Professional Documents
Culture Documents
Tugas Sistem Informas Manajemen PDF
Tugas Sistem Informas Manajemen PDF
Nama : Salomo
NIM : 211073006
Kelas : Manajemen
Dosen Pengampu : Dedi Wibowo, SE, MM
STUDI KASUS
Perusahaan-perusahaan saat ini menghadapi banyaknya data dari media sosial, pencarian,
dan sensor, serta dari sumber-sumber tradisional. Menurut sebuah perkiraan, 2,5 triliun byte data
per hari dihasilkan di seluruh dunia. Memahami “big data” (data besar) untuk meningkatkan
pengambilan keputusan dan kinerja bisnis telah menjadi salah satu peluang utama bagi organisasi
dalam segala bentuk dan ukuran, namun hal ini juga merupakan tantangan besar. Bisnis seperti
Amazon, YouTube, dan Spotify berkembang dengan menganalisis data besar yang mereka
kumpulkan tentang minat dan pembelian pelanggan untuk menghasilkan jutaan rekomendasi yang
dipersonalisasi. Sejumlah layanan online menganalisis data besar untuk membantu konsumen,
termasuk layanan untuk menemukan harga terendah untuk mobil, komputer, paket telepon seluler,
pakaian, tiket pesawat, kamar hotel, dan banyak jenis barang dan jasa lainnya. Big data (data
Besar) juga memberikan manfaat di bidang olahraga (lihat kasus pembuka bab), pendidikan, ilmu
pengetahuan, layanan kesehatan, dan penegakan hukum. Menganalisis miliaran titik data yang
dikumpulkan mengenai pasien, penyedia layanan kesehatan, dan efektivitas resep serta perawatan
telah membantu Layanan Kesehatan Nasional Inggris (NHS) menghemat sekitar 581 juta pound
(784 juta dolar A.S.). Data disimpan dalam Mesin Database Oracle Exadata, yang dapat dengan
cepat menganalisis data dalam volume yang sangat besar (tinjau pembahasan bab ini tentang
platform analitik). NHS telah menggunakan temuannya dari analisis data besar untuk membuat
dasbor yang mengidentifikasi pasien yang memakai 10 obat atau lebih sekaligus, dan pasien mana
yang mengonsumsi terlalu banyak antibiotik. Mengumpulkan data dalam jumlah besar tentang
obat-obatan dan pengobatan yang diberikan kepada pasien kanker dan menghubungkan informasi
tersebut dengan hasil akhir pasien telah membantu NHS mengidentifikasi protokol pengobatan
yang lebih efektif. Kota New York menganalisis semua data terkait kejahatan yang
dikumpulkannya untuk menurunkan tingkat kejahatan. Program pemetaan kejahatan CompStat
menggunakan basis data komprehensif seluruh kota yang berisi semua kejahatan atau pengaduan,
penangkapan, dan pemanggilan yang dilaporkan di masing-masing 76 wilayah kota untuk
melaporkan setiap minggu mengenai pengaduan kejahatan dan aktivitas penangkapan di tingkat
wilayah, wilayah patroli, dan seluruh kota. Data CompStat dapat ditampilkan pada peta yang
menunjukkan lokasi kejahatan dan penangkapan, titik rawan kejahatan, dan informasi relevan
lainnya untuk membantu komandan polsek dengan cepat mengidentifikasi pola dan tren serta
mengerahkan personel polisi di tempat yang paling membutuhkan. Data besar mengenai aktivitas
kriminal juga mendukung Unit Strategi Kejahatan Kota New York, yang menargetkan pelaku
kejahatan terburuk untuk melakukan penuntutan yang agresif. Perusahaan layanan kesehatan saat
ini menganalisis data besar untuk menentukan pengobatan yang paling efektif dan ekonomis untuk
penyakit kronis dan penyakit umum serta memberikan rekomendasi perawatan yang
dipersonalisasi kepada pasien. Ada batasan dalam menggunakan data besar. Sejumlah perusahaan
terburu-buru memulai proyek big data tanpa terlebih dahulu menetapkan tujuan bisnis atas
informasi baru atau metrik kinerja utama ini untuk mengukur keberhasilan. Berenang dalam
jumlah besar tidak selalu berarti bahwa informasi yang tepat telah dikumpulkan atau bahwa orang
akan membuat keputusan yang lebih cerdas. Para ahli dalam analisis big data (data besar) yakin
bahwa terlalu banyak perusahaan, yang tergoda oleh janji big data (data besar), terjun ke proyek
big data (data besar) tanpa menunjukkan hasil apa pun. Mereka mulai mengumpulkan segunung
data tanpa tujuan atau pemahaman yang jelas tentang bagaimana analisis big data (data besar) akan
mencapai tujuan mereka atau pertanyaan apa yang ingin mereka jawab. Organisasi juga tidak akan
mendapat manfaat dari data besar yang tidak dibersihkan, diorganisasikan, dan dikelola dengan
baik-pikirkan kualitas data. Hanya karena sesuatu bisa diukur bukan berarti sesuatu itu harus
diukur. Misalkan, misalnya, sebuah perusahaan besar ingin mengukur lalu lintas situs webnya
sehubungan dengan jumlah sebutan di Twitter. Itu membangun dasbor digital untuk menampilkan
hasilnya terus menerus. Di masa lalu, perusahaan menghasilkan sebagian besar prospek penjualan
dan penjualan akhir dari pameran dagang dan konferensi. Beralih ke penyebutan Twitter sebagai
metrik utama untuk mengukur perubahan fokus departemen penjualan. Departemen ini
mencurahkan energi dan sumber dayanya untuk memantau klik situs web dan lalu lintas media
sosial, yang menghasilkan banyak prospek yang tidak memenuhi syarat yang tidak pernah
menghasilkan penjualan. Meskipun big data sangat baik dalam mendeteksi korelasi, terutama
korelasi halus yang mungkin terlewatkan oleh analisis kumpulan data yang lebih kecil, analisis big
data tidak serta merta menunjukkan hubungan sebab akibat atau korelasi mana yang bermakna.
Misalnya, pemeriksaan data besar mungkin menunjukkan bahwa dari tahun 2006 hingga 2011
tingkat pembunuhan di Amerika Serikat sangat berkorelasi dengan pangsa pasar Internet Explorer,
karena keduanya menurun tajam. Namun hal itu tidak berarti ada hubungan yang berarti antara
kedua fenomena tersebut. Analis data memerlukan pengetahuan bisnis tentang masalah yang
mereka coba selesaikan dengan data besar. Model prediktif big data (data besar) tidak selalu
memberi Anda gambaran yang lebih baik tentang apa yang akan terjadi di masa depan. Meridian
Energy Ltd., generator dan distributor listrik yang beroperasi di Selandia Baru dan Australia, tidak
lagi menggunakan sistem pemeliharaan peralatan prediktif penuaan. Perangkat lunak ini
diharapkan dapat memprediksi kebutuhan pemeliharaan semua peralatan besar yang dimiliki dan
dioperasikan perusahaan, termasuk generator, turbin angin, trafo, pemutus arus, dan baterai
industri. Namun, sistem tersebut menggunakan teknik pemodelan yang sudah ketinggalan zaman
dan tidak dapat memprediksi kegagalan peralatan. Ini menjalankan simulasi berbagai skenario dan
memperkirakan kapan aset akan gagal dalam pengujian simulasi. Rekomendasi perangkat lunak
tidak ada gunanya karena tidak memprediksi secara akurat peralatan mana yang benar-benar gagal
di dunia nyata. Meridian akhirnya mengganti sistem lama dengan perangkat lunak Pemeliharaan
Prediktif dan Kualitas IBM, yang mendasarkan prediksi pada data peralatan yang lebih real-time.
Semua kumpulan data dan model perkiraan berdasarkan data mencerminkan bias orang yang
memilih data dan melakukan analisis. Beberapa tahun yang lalu, Google mengembangkan
algoritma terdepan yang menggunakan data yang dikumpulkan dari pencarian web untuk
menentukan dengan tepat berapa banyak orang yang menderita influenza dan bagaimana penyakit
ini menyebar. Mereka mencoba menghitung jumlah penderita flu di Amerika Serikat dengan
menghubungkan lokasi orang tersebut dengan permintaan pencarian terkait flu di Google. Google
secara konsisten melebih-lebihkan tingkat flu, jika dibandingkan dengan data konvensional yang
dikumpulkan setelahnya oleh Pusat Pengendalian Penyakit (CDC) AS. Beberapa ilmuwan
berpendapat bahwa Google “ditipu” oleh liputan media yang luas tentang musim flu parah di
Amerika Serikat pada tahun itu, yang semakin diperkuat oleh liputan media sosial. Model yang
dikembangkan untuk memperkirakan tren flu didasarkan pada asumsi yang salah—bahwa
frekuensi penelusuran terkait flu di Google merupakan indikator tepat mengenai jumlah orang
yang benar-benar terjangkit flu. Algoritme Google hanya melihat angka, bukan konteks hasil
pencarian. Selain gangguan pemilu yang dilakukan oleh negara-negara yang bermusuhan,
kurangnya perhatian terhadap konteks dan asumsi yang salah mungkin berperan dalam kegagalan
sebagian besar pakar politik dalam memprediksi kemenangan Donald Trump atas Hillary Clinton
pada pemilu presiden tahun 2016. Kemenangan Trump bertentangan dengan hampir semua
perkiraan besar, yang memperkirakan peluang Clinton untuk menang adalah antara 70 hingga 99
persen. Banyak sekali data yang telah dianalisis oleh para pakar politik dan tim kampanye para
kandidat. Clinton menjalankan kampanye yang sangat berbasis data, dan data besar (big data) telah
memainkan peran besar dalam kemenangan Obama pada tahun 2008 dan 2012. Tim Clinton
menambahkan database yang telah dibangun oleh kampanye Obama, yang menghubungkan data
pribadi dari sumber-sumber tradisional, seperti laporan dari lembaga survei. dan pekerja lapangan,
dengan data lain dari postingan media sosial dan perilaku online lainnya serta data yang digunakan
untuk memprediksi perilaku konsumen. Tim Clinton berasumsi bahwa pemilih yang sama yang
mendukung Obama akan memilih kandidat mereka, dan fokus pada mengidentifikasi pemilih di
daerah dengan kemungkinan jumlah pemilih yang tinggi. Namun, jumlah pemilih Clinton di antara
kelompok-kelompok utama yang mendukung Obama—perempuan, kelompok minoritas, lulusan
perguruan tinggi, dan pekerja kerah biru—tidak memenuhi harapan. (Trump juga telah beralih ke
data besar, namun lebih menekankan pada penyesuaian pesan kampanye kepada kelompok pemilih
yang ditargetkan.) Pakar politik disesatkan dengan berpikir bahwa kemenangan Clinton sudah
pasti karena beberapa model prediksi tidak memiliki konteks dalam menjelaskan potensi margin
kesalahan yang besar. Terdapat kekurangan dalam jajak pendapat, analisis, dan interpretasi, dan
analis tidak menghabiskan cukup waktu untuk memeriksa bagaimana data yang digunakan dalam
model prediktif dibuat. Banyak jajak pendapat yang digunakan dalam perkiraan pemilu
meremehkan kekuatan dukungan Trump. Jajak pendapat di negara bagian tidak akurat, dan
mungkin gagal menangkap tokoh Partai Republik yang awalnya menolak memilih Trump dan
kemudian berubah pikiran pada saat-saat terakhir. Jajak pendapat di Wisconsin sesaat sebelum
pemilu menempatkan Clinton jauh di atas Trump. Jajak pendapat memang penting untuk
memprediksi pemilu, namun jajak pendapat hanyalah salah satu dari banyak sumber data yang
harus dikonsultasikan. Model prediktif tidak dapat sepenuhnya menentukan siapa yang benar-
benar akan memilih dan bukan bagaimana masyarakat berpikir mereka akan memilih. Para analis
mengabaikan tanda-tanda bahwa Trump terus maju di negara-negara bagian yang menjadi medan
pertempuran. Inggris juga mengalami kejutan serupa ketika jajak pendapat secara keliru
memperkirakan negara tersebut akan memilih untuk tetap menjadi anggota Uni Eropa pada bulan
Juni 2016. Dan jangan lupa bahwa big data menimbulkan beberapa tantangan terhadap keamanan
informasi dan privasi. Seperti yang ditunjukkan pada Bab 4, perusahaan kini secara agresif
mengumpulkan dan menggali data dalam jumlah besar mengenai kebiasaan berbelanja,
pendapatan, hobi, tempat tinggal, dan (melalui perangkat seluler) pergerakan masyarakat dari satu
tempat ke tempat lain. Mereka menggunakan data besar tersebut untuk menemukan fakta-fakta
baru tentang seseorang, untuk mengklasifikasikannya berdasarkan pola yang tidak kentara, untuk
menandainya sebagai “risiko” (misalnya, risiko gagal bayar pinjaman atau risiko kesehatan), untuk
memprediksi perilaku mereka, dan untuk memanipulasinya untuk tujuan tertentu. keuntungan
maksimal. Saat Anda menggabungkan informasi pribadi seseorang dengan potongan data dari
berbagai sumber, Anda dapat menyimpulkan fakta baru tentang orang tersebut (seperti fakta bahwa
mereka menunjukkan tanda-tanda awal penyakit Parkinson, atau secara tidak sadar tertarik pada
produk berwarna biru atau hijau. ). Jika ditanya, kebanyakan orang mungkin tidak ingin
mengungkapkan informasi tersebut, namun mereka mungkin bahkan tidak mengetahui adanya
informasi tersebut. Pakar privasi khawatir bahwa orang-orang akan ditandai dan menderita akibat
buruk tanpa proses hukum, kemampuan untuk melawan, atau bahkan mengetahui bahwa mereka
telah didiskriminasi.
Jawaban :
6-13. Manfaat bisnis yang dapat dicapai oleh organisasi dengan menganalisis dan
menggunakan data besar dapat sangat bervariasi, tergantung pada sektor industri,
tujuan organisasi, dan bagaimana data besar digunakan. Di bawah ini adalah
beberapa manfaat utama yang dapat diperoleh organisasi melalui analisis data
besar:
1. Pemahaman Pelanggan : Organisasi dapat menggunakan analisis data besar
untuk memahami preferensi dan perilaku pelanggan dengan lebih baik. Hal
ini memungkinkan mereka untuk menciptakan produk dan layanan yang
lebih sesuai dengan kebutuhan pelanggan, serta mengoptimalkan strategi
pemasaran dan harga.
2. Inovasi Produk dan Layanan : Analisis data besar dapat membantu
organisasi mengidentifikasi peluang inovasi baru. Dengan memahami tren
dan pola dalam data, mereka dapat mengembangkan produk dan layanan
baru yang lebih sesuai dengan pasar dan tren terkini.
3. Optimalisasi Harga dan Penetapan Harga Dinamis: Dengan analisis data
besar, organisasi dapat mengoptimalkan strategi penetapan harga mereka.
Mereka dapat menyesuaikan harga berdasarkan permintaan, persediaan,
atau kondisi pasar saat ini.
4. Deteksi dan Pencegahan Penipuan: Data besar dapat digunakan untuk
mendeteksi pola penipuan atau perilaku mencurigakan. Hal ini berlaku pada
industri keuangan, e-commerce, dan sektor lainnya di mana penipuan
adalah masalah serius.
5. Deteksi dan Pencegahan Kejahatan: Data besar dapat digunakan untuk
medeksi pola kejahatan dan tempat-tempat yang rawan terjadinya
kejahatan, sehingga pemerintah dapat menempatkan polisi didaerah-daerah
rawan tersebut, dan dengan cepat mendeteksi para penjahat.
6. Peramalan dan Perencanaan: Data besar dapat digunakan untuk membuat
peramalan yang lebih akurat tentang permintaan pasar, persediaan, dan tren
bisnis. Ini membantu organisasi dalam perencanaan strategi dan
pengelolaan risiko.
6-14. Keputusan yang Ditingkatkan oleh Data Besar:
1. Penyesuaian Stok Produk : Sebuah perusahaan ritel dapat menggunakan
data besar untuk menganalisis tren pembelian pelanggan, musim
penjualan, dan data historis lainnya. Dengan data yang besar, mereka dapat
membuat keputusan yang lebih tepat tentang berapa banyak stok yang
harus dipesan untuk setiap produk dan kapan harus mengatur promosi
produk tertentu.
2. Segmentasi Pelanggan : Perusahaan dapat menggunakan data besar untuk
mengidentifikasi segmen pelanggan yang berbeda berdasarkan perilaku
pembelian, preferensi, dan demografi. Hal ini memungkinkan mereka
untuk menyesuaikan strategi pemasaran dan layanan pelanggan untuk
setiap segmen dengan lebih baik.
Keputusan yang Tidak Diperbaiki oleh Data Besar:
1. Etika Bisnis dan Nilai Perusahaan : Keputusan yang berkaitan dengan etika
bisnis, nilai perusahaan, dan tanggung jawab sosial tidak sepenuhnya dapat
dibantu oleh data besar. Nilai-nilai dan etika perusahaan harus ditetapkan
berdasarkan prinsip-prinsip yang mendasarinya, dan data besar mungkin
tidak memiliki dampak besar pada aspek ini. Keputusan Strategi Jangka
Panjang.
2. Keputusan strategi jangka panjang yang melibatkan arah bisnis dan
pengembangan jangka panjang seringkali didasarkan pada pemahaman
yang lebih mendalam tentang visi dan misi perusahaan, daripada hanya
mengandalkan data besar. Data besar dapat memberikan wawasan, tetapi
keputusan strategi seringkali melibatkan unsur-unsur yang lebih luas dan
kompleks.
6-15. Penggunaan data besar (big data) memiliki beberapa batasan yang perlu
dipertimbangkan oleh organisasi. Berikut adalah daftar beberapa batasan utama
penggunaan data besar:
1. Biaya: Mengumpulkan, menyimpan, mengelola, dan menganalisis data
besar dapat menjadi sangat mahal. Ini termasuk investasi dalam
infrastruktur teknologi, perangkat lunak, pelatihan, dan tenaga kerja yang
berkualitas.
2. Kualitas Data: Data besar dapat mengandung kesalahan, ketidakakuratan,
atau duplikasi yang signifikan. Kualitas data yang rendah dapat mengarah
pada kesalahan analisis dan pengambilan keputusan yang tidak akurat.
3. Kerahasiaan dan Privasi: Semakin besar data yang dikumpulkan, semakin
besar pula potensi risiko kebocoran data dan pelanggaran privasi.
Organisasi harus memastikan bahwa data pelanggan dan karyawan mereka
dilindungi secara memadai.
4. Keterbatasan Teknologi: Tidak semua organisasi memiliki teknologi atau
sumber daya yang cukup untuk mengelola dan menganalisis data besar
dengan efektif. Hal ini dapat menjadi kendala untuk organisasi kecil atau
menengah.
5. Kompleksitas Analisis: Menganalisis data besar seringkali memerlukan
keterampilan analisis data yang tinggi dan pemahaman statistik yang
mendalam. Organisasi mungkin kesulitan dalam menemukan personel
yang memiliki keterampilan ini.
6. Skala Waktu: Pengumpulan dan analisis data besar sering memerlukan
waktu yang signifikan. Keputusan yang memerlukan respons cepat
mungkin sulit dilakukan dengan data besar.
7. Tingkat Integritas Data: Data besar sering kali bersifat terdistribusi dan
berasal dari berbagai sumber. Memastikan integritas data, konsistensi, dan
keseragaman dapat menjadi tantangan.
8. Tidak Semua Data Penting: Tidak semua data besar memiliki nilai yang
sama. Organisasi perlu mengidentifikasi data yang benar-benar relevan dan
bermanfaat bagi tujuan mereka. Mengumpulkan terlalu banyak data yang
tidak relevan dapat mengaburkan informasi yang lebih penting.
9. Hukum dan Regulasi: Data besar dapat terpengaruh oleh peraturan dan
regulasi yang ketat terkait dengan privasi dan keamanan data. Organisasi
harus mematuhi hukum yang berlaku dan menghadapi risiko hukum jika
melanggar regulasi tersebut.
10. Kecenderungan Analisis Pasif: Terlalu banyak data dapat mengarah pada
kecenderungan untuk menganalisis data secara pasif tanpa memiliki tujuan
yang jelas atau pertanyaan yang spesifik. Ini bisa menjadi pemborosan
sumber daya.
11. Potensi Kesalahan Akibat Overfitting: Ketika bekerja dengan data besar,
ada risiko overfitting, yaitu membuat model statistik yang terlalu kompleks
dan terlalu cocok dengan data pelatihan, yang mungkin tidak dapat
memprediksi data baru dengan baik.
12. Keamanan Cyber: Data besar yang disimpan dan diakses melalui jaringan
dapat rentan terhadap serangan siber dan upaya peretasan. Perlindungan
keamanan data sangat penting.
13. Tantangan dalam Interoperabilitas: Data besar seringkali berasal dari
berbagai sumber dan format. Menyatukan dan mengintegrasikan data ini
menjadi satu set data yang kohesif bisa menjadi tantangan.
6-16. Tidak, tidak semua organisasi harus mencoba mengumpulkan dan menganalisis
data besar. Keputusan untuk menggunakan data besar harus dipertimbangkan
dengan hati-hati dan harus didasarkan pada kebutuhan, tujuan, dan kemampuan
organisasi. Berikut adalah beberapa pertimbangan mengapa tidak semua organisasi
perlu terlibat dalam data besar:
1. Relevansi Bisnis: Penggunaan data besar harus relevan dengan tujuan
bisnis dan masalah yang ingin diselesaikan. Jika organisasi tidak memiliki
masalah atau tujuan yang dapat dipecahkan atau ditingkatkan melalui data
besar, maka investasi dalam teknologi dan sumber daya data besar
mungkin tidak sepadan.
2. Sumber Daya Terbatas: Mengumpulkan, menyimpan, dan menganalisis
data besar memerlukan investasi yang signifikan dalam infrastruktur,
perangkat lunak, dan personel dengan keterampilan analisis data.
Organisasi kecil atau dengan sumber daya terbatas mungkin tidak
memiliki kemampuan untuk melaksanakan proyek data besar.
3. Kepatuhan Hukum dan Privasi: Data besar seringkali melibatkan data
pelanggan dan karyawan yang sensitif. Organisasi harus mematuhi
regulasi privasi data yang ketat dan memahami risiko hukum yang terkait
dengan pengumpulan dan penggunaan data.
4. Keterampilan dan Pelatihan: Penggunaan data besar memerlukan
keterampilan analisis data yang tinggi. Organisasi harus
mempertimbangkan apakah tim mereka memiliki keterampilan ini atau
apakah pelatihan tambahan diperlukan.
5. Manajemen Data yang Efektif: Organisasi harus memiliki strategi dan
proses manajemen data yang efektif untuk mengelola data besar dengan
baik. Ini termasuk pemilihan dan penggunaan perangkat lunak
manajemen data yang sesuai.
6. Keamanan Data: Perlindungan data adalah prioritas utama. Organisasi
harus memiliki kebijakan dan tindakan keamanan yang kuat untuk
melindungi data besar dari potensi serangan siber dan pelanggaran
privasi.
Dengan demikian, keputusan untuk menggunakan data besar harus selalu didasarkan pada
analisis kebutuhan bisnis, kemampuan, dan sumber daya yang tersedia. Data besar bisa
menjadi alat yang sangat kuat untuk meningkatkan efisiensi, mengidentifikasi peluang, dan
mendukung pengambilan keputusan yang lebih baik, tetapi harus diimplementasikan
dengan bijak untuk menghindari pemborosan sumber daya dan risiko yang tidak perlu.