Big Data Analytics

MODUL
BIG DATA ANALYTICS

Nur Azizah

i
Modul Big Data Analytics

Penulis

Nur Azizah

Penerbit

Lembaga Administrasi Negara

2021

ii
MODUL BIG DATA ANALYTICS

Penyusun :
Nur Azizah

ISBN :

Editor :
Rabiatul Adawiyah

Sampul dan Tata Letak :

Tim Pusat Pembinaan Program dan Kebijakan Pengembangan Kompetensi
Lembaga Administrasi Negara

Penerbit :
Lembaga Administrasi Negara

Alamat :
Lembaga Administrasi Negara
Jl. Veteran 10, Gambir
Jakarta Pusat, DKI Jakarta, Indonesia
Email : p3kbangkomasn@[Link]

Cetakan pertama, Desember 2021

Hak Cipta dilindungi Undang-Undang

Dilarang mengutip dan memperbanyak Sebagian atau seluruh isi buku ini
tanpa izin tertulis dari penerbit

iii
 SAMBUTAN

Dalam Pidato kenegaraan di pelantikan periode kedua tanggal 20 Oktober

2019, Presiden Jokowi telah menegaskan bahwa akan menyederhanakan birokrasi
menjadi hanya 2 level saja dan akan menggantinya dengan jabatan fungsional yang
memiliki atau menghargai keahlian dan kompetensi spesifik.

Bak gayung bersambut, sebenarnya pasca lahirnya UU No.5/2014 tentang ASN

sudah tidak dikenal lagi istilah eselonisasi dalam birokrasi di Indonesia. Pasal 13 UU
dimaksud menjelaskan, hanya ada 3 jenis jabatan dalam ASN yakni Jabatan
Administrasi (JA), Jabatan Fungsional (JF) dan Jabatan Pimpinan Tinggi (JPT). Ketiga
jenis jabatan dalam ASN tersebut memiliki perannya masing – masing di dalam
birokrasi, JPT adalah jabatan tertinggi dalam birokrasi yang terdiri dari JPT Pratama
(dulu dikenal eselon II) dan JPT Madya-Utama (dulu dikenal eselon I), JA adalah
jabatan yang memberikan pelayanan dukungan administratif dalam birokrasi, dan JF
adalah adalah jabatan yang memberikan pelayanan fungsional berdasarkan pada
keahlian atau keterampilan tertentu.

Dari skema jenis jabatan di birokrasi tersebut, dapat disimpulkan bahwa JF

merupakan backbone/tulang punggung dalam organisasi birokrasi di Indonesia
karena perannya yang menyokong dan memberikan input segala kebijakan
pemerintah yang akan diputuskan oleh JPT. Namun dilihat dari sisi urgensitas JF,
belum tercermin dalam persebaran PNS saat ini, dimana jumlah pejabat fungsional
saat ini didominasi oleh JF Guru/Kependidikan (38% dari total PNS) dan JF Kesehatan
(6% dari total PNS). Sementara diluar itu (non kependidikan dan kesehatan), jumlah
pejabat fungsional teknis lainnya hanya mencapai 11% dari total PNS, yakni 472.740
orang dari sekitar 4.168.118 PNS di seluruh Indonesia (Kementerian PANRB, 2020).
Padahal, ada sekitar 250 jenis JF dibina oleh Kementerian/Lembaga (K/L) terkait yang
kontinu dilakukan monitoring dan evaluasi terhadap pembinaan JF (Kementerian
PANRB, 2021).

iv
 Pada tahun 2018 pemerintah Indonesia c.q. Kementerian Perindustrian telah
melakukan komitmen dalam penerapan Revolusi Industri 4.0 dengan meluncurkan
“Making Indonesia 4.0” yang merupakan inisiatif pemerintah Indonesia dalam
mengimplementasikan strategi dan peta jalan Revolusi Industri 4.0 di Indonesia. Hal
dimaksud sejalan dengan RPJMN tahun 2020-2024 dimana salah satu fokus
utamanya adalah meningkatkan sumber daya manusia yang berkualitas dan berdaya
saing. Peningkatan sumber daya manusia dalam pemerintahan membawa pada
target pemerintah untuk mewujudkan Smart ASN. Profil Smart ASN digambarkan
sebagai sosok yang berwawasan global, menguasai IT dan bahasa asing, inovatif,
adaptif dan networking yang baik untuk mewujudkan birokrasi Indonesia berkelas
dunia. Smart ASN diharapkan memiliki kualitas mumpuni sebagai digital talent dalam
mendukung transformasi digital di era revolusi Industri 4.0. Proses perbaikan yang
berkelanjutan dan terintegrasi mencakup tidak hanya dari segi manusianya tetapi
juga dari sistem dalam lingkungan strategis pemerintahan. Dalam sistem
pemerintahan dikenal konsep smart governance.

Smart Governance diartikan sebagai: tatakelola pemerintahan berbasis

kolaborasi baik antar instansi pemerintah maupun non pemerintah dengan
memanfaatkan teknologi komunikasi dan informasi dalam rangka mewujudkan
tujuan pembangunan secara efektif, inklusif dan berkelanjutan. Sebagai respon atas
program pemerintah tersebut, saat ini Lembaga Administrasi Negara
mengembangkan desain pembelajaran Pelatihan Jabatan Fungsional Untuk
Mendukung Smart Governance yang dapat mewujudkan sosok ASN sesuai dengan
konsep Smart ASN dan Smart Governance.

Saya mengucapkan terima kasih kepada Kedeputian Bidang Kebijakan

Pengembangan Kompetensi ASN, khususnya Pusat Pebinaan Program dan Kebijakan
Pengembangan Kompetensi ASN yang telah menyusun Modul Pelatihan Teknis
Jabatan Fungsional untuk Mendukung Smart Governance. Saya juga memberikan
apresiasi bagi semua pihak yang telah mengambil peran dalam penyelesaian modul

v
ini. Saya berharap modul ini dapat bermanfaat dalam proses pengembangan
kompetensi ASN utamanya para pengampu Jabatan Fungsional.

Jakarta, Desember 2021

Kepala
Lembaga Administrasi Negara

Dr. Adi Suryanto, [Link].

vi
 PENGANTAR

Arah pembangunan ke depan yang menargetkan Indonesia masuk pada lima

besar ekonomi dunia dan keluar dari negara berpenghasilan menengah (middle
income trap) menuntut adanya perubahan pola kerja, utamanya di dalam birokrasi
pemerintahan, agar dapat mengakselerasi targetan yang telah ditetapkan
pemerintah. Targetan tersebut merupakan targetan yang realistis dan tidak terlalu
ambisius mengingat Indonesia akan mengalami bonus demografi di tahun 2030 yang
dapat dijadikan modal untuk meningkatkan Produk Domestik Bruto (PDB). Presiden
Joko Widodo pada tanggal 14 Juli 2019 di Sentul Jawa Barat pernah menyampaikan
bahwa “Kedepan tidak ada lagi pola pikir lama, tidak ada lagi kerja rutinitas, tidak
ada lagi kerja monoton, tidak ada lagi kerja di zona nyama. HARUS BERUBAH!”.
Pernyataan tersebut menjadi pemicu birokrasi pemerintah untuk wajib mengubah
pola kerjanya yang terlalu hirarkis, kaku dan lambat mengikuti perubahan.

Salah satu cara mengubah kultur birokrasi saat ini adalah memangkas struktur
birokrasi yang sangat hirarkis dengan mengoptimalkan jabatan fungsional (JF) yang
memiliki kompetensi spesialistik sehingga mampu merespon perubahan lingkungan
strategis dengan cepat sesuai kompetensi spesialisasinya. Modul ini diharapkan
mampu mengakselerasi kompetensi (skills) para pengampu JF dalam menghadapi
tujuan pembangunan nasional yang termaktub dalam Visi Indonesia 2045 yang
bertujuan menempatkan Indonesia sebagai the big five in the world.

Akhirnya, kami mengucapkan terima kasih kepada seluruh pihak yang telah
mendukung penyusunan modul ini, khususnya kepada Kepala LAN yang telah
memberikan arahan serta dukungan moril, serta para pejabat struktural dan pejabat
fungsional serta pelaksana di Pusat Pebinaan Program dan Kebijakan Pengembangan
Kompetensi ASN (P3K Bangkom ASN) yang telah bekerja keras menyelesaikan modul
ini serta kepada seluruh penulis, editor dan reviewer baik di instansi kementerian
sektor, serta para akademisi.

vii
 Semoga modul ini dapat memberikan manfaat terhadap upaya kita semua
untuk bersama mengoptimalkan birokrasi menjadi lebih sinergis dan sesuai tujuan
pembangunan nasional.

Jakarta, Desember 2021

Deputi Bidang
Kebijakan Pengembangan Kompetensi ASN

Dr. Muhammad Taufiq, DEA.

viii
DAFTAR ISI

DAFTAR ISI ........................................................................................................ ix

DAFTAR INFORMASI VISUAL .............................................................................. xi
PETUNJUK PENGGUNAAN MODUL .................................................................... xii
BAB I .................................................................................................................. 1
PENDAHULUAN .................................................................................................. 1
A. LATAR BELAKANG .................................................................................... 1
B. DESKRIPSI SINGKAT ................................................................................. 3
C. TUJUAN PEMBELAJARAN ......................................................................... 3
1. Hasil Belajar ................................................................................................. 3
2. Indikator Hasil Belajar ................................................................................. 3
D. MATERI POKOK DAN SUB MATERI POKOK ................................................ 4
1. Materi Pokok ............................................................................................... 4
2. Sub Materi Pokok ........................................................................................ 4
BAB II ................................................................................................................. 6
KONSEP BIG DATA .............................................................................................. 6
A. APA ITU BIG DATA ................................................................................... 6
B. SUMBER DATA......................................................................................... 8
C. KARAKTERISTIK BIG DATA ...................................................................... 12
D. JENIS DATA............................................................................................ 15
E. KUALITAS DATA ..................................................................................... 17
F. ETIKA Dalam BIDANG BIG DATA ............................................................. 18
G. LATIHAN................................................................................................ 19
H. RANGKUMAN ........................................................................................ 19
I. LATIHAN................................................................................................ 20
J. EVALUASI MATERI ................................................................................. 20
K. UMPAN BALIK DAN TINDAK LANJUT....................................................... 21
BAB III .............................................................................................................. 22
BIG DATA DALAM KESEHARIAN ......................................................................... 22
A. BIG DATA DALAM KESEHARIAN .............................................................. 22
B. DATA DAN REVOLUSI DATA ................................................................... 24

ix
 C. LATIHAN................................................................................................ 25
D. RANGKUMAN ........................................................................................ 25
E. EVALUASI MATERI ................................................................................. 26
F. UMPAN BALIK DAN TINDAK LANJUT....................................................... 26
BAB IV .............................................................................................................. 28
TAHAPAN ANALISIS DATA ................................................................................. 28
A. TINGKATAN ANALISIS ............................................................................ 28
B. TEKNIK PENGUMPULAN DATA ............................................................... 29
C. DATA PRE-PROCESSING ......................................................................... 29
D. EXPLORATORY DATA ANALYSIS (EDA) .................................................... 30
E. DATA MODELING ................................................................................... 30
F. DATA VISUALIZATION ............................................................................ 31
G. LATIHAN................................................................................................ 31
H. RANGKUMAN ........................................................................................ 32
I. EVALUASI MATERI ................................................................................. 33
J. UMPAN BALIK DAN TINDAK LANJUT....................................................... 34
BAB V ............................................................................................................... 35
PEMANFAATAN BIG DATA DALAM PEMERINTAHAN .......................................... 35
A. URGENSI BIG DATA DALAM PEMERINTAHAN.......................................... 35
B. PENERAPAN BIG DATA DALAM PEMERINTAHAN .................................... 38
C. LATIHAN................................................................................................ 46
D. RANGKUMAN ........................................................................................ 47
E. EVALUASI MATERI ................................................................................. 47
F. UMPAN BALIK DAN TINDAK LANJUT....................................................... 48
BAB VI .............................................................................................................. 49
PENUTUP ......................................................................................................... 49
A. EVALUASI KEGIATAN BELAJAR................................................................ 49
B. UMPAN BALIK DAN TINDAK LANJUT....................................................... 49
KUNCI JAWABAN .............................................................................................. 50
DAFTAR REFERENSI ........................................................................................... 51

x
DAFTAR INFORMASI VISUAL

Gambar [Link] Data Analytics. Sumber gambar:

[Link] . 1

Gambar 2. Apa itu Big Data?. Sumber: Youtube ....................................................... 15

Gambar 3. Big data in 5 minutes. Sumber: Youtube ................................................. 16

Gambar 4. Enam Dimensi Kualitas Data. Sumber gambar:

[Link] 17

Gambar 5. Tinjauan Etik dalam Bidang Big Data. Sumber Gambar:

[Link]
[Link] ........................................................ 18

Gambar 6. Social Network Analyisis (SNA), Salah satu Metode Menggunakan Big
Data ........................................................................................................................... 35

Gambar 7. Tampilan video "Combining satellite imagery and machine learning to

predict poverty". Sumber: Youtube .......................................................................... 38

Gambar 8. Hasil Potret Citra Satelit (Daerah Lebih Terang, Lebih Berkembang).
Sumber: Youtube....................................................................................................... 39

Gambar 9. DIKW Pyramid.......................................................................................... 41

Gambar 10. Distribusi Aksi-Aksi Kemanusiaan di Melbourne ................................... 43

Gambar 11. Peta Skor Risiko Ancaman Kebakaran ................................................... 44

Gambar 12. Visualisasi Banyaknya Kekerasan oleh Polisi di Amerika Serikat........... 44

Gambar 13. Keranjang Sampah "BigBelly" ................................................................ 45

Gambar 14. Pemetaan lokasi rawan pelecahen seksual dilaporkan di Mesir........... 46

xi
PETUNJUK PENGGUNAAN MODUL

Sebelum Anda mempelajari modul ini, dianjurkan untuk melaksanakan

beberapa hal sebagai berikut:

Bacalah secara cermat semua materi yang ada dan pahami

tujuan pembelajaran yang tertera pada setiap awal bab, apabila
ada hal-hal yang kurang jelas dapat dilakukan tanya jawab
dengan Fasilitator dalam kegiatan pembelajaran di kelas

Cobalah untuk mengerjakan latihan dan evaluasi yang ada pada

setiap akhir bab pada modul ini

Bentuklah kelompok diskusi untuk membahas materi-materi

tertentu dan studi kasus yang diberikan untuk memperdalam
pemahaman materi;

Untuk memperluas wawasan, disarankan untuk mempelajari

bahan-bahan dari sumber lain, seperti yang tertera pada daftar
pustaka di akhir modul ini;

1. tertentu dan studi kasus yang diberikan untuk

memperdalam pemahaman materi;

xii
Big Data Analytics

BAB I
PENDAHULUAN

A. LATAR BELAKANG

Big data analytics memeriksa sejumlah besar data untuk mengungkap pola
tersembunyi, korelasi dan insight lainnya. Dengan kemajuan teknologi, sangat
memungkinkan menganalisis data dalam jumlah yang besar dan cepat. Usaha yang
diperlukan lebih sedikit dan lebih efisien dibandingkan dengan cara-cara yang
tradisional.
Konsep big data telah ada selama bertahun-tahun. Saat ini, banyak organisasi
paham bahwa mereka dapat memotret data yang masuk ke dalam bisnis mereka dan
menerapkan analisis untuk mendapatkan nilai dari data tersebut. Pada decade tahun
1950-an, banyak organisasi sesungguhnya sudah melakukan analisis dasar terhadap
data yang ada di organisasinya, misalnya menggunakan lembar kerja angka yang
diperiksa/analisis secara manual. Hal ini
terjadi sebelum kata “big data” banyak
disebut oleh orang banyak.
Kecepatan dan efisiensi adalah manfaat
baru yang didapat dari big data
analytics. Walaupun di masa lalu, data
juga sudah dijadikan acuan untuk
membuat keputusan, namun dengan
adanya big data analytics membuat
Gambar [Link] Data Analytics. Sumber keputusan menjadi lebih cepat
gambar: diperoleh. Kecepatan dan kelincahan
[Link] suatu organisasi menjadi seuatu
tics/[Link]#industries keharusan di era disrupsi saat ini untuk
tetap mampu bertahan.

1
Big Data Analytics
Big data analytics dapat membantu organisasi memanfaatkan dan menggunakan
datanya untuk mendapatkan peluang-peluang baru yang pada akhirnya dapat
menjadikan organisasi bekerja lebih cerdas, operasional yang lebih efisien dan
mendapatkan keuntungan yang lebih tinggi dan tentunya kebahagian stakeholder.
Dalam laporannya Big Data ini Big Companies, Direktur Riset IIA, Tom
Davenport menginterview terhadap lebih kurang 50 organisasi untuk mengetahui
bagaimana penggunaan big data dalam organisasi tersebut, dan ditemukan bahwa
keuntungan dari big data adalah sebagai berikut:

1. Cost reduction (pengurangan biaya)

Teknologi big data seperti Hadoop 1 dan analisis berbasiskan cloud membuat
lebih efisien dalam hal penyimpanan data dalam jumlah besar. Ditambah lagi
teknologi tersebut mampu mengidentifikasi cara-cara bisnis baru yang lebih
efisien.
2. Faster, better decision making
Dengan kecepatan Hadoop dan analisis nya, dikombinasikan dengan dengan
kemampuan menganalisis sumber data baru, organisasi mampu menganalisis
lebih cepat, sehingga keputusan yang diambil juga akan lebih cepat
3. New products and service
Dengan kemampuannya menganalisis kepuasan dan kebutuhan customer,
membuat organisasi menjadi lebih tahu kebutuhan customer dan dapat
menciptakan produk sesuai kebutuhan customer.

1
Hadoop adalah software atau piranti lunak buatan Apache Software Foundation
yang sifatnya open source dan umum digunakan untuk menyimpan dan menangani
big data yang jumlahnya sangat besar. Link lebih lanjut tentang Hadoop:
[Link]
data

2
Big Data Analytics

Link berikut adalah testimoni dari perusahaan ternama dan unggul yang
bergerak di bidang media dan telekomunikasi, Rogers Communication, yang
berpusat di Canada dan telah menggunakan kemampuan analytics untuk
meningkatkan kepuasan pelanggannya atau menjadikannya lebih berpusat kepada
pelanggan (customer-centric). Dengan data-driven approach, keluhan customer
turun 53%: [Link]
Dengan adanya testimoni di atas, kita melihat kenapa big data itu begitu penting.

B. DESKRIPSI SINGKAT

Modul Big Data Analytics ini membekali peserta dengan wawasan dan
pemahaman tentang Konsep Big Data; Big Data dalam Keseharian dan Tahapan
Analisis Data, serta Pemanfaatan Big Data dalam Pemerintahan.

Pada setiap akhir bab terdapat sub bab evaluasi, umpan balik dan tindak
lanjut. Diharapkan kepada peserta pelatihan untuk menyelesaikan evaluasi sebelum
meneruskan ke bab berikutnya. Begitu juga untuk umpan balik dan tindak lanjut
diharapkan dipatuhi sebelum meneruskan ke bab berikutnya.

C. TUJUAN PEMBELAJARAN

1. HASIL BELAJAR

Setelah menyelesaikan modul ini, peserta diharapkan mampu memahami

tentang pemanfaatan big data analytics untuk mendukung ekosistem kebijakan
berbasis data.

2. INDIKATOR HASIL BELAJAR

Setelah menyelesaikan modul ini, peserta diharapkan dapat:

1. Menjelaskan konsep big data;

3
Big Data Analytics

2. Menjelaskan big data dalam keseharian;

3. Menjelaskan tahapan analisis big data;
4. Menjelaskan pemanfaatan big data dalam pemerintahan.

D. MATERI POKOK DAN SUB MATERI POKOK

1. MATERI POKOK

a. Konsep Big data

b. Big Data dalam Keseharian
c. Tahapan Analisis Big Data
d. Pemanfaatan Big Data dalam Pemerintahan

2. SUB MATERI POKOK

a. Apa itu Big Data?

b. Sumber Data
c. Karakteristik Data
d. Type Data
e. Kualitas Data
f. Etika dalam Big Data
g. Big Data dalam Keseharian;
h. Data dan Revolusi Data
i. Tingkatan Analisis
j. Teknik Pengumpulan Data
k. Data Pre-processing
l. Exploratory Data Analysis (EDA)

4
Big Data Analytics

m. Data Modeling
n. Data Visualization
o. Urgensi Big Data dalam Pemerintahan
p. Penerapan Big Data dalam Pemerintahan

5
Big Data Analytics

BAB II

KONSEP BIG DATA

Setelah mengikuti pembelajaran ini, Peserta diharapkan dapat menjelaskan

konsep big data dengan baik dan benar

A. APA ITU BIG DATA

Data berasal dari kata: “dare”, bahasa latin yang artinya memberikan. Kata
“data” merupakan bentuk kata singular, sedangkan “datum” merupakan bentuk
jamak. Data dapat berbentuk: angka, karakter, teks, simbol, gambar, suara, video,
gelombang elektromagentik dll. Lalu apa itu big data? Tidak ada definisi tunggal
mengenai big data. Secara umum, big data merujuk kepada data yang jumlahnya
terus meningkat secara eskponensial. Kumpulan datanya besar dan terus
membesar.
Besarnya data menimbulkan beberapa tantangan bagi organisasi untuk
mengambil dan mengolah data tersebut menjadi hasil analisa. Karena datanya yang
sangat besar, sehingga data tersebut tidak dapat dimasukkan atau diolah oleh
software yang biasa seperti excel, tetapi butuh infrastruktur pengolah data.
Karena datanya bertambah terus menerus dan cepat sekali berubah, maka
analisis big data harus cepat dilakukan, jangan sampai kehilangan momentum,
sehingga data tersebut menjadi tidak berguna lagi. Trend teknologi saat ini yaitu
melakukan pendekatan baru dalam mengolah data yang ada untuk membuat
keputusan. Keputusan-keputusan dibuat berdasarkan data dalam volume yang
sangat besar baik tersturktur maupun tak berstruktur. Nanti pada sub bab
berikutnya kita akan masuk ke jenis data terstruktur dan tidak terstruktur.

6
Big Data Analytics

Seperti yang telah dijelaskan di bab sebelumnya, ketika Anda menggunakan

media sosial, Anda banyak membuat data baru. Membuat akun di media sosial,
dengan memasukkan identitas diri, jelas membuat data baru. Namun bagaimana
dengan login, logout? Apakah Anda membuat data baru? ya, Anda sudah membuat
data baru. Data yang dapat dicreate adalah user ID, waktu dan lokasi. Pernah kah
Anda menerima email, bahwa akun Anda sedang diakses dari daerah tertentu. Nah
artinya, aplikasi tersebut menyimpan data lokasi Anda.
Semua kegiatan kita menggunakan teknologi, kita sudah mengcreate data
baru, misal ketika join zoom, kita sudah mendapatkan data teman atau siapa saja
yang join, masuk jam berapa, keluar jam berapa. Sadar
atau tidak sadar kita mengcreate data. Dengan adanya
teknologi, setiap mili detik, Anda membuat data baru.
Data ini penting bagi organisasi. Misal untuk perusahaan,
data pembelian customer. Dengan mengetahui preferensi
customer, maka perusahaan dapat meningkatkan
penjualan dengan cara mengolah data-data terkait
perilaku konsumen. Begitu juga untuk organisasi
pelayanan publik. Organisasi dapat mendengar atau mendapatkan masukan terkait
pelayanannya di dunia virtual dengan menganalisis kanal-kanal komunikasi di dunia
virtual.

Big data menjadi Buzzwords di tahun 2013 di sektor bisnis dan media. Ini
menandakan bahwa begitu pentingnya big data sehingga menjadi buzzword. Namun
tanpa ilmu yang benar, maka big data yang ada di sekitar kita, tidak akan
termanfaatkan secara optimal. Ilmu bagaimana mengambil manfaat dari big data
disebut data sains. Dengan adanya aplikasi-aplikasi pengolah data yang sangat cepat
memberikan insight, seorang data scientist tidak perlu lagi belajar programming.
Hanya perlu menganalisis hasil analisis dari aplikasi-aplikasi pengolah data.

7
Big Data Analytics

“ Data adalah jenis kekayaan baru bangsa kita. Kini data lebih
berharga dari minyak. Oleh karena itu, kedaulatan data harus
diwujudkan. Hak warga negara atas data pribadi harus dilindungi.
Regulasinya harus segera disiapkan, tidak boleh ada kompromi”

(Presiden RI, Joko Widodo dalam Pidato Kenegaraan 16

Agustus 2019)

B. SUMBER DATA

Sadar tidak sadar, kita dikelilingi oleh data, data yang diproduksi baik oleh diri
kita sendiri, atau dari sekitar kita. semua sektor kehidupan menghasilkan data:
astronomi, bisnis, kedokteran, ekonomi, cuaca, finansial, bahkan olahraga. Di bawah
ini adalah sumber data:

Mobile Sensors.
Mobile sensor adalah sensor yang ada di perangkat mobile Anda.
Dapat berasal dari smartphone, laptop dan perangkat lainnya.
Banyak sekali sensor yang ada di dalam smartphone Anda.
Contohnya, pernah kah Anda menonaktifkan fitur layar
orientation Anda di smartphone? Ketika Anda menonaktifkan, maka orientasi layar
smartphone akan mengikuti bentuk smartphone Anda, apakah tegak (portrait) atau
mendatar (landscape). Untuk laptop, sudah ada saat ini yang ketika Anda dekatkan
wajah Anda ke layar laptop, semula, dari mode idle (istirahat) menjadi hidup. Ini
semua menghasilkan data. Contoh pertama berapa banyak Anda mengakses hp
smartphone dengan cara tegak atau mendatar, begitu juga pada contoh laptop,
berapa sering Anda mengakses laptop dalam sehari mulai dari mode istirahat. Itu
semua menjadi data.

8
Big Data Analytics

Social Media.
Berapa sering Anda menulis status di facebook dalam sebulan?
berapa sering Anda mengetag lokasi keberadaan Anda di
Instagram? Itu semua menghasilkan data. Dan masih banyak
sekali perilaku Anda di media sosial yang menghasilkan data.
Video Surveillance.
Pernahkah Anda melewati jalan tertentu di Jakarta dan membaca
pengumuman “Anda memasuki kawasan pemberlakuan tilang
elektronik. Patuhi peraturan berlalu lintas” ? ya, di jalan ini
perilaku Anda akan di-capture CCTV dan menjadi sumber data
bagi penegak hukum. Peranan polisi tilang tergantikan oleh video
surveillance.
Video Rendering.
Pernahkah Anda melakukan rendering video? Ketika Anda
mengedit video menggunakan suatu aplikasi, kemudian ingin
menyimpan hasil video editing tersebut, maka Anda melakukan
rendering. Video-video yang dihasilkan dari hasil editing video
juga menghasilkan data. Namun video-video tersebut merupakan data tidak
terstruktur.
Smart Grids.
Smart grids atau jaringan cerdas dipakai untuk pendistribusian
tenaga listrik. Dengan adanya sensor pada smart grids ini dapat
dipantau aliran listirk sehingga pasokan listrik menjadi lebih efisien,
berkualitas, andal dan ekonomis2

2
[Link]
operasi-sistem-tenaga-listrik/

9
Big Data Analytics

Geophysical Exploration
Di masa lalu, para ilmuwan menggunakan kata-kata dan gambar
untuk merekam rincian fenomena fisik alam seperti gempa
bumi, aurora, meteor, komet, dan gerhana.
Sekarang, para ilmuwan merekam peristiwa ini dengan
mengambil foto dan video.
Singkatnya, dengan perkembangan teknik informasi yang pesat, semakin banyak tipe
baru data geofisika telah tersedia, dan jumlah total data geofisika telah meningkat
secara eksplosif.3
Medical Imaging
Medical imaging atau pencitraan medis adalah beberapa teknologi
berbeda yang digunakan untuk mencitrakan tubuh manusia dalam
rangka menegakkan diagnosis, memonitor perkembangan
penyakit dan pengobatan atau untuk pengobatan penyakit
tertentu, 4 . Hasil capture-an tubuh Anda menjadi data. Bisa
dibayangkan bila di suatu rumah sakit, banyak yang menggunakan
teknologi ini, berapa besar data yang harus disimpan dalam sehari ?
Gene Sequencing
Pemetaan dan analisis genome menghasilkan dan
membutuhkan data yang sangat besar. Data hasil sequencing
dapat mencapai 130 GB lebih per genome. Dengan semakin
banyaknya genome yang dipetakan dan dianalisis, terjadilah
ledakan di sisi data yang dihasilkan.

3
[Link]
4
[Link]
manfaat-perangkat-pencitraan-pada-dunia-kesehatan

10
Big Data Analytics

Tantangan selanjutnya adalah bagaimana data yang sedemikian besar dapat

diproses dan dianalisis, sehingga semakin banyak penelitian maupun pemanfaatan
data genomics dapat dilakukan.5
Dari sumber-sumber data di atas, sesungguhnya secara umum, sumber big
data dapat dikelompokkan menjadi tiga, yaitu: Social Data, Machine Data dan
Transactional Data.6
1. Social Data
Data sosial berasal dari likes, Tweet & Retweet, Komentar, Unggahan Video, dan
media umum yang diunggah dan dibagikan melalui platform media sosial. Jenis
data ini memberikan wawasan yang sangat berharga tentang perilaku dan
sentimen konsumen dan dapat sangat berpengaruh dalam analisis pemasaran.
Web publik adalah sumber data sosial lainnya yang banyak memberikan insight.
2. Machine Data
Data Mesin didefinisikan sebagai informasi yang dihasilkan oleh peralatan
industri, sensor yang dipasang di mesin, dan bahkan log web yang melacak
perilaku pengguna. Jenis data ini diperkirakan akan tumbuh secara eksponensial
seiring dengan berkembangnya internet of things yang semakin meluas di
seluruh dunia. Sensor seperti perangkat medis, pengukur pintar, kamera jalan,
satelit, game, dan Internet of Things yang berkembang pesat akan memberikan
kecepatan, nilai, volume, dan variasi data yang tinggi dalam waktu dekat.
3. Transactional Data
Data transaksional adalah data yang dihasilkan dari semua transaksi harian yang
berlangsung baik online maupun offline. Faktur, pesanan pembayaran, catatan
penyimpanan, tanda terima pengiriman – semuanya dicirikan sebagai data
transaksional. Namun data saja hampir tidak ada artinya, dan sebagian besar

5
[Link]
6
[Link]
where-it-comes-from/

11
Big Data Analytics

organisasi berusaha untuk memahami data yang mereka hasilkan dan

bagaimana data itu dapat dimanfaatkan dengan baik.
IOT: Internet of things. IOT adalah benda-benda yang ada di sekitar Anda dan
benda-benda tersebut dapat saling berkomunikasi satu dengan yang lain
menggunakan jaringan internet. Jadi benda-benda apa saja di sekitar kita yang dapat
menghasilkan data, seperti: HP, TV, Kulkas, data titik macet di suatu tempat, data
jumlah detak jantung setiap hari, data berapa jumlah langkah kaki yang kita jalani
setiap hari, data perbankan, kesehatan, sensor untuk mengumpulkan informasi
tentang iklim, postingan di media sosial dan transaksi kartu kredit, dan masih banyak
lainnya, merupakan sumber data. Ini lah mengapa salah satu karakteristik dari big
data adalah variety. Selanjutnya karakteristik big data lainnya akan dijelaskan pada
sub bab berikutnya.
Dalam konteks pemerintahan, dahulu sumber data diperoleh dari sensus, survey
dan registrasi, tetapi sekarang dapat juga berasal dari opini publik di media sosial,
data perilaku, perangkat pelacakan GPS, data digital komersial atau trasaksional, dll.

C. KARAKTERISTIK BIG DATA

Doug Laney, Chief Data Officer di Gartner, mencetuskan konsep 3Vs: volume,
variety dan velocity – sebagai komponen big data. Namun kemudian, konsep 3Vs ini
berkembang menjadi 5Vs dengan perlunya veracity dan value.

Di bawah ini, Anda akan menemukan pengertian dari masing-masing

karakteristik big data tersebut:

12
Big Data Analytics

1. Volume
Dengan adanya perkembangan teknologi IT,
membuat jumlah data meningkat secara pesat, baik
data yang dibuat oleh user maupun
perusahaan/organisasi.
Google memproses data 100 PB per hari dengan 3
juta server
Facebook memiliki 300 PB data pengguna per hari.
Youtube memiliki 1000 PB video storage.
Pernahkan Anda melakukan rapat dengan aplikasi video conference zoom
meeting kemudian merekannya? Untuk satu jam rapat sekitar 200 MB. Bisa Anda
bayangkan berapa jika dalam satu hari, berapa jumlah orang yang menggunakan
zoom untuk rapat, pelatihan, kuliah, webinar dan acara lainnya dan
merekamnya. Berapa banyak data yang dihasilkan hanya oleh satu aplikasi zoom
meeting.
2. Velocity
Data diproduksi secara real-time dan harus
dianalisa dengan cepat supaya tidak
kehilangan momentum. Misal Anda
mempunyai perusahaan e-commerce yang
menjual berbagai macam produk barang.
Anda dapat menganalisa per hari, barang apa
yang lagi high-in-demand (dibutuhkan) pada
hari tersebut. Dan ini dapat membuat Anda
untuk mengambil keputusan untuk menstock
barang tersebut. Namun jika data yang Anda
miliki tadi misalnya di analisa tidak langsung,
misal, menunggu beberapa hari, maka akan menjadi sia-sia.

13
Big Data Analytics

Contoh analisa data real-time: E-marketing: penawaran promosi produk

berdasarkan lokasi atau browsing history.
Pernahkah Anda mencari produk tertentu di e-commerce, misal mencari laptop?
Suatu saat Anda akses lagi ke internet, Anda akan ditawarkan bermacam-macam
laptop. Hal ini menandakan bahwa perilaku searching Anda disimpan. Inilah big data
yang dimanfaatkan oleh digital marketing.
3. Variety
Variety adalah variasi dari dari data yang dihasilkan. Jenis dan variasi nya seperti teks,
foto, video, lain-lain. Contohnya, setiap aplikasi dapat memproduksi berbagai tipe
data yang berbeda. Aplikasi twiiter, Instagram, facebook, amazon dan banyak
lainnya menghasilkan data yang bervariasi. Data baik yang terstruktur, semi struktur
maupun yang tidak terstruktur
4. Veracity
Merupakan komponen yang melihat reliabilitas dan akurasi dari sumber dan proses
pengolahan data. Tentunya ini menyangkut kepercayaan data. Jika kita ingin
menganalisis media sosial, veracity ini menjadi tantangan tersendiri karena
banyaknya hoaks yang berseliweran di media sosial. Apakah postingan tersebut,
postingan organik atau bukan, bot (mesin) atau bukan dan lain sebagainya.
5. Value
Merujuk pada kemampuan sebuah organisasi dalam mengolah dan
menggunakan data sesuai tujuan mereka. Data yang diekstrak adalah data yang
berguna. Prinsip big data adalah dapat mengelola data yang sangat banyak dan
beragam, serta mengolahnya menjadi informasi yang dibutuhkan dalam waktu
yang sangat singkat. Kata kuncinya adalah mana data yang paling kita butuhkan.

14
Big Data Analytics

Penjelasan big data agar lebih

mudah lagi dimengerti dapat
ditonton pada link berikut:

Gambar 2. Apa itu Big Data?. Sumber: Youtube

[Link]
TVU

D. JENIS DATA

1. TERSTRUKTUR
Adalah ketika data-data sudah terdefinisi dengan baik. Data dengan struktur
yang terorganisir dan tetap. Contohnya adalah:

− Tabel pegawai di kantor kita yang memuat, nama, NIP, pangkat, jabatan dll
− Nomor Induk Mahasiswa, dimana sudah ditentukan berapa digit dan digit-digit
tertentu menunjukkan sesuatu.
− Tabel penjualan sebuah produk, data statistic wilayah dll

Data terstruktur dapat dianalisa dengan mudah menggunakan alat seperti

Microsoft excel dan SPSS.

2. TIDAK TERSTRUKTUR
Adalah data yang tidak didefinisikan sejak awal, tidak memiliki bentuk dan
struktur khusus. Contohnya adalah dokumen teks, status narasi di media sosial,
email, video, rekaman suara. Sebagian besar data merupakan data tidak terstruktur.
Data-data ini dapat diolah menggunakan machine learning.

15
Big Data Analytics

Berbagai teknik dikembangkan untuk menambah efisiensi pengolahan big

data. Salah satu metode analisa data tidak terstruktur berbentuk teks adalah Natural
Language Processing (NLP).
NLP merupakan suatu bentuk dari kecerdasan buatan yang membantu mesin
'membaca' teks dengan mensimulasi kemampuan manusia untuk memahami
bahasa. Teknik NLP menggabungkan berbagai metode, termasuk linguistic,
semantic, statistic dan machine learning untuk mengekstrak entitas, hubungan dan
memahami konteks, yang memungkinkan pemahaman tentang apa yang dikatakan
atau ditulis, secara komprehensif. NLP membantu komputer memahami kalimat saat
kalimat itu dikatakan atau ditulis oleh manusia. NLP menggunakan sejumlah
metodologi untuk menguraikan ambiguitas dalam bahasa, termasuk ringkasan
otomatis, disambiguasi, ektraksi entitas dan hubungan, serta disambiguasi dan
pemahaman dan pengenalan natural language
Natural language processing untuk big data dapat dimanfaatkan untuk
mencari informasi yang relevan dan/atau meringkas konten dalam dokumen
berukuran besar untuk mendapatkan insight, semua dilakukan secara otomatis.

Penjelasan tentang big data dalam 5

menit dapat diakses di link berikut
ini:

Gambar 3. Big data in 5 minutes. Sumber:

Youtube
[Link]

16
Big Data Analytics

E. KUALITAS DATA

Data yang berkualitas sangat

dibutuhkan untuk pengambilan
keputusan yang cepat. Selain itu big
data analytics tidak akan bisa
memberikan insight jika datanya tidak
akurat atau datanya tidak terstandar
dalam data system.
Kualitas data adalah Gambar 4. Enam Dimensi Kualitas Data. Sumber
tentang bagaimana gambar: [Link]
membersihkan data yang buruk right-6-dimensions-of-data-quality/
(data yang hilang, salah/tidak
valid) dalam beberapa hal. Namun sangat penting sekali untuk mengetahui dimensi
utama kualitas data sehingga dapat menilai bagaimana data tersebut sebelum
digunakan.

Enam dimensi kualitas data: 7

1. Kelengkapan didefinisikan sebagai kelengakapan yang diinginkan. Data tetap

disebut lengkap bahkan meski data optional tidak ada. Selama data sesuai
dengan harapan, maka data diannggap lengkap. Sebagai contoh: Nama pertama
dan nama akhir wajib diisi, tetapi nama tengah adalah optional/pilihan. Jadi hasil
inputan data tersebut dianggap lengkap walaupun nama tengah tidak tersedia.
2. Konsistensi berarti data di seluruh sistem mencerminkan informasi yang sama
dan saling sinkron satu sama lain di seluruh perusahaan. Contohnya: Status unit
bisnis ditutup, tetapi tetap ada penjualan untuk bisnis tersebut. Status karyawan
diberhentikan tetapi status gaji aktif.

7
[Link]

17
Big Data Analytics

3. Kesesuaian berarti data mengikuti serangkaian definisi data standar seperti tipe
data, ukuran data, dan format data. Misalnya, tanggal lahir pegawai dalam
format ”dd/mm/yyyy”.
4. Akurasi adalah sejauh mana data benar-benar mencerminkan objek nyata di
dunia atau peristiwa yang sedang dijelaskan.
5. Integritas berarti validitas data lintas hubungan yang menjamin seluruh data di
dalam basis data dapat dilacak dan dihubungkan dengan data lainnya.
6. Ketepatan waktu mengacu pada ketersediaan informasi saat diharapkan dan
dibutuhkan. Ketepatan waktu data sangatlah penting.

F. ETIKA DALAM BIDANG BIG DATA

Potensi yang sangat besar dari big data

untuk mempengaruhi kehidupan individu hingga
masyarakat luas (bahkan negara dan dunia),
mengharuskan kita untuk secara berhati-hati
memastikan bahwa cara mendapatkan hingga
pemanfaatannya harus tetap mengedepankan
harkat dan martabat manusia.8
Identitas: Apakah identitas online dan offline
identik ?
Privasi: Siapa yang seharusnya mengendalikan
Gambar 5. Tinjauan Etik dalam
akses data tentang kita?
Bidang Big Data. Sumber Gambar:
Reputasi: Bagaimana kita menentukan bahwa data
[Link]
tersebut benar dan terpercaya?
content/uploads/sites/1043/2019/08
/Aspek-Etik-dan-Hukum-Big-Data-
[Link]
8
[Link]
[Link]

18
Big Data Analytics

Kepemilikan Data: Apa maksudnya bahwa kita-lah yang memiliki data tentang diri
kita sendiri?

Saat ini, tahun 2021, RUU Pelindungan Data Pribadi (RUU PDP) belum
disahkan, masih dalam pembahasan dengan DPR RI. RUU ini sangat penting karena
di era big data di mana “data is the new oil”, termasuk data pribadi pun menjadi
asset atau komoditas bernilai tinggi. Konsekuensinya, data pribadi merupakan hak
yang harus dilindungi, sebagai bagian dari Hak Asasi Manusia (HAM) dan amanat
yang disampaikan oleh konstitusi Negara Republik Indonesia serta Undang-Undang
Dasar 1945.

G. LATIHAN

1. Uraikan pengertian big data menurut Anda!

2. Jelaskan karakteristik big data!
3. Jelaskan sumber-sumber big data

H. RANGKUMAN

Secara umum, big data merujuk kepada data yang jumlahnya terus meningkat
secara eskponensial. kumpulan datanya besar dan terus membesar. Karena datanya
yang sangat besar, sehingga data tersebut tidak dapat dimasukkan atau diolah oleh
software yang biasa seperti excel, butuh infrastruktur pengolah data.
Sumber data adalah mobile sensors, social media, video surveillance, video
rendering, smart grids, geophysical exploration, medical imaging, gene sequencing,
Secara umum, sumber data dapat dibagi dalam social data, machine data,
transactional data
Karakteristik big data adalah volume, velocity, variety, veracity, value
Jenis data yaitu data tersturktur dan tidak terstruktur.

19
Big Data Analytics

Kualitas data meliputi kelengkapan, konsistensi, kesesuaian, akurasi,

integritas, ketepatan waktu.
Etika dalam bidang big data meliputi: identitas, privasi, reputasi, kepemilikan
data.

I. LATIHAN

1. Uraikan pengertian big data menurut Anda!

2. Jelaskan karakteristik big data!
3. Jelaskan sumber-sumber big data

J. EVALUASI MATERI

Pilihlah salah satu jawaban yang tepat untuk pertanyaan di bawah ini:

1. Di bawah ini adalah karakteristik big data, kecuali:

a. Volume
b. Velocity
c. Veracity
d. Vocality
e. Variety
2. Kualitas data yang terkait dengan data yang mengikuti serangkaian definisi data
standar seperti tipe data, ukuran data, dan format data adalah:
a. Kelengkapan
b. Konsistensi
c. Kesesuaian
d. Akurasi
e. Integritas

20
Big Data Analytics

3. video surveillance merupakan salah satu sumber data yang masuk dalam
kategori:
a. Social data
b. Machine data
c. Transaksional Data
d. Digital Imaging

4. Di bawah ini adalah contoh data terstuktur kecuali:

a. Tabel pegawai di kantor kita yang memuat, nama, NIP, pangkat, jabatan dll
b. Nomor Induk Mahasiswa, dimana sudah ditentukan berapa digit dan digit-
digit tertentu menunjukkan sesuatu.
c. Postingan di media sosial yang berupa status kata-kata
d. Tabel penjualan sebuah produk
e. Data statistic wilayah

K. UMPAN BALIK DAN TINDAK LANJUT

Sejauh mana Anda dapat menyelesaikan Latihan dan Evaluasi Materi yang ada
pada bab ini? Apabila Anda telah mampu menjawab Latihan dan Evaluasi Materi
pada Bab ini, berarti Anda telah menguasai topik ini dengan baik. Akan tetapi, jika
Anda masih merasa ragu dengan pemahaman Anda mengenai materi yang terdapat
dalam Bab ini serta adanya keraguan dan kesalahan dalam menjawab Latihan dan
Evaluasi Materi, maka disarankan Anda melakukan pembelajaran kembali secara
lebih intensif dengan membaca ulang materi, membaca bahan referensi, berdiskusi
dengan pengajar/fasilitator dan juga dengan sesama peserta pelatihan lainnya.

21
Big Data Analytics

BAB III

BIG DATA DALAM KESEHARIAN

Setelah mengikuti pembelajaran ini, Peserta diharapkan dapat menjelaskan big

data dalam keseharian

A. BIG DATA DALAM KESEHARIAN

 Apakah Anda sering posting foto diri di media sosial?

 Apakah Anda suka menandai lokasi Anda (geo taging) di media sosial/aplikasi
? (misalnya di foursquare, tripadvisor dll)
 Apakah Anda pengguna aplikasi transportasi daring?
 Apakah anda gemar pesan makanan melalui aplikasi?
 Aoakah Anda sering berbelanja di dunia maya?
 Apakah Andan sering/pernah menonton film/serial televisi di layanan
berbayar?
 Apakah Anda pengguna jam Kesehatan?

Kenapa pertanyaan-pertanyaan seperti di atas ditanyakan kepada Anda dan

apa hubungannya dengan big data?
Dalam kehidupan sehari-hari kita sering sekali mensubmit informasi ke suatu
aplikasi, misal ketika kita memposting foto kita di media sosial. Data apa yang dapat
diambil ? pernah dengar face regonition? jadi muka kita akan dimasukkan ke data
base mereka. Maka jangan heran ketika kita akan mengetag seseorang di foto yang
kita upload di media sosial, aplikasi akan memberikan rekomendasi nama dan
ternyata sesuai. Iya itu terjadi karena wajah-wajah kita sudah diinput ke dalam data
base mereka (aplikasi media sosial tersebut). Bukan hanya wajah kita yang akan

22
Big Data Analytics

dimasukkan ke data base aplikasi medsos, tapi semua data pribadi atau identitas kita
juga sudah direkam, dan tentunya perilaku kita juga sudah direkam. Misalnya: Anda
suka mengupload foto ketika bersepeda, dan ditambah lagi, Anda memasukkan
informasi hobi Anda bersepeda di biodata diri, maka jangan heran kalau iklan-iklan
sepeda akan muncul di timeline medsos Anda.
Contoh aktivitas lain yang suka kita lakukan adalah menandai lokasi di mana
kita berada, itu juga akan direkam oleh aplikasi, dan ini dapat memberikan informasi
kepada mereka pola berpergian, melacak keberadaan dll.
Pernahkah Anda memesan makanan ketika hujan turun ? saat Anda ingin
memesan menggunakan aplikasi delivery makanan online, anda direkomendasikan
makanan- makanan hangat yang berkuah ? kenapa bisa demikian. Karena aplikasi
sudah merekam perilaku konsumen memasan makanan pada saat hujan tiba.
Artinya di sini dengan teknologi, aplikasi tersebut dapat info bahwa cuaca sedang
turun hujan dan melalui perilaku konsumen-konsumen sebelumnya telah direkam
bahwa pada saat turun hujan, makanan yang lebih laku adalah makanan yang
berkuah hangat.
Begitu juga, pernah kah ketika Anda ingin pergi ke suatu tempat dan memesan
kendaraan menggunakan aplikasi, misalnya ojol (ojek online), Anda
direkomendasikan titik tujuan, misal ingin ke stasiun Gambir, maka aplikasi akan
merekomendasikan Anda apakah di lobby Utara, Timur, Selatan dsb. Itu semua
karena ada data dari penumpang sebelumnya yang sering berhenti di titik tersebut
dan dijadikan informasi oleh pemilik aplikasi untuk meningkatkan layanan
penggunaan ojol tadi. Jadi perilaku-perliaku apapun yang Anda lakukan selama
terhubung dengan internet dan Anda melakukan log in dengan identitas Anda, maka
semua itu akan terekam.
Jadi ketika Anda ber-media sosial dan meletakkan informasi tentang diri Anda,
maka Anda harus sudah merelakan bahwa aktivitas diri Anda akan terekam.

23
Big Data Analytics

Di bawah ini meta data (data tentang data) dari aktivitas keseharian kita:

B. DATA DAN REVOLUSI DATA

Dari materi sebelumnya, kita melihat adanya revolusi data. Kenapa revolusi
data ini bisa terjadi? Dengan adanya kemajuan teknologi, di sekitar Anda banyak
sekali sistem digital. Sistem digital tersebut menghasilkan data dan lokasinya pun di
mana-mana: rumah, kantor, ruang publik dll.
Media sosial, media daring, telephone pintar, komputasi awan dan internet of
things, membuat terjadinya terjadi revolusi data, di mana semua aspek terdigitalisasi
dan data nya terscale-up. Hal ini juga diikuti adanya keterbukaan data publik atau
transparansi. Di pemerintahan misalnya, memberikan informasi kepada publik, dll.

“ The world’s most valuable resource is no longer oil,

but data (Economist, Edisi Mei 2017)”

Data menjadi komoditas yang sangat mahal saat ini karena data juga dapat
mendorong terjadinya inovasi. Begitu banyak data sehingga disebut revolusi data.
Lantas apa yang membuat data tumbu ? tentunya seperti yang telah disampaikan di
sub bab sebelumnya, bahkan kita menghasilkan data, jadi perilaku kita lah yang
membuat data itu tumbuh. Juga ditambah dengan perkembangan teknologi. Web
2.0, dengan adanya media sosial, di mana Anda sebagai konsumer juga dapat sebagai
produser, karena interaktivitas yang disediakan oleh web 2.0. Selain itu, pandemi

24
Big Data Analytics

Covid-19 juga membuat data tumbuh menjadi lebih cepat. Di mana aktivitas fisik
dikurangi, bergeser ke ruang virtual dan semuanya menghasilkan data.

C. LATIHAN

1. Jelaskan apa yang dimaksud dengan meta data? Dan berikan contoh meta data
yang pernah anda buat ?
2. Carilah di internet kasus pertama
kali yang terkait dengan big data
pada tahun 2012. Kasus ini bukan
saja ramai di Amerika Serikat
tetapi juga di dunia. Kasus ini
terkait dengan supermarket yang
bernama “Target” yang
mengetahui lebih dahulu kehamilan seorang Remaja daripada ayah remaja
tersebut lewat big data. Silahkan diskusikan bagaimana supermarket tersebut
dapat mengetahui kehamilan remaja tersebut.

D. RANGKUMAN

Banyak sekali data berseliweran di sekitar Anda setiap hari. Anda bukan hanya
sebagai konsumen data tetapi produsen data. Data-data yang dihasilkan akan
menghasilkan data. Inilah yang disebut tentang meta data.
Revolusi data memang terjadi karena perilaku kita sebagai konsumen dan
produsen data, tetapi teknologi menjadi enabler untuk hal tersebut. Perkembangan
teknologi khususnya web 2.0 menjadi semua orang dapat memproduksi data. Selain
itu, ternyata pandemi Covid-19 juga membuat revolusi data menjadi lebih cepat lagi.
Semua Instansi mau tidak mau harus bertransformasi digital dan tentunya ini juga
salah satu penyebab revolusi data.

25
Big Data Analytics

E. EVALUASI MATERI

Jawablah pertanyaan di bawah ini dengan tepat!

1. Meta data apa yang dihasilkan ketika Anda menonton film lewat Netflix ?
a. Face detection
b. Preferensi makanan
c. Durasi
d. Pola tidur
e. Pola olahraga
2. Di bawah ini data yang dapat dideteksi sebuah smart watch, kecuali:
a. Lokasi
b. Detak jantung
c. Jumlah langkah kaki setiap hari
d. Penghasilan
e. Suhu tubuh
3. Di bawah ini yang menyebabkan terjadinya revolusi data, kecuali:
a. Transformasi digital
b. Perkembangan teknologi
c. Perilaku media sosial
d. Perilaku manusia
e. Perkembangan IOT

F. UMPAN BALIK DAN TINDAK LANJUT

Sejauh mana Anda dapat menyelesaikan Latihan dan Evaluasi Materi yang ada
pada bab ini? Apabila Anda telah mampu menjawab Latihan dan Evaluasi Materi
pada Bab ini, berarti Anda telah menguasai topik ini dengan baik. Akan tetapi, jika
Anda masih merasa ragu dengan pemahaman Anda mengenai materi yang terdapat
dalam Bab ini serta adanya keraguan dan kesalahan dalam menjawab Latihan dan

26
Big Data Analytics

Evaluasi Materi, maka disarankan Anda melakukan pembelajaran kembali secara

lebih intensif dengan membaca ulang materi, membaca bahan referensi, berdiskusi
dengan pengajar/fasilitator dan juga dengan sesama peserta pelatihan lainnya.

27
Big Data Analytics

BAB IV

TAHAPAN ANALISIS DATA

Setelah mengikuti pembelajaran ini, Peserta diharapkan dapat menjelasakan

tahapan analisis data

A. TINGKATAN ANALISIS

 Deskriptif
− Untuk memberikan gambaran fenomena/karakteristik populasi yang
menjadi perhatian
− Memberikan gambaran besar kecilnya suatu permasalahan
− biasanya berupa ringkasan statistik seperti persentase, ukuran pemusatan
(mean, median, modus) dan penyebaran (deviasi standar, range, IQR) atau
berupa grafik seperti diagram batang, histogram; dan tabel statistik
 Kausal
− Untuk melihat hubungan kausalitas dalam fenomena yang menjadi
perhatian
− Hubungan kausal biasanya ditunjukkan atau dibuktikan melalui analisis
data eksperimental atau analisis data yang diperoleh berdasarkan desain
studi yang mendukung hubungan kausal
 Prediktif
Prediksi fenomena yang akan datang dengan diketahui keadaan atau asumsi
tertentu, misalnya prediksi kondisi sosial ekonomi ke depan

28
Big Data Analytics

B. TEKNIK PENGUMPULAN DATA

Pengumpulan data sangat penting dan secara praktis cukup menantang atau
(hampir tidak mungkin) untuk membangun model yang baik tanpa adanya data yang
berkualitas. Banyak organisasi mengumpulkan data yang tidak lengkap dan tidak
valid yang sama sekali tidak bisa digunakan untuk analisa lebih jauh.
Pengumpulan data adalah proses mengumpulkan, mengukur, dan
menganalisis berbagai jenis informasi menggunakan seperangkat teknik terstandar
dan tervalidasi. Tujuan utama pengumpulan data adalah untuk mengumpulkan data
yang kaya dengan informasi dan dapat diandalkan dalam analisa untuk pengambilan
keputusan bisnis. Setelah data dikumpulkan, maka selanjutknya adalah proses
pembersihan data dan pemrosesan data yang ketat untuk membuat data benar-
benar berguna bagi bisnis dan organisasi.
Ada dua metode utama dalam pengumpulan data penelitian berdasarkan
informasi yang dibutuhkan, yaitu:
1. Pengumpulan Data Primer
a. Interview
b. Observasi
c. Survei dan Kuisioner
d. FGD
2. Pengumpulan Data Sekunder
a. Internet
b. Arsip Pemerintah
c. Perpustakaan

C. DATA PRE-PROCESSING

Pra-pemrosesan data adalah proses mengubah data mentah menjadi format

yang dapat dipahami. Ini juga merupakan langkah penting dalam penambangan data
karena data analyst atau data scienctist tidak dapat bekerja dengan data mentah.

29
Big Data Analytics

Kualitas data harus diperiksa sebelum penerapan machine leraning atau algoritma
data mining (data modelling).
Pra-pemrosesan data terdiri beberapa tugas utama:
1. Pembersihan data
2. Integrasi data
3. reduksi data
4. Transformasi data

D. EXPLORATORY DATA ANALYSIS (EDA)

Exploratoty Data Analysis (EDA) adalah pendekatan dalam menganalisis

kumpulan data untuk merangkum karakteristik utamanya, sering kali menggunakan
grafik statistik dan metode visualisasi data lainnya.
EDA membantu para profesional ilmuwan data dalam berbagai hal, sebagai
berikut:
1. Mendapatkan pemahaman yang lebih baik tentang data
2. Mengidentifikasi berbagai pola data
3. Mendapatkan pemahaman yang lebih baik tentang pernyataan masalah

E. DATA MODELING

Tergantung pada jenis pertanyaan atau masalah yang akan coba dijawab
dengan data. Ada banyak algoritma pemodelan yang tersedia dapat digunakan.
Proses pelatihan model meliputi langkah-langkah berikut:
1. Pisahkan data input secara acak untuk pemodelan menjadi data training dan
data testing.
2. Bangun model dengan menggunakan kumpulan data training.
3. Mengevaluasi dataset training dan dataset testing. Gunakan serangkaian
algoritma machine learning yang dibandingkan satu sama lain dengan
menggunakan berbagai parameter terkait yang diarahkan untuk menjawab
pertanyaan dari data yang dianalisis.

30
Big Data Analytics

4. Tentukan solusi "terbaik" untuk menjawab pertanyaan dengan

membandingkan metrik keberhasilan antara metode-motede alternatif.

F. DATA VISUALIZATION

Data visualization atau visualisasi data adalah proses menerjemahkan data

besar ke dalam konteks visual, seperti bagan, grafik atau peta. Sehingga representasi
visual data yang dihasilkan seperti tren, anomali dan wawasan baru dapat lebih
mudah dipahami dan dicerna oleh otak manusia.
Visual dapat digunakan untuk dua tujuan:

1. Exploratory data analysis: Ini digunakan oleh analis data, ahli statistik, dan
ilmuwan data untuk lebih memahami data. Seperti yang sudah dijelaskan
sebelumnya, ini digunakan untuk mengeksplorasi tren tersembunyi dan pola
dalam data.
2. Explanatory data analysis: Setelah analis memahami data dan menemukan
hasilnya, cara terbaik untuk menyampaikan ide dan temuan mereka adalah
melalui visual. Ini digunakan untuk menyusun cerita yang akan menarik bagi
pemirsa yang menawarkan wawasan yang lebih dalam.
Dasbor adalah alat visualisasi informasi. Ini membantu kita memantau acara
atau aktivitas secara sekilas dengan memberikan wawasan tentang satu atau
beberapa halaman atau layar. Tidak seperti infografis, yang menyajikan representasi
grafis statis, dasbor menyampaikan informasi waktu nyata dengan menarik titik data
yang kompleks langsung dari kumpulan data besar. Dasbor interaktif memudahkan
untuk menyortir, memfilter, atau menelusuri berbagai jenis data sesuai kebutuhan.

G. LATIHAN

1. Carilah di internet, dua tools yang dapat memproses big data, kemudian
jabarkan bagaimana cara kerja alat tersebut !

31
Big Data Analytics

2. Bukalah situs Instansi Anda, apakah ada hasil data visualization di situs
tersebut? Jelaskan!

H. RANGKUMAN

Ada tiga tingkatan analisis, yaitu: deskriptif, kasual dan prediktif.

Pengumpulan data adalah proses mengumpulkan, mengukur, dan menganalisis
berbagai jenis informasi menggunakan seperangkat teknik terstandar dan
tervalidasi.
Ada dua metode utama dalam pengumpulan data penelitian berdasarkan
informasi yang dibutuhkan, yaitu: Pengumpulan Data Primer dan Pengumpulan Data
Sekunder
Pra-pemrosesan data adalah proses mengubah data mentah menjadi format
yang dapat dipahami. Pra-pemrosesan data terdiri beberapa tugas utama:
pembersihan data, integrasi data, reduksi data dan transformasi data..
Exploratoty Data Analysis (EDA) adalah pendekatan dalam menganalisis
kumpulan data untuk merangkum karakteristik utamanya, sering kali menggunakan
grafik statistik dan metode visualisasi data lainnya.
EDA membantu para profesional ilmuwan data dalam berbagai hal, sebagai
berikut: mendapatkan pemahaman yang lebih baik tentang data, mengidentifikasi
berbagai pola data, mendapatkan pemahaman yang lebih baik tentang pernyataan
masalah.
Pada data modelling, ada banyak algoritma pemodelan yang tersedia yang
dapat digunakan, dan hal ini tergantung pada jenis pertanyaan atau masalah yang
akan coba dijawab
Data visualiazation atau visualisasi data adalah proses menerjemahkan data
besar ke dalam konteks visual, seperti bagan, grafik atau peta. Sehingga representasi
visual data yang dihasilkan seperti tren, anomali dan wawasan baru dapat lebih
mudah dipahami dan dicerna oleh otak manusia.

32
 Big Data Analytics

I. EVALUASI MATERI

Jawablah pertanyaan di bawah ini dengan tepat!

1. Memberikan besar kecilnya gambaran suatu permasalahan, termasuk dalam
tingkatan analisis big data:
a. Kasual
b. Deskriptif
c. Prediktif
d. A dan B benar
e. Semua salah
2. Di bawah ini pengumpulan data sekunder, kecuali:
a. Internet
b. Interview
c. Perpustakaan
d. Arsip pemerintah
e. Website pemerintah
3. Di bawah ini yang didapat dari Exploratory Data Analysis (EDA), kecuali:
a. Mendapatkan pemahaman yang lebih baik tentang data
b. Mengindentifikasi data yang salah
c. Mengidentifikasi berbagai pola data
d. Mendapatkan pemahaman yang lebih baik tentang pernyataan masalah
e. Merangkum karakteristik utamanya, sering kali menggunakan grafik
statistik dan metode visualisasi data lainnya

4. Di bawah ini tugas utama dari pra-pemprosesan, kecuali:

a. Pembersihan data
b. Integrasi data
c. Modeling data

33
Big Data Analytics

d. Reduksi data
e. Transformasi data
5. Proses menerjemahkan data besar ke dalam konteks visual, seperti bagan,
grafik atau peta, termasuk bagian dari:
a. Pengumpulan data
b. Modelling data
c. Exploratory Data Analysis
d. Pemprosesan Data
e. Data Visualization

J. UMPAN BALIK DAN TINDAK LANJUT

Sejauh mana Anda dapat menyelesaikan Latihan dan Evaluasi Materi yang ada
pada bab ini? Apabila Anda telah mampu menjawab Latihan dan Evaluasi Materi
pada Bab ini, berarti Anda telah menguasai topik ini dengan baik. Akan tetapi, jika
Anda masih merasa ragu dengan pemahaman Anda mengenai materi yang terdapat
dalam Bab ini serta adanya keraguan dan kesalahan dalam menjawab Latihan dan
Evaluasi Materi, maka disarankan Anda melakukan pembelajaran kembali secara
lebih intensif dengan membaca ulang materi, membaca bahan referensi, berdiskusi
dengan pengajar/fasilitator dan juga dengan sesama peserta pelatihan lainnya.

34
Big Data Analytics

BAB V

PEMANFAATAN BIG DATA DALAM PEMERINTAHAN

Setelah mengikuti pembelajaran ini, Peserta diharapkan dapat menjelaskan

pemanfaatan big data dalam pemerintahan dengan baik dan benar.

A. URGENSI BIG DATA DALAM PEMERINTAHAN

Big data melahirkan fenomena sosial, yang ditandai dengan semakin

meningkatnya peran negara dan pasar dalam melakukan peran “pengawasan”,
peran mata-mata (surveillance),
pada warga negara (digital).

Big data juga dapat meningkatkan

partisipsasi warga negara di ruang
digital. Selain itu, big data
melahirkan topik kajian baru dalam
disiplin ilmu sosial dan politik tidak
hanya di Indonesia, melainkan
secara global (terdapat banyak
variable dalam satu permasalahan
Gambar 6. Social Network Analyisis sosial. Semakin banyak data yang
(SNA), Salah satu Metode Menggunakan
Big Data diperoleh, hasil analisis akan
menjadi lebih akurat sehingga dapat
mengambil keputusan dengan lebih baik). Big data driven policy atau pemanfaatan
big data dalam penyusunan kebijakan pemerintah menjadi sangat penting saat ini.
Selain itu, penggunaan big data dalam sektor pemerintahan adalah adanya

35
Big Data Analytics

transparansi pada data-data yang disajikan. Hal ini untuk mewujudkan open
government dalam negara demokratis.
Tantangan pemerintahan saat ini jauh berbeda dengan era sebelumnya.
Lingkungan strategis pemerintahan penuh dengan perubahan cepat dan dinamis
serta menghadapi berbagai macam disrupsi. VUCA (Volatility, Uncertainty,
Complexity dan Ambiquity) kata yang sering kita dengar saat ini, menggambarkan
betapa pentingnya untuk memilki mindset yang adaptif dan bertindak agile karena
dunia yang serba tak menentu dan perubahan yang cepat. Kebijakan-kebijakan yang
diambil tidak lagi riil dengan kebutuhan di lapangan karena saking cepatnya
perubahan yang terjadi, selain itu berbagai kemajuan di bidang teknologi juga vegitu
pesat, sehingga menimbulkan disrupsi, jika dimanfaatkan dengan baik akan menjadi
peluang meningkatkan kualitas pelayanan publik. Namun jika pemerintah gagal
memanfaatkan peluang tersebut maka justru kemajuan tersebut akan menjadi
permasalahan. Pemerintah dituntut untuk menguasai teknologi, bertransformasi
digital dan mendorong perubahan.
Tingkat interaksi masyarakat dengan menggunakan media sosial, sebagai
platform komunikai digital, menyebabkan komunikasi semakin intens antara
msnyarakat dan pemerintah. Kemudahan komunikasi ini juga menyebabkan
masyakarat semakin kritis terhadap isu-isu publik, masyarakat semakin kritis
terhadap pelaksanaan kebijakan pemerintah. Masyarakat semakin terbiasa
menyampaikan kritik, saran. Hal ini bagus untuk mendorong demokrasi, di mana
pertanyaaan pertanyaan terbuka, tuntuan akuntabilitas dan pemerintah. Ini lah
partisipasi publik dalam pemerintahan.
Big data bermanfaat untuk mendorong transformasi sektor publik, melalui
peningkatan kualitas pelayanan publik, pengambilan kebijakan, dan partisipasi
masyarakat.
Pemanfaatan big data dalam mewujudkan open government dalam jangka
menengah, akan menghasilkan kebijakan berguna untuk meningkatkan kualitas

36
Big Data Analytics

layanan publik. Dalam jangka Panjang, akan meningkatkan kualitas demokrasi,

pertumbuhan inklusif, kepercayaan terhadap pemerintah serta kepastian sistem
hukum.
Untuk menjalankan Open Government yang optimal, Pemerintah
menggunakan sumber daya digital yang diperoleh dari kemajuan teknologi, salah
satunya adalah big data. Analisis big data yang tepat dan cepat, dapat menghasilkan
kebijakan yang tepat pula untuk masyarakat.
Peran big data dalam Open Government (World bank, 2017)
1. Penyelenggaraan Pelayanan Publik (Service Delivery)
Big data analytics berguna untuk meningkatkan kualitas layanan publik karena
big data analytic dapat memetakan kebutuhan stakeholder, sehingga pelayanan
kepada stakeholder lebih tepat guna. Selain itu big data juga dapat
dimanfaatkan untuk mendeteksi fraud, ketidakpatuhan, dan bottlenecks dalam
penyelenggaraan pemerintahan. Singkat kata, big data analytics dapat
digunakan oleh pemerintah untuk meningkatkan layanan yang sudah ada dan
memanfaatkan masuknya data baru untuk mendorong pelayanan publik yang
lebih baik.
2. Pengambilan Kebijakan (Policy Making)
Dalam pengambilan kebijakan, big data dapat memetakan kondisi-kondisi riil
yang ada di lapangan. Pemerintah tidak lagi membuat kebijakan berdasarkan
perspektif nya sendiri, tapi “suara” masyarakat dapat dideteksi lewat big data
analytics. Selain itu, pembuat kebijakan dapat menggunakan citra satelit, data
ponsel, dll untuk menghasilkan indikator ekonomi alternatif untuk policy insight
yang baru dan real time.
3. Keterlibatan/Interaksi Masyarakat (Citizen Engagement)
Pada aspek ini, big data analytics khususnya analisis media sosial, dapat
memotret sentimen-sentimen masyarakat terhadap suatu isu dan juga interaksi
masyarakat terhadap suatu keadaan. Selain itu kebijakan open data mengajak

37
Big Data Analytics

masyarakat untuk menggunakan data secara bijak, hal ini akan membuat
masyarakat kita lebih engange. Dengan menerapkan machine learning ke media
online dan media sosial, pemerintah dapat lebih responsif terhadap pendapat
masyarakat dan memperkuat keterlibatan masyarakat. Warga bukan lagi
sebagai yang perlu dilayani tapi warga diajak untuk sama-sama melayani warga
lainnya. keterlibatan masyarakat bukan lagi sebagai “customer”, tetapi sebagai
“partner”. Kita akan bahas tentang kebijakan satu data pada sub bab
berikutnya.

B. PENERAPAN BIG DATA DALAM PEMERINTAHAN

Salah satu penerapan big data dalam menyukseskan target Suistainable

Development Goals (SDGs) adalah seperti pada tayangan di link berikut ini:

Gambar 7. Tampilan video "Combining satellite

imagery and machine learning to predict
poverty". Sumber: Youtube

[Link]

38
Big Data Analytics

“No poverty” (tidak ada kemiskinan) adalah satu dari 17 target SDGs pada
tahun 2030. Untuk melihat progress dalam mencapai target “no poverty” ini
diperlukan suatu cara yang cepat dan riil time serta reliabel. Sebelum penggunaan
teknologi citra satelit, metode yang digunakan adalah survey dari rumah ke rumah.
Namun, sekarang data yang diambil menggunakan citra satelit. Citra satelit
digabungkan dengan machine learning untuk memprediksi kemiskinan pada daerah
tertentu. Dengan menggunakan citra satelit pada siang hari untuk mempredikasi
seberapa terang suatu daerah pada malam hari. Semakin terang, maka daerah
tersebut semakin
berkembang. Hal ini
menyebabkan distribusi
dana lebih efisien dan dapat
menetapkan serta
mengevaluasi kebijakan
lebih efektif.

Gambar 8. Hasil Potret Citra Satelit (Daerah Lebih

Terang, Lebih Berkembang). Sumber: Youtube

Selanjutnya, kita akan mengeksplore penerapan big data pada Smart City.
Pernahkah Anda mendengar kata “Smart City” ? ya, arti harfiahnya, Smart city adalah
kota cerdas. Tapi apa itu sebenarnya smart city? Kita bahas sedikit tentang smart city
baru kemudian mengeksplore penggunaan big data. Smart city adalah kota cerdas
yang tidak meninggalkan jatidiri/identitas dan ciri khasnya. Smart city bukanlah kota
ditambah teknologi, atau sekedar adopsi teknologi, tapi bagaimana transformasi
terjadi pada people, proses dan teknologi untuk membentuk quality of life yang lebih
baik. Quality of life yang lebih baik, artinya permasalahan-permasalahan kota dapat
teratasi dengan baik dan pelayanan untuk masyarakatnya menjadi lebih baik. Singkat
kata, smart city adalah apabila kehidupan hari ini adalah lebih baik dari kemarin, dan

39
Big Data Analytics

kehidupan hari esok lebih baik dari hari ini. Tujuan smart city adalah mencerdaskan
dan mensejahterakan masyakaratnya, sama seperti tujuan para founding fathers
bangsa ini, seperti yang termaktub dalam UUD NRI 1945. Smart city menuju smart
nation.
Peran teknologi dalam smartcity adalah sebagai salah satu enabler. Hanya
sebagai salah satu, karena untuk membentuk smart city atau dalam proses
smartization, diperlukan teknik-teknik yang smart dan bukan hanya teknologi yang
berperan di situ. Lantas bagaimana penerapan big data pada smart city ? big data
digunakan untuk meningkatkan layanan dan program-program suatu kota. Sebagai
contoh, kita ambil kota Jakarta. Tim Jakarta Smart City, dapat menganalisis keluhan
warga, analisis data trans Jakarta, analisis penggunaan Kartu Jakarta Pintar (KJP) dll.
Data tersebut dapat berasal dari interaksi pengguna, misalnya menggunakan gadget
(mengakses aplikasi Qlue kemudian melaporkan pelayanan yang dirasa masih kurang
baik di Jakarta), menggunakan kartu elektronik ketika akan masuk halte Trans Jakarta
(mengetap kartu), ini akan memberi informasi berapa jumlah pengguna trans Jakarta
setiap hari di suatu halte. Sehingga dapat mengetahui halte mana yang paling padat
setiap harinya dan mana yang tidak. Mendeteksi penggunaan/pola konsumsi KJP
(barang apa saja yang paling banyak dibeli dengan menggunakan KJP).
Untuk memperoleh data mengenai kota Jakarta, Anda dapat mengaksesnya di:
[Link]
Namun untuk data Indonesia dalam satu portal, Anda dapat mengaksesnya di:
[Link] . Kebijakan open data adalah kebijakan di mana pemerintah
menyediakan data untuk dapat digunakan oleh masyarakat. Tentunya yang dapat
digunakan oleh masyarakat adalah data umum, bukan data rahasia, apalagi sangat
rahasia. Contoh data umum misalnya: cuaca, demografi, hujan, status kekeringan,
jumlah penderita covid-19, dan masih banyak lainnya. Kalau merujuk kepada
Undang-undang Keterbukaan Informasi Publik (UU KIP), semua informasi adalah
terbuka, kecuali yang dikecualikan. Yang dikecualikan ini ada dalam pasal 17 UU KIP.

40
Big Data Analytics

Silahkan dieksplore. Loh, kita bicara data,

tetapi kok larinya ke informasi? Apa
hubungannya data dengan informasi? Di
dalam DIKW (Data, Information, Knowledge,
Wisdom) Pyramid, seperti gambar di bawah
ini terlihat bahwa sebelum ada informasi,
didahului oleh data. Data jumlahnya sangat
Gambar 9. DIKW Pyramid
banyak dan berada di paling bawah. Data
dalah sekumpulan fakta dan tidak semua
data tersebut berguna dan bermanfaat. Fakta yang berguna inilah yang disebut
sebagai informasi atau fakta yang punya makna. Level di atas informasi adalah
knowledge atau pengetahuan. Pengetahuan di sini untuk menjawab bagaimana.
Selanjutnya paling atas adalah wisdom atau kearifan. Untuk mengetahui kenapa
suatu fenomena itu dapat terjadi (why).
Lanjut mengenai open data. Open data akan bermanfaat untuk
pemberdayaan masyarakat juga, dimana masyakarat dapat berinovasi dengan data
yang dapat diakses. Perpres satu data yaitu Perpres No.39 Tahun 2019 dikeluarkan
untuk menjawab data yang masih berserakan di mana-mana akibat ego sektoral.
Tidak boleh lagi membuat data center baru di Indonesia. Kementerian Komunikasi
dan Informatika saat ini sedang membangun National Data Center atau Pusat Data
Nasional. Ini juga terkait dengan kebijakan SPBE (Sistem Pemerintahan yang Berbasis
Elektronik) di mana pembangunan SPBE merupakan pembangunan yang terpadu,
terintegrasi dan konslidasi. Dibutuhkan semangat persatuan antar instansi baik
pusat maupun daerah untuk menyukseskan pembangunana SPBE di mana muaranya
adalah untuk meningkatkan kualitas birokrasi dan pelayanan publik dengan kinerja
tinggi.
Tantangan dan peluang pemanfaatan big data di Indonesia
Tantangan:

41
Big Data Analytics

1. Data yang masih berada di masing-masing Lembaga pemerintah/ data silos

antar Lembaga Pemerintah
2. Belum meratanya ketersediaan infrakstrukur telekomunikasi dan
infrastruktur pendukung implementasi big data
3. Jumlah talenta digital yang mumpuni dan berkualitas yang masih kurang.
Peluang:
1. Perpres No. 39 tahun 2019 tentang Satu Data Indonesia sebagai legal basis
untuk mewujudkan pemanfaatan big data
2. Pembangunan Pusat Data Nasional sebagai salah satu infrastruktur
pendukung Sistem Pemerintah Berbasis Elektronik (SPBE) dan satu data
Indonesia
3. Penguatan kurikulum berbasis Science, Techology, Engineering, Arts,
Mathematics (STEAM) serta link and match untuk mendapatkan skill set
yang tepat untuk pemanfaatan big data dan tentunya yang menekankan
hands-on.

Contoh ketiga adalah big data terkait untuk kebaikan sosial. Big data juga
dapat membantu menyelesaikan beberapa masalah sosial dan lingkungan yang
paling sulit di masyarkat. Contoh berikut ini dari negara Australia, Amerika dan Mesir
yang dapat menjadi best practice untuk kita. Ada lima proyek yang akan diulas:9

9
[Link]
kebaikan-sosial-107205

42
Big Data Analytics

1. Peta aksi kemanusian di Melbourne

Dengan menggunakan
data media sosial,
memasukkan keyword
(kata kunci): #volunteer
dan #charity ke dalam
alat analisis, diperoleh
peta sebaran lokasi
orang-orang yang
Gambar 10. Distribusi Aksi-Aksi Kemanusiaan di
menggunakan hastag
Melbourne
tersebut. Anda sudah
belajar meta data di bab sebelumnya, di mana ketika Anda mengakses media sosial
dan mengaktifkan lokasi/keberadaan Anda, maka lokasi Anda terekam. Sehingga
ketika petugas kemanusiaan Australia melakukan aksi charity kemudian
mengaktikfkan lokasi keberadaanya dan menggunakan hastag #volunteer dan
#charity dalam setiap postingan terkait aksinya menjadi suatu big data yang dapat
dianalisis. Dari gambar terlihat titik biru (#volunteer actions) dan titik merah
(#charity actions) mengumpul pada suatu daerah tertentu. Artinya aksi kemanusiaan
tidak merata. Ke depan dapat diambil kebijakan, bahwa distribusi aksi kemanusiaan
harus lebih merata atau bahkan disesuaikan dengan daerah yang terkena bencana,
misal kekeringan dan kesulitan lainnya.

43
 Big Data Analytics

2. Peta skor risiko ancaman kebakaran

Di samping adalah gambar
peta skor risiko kebakaran. Yang
berwarna merah adalah blok-blok
rumah yang memilki risiko
kebakaran karena mereka tidak
memiliki alat peringatan
kebakaran dan asap. Selain
mendeteksi dengan alat geocoder, Gambar 11. Peta Skor Risiko Ancaman
mereka menggabungkan datanya Kebakaran
dengan sensus nasional, serta
analitik berdasarkan data insiden kebakaran lokal untuk mendapatkkan sebuah skor
risiko. Setelah diketahui daerah yang berisiko tinggi terhadap kebakaran, dapat
diambil kebijakan, misalnya memperbanyak alat pemadam kebakaran di sekitar
daerah tersebut atau kebijakan lainnya.
3. Peta kekerasan yang dilakukan oleh Polisi di Amerika Serikat
Gambar di samping adalah
visualisasi banyaknya kekerasan
yang dilakukan oleh Polisi di
Amerika Serikat dalam kalender
tahun 2021. Hanya 15 hari dalam
tahun 2021, Polisi tidak melakukan
kekerasan. Dari mana data ini
didapat? Anda pernah mendengar
crowdsourcing ? Ya, di bidang
Gambar 12. Visualisasi Banyaknya Kekerasan
finansial merupakan konsep baru
oleh Polisi di Amerika Serikat
pendanaan di era digital. Di mana
terjadi penggalangan atau pendanaan dari banyak orang melalui fasilitas online.

44
Big Data Analytics

Intinya adalah mendapatkan dari banyak orang. Beda nya, pada proyek ini yang
digalang atau dikumpulkan adalah bukan dana, melainkan data dari warga, maka
dapat disebut crowdsource. Proyek mapping police violence dapat Anda klik pada
tautan berikut: [Link] . Proyek di AS ini memonitor,
memahami, dan memvisualisasikan kekerasan polisi. Hal ini mengacu pada tiga
database crowdsourced, selain itu juga menggunakan gabungan data dari media
sosial, berita kematian, database catatan kriminal, laporan polisi dan sumber
informasi lainnya. Dengan menggabungkan semua sumber data, didapat insight yang
sangat berharga untuk pengambilan keputusan. Misalnya, untuk memperbaiki
kinerja Polisi apakah harus ada perbaikan SOP dalam menangani kejahatan ? atau
kebijakan lainnya.
4. Kotak sampah pintar.
Gambar di samping adalah
keranjang sampah “BigBelly”. Tempat
sampah pintar ini menggunakan
teknologi IOT untuk menggumpulkan
data. Tempat sampah pintar ini dapat
memadatkan sampah untuk sampah-
sampah yang dapat didaur ulang.
Tempat sampah tersebut khusus untuk Gambar 13. Keranjang Sampah "BigBelly"
sampah-sampah yang berupa botol,
kaleng, dan kertas yang dapat dipadatkan. Ketika dimasukkan ke tempat sampah
tersebut, akan ada data digitalnya. Jadi dapat diketahui pola masyarakat Melbourne
ketika membuang sampah. Di tempat sampah atau titik mana yang paling banyak
sampah botolnya, mana yang paling banyak kalengnya dan sebagainya. Data ini
berguna untuk dapat memetakan daur ulang sampah. Sejauh mana penggunaan
botol, kaleng dsb. digunakan oleh masyarakat Melbourne, kebutuhan pengeloaan
nya dan pemanfaatan sampahnya yang dibuang di tempat sampah pintar tersebut.

45
Big Data Analytics

5. Peta lokasi rawan pelecehan seksual jalanan

Gambar di samping adalah peta

lokasi rawan pelecehan seksual
jalanan di Mesir. Proyek ini juga
menggunakan data dari
warganya. Link proyek ini
adalah:
[Link]
Gambar 14. Pemetaan lokasi rawan pelecahen
seksual dilaporkan di Mesir Platform tersebut mengambil
data dari laporan pelecehan
seksual yang ada di jalan-jalan di Mesir. Dipetakan, jalan mana yang rawan pelecehan
seksual sehingga dapat disampaikan ke masyarakat. Supaya masyarakat dapat
menghindari, di sisi lain juga supaya Polisi lebih bersiap menangani untuk menekan
jumlah pelecehan seksual di Mesir.

C. LATIHAN

1. Carilah di internet satu best practice penggunaan big data untuk menyelesaikan
permasalahan yang ada di sekitar kita. Elaborasikan bagaimana insight yang
didapat dari hasil analisis big data tersebut.
2. Di latihan sebelumnya, Anda telah diminta membuka situs instansi Anda dan
mencari data visualization. Jika ada, jelaskan value dari data yang ditampilkan
tersebut!

46
 Big Data Analytics

D. RANGKUMAN

Big data bermanfaat untuk mendorong transformasi sektor publik, melalui

peningkatan kualitas pelayanan publik, pengambilan kebijakan, dan partisipasi
masyarakat.
Pemanfaatan big data dalam mewujudkan open government dalam jangka
menengah, akan menghasilkan kebijakan berguna untuk meningkatkan kualitas
layanan publik. Dalam jangka Panjang, akan meningkatkan kualitas demokrasi,
pertumbuhan inklusif, kepercayaan terhadap pemerintah serta kepastian sistem
hukum.
Untuk menjalankan Open Government yang optimal, Pemerintah
menggunakan sumber daya digital yang diperoleh dari kemajuan teknologi, salah
satunya adalah big data. Analisis big data yang tepat dan cepat, dapat menghasilkan
kebijakan yang tepat pula untuk masyarakat.
Penerapan big data sangat banyak. Contoh-contohnya antara lain: mendeteksi
progress perkembangan target SDGs “no poverty”, pembangunan smart city,
memetakan aksi kemanusian di Melbourne, memetakanskor risiko ancaman
kebakaran di kota New York, memetakan kekerasan yang dilakukan oleh Polisi di
Amerika Serikat, memetakan daur ulang sampah, memetakan lokasi rawan
pelecehan seksual jalanan di Mesir. Masih banyak lagi contoh penggunaan big data
yang ada di sekitar kita. Yang terpenting adalah penggunaan big data tidak untuk hal-
hal negatif, melainkan untuk menjawab permasalahan bangsa dan negara.

E. EVALUASI MATERI

Jawablah Pertanyaan di bawah ini dengan tapat:

1. Peraturan tentang Satu Data Indonesia sebagai legal basis untuk mewujudkan
pemanfaatan big data:
a. Undang-Undang No. 14 Tahun 2018
b. Undang-Undang No. 25 Tahun 2009

47
Big Data Analytics

c. Peraturan Presiden No. 39 Tahun 2019

d. Peraturan Presiden No. 38 Tahun 2018
e. Undang-undang No.19 Tahun 2016
2. Peran big data dalam Open Government yang terkait pemetaan kondisi-kondisi
riil yang ada di lapangan dan pemerintah idak lagi membuat kebijakan
berdasarkan perspektif nya sendiri, termasuk peran:
a. Service delivery
b. Policy making
c. Citizen engagement
d. Surveilance
e. Supervision
3. Di bawah ini pemanfaatan big data dalam mewujudkan open government
dalam jangka Panjang, kecuali:
a. Meningkatkan kualitas demokrasi
b. Pertumbuhan inklusif,
c. Meningkatkan kualitas pelayanan publik
d. Meningkatkan kepercayaan terhadap pemerintah
e. Kepastian sistem hukum.

F. UMPAN BALIK DAN TINDAK LANJUT

Sejauh mana Anda dapat menyelesaikan Latihan dan Evaluasi Materi yang ada
pada bab ini? Apabila Anda telah mampu menjawab Latihan dan Evaluasi Materi
pada Bab ini, berarti Anda telah menguasai topik ini dengan baik. Akan tetapi, jika
Anda masih merasa ragu dengan pemahaman Anda mengenai materi yang terdapat
dalam Bab ini serta adanya keraguan dan kesalahan dalam menjawab Latihan dan
Evaluasi Materi, maka disarankan Anda melakukan pembelajaran kembali secara
lebih intensif dengan membaca ulang materi, membaca bahan referensi, berdiskusi
dengan pengajar/fasilitator dan juga dengan sesama peserta pelatihan lainnya.

48
Big Data Analytics

BAB VI

PENUTUP

A. EVALUASI KEGIATAN BE LAJAR

Modul ini memuat seperangkat pengalaman belajar yang didesain untuk

membantu peserta menguasai tujuan pembelajaran yang diharapkan. Kegiatan
belajar dikatakan berhasil apabila tujuan pembelajaran tercapai yaitu bahwa, setelah
menyelesaikan modul ini peserta mampu memahami big data analytics yang
diindikasikan dengan peserta dapat:
1. Menjelaskan konsep big data;
2. Menjelaskan tentang big data dalam keseharian;
3. Menjelaskan tahapan analisis big data; dan
4. Menjelasakan pemanfaatan big data dalam Pemerintahan.
Secara spesifik, gambaran tingkat pemahaman peserta dapat diperoleh
melalui penyelesaian soal-soal latihan dan evaluasi yang terdapat pada tiap akhir Bab
dalam modul ini. Kesulitan atau kendala yang ditemui dalam penyelesaian latihan-
latihan tersebut hendaknya menjadi tolak ukur pencapaian tujuan pembelajaran,
sehingga bila diperlukan ditindaklanjuti dengan upaya-upaya yaitu membaca ulang
materi, membaca bahan referensi, berdiskusi dengan pengajar/fasilitator dan juga
dengan sesama peserta pelatihan lainnya.

B. UMPAN BALIK DAN TINDAK LANJUT

Materi yang diberikan dalam modul ini merupakan konsep dan implementasi
tentang big data. Untuk dapat memahami big data analytics dalam pelaksanaan
tugas, fungsi dan perannya maka peserta perlu mengikuti keseluruhan materi dalam
program pelatihan dan belajar partisipasi aktif. Selain itu, diharapkan peserta selalu
mengembangkan diri dengan membaca bahan-bahan referensi terkait lainnya untuk
memperkaya pengetahuan.

49
Big Data Analytics

KUNCI JAWABAN

BAB II
1. D
2. C
3. B
4. C

BAB III
1. C
2. D
3. C

BAB IV
1. B
2. B
3. B
4. C
5. E

BAB V
1. C
2. B
3. C

50
Big Data Analytics

DAFTAR REFERENSI

1. Kitchin, Rob. 2014. The Data Revolution: Big Data, Open Data, Data
Infrastructures and Their Consequences. 2nd Edition. Sage Publisher: London
2. [Link]
pengelolaan-big-data
3. [Link]
operasi-sistem-tenaga-listrik/
4. [Link]
5. [Link]
manfaat-perangkat-pencitraan-pada-dunia-kesehatan
6. [Link]
7. [Link]
where-it-comes-from/
8. [Link]
9. [Link]
[Link]#industries
10. [Link]
11. [Link]
[Link]
12. [Link]
13. [Link]
untuk-kebaikan-sosial-107205

51