Paper Kel 4 [PDF]

Citation preview

PAPER BIG DATA ANALYTICS: OPPORTUNITY OR THREATS FOR THE ACCOUNTING PROFESSIONS



Disusun oleh: Kelompok 4: 1. Raja Marciano 2. Rivan AndiGhifary 3. Rizka Amalya Umayaksa 4. Robby Saputra 5. Septian Ventiarso



PROGRAM MAGISTER AKUNTANSI FAKULTAS EKONOMI DAN BISNIS UNIVERSITAS TRISAKTI 2022



BAB I PENDAHULUAN



1.1



Latar Belakang Informasi memiliki peranan yang sangat besar dalam suatu proses pengambilan keputusan. Ketiadaan informasi yang andal dapat mengakibatkan timbulnya kesalahan dalam proses pengambilan keputusan. Untuk menghasilkan informasi yang andal diperlukan adanya data yang akurat, karena tanpa data yang akurat informasi yang dihasilkan akan berkurang keandalannya. Pengertian data menurut Oxford Language adalah “facts and statistics collected together for reference or analysis” sedangkan pengertian informasi adalah “facts provided or learned about something or someone”. Dari pengertian tersebut dapat kita simpulkan bahwa keberadaan data sebagai fakta-fakta yang bersifat individu, menunjang terbentuknya informasi tentang sesuatu hal. Keberadaan data secara individu tidak dapat dijadikan sebagai dasar untuk pengambilan keputusan, namun jika data tersebut telah diorganisasikan dan melalui proses analisa maka dapat menjadi informasi yang berguna dalam pengambilan keputusan. Perkembangan teknologi yang pesat memicu penggunaan teknologi dalam setiap aspek kehidupan. Era digital mempermudah manusia untuk menyimpan data dan memprosesnya untuk berbagai kepentingan. Kondisi ini memicu pesatnya pertumbuhan jumlah dan jenis data sehingga memunculkan istilah Big Data. Big data menjadi salah satu topik perbincangan diberbagai kalangan diantaranya pemerintahan, pendidikan, teknologi, keuangan dan sektor lainnya. Big data adalah sekumpulan data yang berukuran sangat besar dan kompleks, sehingga tidak memungkinkan untuk diproses menggunakan perangkat pengelola database konvensional atau aplikasi pemroses data lainnya. Salah satu peran penting big data yaitu pada sektor keuangan. Hadirnya pandemi covid-19 menyebabkan angka pengguna internet di Indonesia meningkat drastis akibat adanya perubahan aktivitas secara langsung menjadi virtual sehingga mendorong dan mengharuskan adanya transformasi digital. Saat ini, mayoritas bank, layanan keuangan, dan



2



asuransi bekerja keras untuk mengembangkan pendekatan berbasis data sepenuhnya untuk menumbuhkan bisnis mereka dan memperbaiki pelayanan yang diberikan kepada konsumen. Meningkatnya jumlah konsumen tentu berpengaruh terhadap tingkat layanan yang ditawarkan oleh perusahaan. Untuk dapat melihat pandangan mengenai konsumen secara keseluruhan, perusahaan perlu pusat data sentral yang terdiri dari kombinasi seluruh interaksi konsumen dengan perusahaan termasuk data pribadi, riwayat transaksi, dan pelayanan. 1.2



Rumusan Masalah Berdasarkan uraian diatas, Penulis tertarik untuk mengangkat pembahasan yang dirumuskan sebagai berikut. a. Bagaimana perkembangan teknologi big data? b. Bagaimana penggunaan big data pada sektor keuangan? c. Bagaimana tantangan penggunaan big data pada sektor keuangan di Indonesia?



1.4



Tujuan dan Manfaat Berdasarkan pembahasan latar belakang, maka tujuan penulisan ini untuk mengetahui perkembangan teknologi big data dan penggunaan serta tantangan big data pada sektor keuangan di Indonesia.



1.5



Metodologi Penulisan Metode yang digunakan terdiri dari beberapa bagian yaitu: a. Studi Pustaka



3



Metode pengumpulan informasi melalui artikel, jurnal, media internet dan buku -buku referensi yang dapat digunakan sebagai sumber penyusunan penulisan. b. Metode Analisis Metode Analisis yang digunakan yaitu menganalisis dan mereviu perkembangan big data di Indonesia.



4



1.6



Sistematika Penulisan Dalam rangka memberikan informasi yang menyeluruh dari makalah ini, sistematika penulisan dibagi ke dalam 4 (empat) bab sebagai berikut BAB I



PENDAHULUAN Menguraikan secara singkat mengenai latar belakang, permasalahan, tujuan penulisan makalah, dan sistematika.



BAB II



LANDASAN TEORI Memuat teori-teori dan peraturan yang relevan dengan topik yang akan dibahas sebagai kerangka acuan dalam pembahasan masalah secara ringkas dan jelas.



BAB III



PEMBAHASAN Membahas mengenai perkembangan teknologi big data, peluang dan tantangan bagi profesi akuntan.



BAB IV



KESIMPULAN DAN SARAN Menyajikan simpulan dan saran yang dapat disampaikan sesuai permasalahan yang menjadi pokok bahasan dalam makalah ini.



5



BAB II LANDASAN TEORI



2.1



Gambaran Umum Big Data Beberapa



elemen



penting



dalam



big



data



diantaranya



(Riyandani,2016): a. Data (facts, a description of the world) b. Information (Captured Data and Knowledge) : Merekam atau mengambil data dan Knowledge pada satu waktu tertentu (at a single point); c. Knowledge (Our personal map/model of the world) : apa yang kita ketahui. 2.2



Definisi Big Data Definisi Big Data menurut Gartner (2012),“Big data is high volume, high velocity, and/or high variety of information assets that demand cost- effective, innovative forms of information processing that enable enhanced insight, decision making, and process automation”. Sedangkan menurut Dumbill, Big Data adalah data yang melebihi kapasitas pemrosesan dari sistem database konvensional. Data tersebut terlalu besar, terlalu cepat, atau tidak kompatibel dengan struktur arsitektur database yang ada, sehingga tidak dapat diproses dengan cara biasa dan harus menggunakan alat atau metode pemrosesan yang baru. Dari definisi para ahli tersebut, dapat dijabarkan bahwa Big Data memiliki beberapa karakteristik dasar yaitu: a. Volume Volume terkait dengan seberapa banyak data yang bisa diolah. Pada tahun 2008, peneliti dari Universitas San Diego mengestimasikan jumlah data yang diproses oleh seluruh server yang ada di dunia. Menurut mereka, sekitar 27 juta server yang ada di dunia telah 6



memproses data sebanyak 95,7 Zettabytes atau setara dengan 10 juta juta Gigabytes. Jumlah ini akan meningkat sebanyak dua kali lipat dalam waktu dua tahun. b. Variety



7



Variety terkait dengan apakah data tersebut memiliki berapa banyak variasi data dari sumber yang berbeda, dan apakah merupakan data terstruktur atau data tidak terstruktur. Data terstruktur adalah data yang memiliki format yang seragam dan dapat diakses serta diproses berulang kali (repeated access and process). Sedangkan Data Tidak Terstruktur adalah data yang memiliki bentuk dan struktur yang berbeda satu sama lain. Analisis terhadap Data Tidak Terstruktur memerlukan waktu yang lebih lama dibandingkan dengan Data Terstruktur. Namun, bisa jadi timbul informasi baru yang tidak diperoleh dari Data Terstruktur; c. Velocity Velocity terkait dengan kecepatan pemrosesan data yang harus mengimbangi pesatnya pertumbuhan data. Kecepatan pemrosesan berpengaruh terhadap kualitas output/informasi yang dihasilkan, yang pada akhirnya mempengaruhi efektivitas atas keputusan yang diambil. 2.3



Jenis - Jenis Big Data Menurut buku Big Data Analytics In Accounting and Auditing (2019), terdapat 3 (tiga) jenis Big Data yaitu: a. Structured / terstruktur Merupakan data yang dapat disimpan, diakses dan diproses dengan format yang tetap dan terorganisir. Data terstruktur pada umumnya data dalam format excel atau spreadsheet, antara lain data penjualan, pembelian, gaji. b. Unstructured / tidak terstruktur Merupakan data yang formatnya tidak terstruktur atau tidak memiliki format yang jelas, sehingga sangat sulit untuk diproses. Data dapat berasal dari beberapa sumber dan memiliki kombinasi seperti tulisan, gambar, suara dan video. Contoh data tidak terstruktur yaitu komentar dan like pada media sosial juga data keluhan pelanggan dan email. c. Semi Structured / semi terstruktur, Dimana berisi data yang terstruktur dan tidak dan sulit dibedakan mana yang terstruktur dan mana yang tidak, contohnya file xml dan csv 8



BAB III PEMBAHASAN



3.1



Perkembangan Teknologi Big Data Perkembangan teknologi Big Data tidak bisa dilepaskan dari teknologi atau konsep open source. Istilah Big Data terus bergaung seiring dengan pesatnya perkembangan teknologi open source yang mendukungnya. Banyak perusahaan besar mengkontribusikan teknologi Big Data yang mereka buat dan mereka gunakan ke komunitas open source. Hal inilah yang kemudian menjadi salah satu pendorong utama berkembangnya big data. Ada banyak sekali teknologi open source yang populer dalam ekosistem Big Data, berikut ini beberapa di antaranya: a. Apache Hadoop Apache Hadoop adalah sebuah framework yang memungkinkan untuk melakukan penyimpanan dan pemrosesan data yang besar secara terdistribusi dalam klaster komputer menggunakan model pemrograman sederhana. Hadoop terinspirasi dari teknologi yang dimiliki oleh Google seperti Google File System dan Google Map Reduce. Hadoop menawarkan 3 hal utama yaitu: 1. Sistem penyimpanan terdistribusi Hadoop memiliki sebuah file sistem yang dinamakan Hadoop Distributed File System atau lebih dikenal dengan HDFS. HDFS merupakan sistem penyimpanan file atau data terdistribusi dalam klaster Hadoop. HDFS terinspirasi dari Google File System. 2. Framework pemrosesan data secara paralel dan terdistribusi. MapReduce adalah model pemrograman untuk melakukan pemrosesan data besar secara terdistribusi dalam klaster Hadoop. MapReduce bekerja dan mengolah data-data yang berada dalam HDFS. 3. Resource management terdistribusi. YARN merupakan tools yang menangani resource management dan penjadwalan proses dalam klaster Hadoop. YARN mulai diperkenalkan pada Hadoop 2.0. 9



YARN memisahkan antara layer penyimpanan (HDFS) dan layer pemrosesan (MapReduce).Pada awalnya Hadoop hanya mensupport MapReduce sebagai satu-satunya framework komputasi paralel yang dapat bekerja diatas klaster Hadoop.YARN memungkinkan banyak framework komputasi paralel lain, seperti Spark, Tez, Storm, dsb, untuk bekerja diatas klaster Hadoop dan mengakses data-data dalam HDFS. b. Apache Hive Apache Hive adalah sebuah framework SQL yang berjalan di atas Hadoop. Hive mendukung Bahasa pemrograman SQL yang memudahkan untuk melakukan query dan analisis data berukuran besar di atas Hadoop. Selain Hadoop, Hive juga dapat digunakan di atas sistem file terdistribusi lain seperti Amazon AWS3 dan Alluxio. Dukungan Hive terhadap SQL ini sangat membantu portabilitas aplikasi berbasis SQL ke Hadoop, terutama sebagian besar aplikasi data warehouse yang membutuhkan sistem penyimpanan maupun komputasi yang besar. Pada awalnya Hive dikembangkan oleh Facebook untuk digunakan sebagai sistem data warehouse mereka. Setelah disumbangkan ke komunitas open source, Hive berkembang dengan pesat dan banyak diadopsi serta dikembangkan oleh perusahaan besar lainnya seperti Netflix dan Amazon. Pada dasarnya Hive hanya sebuah layer untuk menerjemahkan perintah-perintah SQL ke dalam framework komputasi terdistribusi. Hive dapat bekerja menggunakan berbagai framework yang berjalan diatas Hadoop, seperti MapReduce, Tez atau Spark. c. Apache Spark Apache Spark merupakan framework komputasi terdistribusi yang dibangun untuk pemrosesan big data dengan kecepatan tinggi. Apache spark memiliki algoritma yang berbeda dengan MapReduce, tetapi dapat berjalan diatas Hadoop melalui YARN. Spark menyediakan API dalam Scala, Java, Python, dan SQL, serta dapat digunakan untuk menjalankan berbagai jenis proses secara efisien, termasuk proses ETL,



10



data streaming, machine learning, komputasi graph, dan SQL.Selain HDFS, Spark juga dapat digunakan di atas file system lain seperti Cassandra, Amazon AWS3, dan penyimpanan awan yang lain. Fitur utama Spark adalah komputasi cluster dalam memori. Penggunaan memori ini dapat meningkatkan kecepatan pemrosesan aplikasi secara drastis. Untuk kasus tertentu, kecepatan pemrosesan Spark bahkan dapat mencapai 100 kali dibanding pemrosesan menggunakan disk seperti MapReduce. Jika MapReduce lebih sesuai digunakan untuk pemrosesan batch dengan dataset yang sangat besar, maka Spark sangat sesuai untuk pemrosesan iteratif dan live-streaming, sehingga Spark banyak dimanfaatkan untuk machine learning. Spark adalah salah satu sub project Hadoop yang dikembangkan pada tahun 2009 di AMPLab UC Berkeley. Sejak tahun 2009, lebih dari 1200 developer telah berkontribusi pada project Apache Spark. Selain 3 teknologi tersebut, sebenarnya masih sangat banyak teknologi dan framework big data lainnya yang bersifat open source seperti HBase, Cassandra, Presto, Storm, Flink, NiFi, Sqoop, Flume, Kafka dan lain sebagainya.



Big Data Pipeline Untuk dapat memberikan nilai yang bermanfaat, data harus melalui berbagai tahapan pemrosesan terlebih dahulu. Mulai dari pencatatan/pembuatan, pengumpulan, penyimpanan, pengayaan, analisis dan pemrosesan lebih lanjut, hingga penyajian. Rangkaian proses data ini biasa disebut dengan Data Pipeline. Secara garis besar Big Data Pipeline dapat dibagi menjadi 3, yaitu : a. Data Engineering: tercakup di dalamnya data collection, ingestion, cleansing, transformation dan enrichment. b. Data Analytics / Machine Learning: mencakup feature engineering dan komputasi.



11



c. Data Delivery: penyajian data, termasuk penerapan model dalam aplikasi atau sistem, visualisasi, dan lain sebagainya.



Big Data Analytics Saat ini jika kita berbicara mengenai big data, maka biasanya yang dimaksud adalah big data analytics. Hal ini cukup wajar, karena ketika sebuah proyek big data dimulai, tentu saja hasil akhir yang diharapkan adalah mendapatkan insight yang bermanfaat, yang dapat membantu pengambilan keputusan. Data Analytics sendiri adalah serangkaian proses untuk menggali informasi atau insight dari kumpulan data. Informasi tersebut dapat berupa pola, korelasi, trend, dan lain sebagainya. Data analytics seringkali melibatkan teknik dan algoritma pengolahan data yang cukup kompleks seperti data mining maupun perhitungan statistik. Dalam Big Data Analytics, tingkat kesulitannya semakin besar karena data yang diproses diperoleh dari berbagai sumber dengan bentuk dan jenis yang berbeda-beda, dan ukuran serta kecepatan yang besar pula. Oleh karena itu Big Data Analytics banyak menggunakan teknik dan algoritma yang lebih advance seperti predictive model dan machine learning untuk melihat trend, pola, korelasi dan insight lainnya. Secara umum big data analytics terbagi 4 kategori yaitu: a. Descriptive Analytics Analisis ini digunakan untuk menjawab pertanyaan mengenai apa yang sedang terjadi. Hampir semua organisasi telah mengimplementasikan analisis jenis ini. b. Diagnostic Analytics Setelah mengetahui apa yang terjadi, biasanya pertanyaan berikutnya adalah mengapa bisa terjadi. Analisa jenis ini menggunakan drill-down data untuk mencari alasan lebih mendalam mengenai apa yang sedang terjadi.



12



c. Predictive Analytics Analisis prediktif memberikan prediksi mengenai apa yang akan terjadi berdasarkan data-data yang ada. Analisa jenis ini menggunakan teknik dan algoritma machine learning dan artificial intelligence untuk menghasilkan model prediksi berdasarkan data-data historis. d. Prescriptive Analytics Memanfaatkan analisis deskriptif dan prediktif, analisis jenis ini memberikan insight untuk dapat memperoleh hasil yang sesuai dengan apa yang telah diprediksikan. 3.2



Penggunaan Big Data



3.2.1



Big Data untuk Telekomunikasi



Telekomunikasi merupakan salah satu sektor yang mau tidak mau harus berurusan dengan big data. Terlebih lagi saat ini layanan telekomunikasi bisa dibilang adalah jantung dari dunia digital kita. Jika data sering disebut sebagai ‘the new oil’, maka penyedia layanan telekomunikasi seperti memiliki sebuah tambang minyak yang sangat produktif. Ada banyak sekali sumber data yang ada dalam sebuah perusahaan telekomunikasi. Sebut saja data operasional jaringan, data transaksi percakapan, data koneksi internet, data pelanggan, dan data produk. Jika semua data-data tersebut dapat diintegrasikan dengan baik, maka akan dapat memberikan insight yang dapat digunakan untuk optimalisasi jaringan, meningkatkan pelayanan, pembuatan produk dan program promosi, serta meningkatkan loyalitas pelanggan. 3.2.2



Big Data untuk Kesehatan Data dalam bidang kesehatan adalah salah satu contoh big data karena volume, kompleksitas, keragaman serta tuntutan ketepatan waktunya. Disamping itu layanan kesehatan juga melibatkan banyak sekali pihak, diantaranya yaitu berbagai rumah sakit, lab, klinik, dan asuransi kesehatan. Oleh karena itu bidang kesehatan termasuk sektor yang memiliki tantangan besar di bidang big data.



13



Integrasi data, akurasi data dan kecepatan perolehan data merupakan hal yang sangat penting dalam bidang kesehatan, karena hal ini menyangkut keselamatan pasien. Tidak hanya itu, jumlah tenaga medis dan rumah sakit pun masih sangat kurang dibanding dengan potensi pasien, terlebih di masa pandemi seperti saat ini. Insight yang diperoleh melalui big data dapat digunakan untuk membantu mengatasi permasalahan tersebut, diantaranya yaitu untuk penegakan diagnosa yang lebih akurat, personalisasi obat- obatan, peningkatan pelayanan rumah sakit hingga optimalisasi operasional rumah sakit. 3.2.3



Penggunaan Big Data pada Sektor Keuangan Penggunaan Big Data pada sektor keuangan antara lain seperti pada Perusahaan Perbankan, Perusahaan Asuransi dan Perusahaan perkreditan bahkan oleh regulator. Pada sektor keuangan, Big Data dimanfaatkan untuk: a. Meningkatkan pendapatan Bank dan Lembaga keuangan mendesain produk, mengidentifikasi pelanggan dan menetapkan target area dengan menganalisa data yang dikumpulkan untuk meningkatkan pendapatan mereka. b. Meningkatkan komitmen dan keandalan pelanggan Bank dan Lembaga keuangan mengunakan data yang dikumpulkan untuk memahami kebutuhan dan perilaku pengeluaran dan investasi pelanggan. c. Mengoptimalkan asset dan mitigasi resiko Big data memberikan informasi terkait resiko, estimasi bunga yang bisa dihasilkan dan konsii pasar sebelum mengambil keputusan akan optimalisasi asset dan mitigasi resiko. d. Pada bank komersial digunakan perbankan untuk menganalisa dan memetakan data pelanggan sehingga dapat memberikan penawaran atau promosi akan produk mereka antara lain pemberian diskon pembelian makanan dengan menggunakan kartu kredit/kartu debit yang diterbitkan bank tersebut. e. Pada Bank Sentral dan Regulator, big data digunakan untuk membuat forecast dan menetukan arah kebijakan ekonomi negara.



14



f. Financial fraud dapat dicegah dengan menggunakan big data, dengan big data mereka dapat menganalisa apabila terdapat transaksi yang mencurigakan dengan menganalisa histori transaksi pelanggan g. Selain itu, big data pada sektor keuangan juga digunakan pada Perusahaan Fintech, Robo Advising. 3.3



Tantangan Penggunaan Big Data Pada Sektor Keuangan (Khususnya Di Indonesia) Penggunaan Big Data pada sektor keuangan memiliki banyak keunggulan, tetapi juga beberapa tantangan yang harus dihadapi yaitu: 1. Kesadaran korporasi tentang pemanfaatan teknologi big data Di Indonesia, secara umum adopsi teknologi big data masih di tahap awal atau infancy. Dari sisi awarness atau kesadaran, perusahaan di Indonesia terhadap teknologi tersebut sudah ada, namun kami melihat implementasinya masih sangat rendah bila dibandingkan dengan potensi pasar yang ada, terlebih melihat kebutuhan akan big data yang terus meningkat. 2. Ketersediaan & Pertumbuhan Data Tantangan yang pertama adalah berurusan dengan pertumbuhan data. Tantangan ini menjadi yang paling jelas dan big data ini hanya akan menyiapkan dan menganalisis semua informasi yang ada tersebut. Jumlah informasi yang tersimpan di dalam dunia TI ini meningkat dua kali lipat dalam dua tahun sekali. Sebagian besar data tersebut tidak terstruktur artinya tidak ada di database. Data tersebut berupa dokumen, foto, audio dan video dimana data ini menjadi sulit dianalisis. Untuk bisa mengatasi pertumbuhan data, perusahaan bisa beralih ke teknologi yang big data ini. 3. Kekurangan Tenaga Profesional Tantangan dalam implementasi teknologi big data adalah kekurangan tenaga profesional. Dengan peningkatan data eksponensial, permintaan tenaga ahli analisis big data ini akan semakin besar. Penting juga bagi perusahaan agar bisa mempekerjakan ahli data yang terampil dan juga



15



memiliki kemampuan analisis data yang bagus, serta memiliki kedisiplinan tinggi. 4. Keamanan Data Di satu sisi dibutuhkan keterbukaan data, namun disisi lain privasi merupakan isu yang sensitif dan sering tercidera melalui kemajuan teknologi. Privasi berhubungan dengan data-data pribadi seseorang yang harus dilindungi. Data-data yang digunakan sebagai big data, yang diperoleh langsung dari konsumen, banyak yang merupakan data pribadi dan sangat rawan untuk disalahgunakan oleh pihak lain. Penggunaan data pribadi seseorang harus atas persetujuan yang bersangkutan jika akan digunakan pihak lain. Oleh karena itu, pemerintah saat ini sedang menyusun RUU tentang Perlindungan Data dan Informasi Pribadi untuk melindungi data-data pribadi warga negara. Penggunaan teknologi big data yang tidak bijak rawan akan isu privasi data. Keamanan warga negara harus diperhatikan, dimana tindakan kriminal yang mungkin muncul akibat terbukanya informasi harus diantisipasi, terlebih yang berpengaruh terhadap kestabilan negara. Sejauh ini, penerapan big data di Indonesia wajib tunduk pada peraturan perundang-undangan yang telah mengatur perlindungan data atau informasi dan pembatasan penggunaannya, di antaranya UU Informasi dan Transaksi Elektronik, UU Keterbukaan Informasi Publik, UU Perbankan, dan UU Perlindungan Konsumen. Ketika satu data saja butuh keamanan yang terjamin, maka ketika ada pengintegrasian data beberapa sumber, tingkat keamanannya pun harus semakin ditingkatkan. Sebab, data yang tersimpan pun tidak sedikit, tetapi terkait banyak hal. Jaminan keamanan ini akan menjadi tantangan pula bagi Pemerintah dalam melindungi data warganya 5. Mahalnya Implementasi big data Layaknya implementasi IT lainnya, adopsi big data juga memerlukan biaya yang tidak sedikit. Untuk itu, perusahaan bisa mempertimbangkan untuk melakukan perancangan arsitektur yang terukur, dengan implementasi bertahap. Seiring dengan berjalannya waktu, data yang



16



dihasilkan perusahaan akan bertambah. Di sisi lain, media penyimpanan pun memiliki siklus hidup (life cycle) tertentu, sehingga akan menambah biaya perawatan dan penggantian. 3.4



Studi Kasus



3.4.1



Studi Kasus Sektor Perbankan Lembaga keuangan dapat menggunakan analisis big data agar cepat mengidentifikasi potensi penipuan sebelum menjadi besar efeknya, sehingga meminimalkan risiko kerugian secara finansial. Sebagai contoh penggunaan big data di PT Bank Rakyat Indonesia Tbk (BRI) menggunakan big data analytics untuk mendeteksi penipuan. Big data merupakan salah satu strategi BRI untuk bersaing dengan perusahaan fintech yang sedang berkembang pesat di Indonesia. Data besar mengelola risiko dengan lebih efektif. Pada Maret 2018, 33 nasabah BRI di Kediri, Jawa Timur melaporkan uang di rekening tabungannya dirampok. Nilai kerugian akibat pencurian rekening tersebut sebesar Rp15 juta. Pelaku pencurian menggunakan skimming untuk mencuri data dari mesin anjungan tunai mandiri (ATM) nasabah BRI. Perbankan adalah bisnis kepercayaan, sehingga jika terjadi penipuan, reputasi bank akan ternodai atau tercemar. Analisis data besar dapat memprediksi ini berdasarkan data perilaku pelanggan. Oleh karena itu, jika ada transaksi yang di luar kebiasaan nasabah, sistem BRI dapat mendeteksinya dengan cepat. BRI juga menggunakan data untuk mendapatkan agen BRILINK. Analisis big data membuat rekomendasi agar calon nasabah menjadi agen BRILINK.



17



3.4.2



Studi Kasus Non Perbankan (Netflix)



3.4.2.1 Cara Netflix Memanfaatkan big data Ada banyak hal yang mempengaruhi kesuksesan netflix, mulai dari pilihan film yang menarik, hingga platform yang ramah pengguna. Selain itu ada satu faktor lagi yang berperan penting bagi pertumbuhan netflix, yaitu rekomendasi film yang akurat. Ada 2 jenis sistem rekomendasi yang digunakan: a. Content based system yaitu rekomendasi yang dibuat berdasarkan film yang ditonton oleh pengguna b.



Collaborative filtering system yaitu rekomendasi berdasarkan profil user yang mirip. Jadi jika profil A dan profil B mirip, maka profil A akan mendapatkan rekomendasi film yang sama dengan profil B



Netflix menggunakan sistem rekomendasi hybrid yaitu gabungan dari kedua sistem diatas, dengan kata lain sistem ini dapat memberikan rekomendasi yang lebih akurat dibandingkan kedua sistem pendahulunya. Mereka masih menambahkan variabel yang dipertimbangkan dalam algoritmanya Faktor yang dipertimbangkan netflix untuk merekomendasikan filmnya adalah : • Film atau acara yang pernah kamu tonton • Kapan kamu menonton filmnya • Lokasi kamu menonton • Perangkat yang kamu gunakan untuk menonton • Seberapa lama kamu menonton filmnya • Seberapa sering kamu menghentikan (pause) filmnya • Film apa saja yang kamu tonton sampai selesai 18



• Apa saja adegan yang sering kamu ulang • Kata kunci yang sering kamu ketik saat mencari tontonan • Rating yang diberikan untuk film dari pengguna



Bisa terbayang berapa banyak data yang harus diolah oleh netflix untuk merekomendasikan film yang akurat



19



3.4.2.2 Keuntungan yang didapat Netflix dari bigdata Berdasarkan riset yang dilakukan netflix, penggunanya mengandalkan fitur rekomendasi untuk menemukan tontonan yang mereka sukai. Alasannya sederhana, pengguna tidak perlu susah mencari film melalui fitur pencarian. Hanya dengan melihat bagian rekomendasi mereka bisa menemukan film yang sesuai dengan selera mereka. Hasilnya jumlah konsumen yang bertahan semakin meningkat (berdasarkan data netflix). Berkat usaha gigih yang dilakukan netflix untuk meningkatkan kenyamanan pengguna, kini mereka berhasil menjadi perusahaan media yang sukses. Hal ini tidak lepas dari kecerdikan mereka dalam memanfaatkan data



3.4.2.3 Pelajaran yang bisa diambil dari studi kasus netflix Ada ledakan data hari ini, dan kebutuhan akan analitik telah tumbuh secara eksponensial. Alat dan perangkat lunak sedang dikembangkan untuk mendapatkan wawasan yang tepat dari data. Jika Anda ingin mengenal pelanggan Anda lebih baik, temukan peluang pendapatan, dan masuki pasar baru. Anda perlu memiliki mekanisme yang membantu Anda mendapatkan wawasan yang lebih baik. Sebagai sebuah organisasi, berinvestasi dalam analisis data akan memberi Anda empat manfaat signifikan. a. Pemahaman yang lebih dalam tentang pelanggan b. Deteksi dini masalah dalam produk dan layanan c. Mengidentifikasi strategi pemasaran yang lebih baik d. Menemukan cara untuk mengurangi pengeluaran



20



BAB IV PENUTUP



4.1



Kesimpulan Big Data adalah himpunan data yang sangat besar dan kompleks sehingga sulit diproses dengan menggunakan aplikasi yang masih tradisional. Big data telah membawa kita ke dimensi baru dalam beberapa industri salah satunya sektor keuangan, dimana agar tetap survive dalam bisnis yang kompetitif, sehingga memerlukan penggunaan big data. Big data bersama-sama dengan teknologi dapat memberikan informasi untuk mengembangkan sektor keuangan sehingga dapat membantu dalam pengambilan keputusan yang lebih baik dan memberikan keuntungan yang kompetitif.



4.2



Saran Penerapan big data seharusnya disesuaikan dengan kebutuhan perusahaan sehingga dapat menghasilkan strategi yang solutif dan implementatif.



21



DAFTAR PUSTAKA



The Gartner IT Glossary: What is Big Data? Diakses 10 September 2022 O'Reilly Radar: What is Big Data? Diakses 10 September 2022 Media Informatika Vol. 16 No. 2 2017: Big Data dan Pemanfaatannya dalam Berbagai Sektor. Diakses 10 September 2022 Forum Keuangan dan Bisnis V 2016: Penggunaan Big Data dalam Instansi di Bawah Naungan Pemerintahan. Diakses 10 September 2022 Cholissodin, I., Riyandani, E., 2016, Analisis Big Data, Fakultas Ilmu Komputer, Universitas Brawijaya, Malang Idbiddata.com. Diakses 10 September 2022 The Institute of Cost Accountants of India Vol. 54 No 05. 2019. Big Data Analytics In Accounting and Auditing



22