Kenapa Harus Big Data?

Oke, sebelum membaca postingan saya kali ini, ada baiknya kalian membaca dulu postingan saya sebelumnya mengenai "Apa itu Big Data?"

Dan kembali ke topik "Kenapa Harus Big Data?"

Teknologi big data muncul untuk memecahkan suatu masalah atau mempermudah penyelesaian suatu masalah. Masalah apa yang dapat dipecahkan dengan big data? Dari berbagai sumber, terdapat 3 masalah utama yang big data coba selesaikan. Masalah tersebut biasa disebut dengan 3V; Volume, Velocity, Variety.

Volume
Salah satu permasalahan yang big data coba pecahkan adalah meledaknya volume data yang suatu organisasi ingin simpan atau proses. Seberapa besar data yang bisa anda olah saat ini? Apakah dengan jumlah data yang anda miliki anda sudah lebih baik dibanding kompetitor? Data yang ada saat ini berukuran sangat besar. Di tahun 2000 saja tercatat 800,000 petabyte data tersimpan di seluruh dunia dan angka ini diperkirakan akan mencapai 35 zettabyte di tahun 2020 atau bahkan lebih. Apakah permasalahan volume data ini hanya bisa dipecahkan oleh big data? Jawabannya, tidak juga.
Sebenarnya suatu sistem database atau data warehouse pun bisa menyimpan data yang sangat besar. Namun, cost platform big data jauh lebih rendah dibandingkan keduanya. Selain itu, berbeda dengan sekedar network storage, teknologi big data tidak hanya menyediakan solusi untuk menyimpan data, namun juga untuk mengolah dan menganalisa data bervolume besar. Bayangkan jika anda membutuhkan analisis terhadap 1 persen saja dari seluruh data untuk mendapatkan keuntungan dibandingkan kompetitor anda, apakah teknologi yang anda miliki sekarang mampu melakukannya?

Velocity
Seberapa cepat kita dapat memproses data yang ada? Mungkin hal itu yang pertama ada dalam benak anda ketika anda membaca ini. Namun sebenarnya velocity di sini kita lihat dari persepsi seberapa cepat kita mampu mendapatkan hasil analisis terhadap aliran data yang terus mengalir di saat yang hampir bersamaan dengan datangnya data tersebut.

Bisa dibilang, permasalahan ini berkaitan erat dengan permasalahan volume data, karena kecepatan data dibuat umumnya berbanding lurus dengan volume data. Data tidak hanya datang dalam jumlah besar, tetapi juga dalam tempo yang lebih singkat dan bahkan ada yang real-time.

Variety
Variety! Finally! Ini adalah permasalahan, yang Big data banget. Mengapa? karena permasalahan ini akan sangat sulit dipecahkan oleh data platform tradisional, baik itu database atau data warehouse. Variety adalah permasalahan yang terjadi karena keberagaman data, baik itu dari format file data yang masuk, maupun format / struktur dari isi data tersebut. Big Data tidak hanya terdiri dari data berstruktur seperti halnya data angka-angka maupun deretan huruf-huruf yang berasal dari sistem database mendasar seperti halnya sistem database keuangan, tetapi juga terdiri atas data multimedia seperti data teks, data suara dan video yang dikenal dengan istilah data tak berstruktur. Terlebih lagi, Big Datajuga mencakup data setengah berstruktur seperti halnya data e-mail maupun XML.

www.atmaluhur.ac.id

Komentar

  1. Yunita20 September 2019 pukul 21.00

    Terima kasih Leni, karna dengan adanya penjelasan ini saya jadi mengerti tentang masalah apa yang dapat dipecahkan dalam big data..

    o iya kenalkan nama saya Yunita (1722500179)
    kunjungi website kampus saya ya (https://www.atmaluhur.ac.id)

    BalasHapus

Posting Komentar

Postingan populer dari blog ini

Data Mining

Pengenalan Data Mining Ada beberapa definisi dari data mining yang dikenal di buku-buku teks data mining. Diantaranya adalah : - Data mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara manual. - Data mining adalah analisa otomatis dari data yang berjumlah besar atau kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting yang biasanya tidak disadari keberadaannya. Menarik untuk diingat bahwa kata mining sendiri berarti usaha untuk mendapatkan sedikit barang berharga dari sejumlah besar material dasar. Dari definisi-definisi itu, dapat dilihat ada beberapa faktor yang mendefinisikan data mining : - data mining adalah proses otomatis terhadap data yang dikumpulkan di masa lalu - objek dari data mining adalah data yang berjumlah besar atau kompleks - tujuan dari data mining adalah menemukan hubungan-hubungan atau pola-pola yang mungkin memberikan indikasi yang berm
Baca selengkapnya

Apakah Big Data itu Penting? Untuk apa?

Big Data tidak hanya berputar pada jumlah data yang organisasi miliki, tetapi hal yang penting adalah bagaimana mengolah data internal dan eksternal. Kita dapat mengambil data dari sumber manapun dan menganalisanya untuk menemukan jawaban yang diinginkan dalam bisnis seperti: pengurangan biaya, pengurangan waktu, pengembangan produk baru dan optimalisasi penawaran produk; dan pengambilan keputusan yang cerdas. Ketika organisasi mampu menggabungkan jumlah data besar yang dimilikinya dengan analisis bertenaga tinggi, organisasi dapat menyelesaikan tugas-tugas yang berhubungan dengan bisnis seperti: • Menentukan akar penyebab kegagalan untuk setiap masalah bisnis. • Menghasilkan informasi mengenai titik penting penjualan berdasarkan kebiasaan pelanggan dalam membeli. • Menghitung kembali seluruh risiko yang ada dalam waktu yang singkat. Nah, Inilah sedikit gambaran mengenai big data yang saya bahas dalam beberapa postingan akhir-akhir ini. Bagaimana menurut kalian mengenai Big Data?
Baca selengkapnya

Query Optimizer

Query Optimizer Query optimizer adalah bagian dari DBMS yang berfungsi mengoptimasi query. Proses yang biasanya terjadi dalam optimizer adalah optimizer memeriksa semua ekspresi-ekspresi aljabar yang sama yang diberikan query dan memilih salah satunya yang memiliki harga taksiran paling rendah. Tugas dari optimizer adalah untuk mentransformasikan inisial ekspresi query ke dalam sebuah rencana evaluasi yang menghasilkan record yang sama. Keuntungan dari optimizer adalah dapat mengakses semua informasi statistik dari sebuah database. Selain itu optimizer juga dapat dengan mudah untuk melakukan optimisasi kembali apabila informasi statistik sebuah database berubah dan optimizer dapat menangani strategi yang berbeda-beda dalam jumlah besar yang tidak mungkin dilakukan oleh manusia. Input dari optimizer adalah sebuah tree yang sudah mengalami proses parsing di dalam query parser. Tree tersebut biasanya disebut dengan parse tree. Sedangkan output dari optimizer adalah berupa
Baca selengkapnya