LITERASI DATA LANJUT: MENGGALI NILAI DARI DATA

RAKSASA (BIG DATA)

*Gambar Stimulus Visual (AI Generated)*

A. Pendahuluan

Selamat datang di era Big Data. Jika pada kelas sebelumnya kita telah mahir mengolah dan
menganalisis data dalam skala kecil hingga menengah menggunakan perangkat lunak lembar
kerja (seperti Microsoft Excel atau Google Sheets), kini kita akan melangkah lebih jauh,
menangani data yang volumenya melebihi batas kemampuan perangkat lunak konvensional.
Data sebagai Aset Baru: "The New Oil"
Dalam dua dekade terakhir, data telah berubah dari sekadar catatan administrasi menjadi aset
strategis paling berharga di dunia. Analogi "Data adalah Minyak Baru (The New Oil)" sangat
relevan. Sama seperti minyak mentah, data mentah memerlukan pemurnian (analisis) untuk
menghasilkan energi (nilai bisnis, wawasan, atau keputusan). Perusahaan-perusahaan teknologi
terbesar di dunia – seperti Google, Amazon, dan Meta – dibangun di atas kemampuan mereka
untuk mengumpulkan, memproses, dan memonetisasi data pengguna.
Pertanyaan Pemantik (Deep Learning)

Materi ini dirancang untuk menjawab pertanyaan-pertanyaan kompleks yang melibatkan

pengambilan keputusan berbasis data dalam skala raksasa:

1. Bagaimana Gojek menentukan harga dinamis (lebih mahal saat hujan atau jam
sibuk) secara otomatis? Fenomena ini melibatkan analisis data real-time (permintaan,
lokasi driver, lokasi penumpang, dan bahkan kondisi cuaca) yang volumenya sangat
besar, tidak mungkin diolah oleh manusia atau sistem database tradisional.
2. Seberapa besar privasi yang harus kita korbankan demi kenyamanan layanan
gratis? Layanan "gratis" seperti media sosial sering kali berbayar dalam bentuk data
pribadi kita. Modul ini akan mengeksplorasi garis tipis antara personalisasi layanan dan
pelanggaran privasi, serta etika dalam mengelola Big Data.

B. Peta Konsep

Modul ini akan memandu Anda melalui siklus hidup data skala besar, mulai dari identifikasi
sumber hingga penyampaian wawasan yang berharga.
graph TD
A[Pengantar Big Data: Data as The New Oil] --> B{Akuisisi Data Skala Besar};
B --> C[Teknik Web Scraping & Etika Data];
C --> D[Analisis Data Lanjut (Konsep Dasar)];
D --> E[Visualisasi Interaktif: Eksplorasi Data];
E --> F[Data Storytelling: Mengubah Angka Menjadi Keputusan];
F --> G[Etika & Tantangan Big Data (Privasi)];
G --> H[Penerapan Nyata & Kesimpulan];

C. Uraian Materi

C.1. Mengenal Big Data: Definisi dan Karakteristik

Big Data merujuk pada himpunan data yang volumenya sangat besar, kompleks, dan bergerak
cepat, sehingga sulit diproses menggunakan alat pemrosesan data tradisional.

Model Karakteristik Big Data (3V / 5V)

Awalnya, Big Data didefinisikan oleh tiga dimensi utama (3V), namun seiring perkembangan,
dimensi ini diperluas menjadi 5V:
 Karakteristi Istilah Penjelasan
k (Inggris)

1. Volume Volume Ukuran data yang sangat besar, mencapai terabyte, petabyte,
bahkan zettabyte. Contoh: Miliaran klik per hari pada mesin
pencari.

2. Kecepatan Velocity Kecepatan data dibuat, dikumpulkan, dan dianalisis secara real-
time atau mendekati real-time. Contoh: Streaming data transaksi
saham atau sensor IoT.

3. Variasi Variety Keberagaman tipe data. Tidak hanya data terstruktur (tabel), tetapi
juga data tidak terstruktur (teks, gambar, video, audio) dan semi-
terstruktur (JSON, XML).

4. Veracity Kualitas, akurasi, dan keandalan data. Karena data dikumpulkan

Kebenaran dari berbagai sumber, penting untuk memvalidasi apakah data
tersebut dapat dipercaya.

5. Nilai Value Nilai ekonomi atau wawasan yang dapat diekstrak dari data
setelah diproses dan dianalisis. Jika data tidak menghasilkan nilai,
itu hanyalah kebisingan.

C.2. Akuisisi Data Skala Besar: Web Scraping

Untuk menganalisis data eksternal (data yang tidak kita miliki), salah satu teknik yang digunakan
adalah Web Scraping.

Definisi Web Scraping

Web Scraping (atau penambangan web) adalah proses otomatis mengekstrak informasi dalam
jumlah besar dari situs web dan menyimpannya dalam format yang dapat digunakan, seperti file
CSV, database, atau JSON. Proses ini biasanya dilakukan menggunakan perangkat lunak (bot
atau scraper) yang meniru perilaku browser manusia.

Contoh Kasus: Mengumpulkan data harga tiket pesawat dari 10.000 rute berbeda yang
diperbarui setiap jam, atau mengumpulkan ulasan pelanggan dari ribuan produk di platform e-
commerce.
Etika dan Legalitas dalam Web Scraping ([Link])

Meskipun scraping adalah alat yang kuat, penggunaannya harus dilakukan dengan etika dan
legalitas yang ketat.

1. Hormati [Link]: Setiap website yang bertanggung jawab memiliki file bernama
[Link] di domain akar mereka (misalnya, [Link] File ini
berfungsi sebagai "aturan rumah" yang memberitahu bot atau scraper bagian mana dari
situs yang boleh diakses dan bagian mana yang dilarang.
2. Batasi Frekuensi: Jangan melakukan permintaan (request) terlalu cepat. Melakukan
ratusan permintaan per detik dapat menyebabkan Denial of Service (DoS) yang tidak
disengaja, melumpuhkan server target. Atur jeda waktu (delay) antar permintaan.
3. Hormati Hak Cipta: Data yang Anda kumpulkan mungkin dilindungi hak cipta.
Gunakan data hanya untuk analisis pribadi atau akademik, bukan untuk didistribusikan
ulang atau diklaim sebagai milik Anda.
4. Identifikasi Diri (User Agent): Selalu gunakan User Agent yang jelas, yang
mengidentifikasi bahwa Anda adalah sebuah bot dan menyediakan kontak Anda. Ini
memungkinkan administrator situs menghubungi Anda jika scraper Anda menyebabkan
masalah.

Tools Populer untuk Keunggulan

Scraping

Python Libraries (Beautiful Fleksibel, cocok untuk proyek kecil hingga menengah, mudah
Soup & Requests) dipelajari.

Scrapy (Python Kuat, dirancang untuk proyek scraping skala besar yang
Framework) membutuhkan kecepatan dan manajemen request yang efisien.

Catatan Penting: Pada lingkungan pembelajaran, fokus utama adalah

memahami konsep dan etika. Penggunaan scraping harus selalu di bawah
pengawasan dan hanya pada sumber data yang memang mengizinkannya
(misalnya, data terbuka).

C.3. Analisis Data Lanjut dan Kecerdasan Buatan

Setelah data dikumpulkan, data tersebut dimasukkan ke dalam Data Warehouse atau Data Lake
untuk diproses. Di sinilah terjadi perubahan besar dari analisis deskriptif (apa yang terjadi?)
menuju analisis prediktif (apa yang akan terjadi?).

Studi Kasus: Harga Dinamis (Dynamic Pricing) Gojek

Menjawab pertanyaan pemantik, penentuan harga dinamis tidak dilakukan oleh manusia,
melainkan oleh algoritma Machine Learning (Pembelajaran Mesin). Algoritma ini menganalisis
input Big Data sebagai berikut:

Harga=f (Basis Harga , Jarak , Permintaan Real-Time, Pasokan Driver , Faktor Eksternal)

Di mana Faktor Eksternal mencakup:

1. Waktu dan Musim: Jam sibuk, hari libur.

2. Geolokasi: Apakah Anda berada di pusat keramaian (mall, stasiun).
3. Cuaca: Data curah hujan atau suhu (Gojek terintegrasi dengan data cuaca API).

Sistem terus menerus membandingkan skenario yang berbeda, belajar dari setiap transaksi untuk
menyesuaikan harga secara real-time demi mencapai keseimbangan antara kepuasan pengguna
dan ketersediaan driver.
C.4. Visualisasi Data Interaktif dan Eksploratif

Dalam skala Big Data, grafik statis tradisional tidak lagi memadai. Kita memerlukan visualisasi
interaktif yang memungkinkan analis "berbicara" dengan data.

Tujuan Visualisasi Interaktif

1. Eksplorasi (Drill Down): Memberi pengguna kemampuan untuk memperbesar (zoom),

memfilter, dan menelusuri detail spesifik data. Misalnya, dari peta penjualan nasional,
Anda dapat mengklik suatu provinsi untuk melihat data penjualan di tingkat kota.
2. Menemukan Anomali: Grafik interaktif memudahkan deteksi outlier atau pola yang
tidak terduga yang mungkin tersembunyi dalam tabel mentah.
3. Aksesibilitas: Menjadikan data yang kompleks dapat diakses dan dipahami oleh
pengambil keputusan yang mungkin bukan ahli data.

Tools Populer

Tools Tipe Keunggulan

Tableau Public Berbasis GUI Sangat intuitif, fokus pada drag-and-drop,

(Graphical User menghasilkan visualisasi yang indah dan dapat
Interface) dibagikan secara publik.

Microsoft Power BI Berbasis GUI Terintegrasi kuat dengan ekosistem Microsoft

(Excel, Azure), ideal untuk lingkungan bisnis.
Tools Tipe Keunggulan

Python Libraries Berbasis Kode Memberikan kontrol penuh atas setiap aspek
(Matplotlib & visualisasi, ideal untuk riset mendalam atau ketika
Seaborn) data memerlukan pra-pemrosesan kompleks.

C.5. Data Storytelling: Menjembatani Wawasan dan Tindakan

Data Storytelling adalah kemampuan untuk membangun narasi seputar data, menyajikannya
dalam konteks, dan menjelaskan dampaknya terhadap keputusan. Data mentah memberitahu kita
apa yang terjadi, sedangkan Data Storytelling memberitahu kita mengapa itu penting dan apa
yang harus kita lakukan selanjutnya.

Pilar Data Storytelling

1. Data: Informasi yang akurat, bersih, dan relevan.

2. Visualisasi: Grafik yang jelas, sederhana, dan mendukung poin utama.
3. Narasi (Story): Struktur yang melibatkan pendengar, memberikan konteks, dan
menuntun mereka menuju kesimpulan.

Struktur Narasi Data

Sebuah cerita data yang efektif harus mengikuti alur yang menarik:

Bagian Fungsi Contoh

Narasi

Hook (Awal) Menarik perhatian dengan temuan "Penjualan produk Z merosot 40% dalam
yang paling mengejutkan atau dua kuartal terakhir."
mendesak.

Konteks Memberikan latar belakang: Kapan, "Meskipun pesaing Y juga turun,

di mana, dan bagaimana data ini penurunan kita jauh lebih cepat di
relevan. wilayah urban."

Insight Menyajikan temuan kunci dan "Analisis ulasan menunjukkan 75%

(Puncak) analisis penyebab (misalnya, dari komplain terkait fitur baru yang
analisis Big Data). diluncurkan bulan lalu."
Bagian Fungsi Contoh
Narasi

Call to Menawarkan solusi berbasis data "Rekomendasi kami adalah segera

Action yang konkret. menarik fitur tersebut dan meluncurkan
(Akhir) survei fokus grup."

C.6. Etika dalam Big Data dan Privasi

Analisis Big Data sering kali melibatkan data pribadi, seperti lokasi, kebiasaan belanja, atau
riwayat penelusuran. Hal ini memunculkan dilema etika yang mendasar.

Privasi vs. Personalisasi

Layanan gratis sering kali dibayar dengan data kita. Perusahaan menggunakan data ini untuk
personalisasi, yang meningkatkan kenyamanan (misalnya, rekomendasi film yang akurat).

Namun, masalah timbul ketika data tersebut digunakan tanpa persetujuan yang diinformasikan
(informed consent) atau ketika data dianonimkan tetapi tetap dapat dide-anonimkan (re-
identification).

Studi Kasus Deep Learning: Pengorbanan Privasi Ketika kita setuju dengan Terms and
Conditions Gojek, kita memberikan izin bagi mereka untuk menggunakan lokasi kita secara real-
time. Jika terjadi kasus kebocoran data, atau jika data tersebut dijual kepada pihak ketiga, privasi
kita terancam.

Prinsip Etika Utama

1. Anonimisasi: Data harus diubah sedemikian rupa sehingga individu tidak dapat
diidentifikasi (misalnya, mengganti nama dengan ID unik).
2. Transparansi: Pengguna harus tahu data apa yang dikumpulkan, bagaimana data
tersebut diproses, dan tujuan penggunaannya.
3. Akuntabilitas: Institusi yang mengelola Big Data harus bertanggung jawab penuh jika
terjadi penyalahgunaan atau kebocoran data.

D. Rangkuman

1. Big Data dicirikan oleh 5V: Volume, Velocity, Variety, Veracity, dan Value. Data telah
menjadi "The New Oil," aset paling berharga yang mendorong ekonomi digital modern.
2. Web Scraping adalah teknik otomatis untuk mengumpulkan data dari situs web dalam
skala besar. Penggunaannya harus mematuhi etika, terutama dengan menghormati file
[Link] dan menghindari permintaan yang terlalu cepat (untuk mencegah DoS).
 3. Analisis Big Data memungkinkan mekanisme kompleks seperti Dynamic Pricing
(Penentuan Harga Dinamis), yang bergantung pada algoritma Machine Learning yang
memproses input real-time (cuaca, permintaan, pasokan).
4. Visualisasi Interaktif (menggunakan Tableau/Power BI/Python) diperlukan untuk
mengeksplorasi Big Data, memungkinkan drill down dan penemuan anomali yang tidak
terlihat dalam grafik statis.
5. Data Storytelling adalah keterampilan penting untuk mengubah wawasan data menjadi
tindakan. Ini melibatkan kombinasi Data yang kuat, Visualisasi yang efektif, dan Narasi
yang meyakinkan.
6. Tantangan utama dalam Big Data adalah Etika dan Privasi. Kita harus selalu
menyeimbangkan personalisasi layanan dengan hak individu untuk mengontrol data
mereka.

E. Glosarium

Istilah Definisi

Big Data Himpunan data yang sangat besar dan kompleks sehingga sulit diolah
menggunakan alat tradisional, didefinisikan oleh 5V.

Web Scraping Proses otomatisasi ekstraksi data dari halaman web menjadi format
terstruktur.

[Link] File panduan pada server web yang menentukan bagian mana dari situs yang
boleh diakses atau dilarang oleh web crawler atau scraper.

Dynamic Strategi penetapan harga di mana harga produk atau layanan disesuaikan
Pricing secara real-time berdasarkan permintaan, persaingan, dan faktor eksternal
lainnya.

Data Lake Repositori terpusat yang menyimpan semua data, baik terstruktur maupun
tidak terstruktur, dalam skala besar.

Visualisasi Grafik atau dashboard yang memungkinkan pengguna berinteraksi

Interaktif (memfilter, drill down, zoom) dengan data untuk eksplorasi mandiri.

Data Seni membangun narasi yang relevan di sekitar data dan visualisasi untuk
Istilah Definisi

Storytelling memengaruhi keputusan.

Informed Persetujuan yang diberikan individu setelah mereka sepenuhnya memahami

Consent bagaimana data pribadi mereka akan digunakan.

Veracity Karakteristik Big Data yang merujuk pada keakuratan, kualitas, dan
kebenaran data.

F. Latihan Pemahaman

Jawablah pertanyaan-pertanyaan berikut dengan mendalam dan komprehensif.

1. Analogi "The New Oil": Jelaskan mengapa data dianggap sebagai "Minyak Baru". Apa
tahapan yang harus dilalui data mentah (analog dengan minyak mentah) agar memiliki
nilai ekonomi yang tinggi?
2. Etika Web Scraping: Anda ditugaskan untuk mengumpulkan 5.000 ulasan produk dari
sebuah situs e-commerce. Jelaskan tiga langkah etis dan teknis yang harus Anda lakukan
sebelum menjalankan scraper Anda, termasuk bagaimana [Link] berperan.
3. Dilema Dynamic Pricing: Jelaskan bagaimana konsep 5V Big Data (terutama Volume,
Velocity, dan Variety) memungkinkan sistem Dynamic Pricing yang canggih (seperti
yang digunakan Gojek).
4. Kebutuhan Interaktivitas: Mengapa visualisasi data statis (misalnya, diagram batang
sederhana di laporan cetak) tidak lagi memadai untuk analisis Big Data? Berikan contoh
bagaimana Drill Down pada visualisasi interaktif dapat membantu pengambilan
keputusan.
5. Privasi dan Storytelling: Berikan argumentasi Anda mengenai pertanyaan pemantik:
"Seberapa besar privasi yang harus kita korbankan demi kenyamanan layanan gratis?"
Kaitkan jawaban Anda dengan konsep Data Storytelling — bagaimana sebuah
perusahaan dapat menggunakan storytelling untuk menjustifikasi pengambilan data
pribadi penggunanya?