Big
Data
PAPER KELOMPOK
TOPIK-TOPIK
LANJUTAN
SISTEM INFORMASI
Oleh
Kevi Rizkianto – 1501193681
Malvin
Prawono - 1501169146
Michael
Samuel C – 1501148204
Stefannus
Danny – 1501152012
06PJM / 2
Binus
University
Jakarta
2014
Binus University
Jurusan
Sistem Informasi
Paper
Kelompok Topik-Topik Lanjutan Sistem Informasi
Semester
Genap tahun 2014
Big
Data
Kevi Rizkianto
– 1501193681
Malvin Prawono - 1501169146
Malvin Prawono - 1501169146
Michael
Samuel C – 1501148204
Stefannus
Danny – 1501152012
06PJM / 2
Abstrak
Pada awalnya tahun 1970-2000 data yang
dibangun meruapakan data dengan model terstruktur dan merupakan relational
database seperti MySQL, oracle, dan lain-lain. Lalu pada tahun 1995 berikutnya
mulai dibangun suatu business intelligence yang menggunakan structured dan
relational database dengan system seperti cognos, pentaho dan lain-lain. Pada
2010 hingga sekarang dibangun suatu system yang memiliki tujuan 3V (volume,
velocity, varity) atau 4V (ditambah value), dan dengan bermacam teknologinya
seperti map reduce, high performance computers cluster dan lain-lain.
Artinya Big Data merupakan bagian dari
intelijen bisnis, Big Data dapat digunakan untuk membentuk suatu bisnis yang
memiliki intelijen guna mendukung pengambilan keputusan. Namun dalam hal ini
ada beberapa hal yang berbeda dari segi volume yang bukan hanya jumlah data
yang banyak, namun pertumbuhan data yang sangat pesat sehingga dalam rentang
waktu yang pendek data dapat bertumbuh dengan sangat cepat dan besar
(velocity), dan data yang ada memiliki variasi yang sangat banyak (variety)
tentunya dalam big data sendiri terutama dalam pembentukan datawarehouse sudah
banyak dilakukan ekstraksi transform load untuk menanggulanggi varietas dari
data tersebut sehingga data dapat menjadi standar baik dibersihkan dari
berbagai noise juga dilakukan transformasi sehingga data jauh lebih sesuai
dengan proses bisnis yang ada atau yang sedang berjalan bagi organisasi
tertentu.
Business Intelligence yang didalamnya
terdapat pemanfaatan big data pun membutuhkan suatu teknologi yang dapat
mendukung proses bisnis yang ada didalam intelijen bisnis itu sendiri, sehingga
dapat berjalan sesuai dengan yang diharapkan. Sehingga perlu dibangun suatu
infrastruktur yang tepat dan dapat mengatasi kebutuhan big data yaitu salah
satunya adalah proses pengolahan data yang sangat cepat walaupun diwaktu yang
sama data berukuran besar dan tumbuh dengan cepat.
Yang menjadi masalah dan tantangan adalah
akusisi data, recording data, ekstraksi, cleaning, anotasi, integrasi,
agregasi, representasi, analisis, modeling, interpretasi, dan visualisasi. Big
data sendiri memiliki penerapan dan manfaat untuk berbagai bidang seperti yang
sudah disebutkan diatas sebelumnya.
Kata
Kunci
Big
Data, Business Intelligence
BAB I
PENDAHULUAN
1.1 Latar Belakang
Akhir-akhir ini, istilah 'big data' menjadi topik yang dominan dan sangat
sering dibahas dalam industri IT. Banyak pihak yang mungkin heran kenapa topik
ini baru menjadi pusat perhatian padahal ledakan informasi telah terjadi secara
berkelangsungan sejak dimulainya era informasi. Perkembangan volume dan jenis
data yang terus meningkat secara berlipat-lipat dalam dunia maya Internet
semenjak kelahirannya adalah fakta yang tak dapat dipungkiri. Mulai data yang
hanya berupa teks, gambar atau foto,
lalu data berupa video hingga data yang berasal system pengindraan.
Hingga
saat ini, definisi resmi dari istilah big data belum ada. Namun demikian, latar
belakang dari munculnya istilah ini adalah fakta yang menunjukkan bahwa
pertumbuhan data yang terus berlipat ganda dari waktu ke waktu telah melampaui
batas kemampuan media
penyimpanan maupun sistem database
yang ada saat ini. Kemudian, McKinseyGlobal Institute (MGI), dalam laporannya yang dirilis
pada Mei 2011, mendefinisikan bahwa big data adalah data yang sudah sangat
sulit untuk dikoleksi, disimpan, dikelola maupun dianalisa dengan menggunakan
sistem database biasa karena volumenya yang terus berlipat. Tentu saja definisi
ini masih sangat relatif, tidak mendeskripsikan secara eksplisit sebesar apa
big data itu. Tetapi, untuk saat sekarang ini, data dengan volume puluhan terabyte hingga beberapa
petabyte kelihatannya dapat memenuhi definis MGI tersebut.
Di
lain pihak, berdasarkan definisi dari Gartner,
big data itu memiliki tiga atribute yaitu : volume , variety , dan velocity. Ketiga atribute ini
dipakai juga oleh IBM dalam mendifinisikan big data. Volume berkaitan dengan
ukuran, dalam hal ini kurang lebih sama dengan definisi dari MGI. Sedangkan
variety berarti tipe atau jenis data, yang meliputi berbagai jenis data baik
data yang telah terstruktur dalam suatu database maupun data yang tidak
terorganisir dalam suatu database seperti halnya data teks pada web pages, data suara, video,
click stream, log file
dan lain sebagainya. Yang terakhir, velocity dapat diartikan sebagai kecepatan
dihasilkannya suatu data dan seberapa cepat data itu harus diproses agar dapat
memenuhi permintaan pengguna.
Berdasarkan
uraian di atas, penulis merasa tertarik untuk mengangkat pembahasan yang dirumuskan dalam judul “Apakah yang dimaksud dengan Big Data?”
1.2 Ruang Lingkup
Mengingat luasnya cakupan ruang lingkup big data, maka ruang lingkup yang dibahas dibatasi pada :
1.
Penjelasan tentang Big
Data .
2. Kegunaan
Big Data.
1.3 Tujuan dan Manfaat
Berdasarkan pembahasan pada latar belakang, maka dapat ditentukan tujuan
penelitian ini, yaitu untuk mengetahui perkembangan big data yang ada.
Hasil penelitian ini
diharapkan dapat memberikan manfaat-manfaat sebagai berikut :
1. Untuk
mengetahui definisi atau pengertian
dari Big Data.
2. Untuk mengetahui perbedaan dari Big Data dan Business
Intelligence.
1.4 Metodologi
Penelitian
Metode yang digunakan
terdiri dari beberapa bagian, yaitu :
1.
Studi
pustaka
Metode pengumpulan informasi yang digunakan melalui studi
artikel media internet dan buku-buku referensi yang dapat dijadikan sumber dan
panduan dalam penyusunan penulisan ini.
2.
Metode
Analisis
Metode analisis yang digunakan pada penelitian ini adalah
dengan menganalisis dan me-review
perkembangan Disaster
Recovery Planning yang ada di Indonesia.
1.5 Sistematika Penulisan
Untuk mempermudah pembahasan dan memberikan
gambaran yang sistematis dalam memahami topik yang disajikan, kami membagi
paper ini ke dalam bagian-bagian berupa bab yaitu :
BAB I : Pendahuluan
Dalam bab ini diuraikan tentang
masalah pokok yang dibahas dalam paper ini, yang terdiri dari Latar Belakang,
Ruang Lingkup, Tujuan dan Manfaaat, Metodologi Penelitian, dan Sistematika
Penulisan.
BAB II : Landasan Teori
Dalam bab ini akan menguraikan teori
atau konsep yang melandasi hal-hal yang terdapat dalam penelitian ini, secara
umum dijelaskan tentang teori-teori yang berhubungan dengan kinerja sistem
informasi baik dikutip dari berbagai referensi maupun hasil riset yang didapat.
BAB III :
Pembahasan
Dalam bab ini berisi hasil penelitian
yang dilakukan dalam rangka mencapai tujuan dan manfaat yang ditetapkan pada
pendahuluan. Lalu menunjukkan bagaimana pemikiran atau temuan-temuan diperoleh,
menginterpretasikan temuan, dan mengaitkannya dengan teori yang digunakan.
BAB IV : Penutup
Dalam bab ini penulis akan menarik
bebarapa kesimpulan berdasarkan petunjuk dari buku-buku referensi, internet,
dan seminar teori-teori lanjutan sistem informasi serta saran yang mungkin akan
diterapkan untuk kemajuan perusahaan.
BAB II
LANDASAN TEORI
2.1 Big Data
Big data
adalah istilah untuk koleksi set data begitu besar dan kompleks sehingga menjadi sulit
untuk memproses menggunakan on-hand tools manajemen database atau aplikasi
pengolahan data tradisional. Tantangan termasuk capture,
kurasi, penyimpanan, pencarian, berbagi, transfer, analisis dan visualisasi.
Kecenderungan untuk set data yang lebih besar adalah karena
informasi tambahan diturunkan dari analisis set besar tunggal data terkait,
dibandingkan dengan memisahkan set yang lebih kecil dengan jumlah data yang
sama, yang memungkinkan korelasi harus ditemukan untuk "tren bisnis spot,
menentukan kualitas penelitian, mencegah penyakit, menghubungkan kutipan hukum , memerangi
kejahatan, dan menentukan kondisi real-time lalu lintas jalan. ".
(Wikipedia)
2.2 Business
Intelligence
Business intelligence
(BI) adalah seperangkat teori, metodologi, arsitektur, dan teknologi
yang mengubah data mentah menjadi informasi yang bermakna dan berguna untuk
tujuan bisnis. BI dapat menangani sejumlah
besar data tidak terstruktur untuk membantu mengidentifikasi, mengembangkan dan
sebaliknya menciptakan peluang baru. BI, dalam kata-kata
sederhana, membuat menafsirkan data tebal ramah. Memanfaatkan
peluang baru dan menerapkan strategi yang efektif dapat memberikan keunggulan
pasar yang kompetitif dan stabilitas jangka panjang. (Wikipedia)
BAB III
PEMBAHASAN
3.1
TITIK PEMBEDA BIG DATA
Sebagian dari Anda mungkin bertanya
“Apa yang membedakan big data dengan sekumpulan data dalam jumlah yang banyak?
Apakah memungkinkan untuk menyamakan dua hal tersebut dalam satu istilah?”
Nyatanya, big data adalah berbeda
dengan sekumpulan data-data yang dikumpulkan secara random dan
dianalisis secara terpisah. Big data tepatnya dibentuk atas tiga dimensi, yang
pertama adalah kuantitas.
Kuantitas dari big data selalu
meningkat seiring berjalannya waktu, terlebih lagi dengan kemajuan teknologi
yang memudahkan perusahaan untuk mendokumentasikan informasi digital yang datang dari
berbagai sumber seperti smartphones,
media sosial, dan social
barcode.
Dimensi kedua yang menjadi fondasi
dari big data adalah variasi. Big data memiliki keanekaragaman
data yang didapatkan dari lingkungan internal dan eksternal perusahaan,
layaknya studi tentang gaji dan demografi tenaga kerja. Variasi juga mengacu
pada jenis data yang terstruktur dan tidak terstruktur.
Data yang terstruktur merupakan data
yang bersifat standar dan relasional, seperti HRIS, sistem akunting, dan sistem
perencaaan sumber daya perusahaan. Berbeda halnya dengan data yang tidak
terstruktur, data tersebut didapatkan dari sumber informasi yang lebih luas
seperti pernyataan lisan/tulisan dari subjek penelitian, surel, gambar, video,
hingga postingan di social
media.
Kecepatan adalah dimensi terakhir yang membentuk big data. Kecepatan atau velocity
mereferensi kepada peningkatan pengumpulan data dan seberapa cepat data
yang dikumpulkan harus dievaluasi dan diaplikasikan untuk meningkatkan nilai
bisnis.
Dari ketiga dimensi big data yang
telah dipaparkan, maka dapat dipahami bahwa big data merupakan manifestasi dari
peningkatan jumlah dan variasi data yang datang secara cepat dari berbagai
media. Proses utilisasi big data tidak selesai pada pengumpulan data yang
beragam, melainkan terus berlanjut seiring dengan perusahaan mentransformasikan
data-data mentah menjadi informasi yang savvy, terukur, dan dapat
dimengerti. Setelah itu perusahaan senantiasa mengkomparasikan hasil
interpretasi informasi dengan objektif yang ingin dicapai, dari situ perusahaan
dapat menilai apakah situasi, kebijakan, atau strategi bisnis perusahaan telah
secara positif berkontribusi terhadap pencapaian goals.
Ada dua teknologi dalam infrastruktur
dalam Big data yaitu :
- High Performance Computing Cluster (HPCC) atau dapat disebut sebagai Data Analytics Supercomputer (DAS)
- Hadoop Platform (Map Reduced-Based Platform)
Dari kedua
pendekatan teknologi tersebut terdapat perbedaan yang cukup signifikan (dari
segi fungsi) dan juga terdapat kemiripan dalam proses yang berjalan didalamnya.
Kemiripan dari dua teknologi tersebut adalah sama-sama memanfaatkan lebih dari
satu komputer dalam melakukan proses penarikan informasi ataupun pemrosesan
berbagai informasi atau bahkan dapat terlihat keduanya menggunakan konsep
kluster pada arsitektur teknologi yang digunakan. Pada dasarnya keduanya pun
dapat diintegrasikan dengan baik guna saling mendukung satu sama lain.
High Performance
Compputing Clusters ini sendiri pada dasarnya membangun suatu super komputer
yang terdiri dari lebih dari satu komputer dengan spesifikasi tertentu
(biasanya sama) untuk saling membantu menopang, atau membagi tugas satu sama
lain sehingga bersama-sama dapat melakukan processing terhadap suatu data,
terutama dalam hal pencarian data. Proses besar yang biasanya berjalan sendiri
adalah seperti, Ekstrak, Transform, dan Load, lalu setelah itu dilakukan
analisis untuk mendapatkan informasi yang lebih sesuai dengan kebuthan bisnis
organisasi tersebut.
Sedangkan Hadoop
Platform sendiri merupakan suatu project teknologi yang dikembangkan oleh
apache dalam mengelola data besar sehingga jauh lebih efektif dan efisien.
Dalam hadoop
sendiri terdiri dari berbagai komponen, bahkan hingga hadoop sendiri memiliki distributed
file system sendiri yang disebut dengan (HDFS). Kelebihan dari dari HDFS
ini sendiri adalah :
- Fault tolerance, dan di-deploy untuk low cost hardware
- Write Onece, Read many, merupakan koherensi sederhana, dan terlebih lagi framework yang dibangun dalam hadoop ketika kita akan menggunakan hadoop, menggunakan teknologi java.
- Memindahkan komputasi/proses lebih cepat dari memindahkan data.
- Mirip Google File System, tetapi HDFS membagi file menjadi block dalam cluster node yang terdistribusi.
- Core component : master vs slave, name node vs data node, job tracker vs task tracker.
Pada masa ini
terdapat perbedaan Sistem manajemen Basis Data, yang pada dasarnya basisdata
memiliki korelasi antar data yag biasanya kita sebt dengan data yang sudah
terstruktur atau terorganisasi, dan perangkat system manajemen basis datanya
yang merupakan perangkat lunak yang dapat digunakan untuk mengelola basis data
seperti MySQL, Oracle, PostgreSQL dan lain-lain. Pada saat init terdapat
kebutuhan lain dari manajemen basis data dengan adanya big data atau menjadi
Sistem Manajemen Big Data. Beriku adalah penyebab kenapa terdapat kebutuhan
Manajemen Big Data tersebut:
- Tidak semua persoalan pengolahan data dapat diselesaikan dengan cara terbaik menggunakan traditional relational DBMS.
- DBMS konvensional tidak cukup untuk big data karena:
- Kecepatan akses (isu volume)
- Kesederhanaan set up
- Kebutuhan representasi struktu/skema yang lebih longgar (isu variety)
- Kebutuhan pengelolaan data yang berbeda (ACID tidak sepenuhnya diperlukan), missal connectedness.
- Kebutuhan arsitektur terdistribusi (scale out).
Sehingga dibangun
berbagai perangkat lunak yang dapat mengatasi kebutuhan tersebut namun
masingmasing teknologi memiliki karakteristik dalam proses pengolahan yang
berbeda, berikut contohnya :
- Column Oriented
- Big table (google), Hbase, Cassandra (Facebook)
- Document Oriented
- CouchDB, MongoDB
- Graph-Oriented
- Neo4j, Virtuoso
- Key-value Oriented
- DynamoDB (Amazon), Riak
Dari beberapa
contoh DBMS diatas tersebut terlihat bahwa ada perbedaan mendasar pada masing DBMS
untuk big data tersebut adalah pada orientasi masing-masing database management
system. Biasanya system untuk manajemen basis data untuk Big Data yang
digunakan adalah NoSQL yang pada awalanya ditujukan oleh para komunitas yang
tidak menyukai penggunakan SQL sebagai “tidak menggunakan SQL” namun sekarang
karena kesadaran ternyta kita tidak bias sepenuhnya lepas terhadap SQL ini,
dirubah menjadi “Not Only SQL” (NoSQL).
NoSql ini
merupakan DBMS yang disebutkan sebelumnya (4 point di atas). NoSQL memiliki
perbedaan merupakan database yang tidak berelasi, karena tidak adanya kebutuhan
connectedness yang sudah disebutkan sebelumnya, dan biasanya bersifat
terdistribusi dan scale out (secara horizontal). Tanpa ada skema khusus
sehingga lebih longgar terhadap skema, dan penggunakan Application Programming
Interface yang lebih sederhana dalam penggunaan manipulasi atau processing
data. Juga menerapkan perinsip BASE, buka ACID.
Yang paling
terkenal sendiri untuk teknologi NoSQL ini adalah Hadoop dengan map reducenya
yang antara versi 1.0 dan 2.0 nya memiliki perbedaan yang cukup signifikan
terutama dalam model frameworknya, yang kedua adalah Document Oriented yang
memiliki konsep hirarki dalam dokumen suatu data, dan biasanya doumen di
enkapsulasi dan encoding dalam format standar XML,JSON, YAML, dan lain-lain.
Sedangkan Graph oriented merupakan DBMS yang memrepresentasikan model data
graph, yang memperlihatkan keterhubungan antar setiap data.
Dalam proses
mining (datamining) dengan adanya big data ini sendiri cukup menguntungkan
karena datamining membutuhkan data yang banyak sehingga menghasilkan model yang
jauh lebih general namun memiliki akurasi yang tinggi. Namun dengan adanya big
data ini sendiri datamining diharuskan menerima tantangan bagaimana melakukan
datamining dengan skala yang sangat besar dan terdistribusi juga dengan variety
data yang sangat variatif.
Sehingga
diharapkan dengan pemanfaatan infrastruktur teknologi dari Big Data yang tepat
guna dapat mendukung proses bisnis yang ada menjadi jauh lebih baik terutama
dalam proses pengambil informasi, knowledge dan wisdom guna mendukung dalam
pengambil keputusan pada suatu organisasi tertentu baik itu profit maupun
non-profit, baik itu swasta maupun pemerintah.
3.2 MANFAAT DARI BIG DATA
Big data dapat dikonsiderasikan
sebagai suatu investasi, dimana implikasi yang nyata baru dapat dirasakan
apabila proses penelitian dan interpretasi big data telah dirampungkan dan
menghasilkan strategi bisnis yang solutif dan implementatif.
Manfaat pertama dari pemanfaatan big
data adalah perusahaan memiliki kesempatan untuk mengambil keputusan bisnis
yang didasarkan atas data yang ilmiah dan terukur, bukan berdasarkan common
sense, intuisi, atau kebijaksanaan yang bersifat praktis.
Selama bertahun-tahun, HR telah
menggunakan data tidak terstruktur dari jawaban karyawan dalam survei
engagement, performance review, dll. Di era big data ini, data tak terstruktur
tersebut datang dari sumber dalam dan luar organisasi, termasuk dari social
media, blog, wiki, email, dan lain-lain. Semua sumber ini akan memberikan
semakin banyak insight terhadap keterlibatan karyawan terhadap perusahaan.
Starbucks mendapatkan masukan tentang
motivasi karyawannya dari survei dengan banyak pertanyaan terbuka. Starbucks
mempekerjakan mahasiswa paska sarjana untuk membantu mereka membuat analisa
konten dari informasi yang jumlahnya masif tersebut. Tools untuk
mengotomatisasikan proses ini masih dalam tahap pengembangan.
Menurut Ranjan Dutta, direktur
pengukuran dan predictive analytics pada PwC Saratoga, teknik analisa otomatis
terhadap data tak terstruktur sebagian besar masih dalam tahap awal
pengembangannya. Tetapi kemampuan tools-tools seperti ini akan berkembang cepat
dalam 5 tahun ke depan. Menurutnya, perusahaan seperti SAP, Oracle, dan Workday
saat ini terus mengembangkan perangkat lunak yang terus memudahkan analisa big
data.
Baru sedikit organisasi HR yang telah
menggunakan data dari situs jejaring sosial. Selain Juniper yang telah
disebutkan di atas, organisasi lain yang banyak menggali manfaat dari Linkedin
adalah Thrivent. Thrivent mencari kandidat yang memiliki semangat
entrepreneurial dan menemukan Linkedin adalah alat yang efektif untuk melakukan
pencarian semacam ini.
Facebook dan situs jejaring sosial
lain juga menjanjikan. FedEx misalnya, melakukan studi korelasi antara data
karyawan dengan data kepuasan konsumen. Mereka mencari tahu bagaimana
perbandingan apa yang dikatakan karyawan tentang FedEx dalam situs jejaring
sosial dan situs web karir dengan apa yang dikatakan karyawan dalam survey
engagement. “Karyawan adalah duta brand, dan social media adalah seperti
mikrofon besar yang menyuarakan tentang perusahaan Anda,” ujar Bennett. “Kepuasan
karyawan hari ini akan keluar melampaui tempat kerja dan memasuki ranah social.
Apabila ada karyawan tidak puas dan menampilkannya di social media, maka kita
punya masalah.”
3.3 JALAN YANG PANJANG UNTUK MERAIH BIG
DATA
Sama seperti penelitian bisnis pada
umumnya, proses penggunaan big data menuntut para profesional untuk mengetahui
objektif bisnis apa yang ingin diraih, menciptakan cara untuk mendapatkan data
yang relevan, menentukan bagaimana penelitian dan interpretasi akan
diaktualisasikan, merancang variabel penelitian, dan mengimplementasikan penelitian
yang telah direncanakan.
Namun begitu, penting untuk diketahui
bahwa ada dua tantangan yang terbesar dari big data yaitu bagaimana mendapatkan
data yang diinginkan dan mengintegrasikan data yang berbeda.
3.4 PERBEDAAN BIG DATA DENGAN BUSINESS INTELLIGENCE
Perbedaan yang
mendasar adalah bagaimana konsep Big Data dan Business Intelligence memproses
data.Untuk menghadapi volume yang tinggi, prinsip Business Intelligence
mengajak kita untuk membersihkan data yang ada. Proses pembersihan ini akan
membuang residu yang dianggap tidak penting. Sedangkan prinsip Big Data adalah
untuk tidak membuang data apapun karena residu tersebut mungkin akan menjadi
penting sejalannya waktu.
Untuk menghadapi
velositas yang tinggi, prinsip Business Intelligence mengajak kita untuk
melakukan operasi batch secara teratur. Operasi ini akan medorong data dari
sistem transaksi ke data warehouse untuk diproses selanjutnya. Sedangkan
prinsip Big Data adalah real-time processing.
Untuk menghadapi
variasi data yang tinggi, prinsip Business Intelligence mengajak kita untuk
menciptakan struktur melalui ekstraksi, transformasi dan membuang residu
yang tersisa. Big Data memiliki pendekatan yang serupa namun tanpa harus
membuang data mentah yang kita miliki. Misalnya dari sebuah unstructured
data kita bisa melakukan entity resolution untuk mengekstrak konteks
sebuah kata (contoh: Apple adalah perusahaan atau label rekaman atau buah).
Kalkulasi ini biasanya dilakukan secara real time.
BAB IV
PENUTUP
4.1
Kesimpulan
Kesimpulan makalah ini
adalah :
Big Data bukanlah semata-mata hanya soal ukuran, bukan hanya tentang
data yang berukuran raksasa. Big data adalah data berukuran raksasa yang
volumenya terus bertambah, terdiri dari berbagai jenis atau varietas data,
terbentuk secara terus menerus dengan kecepatan tertentu dan harus diproses
dengan kecepatan tertentu pula.
Momen awal ketenaran istilah ‘big data’ adalah kesuksesan Google dalam
memberdayakan ‘big data’ dengan menggunakan teknologi canggihnya yang disebut
Bigtable beserta teknologi-teknologi pendukungnya.
4.2
Saran
Penerapan Big Data sebaiknya
dilakukan sesuai kebutuhan perusahaan sehingga dapat menghasilkan strategi bisnis yang solutif dan implementatif.
DAFTAR PUSTAKA
Sutanto, Taufik. (2013). Big Data & Kurikulum: Berbagi Pengalaman Kecil.
Nandonurhadi. (2013). Sejarah Big Data dan Big Data Landscape.
http://nandonurhadi.wordpress.com/2013/07/25/sejarah-big-data-dan-big-data-landscape/
https://id.wikipedia.org/
