Fenomena Kemunculan Data dalam Era Digital

Big Data Analysis Pertemuan 1 CPMK 1 · CPMK 2 · CPMK 3

Agenda Pertemuan

Teori (75 menit)

Fenomena kemunculan data digital
Definisi Big Data & evolusi historis
Karakteristik 4V: Volume, Variety, Velocity, Value
Dampak terhadap organisasi & industri

Praktik & Diskusi (75 menit)

Studi kasus: ekosistem digital Indonesia
Identifikasi sumber data di organisasi
Diskusi kelompok: implikasi manajerial
Preview tugas & pertemuan berikutnya

Tujuan Pembelajaran

Menjelaskan fenomena kemunculan data dalam era digital dan faktor pendorongnya

Mendefinisikan Big Data secara konseptual dan membedakannya dari data konvensional

Menguraikan karakteristik 4V (Volume, Variety, Velocity, Value) dengan contoh konkret

Menganalisis dampak Big Data terhadap pengambilan keputusan organisasi

Topik 1

Fenomena Kemunculan Data dalam Era Digital

Ledakan Data Digital: Skala yang Tak Terbayangkan

Setiap menit di internet (estimasi ~2024):

~500 jam video diunggah ke YouTube
~200 juta email terkirim
~1 juta postingan Facebook dibuat
~500 ribu tweet dipublikasikan
~5 miliar pencarian Google per hari

Sumber: estimasi berbagai laporan industri; angka berubah cepat.

Pertumbuhan Data Global

Volume data global diperkirakan tumbuh eksponensial—dari ~2 zettabyte pada 2010 menuju puluhan zettabyte pada pertengahan 2020-an (estimasi; verifikasi per laporan terbaru).

1 Zettabyte = 10²¹ byte = 1 miliar Terabyte

Faktor Pendorong Kemunculan Big Data

Faktor	Mekanisme	Contoh Indonesia
Digitalisasi massal	Aktivitas fisik beralih ke platform digital	e-KTP, pajak online (DJP), BPJS digital
Proliferasi smartphone	Sensor lokasi, kamera, mikrofon menghasilkan data terus-menerus	~200 juta pengguna internet mobile Indonesia
Internet of Things (IoT)	Perangkat fisik terhubung internet dan mengirim data	Smart meter PLN, sensor jembatan tol
E-commerce & fintech	Setiap transaksi menghasilkan log data terstruktur	Tokopedia, Shopee, GoPay, OVO, Dana
Media sosial	Konten buatan pengguna (UGC) berskala masif	Indonesia: pasar TikTok & Instagram terbesar

Evolusi Paradigma: Dari Scarcity ke Abundance

Era Pra-Digital (sebelum 1990)

Data = langka dan mahal
Dikumpulkan manual/survei
Disimpan di file fisik
Keputusan berbasis intuisi manajer

Era Database (1990–2005)

Structured Query Language (SQL)
ERP dan CRM mulai muncul
Data warehouse pertama
Keputusan berbasis laporan periodik

Era Big Data (2005–kini)

Data berlimpah, murah tersimpan
Real-time processing
Unstructured data dominan
Keputusan berbasis algoritma & ML

Topik 2

Definisi dan Karakteristik Big Data

Mendefinisikan Big Data

Definisi kerja: Big Data mengacu pada kumpulan data yang terlalu besar, terlalu cepat berubah, atau terlalu beragam untuk diproses secara efektif menggunakan teknologi manajemen database konvensional.

Asal usul istilah:

Istilah populer sejak ~2001 (Doug Laney, Gartner)
Laney pertama mendefinisikan 3V: Volume, Velocity, Variety
"Value" ditambahkan kemudian sebagai V keempat
Beberapa akademisi mengusulkan 5V–7V (Veracity, Variability, dst.)

Perbedaan dari Data Konvensional

Aspek	Konvensional	Big Data
Ukuran	GB–TB	PB–ZB
Format	Terstruktur	Beragam
Kecepatan	Batch	Real-time
Tools	SQL, Excel	Hadoop, Spark

Karakteristik 4V: Volume & Variety

Volume — Skala Data

Jumlah data yang dihasilkan, disimpan, dan diproses dalam skala yang melampaui kapasitas sistem konvensional.

Unit: Petabyte (PB), Exabyte (EB), Zettabyte (ZB)
Contoh: Log transaksi BCA >100 juta/hari
Contoh: Data sensor satelit observasi bumi
Implikasi: butuh distributed storage (HDFS, cloud)

Variety — Keberagaman Format

Data hadir dalam berbagai format yang berbeda, tidak hanya tabel terstruktur.

Terstruktur: tabel database, spreadsheet
Semi-terstruktur: JSON, XML, log file
Tidak terstruktur: teks, gambar, video, audio
Contoh: Tokopedia—data produk + ulasan + foto + klik

Karakteristik 4V: Velocity & Value

Velocity — Kecepatan Aliran Data

Kecepatan data dihasilkan, dikirim, dan diproses—sering kali mendekati atau sama dengan real-time.

Batch processing: diproses berkala (harian/mingguan)
Stream processing: diproses saat data masuk (real-time)
Contoh: deteksi fraud kartu kredit BCA (<1 detik)
Contoh: update harga dinamis Gojek per menit

Value — Nilai Bisnis yang Dapat Diekstrak

Data mentah tidak bernilai tanpa proses analisis yang mengubahnya menjadi insight yang dapat ditindaklanjuti.

Data → Informasi → Pengetahuan → Keputusan
Value density: seberapa "kaya" insight per unit data
Contoh: rekomendasi produk Shopee = revenue +X%
Tantangan: 80% data tidak teranalisis (estimasi industri)

Topik 3

Dampak Big Data terhadap Organisasi & Studi Kasus Indonesia

Dampak Big Data terhadap Fungsi Manajemen

Fungsi Manajemen	Tanpa Big Data	Dengan Big Data
Perencanaan	Proyeksi berdasarkan data historis terbatas	Prediksi permintaan real-time, skenario dinamis
Pengorganisasian	Struktur berbasis hierarki tradisional	Tim lintas fungsi berbasis data (data-driven squads)
Pengarahan	Kebijakan seragam untuk semua pelanggan	Personalisasi layanan per segmen/individu
Pengendalian	Laporan bulanan, deteksi masalah terlambat	Dashboard real-time, early warning system
Pengambilan Keputusan	HiPPO (Highest Paid Person's Opinion)	Evidence-based, A/B testing, eksperimen terukur

Studi Kasus: Ekosistem Data Digital Indonesia

Gojek — Mobility & Super-app Data

Data GPS jutaan titik per detik dari driver
Prediksi permintaan per zona kota (demand forecasting)
Dynamic pricing berbasis supply-demand real-time
Cross-sell GoPay, GoFood berbasis perilaku pengguna

Tokopedia — E-commerce Intelligence

Analisis pola pencarian & klik jutaan pengguna/hari
Sistem rekomendasi produk berbasis collaborative filtering
Deteksi seller fraud via anomaly detection
Prediksi tren produk untuk supply chain optimization

Studi Kasus: Sektor Keuangan & Telekomunikasi

BCA & BRImo — Banking Analytics

BCA: real-time fraud detection >100 juta transaksi/hari
BRImo (BRI): personalisasi produk keuangan via app
Credit scoring berbasis data alternatif (non-KTP)
Anti-money laundering (AML) via pattern recognition

Telkom Indonesia — Telco Data

Network traffic analytics untuk optimasi jaringan
Churn prediction: identifikasi pelanggan akan berhenti
Location-based analytics via data BTS (menara selular)
MyTelkomsel app: personalisasi penawaran paket data

Tantangan Implementasi Big Data di Organisasi

Tantangan Teknis

Infrastruktur storage & compute
Integrasi sumber data heterogen
Data quality & cleaning
Keamanan & enkripsi data

Tantangan Organisasional

Talent shortage: data scientist langka
Budaya data-driven belum matang
Silo antar departemen
Resistensi perubahan manajer senior

Tantangan Regulasi & Etika

UU PDP (Perlindungan Data Pribadi) No. 27/2022
Consent & transparansi penggunaan data
Bias algoritma & diskriminasi
Kedaulatan data (data sovereignty)

Peta Ekosistem Big Data Indonesia

Rangkuman: Poin Kunci Pertemuan 1

5 Key Takeaway

Ledakan data digital dipicu oleh digitalisasi, smartphone, IoT, e-commerce, dan media sosial—bukan tren sementara, melainkan pergeseran struktural permanen.
Big Data didefinisikan bukan hanya oleh ukuran, tetapi oleh kompleksitas yang melampaui kemampuan sistem konvensional untuk memprosesnya secara efektif.
Kerangka 4V (Volume, Variety, Velocity, Value) adalah lens konseptual fundamental untuk menganalisis dan mengelompokkan karakteristik Big Data.
Dampak organisasional Big Data mencakup seluruh fungsi manajemen—dari perencanaan hingga pengendalian—menggeser paradigma dari intuisi ke evidence-based decision making.
Ekosistem Indonesia (Gojek, Tokopedia, BCA, Telkom, BRImo) adalah laboratorium Big Data yang relevan langsung untuk karier Anda di bisnis digital.

Tugas & Diskusi

Diskusi Kelompok (sesi ini)

Pilih satu organisasi Indonesia (boleh startup, BUMN, atau perusahaan swasta) dan identifikasi:

Sumber data utama yang dimiliki organisasi tersebut
Karakteristik 4V dari data tersebut
Bagaimana data digunakan untuk keputusan bisnis

Presentasikan dalam 5 menit per kelompok.

Tugas Mandiri (sebelum P2)

Baca: artikel "The Age of Big Data" (NYT, Steve Lohr, 2012) — cari versi digital
Identifikasi minimal 3 sumber data digital yang Anda hasilkan dalam 1 hari
Tulis refleksi singkat (300–400 kata): implikasi Big Data bagi karier Anda di bisnis digital
Kumpulkan via LMS sebelum Pertemuan 2

Q&A & Preview Pertemuan 2

Ada pertanyaan?

Gunakan kesempatan ini untuk klarifikasi konsep yang belum jelas sebelum kita melanjutkan ke topik berikutnya.

Pertanyaan dapat juga diajukan via forum diskusi LMS.

Preview Pertemuan 2: Karakteristik Utama Big Data (4V lebih dalam)

Deep dive: Volume — unit pengukuran & teknologi storage
Deep dive: Variety — structured vs unstructured data
Deep dive: Velocity — batch vs stream processing
Deep dive: Value — data monetization & ROI analytics
Pengantar: Veracity sebagai V kelima

Siapkan: tugas refleksi & pertanyaan dari materi hari ini.