusan atau kebijakan.

II. Structured Data dan Unstructured Data

Big data dapat datang dalam berbagai bentuk, termasuk data terstruktur (structured data) dan data tidak
terstruktur (unstructured data). Menurut Dietrich, D.(2015), structured data adalah data data yang berisi
tipe data, format, dan struktur yang didefinisikan seperti data pada spread sheet sederhana, data
transaksi, OLAP, file CSV.

Gambar 2 merupakan contoh data terstruktur,

yaitu berupa data beban listrik yang terlayani oleh suatu perusahaan jasa penyedia listrik dalam rentang
per setengah jam setiap harinya selama satu bulan dengan satuan MW. Data menjelaskan pemakaian
beban listrik yang terpakai pada kelompok siang hari dan malam hari serta ratarata pemakaian beban
setiap harinya. Unstructured data adalah data yang tidak memiliki struktur yang melekat, yang dapat
mencakup dokumen teks, PDF, gambar, dan video. Sebagian besar data yang ada pada big data adalah
unstructured data sehingga butuh perlakukan lebih lanjut dan khusus dalam mengolahnya guna
menghasilkan informasi yang lebih bernilai. Contoh unstructured data yang dihasilkan manusia adalah
text files, email, social media, website, mobile data, komunikasi, media dan aplikasi bisnis. Contoh
unstuctured data yang dihasilkan mesin antara lain satellite imagery, scientific data, digital surveillance
dan sensor data.
Tren data pada Gambar 3 menunjukkan bahwa pada tahun 2020, lebih dari 80% data merupakan data
tidak terstruktur.

Gambar 3 Perkembangan Data

Sumber: Sharma

III. Historian Data, Real Time Database dan Data Lake

Sesuai dengan karakteristiknya, big data memiliki berbagai keragaman termasuk jika dikaitkan dengan
identitas waktu saat data tersebut didapatkan dan dimanfaatkan.
III.1 Data Historis Data historis
Data Historis adalah data yang tersimpan dari waktu ke waktu untuk menggambarkan suatu
perkembangan atau kecendruangan suatu kejadian. Data historis banyak digunakan pada berbagai
industri, minyak dan gas, manufaktur, dan segala jenis rekayasa proses. Data tersebut, khususnya di
industri manufaktur dirancang untuk mengukur proses produksi tertentu, seperti: total cacat untuk
perubahan tertentu, getaran kipas motor pada jalur produksi, tingkat pH untuk instalasi pengolahan air,
dan lain-lain. Data historis adalah cara yang efisien untuk mengumpulkan dan menyimpan data deret
waktu (time series). Data historis juga dapat berasal dari jalur produksi, rute transportasi, perangkat
jaringan, satelit, dan perangkat lainnya. Data disimpan dengan cap waktu dan informasi identitas
lainnya seperti ID perangkat dan lokasi. Informasi data tersebut dapat digunakan secara realtime atau
disimpan untuk analisis offline. Data historis memiliki kelemahan dalam beberapa kasus, data ini tidak
pernah digunakan oleh staf operasi dan pemeliharaan karena pengolahannya membutuhkan
keterampilan dan perangkat lunak khusus yang menjadikannya mahal dan sulit untuk dibobol.
Kelemahan lain dari data historis adalah lisensi perangkat lunak dan biaya yang besar untuk
mendapatkan semua jumlah data yang dibutuhkan. Kemudian teknologi data historis yang tidak berubah
selama beberapa dekade terakhir yang berarti sulit untuk mengintegrasikan data ini ke dalam aplikasi
berbasis web modern.
III.2 Realtime Database
Database merupakan kumpulan data berupa file, arsip, atau tabel yang tersusun
sedemikian rupa menurut aturan tertentu, saling terhubung dan tersimpan dalam media elektronik yang
mana pengguna mudah dalam mengelolanya serta mudah dalam mendapatkan informasi. Real-time
Database adalah sistem pengolahan yang pemrosesannya menggunakan waktu nyata dan dirancang
untuk menangani beban kerja dimana kondisinya dapat berubah terus-menerus (Bunchmann, 2005),
berbeda dengan database tradisional yang mengandung data yang terusmenerus, sebagian besar tidak
terpengaruh oleh waktu. Sebagai contoh, pasar saham berubah dengan cepat dan dinamis. Real-time
database yang berguna untuk akuntansi, perbankan, hukum, catatan medis, multimedia, kontrol proses,
sistem reservasi, dan analisis data ilmiah.

III.3 Data Lake

Data lake (danau data) adalah gudang penyimpanan yang menyimpan sejumlah besar
data mentah dalam format aslinya, termasuk data terstruktur, semi terstruktur, dan tidak terstruktur.
Tujuan paling sederhana dari data lake adalah menggunakan setiap data yang dihasilkan oleh suatu
organisasi untuk memberikan wawasan yang berharga dengan rincian lebih dalam (Khine dan Wang,
2018). Sekarang ini, konsep data lake sedang mencoba untuk menantang gudang data tradisional yang
andal guna menyimpan data kompleks yang heterogen. Konsep data lake adalah mengkonsolidasikan
semua set jenis data apapun yang terdapat pada suatu organisasi guna dapat dianalisis dan diintegrasikan
menjadi data baru sehingga memberikan fleksibilitas, skalabilitas dan ketangkasan yang dibutuhkan
oleh perusahaan untuk mengelola volume, jenis, dan ketersediaan data waktu nyata yang dihasilkan saat
ini. Dengan kata lain, data yang terdapat dalam data lake adalah data mentah yang belum diproses atau
dianalisis. Data lake dicirikan oleh tiga atribut utama, kumpulkan semuanya (collecting everything),
menyelam di mana saja (dive in anywhere), dan akses fleksibel (flexible access).
Data lake sangat penting karena komponenkomponennya menyediakan berbagai fungsi yang
membantu perusahaan untuk mendapatkan lebih banyak konsumen, meningkatkan produktivitas, dan
membuat keputusan. Semuanya berkontribusi untuk meningkatkan pertumbuhan bisnis dengan pesat.
Keuntungan tersebut dapat diperoleh melalui cara kerja berikut:
a. Mengindeks data
Jenis data dan database disimpan, termasuk diantaranya data operasional, data dari
aplikasi bisnis, atau data yang bersifat non-relasional seperti data yang diperoleh dari aplikasi
mobile dan media sosial. Meskipun ini merupakan data mentah, kita bisa memahami isi data
dengan adanya katalog, crawling, dan indeks data.

b. Machine learning
Perusahaan dapat memperoleh gambaran operasional dan marketing melalui data yang
diperoleh dari data lake. Data-data ini menggambarkan tren serta pola perilaku konsumen.
Kemudian, perusahaan dapat menerapkan machine learning untuk membuat model prediksi dan
perkiraan dari data-data tersebut.

c. Mengembangkan interaksi dengan konsumen

Data lake mampu menggabungkan data konsumen dari platform CRM dengan hasil
analisis media sosial. Penggabungan tersebut juga dapat dilakukan dengan platform marketing
yang menggambarkan riwayat pembelian [Link] ini berguna agar perusahaan dapat
mengidentifikasi mana konsumen yang paling menguntungkan, apa yang melatarbelakangi pola
perilaku konsumen, serta reward seperti apa yang dapat meningkatkan kesetiaan konsumen.
d. Analisis
Keberadaan data lake memungkinkan para data scientist, pengembang data, serta siapa
pun yang bergelut dalam bidang terkait untuk mengakses data sesuai kerangka dan perangkat
analisis yang mereka miliki. Hal ini dapat dilakukan analisis tanpa perlu memindahkan data dari
satu sistem ke sistem yang lain. Data lake adalah fondasi utama yang dibutuhkan oleh alat analisis
untuk proses analisisnya. Data lake merupakan tempat penyimpanan utama dari big data yang
dikumpulkan. Akurasi dalam pengambilang keputusan hanya bisa diperoleh ketika organisasi
memiliki fondasi yang kuat dengan data lake berkualitas tinggi.

IV. Data Warehouse, Data Mart, dan Data Mining

IV.1 Data Warehouse
William H. Inmon yang terdapat pada buku Data Mining : concepts and techniques
karangan Han, Pei, & Kamber (2011) menjelaskan bahwa data warehouse merupakan kumpulan
dari data yang berorientasi subjek, terintegrasi, non-volatile, dan mempunyai variansi waktu untuk
mendukung pengambilan keputusan manajemen. Data warehouse adalah gudang pusat besar untuk
semua data historis organisasi yang disimpan dari perspektif sejarah. Data ini dikumpulkan dari
berbagai departemen dan unit perusahaan. Ada empat tugas yang bisa dilakukan dengan adanya
data warehouse, yaitu pembuatan laporan, On-Line Analytical Processing (OLAP), data mining,
dan proses informasi eksekutif. Data warehouse memiliki beberapa karakteristik yaitu: Subject
Oriented (Berorientasi subjek), Integrated (Terintegrasi), Time-variant (Rentang Waktu), dan Non-
Volatile. Gambar VII.4. merupakan kerangka konseptual data warehouse yang gunakan untuk
mendukung pengambilan keputusan, bukan untuk melaksanakan pemrosesan transaksi.

Gambar 4 Kerangka konseptual data warehouse

Sumber: Aryuni, M. (2016)
IV.2 Data Mart
Data mart adalah subset dari data warehouse yang berorientasi pada lini bisnis tertentu. Data
mart berisi repositori dari data yang dirangkum yang dikumpulkan untuk menganalisis pada bagian atau
unit tertentu dalam suatu organisasi, misalnya, departemen penjualan. Beberapa implementasi data
warehouse, data mart adalah miniatur data warehouse. Data mart sering digunakan untuk memberikan
informasi kepada segmen fungsional organisasi. Contoh umum data mart adalah untuk departemen
penjualan, departemen persediaan dan pengiriman, departemen keuangan, manajemen tingkat atas, dan
seterusnya. Data mart juga dapat digunakan sebagai gudang segmen data untuk mencerminkan letak
bisnis secara geografis di mana masing-masing daerah relatif otonom. Sebagai contoh, sebuah
organisasi layanan yang besar mungkin memperlakukan pusat operasi regional sebagai unit usaha
perorangan, masing-masing unit memiliki data mart yang akan memberikan kontribusi pada master
gudang data.

Gambar 5 Contoh Penggunaan Data Mart

Sumber : [Link]
Gambar 5 merupakan contoh penggunaan data mart yang dikumpulkan dari beberapa sumber data dan
dianggap sebagai bagian dari data warehouse. Data mart adalah gudang data yang dimaksudkan untuk
melayani komunitas tertentu dan dirancang untuk memenuhi kebutuhan kelompok pengguna tertentu
karena data mart dioptimalkan untuk melihat data dengan cara yang unik, proses desain cenderung
dimulai dengan analisis kebutuhan pengguna. Data mart biasanya dikendalikan oleh satu departemen
organisasi seperti penjualan, keuangan, dll.
IV.3 Data Mining
Data mining merupakan salah satu cabang ilmu komputer yang relatif baru dan telah banyak
diaplikasikan dalam bidang bisnis maupun sains. Pada dasarnya data mining merupakan kombinasi
metode analisis data dengan algoritma untuk memproses data yang berukuran besar. Hasilnya akan
ditemukan pola atau model baru yang bermanfaat dan mudah dimengerti sehingga didapatkan
pengetahuan baru yang dapat dijadikan referensi untuk membuat sistem keputusan bagi para pelaku
penggunanya. Menurut Bill Palace (1996) yang terdapat pada penelitian Koo dkk. (2014) menyatakan
bahwa data mining adalah proses menganalisis data dari perspektif yang berbeda dan meringkasnya
menjadi informasi yang berguna. Istilah lain data mining dikemukakan oleh Han & Kamber (2011)
adalah Knowledge Discovery from Data (KDD). Data mining juga merupakan proses untuk menggali
pengetahuan dan informasi baru dari data yang berjumlah banyak pada data warehouse, dengan
menggunakan kecerdasan buatan (Artificial Intelegence), statistik dan matematika. Data mining
merupakan teknologi yang diharapkan dapat menjembatani komunikasi antara data dan pemakainya.
Tahapan data mining adalah sebagai berikut:
1. Pembersihan data (Data cleaning), yaitu tahap dilakukan pengisian nilai-nilai yang hilang,
mengidentifikasi atau membuang outlier, dan menyelesaikan data yang tidak konsisten. Tahap ini
penting dilakukan karena data yang "kotor" dapat menghasilkan keluaran yang tidak benar atau tidak
bisa diandalkan kebenarannya.
2. Integrasi Data (Data integration), yaitu tahap apabila pengguna ingin menggabungkan data dari
beberapa sumber. Proses penggabungan data tidak mudah karena dalam melakukannya bisa terjadi
permasalahan baru, seperti : adanya atribut memiliki nama yang berbeda pada database yang
menyebabkan inkonsistensi dan redundansi data. Konsep data integration bisa dilakukan untuk
menyelesaikan masalah tersebut.
3. Seleksi Data (Data selection), yaitu tahap dilakukannya proses pemilihan data yang cocok terhadap
proses penemuan pengetahuan yang akan dilakukan.
4. Transformasi Data (Data transformation), yaitu tahap proses mengubah data agar sesuai
karakteristiknya dengan data yang diperlukan untuk proses penggalian data.
5. Penggalian Data (Data mining), yaitu tahap proses ekstraksi data sehingga menemukan suatu pola
dari data tersebut.
6. Evaluasi Pola (Pattern evaluation), yaitu tahap proses evaluasi terhadap pola yang
merepresentasikan pengetahuan.
7. Representasi pengetahuan (Knowledge representation), yaitu tahap untuk menampilkan
pengetahuan yang telah dihasilkan dalam berbagai bentuk visual. Bentuk visual bertujuan agar
representasi pengetahuan tersebut mudah dipahami.
Data mining sangat penting digunakan dalam berbisnis, kegiatan ilmiah dalam bidang tertentu, atau
kegiatan-kegiatan lainnya yang menghasilkan data dalam jumlah sangat besar. Hal ini ditunjang dengan
peningkatan pemakaian komputer, kemampuan komputer, pemakaian teknologi internet dan transaksi
online. Banyak keputusan bisnis dipengaruhi dari hasil pengolahan data. Dalam bidang kesehatan,
pertanian atau biologi juga sering diterapkan teknik-teknik untuk memprediksi jenis kanker,
memisahkan apel yang bagus, atau mengelompokkan gen misalnya. Dalam contoh diatas, jelaslah
bahwa data mining tidak terbatas dipakai untuk keperluan bisnis. Bidang lain seperti astronomi,
meteorologi, mikrobiologi, manufaktur adalah contoh dimana data mining diterapkan.
Bagi perusahaan besar yang memerlukan informasi dari data yang dimilikinya, dibutuhkan suatu cara
pengolahan data secara lebih cepat dan lebih bisa dipercaya dengan adanya jumlah data yang semakin
besar. Data mining melibatkan penggunaan metode atau tool untuk mendeteksi pola dan melakukan
tugas prediksi. Ketepatan prediksi inilah memberikan keuntungan yang diharapkan dalam bisnis.
Walaupun sulit didapatkan prediksi yang sempurna, akan tetapi prediksi yang cukup bagus pun sudah
bisa digunakan untuk meningkatkan profit bagi perusahaan. Sebagai contoh retail bisa membuat
segmentasi kostumernya berdasarkan beberapa informasi yang dimiliki perusahaan. Segmentasi ini bisa
digunakan oleh perusahaan untuk melakukan penawaran produknya agar tepat sasaran. Sudah
seharusnya perusahaan mengirim tawarannya hanya ke calon costumer yang potensial, tidak semua
kostumernya ditawari. Perusahaan perbankan bisa menggunakan costumer relationship management
(CRM) untuk memperkirakan value dari kostumer tertentu ataupun memprediksi tentang kemungkinan
apakah peminjam kreditnya akan membayar tepat waktu. Dalam hal ini, CRM akan mempergunakan
teknik data mining untuk melakukan tugas-tugas prediksi tadi. Perusahaan asuransi juga bisa
menggunakan teknik data mining untuk melakukan deteksi pemalsuan klaim.
IV 3.1 Tugas Data Mining
Tugas-tugas yang bisa dilakukan data mining secara umum menurut Santosa dan Umam (2018) ada 4
(empat) yaitu klastering, klasifikasi, regresi/estimasi dan asosiasi.
1. Klastering Mengelompokkan obyek kedalam beberapa kelompok berdasarkan kemiripan
antar obyek, dimana dalam satu klaster harus berisi obyek yang saling mirip dan antar
klaster obyek salin tidak mirip. Klastering ini tidak memerlukan data pelatihan yang sudah
diberi label.
2. Klasifikasi Melakukan pengelompokkan obyek berdasarkan kelompok yang sudah ada.
Berbeda dengan klastering, klasifikasi ini memerlukan data pelatihan yang sudah diberi
label kelompok/kelas. Prediksi pengelompokkan dilakukan dengan membangun model
terlebih dahulu melalui proses pelatihan menggunakan data yang sudah kita siapkan.
Setelah model terbentuk dari proses pelatihan, data baru bisa dikelompokkan
menggunakan model tersebut.
3. Regresi/estimasi Regresi pada dasarnya mirip dengan klasifikasi, yakni memerlukan data
pelatihan yang sudah diberi label. Bedanya, output klasifikasi adalah nilai diskrit,
sedangkan output regresi adalah nilai kontinyu. Regresi ini mencari hubungan antara
atribut predictor dan atribut dependen, dimana atribut dependennya juga berupa nilai
kontinyu. Contoh regresi adalah memprediksi nilai kurs rupiah terhadap dolar.
4. Asosiasi Melakukan asosiasi antar obyek dalam satu set data, biasanya data transaksional.
Asosiasi dilakukan dengan menghitung berapa kali dalam suatu set transaksi yang
mengandung dua item atau lebih yang berhubungan. Sering ada yang menyebut Market
Basket Analysis.

V. Data Science
Menurut Kotu & Deshpande (2019), data science adalah kumpulan teknik yang
digunakan untuk mengekstraksi nilai dari data. Ilmu ini sangat penting bagi organisasi mana pun yang
mengumpulkan, menyimpan, dan memproses data sebagai bagian dari operasinya. Teknik ilmu data
(Data science) bergantung pada menemukan pola, koneksi, dan hubungan yang berguna dalam data.
Ilmu data juga biasa disebut sebagai penemuan pengetahuan, pembelajaran mesin, analisis prediktif,
dan penambangan data. Namun, setiap istilah memiliki konotasi yang sedikit berbeda tergantung pada
konteksnya. Beberapa teknik yang digunakan dalam data science ditelusuri menggunakan statistik
terapan, pembelajaran mesin, visualisasi, logika, dan ilmu komputer. Secara umum, data science adalah
penggalian atau bisa juga disebut mengekstrak data agar dapat difilter serta didapatkan data yang benar
untuk menghasilkan produk data yang sebenarbenarnya. Data science berfokus pada pemanfaatan data
untuk prediksi, eksplorasi, pemahaman, dan intervensi. studi ini juga memberikan prioritas kepada
pengetahuan tentang algoritma optimasi dengan mengelola trade-off yang diperlukan antara kecepatan
dan akurasi. Data science mengacu pada bidang pekerjaan yang terkait dengan pengumpulan, persiapan,
analisis, visualisasi, manajemen, dan pelestarian koleksi informasi yang besar. Meskipun data science
cenderung terhubung dengan database dan ilmu komputer, namun dibutuhkan juga keterampilan lain
seperti keterampilan non-matematika.

Gambar 6 Siklus Hidup Data Science

Sumber : [Link]
Secara tradisional, data sekarang ini sebagian besar terstruktur dan berukuran kecil, yang dapat
dianalisis dengan menggunakan alat Business Intelligence (BI) sederhana. Tidak seperti data dalam
sistem tradisional yang sebagian besar terstruktur, saat ini sebagian besar data tidak terstruktur atau
semi-terstruktur.
 VI. Business Intelligence, Data Visualization, dan Intelligent Dashboard
VI.1 Business Intelligence
Business intelligence (BI) dapat didefinisikan sebagai seperangkat model matematika dan metode
analisis dalam mengeksploitasi data yang tersedia guna menghasilkan informasi dan pengetahuan yang
berguna untuk proses pengambilan keputusan yang kompleks (Vercelis, 2009). Begitu juga menurut
Bentley (2017) yang menyatakan bahwa Business Intelligence (BI) digambarkan sebagai seperangkat
120 teknik dan alat untuk akuisisi dan transformasi data mentah menjadi informasi yang bermakna dan
berguna untuk keperluan analisis bisnis. Teknologi BI memberikan pandangan historis, terkini, dan
prediksi pada operasi bisnis. Fungsi umum dari teknologi BI adalah pelaporan, pemrosesan analitik
secara online, penambangan data, penambangan proses, pemrosesan peristiwa kompleks, manajemen
kinerja bisnis, pembandingan, penambangan teks, analitik prediktif, dan analitik preskriptif. BI dapat
digunakan untuk mendukung berbagai keputusan bisnis mulai dari operasional hingga strategis.
Keputusan pengoperasian dasar mencakup penentuan posisi atau harga produk. Keputusan bisnis yang
strategis mencakup prioritas, sasaran, dan arahan pada tingkat terluas. Dalam semua kasus, BI paling
efektif ketika menggabungkan data yang berasal dari pasar di mana perusahaan beroperasi (data
eksternal) dengan data dari sumber-sumber internal perusahaan ke bisnis seperti data keuangan dan
operasi (data internal). Ketika digabungkan, data eksternal dan internal dapat memberikan gambaran
yang lebih lengkap yang pada dasarnya, menciptakan "kecerdasan" yang tidak dapat diturunkan oleh
set data tunggal. Di antara banyak kegunaan, alat BI memberdayakan organisasi untuk mendapatkan
wawasan tentang pasar baru, menilai permintaan dan kesesuaian produk dan layanan untuk segmen
pasar yang berbeda dan mengukur dampak upaya pemasaran.

Gambar 7 Proses Kerja BI, DW, dan DI Sumber: Sherman, R. (2014)

Integrasi data (data integration) adalah fondasi data warehouse (DW), dan DW sendiri merupakan
fondasi BI. BI sebenarnya meliputi beberapa aplikasi yang diintegrasikan dan dikustomisasi sesuai
dengan kebutuhan. Aplikasi-aplikasi ini bekerja dengan cara mengumpulkan data yang dimiliki
perusahaan dalam sebuah DW. Program BI harus mendukung strategi bisnis perusahaan seperti yang
terlihat pada Gambar 8. Dapat disimpulkan bahwa BI mempunyai tiga tujuan utama. Pertama,
memberikan informasi yang cepat dan akurat sehingga membantu proses pengambilan keputusan yang
lebih baik. Kedua, membuat data perusahaan menjadi informasi yang bisa ditindaklanjuti. Dan ketiga,
menjadikan proses pengambilan keputusan lebih transparan.
VI.2 Data Visualization
Penelitian menunjukkan bahwa salah satu cara paling mendasar untuk membantu dalam mengatasi
kelebihan informasi adalah dengan cara memvisualisasikannya. Dengan memetakan data secara visual,
tidak hanya lebih mudah untuk mencerna dan memahami informasi penting, akan tetapi juga akan lebih
mudah untuk menemukan kunci dari suatu pola, tren yang signifikan, dan korelasi kuat yang mungkin
sulit untuk diungkapkan. Visualisasi data adalah metode grafis atau visual penyajian data. Teknik
visualisasi data akan mengeksploitasi fakta dengan mengubah semua data menjadi gambar dengan
menghadirkan data dalam format gambar atau grafik. Hal ini dapat memudahkan pembuat keputusan
untuk mengambil data dalam jumlah besar dengan pandangan sekilas untuk “melihat” apa yang sedang
terjadi dalam sebuah data. Fitur yang menentukan visualisasi Big data adalah skala.
VI.3 Business Intellegence Dashboard
BI Dashboard adalah alat visualisasi data yang menampilkan matriks dan indikator kinerja utama/Key
Performance Index (KPI) dalam sebuah organisasi. BI Dashboard mampu menggabungkan dan
mengelola angka serta Performance Scorecard dalam satu layar. Kelebihan dari BI Dashboard adalah
memiliki antarmuka yang dapat disesuaikan dan kemampuan untuk menarik data secara real time dari
berbagai sumber (Setiawan, dkk., 2013). Tujuan BI dashboard adalah untuk membantu pengguna bisnis
membuat keputusan dengan informasi yang lebih baik dengan mengumpulkan, mengkonsolidasikan,
dan menganalisis data serta memvisualisasikannya dengan cara yang bermakna. Beberapa manfaat
penggunaan BI dashboard adalah sebagai berikut:
a. Identifikasi tren BI dashboard secara dinamis memberdayakan bisnis lintas sektor untuk
mengidentifikasi dan menganalisis tren positif terkait dengan banyak kegiatan bisnis sambil
mengisolasi dan mengoreksi tren negatif guna meningkatkan efisiensi organisasi.
b. Peningkatan efisiensi Untuk hasil terbaik, pengambilan keputusan harus didasarkan pada data
yang tepat. Dashboard analitik bisnis meningkatkan efisiensi dengan menyajikan data real-time
yang relevan, memungkinkan dalam pembuatan keputusan yang tepat dan akurat sehingga
menjadi katalisator kesuksesan bisnis.
c. Alat swalayan 123 BI dashboard menawarkan akses ke seluruh perusahaan melalui wawasan
yang didorong oleh data yang sangat berharga dan dapat dibagikan dengan cepat, memberikan
tingkat kelincahan serta mobilitas yang tidak bisa ditandingi oleh proses data tradisional.
d. Kebebasan & fleksibilitas Sifat perangkat lunak BI dashboard yang terpusat dan sepenuhnya
portabel memungkinkan untuk mengakses dan menganalisis wawasan bisnis yang tak ternilai
dari banyak perangkat di mana pun berada. Tingkat kebebasan dan fleksibilitas tersebut
meningkatkan produktivitas dan kecerdasan bisnis secara konsisten yang merupakan salah satu
unsur utama kesuksesan.

VII. Advanced Analytics (Algorithm, Regression, Decision Trees, Time Series Analysis)

Advanced analytics adalah pemeriksaan data atau konten yang otonom atau semi-otonom
menggunakan teknik dan alat-alat canggih, biasanya di luar kecerdasan bisnis tradisional guna
menemukan wawasan yang lebih dalam, membuat prediksi, atau menghasilkan rekomendasi.
Teknik advanced analytics termasuk penambangan data/teks, pembelajaran mesin, pencocokan
pola, perkiraan, visualisasi, analisis semantik, analisis sentimen, analisis jaringan dan klaster,
statistik multivariat, analisis grafik, simulasi, pemrosesan peristiwa kompleks, jaringan saraf.
Advanced analytics adalah bagian dari data science yang menggunakan metode dan alat-alat
tingkat tinggi agar fokus pada proyeksi tren, peristiwa, dan perilaku masa depan dan
memberikan kemampuan bagi organisasi untuk menggunakan model statistik lanjut seperti
perhitungan “what-if”. Area utama advanced analytics adalah analisis data prediktif, big data
dan data mining ([Link], akses 2019). Analitik ini menggunakan teknik pemodelan
 canggih untuk memprediksi peristiwa masa depan atau menemukan pola yang tidak dapat
dideteksi sebaliknya. Dengan 124 analitik lebih lanjut, maka dapat menjawab pertanyaan
“mengapa ini terjadi”, “bagaimana jika tren ini berlanjut”, “apa yang akan terjadi selanjutnya
(prediksi)”, “apa yang terbaik yang bisa terjadi (optimisasi)".

Tabel VII.1 Perbandingan Business Intelegence dan Advanced Analytics

Advanced analytics sangat penting karena dibutuhkan terutama pada analitik prediktif guna dapat
membantu mengungkap masa depan dan mengoptimalkan operasi karena aplikasi business intelligence
yang banyak digunakan oleh perusahaan belum dapat menyentuh data yang berpotensi besar untuk
meningkatkan aset perusahaan tersebut. Advanced analytics juga dapat digunakan perusahaan untuk
mengimbangi persaingan.
 VIII. Tingkatan Analisis
Sebagian besar organisasi menganalisis rantai pasokan mereka menggunakan laporan dan indikator
kinerja utama (KPI) untuk menentukan apa yang terjadi. Bentuk dasar analisis rantai pasokan ini dikenal
sebagai Analisis Deskriptif. Banyak organisasi telah menggunakan data warehouse dan sistem intelijen
bisnis (BI) sebagai alat untuk mendiagnosis "apa yang terjadi" dan "mengapa". Pengguna analitik yang
lebih matang dan maju telah berupaya untuk mengubah data menjadi wawasan prediktif dan preskriptif.
Seiring waktu, perusahaan berevolusi dari menggunakan laporan dan metrik berwawasan ke belakang
ke kemampuan pengambilan keputusan berwawasan ke depan yang menyarankan rencana tindakan
yang optimal dan menambah nilai lebih signifikan.

Gambar 8 Tingkatan Analisis

Bagi produsen membuka kunci potensi data lama, data real time, dan data tidak terstruktur untuk
membuat keputusan digunakan menyeimbangkan kualitas dan hasil pada era Industri 4.0. sangatlah
penting. Ratarata situs yang berjalan lebih dari seratus aplikasi perangkat lunak, memiliki tantangan
yang luar biasa untuk membuat data tersebut dapat diakses dan ditindaklanjuti (actionable). Manufaktur
kognitif menyatukan jutaan titik data di seluruh sistem, peralatan, dan proses untuk mendapatkan
wawasan (insight) yang bisa ditindaklanjuti (actionable) di seluruh rantai nilai, dimulai dari desain
produk hingga operasi hingga customer support. Manufaktur kognitif menemukan pola dan menjawab
pertanyaan di seluruh pabrik tentang pengguna, peralatan, lokasi, streaming data sensor dan sebagainya.
Tahapan menuju manufaktur kognitif dengan menggunakan AI dapat dilihat pada Gambar VII. Guna
mendukung semua tingkat analisis pada industri maka diperlukan lima kemampuan, yaitu pertama,
kemampuan deskriptif dalam bentuk Laporan & Dashboard, Clustering & 127 Association, Pattern
Based Analysis. Kedua, kemampuan diagnostik seperti analisis akar permasalahan, simulasi, analisis
what-if, dan segmentasi. Ketiga, kemampuan prediktif, seperti simulasi, skenario what-if, kurva
sensitivitas, dan perkiraan statistik. Keempat, kemampuan preskriptif berupa optimasi deterministik dan
stochastic, dan tradeoffs. Terakhir, kemampuan kognitif, seperti pembelajaran mesin, resolusi otomatis,
kecerdasan buatan, dan penasihat cerdas.
Apa itu big data ?

Big Data adalah istilah yang diberikan pada kumpulan data yang beukuran sangat besar dan kompleks,
sehingga tidak memungkinkan untuk diproses menggunakan perangkat pengelola database
konvensional ataupun aplikasi pemroses data lainnya.

Mengapa Big Data itu penting?

Perusahaan menggunakan big data pada sistem mereka untuk meningkatkan operasi, memberikan
layanan pelanggan yang lebih baik, membuat kampanye pemasaran yang dipersonalisasi, dan
mengambil tindakan lain yang pada akhirnya dapat meningkatkan pendapatan dan keuntungan. Bisnis
yang menggunakannya secara efektif memiliki potensi keunggulan kompetitif dibandingkan bisnis
yang tidak menggunakannya karena mereka dapat membuat keputusan bisnis yang lebih cepat dan lebih
tepat.
Misalnya, data besar memberikan wawasan berharga tentang pelanggan yang dapat digunakan
perusahaan untuk menyempurnakan pemasaran, periklanan, dan promosi mereka guna meningkatkan
keterlibatan pelanggan dan tingkat konversi. Baik data historis maupun real-time dapat dianalisis untuk
menilai preferensi konsumen atau pembeli korporat yang berkembang, memungkinkan bisnis menjadi
lebih responsif terhadap keinginan dan kebutuhan pelanggan.
Data besar juga digunakan oleh peneliti medis untuk mengidentifikasi tanda penyakit dan faktor risiko
dan oleh dokter untuk membantu mendiagnosis penyakit dan kondisi medis pada pasien. Selain itu,
kombinasi data dari catatan kesehatan elektronik, situs media sosial, web, dan sumber lain memberi
organisasi layanan kesehatan dan lembaga pemerintah informasi terkini tentang ancaman atau wabah
penyakit menular.
Berikut adalah beberapa contoh bagaimana big data digunakan oleh organisasi:
• Dalam industri energi, big data membantu perusahaan minyak dan gas mengidentifikasi lokasi
pengeboran potensial dan memantau operasi jalur pipa; demikian juga, utilitas
menggunakannya untuk melacak jaringan listrik.
• Perusahaan jasa keuangan menggunakan sistem data besar untuk manajemen risiko dan
analisis data pasar secara real-time
• Produsen dan perusahaan transportasi mengandalkan data besar untuk mengelola rantai
pasokan mereka dan mengoptimalkan rute pengiriman.
• Penggunaan pemerintah lainnya termasuk tanggap darurat, pencegahan kejahatan, dan inisiatif
kota pintar.

Siapa saja yang dapat menggunakan big data di Industri 4.0?

digunakan oleh berbagai organisasi dan perusahaan di berbagai sektor, termasuk manufaktur, logistik,
transportasi, perawatan kesehatan, dan keuangan.

Kapan big data dikenal industri 4.0 atau sebagai Revolusi Industri Keempat?
Tren terkini di bidang manufaktur dan industri lainnya, yang melibatkan integrasi teknologi canggih
seperti Internet of Things (IoT), kecerdasan buatan (AI), dan pembelajaran mesin ( ML) untuk
mengoptimalkan operasi dan meningkatkan efisiensi. Data besar telah menjadi bagian penting dari
Industri 4.0, karena memungkinkan organisasi untuk menganalisis dan mengekstrak wawasan berharga
dari sejumlah besar data yang dihasilkan oleh perangkat dan sistem yang terhubung.

Dimana big data di Industri 4.0 digunakan ?

di berbagai lokasi di seluruh dunia, perusahaan perusahan, termasuk pabrik, gudang, dan lingkungan
industri lainnya.

Bagaimana cara penggunaan big data di Industri 4.0?

• Pemeliharaan prediktif: Dengan menganalisis data dari perangkat dan sistem yang terhubung,
organisasi dapat memprediksi kapan peralatan kemungkinan akan gagal dan mengambil
tindakan proaktif untuk mencegah waktu henti.
• Pengoptimalan rantai pasokan: Big data dapat digunakan untuk mengoptimalkan aliran bahan
dan produk melalui rantai pasokan, dengan mengidentifikasi hambatan dan inefisiensi.
• Kontrol kualitas: Dengan menganalisis data dari sensor dan sumber lain, organisasi dapat
mengidentifikasi masalah kualitas secara waktu nyata dan mengambil tindakan korektif untuk
mencegah kerusakan.
• Analitik pelanggan: Data besar dapat digunakan untuk menganalisis perilaku dan preferensi
pelanggan, yang dapat membantu organisasi menyesuaikan produk dan layanan mereka untuk
memenuhi kebutuhan pelanggan.
 Daftar Pustaka

“The Role of Big Data Analytics in Industry 4.0” (2023). diakses dari The Role of Big Data Analytics in
Industry 4.0 ([Link]) .

Hari Mantik, Muryan Awaludin. (2023). “REVOLUSI INDUSTRI 4.0: BIG DATA, IMPLEMENTASI PADA
BERBAGAI SEKTOR INDUSTRI (BAGIAN 2)”. Jakarta: Jurnal Universitas Suryadarma.

Aryuni, M. (2016). Kerangka Konseptual Data Warehouse. Diakses dari

[Link]

Cholissodin,I., Riyandi, E. (2016). Analisis Big Data. Malang: Fakultas Ilmu Komputer, Universitas
Brawijaya.