Karakteristik utama Big Data (4V)

Big Data Analysis · Pertemuan 2 · Program Bisnis Digital

CPMK 1 CPMK 2 CPMK 3 150 menit

Agenda Perkuliahan

Teori (75 menit)

Definisi dan sejarah singkat Big Data
Karakteristik Volume — skala data dunia
Karakteristik Variety — ragam format data
Karakteristik Velocity — kecepatan data masuk
Karakteristik Value — nilai bisnis dari data

Praktik & Diskusi (75 menit)

Studi kasus: Gojek, BCA, Telkom Indonesia
Latihan identifikasi 4V pada skenario nyata
Diskusi kelompok: di mana "Value" tersembunyi?
Tugas mandiri & preview Pertemuan 3

Tujuan Pembelajaran

Menjelaskan definisi Big Data dan konteks kemunculannya dalam ekosistem bisnis digital

Menguraikan masing-masing dimensi Volume, Variety, Velocity, dan Value beserta indikatornya

Mengidentifikasi karakteristik 4V pada kasus industri nyata di Indonesia

Menghubungkan karakteristik Big Data dengan pilihan alat analisis dan strategi pengolahan data

Topik 1

Definisi & Asal-usul Big Data

Mengapa data "besar" berbeda dari data biasa?

Apa Itu Big Data?

Definisi kerja: Big Data adalah kumpulan dataset yang terlalu besar, terlalu beragam, atau mengalir terlalu cepat sehingga tidak dapat diproses secara efisien menggunakan sistem manajemen database tradisional (RDBMS).

Era Sebelum Big Data

Data terstruktur (tabel, baris, kolom)
Ukuran gigabyte hingga terabyte
Diproses batch — harian atau mingguan
Sumber tunggal: transaksi ERP/CRM

Era Big Data (2000-an–kini)

Data terstruktur + semi-terstruktur + tidak terstruktur
Ukuran petabyte hingga zettabyte
Diproses real-time atau near-real-time
Sumber majemuk: IoT, media sosial, log, sensor

Skala Data Global — Konteks Angka

~120 ZB

Data yang dibuat, disalin, & dikonsumsi secara global pada 2023 (estimasi Statista/IDC)

2,5 EB/hari

Perkiraan data baru yang dihasilkan setiap hari oleh perangkat, aplikasi, dan pengguna internet global

>5 Miliar

Pengguna internet aktif di dunia per 2024 — setiap interaksi menghasilkan jejak data

Perspektif Indonesia: Lebih dari 210 juta pengguna internet aktif (per 2024, APJII) — setiap transaksi GoPay, pencarian Tokopedia, atau pesan WhatsApp menambah volume data nasional secara nyata.

Kerangka 4V — Peta Konseptual

Dimensi	Pertanyaan Kunci	Satuan / Indikator	Tantangan Utama
Volume	Seberapa besar datanya?	TB, PB, EB, ZB	Penyimpanan & biaya infrastruktur
Variety	Seberapa beragam formatnya?	Teks, gambar, video, JSON, sensor	Integrasi & standarisasi skema
Velocity	Seberapa cepat datanya mengalir?	Event/detik, latensi ms	Pemrosesan real-time & kapasitas pipeline
Value	Apa manfaat bisnisnya?	ROI, akurasi prediksi, efisiensi	Mengekstrak sinyal dari noise

Topik 2

Volume · Variety · Velocity

Tiga dimensi teknikal yang menentukan infrastruktur Big Data

Volume — Skala Penyimpanan Data

Hierarki satuan data:
1 KB = 10³ B · 1 MB = 10⁶ B
1 GB = 10⁹ B · 1 TB = 10¹² B
1 PB = 10¹⁵ B · 1 EB = 10¹⁸ B
1 ZB = 10²¹ B

Ambang batas Big Data: Tidak ada angka mutlak — yang menjadi patokan adalah ketika volume data melampaui kemampuan sistem tradisional (biasanya di atas beberapa terabyte dengan query kompleks).

Implikasi Volume terhadap Infrastruktur

Distributed storage: HDFS, Amazon S3, Google Cloud Storage
Kompresi data: format Parquet, ORC lebih efisien dari CSV
Data lake vs data warehouse: lake menampung data mentah semua format
Biaya storage: pertimbangan capex vs opex cloud

Variety — Keragaman Format Data

Terstruktur

Tabel relasional (SQL)
Spreadsheet Excel
Data transaksi ERP/CRM
Mudah diquery, sudah ada skema

Semi-terstruktur

JSON, XML, YAML
Email dengan metadata header
Log server (Apache, Nginx)
Skema fleksibel, butuh parsing

Tidak Terstruktur

Teks bebas, artikel berita
Gambar, video, audio
Postingan media sosial
~80% dari total data digital global

Tantangan Variety: Menggabungkan data dari sumber berbeda (schema-on-read vs schema-on-write) dan membangun pipeline ETL/ELT yang mampu menangani heterogenitas format.

Velocity — Kecepatan Aliran Data

Mode Pemrosesan	Latensi Tipikal	Contoh Use Case
Batch processing	Jam – hari	Rekonsiliasi transaksi perbankan harian
Micro-batch	Detik – menit	Dashboard penjualan e-commerce
Stream processing	Milidetik	Deteksi fraud kartu kredit real-time
Event-driven	<1 ms	Trading algoritmik, alarm sensor industri

Teknologi Streaming Populer

Apache Kafka: message broker untuk data streaming skala besar
Apache Flink / Spark Streaming: pemrosesan stream terdistribusi
AWS Kinesis / GCP Pub/Sub: layanan managed streaming cloud
Redis Streams: in-memory streaming untuk latensi sangat rendah

Coba Sendiri: Geser Angka 3V, Rasakan Tantangannya

Geser slider Volume, Variety, dan Velocity lalu amati bagaimana tantangan infrastruktur berubah pada setiap dimensi.

Topik 3

Value & Kasus Industri Indonesia

Dari data mentah ke nilai bisnis yang terukur

Value — Nilai Bisnis dari Big Data

Paradoks Value: Volume, Variety, dan Velocity menciptakan tantangan teknikal — tetapi Value adalah alasan mengapa organisasi bersedia menanggung biaya tersebut. Data tanpa value extraction hanyalah biaya operasional.

Sumber Value dari Big Data

Prediksi perilaku pelanggan → personalisasi dan retensi
Optimasi operasional → efisiensi rantai pasok
Deteksi anomali → pengurangan fraud dan risiko
Produk berbasis data → layanan baru yang sebelumnya tidak mungkin

Mengukur Value

ROI model analitik vs biaya infrastruktur
Peningkatan akurasi keputusan (mis. approval rate kredit)
Pengurangan churn pelanggan dalam persentase
Waktu-ke-insight: dari minggu menjadi menit

Studi Kasus: Gojek & Tokopedia

Gojek — Superapps Data Ecosystem

Volume: jutaan transaksi harian di GoRide, GoFood, GoPay
Variety: data GPS, transaksi keuangan, ulasan teks, foto struk
Velocity: estimasi ETA real-time, surge pricing dinamis
Value: rekomendasi restoran personal, deteksi fraud GoPay, optimasi rute armada

Tokopedia (kini TikTok Shop) — Marketplace Analytics

Volume: ratusan juta produk, miliaran log pencarian
Variety: deskripsi produk, foto, video review, rating bintang
Velocity: update stok real-time, flash sale dengan lonjakan traffic
Value: search ranking, rekomendasi lintas-kategori, prediksi demand musiman

Studi Kasus: BCA & Telkom Indonesia

BCA — Perbankan Berbasis Data

Volume: ratusan juta transaksi m-Banking dan ATM setiap bulan
Variety: data transaksi, profil nasabah, log call center, data KYC
Velocity: deteksi transaksi mencurigakan dalam hitungan detik
Value: credit scoring internal, cross-sell produk finansial, pencegahan fraud

Telkom Indonesia — Telco Analytics

Volume: data CDR (Call Detail Record) miliaran panggilan & sesi internet
Variety: data jaringan, lokasi BTS, perilaku browsing, metadata perangkat
Velocity: monitoring kualitas jaringan real-time, manajemen kapasitas BTS
Value: prediksi churn pelanggan, optimasi jaringan, layanan smart city

Studi Kasus: BRImo & Ekosistem BRI

BRI adalah bank dengan jumlah nasabah terbesar di Indonesia — sebagian besar di segmen UMKM dan pedesaan — menjadikannya laboratorium Big Data yang unik untuk inklusi keuangan.

Volume

Lebih dari 170 juta rekening nasabah
Ribuan agen BRILink menghasilkan transaksi di seluruh pelosok Indonesia

Variety & Velocity

Transaksi digital BRImo, kartu debit, QRIS, transfer antar bank
Notifikasi & alert real-time ke nasabah dalam detik

Value

KUR Mikro dengan credit scoring alternatif berbasis data transaksi
Prediksi musim panen untuk pinjaman pertanian
Deteksi pola penggunaan ATM untuk efisiensi operasional

Diagram: Hubungan 4V dalam Ekosistem Data

Rangkuman

Kerangka 4V adalah alat diagnostik untuk memahami mengapa Big Data memerlukan pendekatan yang berbeda dari data konvensional — baik dari sisi infrastruktur maupun strategi bisnis.

Volume — data skala PB/EB memerlukan distributed storage dan komputasi paralel
Variety — ~80% data digital bersifat tidak terstruktur; butuh pipeline ETL/ELT heterogen
Velocity — mode pemrosesan harus sesuai kebutuhan bisnis: batch, micro-batch, atau stream

Value — tujuan akhir: prediksi, efisiensi, deteksi anomali, produk berbasis data
Konteks Indonesia — Gojek, Tokopedia, BCA, Telkom, BRI telah membuktikan value nyata dari ekosistem Big Data lokal
Implikasi Manajemen — investasi infrastruktur data harus didahului oleh identifikasi value yang jelas

Tugas & Diskusi

Diskusi Kelompok (15 menit)

Pilih satu perusahaan Indonesia (boleh di luar yang dibahas hari ini)
Identifikasi karakteristik 4V pada operasional perusahaan tersebut
Diskusikan: di mana letak "Value" yang paling signifikan?
Presentasikan temuan dalam 2 menit per kelompok

Tugas Mandiri (dikumpulkan P3)

Baca satu artikel atau laporan tahunan perusahaan yang menyebut penggunaan Big Data
Tuliskan analisis 1 halaman: identifikasi dimensi 4V mana yang dominan dan mengapa
Sumber: laporan tahunan BRI/BCA/Telkom/Gojek tersedia publik di website resmi
Format: PDF, dikumpulkan via LMS sebelum Pertemuan 3

Sesi Tanya Jawab & Preview Pertemuan 3

Pertanyaan Panduan Refleksi

Dimensi V mana yang paling menantang untuk dikelola? Mengapa?
Apakah setiap organisasi perlu mengelola keempat V sekaligus?
Bagaimana cara mengukur "value" dari investasi Big Data?
Apa risiko yang muncul dari volume dan velocity yang tinggi?

Preview: Pertemuan 3

Konsep, Teori, dan Framework Data Analytics

Taxonomy analitik: deskriptif, diagnostik, prediktif, preskriptif
Framework CRISP-DM untuk proyek analitik data
Hubungan antara Big Data dan Business Intelligence
Bacaan: siapkan ringkasan artikel tugas mandiri P2

Terima Kasih. Sampai jumpa di Pertemuan 3!