See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/311650067

BIG DATA ANALISIS: SEBUAH PELUANG DAN TANTANGAN LULUSAN

INFORMATIKA DALAM MENGHADAPI PASAR GLOBAR DI INDONESIA TIMUR

Conference Paper · December 2016

CITATIONS READS

0 1,196

1 author:

Haviluddin Haviluddin
Universitas Mulawarman
62 PUBLICATIONS   152 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Data mapping process to handle semantic data problem on student grading system View project

IT Government View project

All content following this page was uploaded by Haviluddin Haviluddin on 25 March 2017.

The user has requested enhancement of the downloaded file.

Proceedings Seminar Nasional Riset Ilmu Komputer (SNRIK 2016) Universitas Muslim Indonesia Vol. 1, Desember 2016
Makassar – 14 Desember 2016 ISSN : 2443-048X

PROCEEDINGS SNRIK 2016

(Seminar Nasional Riset Ilmu Komputer)
Volume 1- Desember 2016

ISSN : 2443-048X

PENERBIT

Fakultas Ilmu Komputer Universitas Muslim Indonesia

Alamat Editor :
Fakultas Ilmu Komputer Universitas Muslim Indonesia Makassar - Indonesia 90234
Telp . +6281355001102, e-mail : snrik@umi.ac.id

i
Proceedings Seminar Nasional Riset Ilmu Komputer (SNRIK 2016) Universitas Muslim Indonesia Vol. 1, Desember 2016
Makassar – 14 Desember 2016 ISSN : 2443-048X

PROCEEDINGS SNRIK, Volume 1-2016

Editor : Poetri Lestari Lokapitasari Belluano, S.Kom., M.T.
Desain Sampul : Ilham

Hak cipta © 2016 oleh Fakultas Ilmu Komputer Universitas Muslim Indonesia Makassar. Dilarang
memperbanyak atau memindahkan sebagian atau seluruh ini proceedings ini dalam bentuk apapun,
baik secara elektronis maupun mekanis, termasuk menggandakan, merekam atau dengan sistem
penyimpanan lainnya tanpa izin tertulis dari penerbit.

ISSN : 2443-048X

ii
Proceedings Seminar Nasional Riset Ilmu Komputer (SNRIK 2016) Universitas Muslim Indonesia Vol. 1, Desember 2016
Makassar – 14 Desember 2016 ISSN : 2443-048X

DEWAN REDAKSI
Penanggung Jawab :
Yulita Salim, S.Kom., M.T.

Ketua Dewan Editor :

Poetri Lestari Lokapitasari Belluano, S.Kom., M.T.

Editor Pelaksana :
Siska Anraeni, S.Kom., M.T.
Farniwati Fattah., S.T., M.T.

Reviewer :
DR. Haviluddin,S.Kom.,M.Kom (Universitas Mulawarman)
Drs. Muslim, M.T., Ph.D (Universitas Muslim Indonesia)
DR. Ingrid Nurtanio, M.T. (Universitas Hasanuddin)
DR. Intan Areni, S.T.,M.T. (Universitas Hasanuddin)
Dolly Indra, S.Kom., M.M.SI. (Universitas Muslim Indonesia)

PENERBIT :

Fakultas Ilmu Komputer Universitas Muslim Indonesia

Jl. Urip Sumoharjo KM 5 Makassar, Sulawesi Selatan
Telp . +6281355001102, e-mail : snrik@umi.ac.id

iii
 Proceedings Seminar Nasional Riset Ilmu Komputer (SNRIK 2016) Universitas Muslim Indonesia Vol. 1, Desember 2016
Makassar – 14 Desember 2016 ISSN : 2443-048X

BIG DATA ANALISIS: SEBUAH PELUANG DAN TANTANGAN LULUSAN

INFORMATIKA DALAM MENGHADAPI PASAR GLOBAR DI INDONESIA
TIMUR
Haviluddin, S.Kom., M.Kom., Ph.D.
Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Mulawarman
haviluddin@unmul.ac.id; haviluddin@gmail.com

Abstrak - Makalah ini membahas munculnya machine learning untuk analisis big data. Pertama, machine learning dan
beberapa istilah yang terkait didefinisikan dan dijelaskan secara rinci dan hal ini termasuk artificial intelligence, data mining,
data science, data analytics dan knowledge discovery, statistik dan business intelligence. Definisi ini akan menunjukkan
bagaimana hal ini saling terkait satu sama lain. Kemudian, definisi big data diuraikan berdasarkan tiga hal: Volume, Velocity
dan Variety. Menerapkan strategi data besar yang baik sangat penting untuk menjamin keberhasilan penerapan machine
learning untuk belajar big data. Sebagai hasilnya, tren di big data juga digambarkan dan didefinisikan berdasarkan lanskap
data besar; Infrastruktur, Analytics, Aplikasi, Cross-Infrastruktur/Analytics, Open Sources, Data Source, dan API, Inkubator
dan Sekolah. Makalah ini juga membahas beberapa fasilitas open source yang tersedia untuk publik dalam rangka untuk
memastikan bahwa skala besar aplikasi machine learning dapat terwujud. Akhirnya, dalam kesimpulan, tren besar selama
beberapa bulan terakhir dalam analisis big data telah meningkatnya fokus pada kecerdasan buatan untuk membantu
menganalisis sejumlah besar data dan berasal wawasan prediktif. Artificial intelligence/machine learning sekarang
mempercepat kecenderungan munculnya lapisan aplikasi dari big data. Kombinasi big data dan artificial intelligence akan
mendorong inovasi yang luar biasa hampir di setiap industri. Dari perspektif itu, kesempatan big data mungkin bahkan lebih
besar dari apa yang orang-orang pikirkan.

Kata Kunci – Big Data, AI, Data Mining, Data Analytics, Data Science, Knowledge Discovery, Business Intelligence

I. PENDAHULUAN memungkinkan komputer untuk melakukan tugas

Saat ini, ilmu kecerdasan buatan menjadi
lebih terlihat dalam industri perangkat lunak. Hal ini
disebabkan banyaknya permintaan untuk analisis data
yang didorong oleh pertumbuhan data itu sendiri, baik
data yang bersifat terstruktur dan tidak terstruktur.
Dapat dikatakan bahwa penelitian tentang kecerdasan
buatan dimulai sejak adanya komputer itu sendiri.
Banyak penelitian saat ini menyangkut subfield itu
disebut "deep learning", di mana ia merupakan
penyempurnaan modern "mesin belajar", di mana
komputer belajar tentang cara mengajar diri sendiri
tugas dengan pengolahan dan belajar terhadap data
besar yang mencakup terstruktur dan tidak terstruktur.
Oleh karena itu, berbagai macam algoritma
kecerdasan buatan banyak ditawarkan dalam analisa
data besar. Tujuannya adalah untuk menjembatani
kesenjangan tugas yang sulit bagi manusia tetapi
mereka mudah untuk komputer.
Mesin pintar (Machine Learning) adalah cara
memanfaatkan komputer untuk mengetahui hal-hal
yang rumit ketika memproduksi diri mereka sendiri
aturan programmer. Dengan kata lain, mesin pintar
mengacu pada metodologi yang digunakan dan
yang cerdas menyerupai kerja manusia, seperti
menyelesaikan tugas-tugas prediksi, deteksi,
klasifikasi dan klasterisasi. Ini adalah ilmu yang
melibatkan pengembangan algoritma belajar mandiri.
Mesin melakukan hal ini dengan tugas berat analisis
statistik banyak dan banyak data.
Beberapa istilah yang terlibat dalam
menggambarkan atau terkait dengan mesin pintar
meliputi kecerdasan buatan/artificial intelligence
(AI), data mining, data science, analisis data dan
knowledge discovery, statistik dan Business
Intelligence, dalam Gambar 1.
Dalam rangka untuk memahami mesin pintar
(machine learning) dan bagaimana istilah ini saling
berhubungan dengan istilah lain, setiap istilah yang
terlibat akan ditentukan dan hubungan antara dua
istilah juga didefinisikan. Pertama, bidang studi yang
tertarik dalam pengembangan algoritma komputer
untuk mengubah data ke dalam tindakan cerdas
dikenal sebagai machine learning. Machine learning
juga menggunakan statistik (kebanyakan statistik
inferensial) untuk mengembangkan algoritma belajar
mandiri (self-learning algorithms). Sementara,

1
 Proceedings Seminar Nasional Riset Ilmu Komputer (SNRIK 2016) Universitas Muslim Indonesia
Makassar – 14 Desember 2016
statistics didefinisikan sebagai studi tentang
bagaimana untuk mengumpulkan, mengatur,
menganalisis, dan menginterpretasikan informasi
numerik dari data. Di sisi lain, data mining adalah
praktek menerapkan algoritma (sebagian besar
algoritma machine learning) dengan data yang
tersedia dari domain untuk memecahkan masalah
domain terkait.
II.
Gambar 1 Isitilah terkait machine learning
Data Mining adalah bagian dari proses
penemuan pengetahuan (knowledge discovery
process), dimana penemuan pengetahuan
didefinisikan sebagai ilmu untuk menemukan pola
dalam set data. Kecerdasan buatan (artificial
intelligence) adalah kecerdasan yang ditunjukkan oleh
mesin. Dengan kata lain, kecerdasan buatan adalah
ilmu untuk mengembangkan sistem atau perangkat
lunak dalam meniru perilaku manusia seperti
merespon. Dengan demikian, machine learning dapat
dianggap sebagai bagian dari kecerdasan buatan.
Ketika menganalisis data dalam bisnis, business
intelligence didefinisikan sebagai proses teknologi
untuk menganalisis data dan menyajikan informasi
kemudian ditindaklanjuti untuk membantu eksekutif
perusahaan, manajer bisnis dan pengguna akhir
lainnya dalam membuat keputusan bisnis yang lebih
baik. Dalam profesi data science, seorang ilmuwan
data sering terlibat dalam pembersihan dan manipulasi
data untuk mendukung pemodelan mereka serta
2
Vol. 1, Desember 2016
ISSN : 2443-048X
membutuhkan bangunan atau topologi dan
mengevaluasi model desain mana yang dimaksudkan
untuk membantu perubahan panduan dalam keputusan
bisnis. Di sisi lain, dalam profesi data analytics, analis
data yang biasanya melakukan peran migrasi data dan
visualisasi yang fokus pada menggambarkan masa
lalu. Gambar 2 mengilustrasikan hubungan yang ada
antara istilah yang terlibat dalam menggambarkan
machine learning.
Gambar 2. Ilustrasi hubungan dalam machine learning
BIG DATA
Big data atau data besar adalah istilah yang
berkembang yang menggambarkan volume secara
terstruktur, semistructured dan tidak terstruktur
kumpulan data yang memiliki potensi untuk
ditambang/diolah menjadi informasi. Big data sering
dikaitkan dengan 3Vs: kapasitas data extreme
(volume), jenis/tipe data (variety), dan kecepatan
proses data (velocity).
Dimana, volume berkaitan dengan semua
data berasal dari berbagai sumber, seperti catatan
penjualan, catatan hasil eksperimen, catatan real-time
sensors IoT dan lain-lain. Data-data tersebut dilakukan
preprocessed sebelum dilakukan analisa. Data
mungkin juga ada di berbagai jenis file, termasuk data
terstruktur, seperti SQL - toko database; data tidak
terstruktur, seperti file dokumen; atau streaming data
dari sensor.
Selanjutnya, variety, data yang besar
mungkin melibatkan beberapa, sumber data simultan,
yang tidak mungkin jika diintegrasikan. Misalnya,
proyek analisis data yang besar mungkin mencoba
 Proceedings Seminar Nasional Riset Ilmu Komputer (SNRIK 2016) Universitas Muslim Indonesia
Makassar – 14 Desember 2016
untuk mengukur keberhasilan suatu produk dan
penjualan masa depan dengan menghubungkan masa
lalu data penjualan, kembali data dan ulasan data
pembeli online untuk produk tersebut.
Akhirnya, velocity mengacu pada kecepatan
data yang besar harus dianalisa. Setiap proyek analisis
data besar akan menelan, menghubungkan dan
menganalisis sumber data, dan kemudian membuat
jawaban atau hasil didasarkan pada permintaan
menyeluruh. Ini berarti analis manusia harus memiliki
pemahaman yang rinci dari data yang tersedia dan
memiliki beberapa sense atas apa jawaban yang
mereka cari. Velocity juga bermakna, analisis data
besar berekspansi ke bidang-bidang seperti machine
learning dan artificial intelligence, di mana proses
analisis meniru persepsi dengan mencari dan
menggunakan pola dalam data yang dikumpulkan.
Gambar 3 menunjukkan big data area.
Gambar 3. Big Data area
III. TREND PADA BIG DATA
Konsep big data diperkenalkan kembali pada
tahun 2006 ketika Hadoop diciptakan. Namun, minat
dalam konsep "Big Data" mencapai puncak antara
tahun 2011 dan 2014. Pada 2015, orang-orang mulai
melihat artificial intelligence dan machine learning.
Saat ini, konsep big data mungkin menjadi topik panas
namun tidak banyak peneliti bisa melihat hal-hal yang
berjalan di belakang konsep big data.
Dalam rangka untuk mengadopsi teknologi
big data, memerlukan proses, anggaran, manajemen
proyek, pilot, penyebaran departemen, audit
keamanan penuh, dan lain-lain. Semua ini diperlukan
3
Vol. 1, Desember 2016
ISSN : 2443-048X
dalam rangka untuk memastikan bahwa semua
departemen yang terlibat dalam mengadopsi teknologi
big data tersebut. Dengan kata lain, itu membutuhkan
interaksi teknologi, orang dan proses. Anda mungkin
perlu untuk memperoleh, menyimpan dan
membersihkan data, query, menganalisa dan
memvisualisasikan data. Beberapa dari proses ini
dapat dilakukan dengan mengerahkan algoritma tetapi
beberapa membutuhkan intervensi manusia.
Semuanya harus terintegrasi mulus. Pada akhirnya,
untuk semua konsep big data ini untuk bekerja,
seluruh organisasi termasuk semua tingkat manajemen
perlu berkomitmen untuk membangun budaya
berbasis data berfokus pada konsep big data.
Menerapkan strategi big data yang baik
sangat penting untuk menjamin keberhasilan
penerapan machine learning untuk mempelajari big
data. Sebagai hasilnya, tren di big data juga
digambarkan dan didefinisikan berdasarkan lanskap
data besar; Infrastruktur, Analytics, Aplikasi, Cross-
Infrastruktur/Analytics, Open Source, sumber data dan
API, Inkubator, dan sekolah. Gambar 4
mengilustrasikan lanskap big data yang dapat
diintegrasikan untuk mengadopsi teknologi big data.
Gambar 4. lanskap big data
IV. OPEN SOURCE MACHINE LEARNING
Dapat dikatakan, artificial intelligence dan
machine learning lulus dari fiksi ilmiah dan menjelma
menjadi realitas. Diperkirakan bahwa sekitar setengah
dari perusahaan besar saat ini bereksperimen dengan
proyek AI. Beberapa vendor, termasuk Facebook,
Google, IBM, Intel dan Microsoft, telah
menyumbangkan proyek pembangunan machine
 Proceedings Seminar Nasional Riset Ilmu Komputer (SNRIK 2016) Universitas Muslim Indonesia
Makassar – 14 Desember 2016
learning ke open source. Misalnya, komunitas open
source sekarang mungkin dapat menggunakan dan
menguji beberapa proyek pembangunan machine
learning ini yang meliputi SystemML, TensorFlow,
GitHub, Trusted Analytics Platform (TAP) dan FAIR.
SystemML dirilis oleh IBM, adalah fleksibel,
scalable model sistem machine learning. Karakteristik
yang membedakan SystemML adalah: Algoritma
customizability melalui Bahasa pemrograman seperti
R dan Python, multiple execution modes, termasuk
Spark MLContext, Spark Batch, Hadoop Batch,
Standalone, dan JMLC. Algoritma ini dianggap
sebagai optimasi otomatis berdasarkan data dan
karakteristik cluster untuk menjamin efisiensi dan
skalabilitas.
TensorFlow adalah sistem machine learning
terbaru dari Google dan bersifat open source.
TensorFlow telah memungkinkan Googlers untuk
membangun neural network semakin besar dan
pelatihan untuk ribuan core dalam pusat data mereka.
Microsoft juga mengumumkan rilis yaitu
Distributed Machine Learning Toolkit untuk
komunitas pengembang, yang tersedia di GitHub.
Toolkit, tersedia sekarang di GitHub, dirancang untuk
didistribusikan machine learning menggunakan
beberapa komputer secara paralel untuk memecahkan
masalah yang kompleks. Ini berisi parameter server-
based programing framework, yang membuat tugas
machine learning dalam menganalisa big data yang
sangat terukur, efisien dan fleksibel. Ini juga berisi dua
algoritma pembelajaran mesin didistribusikan, yang
dapat digunakan untuk melatih model topik tercepat
dan terbesar bahkan model superbesar di dunia.
Intel juga membuat open source yang
dinamakan Trusted Analytics Platform, lebih dikenal
sebagai TAP. TAP adalah perangkat lunak open
source, dioptimalkan untuk kinerja dan keamanan,
yang mempercepat penciptaan kolaborasi cloud-native
yang diakibatkan oleh analisis big data. TAP
memudahkan pengembang dan para data scientist di
perusahaan, penyedia layanan cloud, dan system
integrator dengan menyediakan layanan bersama,
lingkungan yang fleksibel untuk analisis lanjutan di
area public and private clouds.
Facebook AI Research (FAIR), dirilis ke
open source merupakan modul deep-learning untuk
lingkungan pengembangan open source Torch untuk
numerik, machine learning, dan computer vision,
4
Vol. 1, Desember 2016
ISSN : 2443-048X
dengan penekanan khusus pada deep learning dan
convolutional nets. Torch banyak digunakan di
sejumlah laboratorium akademik seperti di
Google/DeepMind, Twitter, NVIDIA, AMD, Intel,
dan banyak perusahaan lainnya. Facebook AI
Research (FAIR) juga akan merilis desain server
hardware yang telah dioptimalkan dari machine
learnig ke open source. Facebook telah mengajukan
bahan desain sistem berbasis GPU ke Open Compute
Project (OCP).
V. KESIMPULAN
Tren besar selama beberapa bulan terakhir
dalam analisa big data telah meningkatnya fokus pada
artificial intelligence untuk membantu menganalisis
sejumlah besar data dan berasal dari berbagai macam
tipe data (predictive). Hubungan antara artificial
intelligence dan big data adalah begitu dekat sehingga
beberapa ahli industri sekarang berpikir bahwa
artificial intelligence tidak dapat dipisahkan dengan
big data. Pada gilirannya, artificial intelligence
sekarang membantu big data memenuhi janjinya.
Dalam banyak hal, kita masih di babak awal
dari fenomena big data. Beberapa tahun belakangan
ini, membangun infrastruktur untuk menyimpan dan
proses data dalam jumlah besar. Artificial
intelligence/machine learning sekarang mempercepat
kecenderungan munculnya lapisan aplikasi dari big
data. Kombinasi big data dan artificial intelligence
akan mendorong inovasi yang luar biasa hampir di
setiap industri. Dari perspektif itu, kesempatan big
data mungkin bahkan lebih besar dari apa yang orang-
orang pikirkan.
Big data terus tumbuh dan berkembang,
namun, istilah itu sendiri mungkin akan hilang, atau
bahkan tak seorang pun akan menggunakannya lagi.
Ini adalah nasib ironis teknologi memungkinkan
sukses yang mereka menjadi luas, maka di mana-
mana, dan akhirnya tak terlihat.
REFERENSI
[1] Definition Big Data, Retrieved 15 October 2016, from
http://searchcloudcomputing.techtarget.com/definition/big-
data-Big-Data.
[2] Matt Turck, Is Big Data Still a Thing? (The 2016 Big Data
Landscape), Retrieved 15 October 2016, from
http://mattturck.com/2016/02/01/big-data-landscape/
 Proceedings Seminar Nasional Riset Ilmu Komputer (SNRIK 2016) Universitas Muslim Indonesia Vol. 1, Desember 2016
Makassar – 14 Desember 2016 ISSN : 2443-048X

[3] AI, Machine Learning Rising In The Enterprise, Retrieved 15

October 2016, from http://www.informationweek.com/big-
data/big-data-analytics/ai-machine-learning-rising-in-the-
enterprise/d/d-id/1323929
[4] Dean, Jared. Big Data, Data Mining, and Machine Learning:
Value Creation for Business Leaders and Practitioners. John
Wiley & Sons, Inc., Hoboken, New Jersey., 2014.
[5] Fayyad, Usama, Gregory Piatetsky-Shapiro, and Padhraic
Smyth. "From Data Mining to Knowledge Discovery in
Databases." AI MAGAZINE, 1996, 37-54.
[6] Buchanan, Bruce G. "A (Very) Brief History of Artificial
Intelligence." American Association for Artificial
Intelligence, 2005.
[7] Marzban, Caren. "Basic Statistics and Basic Ai: Neural
Networks." In Artificial Intelligence Methods in the
Environmental Sciences. Berlin Heidelberg: © Springer-
Verlag Berlin Heidelberg 2009, 2009.
[8] Bakhshi, Taimur, and Bogdan Ghita. "On Internet Traffic
Classification: A Two-Phased Machine Learning Approach."
Journal of Computer Networks and Communications 2016
(2016): 1-21.
[9] Larose, Daniel T. Data Mining Methods and Models.
Canada: © 2006 by John Wiley & Sons, Inc. All rights
reserved, 2006.
[10] Russell, Stuart J., and Peter Norvig. Artificial Intelligence a
Modern Approach Second Edition. © 2003, 1995 by Pearson
Education, Inc. Upper Saddle River, New Jersey 07458,
2003.
[11] What is Data Science? http://datascience.nyu.edu/what-is-
data-science/
[12] What is Data Science?
https://datascience.berkeley.edu/about/what-is-data-science/

5
View publication stats