Rangkuman Belajar Digital Skill:
I. Cyber Security
- adalah segala bentuk sistem keamanan di dalam dunia maya yang berhubungan dengan segala macam bentuk kegiatan menggunakan internet dan sebagai sistem keamanan informasi atau data.
- aktivitas untuk melakukan pengamanan terhadap sumber daya telematika demi mencegah terjadinya tindakan cyber crime seperti dijelaskan sebelumnya. Dan seperti juga cyber crime, spektrum dari aktivitas cyber security ini juga sangat luas.
Cyber security memiliki elemen pokok, antara lain:
- Dokumen security policy merupakan dokumen standard yang dijadikan acuan dalam menjalankan semua proses terkait keamanan informasi.
- Information infrastructure merupakan media yang berperan dalam kelangsungan operasi informasi meliputi hardware dan software. Contohnya adalah router, switch, server, sistem operasi, database, dan website.
- Perimeter Defense merupakan media yang berperan sebagai komponen pertahanan pada infrastruktur informasi misalnya IDS, IPS, dan firewall.
- Network Monitoring System merupakan media yang berperan untuk memonitor kelayakan, utilisasi, dan performance infrastruktur informasi.
- System Information and Event Management merupakan media yang berperan dalam memonitor berbagai kejadian di jaringan termasuk kejadian terkait pada insiden keamanan.
- Network Security Assessment merupakan elemen cyber security yang berperan sebagai mekanisme kontrol dan memberikan measurement level keamanan informasi.
- Human resource dan security awareness berkaitan dengan sumber daya manusia dan awareness-nya pada keamanan informasi
Dari sisi sumber daya manusia, praktisi cyber security ini bisa dikelompokkan setidaknya menjadi 3 kelompok:
1. Analis Keamanan
Bertugas untuk memetakan potensi ancaman keamanan, lalu memberikan rekomendasi untuk mitigasi terhadap potensi ancaman tersebut.
2. Spesialis Forensik
Sesuai namanya, spesialis forensik ini bertugas untuk melakukan penyelidikan pasca insiden kebocoran keamanan. Seorang spesialis forensik harus memiliki kemampuan teknis yang mumpuni untuk bisa mencari dan memetakan jejak-jejak yang ditinggalkan oleh pelaku, untuk bisa melacak dan menemukan pelaku.
3. Hacker/Peretas
Istilah hacker selama ini telah mengalami distorsi makna, dimana seolah-olah tindakan hacking adalah sebuah tindakan kriminal padahal tidak sepenuhnya seperti itu. Hacker sendiri adalah istilah yang diberikan kepada orang-orang yang memiliki kemampuan untuk melakukan tindakan eksploitasi terhadap sistem telematika melalui berbagai cara
II. Cyber Crime
adalah segala jenis aktivitas kriminal yang menggunakan teknologi telematika sebagai medianya, mulai yang 'low tech' seperti pencemaran nama baik melalui media sosial sampai yang 'high tech' seperti pencurian data kartu kredit dan data nasabah lainnya seperti yang pernah terjadi pada jaringan online game Sony.
adalah bentuk kejahatan baru yang menggunakan internet sebagai media untuk melakukan tindak kejahatan engan munculnya era internet. Setiap aktifitas kejahatan yang dilakukan di internet atau melalui jaringan internet, umumnya disebut sebagai kejahatan internet.
Jenis dan pelanggaran cyber crime sangat beragam sebagai akibat dari penerapan teknologi. Cyber crime dapat berupa penyadapan dan penyalahgunaan informasi atau data yang berbentuk elektronik maupun yang ditransfer secara elektronik, pencurian data elektronik, pornografi, penyalahgunaan anak sebagai objek melawan hukun, penipuan memalui internet, perjudian diinternet, pengrusakan website, disamping pengrusakkan system melalui virus, Trojan horse, signal grounding dan lain lain.
Metode Kejahatan Cyber Crime:
1. Password Cracker
Ini adalah suatu tindakan mencuri password orang lain dengan menggunakan suatu program yang dapat membuka enkripsi password. Tindakan ini juga sering dilakukan untuk menonaktifkan suatu sistem pengamanan password.
2. Spoofing
Spoofing adalah tindakan memalsukan data atau identitas seseorang sehingga pelaku (hacker) dapat melakukan login ke dalam suatu jaringan komputer layaknya user yang asli.
3. DDoS (Distributed Denial of Service Attacks)
Ini adalah serangan yang dilakukan terhadap sebuah komputer atau server di dalam jaringan internet yang dilakukan oleh seorang hacker/ attacker. Serangan DDoS akan menghabiskan sumber daya (resource) yang ada pada suatu komputer atau server hingga tidak dapat lagi menjalankan fungsinya dengan benar.
4. Sniffing
Sniffing adalah bentuk cyber crime dimana pelaku mencuri username dan password orang lain secara sengaja maupun tidak sengaja. Pelaku kemudian dapat memakai akun korban untuk melakukan penipuan atas nama korban atau merusak/ menghapus data milik korban.
5. Destructive Devices
Ini adalah program atau software berisi virus dimana tujuannya adalah untuk merusak atau menghancurkan data-data di dalam komputer korban. Beberapa yang termasuk dalam program ini adalah Worms, Trojan Horse, Nukes, Email Bombs, dan lain-lain.
Pencegahan Cyber Crime:
1. Lindungi gadget, komputer atau perangkat lain yang digunakan.
Lindungilah gadget atau perangkat lain yang ada, baik itu perlindungan untuk akses atau perlindungan terhadap data. Sehingga, orang lain nggak sewenang-wenang menggunakan dan melakukan hal-hal yang nggak kita sukai
2. Jangan gunakan software bajakan
Gunakanlah peranti lunak resmi. Pasalnya, banyak malware yang tertanam dalam aplikasi bajakan. Karena itu, rekomendasinya adalah bermigrasi menggunakan aplikasi open sourceyang gratis supaya terhindar dari malware atau spyware. Karena, biasanya yang nggak open source banyak yang bayar. Mengingat, orang Indonesia enggan keluar duit untuk beli software asli dan lebih memilih bajakan.
3. Penting untuk perangkat lunak keamanan selalu terbarui. Hal itu akan memberikan redefinisi ancaman kejahatan cyber dan virus yang belum terdeteksi dalam versi security softwaresebelumnya
4. Menggunakan data encryption
Misalnya, seperti Wi-Fi Protected Access 2 (WPA2) dan lain-lain pada jaringan lokal seperti LAN atau nirkabel di kantor atau rumah, sehingga komunikasi teks yang jelas nggak bisa disadap dan bisa mencegah akses yang nggak sah.
5. Selalu miliki sikap waspada
Waspada itu sangat perlu! Jangan langsung percaya dengan setiap email, telepon, website dan segala iklan yang bertebaran di internet. Memang kejahatannya dilakukan di dunia maya, tapi, di dunia nyata semua akibatnya nggak bisa di putar balik. Waspadalah!
6. Selalu periksa data bank dan data kartu kredit secara teratur
Sekarang ini, banyak data transaksi bank dikirim melalui email. Oleh karena itu, nggak ada salahnya untuk memeriksa transaksi secara teratur. Ini dilakukan supaya bisa dengan cepat mengetahui apakah ada transaksi yang nggak benar.
Jika menggunakan kartu kredit, bisa langsung menghubungi bank dan memblokirnya. Bisa juga mengajukan keluhan kepada bank supaya transaksi dibatalkan.
7. Rajin mengganti kata sandi
Jangan malas untuk mengganti kata sandi akun-akun yang penting secara berkala. Tapi, pastikan untuk menggunakan kombinasi karakter huruf, angka dan atau simbol yang rumit supaya nggak mudah dijebol.
8. Backup data-data secara rutin
Sebaiknya, pengguna memiliki salinan dokumen pribadi, baik itu dokumen seperti foto, musik, video atau yang lainnya. Ini dilakukan supaya data tetap selamat jika sewaktu-waktu ada pencurian data atau kesalahan dalam sistem perangkat yang digunakan.
9. Jangan sembarang membagikan info pribadi
Jaga supaya informasi pribadi nggak jatuh ke tangan yang nakal dan salah. Jika nggak terlalu penting-penting sekali, lebih baik jangan dimasukkan data-data pribadi yang penting ke dalam media sosial. Jika ingin membagikan, bagikan kepada orang terpecaya, jangan cuman orang terdekat saja. Karena, orang terdekat belum tentu orang yang terpercaya.
Dan jangan cuman karena alasan supaya banyak teman, lantas memasukkan semua data pribadi ke media sosial. Itu adalah kesalahan fatal.
10. Abaikan lampiran surat elektronik dan URL yang terindikasi mencurigakan
Selain mengabaikan lampiran email dan URL / alamat web yang mencurigakan, jangan hiraukan juga postingan-postingan aneh yang banyak bergentayangan di media sosial. Kecerobohan cuman akan merugikan diri-sendiri.
11. Jangan langsung tergiur, gunakan waktu untuk berpikir lebih panjang dan matang
Misal, ketika ada tawaran menarik berupa free merchandise atau online sale, jangan terburu-buru mengambil keputusan. Santai saja dan pelajari apa yang mereka tawarkan.
12. Laporkan ke pihak yang berwenang
Faktanya, masih banyak kasus kejahatan cyber yang nggak dilaporkan. Tapi, mulai sekarang jangan ragu untuk melaporkannya kepada pihak berwenang. Khususnya, untuk hal-hal yang berkaitan dengan eksploitasi seksual, pemerasan, penindasan dan pencurian identitas.
III. Artificial Intelligence.
adalah sebuah teknologi komputer atau mesin yang memiliki kecerdasan layaknya manusia. Sederhananya gini sebuah instruksi pintar yang diberikan kepada program maupun mesin.
Kecerdasan buatan (AI) memungkinkan mesin untuk belajar dari pengalaman, menyesuaikan input-input baru dan melaksanakan tugas seperti manusia. Sebagian besar contoh AI yang Anda dengar dewasa ini – mulai dari komputer yang bermain catur hingga mobil yang mengendarai sendiri – sangat mengandalkan pembelajaran mendalam dan pemrosesan bahasa alamiah. Dengan menggunakan teknologi ini, komputer dapat dilatih untuk menyelesaikan tugas-tugas tertentu dengan memproses sejumlah besar data dan mengenali pola dalam data.
Tujuan AI (Winston dan Prendergast (1984):
1. Membuat mesin menjadi lebih pintar (tujuan utama)
2. Memahami apa itu kecerdasan (tujuan ilmiah)
3. Membuat mesin lebih bermanfaat (tujuan entrepreneurial)
Keuntungan:
1. AI bersifat permanen. maksudnya kecerdasan mereka dapat digunakan berulang2.
2. AI menawarkan kemudahan. tentunya karena berbagai data dari kecerdasan manusia telah disimpan di AI, kita jadi bisa mudah mengaksesnya lagi.
3. AI bersifat konsisten dan teliti. jadi kecerdasan mereka itu tidak akan pernah berkurang.
4. AI dapat didokumentasi. dapat disimpan entah diarsipkan ataupun berupa panduan untuk generasi berikutnya.
Kerugian
1. AI tidak memiliki common sense. common sense sendiri merupakan sesuatu yang membuat kita tidak sekedar memproses informasi, namun kita mengerti informasi tersebut. Kemengertian ini hanya dimiliki oleh kita sebagai manusia.
2. Kecerdasan AI terbatas pada apa yang diberikan kepadanya (terbatas pada program yang diberikan). Alat teknologi artificial intelligence tidak dapat mengolah informasi yang tidak ada dalam sistemnya. Sebagaimana sistem yang hanya digunakan untuk mengenali suara manusia dalam bahasa indonesia, selamanya tidak akan pernah mampu mengenali bahasa yunani tanpa ada fungsi didalamnya.
Metode-metodenya meliputi:
Sistem Pakar: menerapkan kapabilitas pertimbangan untuk mencapai kesimpulan. Sebuah sistem pakar dapat memproses sejumlah besar informasi yang diketahui dan menyediakan kesimpulan-kesimpulan berdasarkan pada informasi-informasi tersebut.
Jenis-jenis Kecerdasan Buatan
1. Symbol-manipulating AI
AI yang satu ini bekerja dengan simbol abstrak. Symbol-manipulating AI termasuk jenis yang paling banyak eksperimennya. Inti eksperimennya adalah manusia direkonstruksi pada tingkat yang hierarkis dan logis. Informasinya diproses dari atas, lalu bekerjanya dengan simbol yang dapat dibaca manusia/si pengembang, koneksinya abstrak dan hasil simpulannya logis.
2. Neural AI
Jenis AI satu ini sangat populer di kalangan ilmuwan komputer pada akhir 80-an. Dengan Neural AI, pengetahuan tidak direpresentasikan lewat simbol, tetapi lebih ke neuron buatan dan koneksinya ⎼ semacam otak yang direkonstruksi. Pengetahuan yang terkumpul nantinya dipecah menjadi bagian-bagian kecil (disebut neuron) dan kemudian dihubungkan serta dibangun menjadi kelompok-kelompok. Nah, pendekatan ini dikenal sebagai metode bottom-up yang bekerja dari bawah. Tidak seperti Symbol-manipulating AI yang pertama penulis jelaskan. Jadi, sistem sarafnya harus dilatih dan distimulasi supaya jaringan saraf bisa mengumpulkan pengalaman dan tumbuh supaya bisa mengumpulkan pengetahuan yang lebih besar.
3. Neural Networks
Neural Networks diatur ke dalam lapisan yang terhubung satu sama lain lewat simulasi. Lapisan paling atas adalah lapisan input, yang fungsinya seperti sensor. Sensor yang dimaksud adalah penerima informasi yang akan memproses dan meneruskannya ke sistem. Ada setidaknya dua sistem — atau lebih dari dua puluh lapisan dalam sistem besar — lapisan yang tersusun secara hierarkis. Lapisan-lapisan itu yang mengirim dan mengklasifikasikan informasi lewat koneksi. Di bagian paling bawah adalah lapisan output, yang umumnya sih punya jumlah neuron buatan paling sedikit.
Pada intinya cara kerja AI berdasar pada fondasi machine learning . Arti machine learning apa? Artinya, suatu sistem membangun pengetahuan dari pengalaman . Nah, proses itulah yang membuat sistem punya kemampuan buat mendeteksi pola serta aturan, secara cepat dan akurat.
IV. Internet of Things?
- Internet of Things adalah suatu konsep dimana objek tertentu punya kemampuan untuk mentransfer data lewat jaringan tanpa memerlukan adanya interaksi dari manusia ke manusia ataupun dari manusia ke perangkat komputer.
- IoT berkembang pesat mulai dari konvergensi teknologi nirkabel, micro-electromechanical systems (MEMS), dan juga Internet. RFID, QR BarCode maupaun teknologi sensor, teknologi nirkabel maupun reader code.
- Jadi, sederhananya istilah Internet of Things ini mengacu pada mesin atau alat yang bisa diidentifikasikan sebagai representasi virtual dalam strukturnya yang berbasis Internet.
Cara Kerja Internet of Things.
IoT bekerja dengan memanfaatkan suatu argumentasi pemrograman, dimana tiap-tiap perintah argumen tersebut bisa menghasilkan suatu interaksi antar mesin yang telah terhubung secara otomatis tanpa campur tangan manusia dan tanpa terbatas jarak berapapun jauhnya. Jadi, Internet di sini menjadi penghubung antara kedua interaksi mesin tersebut.. Lalu di mana campur tangan manusia? Manusia dalam IoT tugasnya hanyalah menjadi pengatur dan pengawas dari mesin-mesin yang bekerja secara langsung tersebut.
Adapun tantangan terbesar yang bisa menjadi hambatan dalam mengkonfigurasi IoT adalah bagaimana menyusun jaringan komunikasinya sendiri. Mengapa itu menjadi sulit dan problematik? Ini sebenarnya dikarenakan jaringannya sangatlah kompleks. Selain itu, IoT juga sesungguhnya sangat perlu suatu sistem keamanan yang cukup ketat. Disamping masalah tersebut, biaya pengembangan IoT yang mahal juga sering menjadi penyebab kegagalannya. Ujung-ujungnya, pembuatan dan pengembangannya bisa berakhir gagal produksi.
Unsur-unsur Pembentuk IoT
Ada beberapa unsur pembentuk IoT yang mendasar termasuk kecerdasan buatan, konektivitas, sensor, keterlibatan aktif serta pemakaian perangkat berukuran kecil. Berikut, kami akan menjelaskan masing-masing unsur pemberntuk tersebut dengan singkat:
1. Kecerdasan Buatan (Artificial Intelligence/AI) − IoT membuat hampir semua mesin yang ada menjadi “Smart”. Ini berarti IoT bisa meningkatkan segala aspek kehidupan kita dengan pengembangan teknologi yang didasarkan pada AI. Jadi, pengembangan teknologi yang ada dilakukan dengan pengumpulan data, algoritma kecerdasan buatan, dan jaringan yang tersedia
2. Konektivitas − Dalam IoT, ada kemungkinan untuk membuat/membuka jaringan baru, dan jaringan khusus IoT. Jadi, jaringan ini tak lagi terikat hanya dengan penyedia utamanya saja. Jaringannya tidak harus berskala besar dan mahal, bisa tersedia pada skala yang jauh lebih kecil dan lebih murah. IoT bisa menciptakan jaringan kecil tersebut di antara perangkat sistem
3. Sensor − Sensor ini merupakan pembeda yang membuat IoT unik dibanding mesin canggih lainnya. Sensor ini mampu mendefinisikan instrumen, yang mengubah IoT dari jaringan standar dan cenderung pasif dalam perangkat, hingga menjadi suatu sistem aktif yang sanggup diintegrasikan ke dunia nyata sehari-hari kita.
4. Keterlibatan Aktif (Active Engagement) − Engangement yang sering diterapkan teknologi umumnya yang termasuk pasif. IoT ini mengenalkan paradigma yang baru bagi konten aktif, produk, maupun keterlibatan layanan.
5. Perangkat Berukuran Kecil − Perangkat, seperti yang diperkirakan para pakar teknologi, memang menjadi semakin kecil, makin murah, dan lebih kuat dari masa ke masa. IoT memanfaatkan perangkat-perangkat kecil yang dibuat khusus ini agar menghasilkan ketepatan, skalabilitas, dan fleksibilitas yang baik.
Macam-macam Bidang Penerapan IoT
Pertanian
Ada berbagai macam pengaplikasani IoT di sektor pertanian. Beberapa diantaranya seperti mengumpulkan data soal suhu, curah hujan, kelembaban, kecepatan angin, serangan hama, dan muatan tanah. Data-data tersebut bisa dipakai buat mengotomatisasi teknik pertanian. Kemudian, bisa juga dipakai untuk mengambil keputusan (decision making) berdasarkan informasi yang ada demi meningkatkan kualitas dan kuantitas, meminimalkan risiko dan limbah, serta mengurangi upaya yang diperlukan dalam mengelola tanaman. Sebagai contoh, petani sekarang sudah bisa memantau suhu dan kelembaban tanah dari jauh, dan bahkan menerapkan data yang diperoleh IoT untuk program pemupukan yang lebih presisi.
Energi
Sejumlah besar perangkat yang memakan energi (semacam switch, outlet listrik, lampu, televisi, dll.) kini sudah bisa terintegrasi dengan konektivitas internet.
Lingkungan
Aplikasi pemantauan lingkungan dari IOT biasanya pakai sensor dalam membantu terwujunya perlindungan lingkungan. Contohnya seperti apa? Penerapannya misalnya dengan memantau kualitas udara atau air, kondisi atmosfer atau tanah, bahkan juga bisa mencakup pemantauan teerhadap satwa liar dan habitatnya. Tak hanya itu sebenarnya. Bisa juga IoT ini dimanfaatkan dalam penanggulangan bencana semacam sistem peringatan dini Tsunami atau gempa bumi. Hal ini tentunya bisa sangat membantu. Perangkat IoT dalam hal ini berarti punya jangkauan geografis yang sangat luas serta mampu bergerak.
Otomatisasi Rumah
Perangkat IoT juga bisa dipakai untuk memantau dan mengontrol sistem mekanis, elektrik, dan elektronik yang digunakan di berbagai jenis bangunan (misalnya, industri atau juga rumah Anda sebagai tempat tinggal). Alat atau pengembangan IoT ini juga bisa memantau penggunaan energi secara real-time untuk mengurangi konsumsi energi. Tak hanya itu, bahkan bisa juga melakukan pemantauan terhadap para penghuninya. Contohnya? Begitu Anda masuk ke rumah di malam hari, lampu menyala. Kemudian begitu Anda masuk ke jadwal tidur, lampu akan mati secara otomatis. Pagi hari, taman Anda akan disiram air oleh mesin penyiram otomatis. Begitu juga dengan kulkas Anda yang bisa memesan stok makanan sendiri ketika habis. Semuanya bisa terintegrasi menjadi sistem rumah pintar.
Medik dan Kesehatan
Dalam dunia medik dan kesehatan, IoT akan dikembangkan terus. Bahkan, nanti di masa yang akan datang, seluruh rekaman kesehatan Anda bisa ditransfer langsung ke tenaga medis maupun Rumah Sakit. Data-data yang bisa dideteksi dan dikirimkan semacam detak jantung, tingkat gula dalam darah, dan lain sebagainya. Smartphone/ponsel pribadi Anda akan jadi alat pemantau kesehatan yang canggih dan tentunya bisa sangat membantu Anda. Perangkat IoT yang ada bahkan bisa memberikan peringatan saat kesehatan Anda menurun atau memberikan saran pengobatan dan bahkan membuat janji temu dengan dokter. Sebenarnya beberapa teknologi canggih IoT telah dikembangkan dan diterapkan di bidang ini. Contohnya, tempat tidur pintar yang bisa otomatis memberitahukan dokter/perawat ketika pasien hendak bangun dari tempat tidur dll. Menurut laporan dari Goldman Sachs di tahun 2015, perangkat kesehatan semacam ini bisa menyelamatkan negara dari anggaran kesehatan yang berlebihan.
Transportasi
IoT bisa membantu manusia dalam integrasi komunikasi, kontrol, dan pemrosesan informasi pada berbagai sistem transportasi yang ada. Penerapan IoT memang terus-menerus meluas ke berbagai aspek sistem transportasi. Tak hanya teknologi mesinnya yaitu kendaraan, tetapi juga infrastruktur, serta menyinggung fungsi pengemudi/penggunanya. Interaksi dinamis yang terjadi antara komponen-komponen itu berasal dari sebuah sistem transportasi. Sistem tersebut memungkinkan komunikasi antar dan intra kendaraan, kontrol lalu lintas yang lebih efektif karena tergolong cerdas, parkir yang lebih cerdas, manajemen logistik dan armada, kontrol kendaraan, dan juga terkait faktor keselamatan maupun bantuan di jalan.
V. DataAnalysis
Analisis data
adalah proses inspeksi, pemberishan, pemodelan dan pemodelan data dengan tujuan menemukan informasi yang berguna, menginformasikan kesimpulan dan mendukung pengambilan keputusan. Analisis data memiliki banyak sisi dan pendekatan, mencakup beragam teknik dengan berbagai nama, dan digunakan dalam berbagai bidang bisnis, ilmu pengetahuan, dan ilmu sosial. Dalam dunia bisnis saat ini, analisis data berperan dalam membuat keputusan yang lebih ilmiah dan membantu bisnis beroperasi lebih efektif.
Data Mining
adalah teknik analisis data tertentu yang berfokus pada pemodelan dan penemuan pengetahuan untuk tujuan prediktif daripada deskriptif murni, sementara bisnis intelihen mencakup analisis data yang sangat bergantung pada agregasi, terutama berfokus pada informasi bisnis.
Dalam aplikasi statistik, analisis data dapat dibagi menjadi:
- statistik deskriptif;
- analisis data eksplorasi (EDA). EDA berfokus pada menemukan fitur-fitur baru dalam data.
- analisis data konfirmatori (CDA). CDA berfokus pada mengkonfirmasi atau memalsukan hipotesis yang ada.
- Analitik prediktif berfokus pada penerapan model statistik untuk peramalan atau klasifikasi prediktif.
- analitik teks menerapkan teknik statistik, linguistik, dan struktural untuk mengekstraksi dan mengklasifikasikan informasi dari sumber teks, suatu spesies data yang tidak terstruktur.
Semua hal di atas adalah jenis analisis data.
Integrasi data adalah pendahulu untuk analisis data, [menurut siapa?] dan analisis data terkait erat [bagaimana?] untuk visualisasi data dan penyebaran data. Istilah analisis data kadang-kadang digunakan sebagai sinonim untuk pemodelan data.
Proses analisis data
Diagram alur proses sains data dari Doing Data Science, oleh Schutt & O'Neil (2013)
Analisis mengacu pada memecah keseluruhan menjadi komponen yang terpisah untuk pemeriksaan individu. Analisis data adalahproses untuk mendapatkan data mentah dan mengubahnya menjadi informasi yang berguna untuk pengambilan keputusan oleh pengguna. Data dikumpulkan dan dianalisis untuk menjawab pertanyaan, menguji hipotesis, atau menyangkal teori.
Ahli statistik John Tukey mendefinisikan analisis data pada tahun 1961 sebagai: "Prosedur untuk menganalisis data, teknik untuk menafsirkan hasil dari prosedur tersebut, cara merencanakan pengumpulan data untuk membuat analisisnya lebih mudah, lebih tepat atau lebih akurat, dan semua mesin dan hasil statistik (matematika) yang berlaku untuk menganalisis data. "
Ada beberapa fase yang dapat dibedakan, dijelaskan di bawah ini. Fase bersifat iteratif, karena umpan balik dari fase selanjutnya dapat menghasilkan pekerjaan tambahan pada fase sebelumnya. Kerangka kerja CRISP yang digunakan dalam penambangan data memiliki langkah-langkah serupa.
Persyaratan data
Data diperlukan sebagai input untuk analisis, yang ditentukan berdasarkan persyaratan dari mereka yang mengarahkan analisis atau pelanggan (yang akan menggunakan produk jadi dari analisis). Jenis umum entitas tempat pengumpulan data disebut sebagai unit eksperimen (misalnya, seseorang atau populasi orang). Variabel spesifik mengenai suatu populasi (misalnya, usia dan pendapatan) dapat ditentukan dan diperoleh. Data dapat berupa angka atau kategori (yaitu label teks untuk angka).
Pengumpulan data
Data dikumpulkan dari berbagai sumber. Persyaratan dapat dikomunikasikan oleh analis ke penjaga data, seperti personil teknologi informasi dalam suatu organisasi. Data juga dapat dikumpulkan dari sensor di lingkungan, seperti kamera lalu lintas, satelit, alat perekam, dll. Data juga dapat diperoleh melalui wawancara, unduhan dari sumber online, atau membaca dokumentasi.
Pemrosesan data
Fase-fase siklus intelijen yang digunakan untuk mengubah informasi mentah menjadi informasi atau intelijen yang dapat ditindaklanjuti secara konseptual mirip dengan fase-fase dalam analisis data.
Data yang awalnya diperoleh harus diproses atau diorganisir untuk analisis. Misalnya, ini mungkin melibatkan menempatkan data ke dalam baris dan kolom dalam format tabel (yaitu, data terstruktur ) untuk analisis lebih lanjut, seperti dalam spreadsheet atau perangkat lunak statistik.
Pembersihan data
Setelah diproses dan diatur, data mungkin tidak lengkap, mengandung duplikat, atau mengandung kesalahan. Kebutuhan akan pembersihan data akan muncul dari masalah dalam cara data dimasukkan dan disimpan. Pembersihan data adalah proses mencegah dan memperbaiki kesalahan ini. Tugas umum termasuk pencocokan catatan, mengidentifikasi ketidakakuratan data, kualitas keseluruhan data yang ada, deduplikasi, dan segmentasi kolom. Masalah data tersebut juga dapat diidentifikasi melalui berbagai teknik analitik. Misalnya, dengan informasi keuangan, total untuk variabel tertentu dapat dibandingkan dengan angka yang dipublikasikan secara terpisah yang diyakini dapat diandalkan. Jumlah yang tidak biasa di atas atau di bawah ambang yang telah ditentukan juga dapat ditinjau. Ada beberapa jenis pembersihan data yang bergantung pada jenis data seperti nomor telepon, alamat email, perusahaan, dll. Metode data kuantitatif untuk deteksi outlier dapat digunakan untuk menghilangkan data yang dimasukkan secara salah. Pemeriksa ejaan data tekstual dapat digunakan untuk mengurangi jumlah kata yang salah ketik, tetapi lebih sulit untuk mengetahui apakah kata-kata itu sendiri benar.
Data Eksplorasi
Setelah data dibersihkan, dapat dianalisis. Analis dapat menerapkan berbagai teknik yang disebut sebagai analisis data eksplorasi untuk mulai memahami pesan yang terkandung dalam data. Proses eksplorasi dapat menghasilkan pembersihan data tambahan atau permintaan data tambahan, sehingga aktivitas ini sifatnya berulang. Statistik deskriptif, seperti rata-rata atau median, dapat dihasilkan untuk membantu memahami data. Visualisasi data juga dapat digunakan untuk memeriksa data dalam format grafis, untuk memperoleh wawasan tambahan tentang pesan-pesan di dalam data.
Pemodelan dan algoritma
Rumus matematika atau model yang disebut algoritma dapat diterapkan pada data untuk mengidentifikasi hubungan antar variabel, seperti korelasi atau sebab - akibat . Secara umum, model dapat dikembangkan untuk mengevaluasi variabel tertentu dalam data berdasarkan variabel lain dalam data, dengan beberapa kesalahan residual tergantung pada akurasi model (yaitu, Data = Model + Kesalahan).
Statistik inferensial mencakup teknik untuk mengukur hubungan antar variabel tertentu. Misalnya,analisis regresi dapat digunakan untuk memodelkan apakah perubahan dalam iklan (variabel independen X ) menjelaskan variasi dalam penjualan (variabel dependen Y ). Dalam istilah matematika, Y(penjualan) adalah fungsi X (iklan). Ini dapat digambarkan sebagai kesalahan Y = aX + b +, di mana model dirancang sedemikian rupa sehingga a dan b meminimalkan kesalahan ketika model memprediksi Y untuk rentang nilai X yang diberikan . Analis dapat mencoba untuk membangun model yang deskriptif data untuk menyederhanakan analisis dan mengkomunikasikan hasil.
produk data
Produk data adalah aplikasi komputer yang mengambil input data dan menghasilkan output, memberi makan mereka kembali ke lingkungan. Ini mungkin didasarkan pada model atau algoritma. Contohnya adalah aplikasi yang menganalisis data tentang riwayat pembelian pelanggan dan merekomendasikan pembelian lain yang mungkin dinikmati pelanggan.
Komunikasi
Visualisasi data untuk memahami hasil analisis data.
Visualisasi data
Setelah data dianalisis, dapat dilaporkan dalam banyak format kepada pengguna analisis untuk mendukung kebutuhan mereka.Pengguna mungkin memiliki umpan balik, yang menghasilkan analisis tambahan. Karena itu, sebagian besar siklus analitis bersifat iteratif.
Ketika menentukan bagaimana mengkomunikasikan hasil, analis dapat mempertimbangkan teknik visualisasi data untuk membantu mengkomunikasikan pesan dengan jelas dan efisien kepada audiens. Visualisasi data menggunakan tampilan informasi (seperti tabel dan grafik) untuk membantu mengomunikasikan pesan utama yang terkandung dalam data. Tabel sangat membantu bagi pengguna yang mungkin mencari nomor tertentu, sementara grafik (misalnya, diagram batang atau grafik garis) dapat membantu menjelaskan pesan kuantitatif yang terkandung dalam data.
pesan kuantitatif
Visualisasi data
Serangkaian waktu diilustrasikan dengan grafik garis yang menunjukkan tren pengeluaran federal AS dan pendapatan dari waktu ke waktu.
Plot sebaran yang menggambarkan korelasi antara dua variabel (inflasi dan pengangguran) diukur pada titik waktu.
Stephen Few mendeskripsikan delapan jenis pesan kuantitatif yang berusaha dipahami oleh pengguna atau berkomunikasi dari sekumpulan data dan grafik terkait yang digunakan untuk membantu mengomunikasikan pesan. Pelanggan yang menetapkan persyaratan dan analis yang melakukan analisis data dapat mempertimbangkan pesan-pesan ini selama proses berlangsung.
- Rangkaian waktu: Variabel tunggal ditangkap selama periode waktu tertentu, seperti tingkat pengangguran selama periode 10 tahun. Bagan garis dapat digunakan untuk menunjukkan tren.
- Pemeringkatan: Subdivisi kategorikal diberi peringkat dalam urutan naik atau turun, seperti peringkat kinerja penjualan (ukuran) oleh tenaga penjualan (kategori , dengan masing-masing tenaga penjualan subdivisi kategorikal) selama satu periode tunggal. Bagan batang dapat digunakan untuk menunjukkan perbandingan di seluruh tenaga penjualan.
- Bagian-ke-keseluruhan: Subdivisi kategorikal diukur sebagai rasio terhadap keseluruhan (yaitu persentase dari 100%). Pie chart atau diagram batang dapat menunjukkan perbandingan rasio, seperti pangsa pasar yang diwakili oleh pesaing di pasar.
- Deviasi: Subdivisi kategorikal dibandingkan dengan referensi, seperti perbandingan biaya aktual vs anggaran untuk beberapa departemen bisnis untuk periode waktu tertentu. Bagan batang dapat menunjukkan perbandingan jumlah aktual versus jumlah referensi.
- Distribusi frekuensi: Menunjukkan jumlah pengamatan dari variabel tertentu untuk interval yang diberikan, seperti jumlah tahun di mana pengembalian pasar saham antara interval seperti 0-10%, 11-20%, dll. Histogram , jenis grafik batang, dapat digunakan untuk analisis ini.
- Korelasi: Perbandingan antara pengamatan diwakili oleh dua variabel (X, Y) untuk menentukan apakah mereka cenderung bergerak ke arah yang sama atau berlawanan. Misalnya, merencanakan pengangguran (X) dan inflasi (Y) untuk sampel bulan. Plot sebar biasanya digunakan untuk pesan ini.
- Perbandingan nominal: Membandingkan subdivisi kategori tanpa urutan tertentu, seperti volume penjualan menurut kode produk. Bagan batang dapat digunakan untuk perbandingan ini.
- Geografis atau geospasial: Perbandingan variabel di seluruh peta atau tata letak, seperti tingkat pengangguran menurut negara atau jumlah orang di berbagai lantai bangunan. Kartogram adalah grafik tipikal yang digunakan.
Teknik untuk menganalisis data kuantitatif
Penulis Jonathan Koomey merekomendasikan serangkaian praktik terbaik untuk memahami data kuantitatif.
- Periksa data mentah untuk anomali sebelum melakukan analisis Anda;
- Lakukan kembali perhitungan penting, seperti memverifikasi kolom data yang digerakkan oleh rumus;
- Konfirmasikan total utama adalah jumlah subtotal;
- Periksa hubungan antara angka yang harus dikaitkan dengan cara yang dapat diprediksi, seperti rasio dari waktu ke waktu;
- Menormalkan angka untuk membuat perbandingan lebih mudah, seperti menganalisis jumlah per orang atau relatif terhadap PDB atau sebagai nilai indeks relatif terhadap tahun dasar;
- Memecah masalah menjadi bagian-bagian komponen dengan menganalisis faktor-faktor yang menyebabkan hasil, seperti analisis DuPont tentang pengembalian modal.
Untuk variabel yang diteliti, analis biasanya mendapatkan statistik deskriptif untuk mereka, seperti rata-rata (rata-rata), median , dan standar deviasi . Mereka juga dapat menganalisis distribusi variabel-variabel kunci untuk melihat bagaimana nilai-nilai individu mengelompok di sekitar rata-rata.
Ilustrasi prinsip MECE yang digunakan untuk analisis data.
Para konsultan di McKinsey and Company menyebutkan teknik untuk memecah masalah kuantitatif menjadi bagian-bagian komponennya yang disebut prinsip MECE . Setiap lapisan dapat dipecah menjadi komponen-komponennya; masing-masing sub-komponen harus saling terpisah satu sama lain dan secara kolektif ditambahkan ke lapisan di atasnya. Hubungan ini disebut sebagai "Saling Eksklusif dan Kolektif Lengkap" atau MECE. Misalnya, laba menurut definisi dapat dipecah menjadi pendapatan total dan total biaya. Pada gilirannya, total pendapatan dapat dianalisis dengan komponen-komponennya, seperti pendapatan divisi A, B, dan C (yang saling terpisah satu sama lain) dan harus menambah total pendapatan (secara kolektif lengkap).
Analis dapat menggunakan pengukuran statistik yang kuat untuk memecahkan masalah analitis tertentu. Pengujian hipotesis digunakan ketika hipotesis tertentu tentang keadaan sebenarnya dibuat oleh analis dan data dikumpulkan untuk menentukan apakah keadaan itu benar atau salah. Sebagai contoh, hipotesisnya mungkin bahwa "Pengangguran tidak berpengaruh pada inflasi", yang berhubungan dengan konsep ekonomi yang disebut Kurva Phillips . Pengujian hipotesis melibatkan mempertimbangkan kemungkinan kesalahan Tipe I dan tipe II , yang berhubungan dengan apakah data mendukung penerimaan atau penolakan hipotesis.
Analisis regresi dapat digunakan ketika analis mencoba untuk menentukan sejauh mana variabel X independen mempengaruhi variabel dependen Y (misalnya, "Sejauh mana perubahan tingkat pengangguran (X) mempengaruhi tingkat inflasi (Y)?"). Ini adalah upaya untuk memodelkan atau menyesuaikan garis persamaan atau kurva dengan data, sehingga Y adalah fungsi X.
Analisis kondisi yang diperlukan (NCA) dapat digunakan ketika analis mencoba untuk menentukan sejauh mana variabel independen X memungkinkan variabel Y (misalnya, "Sejauh mana tingkat pengangguran tertentu (X) diperlukan untuk tingkat inflasi tertentu (Y) ? "). Sedangkan (beberapa) analisis regresi menggunakan logika aditif di mana setiap variabel-X dapat menghasilkan hasil dan X dapat saling mengkompensasi (mereka cukup tetapi tidak perlu), analisis kondisi yang diperlukan (NCA) menggunakan logika kebutuhan, di mana satu atau lebih X -Variabel memungkinkan hasilnya ada, tetapi mungkin tidak memproduksinya (mereka diperlukan tetapi tidak cukup). Setiap kondisi yang diperlukan harus ada dan kompensasi tidak mungkin.
Data Analytics
adalah kegiatan untuk meneliti dan memeriksa data mentah untuk mendapatkan kesimpulan yang akurat berdasarkan data yang telah dikumpulkan. Kesimpulan tersebut sangat tergantung dari pertanyaan atau masalah yang kita ingin tahu jawabannya dari data yang telah terkumpul.
Berdasarkan hasilnya data analytics terbagi menjadi tiga jenis yaitu data analytics descriptive, data analytics predictive, dan data data analytics preskriptif.
- Analytics deskriptif (Descriptive Analytics) adalah proses data analytics untuk mendapatkan gambaran umum dari data yang sudah dikumpulkan. Contoh dari analytcs desckriptif adalah Google Analytics. Pada Google Analytics kita hanya bisa melihat informasi sederhana seperti ada berapa jumlah visitor per satuan waktu, halaman mana saja yang paling sering dikunjungi, dan data seperti itu. Pada analytics sederhana seperti penjumlahan dan rata-rata tanpa machine learning sudah lebih dari cukup.
- analytics prediktif (Predictive analytics). Analytics predictive adalah data analytics yang memberikan hasil prediksi tentang sesuatu yang akan datang. Contoh dari analytics predictive adalah sistem rekomendasi yang diapakai di situs e-commerce Amazon. Dari data pengunjung dan pembelian, maka bisa diperkirakan barang apa saja yang pengunjung sekiranya tertarik untuk membeli. Pada analytics jenis ini mulai diperlukan timachine learning untuk menafsirkan data yang telah dikumpulkan sehingga tidak bisa langsung melakukan operasi penjumlahan atau rata-rata seperti pada analytics deskriptif.
- analytics preskriptif (Prescriptive Analytics). Analytics preskriptif adalah proses analytics yang menghasilkan jawaban atas pertanyaan kenapa sesuatu akan terjadi serta memberikan saran terhadap kondisi yang kemungkinan akan terjadi dimasa yang akan datang. Karena kemampuannya inilah analytics preskriptif sangat diperlukan oleh top-level manajemen dalam mengambilkeputusan.
Data Science
Ilmu data adalah bidang multi-disiplin yang menggunakan metode, proses, algoritma dan sistem ilmiah untuk mengekstraksi pengetahuan dan wawasan dari data terstruktur dan tidak terstruktur.
Ilmu data adalah konsep yang sama dengan penambangan data dan data besar : "gunakan perangkat keras paling kuat, sistem pemrograman paling kuat, dan algoritma paling efisien untuk menyelesaikan masalah".
Data science adalah salah satu disiplin ilmu yang secara khusus mempelajari soal data terutama data kuantitatif atau data numerik. Saat ini, ilmu yang satu ini mulai menjelma menjadi suatu profesi baru di bidang teknologi yang banyak dicari oleh berbagai jenis perusahaan. Menariknya lagi, data science atau ilmu data ini tidak memerlukan latar belakang pendidikan tertentu untuk bisa mempelajarinya.
Data scienctist melakukan proses analisis data menggunakan berbagai cara dan algoritme untuk menemukan solusi dari suatu masalah yang rumit. Data Scientist mengombinasikan beberapa pasang data untuk mengungkap suatu pola. Contohnya, kebiasaan dan preferensi konsumen. Pola yang dicari ini nantinya dapat digunakan sebagai acuan untuk memprediksi pergerakan bisnis suatu produk.
Amazon, misalnya, menggunakan data penggunanya untuk menentukan produk yang akan disarankan pada setiap pengguna. Untuk merekomendasikan produk ini, dibutuhkan beberapa kemampuan khusus, di antaranya pemahaman statistika, pemrograman, dan pengetahuan bisnis.
Penelitian kuantitatif
adalah penelitian ilmiah yang sistematis terhadap bagian-bagian dan fenomena serta hubungan-hubungannya. Tujuan penelitian kuantitatifadalah mengembangkan dan menggunakan model-model matematis, teori-teori dan/atau hipotesis yang berkaitan dengan fenomena alam.
Hipotesis atau anggapan dasar
adalah jawaban sementara terhadap masalah yang masih bersifat praduga karena masih harus dibuktikan kebenarannya. Dugaan jawaban tersebut merupakan kebenaran yang sifatnya sementara, yang akan diuji kebenarannya dengan data yang dikumpulkan melalui penelitian.
Analisis dimaksudkan untuk menggambarkan pemikiran kritis yang bersifat kuantitatif. Secara teknis, analitik adalah “ilmu analisis” — dengan cara lain, praktik menganalisis informasi untuk membuat suatu keputusan. Analis dapat berinteraksi dengan data pada tingkat databaseatau tingkat laporan yang dirangkum.
Dalam bidang matematika, logika, analisis adalah proses pemecahan suatu masalah kompleks menjadi bagian-bagian kecil sehingga bisa lebih mudah dipahami. Dalam bidang kimia, analisis adalah penguraian suatu zat menjadi zat-zat yang lebih sederhana yang menjadi unsur-unsur pembentuknya.
Dalam linguistik analisis
adalah kajian yang dilaksanakan terhadap sebuah bahasa guna meneliti struktur bahasa tersebut secara mendalam. Sedangkan pada kegiatan laboratorium, kata analisis dapat juga berarti kegiatan yang dilakukan di laboratorium untuk memeriksa kandungan suatu zat dalam cuplikan.
Statistika
adalah ilmu yang mempelajari bagaimana merencanakan, mengumpulkan, menganalisis, menginterpretasi, dan mempresentasikan data. Singkatnya, statistika adalah ilmu yang berkenaan dengan data. Istilah 'statistika' (bahasa Inggris: statistics) berbeda dengan 'statistik' (statistic).
Optimasi
adalah suatu proses untuk mencapai hasil yang ideal atau optimasi (nilai efektif yang dapat dicapai). Optimasi dapat diartikan sebagai suatu bentuk mengoptimalkan sesuatu hal yang sudah ada, ataupun merancang dan membuat sesusatu secara optimal.
Machine learning
adalah cabang aplikasi dari Artificial Intelligence (Kecerdasan Buatan) yang focus pada pengembangan sebuah sistem yang mampu belajar "sendiri" tanpa harus berulang kali di program oleh manusia. Aplikasi Machine learning membutuhkan Data sebagai bahan belajar (training) sebelum mengeluarkan output.
Analisis prediktif
adalah cabang dari analisis lanjutan yang digunakan untuk membuat prediksi mengenai kejadian di masa depan.
Big Data
adalah istilah yang menggambarkan volume datayang besar, baik data yang terstruktur maupun data yang tidak terstruktur. Big Data telah digunakan dalam banyak bisnis. Tidak hanya besar data yang menjadi poin utama tetapi apa yang harus dilakukan organisasi dengan data tersebut.
Data warehouse
adalah database yang didesain khusus untuk mengerjakan proses query, membuat laporan dan analisa. Data yang di simpan adalah databusiness history dari sebuah organisasi /perusahaan, dimana data tersebut tidak tersimpan secara rinci/detil.
Beberapa Keampuhan Data Science:
Internet Of Things
Pada era internet of things, banyak alat terkoneksi via internet dan mengirim data. Analisis terhadap machine-generated data ini bisa mengungkap banyak hal baru. Di bidang kesehatan, misalnya, data kondisi ribuan pasien tersaji di komputer lengkap dengan prediksinya. Dokter bisa mengetahui mengapa obat yang satu efektif pada seseorang, tetapi tidak pada pasien lain. Berbagai alat yang terpasang di tubuh pasien akan memasok jutaan data penting yang mustahil dipahami tanpa Data Science.
Kemampuan penalaran matematis
adalah salah satu proses berfikir yang dilakukan dengan cara menarik suatu kesimpulan dimana kesimpulan tersebut merupakan kesimpulan yang sudah valid atau dapat dipertanggung jawabkan. salah satu tujuan terpenting dari pembelajaran matematika adalah mengajarkan kepada siswa penalaran logika. Bila kemampuan bernalar tidak dikembangkan pada siswa, maka bagi siswa matematika hanya akan menjadi materi yang mengikuti serangkaian prosedur dan meniru contoh-contoh tanpa mengetahui maknanya. Pada dasarnya setiap penyelesaian soal matematika memerlukan kemampuan penalaran. Melalui penalaran, siswa diharapkan dapat melihat bahwa matematika merupakan kajian yang masuk akal atau logis. Dengan demikian siswa merasa yakin bahwa matematika dapat dipahami, dipikirkan, dibuktikan, dan dapat dievaluasi. Dan untuk mengerjakan hal-hal yang berhubungan diperlukan bernalar.
Kemampuan penalaran matematis meliputi:
1. Penalaran umum yang berhubungan dengan kemampuan untuk menemukan penyelesaian atau pemecahan masalah
2. Kemampuan yang berhubungan dengan penarikan kesimpulan, seperti pada silogisme, dan yang berhubungan dengan kemampuan menilai implikasi dari suatu argumentasi.
3. Kemampuan untuk melihat hubungan-hubungan, tidak hanya hubungan antara benda-benda tetapi juga hubungan antara ide-ide, dan kemudian mempergunakan hubungan itu untuk memperoleh benda-benda atau ide-ide lain.
Adapun tujuan pembelajaran matematika menurut (Asep Jihad 2008: 153) yakni agar siswa memiliki kemampuan dalam:
a. Menggunakan algoritma (prosedur pekerjaan)
b. Malakukan manipulasi secara matematika
c. Mengorganisasi data
d. Memanfaatkan simbol, diagram dan grafik 12
e. Mengenal dan menemukan pola
f. Menarik kesimpulan
g. Membuat kalimat atau model matematika \
h. Membuat interpretasi bangun dalam bidang dan ruang
i. Memahami pengukuran dan satuan-satuannya
j. Menggunakan alat hitung dan alat bantu matematika
LIFO merupakan singkatan dari Last in first out atau dalam bahasa Indonesia, Terakhir masuk pertama keluar yang berarti bahwa persediaan yang terakhir masuk adalah barang yang pertama kali dicatat sebagai barang yang dijual.
FIFO adalah akronim untuk First In, First Out (Pertama Masuk, Pertama Keluar), sebuah abstraksi yang berhubungan dengan cara mengatur dan memanipulasi data relatif terhadap waktu dan prioritas. Dalam arti yang lebih luas, abstraksi LIFO, atau Last-In-First-Out adalah kebalikan dari abstraksi organisasi FIFO.
