Dalam era informasi ini, data seolah menjadi mata uang baru. “Data is the new currency“, itulah ungkapan yang sekarang muncul. Namun, bagaimana data bisa sampai menjadi currency? Nah, kali ini, kita akan melihat aspek yang ikut menciptakan fenomena tersebut, terutama dari segi bisnis. Ya, aspek tersebut adalah big data.
Data yang besar belum tentu termasuk big data. Sebab, big data, atau ‘mahadata’, adalah sebutan khusus bagi data yang memiliki karakteristik tertentu—istilah populernya adalah 5 Vs. Sebutan ini merupakan singkatan dari kelima huruf awalan sifat big data, yaitu volume, variety, velocity, veracity, dan value.
Lantas, apa maksud dari kelima sifat tersebut? Apa hubungan dan seberapa menguntungkannya bagi bisnis? Kita akan coba break down satu-satu. Makanya, yuk, lanjut scroll!
Mau jadi Digital Marketer? Baca panduan lengkap Digital Marketing berikut.
Daftar Isi
1. Volume, Jumlah Big Data yang Banyak
Kata “big“ pada big data berasal dari sifat volume. Jenis data yang satu ini berjumlah banyak karena memang berasal dari beragam sumber. Namun, berapa jumlah tepatnya supaya bisa kita sebut sebagai mahadata?
Victoria Lemieux (2014) mengutip pernyataan para ahli, salah satunya adalah Snijders dkk. Pada tulisan Snijders, dkk. (2014), ia menjelaskan bahwa semua data yang ukurannya melebihi apa yang bisa kebanyakan software tangani tergolong ke dalam mahadata.
Karena ukurannya yang raksasa tersebut, proses penyimpanan big data pun cukup menyulitkan. Menurut 2 orang ahli, Heer dan Kandel, ukuran mahadata bisa mencapai zettabyte tiap tahunnya. Sebagai gambaran, bayangkan harddisk yang ukurannya 1 terabyte (TB). Besar, kan? Sekarang, harddisk 1 TB tersebut kamu gandakan menjadi 1 miliar buah. Nah, sebanyak itulah kira-kira datanya.
Dalam dunia bisnis, ukuran sebesar itu bagaikan surga karena akan sangat bermanfaat ketika perusahaan memiliki model machine learning dalam menentukan arah geraknya.
Seperti yang Sobat ketahui, machine learning butuh data supaya program komputer dapat mencari pola tersembunyi dan membuat model matematika tentang apa yang sedang terjadi di dunia nyata. Nah, data yang banyak ini membuat modelnya makin valid.
Tertarik jadi Data Analyst? Baca panduan lengkap Data Analysis ini.
2. Velocity, Kecepatan Sumber Menghasilkan Data
Selanjutnya ada velocity atau ‘kecepatan’. Karakteristik ini merujuk pada kecepatan sumber menghasilkan data. Jadi, pada big data, sumber menghasilkan output, atau ‘keluaran’, tidak setiap menit maupun setiap detik sekali, melainkan sampai ke skala milidetik! Dengan kata lain, sumber tidak pernah berhenti dan terus-menerus menghasilkan output.
Bagi bisnis, kondisi ini dapat menjadi masalah sekaligus keuntungan. Keuntungannya adalah perusahaan dapat memiliki pengetahuan yang paling terkini terkait bisnisnya. Yap, sektor usaha yang telah memanfaatkan entitas besar ini memang mampu memanfaatkan data yang baru hadir saat itu juga.
Namun, masalahnya ada pada kemampuan pelaku usaha, anggota, dan infrastrukturnya. Akhir-akhir ini, kecepatan mahadata meningkat dengan semakin berkembangnya sumber-sumber, seperti Internet of Things (IoT), laman website, dan sebagainya. Sumber daya statistika yang satu ini pun sekarang terlihat seperti air yang mengalir setiap waktu.
Jika sebelumnya big data dapat dianalisis dengan mengambil data yang sudah tersimpan dalam periode tertentu (istilahnya adalah batch), sekarang sudah tidak bisa. Tidak ada waktu dan tempat untuk menyimpannya karena ruang penyimpanan begitu cepat penuh.
Satu-satunya cara adalah dengan menganalisisnya secara real time. Karena arusnya tidak pernah berhenti, analisis pun tidak pernah berhenti juga.
Itu baru dari sisi analisis yang tak berujung. Bagaimana dengan infrastrukturnya? Teknologi menjadi ujung tombak keberhasilan pemanfaatan mahadata dan memang masalah terbesarnya selalu terletak pada keterbatasan teknologi.
Kecepatan mesin dan perangkat lunak, idealnya, harus menyamai kecepatan data tersebut ter-generate dari sumbernya. Jika mesin maupun perangkat lunak gagal menangkapnya, big data akan hilang dan ini adalah kerugian terbesar bagi seorang analis.
Mau jadi UI-UX Designer? Cek panduan lengkap UI-UX Design berikut.
3. Variety, Sangat Beragamnya Tipe Big Data
Dulu, sumber berupa laman website mendominasi big data. Saat ini, sumber-sumber baru mulai bermunculan. Beberapa contoh adalah perangkat yang terhubung langsung ke internet seperti IoT, perangkat dengan sensor, ataupun komputer biasa yang mana menyimpan event (perubahan pada sistem operasi, seperti klik dan pergerakan kursor serta penekanan keyboard).
Kehadiran sumber-sumber tersebut memicu semakin beragamnya tipe data yang berhasil ditangkap mesin komputasi sang analis. Sekilas, kondisi tersebut membuat perusahaan tampak seperti kaya akan sumber daya. Padahal, ini adalah masalah besar.
Dataset—data yang membentuk suatu kelompok tertentu untuk tujuan analisis—pada big data dapat terdiri atas format yang beragam. Contoh keberagamannya adalah dalam format teks, audio, dan gambar. Selain itu, masing-masing juga punya formatnya sendiri. Misalnya, untuk format gambar, terdapat .jpg dan .png.
Keberagaman tersebut akan memberatkan mesin komputasi dalam menganalisis karena harus mengetahui formatnya terlebih dahulu sebelum mulai melakukan manipulasi.
Selain itu, kondisi ini juga akan memberatkan mesin storage dalam proses penyimpanan karena sekarang, datum (satuan untuk data) juga harus menyimpan informasi tentang formatnya dalam tubuhnya sendiri. Alhasil, ukuran datum pun bertambah besar dan storage akan lebih cepat habis.
Mau jadi Product Manager? Baca panduan lengkap Product Manager berikut.
4. Veracity, Ketidakpastian Kebergunaan
Dari penjelasan sebelumnya, Sobat sudah mengetahui kalau sumber big data mampu mengirimkan output setiap saat tanpa berhenti. Kondisi tersebut jugalah yang melahirkan istilah data stream atau ‘aliran data’ untuk menggambarkan proses bagaimana keluaran bisa sampai dari sumber ke mesin penyimpanan atau komputasi.
Nah, karena tidak pandang bulu dalam mengirimkan output, wajar jika tidak semua datum memiliki informasi tersembunyi di dalamnya. Namun, beberapa datum bisa saja mengandung informasi yang salah—mungkin akibat sensor yang error—atau malah gak mengandung informasi sama sekali—situasi seperti ini kita sebut sebagai noise.
Nantinya, keandalan analis pada sebuah bisnislah yang menentukan informasinya. Jika salah menentukan mana yang berguna, mana yang salah, dan mana yang tidak, besar kemungkinan kesimpulan yang dihasilkan akan sangat melenceng dari yang seharusnya.
5. Value, Big Data Harus Punya Nilai
Sekalipun suatu data memiliki keempat karakteristik di atas, kita tidak bisa menyebutnya sebagai big data jika ia tidak memiliki nilai guna. Sayangnya, nilai informasinya sering terkubur jauh di dalam bersama data yang salah dan noise.
Dalam situasi yang seperti itu, perlu yang namanya data cleaning untuk membersihkan seluruh data dari hal-hal yang mengotorinya supaya value-nya terlihat.
Begitulah kelima karakteristik big data beserta penerapannya dalam dunia bisnis. Jadi, data yang sekadar “besar” dan big data berbeda, ya, Sobat. Nah, setelah membaca artikel di atas, apakah kamu siap memanfaatkan mahadata dalam bisnis atau pekerjaanmu?
Bicara soal big data, jadi teringat sama zaman digital. Menurut Sobat, apa, sih, yang bernilai lebih di zaman tersebut? Pastinya skill-skill digital, seperti digital marketing, copywriting, content creation, hingga web development.
Merasa belum punya kemampuan-kemampuan di atas? Gak usah FOMO karena MySkill menyediakannya, lo! Apalagi, biayanya juga terjangkau, lo! Tunggu apa lagi?
Mari terus belajar dan kembangkan skill di MySkill
