Dalam pemahaman awam Sistem pemrosesan data transaksional dianggap sebagai fungsi utama dalam komputasi bisnis. Sistem transaksional mencatat transaksi yang merangkum peristiwa spesifik yang ingin dilacak oleh organisasi. Suatu transaksi dapat berupa keuangan, seperti pergerakan uang antar rekening dalam sistem perbankan, atau mungkin merupakan bagian dari sistem ritel, melacak pembayaran barang dan jasa dari pelanggan. Pikirkan transaksi sebagai unit kerja yang kecil dan terpisah.
Sistem transaksi sering bervolume tinggi, terkadang menangani jutaan transaksi dalam satu hari. Data yang diproses harus dapat diakses dengan sangat cepat. Pekerjaan yang dilakukan oleh sistem transaksional sering disebut sebagai Online Transactional Processing (OLTP).
Solusi OLTP mengandalkan sistem database di mana penyimpanan data dioptimalkan untuk operasi baca dan tulis untuk mendukung beban kerja transaksional di mana catatan data dibuat (create), diambil (read), diperbarui (update), dan dihapus(delete) (sering disebut sebagai operasi CRUD) . Operasi ini diterapkan secara transaksional, dengan cara memastikan integritas data yang disimpan dalam database. Untuk mencapai hal ini, sistem OLTP memberlakukan transaksi yang mendukung apa yang disebut semantik ACID. ACID adalah kependekan dari Atomicity (Atomisitas), Consistency (Konsistensi), Isolation (Isolasi), dan Durability (Daya tahan).
Semakin banyaknya organisasi yang menggunakan teknologi digital untuk mengelola data diiperkirakan permintaan untuk profesional basis data akan terus meningkat di masa depan. Setiap profesi membutuhkan keterampilan dan pengetahuan khusus untuk menjalankan tugas-tugas yang diperlukan. Peluang karir di bidang basis data sangat menjanjikan dan beragam, dan dapat memberikan kesempatan yang baik untuk pertumbuhan dan pengembangan karir dalam jangka panjang.
Database Administrator (DBA)
Seorang DBA bertanggung jawab untuk mengelola, merancang, dan memelihara database perusahaan. Tugas-tugasnya termasuk pemantauan kinerja database, pemulihan bencana, tuning, dan memastikan bahwa data aman dan tersedia.
Data Analyst
Seorang analis data bertanggung jawab untuk menganalisis dan menginterpretasikan data untuk membantu bisnis membuat keputusan yang lebih baik. Tugas-tugasnya meliputi pengumpulan data, pemrosesan data, analisis data, dan penyajian data.
Data Scientist
Seorang ilmuwan data bertanggung jawab untuk mengumpulkan, memproses, dan menganalisis data besar dengan tujuan memperoleh informasi dan wawasan yang lebih baik. Tugas-tugasnya termasuk pemodelan data, analisis data, dan pengembangan algoritma yang kompleks.
Secara umum, analitik data terdiri dari empat jenis (Gambar 1):
Deskriptif, untuk menjawab pertanyaan: Apa yang terjadi?
Diagnostik, untuk menjawab pertanyaan: Mengapa terjadi?
Prediktif, untuk menjawab pertanyaan: Apa yang akan terjadi?
Preskriptif, untuk menjawab pertanyaan: Tindakan apa yang harus kita ambil?
Analisis Deskriptif (Descriptive Analysis)
Analisis ini mengacu pada cara menggambarkan data dengan menggunakan visualisasi dan statistik deskriptif seperti rata-rata, median, modus, dan sebagainya. Analisis deskriptif sering digunakan untuk menjawab pertanyaan seperti “Apa yang terjadi di masa lalu?” atau “Apa yang sedang terjadi sekarang?”.
Analisis Prescriptive merupakan jenis analisis data yang digunakan untuk memberikan rekomendasi tentang tindakan atau keputusan yang harus diambil berdasarkan hasil analisis data. Analisis preskriptif biasanya melibatkan penggunaan teknik analisis data yang lebih kompleks, seperti optimisasi dan analisis simulasi, untuk mengevaluasi berbagai skenario yang mungkin terjadi dan menentukan tindakan terbaik yang dapat diambil dalam situasi tersebut.
Tujuan utama dari analisis preskriptif adalah membantu pengambil keputusan dalam mengoptimalkan hasil bisnis atau operasional. Dalam bisnis, analisis preskriptif dapat membantu dalam menentukan strategi pemasaran, perencanaan persediaan, dan pengelolaan risiko. Dalam industri manufaktur, analisis preskriptif dapat membantu dalam mengoptimalkan produksi dan meningkatkan efisiensi.
Beberapa contoh teknik analisis preskriptif yang sering digunakan adalah Linear Programming, Optimization, dan Monte Carlo Simulation. Linear Programming digunakan untuk menentukan solusi terbaik dari suatu masalah yang melibatkan sejumlah variabel dan keterbatasan. Optimization digunakan untuk menemukan kombinasi terbaik dari sumber daya yang tersedia, seperti waktu, tenaga kerja, dan peralatan. Monte Carlo Simulation digunakan untuk menguji berbagai skenario dan menentukan risiko yang terkait dengan keputusan yang akan diambil.
Dalam keseluruhan, analisis preskriptif memungkinkan pengambil keputusan untuk membuat keputusan yang lebih informasi dan berbasis data, dengan mempertimbangkan berbagai faktor dan skenario yang terlibat dalam situasi tersebut.
Analisis Prediktif (Predictive Analysis)
Analisis ini mencoba untuk memprediksi apa yang akan terjadi di masa depan berdasarkan pola dan tren yang terlihat dari data yang telah ada. Analisis prediktif menggunakan teknik seperti regresi, klasifikasi, dan analisis deret waktu. Analisis prediktif dapat membantu dalam membuat keputusan yang lebih baik dan membantu dalam perencanaan.
Contoh analisis deskriptif adalah sebagai berikut:
Misalkan sebuah perusahaan ingin melakukan analisis penjualan produk selama satu tahun terakhir untuk melihat performa penjualan mereka. Dalam melakukan analisis ini, mereka dapat menggunakan teknik deskriptif untuk menjawab beberapa pertanyaan seperti:
Berapa jumlah produk yang terjual selama satu tahun terakhir?
Berapa rata-rata penjualan per bulan?
Apa produk yang paling laris terjual?
Bagaimana distribusi penjualan di tiap wilayah?
Untuk menjawab pertanyaan-pertanyaan tersebut, perusahaan dapat menggunakan visualisasi dan statistik deskriptif seperti diagram batang, histogram, tabel frekuensi, rata-rata, median, modus, dan sebagainya.
Sebagai contoh, perusahaan dapat membuat diagram batang untuk menunjukkan jumlah produk yang terjual per bulan selama satu tahun terakhir. Diagram batang ini akan menunjukkan apakah penjualan meningkat atau menurun dari waktu ke waktu.
Selain itu, perusahaan juga dapat membuat tabel frekuensi untuk menunjukkan jumlah penjualan di tiap wilayah. Tabel frekuensi ini dapat membantu perusahaan dalam memahami distribusi penjualan dan melihat apakah ada wilayah yang perlu ditingkatkan penjualannya.
Dengan menggunakan teknik analisis deskriptif, perusahaan dapat memperoleh wawasan tentang performa penjualan mereka dan mengambil tindakan yang diperlukan untuk meningkatkan penjualan mereka di masa depan.
Analisis Preskriptif (Prescriptive Analysis)
Analisis ini bertujuan untuk memberikan rekomendasi tentang tindakan yang harus diambil berdasarkan hasil analisis data. Analisis preskriptif menggabungkan data dari analisis deskriptif dan prediktif untuk memberikan rekomendasi tentang apa yang harus dilakukan berdasarkan situasi yang ditemukan.
Misalkan sebuah perusahaan memiliki beberapa produk yang ingin mereka produksi dan mereka memiliki keterbatasan dalam sumber daya, seperti tenaga kerja, bahan baku, dan waktu. Perusahaan ingin mengetahui kombinasi produk mana yang dapat mereka produksi untuk memaksimalkan laba mereka, sambil memenuhi keterbatasan sumber daya.
Dalam melakukan analisis preskriptif ini, perusahaan dapat menggunakan teknik optimisasi untuk menemukan solusi terbaik untuk masalah mereka. Teknik optimisasi akan menghasilkan kombinasi produk yang dapat diproduksi dengan mengoptimalkan penggunaan sumber daya yang tersedia.
Misalkan perusahaan menggunakan Linear Programming untuk menyelesaikan masalah ini. Mereka akan menentukan tujuan optimisasi mereka (maksimalkan laba), variabel keputusan (jumlah produksi setiap produk), dan keterbatasan sumber daya mereka. Kemudian, mereka akan menggunakan software Linear Programming untuk menemukan solusi optimal.
Setelah solusi optimal ditemukan, perusahaan dapat mengevaluasi hasilnya dan membuat keputusan tentang kombinasi produk mana yang akan mereka produksi untuk memaksimalkan laba mereka, sambil memenuhi keterbatasan sumber daya. Misalnya, mereka dapat memutuskan untuk memproduksi lebih banyak produk yang menghasilkan laba tinggi dan kurang produk yang menghasilkan laba rendah.
Dalam keseluruhan, analisis preskriptif memungkinkan perusahaan untuk membuat keputusan yang lebih informasi dan berbasis data, dengan mempertimbangkan berbagai faktor dan keterbatasan yang terlibat dalam situasi tersebut. Dengan menggunakan teknik optimisasi, perusahaan dapat menemukan solusi terbaik untuk masalah mereka dan mengambil keputusan yang lebih baik dalam operasi bisnis mereka.
Analisis Kognitif (Cognitive Analysis)
Analisis ini menggunakan teknologi Artificial Intelligence (AI) untuk memproses data yang kompleks seperti suara, teks, dan gambar. Analisis kognitif dapat membantu dalam mengidentifikasi pola dan tren yang mungkin tidak terlihat melalui analisis data tradisional. Contoh dari analisis kognitif termasuk pemrosesan bahasa alami, pengenalan wajah, dan identifikasi objek pada gambar.
Analisis kognitif (cognitive analysis) adalah suatu teknik analisis data yang berfokus pada pemahaman bagaimana manusia memproses informasi, mengambil keputusan, dan berinteraksi dengan lingkungan mereka. Analisis kognitif digunakan dalam berbagai bidang, seperti psikologi, ilmu sosial, pemasaran, dan bisnis, untuk memahami pola pikir manusia dan membuat keputusan yang lebih baik berdasarkan pemahaman tersebut.
Contoh penggunaan analisis kognitif dalam bisnis adalah untuk memahami perilaku pelanggan dan mencari cara untuk meningkatkan kepuasan mereka. Dalam hal ini, analisis kognitif dapat membantu bisnis untuk:
Mempelajari kebutuhan dan preferensi pelanggan
Memahami pola perilaku pelanggan
Menganalisis respons pelanggan terhadap produk atau layanan baru
Meningkatkan interaksi dan komunikasi dengan pelanggan
Analisis kognitif dapat dilakukan dengan menggunakan berbagai teknik, seperti survei, wawancara, eksperimen, dan analisis data. Beberapa teknik analisis data yang sering digunakan dalam analisis kognitif adalah clustering, analisis faktor, analisis jalur, dan analisis regresi.
Sebagai contoh, dalam mempelajari preferensi pelanggan, bisnis dapat melakukan survei untuk mengumpulkan data tentang preferensi dan kebutuhan pelanggan. Kemudian, dengan menggunakan teknik clustering, bisnis dapat mengelompokkan pelanggan berdasarkan preferensi mereka, sehingga dapat menyesuaikan produk atau layanan mereka untuk memenuhi kebutuhan dan preferensi pelanggan yang berbeda.
Dalam keseluruhan, analisis kognitif membantu bisnis untuk memahami cara kerja manusia dan membuat keputusan yang lebih baik berdasarkan pemahaman tersebut. Dengan menggunakan teknik analisis kognitif, bisnis dapat meningkatkan interaksi dengan pelanggan, mengembangkan produk atau layanan yang lebih efektif, dan mencapai tujuan bisnis mereka dengan lebih baik.
Data adalah kumpulan fakta seperti angka, deskripsi, dan observasi yang digunakan untuk mencatat informasi. Struktur data tempat data ini diatur sering mewakili entitas yang penting bagi organisasi (seperti pelanggan, produk, pesanan penjualan, dan sebagainya). Setiap entitas biasanya memiliki satu atau beberapa atribut, atau karakteristik (misalnya, pelanggan mungkin memiliki nama, alamat, nomor telepon, dan sebagainya).
Anda dapat mengklasifikasikan data sebagai terstruktur, semi terstruktur, atau tidak terstruktur.
Data terstruktur
Data terstruktur adalah data yang mematuhi skema tetap, sehingga semua data memiliki bidang atau properti yang sama. Umumnya, skema untuk entitas data terstruktur adalah tabular – dengan kata lain, data dihadirkan dalam satu tabel atau lebih yang terdiri dari beberapa baris yang mewakili setiap instans entitas data, dan kolom yang mewakili atribut entitas. Misalnya, gambar berikut menunjukkan representasi data tabular untuk entitas Pelanggan dan Produk.
Microsoft Azure Data Fundamentals adalah sertifikasi yang ditujukan bagi individu yang ingin memperoleh pemahaman dasar tentang teknologi data dan pengelolaan data di lingkungan awan Azure. Sertifikasi ini mencakup konsep-konsep dasar tentang basis data relasional, non-relasional, analitik, dan big data, serta bagaimana layanan Azure digunakan untuk mengelola dan menganalisis data.
Azure Data Fundamentals Bagian dari MCF untuk Pemula
Untuk memperoleh sertifikasi Microsoft Azure Data Fundamentals, seseorang perlu lulus ujian yang mencakup topik-topik seperti:
Logo Azure Data Fundamentals
Konsep dasar data dan basis data
Layanan data Azure
Pengelolaan data di Azure
Data analytics dan visualisasi di Azure
Dasar-dasar big data di Azure
Setelah memperoleh sertifikasi ini, individu akan memperoleh pemahaman yang kuat tentang teknologi data di lingkungan awan dan bagaimana menggunakan layanan Azure untuk mengelola dan menganalisis data. Sertifikasi ini dapat menjadi batu loncatan untuk mendapatkan sertifikasi Azure yang lebih lanjut dan untuk membangun karir di bidang teknologi data.
