TUGAS 1 BIG DATA KELOMPOK DISUSUN OLEH : Devanka Arya Levin NIM. 2005541112 (Kelas D) Tom Gerraldo Salomo NIM. 2005541113 (Kelas D) DD Hassel Putra Q NIM. 2005541114 (Kelas D) I Made Randi Dwi Pramana Putra NIM. 2005541115 (Kelas D) PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS TEKNIK UNIVERSITAS UDAYANA SEMESTER GANJIL 2021/2022 Bagaimana Facebook Memanfaatkan Pengunaan Big Data Facebook sendiri adalah perusahaan data yang bergerak di layanan jaringan data dan sosial media, karena Facebook mempunyai sistem jaringan yang besar serta luas sehingga harus menggunakan big data analytical untuk memahami pola interaksi dan korelasi suatu hubungan satu dengan yang lainnya. Biasanya, pakar big data analytical Facebook membaca atau menganalisa pola interaksi user berdasarkan data serta aktivitas user. Bagaimana pola Suka Facebook dapat dengan sangat akurat memprediksi status hubungan, usia, jenis kelamin, ras , dan pandangan politik—di antara banyak lainnya. Facebook menerapkan sistem database sejenis untuk menangani melonjaknya pengguna layanan mereka. Dengan teknologi Big Data, Facebook tak pernah kesulitan untuk menangani peredaran data yang melonjak drastis dalam enam tahun terakhir yang berasal dari 1 miliar pengguna jejaring sosial mereka. Dengan data seperti ini, Facebook tahu siapa teman kita, seperti apa rupa kita, di mana kita berada, apa yang kita lakukan, kesukaan kita, ketidaksukaan kita, dan masih banyak lagi. Selain menganalisis data pengguna, Facebook memiliki cara lain untuk menentukan perilaku pengguna. 1. Cookie pelacakan: Facebook melacak penggunanya di seluruh web dengan menggunakan cookie pelacakan. Jika pengguna masuk ke Facebook dan secara bersamaan menelusuri situs web lain, Facebook dapat melacak situs yang mereka kunjungi. 2. Pengenalan wajah: Salah satu investasi terbaru Facebook adalah pengenalan wajah dan kemampuan pemrosesan gambar. Facebook dapat melacak penggunanya di internet dan profil Facebook lainnya dengan data gambar yang disediakan melalui berbagi pengguna. 3. Saran tag: Facebook menyarankan siapa yang harus diberi tag di foto pengguna melalui pemrosesan gambar dan pengenalan wajah. 4. Menganalisis Suka: Memprediksi data secara akurat tentang berbagai atribut pribadi yang sangat sensitif dapat dilakukan hanya dengan menganalisis Suka Facebook pengguna. Pada facebook, user/pengguna dapat menambahkan identitas pribadi pada profilnya, menambahkan teman dengan rekomendasinya, serta fitur-fitur lainnya. Hal itu yang membuat pakar big data analytical dapat membaca atau melihat pola interaksi pengguna berdasarkan data serta aktivitas yang pengguna lakukan. Model yang digunaka facebook dalam menggunakan big data adalah asosiasi, yaitu dengan menganalisis hubungan yang terjadi dalam suatu jaringan sosial. Dengan model asosiasi ini, facebook dapat mengetahui serta menganalisis suatu jaringan, hingga akhirnya mengambil suatu keputusan. Dalam penggunaan big data facebook memiliki API, yang merupakan sekumpulan perintah, fungsi, dan protocol yang dapat digunakan oleh programmer saat membangun perangkat lunak untuk system operasi tertentu. Sehingga dengan API, programmer dapat mengambil data pengguna melalui aplikasi visualisasi (salah satunya Gephi), yang sebelumnya harus dibuat datasets nya (bisa dengan R studio) Facebook menggunakan jasa dari hadoop dalam mengembangkan usahanya. Hadoop bekerja dengan cara memproses data – data dengan skala yang besar. Prinsip kerja hadoop adalah scale out, yaitu adanya penambahan/penghapusan node , dimana hadoop mengikat setiap node menjadi sebuah system yang terdistribusi. Hadoop dirancang untuk mengalirkan file-file besar dan jumlah data yang besar. Pemanfaatan Big Data Platform Youtube Youtube yang menerapkan Data Mining sebagai pengolahan data yang didapat dari penggunanya. Youtube sendiri merupakan aplikasi berbasis web yang memungkinkan para penggunanya atau “Youtuber” ini mengunggah, menonton, dan berbagi video. Karena banyaknya pengguna Youtube, dan juga si pengguna ini melihat video-video tertentu yang ingin mereka tonton, otomatis sudah terekam oleh database yang dimiliki oleh Youtube, kemudian kumpulan data ini dikumpulkan dan diolah yang pada akhirnya menjadi sebuah Big Data. Dari data yang sudah dikumpulkan dan diolah tersebut, kemudian Youtube menyajikan video-video rekomendasi kepada para pengguna sesuai dengan video yang sering ditonton atau bahkan jumlah like. Contoh misalkan, para pengguna Youtube sering menonton video genre musik, seperti official music, sudah bisa ditentukan bahwa Youtube pasti akan merekomendasikan video dengan genre yang sering ditonton tersebut, entah itu solo konser, band, cover lagu, bahkan ajang pencarian bakat musik sekalipun. Google Brain adalah alasan dibalik semakin relevannya rekomendasi yang diberikan YouTube. Ini adalah divisi artificial intelligence (AI) atau kecerdasan buatan yang mulai digunakan YouTube pada 2015. Satu hal yang menjadi kunci, Google Brain memiliki kemampuan untuk menggeneralisasi. Misalnya, saat menonton sebuah video stand-up komedian, rekomendasi YouTube dengan cukup bagus menampilkan video serupa. Tapi kemudian Google Brain dapat menemukan stand-up komedian lain yang mirip namun tak sama persis, bahkan dapat mencari yang lebih mendekati lagi. Google Brain mampu melihat pola yang tidak begitu mudah dilihat sehingga membuat sistem rekomendasi YouTube menjadi semakin relevan untuk pengguna YouTube. Lebih dari 70% waktu menonton di YouTube dihasilkan dari rekomendasi otomatis Penerapan Big Data pada UPS (United Parcel Service) Perusahaan pengiriman yang berkantor pusat di amerika. UPS menggunakan sensor-sensor data dan analitis big data untuk menghemat pengeluaran, meningkatkan efisiensi dan meminimalakan dampak lingkungan. Sensor dipasang di setiap mobil armada untuk memonitor kecepatan, konsumsi bahan bakar, jarak tempuh, jumlah pemberhentian, dan kesehatan mesinnya. Setiap mobil di pasang dua ratus sensor, dan UPS memiliki armada sejumlah 80 ribu mobil yang beroperasi setiap hari. Volume data yang besar ini kemudian di analisis sehingga menghasilkan infomasi yang bermanfaat bagi UPS. Sensor atau peranti IoT yang dipakai oleh UPS saja sudah begitu banyak maka tidak mengherankan bila populasi peranti IoT itu di seluruh dunia sangatlah besar dan terus bertambah dari waktu ke waktu. Perusahaan logistik ini memanfaatkan analisis big data untuk meningkatkan operasional bisnis mereka. UPS memantau rute perjalanan 45.000 kendaraan pengantar mereka secara realtime. Mereka lalu melakukan efisiensi rute dan dapat menghemat lima belas juta galon bahan bakar per tahun. UPS (United Parcel Service) mengumumkan bahwa mereka menggunakan data dari customer, driver, dan juga kendaraan untuk menentukan rute baru yang menghemat waktu, uang, dan bahan bakar. Faktor pendorong berkembangnya big data yang lain adalah persaingan antar bisnis. Pada contoh kasus UPS di atas, bisa dilihat bagaimana big data bisa membantu meningkatkan efisiensi sebuah bisnis. Keberadaan big data memiliki peluang menjanjikan untuk merevolusi bisnis. Akan tetapi, ada berbagai tantangan yang perlu dihadapi, terutama oleh perusahaanperusahaan besar yang sudah cukup veteran. Di antaranya, kekurangan sumber daya manusia, pengetahuan akan big data yang masih perlu ditingkatkan, dan yang paling penting, tentang mindset. Dari segi metode analisis, big data memberikan waktu analisa data yang lebih cepat. Hal tersebut karena informasi yang diperlukan juga sudah bisa diakses secara real-time dengan informasi yang cukup akurat. Dengan kemampuan analisis yang lebih cepat dan menyeluruh, big data bisa dijadikan alat untuk mengidentifikasi berbagai permasalahan dalam bisnis, bahkan menemukan penipuan atau penyalahgunaan dalam sebuah sistem. Netflix Memanfaatkan Penggunaan Teknologi Big Data Membuat rekomendasi film-film bagi pelanggan mereka Memanfaatkan Big Data untuk meningkatkan kinerja search engine-nya. di seluruh dunia. Netflix menyimpan ber Peta – Peta Bytes data di dalam sistem Hadoop mereka. Perhari rata-rata 10 Terabytes data dimasukkan ke dalam Sistem Hadoop mereka. Netflix menjalankan Hadoop mereka dengan cloud Computing. Dengan menggunakan Big Data Netflix tidak hanya menguasai pangsa pasar video on demand tetapi juga mulai menggerogoti pangsa pasar TV Cable terutama di Amerika. Netflix memilih pendekatan berbeda. Selain informasi dari lembaga rating, mereka juga sudah melakukan data mining terhadap data yang mereka kumpulkan di sistem Big Data mereka. tanpa melihat Pilot Episode, Netflix sudah sangat yakin bahwa customer mereka akan suka dengan serial season film. Hal ini mulai membuka mata banyak industry akan kekuatan dari Big Data. Big Data memberikan semacam jaminan tanpa effort yang berlebihan untuk menilai sesuatu yang baru. Dengan informasi yang diambil dari analisis Big Data tersebut, tindakan bisa dengan cepat diambil sehingga kompetitorpun bisa dikalahkan. Meskipun kompetitor itu adalah perusahaan besar yang telah lama menguasai pangsa pasar. Dengan digunakan Big Data, Netflix mengubah pandangan ini. Penyedia video on demand juga menampilkan tontonan-tontonan baru yang berkualitas dan ekslusif serta bahkan tidak bisa di tonton di TV kabel. Penerapan Big Data Pada Aplikasi E-Commerce Lazada Lazada telah dan akan melanjutkan pemanfaatan tren big data untuk lebih memahami pelanggan melalui pola pembelian dan pola browsing. Tren ini juga bermanfaat untuk mengoptimalkan platform sehingga lebih efisien. Lazada mendapatkan peningkatan penjualan dari analisis big data yaitu melalui metode riwayat pencarian konsumen Objectives Kebutuhan setiap orang sangatlah beragam, maka dari itu Lazada menggunakan metode menganalisis riwayat pencarian pelanggan sehingga bisa mengetahui apa saja yang dibutuhkan oleh orang tersebut. Keuntungan yang di dapat dari metode ini adalah tingkat efektifitas dari penawaran yang di tawarkan kepada konsumen sehingga dapat meningkatkan penjualan. Metode Dalam penelitian ini, menggunakan metode data mining, agar dapat mengumpulkan data dan menggunakannya sehingga bisa memprediksikan apa saja barang yang dibutuhkan konsumen. Model Model yang digunakan Lazada adalah Regression untuk memprediksi apakah konsumen membutuhkan barang yang ditawarkan atau tidak berdasarkan data riwayat pencarian yang dimiliki. Measurement Dalam hal ini big data berperan dalam proses pengumpulan data dan pengambilan keputusan bagi lazada. Sistem yang digunakan Lazada akan menganalisis riwayat pencarian konsumen sehingga membantu untuk mengambil keputusan untuk menampilkan tawaran barang apa saja yang akan ditawarkan sehingga menjadi lebih efektif. Accuracy Dalam big data terdapat unsur Volume, Velocity, dan Variety (3V). Dari segi data yang didapatkan, data tersebut memenuhi unsur Volume. Banyak data yang didapatkan oleh Lazada lalu disimpan dan digunakan untuk mengambil keputusan. Solution Idea Mengamati dari riwayat pencarian setiap individu dan intensitasnya juga perlu diperhatikan dalam menggunakan metode ini, karena seberapa sering orang mencari sesuatu maka semakin seriuslah orang mencari barang tersebut. Di dunia e-commerce, big data memegang peran penting untuk menganalisis konsumen, operasional, potensi pasar, hingga inovasi produk. Analisis data ini memberikan framework secara keseluruhan mengenai profil konsumen dan potensi yang dapat digali sebagai strategi pengembangan bisnis. Salah satu implementasinya, data konsumen dikumpulkan dari interaksi mereka di dalam website e-commerce yang kemudian dianalisis untuk memaksimalkan strategi konversi penjualan. Tidak hanya strategi yang semakin inovatif, investasi dalam pengolahan data ini juga menjanjikan efisiensi, meningkatkan profit, dan juga loyalitas konsumen. Berikut beberapa analisis data yang dapat menunjang strategi e-commerce: Meningkatkan Pengalaman Belanja Konsumen Dengan data, pelaku e-commerce dapat memberikan rekomendasi produk yang sesuai dengan minat konsumen berdasarkan histori pencariannya. Melebarkan jangkauan (global reach). Personalisasi Belanja Berdasarkan Minat Konsumen Misal data histori konsumen yang sudah terdaftar dianalisis kategori produk apa yang paling diminati. Ketika ada promosi belanja online seperti 11/11 atau Harbolnas (Hari Belanja Online Nasional), pelaku e-commerce bisa melakukan personalisasi untuk hanya memberikan diskon-diskon yang relevan bagi konsumen terdaftar. Channel yang paling umum untuk mendistribusikan personalisasi diskon/promosi ini adalah melalui EDM, sosial media, dan notifikasi mobile app. Dengan memberikan promosi yang relevan kepada target sasaran yang tepat tentu menjadi strategi yang paling efektif untuk memaksimalkan konversi pembelian. Meningkatkan Inovasi E-commerce Misalnya, jika dulu diskon konvensional hanya berupa potongan harga, sekarang promosi menjelma menjadi bentuk-bentuk yang inovatif dan engaging. Di dalam aplikasi kini tersedia promo cashback, flash sale, kuis di sosial media, hingga games. ANALISIS 4 V’S BIG DATA o VOLUME o Besarnya data yang dapat disimpan dan diolah oleh sebuah aplikasi dengan menggunakan big data. Lazada menggunakan volume untuk penyimpanan data berupa data barang display yang akan dijual. o VARIETY Variety adalah jenis data yang akan dikelompokan agar data tidak tercampur campur. Di lazada sudah menggunakan prinsip variety, terbukti saat kita mencari produk A maka yang muncul adalah sesuatu yang berkaitan dengan produk A tersebut. Variety berkaitan dengan beragam jenis data baik itu gambar, video maupun teks dan dokumen lainnya yang dikelompokan. Dalam lazada data yang dapat disimpan oleh user berupa teks gambar, video. o VELOCITY Velocity adalah kecepatan perpindahan data dan penyusunan data. Di lazada sendiri penyusunan data amat tersusun dengan baik namun perpindahan data cenderung agak lama. Contohnya ketika kita ingin mencari produk sepatu maka terdapat waktu tunggu untuk kita mengakses informasi tentang sepatu tersebut yang terkadang memakan waktu yang lama. o VERACITY Veracity berkaitan dengan beragam jenis data. Variety juga mencakup kevalid-an sebuah data apakah dapat dipercaya atau tidak. Sebagai sebuat platfrom e-commerce, lazada tentu memiliki volume data yang besar. Semakin besar volume suatu data maka akan semakin tidak akurat data tersebut. Big data dengan teknologi analisis membantu untuk dapat bekerja dengan data tersebut melalui hasil analisis.