Maraknya persebaran ujaran kebencian yang saat ini berlangsung di masyarakat sudah mulai ada dalam batas yang ‘mengganggu’. Persebaran ujaran kebencian ini kian pesat dengan besarnya andil dari intrnet yang tidak diikuti dengan kecakapan dan tanggungjawab yang seharusnya. Bullying atau biasa disebut dengan perundungan adalah suatu perlakuan yang mengganggu, mengusik terus-menerus dan juga menyusahkan. Rigby (2003) menguraikan unsur-unsur yang terkandung dalam pengertian bullying yakni antara lain keinginan untuk menyakiti, tindakan negatif, ketidakseimbangan kekuatan, pengulangan atau repetisi, bukan sekedar penggunaan kekuatan, kesenangan yang dirasakan oleh pelaku dan rasa tertekan di pihak korban. Dari banyaknya pemberitaan mengenai bullying atau perundungan ini juga sebagian besar menggunakan cara body shamming atau penghinaan secara fisik.

Dampak yang muncul akibat perlakuan yang dianggap ‘sepele’ ini sebenarnya cukup meperihatinkan. Maka peru adanya kesadaran dari masyarakat pengguna sosial media untuk mampu mengkontrol cara berkomunikasi yang mereka pilih.

Penyusunan dan disahkannya undang-undang yang berkaitan dengan body shamming saat ini menjadi sorotan banyak pihak karena dianggap sebagai solusi ditengan semakin tidak jelasnya aturan dan perlindungan pengguna internet dari cyber crime. Dukungan dari banyak pihak, sosialisasi melalui para pemerhati dan komunitas anti bullying juga gencar dilakukan. Tetapi ada satu hal yang mungkin hanya terjadi dan selalu dipertanyakan di Indonesia. Seberapa jauh UU ini mampu menjadi rujukan perlindungan bagi korban? Seberapa jauh masyarakat paham tentang prosedur perlindungan dan hak yang mereka dapatkan? Dan bagaimana pendampingan diberikan untuk para korban body shamming ini?

Pertanyaan-pertanyaan ini sering muncul seiring dengan muncul dan disahkannya banyak UU perlindungan yang lain yang juga pasif dan belum sempurna ditegakkan. ‘Indonesia not ready’, adalah sebuah ungkapan ironi yang menunjukkan ketidaksiapan Indonesia di mata para pengamat dan masyarakat bahkan dunia dan juga digunakan sebagai tameng atas ketdakmampuan dan kegagalan yang biasa terjadi selama proses tersebut berjalan.

Dengan banyaknya usaha menegakkan hak dan kewajiban berkomunikasi, mengeluarkan pendapat terutama di media sosial, besar harapan juga atas kesehatan dan kewarasan bermedia dari masyarakat millennial sebagai pengguna. Menjadi user yang bijak, cerdas dan beretika adalah effek yang didambakan dari banyaknya aturan yang membatasi, banyaknya UU yang dibangun, karena keteraturan ini sebenarnya bagian dari usaha meng-harmonis-kan kehidupan sosial masyarakat, baik menggunakan media ataupun realitas yang bebas dari dunia maya.

Menurut Hariyanti & Wirapraja, influencer adalah seseorang atau figur dalam media sosial yang memiliki jumlah pengikut yang banyak atau signifikan, dan hal yang mereka sampaikan dapat mempengaruhi perilaku dari pengikutnya (Hariyanti & Wirapraja, 2018: 141). Sedangkan berdasarkan pemahaman Brown & Hayes dalam bukunya yang berjudul Influencer Marketing: Who Really Influences Your Customers? influencer merupakan pihak ketiga yang secara signifikan membentuk keputusan pembelian pelanggan, tetapi mungkin pernah ikut bertanggung jawab untuk itu (Brown & Hayes, 2008: 52).

Terdapat sebuah kutipan menarik dari pengertian Brown & Hayes. Influencer dikatakan sebagai sosok yang bisa mempengaruhi keputusan pelanggan. Tetapi ada penggunaan kata ‘mungkin’ yang menyiratkan keraguan, apakah influencer ikut bertanggungjawab terhadap konten yang mereka keluarkan?.

Siapa yang tidak kenal dengan Raditya Dika, Arief Muhammad, Diana Rikasari, Keenan Pearce, Rachel Vennya, Atta Halilintar, Awkarin, atau bahkan Lucinta Luna? Sebagai influencer, mereka memiliki jutaan pengikut baik di twitter, youtube, maupun instagram. Konten yang mereka ciptakan dalam kanal social media masing-masing pun beragam. Dari yang sarat akan pesan positif yang bisa memberikan inspirasi bagi masyarakat khususnya generasi milenial. Sampai yang kurang mendidik karena hanya berisi gosip murahan dan sensasi belaka.

Penggunaan influencer sebagai sarana untuk membantu pemasaran sebuah produk kini telah menjadi pilihan yang digemari oleh banyak perusahaan. Peran influencer mulai dari menjadi brand ambassador, paid promote, sampai endorse begitu banyak dijumpai dalam media sosial kita sehari-hari. Sejak awal, para influencer tentu sudah memiliki ciri dan keunikan konten masing-masing. Ketika konten ini dimanfaatkan menjadi sesuatu yang komersil oleh brand, sesungguhnya tidak ada yang salah dari semua itu. Mengutip Ayu Utami dalam acara Indonesia Creative Meetup Vol. 7, disebutkan bahwa tak bisa dipungkiri saat ini banyak content creator yang bimbang antara menjaga idealisme mereka dalam membuat karya atau menjadi lebih komersil. Padahal sebenarnya seorang content creator perlu menjaga keseimbangan kedua hal tersebut.

Kembali pada peran influencer sebagai content creator, pertanyaan yang perlu menjadi pertimbangan oleh para influencer adalah, sudahkah mereka menciptakan konten yang layak dikonsumsi oleh publik? Ada sebuah kutipan bagus dari Prince Ea melalui akun instagramnya yang bernama @prince_ea, seorang seniman, filmmaker, dan juga influencer. Penulis harapkan kutipan ini dapat menginspirasi para influencer masa kini untuk terus berkarya, menciptakan konten-konten menarik yang bermanfaat bagi sesama. “That word influencer, is interesting to me. Because it’s like, we’re influencing people to do what? Is it to reach a level of beauty, that is not attainable naturally? Is it to have a people lust after cars, or material objects that will never bring somebody true happiness? A lot of people called themselves social media influencers. When you get sick, what did they say? You’ve come down with influenza. A lot of people are ill because of what these influencers put out there. So I just have one question for every influencers, because we’re all influencers. And that question is when people come to your page, do they walk away better or worse?”.

***

Membicarakan tentang generasi milenial memang selalu menarik dan tidak ada habisnya. Dilansir melalui tirto.id, generasi milenial atau generasi Y, adalah kelompok manusia yang lahir di atas tahun 1980-an hingga 1997. Rentang usia ini masih menjadi perdebatan oleh para ahli. Seperti Howe & Strauss (2000) yang mengatakan generasi ini lahir tahun 1982-2000. Atau Martin & Tulgan (2002) memilih tahun 1978-2002 sebagai tahun kelahiran generasi milenial (dalam Putra, 2016: 125).

Apabila disimpulkan, generasi milenial berarti kelompok manusia yang saat ini berusia 20-30 tahun. Usia ini dikatakan sebagai usia yang produktif. Karena masing-masing individu biasanya sudah memiliki penghasilannya sendiri. Hasil riset Snapcart menyebutkan bahwa pengguna e-commerce paling banyak di Indonesia adalah generasi milenial berusia 23-34 tahun sebanyak 50%. Disusul oleh generasi Z usia 15-24 tahun sebanyak 31%. Generasi X usia 35-44 tahun sebanyak 16%. Dan sisanya generasi baby boomers usia 45 tahun ke atas sebanyak 2%. Oleh sebab itu, pasar potensial yang besar ini mulai dilirik banyak perusahaan untuk memasarkan produk mereka.

Generasi milenial merupakan generasi yang terbiasa dengan sesuatu yang instan dan mudah. Mereka juga rentan terpengaruh akan perubahan yang begitu cepat terjadi di sekelilingnya. Terkadang, kegagalan banyak perusahaan dalam menggaet pasar milenial disebabkan oleh ketidakmampuan dalam mengikuti perubahan serta gaya hidup mereka. Kesalahan pelaku pasar adalah selalu melihat generasi milenial sebagai seorang konsumen. Mereka tidak memposisikan diri sebagai generasi itu sendiri. Sebuah brand biasanya terlalu fokus terhadap konten product knowledge mereka sendiri. Dibanding memikirkan cara penyampaian yang tepat kepada generasi ini. Kalaupun bisa menggabungkan keduanya, sering masih terkesan dipaksakan. Hasil akhirnya, pertumbuhan pasar milenial pun berjalan lambat dan tidak sesuai dengan harapan semula.

Para pelaku pasar hendaknya memahami perilaku generasi ini terlebih dahulu sebelum membidiknya sebagai potential market. Berikut adalah tips-tips menggaet pasar milenial yang dihimpun dari berbagai sumber, seperti goukm.co.id, mix.co.id, dan maxmanroe.com sebagai berikut:

1. Bidik kelompok sosial, bukan rentang usia. Misalnya kelompok penggemar travelling, hewan peliharaan, film, dan lain-lain. Membidik kelompok sosial membuat fokus pemasaran lebih terpusat dan mudah untuk dikembangkan.
2. Pemakaian media sosial secara efektif. Sebagian besar waktu generasi milenial digunakan untuk mengakses internet. Gunakan instagram, youtube, facebook, twitter, dan lain sebagainya sebagai media untuk mempromosikan produk.
3. Perhatikan user-generated content. Generasi ini lebih menyukai konten yang dibuat oleh peers atau teman-teman sendiri dibandingkan media mainstream seperti cetak atau televisi. Buat konten yang menyesuaikan sehingga dapat memenangkan hati mereka.
4. Pastikan brand meninggalkan kesan experience yang positif. Generasi milenial sangat percaya pada kekuatan world of mouth. Mereka akan mencari review atau bertanya pada teman-temannya yang sebelumnya telah menggunakan produk tersebut.
5. Gaet influencer yang sejalan dengan brand. Misalnya produk outdoor, gandeng influencer yang memiliki image suka travelling & adventure.
6. Gunakan konten soft selling saat beriklan. Generasi ini cenderung lebih kritis dan tidak suka diperintah. Jangan membuat konten yang terang-terangan menyuruh mereka membeli produk. Buat konten iklan yang menyentuh atau bahkan membuka kesadaran terhadap manfaat produk.

***

Alasan Gisel Gisella Anastasia Ogah Rujuk Setelah Gugat Cerai Gading Marten. Total Budget Pernikahan “Crazy Rich Surabayan” di Bali. Acha Septriasa Jatuh Miskin, Tidur Di Atas Tikar.

Judul-judul berita di atas seringkali kita jumpai ketika sedang mengakses media online melalui smartphone. Apakah kita tertarik untuk meng-klik atau membukanya? Jawabannya tentu saja iya. Siapa yang tidak ingin mengetahui penyebab perceraian Gading-Gisel yang sedang hangat diperbincangkan oleh netizen? Atau siapa yang tidak penasaran akan total budget pernikahan pasangan Crazy Rich Surabayan, Jusup-Clarissa yang viral belakangan ini?.

Sayangnya, terkadang judul-judul yang sensasional tersebut tidak sinkron dengan isi beritanya. Berita tentang Gading-Gisel misalnya. Apabila melihat dari judulnya, pembaca mungkin berekspektasi akan mendapatkan fakta tentang penyebab perceraian Gading-Gisel. Namun setelah dibuka, tidak ada satupun yang menyebutkan tentang penyebab mengapa Gading-Gisel bercerai.

Berikut pula dengan berita yang berjudul Total Budget Pernikahan “Crazy Rich Surabayan” di Bali. Isi beritanya hanya berupa estimasi yang diperkirakan sendiri oleh penulisnya, dari mengumpulkan data vendor-vendor pernikahan Jusup-Clarissa.

Tidak berbeda dengan berita Acha Septriasa yang dikabarkan jatuh miskin. Bagaimana bisa seorang artis terkenal jatuh miskin? Ternyata, itu hanya merupakan bagian dari peran Acha Septriasa di film terbarunya yang berjudul Mars.

Fenomena semacam itulah yang kita sebut dengan clickbait headline. Menurut kamus Merriam-Webster, clickbait headline adalah headline yang dirancang agar pembaca penasaran dan ingin meng-klik hyperlink yang terkait dari berita tersebut (dalam Kertanegara, 2018: 34).

Mengapa masih banyak pembaca yang termakan oleh clickbait? Berdasarkan teori Information-Gap dari Loewenstein, terdapat kesenjangan antara apa yang pembaca ketahui dan apa yang ingin pembaca ketahui (Iarovici, Amel, 1989:441). Kesenjangan informasi ini menghasilkan perasaan keingintahuan atau penasaran (Bloom & Hansen, 2015). Rasa penasaran ini kemudian memotivasi pembaca membuka halaman yang diinginkan dengan klik baru. Dengan harapan bisa mendapatkan informasi yang hilang, seperti yang disampaikan di judul clickbait (Ifantidou, 2009).

Dari sisi jurnalis sendiri, fenomena clickbait disebabkan oleh adanya tuntutan bisnis baik dari redaktur maupun pemilik media. Clickbait diperlukan untuk menarik perhatian pembaca agar traffic-nya menjadi tinggi. Beberapa pemilik media bahkan memberikan insentif bagi jurnalis yang beritanya di-klik ratusan kali atau mencapai target tertentu (Frampton, 2015).

Hendaknya, audiens atau pembaca mulai cerdas dalam mengenali clickbait. Supaya tidak terjebak dengan judul berita yang kelihatannya spektakuler di awal, namun ternyata isi beritanya kurang berkualitas. Berikut adalah teknik-teknik penggunaan clickbait yang dihimpun dari berbagai sumber: (1). Penggunaan kalimat tanya seperti, “Tahukan Anda?” (2). Penggunaan kalimat seruan seperti, “Wow!” atau “Keren!”, (3). Penggunaan listicle atau istilah memulai headline dengan nomor, seperti “3 Tempat Wisata Alam Paling Romantis di Indonesia”, (4). Penggunaan frasa catafora, ditandai dengan kata “ini” yang menunjukkan waktu, tempat, atau situasi, seperti “Berita Ini Akan Menghebohkan Pikiran Anda” (Tea, 2014; Vijgen, 2014; Bloom & Hansen, 2015).

Menurut penulis, penggunaan clickbait sah-sah saja apabila diimbangi dengan isi pemberitaan yang valid, berkualitas, dan bisa berkontribusi dalam meningkatkan pengetahuan pembaca. Penulis berharap penggunaan clickbait bisa dimanfaatkan dengan bijak oleh para jurnalis yang berperan dalam memproduksi berita. Dan semoga kita juga bisa menjadi pembaca yang cerdas dalam memilah konten digital di tengah derasnya arus informasi di era media baru ini.

***

Definisi, Karakteristik, dan Manfaat Data Mining -Seri Data Mining for Business Intelligence (2)

By : Albert Verasius Dian Sano, S.T., M.Kom.

Definisi, karakteristik, dan manfaat

Definisi data mining, secara sederhana, adalah istilah yang digunakan untuk menjelaskan proses pencarian atau penambangan knowledge dari data yang sangat besar. Menurut analogi, orang mungkin berpikir bahwa istilah data mining adalah sesuatu yang tidak tepat; menambang emas dari bebatuan atau lumpur diacu sebagai  ‘penambangan emas’ dan bukannya penambangan ‘batu’ atau ‘lumpur’. Jadi, data mining barangkali lebih cocok diberi nama ‘knowledge mining’ atau ‘knowledge discovery’. Meskipun ada ketidakcocokan antara makna dan istilah, data mining telah menjadi pilihan bagi komunitas ilmu ini. Banyak nama-nama lain yang ter-asosiasi dengan data mining antara lain ‘knowledge extraction’, ‘pattern analysis’, ‘data archaeology’, ‘information harvesting’, ‘pattern searching’, dan ‘data dredging’.

Secara teknis, data minig adalah proses yang memanfaatkan teknik-teknik statistik, matematika, dan kecerdasan buatan untuk mengekstrak dan mengidentifikasi informasi dan knowledge selanjutnya (atau pola-pola) yang berasal dari sekumpulan data yang sangat besar.  Berbagai macam pola tersebut bisa dalam bentuk aturan bisnis, kesamaan-kesamaan, korelasi, trend, atau model-model prediksi. Kebanyakan literatur mendefinisikan data mining sebagai “proses yang rumit untuk mengidentifikasi pola-pola yang valid, baru, memiliki potensi bermanfaat, dan bisa dipahami, terhadap data yang disimpan di dalam database yang terstruktur”, dimana data diorganisir dalam baris-baris yang terstruktur menurut kategori, ordinal/berurutan, dan variable-variabel yang berkesinambungan. Dalam definisi ini, beberapa arti dari kata-kata kunci di atas adalah seperti berikut:

• Proses: artinya data mining terdiri dari banyak langkah perulangan Rumit: artinya bahwa ada suatu dugaan/kesimpulan atau pencarian yang berbasis eksperimentasi yang dilibatkan; yang artinya bahwa, itu bukanlah suatu hal yang mudah seperti komputasi terhadap suatu kuantitas yang sudah ditetapkan sebelumnya
• Valid: artinya bahwa pola-pola yang ditemukan seharusnya tetap benar bila diterapkan pada data yang baru dengan tingkat kepastian yang tinggi
• Baru: artinya bahwa pola-pola tidaklah diketahui sebelumnya oleh pengguna dalam konteks sistem yang sedang dianalisa
• Berpotensi bermanfaat: artinya adalah bahwa pola-pola yang ditemukan harus membawa manfaat bagi pengguna atau pada pekerjaan
• Dapat dipahami: artinya bahwa pola harus masuk akal secara bisnis yang membuat pengguna berkata “mmmm! Ini masuk akal; mengapa saya tidak memikirkan hal itu” .

Data mining bukanlah disiplin ilmu baru, tetapi lebih pada definisi yang baru untuk pemanfaatan banyak disiplin ilmu. Data mining diposisikan erat di irisan berbagai disiplin ilmu, termasuk statistik, artificial intelligence (kecerdasan buatan), machine learning, management science, information systems (sistem informasi), dan database. Lihat gambar di bawah ini:

Dengan menggunakan perkembangan di semua disiplin itu, data mining berusaha membuat perkembangan dalam mengekstrak informasi dan knowledge dari database yang besar.  Ini adalah bidang ilmu yang muncul ke permukaan dan menarik banyak perhatian dalam waktu yang singkat.

Berikut adalah karakteristik utama dan tujuan dari data mining:

• Data seringkali terkubur dalam database yang sangat besar, yang terkadang berisi data selama bertahun-tahun. Dalam banyak kasus, data dibersihkan dan disatukan ke dalam data warehouse.
• Environment data mining pada umumnya adalah arsitektur client-server atau arsitektur sistem informasi berbasis web.
• Berbagai tool baru yang canggih, termasuk berbagai tool visualisasi yang canggih, membantu untuk mengangkat biji informasi yang terkubur dalam file-file korporat atau record-record arsip. Untuk mendapatkannya akan melibatkan memoles dan mensinkronisasikan data untuk mendapatkan hasil-hasil yang tepat. Data miners yang mutakhir juga memeriksa kemanfaatan data (misalnya, teks yang tak terstruktur yang disimpan dalam tempat-tempat seperti database Lotus Notes, file-file teks di internet, atau intranet korporat).

• Si penambang seringkali adalah end-user, yang didukung dengan ‘bor-bor data’ dan berbagai tool query handal lainnya untuk menanyakan pertanyaan-pertanyaan dengan tujuan tertentu dan mendapatkan jawaban-jawaban dengan cepat, dengan sedikit atau bahkan tanpa skill pemrograman sekalipun.
• Dalam menemukan pola seringkali menemukan hasil yang tak diharapkan dan meminta end-user untuk berpikir secara kreatif dalam menjalankan proses, termasuk interpretasi terhadap temuan.
• Banyak tool data mining siap dikombinasikan dengan berbagai spreadsheet dan tool development software lainnya. Jadi,  data yang ditambang bisa dianalisa dan diterapkan dengan cepat dan mudah.
• Karena jumlah data yang sangat besar dan usaha pencarian yang massif, kadang-kadang perlu menggunakan pemrosesan parallel untuk data mining.

Perusahaan yang secara efektif memanfaatkan tool-tool dan teknologi data mining bisa mendapatkan dan mempertahankan  keunggulan kompetitif strategis. Data mining  menawarkan perusahaan suatu environment yang sangat diperlukan untuk meningkatkan keputusan untuk memanfaatkan peluang-peluang baru dengan mentransformasikan data menjadi senjata yang strategis.

Cara Kerja Data Mining – Seri Data Mining for Business Intelligence (3)

By : Albert Verasius Dian Sano, S.T., M.Kom.

Bagaimana cara kerja data mining

Dengan menggunakan data yang ada dan relevan, data mining membuat beberapa model untuk mengidentifikasi pola-pola diantara atribut-atribut yang ada di dalam dataset. Model adalah penyajian matematis (persamaan linear sederhana dan/atau persamaan kompleks yang sangat tidak linear) yang mengidentifikasi pola-pola diantara berbagai atribut object (misalnya, pelanggan) yang ada di dalam dataset. Beberapa pola tersebut adalah bersifat deskriptif (menjelaskan saling-keterkaitan atau persamaan dan kesamaan diantara berbagai atribut tersebut), sementara yang lain adalah bersifat prediktif (meprediksi ‘value/hasil’ yang akan terjadi pada atribut-atribut tertentu). Secara umum, data mining mengidentifikasi empat jenis pola utama:

1. Association: untuk menemukan pengelompokan hal-hal yang biasanya terjadi secara bersamaan, seperti bir dan popok bersamaan dalam analisa keranjang belanja (market-basket analysis)
2. Predictions: menjelaskan sifat dasar kejadian di masa mendatang terhadap peristiwa-peristiwa tertentu berdasarkan apa yang telah terjadi di masa lalu, seperti memprediksi pemenang ‘Super Bowl’ atau memprediksi suhu pada hari tertentu.
3. Clusters: mengidentifikasi pengelompokkan hal-hal berdasarkan karakter-karakter yang sudah diketahui, seperti mengelompokkan pelanggan dalam segment-segment yang berbeda berdasarkan demographis dan perilaku pembelian di masa lalu.
4. Sequential relationships : menemukan rangkaian peristiwa-peristiwa, misalnya memprediksi bahwa seorang nasabah bank yang sudah memiliki akun untuk checking akan segera membuka akun untuk savings dan kemudian akan membukukan akun investment dalam setahun kemudian.

Jenis-jenis pola ini telah diekstraksi dari data secara manual oleh manusia selama berabad-abad, namun volume data yang terus meningkat di jaman modern telah menciptakan kebutuhan untuk pendekatan yang lebih otomatis. Karena dataset telah tumbuh baik dari sisi size dan kompleksitas, analisa data langsung secara manual  telah ditingkatkan dengan menggunakan berbagai tool pemrosesan otomatis yang menggunakan methodologi-methodologi, metode-metode, dan algoritma-algoritma yang canggih. Perwujudan dari evolusi cara-cara yang otomatis dan semiotomatis dalam memproses dataset yang sangat besar itulah saat ini secara umum dianggap sebagai data mining.

Secara umum, tugas-tugas dalam data mining bisa diklasifikasikan menjadi tiga kategori utama: prediksi (prediction), asosiasi (association), dan clustering.  Berdasarkan cara dimana pola-pola diekstraksi dari data historis, algorithma ‘learning’ (learning algorithm) pada metode-metode data mining bisa diklasifikasikan sebagai ‘supervised’ maupun ‘unsupervised’. Dengan algorithma-algorithma ‘supervised learninng’, data yang digunakan untuk pelatihan meliputi atribut-atribut deskriptif (misalnya variabel independent atau variabel decision) dan juga atribut class (misalnya variabel output atau variabel hasil). Sebaliknya, dengan algorithma ‘unsupervised learning’ data pelatihan hanya terdiri dari atribut deskriptif. Gambar dibawah ini menunjukkan taksonomi sederhana untuk tugas-tugas dalam data mining, serta metode-metode pembelajaran, dan algoritma-algoritma yang popular pada setiap tugas dalam data mining.

Taxonomy data mining tasks

Prediction (prediksi).  Prediction pada umumnya dianggap sebagai tindakan yang menjelaskan mengenai masa mendatang.  Hal ini berbeda dengan menebak secara sederhana dengan mempertimbangkan pengalaman, opini, dan informasi lainnya dalam melakukan peramalan.  Istilah yang umumnya dikaitkan dengan ‘prediction’ adalah ‘forecasting’.  Meskipun banyak orang yang percaya bahwa kedua istilah itu adalah sinonim, tetapi ada perbedaan tipis namun sangat penting diantara keduanya. ’Prediction’  pada umumnya berbasis opini dan pengalaman, ‘forecasting’ berbasis data dan model. Itulah, secara urutan reliabilitas, orang akan mengurutkan istilah itu seperti berikut: ‘guessing’, ‘predicting’, dan ‘forecasting’. Dalam terminology data mining, ‘prediction’ dan ‘forecasting’ digunakan secara sinonim, dan istilah prediksi digunakan sebagai penyajian yang umum. Bergantung pada sifat alami yang akan diprediksikan, ‘prediction’ bisa disebut secara lebih spesifik sebagai ‘classification’ (dimana hal yang diprediksi, seperti ramalan esok, di beri label class misalnya ‘rainy’ or ‘sunny’) atau regresi (dimana hal yang diprediksi, misalnya suhu esok, adalah angka riil misalnya ‘65oF’).

Classification (klasifikasi). Classification, atau ‘supervised induction’, barangkali adalah tugas dalam data mining yang paling umum. Tujuan ‘classification’ adalah untuk menganalisa data historis yang disimpan dalam database dan secara otomatis menghasilkan suatu model yang bisa memprediksi perilaku di masa mendatang. Model induksi ini terdiri dari generalisasi pada baris-baris data yang digunakan untuk pelatihan, yang akan membantu membedakan class-class standar. Harapannya adalah bahwa model tersebut kemudian bisa digunakan untuk memprediksi class-class dari baris-baris lain yang belum diklasifikasikan, dan lebih penting lagi, bisa secara akurat memprediksi peristiwa-peristiwa aktual mendatang.

Berbagai macam tool ‘classification’ yang banyak digunakan antara lain ‘neural networks’ (jaringan syaraf tiruan) dan ‘decision tree’ (pohon keputusan) –dari machine learning–, regresi logistic dan analisa diskriminan (dari statistic tradisional), dan berbagai tool yang baru muncul seperti ‘rough sets’, ‘support vector machines’, dan ‘genetic algorithms’. Teknik-teknik ‘classification’ bebasis statistik (misalnya regresi logistik dan analisa diskriminan) telah mendapatkan kritik—bahwa teknik-teknik itu membuat asumsi-asumsi yang tidak realistis mengenai data, seperti ‘independence’ dan ‘normality’ (kemandirian/ketidakbergantungan dan normalitas)—yang membatasi penggunaanya dalam project-project data mining jenis ‘classification’.

Neural networks (jaringan syaraf tiruan) melibatkan pengembangan struktur matematika (mirip dengan jaringan syaraf dalam otak manusia) yang memiliki kemampuan belajar dari pengalaman masa lalu yang disajikan dalam bentuk dataset yang terstruktur dengan baik.  Neural networks akan lebih efektif ketika jumlah variable yang terlibat agak banyak dan hubungan antara variable-varuiabel itu sangat kompleks dan tidak akurat. Neural networks memiliki keunggulan dan kelemahan. Contohnya, biasanya sangat sulit memberikan dasar alasan yang baik atas prediksi yang dibuat oleh neural network.  Selain itu, neural networks cenderung memerlukan pelatihan yang sangat banyak. Sayangnya, waktu yang diperlukan untuk pelatihan cenderung meningkat secara eksponensial karena volume data selalu meningkat, dan secara umum, neural networks tidak bisa dilatih pada database yang sangat besar. Hal-hal ini dan berbagai faktor yang lain telah membatasi penerapan neural networks dalam domain yang kaya dengan data.

Decision tree (pohon keputusan) mengklasifikasikan data menjadi jumlah class yang terbatas berdasarkan nilai-nilai dari variable-variable input. Decision tree pada dasarnya adalah hirarki dari statement ‘if-then’ dan karena itu jauh lebih cepat dibanding dengan neural networks. Decision tree paling cocok untuk data kategorikal dan interval. Karena itu, penyatuan variable-variabel kontinyu ke dalam suatu framework decision tree memerlukan ‘pendiskritan’; yaitu, dengan mengonversi variable-variabel numerik kontinyu yang memiliki nilai ke beberapa ‘range’ dan kategori.

Kategori yang terkait dari tool-tool classification adalah ‘rule induction’. Tidak seperti ‘deciosion tree’, dengan ‘rule induction’ statemen-statemen ‘if-then’ di-induksi dari data pelatihan secara langsung, dan mereka pada dasarnya tidak memerlukan hirarki. Yang lain lagi, teknik-teknik yang lebih baru seperti SVM, ‘rough sets’, dan algorithma genetika secara bertahap akan menemukan caranya ke dalam gudang algorithma classification dan bisa dipelajari lebih dalam dalam topik mengenai ‘advanced intelligent systems’.

Clustering. ‘Clustering’ membagi sekumpulan hal (misalnya, objects, events, dll, yang disajikan di dataset yang terstruktur/database) menjadi segment-segment (atau pengelompokan alami) berdasarkan karakteristik yang serupa. Berbeda dengan ‘classification’, di dalam ‘clustering’ label-label class tidaklah diketahui. Ketika algorithma terpilih memeriksa dataset, mengidentifikasi kesamaan berbagai hal berdasarkan karakteristik-karakteristik nya, saat itulah cluster-cluster dibuat. Karena cluster-cluster itu ditentukan dengan algorithma jenis ‘heuristic’, dan karena algorithma yang berbeda bisa saja menghasilkan hasil yang berbeda meskipun menggunakan dataset yang sama, maka sebelum hasil-hasil teknik clustering itu benar-benar digunakan sebaiknya perlu seorang pakar untuk menginterpretasikan, dan mungkin saja memodifikasi, cluster-cluster yang diberikan. Setelah cluster-cluster yang ‘masuk akal’ didapatkan, maka bisa digunakan untuk mengklasifikasi dan menginterpretasikan data baru.

Tidaklah mengherankan bahwa teknik-teknik clustering memerlukan optimasi. Tujuan dari clustering adalah membuat kelompok-kelompok dimana anggota kelompok dalam setiap kelompok memiliki kemiripan yang maksimum dan anggota-anggota kelompok di kelompok lain memiliki kemiripan yang minimum. Teknik clustering yang paling banyak digunakan adalah ‘k-means’ (dari statistik) dan ‘self-organizing maps’ (dari machine learning), yang merupakan arsitektur jaringan syaraf yang unik yang dikembangkan oleh Kohonen (1982).

Banyak perusahaan seringkali menggunakan sistem data mining secara efektif untuk menunjukkan segmentasi market dengan menggunakan analisa cluster. Analisa cluster adalah suatu cara dalam mengidentifikasi berbagai class dari berbagai item sehingga item-item  dalam suatu cluster memiliki lebih banyak kesamaan satu sama lain dibanding item-item dengan cluster yang lain. Hal ini bisa digunakan untuk men-segment-kan pelanggan dan mengarahkan produk marketing secara tepat ke segment-segment nya dalam waktu yang tepat dengan format yang tepat dan dengan harga yang tepat. Analisa cluster juga bisa digunakan untuk mengidentifikasi pengelompokan berbagai events atau objects sehingga sekumpulan karakteristik yang sama dari grup-grup itu bisa diidentifikasi.

Associations (asosiasi). ‘Associations’, atau ‘association rule learning in data mining’, adalah teknik yang sangat popular dan dikaji dengan baik sekali untuk menemukan hubungan yang menarik diantara berbagai variable dalam database yang sangat besar.  Terimakasih  kepada teknologi pengumpul data otomatis seperti ‘bar-code scanner’, penggunaan ‘association rules’ untuk menemukan pola keteraturan diantara berbagai produk dalam transaksi dengan skala yang sangat besar yang dicatat oleh sistem PoS (point of sales) dalam supermarket  telah menjadi hal umum dalam ‘knowledge-discovery’ dalam industri retail. Dalam konteks industri retail, ‘association rule mining’ seringkali disebut juga dengan ‘market-basket analysis’.

Dua turunan dari ‘association rule mining’ yang paling umum digunakan adalah ‘link analysis’ dan ‘sequence analysis’ (analisa urutan aktivitas).  Dengan ‘link analysis’, kaitan diantara banyak object yang menarik didapatkan secara otomatis, seperti hubungan antara halaman-halaman web dan hubungan referensial diantara berbagai grup penulis publikasi akademik. Dengan ‘sequence mining’, berbagai macam hubungan diteliti berdasarkan urutan kejadian untuk mengidentifikasi ‘associations’ terhadap waktu. Berbagai algorithma yang digunakan dalam ‘association rule mining’ meliputi algorithma Apriori yang sangat terkenal (dimana sekumpulan item yang sering muncul diidentifikasi) dan FP-Growth, OneR, ZeroR, dan Eclat.

Visualization (Visualisasi) dan Time-series forecasting. Dua teknik yang sering dikaitkan dengan data mining adalah ‘visualization’ dan ‘time-series forecasting’. ‘Visualization bisa digunakan bersamaan dengan teknik-teknik data mining untuk memperoleh pemahaman yang lebih jelas mengenai hubungan yang mendasari. Dengan ‘time-series forecasting’, data adalah serangkain nilai dari variable yang sama yang diambil dan disimpan dari waktu ke waktu. Data ini kemudian digunakan untuk mengembangkan model untuk memperkirakan nilai-nilai di masa mendatang dari fenomena yang sama.

Hypothesis- or discovery-driven data mining. Data mining bisa berbasis hypothesis atau berbasis discovery.  ‘Hypothesis-driven data mining’ dimulai dengan suatu dalil oleh pengguna, yang kemudian berusaha memvalidasi keadaan yang sebenarnya dari dalil tadi. Contohnya, seorang manajer marketing bisa mulai dengan dalil berikut: “apakah penjualan player DVD terkait dengan penjualan televisi?”

‘Discovery-driven data mining’ menemukan pola, asosiasi (associations), dan hubungan-hubungan lainnya yang tersembunyi di dalam dataset. Hal ini bisa menyingkap fakta-fakta yang tidak diketahui atau bahkan dipikirkan sebelumnya oleh perusahaan.

Penerapan-penerapan Data Mining – Seri Data Mining for Business Intelligence (4)

By : Albert Verasius Dian Sano, S.T., M.Kom.

Penerapan-penerapan Data Mining

Data mining (DM) sudah menjadi suatu piranti yang sangat populer  dalam  menangani banyak isu bisnis yang kompleks. DM sudah terbukti sangat sukses dan bermanfaat di berbagai area, diantaranya adalah seperti yang ditunjukkan dengan berbagai contoh yang disajikan berikut. Tujuan dari berbagai penerapan DM dalam bisnis adalah untuk menyelesaikan suatu masalah yang sangat memberi ‘pressure’ atau untuk mencari peluang bisnis yang bisa dimunculkan untuk membuat keunggulan kompetitif yang berkelanjutan.

• Customer relationship management (CRM). CRM adalah perluasan dari marketing tradisional yang baru dan sedang muncul. Tujuan CRM adalah menciptakan hubungan ‘one-on-one’ dengan pelanggan dengan mengembangkan pemahaman yang intim terhadap kebutuhan dan keinginan mereka. Karena perusahaan membangun relasi dengan pelanggannya sepanjang waktu melalui berbagai transaksi (misalnya ‘product inquiries’, ‘sales’, ‘service requests’, ‘warranty calls’), jadi mereka mengumpulkan banyak sekali data. Ketika dikombinasikan dengan atribut-atribut demografi dan sosioekonomi, data yang kaya informasi ini bisa digunakan untuk (1) mengetahui pembeli/pelanggan yang paling berminat pada produk atau layanan baru (misalnya, ‘customer profiling’); (2) mengetahui akar penyebab berkurangnya pelanggan sehingga bisa memperbaiki retensi pelanggan (misalnya, ‘churn analysis’); (3) menemukan asosiasi varian waktu antara produk dan layanan untuk memaksimalkan penjualan dan ‘customer value’; dan (4) mengetahui pelanggan yang paling ‘profitable’ dan kebutuhan utama mereka untuk memperkuat hubungan dan memaksimalkan penjualan.

• DM bisa membantu bank dengan cara berikut: (1) meng-otomatisasi proses aplikasi pinjaman/utang dengan memprediksi secara akurat mengenai para ‘pemangkir’ (pengemplang utang) yang paling potensial; (2) mendeteksi penipuan pada kartu kredit dan transaksi online perbankan ; (3) mengetahui cara-cara dalam memaksimalkan ‘customer value’ dengan menjual ke mereka produk-produk dan layanan yang paling cenderung mereka beli; dan (4) meng-optimasi ‘cash return’ dengan memprediksi secara akurat ‘cash flow’ pada entitas-entitas perbankan (misalnya, mesin-mesin ATM, cabang-cabang kantor bank).
• Retailing and logistics. Dalam industry retail, DM bisa digunakan untuk (1) memprediksi volume penjualan pada lokasi retail tertentu sehingga bisa menentukan level inventory yang tepat; (2) mengetahui hubungan penjualan antara berbagai produk yang berbeda (dengan menggunakan market-basket analysis) untuk memperbaiki tata letak ‘store’ dan meng-optimasi promosi penjualan; (3) memprediksi tingkat konsumsi berbagai jenis produk (berdasarkan kondisi musim dan environment) untuk mengoptimasi logistic dan akhirnya memaksimalkan penjualan; dan (4) menemukan pola-pola yang menarik pada pergerakan berbagai produk (terutama pada produk-produk yang memiliki umur simpan yang pendek karena rentan terhadap kadaluwarsa, busuk, dan kontaminasi) dalam ‘supply chain’ dengan menganalisa data-data dari RFID dan sensor.
• Manufacturing and production. Pabrik-pabrik bisa menggunakan DM untuk (1) memprediksi kegagalan mesin sebelum terjadi dengan cara penggunaan data dari sensor (memungkinkan apa yang disebut ‘condition-based maintenance’); (2) mengetahui berbagai anomali dan kesamaan di berbagai sistem produksi untuk mengoptimasi kapasitas produksi; dan (3) menemukan pola-pola baru untuk mengetahui dan meningkatkan kualitas produk.
• Brokerage and securities trading. Para ‘broker’ dan ‘trader’ menggunakan DM untuk (1) memprediksi kapan dan berapa harga obligasi tertentu akan berubah; (2) memprediksi  bentangan dan arah fluktuasi saham; (3) menaksir efek isu-isu dan peristiwa-peristiwa tertentu pada pergerakan pasar secara keseluruhan; dan (4) mengetahui dan mencegah berbagai aktivitas penipuan dalam trading sekuritas.
• Industry asuransi menggunakan teknik-teknik DM untuk memprediksi jumlah klaim untuk biaya cover properti dan medis untuk membuat perencanaan bisnis yang lebih baik; (2) menentukan angka rate optimal berdasarkan analisa klaim dan data pelangga; (3) memprediksi pelanggan mana yang cenderung membeli kebijakan baru dengan fitur khusus; dan (4) mengetauhi dan mencegah pembayaran klaim yang salah dan aktivitas penipuan.
• Computer hardware and software. DM bisa digunakan untuk memprediksi kegagalan disk drive sebelum benar-benar terjadi; (2) mengetahui dan menyaring isi web dan pesan-pesan email yang tak dinginkan; (3) mendeteksi dan mencegah lintasan keamanan jaringan computer; dan (4) mengetahui produk-produk software yang berpotensi tidak aman.
• Government and defense. DM juga mempunyai sejumlah penerapan di bidang militer. DM bisa digunakan untuk (1) memprediksi biaya peralatan dan personel militer yang aktif bergerak; (2) memprediksi pergerakan musuh dan karena itu mengembangkan strategi yang lebih baik bagi keterlibatan militer; (3) memprediksi konsumsi sumber daya untuk perencanaan dan anggaran yang lebih baik; dan (4) mengetahui berbagai klas (kategori) dari pengalaman-pengalaman yang unik, strategi, dan pelajaran yang diambil dari operasi militer yang digunakan untuk berbagai pengetahuan yang lebih baik melalui organisasi.
• Travel industry (airlines, hotels/resorts, rental car companies). DM memiliki berbagai penerapan dalam industry ‘travel’. DM digunakan untuk (1) memprediksi penjualan berbagai layanan yang berbeda (jenis seat di pesawat, jenis kamar hotel/resort, jenis mobil di perusahaan rental mobil) yang bertujuan untuk memberikan layanan harga yang optimal untuk memaksimalkan revenue sebagai fungsi dari transaksi yang memiliki variasi yang bergantung waktu (biasanya disebut dengan ‘yield management’); (2) memprediksi ‘demand’ pada berbagai lokasi yang berbeda untuk mengalokasikan sumber daya perusahaan yang terbatas dengan lebih baik; (3) mengetahui mengetauhi pelanggan yang paling ‘profutable’ dan memberikan mereka layanan yang ‘personalized’ untuk menjaga hubungan bisnis dengan mereka; dan (4) mempertahankan karyawan-karyawan yang memiliki ‘value’ yang tinggi.
• Health care. DM memiliki sejumlah penerapan di bidang perawatan kesehatan. DM bisa digunakan untuk (1) mengetahui orang-orang yang tidak memiliki asuransi kesehatan dan factor-faktor apa saja yang menyebabkan hal itu; (2) mengetahui hubungan ‘cost-benefit’ yang baru antara berbagai ‘treatment’ yang berbeda-beda yang bisa dugunakan untuk mengembangkan stratehi yang lebih efektif; (3) memprediksi waktu dan tingkat kebutuhan di berbagai lokasi layanan yang berbeda-beda untuk mengalokasikan sumberdaya perusahaan secara optimal; dan (4) memahami alasan-alasan yang mendasari mengapa pelanggan dan karyawan berkurang (pindah).
• Penggunaan DM dalam bidang pengobatan harus dilihat sebagai suatu komplemen yang tak ternilai bagi penelitian di bidang pengobatan tradisional, yang pada dasarnya adalah bersifat klinis dan biologis. Berbagai analisa DM bisa (1) mengetahui pola-pola baru untuk meningkatkan kemungkinan pasien pengidap kanker untuk tetap hidup; (2) memprediksi angka keberhasilan para pasien transplantasi organ untuk mengembangkan kebijakan-kebijakan yang lebih sesuai dengan ‘donor-organ’; (3) mengetahui fungsi-fungsi gen yang berbeda-beda dalam kromosom manusia (dikenal dengan genomics/genomik); dan (4) menemukan hubungan antara berbagai gejala dan penyakit (dan juga hubungan antara berbagai penyakit dan perawatan yang berhasil) untuk membantu para profesinal medis membuat keputusan-keputusan yang benar dan terinformasi secara tepat waktu.
• Entainment industry. DM berhasil diterapkan oleh industri hiburan untuk (1) menganalisa data penonton untuk memutuskan program-program apa saja untuk ditampilkan pada ‘prime time’ dan bagaimana memaksimalkan ‘return’ dengan mengetahui dimana menempatkan iklan; (2) memprediksi keberhasilan film dari sisi financial sebelum film diproduksi yang digunakan untuk membuat keputusan investasi dan mengoptimasi ‘return’; (3) memprediksi ‘demand’ pada berbagai lokasi yang berbeda-beda dan waktu yang berbeda-beda untuk membuat jadwal entertainment yang lebih tepat dan mengalokasikan sumberdaya secara optimal; dan (4) mengembangkan kebijakan mengenai harga yang optimal untuk memaksimalkan ‘revenue’.
• Homeland security and law enforcement. DM memiliki sejumlah penerapan dalam hal ‘homeland security and law enforcement’. DM sering digunakan untuk (1) mengetahui pola-pola perilaku teroris (misalnya, untuk melacak pendanaan terhadap aktivitas teroris); (2) menemukan pola-pola kejahatan (misalnya, lokasi, pemilihan waktu, perilaku penjahat, dan cirri-ciri terkait lainnya) untuk membantu kasus-kasus criminal secara tepat waktu; (3) memprediksi dan mengeliminasi serangan biologis dan kimia yang potensial ke infrastruktur vital negara dengan menganalisa data sensor yang dibuat  dengan tujuan khusus; dan (4) mengetahui dan menghentikan serangan jahat ke infrastruktur-infrastruktur informasi yang vital (sering disebut sebagai ‘informastion warfare’).
• DM digunakan untuk meningkatkan performa tim-tim NBA (National Basketball Association di US. NBA mengembangkan ‘Advanced Scout’, aplikasi DM berbasis PC yang digunakan oleh staff coaching untuk menemukan pola-pola yang menarik pada data pertandingan basketball. Intertretasi pola tersebut dibantu dengan membolehkan pengguna untuk menghubungkan pola-pola untuk direkam..

Proses dalam Data Mining – Seri Data Mining for Business Intelligence (5)

By : Albert Verasius Dian Sano, S.T., M.Kom.

Proses dalam Data Mining

Untuk melaksanakan project-project dalam Data Mining (DM) secara sistematis, suatu proses yang umum berlaku biasanya diterapkan. Berdasarkan ‘best practice’, para praktisi dan peneliti DM mengusulkan beberapa proses (workflow atau pendekatan step-by-step yang sederhana) untuk memperbesar peluang keberhasilan dalam melaksanakan project-project DM. Usaha-usaha itu akhirnya menghasilkan beberapa proses yang dijadikan sebagai standard, beberapa diantaranya (yang paling popular) dibahas dalam bagian ini.

Salah satu proses yang sudah dijadikan standard tersebut dan boleh dibilang sebagai yang paling populer, yaitu ‘Cross-Industry Standard Process for Data Mining’ – atau CRISP-DM – telah diusulkan pada pertengahan 1990an oleh konsorsium perusahaan-perusahaan eropa untuk dijadikan methodology standard non-proprietary bagi DM (CRISP-DM, 2009). Gambar berikut di bawah ini menggambarkan proses yang diusulkan tersebut, yang merupakan enam tahap berurutan yang dimulai dengan pemahaman bisnis yang baik dan perlunya project DM dan berakhir dengan ‘deployment’ solusi yang memuaskan kebutuhan bisnis tertentu.

Enam tahap proses CRISP-DM dalam data mining

Meskipun langkah-langkah tersebut pada dasarnya berurutan, tetapi pada umumnya ada banyak sekali ‘backtracking’ (pelacakan kembali ke belakang).  Karena DM didorong oleh pengalaman dan eksperimen, bergantung pada situasi problem saat itu dan pengetahuan/pengalaman dari si analis, maka proses secara keseluruhan bisa sangat iterative (berulang-ulang, misalnya seseorang harus bergerak maju mundur dalam langkah-langkah di atas beberapa kali) dan memakan waktu. Karena langkah-langkah berikutnya dibuat berdasarkan hasil-hasil dari langkah-langkah sebelumnya, maka kita harus menaruh perhatian lebih pada langkah-langkah awal supaya tidak menempatkan seluruh kajian pada jalur yang salah sejak awal.

Langkah 1: Pemahaman terhadap bisnis (Business Understanding)

Elemen kunci dari kajian DM apapun adalah mengetahui secara pasti untuk apa kajian tersebut dilakukan. Untuk menjawab pertanyaan ini sebaiknya dimulai dengan suatu pemahaman yang lengkap mengenai kebutuhan manajerial terhadap knowledge baru dan suatu spesifikasi eksplisit dari tujuan bisnis mengenai kajian yang dilakukan. Tujuan-tujuan spesifik seperti berikut diperlukan: “Apakah ciri-ciri umum dari pelanggan yang pindah ke kompetitor akhir-akhir ini?” atau “Bagaimanakah profil khusus dari pelanggan kita, dan berapa nilai yang mereka berikan kepada kita?”. Kemudian rencana project untuk menemukan knowledge seperti itu dibuat sehingga akhirnya menetapkan orang-orang yang bertanggungjawab untuk mengoleksi data, menganalisa data, dan melaporkan temuan-temuan yang didapatkan. Pada tahap yang sangat awal ini, budget untuk mendukung kajian ini seharusnya juga ditetapkan, paling tidak pada tingkat atas dengan jumlah angka kasar.

Langkah 2: Pemahaman terhadap data (Data Understanding)

Kajian dalam DM adalah khusus membahas mengenai suatu pekerjaaan bisnis yang sudah terdefinisi dengan baik, dan pekerjaan-pekerjaan bisnis yang berbeda memerlukan ‘set-data’ yang berbeda pula. Setelah pemahaman terhadap bisnis, aktivitas utama dari proses DM berikutnya adalah mengidentifikasi data yang relevan dari berbagai database yang ada. Beberapa poin kunci harus dipikirkan dalam proses identifikasi data dan fase pemilihan (data). Yang pertama dan yang terpenting adalah bahwa sang analis harus jelas dan padat mengenai deskripsi pekerjaan DM sehingga data yang relevan bisa identifikasi. Contohnya, project DM untuk retail mungkin ingin mengetahui mengenai perilaku belanja para wanita penggemar belanja yang membeli baju-baju untuk musiman berdasarkan demografis mereka, transaksi kartu kredit mereka, dan ciri-ciri sosioekonomi mereka. Lebih lanjut lagi, sang analis harus membangun pemahaman yang mendalam mengenai berbagai sumber data (misalnya, dimana data yang relevan tersebut disimpan dan dalam bentuk apa; bagaimana proses mengumpulkan data—otomatis versus manual; siapa saja yang mengumpulkan data dan seberapa sering data di-update) dan berbagai variable (misalnya, variabel-variabel apa sajakah yang paling relevan? Apakah ada variable-variabel yang sinonim dan/atau homonym? Apakah variabel-variabel itu tidak bergantung satu sama lain—apakah mereka berdiri sendiri sebagai sumber informasi yang lengkap tanpa tumpang tindih atau bertentangan satu sama lain?).

Supaya memahami data dengan lebih baik, sang analis harusnya sering menggunakan berbagai macam teknik statistik dan grafik, seperti ringkasan statistic sederhana (misalnya, untuk variabel numerik adalah  nilai rerata/average, nilai minimum/maksimum, nilai tengah/median, deviasi standar/standard deviation, sedangkan untuk variabel kategori adalah tabel modus/nilai yang sering muncul dan frekwensi), analisa korelasi, scatter-plots (diagram kartesian), histograms (diagram batang), dan box-plots (diagram kotak). Identifikasi dan pemilihan sumber data yang jeli dan variabel-variabel yang relevan bisa memudahkan algoritma-algoritma yang digunakan dalam DM untuk menemukan secara cepat pola-pola knowledge yang bermanfaat.

Sumber data untuk proses pemilihan data bisa bermacam-macam. Normalnya, sumber data untuk aplikasi bisnis meliputi data demografi (seperti pendapatan/income, pendidikan/education, jumlah anggota rumah tangga, dan usia), sosiografi (seperti hobby, keanggotaan klub, dan entertainment), data transaksi (catatan penjualan, jumlah belanja menggunakan kartu kredit, jumlah cek uang dikeluarkan), dan seterusnya.

Data bisa dikategorikan sebagai kuantitatif dan kualitatif. Data kuantitatif diukur dengan nilai-nilai numerik. Data tersebut bisa berupa bilangan diskrit (seperti integer atau bilangan bulat) atau bilangan kontinyu seperti bilangan decimal atau pecahan). Data kualitatif, atau disebut juga data kategori, meliputi data nominal dan ordinal. Data nominal berisi data yang tak-diurutkan dan terbatas (misalnya, data gender yang hanya memiliki dua nilai: laki-laki dan perempuan). Data ordinal memiliki nilai yang di-urut-kan dan terbatas. Contohnya, ratings kredit pelanggan adalah data ordinal karena ratings bisa berupa ‘excellent’, ‘fair’, dan ‘bad’. [silahkan baca: Jenis-jenis Atribut Data dalam Data Mining]

Data kuantitatif bisa dengan mudah disajikan dengan semacam distribusi probabilitas. Suatu distribusi probabilitas menjelaskan bagaimana data tersebar dan terbentuk. Contohnya, data yang terdistribusi normal adalah simetris dan pada umumnya disebut dengan ‘kurva bel’ (bell-shaped curve). Data kualitatif bisa saja dituliskan dalam angka-angka dan kemudian dijelaskan dengan distribusi frekwensi. Setelah data yang relevan dipilih berdasarkan tujuan bisnis DM, pra-pemrosesan data haruslah segera disiapkan.

Langkah 3: Persiapan data (Data Preparation)

Maksud dari persiapan data (atau yang lebih dikenal dengan pra-pemrosesan data) adalah mengambil data yang diidentifikasi pada tahap sebelumnya dan menyiapkan nya untuk analisa dengan menggunakan metode-metode DM. Dibandingkan dengan tahapan-tahapan lainnya dalam CRISP-DM, pra-pemrosesan data menyita waktu dan usaha paling banyak; banyak orang percaya bahwa tahap ini bertanggungjawab atas sekitar 80 persen dari total waktu yang diluangkan untuk project DM. Penyebab dari usaha yang sedemikian besar itu yang dihabiskan untuk tahap ini adalah karena data riil (di ‘real-world’) yang ada pada umumnya tidak lengkap (tidakadanya nilai pada atribut-atributnya, tidakadanya atribut tertentu yang menjadi perhatian, atau hanya berisi data yang sudah ringkas dan digabungkan), ‘noisy’ (berisi data yang error atau data yang tidak diinginkan), dan data yang tidak konsisten (berisi data yang berbeda antara kode-kode dan nama-nama).  Gambar dibawah ini menunjukkan empat langkah utama yang dibutuhkan untuk mengonversi data mentah riil menjadi dataset yang bisa digali.

Serangan Ransomware belum selesai

By : Hanugra Aulia Sidharta, S.T., M.MT.

                Setelah kemunculan ransomware sejak tahun 2017, muncul berbagai jenis varian dari ransomware. Beberapa saat yang lalu varian ransomware ditemukan di China dengan menginfeksi sejumlah 100.000 PC, serangan ini berkembang menginfeksi komputer yang lain melalui jaringan internet. Tidak seperti varian ransomware seperti WannaCry, jenis ransomware lokal ini meminta tebusan dalam mata uang yuan sejumlah 110 yuan, dan uang tersebut dikirim melalui aplikasi WeChat, sebuah aplikasi layanan chat.

Tidak seperti WannaCry atau NotPetya, varian ransomware ini hanya menyerang user di negara China. Selain meminta tebusan. Varian ini juga dilengkapi dengan kemampuan untuk mencuri user dan password beberapa produk lokal di China, seperti Alipay, NetEase 163 email service, Baidu Cloud Disk, Jingdong (JD.com), Taobao, Tmall , AliWangWang, dan QQ.

Menurut Velvet Security (https://www.huorong.cn/info/1543934825174.html), sebuah perusahaan yang bergerak di cyber security dan anti virus, pembuat varian ini menggunakan perangkat lunak “EasyLanguage“. Varian lokal ini juga dilengkapi kemampuan untuk menginfeksi setiap aplikasi atau software yang ada di dalam PC, dan kemudian akan menular ke komputer yang lain melalui jaringan internet.

Untuk menyembunyikan diri dari deteksi anti virus, malware ini masuk ke dalam komputer menggunakan program asli dengan digital signature yang asli. Setelah menginfeksi komputer maka malware ini akan melakukan enkripsi semua file dan folder yang ada di dalam hardisk korban. Setelah semua file berhasil di enkripsi akan muncul sebuah pop up yang memberi info bahwa komputer telah menjadi korban dan korban harus membayar sejumlah 110 yuan melalui WeChat dalam rentang waktu 3 hari. Jika korban memilih mengacuhkan dan tidak membayar tebusan dalam jangka waktu 3 hari, maka malware tersebut mengancam akan menghapus decryption key dari server secara otomatis sehingga semua data tidak dapat dikembalikan.

Namun tidak lama setelah penyebarannya, peneliti keamanan jaringan setempat berhasil melakukan reverse engineering berkat kode yang ditulis secara buruk. Dari hasil investigasi diketahui bahwa malware tersebut berbohong mengenai proses enkripsi. Dari pop up dikatakan bahwa semua file di enkripsi menggunakan algoritma DES, namun dalam kenyataannya enkripsi hanya dilakukan menggunakan XOR cipher yang jauh lebih sederhana. Kemudian key juga tidak disimpan di dalam server, namun disimpan di salah satu folder lokal.

Menggunakan informasi tersebut, tim keamanan jaringan Velvet berhasil membuat program untuk melakukan deskripsi. Peneliti juga berhasil meretas server database yang digunakan oleh pembuat malware, dan ditemukan ribuan data korban yang berhasil diretas.

Prinsip kerja ToF (Time of Flight) dalam pembacaan LIDAR

By : Hanugra Aulia Sidharta, S.T., M.MT.

                ToF (Time-of-Flight) adalah sebuah metode yang digunakan untuk mengukur jarak antara sensor dan obyek, perhitungan jarak didapatkan dari perbedaan pengiriman sinyal dan saat sinyal yang dikirimkan diterima kembali oleh sensor. Sinyal yang dikirimkan berupa paket yang terdiri dari gelombang mikro dengan pola yang unik, sehingga sensor akan dapat mengenali sinyal tersebut. Dibutuhkan gelombang dengan pola yang unik agar sensor dapat mengenali antara gelombang yang dikirim oleh sensor ataupun gangguan dari gelombang lain. Saat obyek memantulkan gelombang dan kembali ditangkap oleh sensor, dibutuhkan algoritma korelasi untuk mengidentifikasi pola unik dari gelombang yang dikirim atau gelombang lain yang dapat menjadi noise. Sensor LIDAR akan mengirimkan paket dengan pola yang unik setiap melakukan transmisi, hal ini diperlukan agar sensor LIDAR mudah mengidentifikasi gelombang tersebut. Konsep pembacaan LIDAR dapat dilihat pada gambar dibawah ini.

Setiap gelombang yang dikirimkan oleh LIDAR mempunyai kecepatan yang spesifik, dan dapat terpengaruh oleh gravitasi. Waktu tempuh yang diperlukan oleh gelombang tersebut dari sensor kemudian mengenai sebuah obyek hingga kembali ke sensor dinamakan time of flight (ToF). Jadi untuk menghitung jarak antara obyek dengan sensor, dapat digunakan formula sebagai berikut:

Taksonomi pada Autonomous Vehicle (AV)

By : Hanugra Aulia Sidharta, S.T., M.MT.

        Pada January 2014, SAE International sebuah perkumpulan insinyur dalam bidang teknik mobil atau kendaraan bermotor di Amerika Serikat mengeluarkan sebuah taksonomi dan definisi dari AV yang dapat digunakan sebagai sebuah standar. SAE International mengkategorikan menjadi 6 level dari manual sampai dengan otomatis secara sepenuhnya. Ke-enam level tersebut antara lain:

1. Level 0 (Manual)

Semua kendaraan bermotor pada level ini, dibutuhkan campur tangan dari manusia untuk melakukan kontrol terhadap kendaraan bermotor, dari penentuan kapan harus menginjak rem ataupun gas, pengawasan terhadap sekeliling, dan penentuan kapan harus bermanuver atau berpindah lajur.

1. Level 1 (Dengan bantuan pengemudi)

Kendaraan di dalam level ini dapat menangani pengemudian atau melakukan kendali terhadap gas dan rem, namun tidak keduanya. Akan tetapi dibutuhkan campur tangan pengemudi untuk mengatur fungsi fungsi tersebut.

1. Level 2 (Dengan bantuan pengemudi secara sebagian)

Di level ini kendaraan mampu untuk mengatur kendali setir dan terhadap gas dan rem, namun pengemudi harus selalu siaga karena pengawasan terhadap sekeliling dilakukan oleh pengemudi.

1. Level 3 (Dengan bantuan pengemudi di waktu waktu tertentu)

Pada tahapan ini kendaraan telah mampu untuk melakukan pengawasan terhadap sekalilingnya, dapat mengambil keputusan kapan harus berpindah jalur. Kendaraan dapat mempercepat atau memperlambat secara otomatis berdasarkan keadaan di sekitarnya, namun pengemudi harus selalu siaga apabila dibutuhkan pengambilan keputusan dalam keadaan darurat.

1. Level 4 (otomasi yang lebih mutahkir)

Kendaaran di level ini telah mampu untuk mengambil kendali sepenuhnya dari awal pengemudian, pengambil keputusan selama di jalan raya, pengawasan terhadap sekeliling, hingga pengendalian saat kendaraan diparkir

1. Level 5 (otomasi sepenuhnya)

Pada level ini tidak dibutuhkan campur tangan manusia sama sekali, bahkan kendaraan tidak perlu dilengkapi dengan setir, gas dan rem. Kendaraan dapat berjalan secara otomatis sepenuhnya dengan tujuan manapun, dan dengan kondisi jalan yang bervariasi.

Pengenalan SLAM (Simultaneous Localization and Mapping) pada LIDAR

By : Hanugra Aulia Sidharta, S.T., M.MT.

Jika kita merujuk kepada kalimat SLAM, maka banyak sekali terminologi dari kata tersebut, mulai dari dunia olah raga hingga ke informatika, SLAM yang dimaksud pada artikel ini adalah  Simultaneous Localization and Mapping. Dewasa ini teknologi SLAM semakin berkembang dan banyak digunakan, baik dari kalangan di bidang pendidikan untuk penelitian hingga industri. Semua pihak berlomba lomba untuk mempelajari dan mengeksploitasi SLAM untuk kepentingan masing masing.

SLAM jika ditilik dari kalimatnya, adalah sebuah metode yang digunakan untuk pemetaan dengan menggunakan beberapa perangkat pengindraan secara sekaligus. Akan tetapi SLAM bukanlah sebuah algoritma yang khusus atau software yang spesifik, akan tetapi SLAM adalah sebuah konsep menggabungkan beberapa perangkat keras secara sekaligus untuk pemetaan lingkungan. Hal ini dapat terjadi dengan bantuan berbagai macam perangkat keras sebagai alat pengindraan yang diolah menggunakan berbagai algoritma dengan hasil ahkir berupa pemetaan keadaan sekitar.

SLAM banyak digunakan pada pengembangan robot beroda untuk kasus pembacaan lingkungan dengan kondisi ideal, dimana pembacaan dilakukan pada bidang yang rata. Robot tersebut dilengkapi dengan berbagai sensor sebagai indra pembaca, LIDAR atau SONAR sering kali digunakan untuk keperluan tersebut. Jika kita lihat trend penelitian, beberapa peneliti menggunakan kamera sebagai alat pembaca keadaan sekitar.

Pada teknologi SLAM yang modern, pengolahan menggunakan penggabungan beberapa titik yang terbaca, dan menghitung titik titik tersebut dengan teknik trianggulasi untuk menciptakan data 3D secara. Dan secara simultan memperhitungan data dari sudut yang lain, pengolahan dari data tersebut akan menghasilkan citra keadaan sekitar dalam bentuk 2 dimensi atau 3 dimensi.

Kalman filter- sebuah algoritma untuk mengkombinasikan berbagai macam data sensor

By : Hanugra Aulia Sidharta, S.T., M.MT.

Anda memasuki sebuah terowongan, dengan panjang terowongan yang tidak anda ketahui. Ketika kendaraan anda memasuki terowongan GPS yang anda bawa tidak dapat bekerja, dikarenakan GPS tidak menerima informasi satelit yang mengorbit di bumi. Telepon seluler anda tidak dapat bekerja karena lemahnya penetrasi sinyal ke dalam terowongan. Masalah mulai muncul beberapa saat anda memasuki terowongan, bagaimana anda dapat melakukan navigasi di dalam terowongan? Bagaimana cara anda dapat menentukan posisi kendaraan secara akurat? Hingga berapa lama lagi anda harus berkendara hingga keluar dari terowongan?.

Salah satu pendekatan untuk menyelesaikan masalah tersebut dapat menggunakan kalman filter, dimana anda menemukan sebuah masalah dengan informasi yang tidak pasti dalam keadaaan dinamis, sehingga anda harus membuat tebakan mengenai keadaan sekitar. Walaupun tebakan anda seringkali tidak akurat dan berantakan, ditambah dengan keadaan yang dinamis dan sering kali berubah. Untuk membantu agar tebakan anda lebih akurat dan mulus maka anda dapat menggunakan algoritma kalman filter. Kalman filter mempunyai kemampuan untuk memprediksi apa yang akan terjadi, dan melakukan analisa korelasi antara berbagai macam data yang mungkin menurut anda tidak berhubungan.

Kalman filter ideal digunakan di dalam sistem yang berubah terus menerus dalam kondisi dinamis. Keunggulan dari kalman filter adalah penggunaan memori yang ringan, dikarenakan algoritma ini tidak memerlukan penyimpanan untuk data yang lampau. Sehingga penggunaan kalman filter ideal apabila digunakan untuk memecahkan masalah secara live di dalam embeded system.

3 Operasi dasar pada SLAM

By : Hanugra Aulia Sidharta, S.T., M.MT.

SLAM dapat digunakan untuk menyelesaikan berbagai masalah dalam kehidupan sehari-hari, yang terkait dengan explorasi ruangan dalam bentuk spasial. Apabila digambarkan, semisal anda menjelajah ke ruang angkasa yang tidak anda ketahui, lalu anda melakukan observasi terhadap kondisi sekitar dan anda perlahan secara pasti masuk ke dalam ruang tersebut. Dari hasi observasi yang anda lakukan, maka didapatkan model spasial sehingga anda dapat mengetahui lokasi anda terhadap model spasial yang telah anda buat. Jika informasi yang anda kumpulkan telah lengkap, maka anda dapat memutuskan apa yang akan anda lakukan, semisal masuk lebih dalam ke dalam bidang ruang, ataupun meninggalkan ruang tersebut dengan sebuah alasan.

Konsep tersebut sebenarnya sudah kita lakukan dalam kehidupan sehari hari, semisal anda bangun tidur lalu membuka mata anda, melakukan observasi terhadap lingkungan sekeliling anda. Jika anda memperhatikan ruang anda dalam keadaan kotor maka anda memutuskan untuk membersihkan ruangan tempat tidur anda. Sebenarnya konsep SLAM mirip dengan apa yang diperbuat dan dianalisa oleh manusia untuk kepentingan sehari hari.

Di dalam dunia robotika, SLAM melibatkan benda yang bergerak secara dinamis. Kemudian robot dapat membaca keadaan sekitar menggunakan beberapa sensor (kamera, sensor LIDAR, sensor SONAR). SLAM terdiri dari 3 operasi dasar yang akan selalu berulang secara recursif, antara lain:

1. Pergerakan dari robot, robot bergerak menuju lokasi baru yang belum diketahui, pergerakan ini akan mengakibatkan tingkat ketidakpastian dari lokasi robot.
2. Robot menemukan hal menarik dari sekeliling, yang akan berguna saat menggambarkan peta, untuk menentukan lokasi robot di tengah ketidakpastian keadaan sekeliling maka diperlukan penunjuk dari peta
3. Observasi dari peta yang telah diketahui, dengan adanya lokasi yang telah diobservasi maka pergerakan robot akan terarah dan valid.

Sistem Pengawasan CCTV Menggunakan Artificial Inteligence (AI)

By : Fairuz Iqbal Maulana, S.T., M.T., M.Eng

Selama bertahun-tahun, perangkat CCTV telah banyak digunakan oleh perusahaan, pemerintahan, hingga perumahan untuk memantau kondisi suatu tempat. Namun dalam penggunaannya masih terbatas. Dibutuhkan minimal seorang admin atau pekerja untuk memantau secara langsung hasil rekaman CCTV dan admin tersebut menyimpulkan sendiri data yang diperolehnya.

Serial televisi berjudul Person of Interest, menggambarkan perkembangan dari teknologi CCTV. Dalam serial televisi tersebut terdapat sebuah mesin kecerdasan buatan bernama The Machine yang secara otomatis bisa mengetahui jumlah orang yang tertangkap oleh kamera CCTV. Bahkan mesin itu bisa mengetahui identitas setiap orang yang terekam oleh CCTV. Dengan begitu, kita lebih mudah untuk melihat hasil laporan yang dikerjakan oleh mesin tersebut dari rekaman CCTV.

Perkembangan teknologi Pengawasan CCTV ini memiliki keuntungan dan kekurangan tersendiri. Keuntungan dari teknologi ini, kita merasa lebih aman dengan memantau kejahatan yang terjadi di setiap area CCTV, polisi bisa lebih cepat tanggap dating ke TKP . Kekurangan dari teknologi yaitu keamanan yang kita peroleh ditukar dengan privasi kehidupan kita yang dipantau setiap waktu oleh sistem tersebut.

Dari video yang dihimpun oleh berita BBC, China memiliki kamera pengawasan terbaik dan terbesar di dunia. Dengan 170 juta CCTV yang telah terpasang dan diperkirakan 400 juta kamera baru akan dipasang dalam 3 tahun ke depan. Mereka memiliki katalog digital yang berisi foto dan data informasi masyarakatnya. Kamera dengan Artificial Intelligence banyak digunakan. Melalui kamera CCTV dan Artificial Intelligence, sistem mereka bisa membaca plat nomor kendaraan, pengenalan wajah (facial recognition) secara live, orang-orang yang sering bertemu dengan anda, hingga lokasi anda pada tiap waktu.

Virtual Reality Gaming

By : Fairuz Iqbal Maulana, S.T., M.T., M.Eng

Virtual Reality (VR) gamming adalah tempat seseorang dapat mengalami berada di dalam lingkungan 3 dimensi game dan berinteraksi dengan lingkungan itu selama game berlangsung. Salah satu cara mendeteksi keberadaan seseorang dalam game adalah dengan sensor bio-sensing. Sensor ini terpasang dalam sarung tangan, atau bahkan setelan alat yang terpasang pada tubuh untuk merekam gerakan yang dilakukan orang tersebut dalam ruang 3 dimensi. Gerakan-gerakan itu menjadi data yang diproses komputer dan memicu berbagai respon di dalam ruang. Itu.

Jika anda pernah menonton film “The Lawnmower Man” maka anda akan terbiasa dengan gagasan seseorang yang mengeksplorasi dan berinteraksi dengan benda-benda di dunia virtual.

Beberapa perusahaan besar seperti Google maupun Facebook telah mengembangkan teknologi Virtual Reality. Hingga perusahaan computer ACER Inc tidak mau tertinggal dalam perkembangan Virtual Reality dengan meproduksi Acer Windows Mixed Reality Headset.

Di Indonesia, hadirnya teknologi Virtual Reality memiliki nilai tersendiri di industri game, salah satunya game horor. Dread Eye karya ke tiga dari studio Digital Happiness di kota Bandung merupakan game VR horor petualangan. Game asal Indonesia ini berhasil mencuri perhatian dan masuk dalam nominasi game favorit pilihan pengunjung di Ajang SXSW 2018 yang diselenggarakan di kota Austin, Texas. SXSW atau dikenal dengan sebutan South by South West merupakan konferensi, pameran dan festival industri kreatif dan teknologi masa depan terbesar dunia yang mempertemukan puluhan ribu musisi, seniman, desainer, filmmaker, pembuat game-online hingga perusahaan start-up.

Game Dread Eye merupakan salah satu game yang telah membawa teknologi VR ke dalam permainan.

Ancaman Biosekuriti dan Penggunaan Kecerdasan Buatan

By : Elizabeth Paskahlia Gunawan, S.Kom., M.Cs.

Hewan dapat membawa berbagai macam penyakit seperti influenza, cryptosporidium, salmonella bahkan berbagai mikoorganisme lainnya yang dapat menyebar dengan cepat dan sewaktu-waktu dapat berpindah ke manusia. Meskipun demikian, hal ini dapat ditangani dengan melakukan biosekuriti yang merupakan strategi dan pendekatan terintegrasi untuk menganalisis dan mengelola ancaman bahaya atau risiko terhadap kesehatan manusia, hewan, tumbuhan, serta risiko yang berhubungan dengan lingkungan. Salah satu yang dapat dilakukan sebagai tindakan biosekuriti adalah mencuci tangan dengan benar.

Seiring meningkatnya populasi penduduk dunia, melesatnya arus imigrasi, emigrasi serta perubahan iklim, risiko munculnya wabah penyakit infeksi baru (New Emerging Infectious Disease) di dunia pun meningkat. Peningkatan ancaman keamanan kesehatan global menjadi ancaman serius bagi sistem kesehatan nasional dan kesejahteraan masyarakat. Dengan demikian, berbagai hal dilakukan untuk menangani hal tersebut.

Setelah berbagai pendekatan dilakukan dalam upaya mengatasi ancaman biosekuriti tersebut, kecerdasan buatan yang kerap diusung oleh teknologi kekinian pun akhirnya mendapat giliran unjuk kebolehan. Para ilmuwan telah mencoba penggunaan kecerdasan buatan untuk melindungi Australia dari beberapa pestisida dan berbagai penyakit. Agar dapat menghemat waktu dan uang, mereka menggunakan kecerdasan buatan dalam mengidentifikasi tanaman, hewan vertebrata, dan serangga sebagai pertimbangan terhadap tindakan biosekuriti yang dilakukan.

Profesor Simon McKirdy, direktur Harry Butler Institute, mengatakan bahwa perangkat lunak kecerdasan buatan dapat menghemat ribuan jam kerja dengan mengidentifikasi risiko biosekuriti dalam hitungan detik. Beliau menambahkan bahwa kecerdasan buatan saat ini telah sampai pada titik dimana itu sangat cepat dan sangat akurat sehingga kecerdasan buatan dapat menjadi triage tool yang sangat efektif bagi para ilmuwan dalam menyaring sampel di lapangan dan di laboratorium.

Selain itu, Profesor McKirdy mengatakan bahwa kecerdasan buatan dapat mengidentifikasi hal-hal yang tidak terlihat dengan kasat mata. Hal itu dimulai dari proses pengenalan wajah dan menerapkannya pada organisme lain, baik itu tikus, tokek maupun serangga. Kemudian, dilanjutkan dengan identifikasi ciri-ciri khusus dari hewan dan tumbuhan yang berbeda.

Referensi=

https://u.osu.edu/extensiongreene/tag/biosecurity/

http://www.who.int/foodsafety/fs_management/No_01_Biosecurity_Mar10_en.pdf

http://www.depkes.go.id/article/view/18110700001/laboratorium-di-indonesia-jadi-garda-terdepan-untuk-keselamatan-hayati-biosecurity-dan-keamanan-haya.html

https://www.abc.net.au/news/2018-11-23/artificial-intelligence-new-defence-against-biosecurity-threats/10519842

Teknologi, Komunikasi, dan Google Duo

Oleh : Elizabeth Paskahlia Gunawan, S.Kom., M.Cs.

Kehadiran teknologi yang semakin pesat saat ini telah membawa para penggunanya merasakan kemudahan dan kenyamanan terutama dalam hal komunikasi. Jika kita kembali ke era sepuluh sampai dengan dua puluh tahun lalu, orang cenderung menggunakan surat dan telepon rumah untuk berkomunikasi. Kemudian, karena komunikasi dirasa begitu penting, maka lahirlah telepon genggam atau handphone yang dapat dibawa kemana-mana mulai dari handphone jadul yang berukuran cukup besar sampai dengan smartphone yang kian lama kian ramping. Tak hanya bentuk dan ukuran yang berbenah, tetapi juga kapasitas, fitur dan kegunaan smartphone pun ikut ter-upgrade.

Sentuhan teknologi yang dikolaborasikan dengan survey perilaku user berhasil me-make over aplikasi smartphone sehingga dapat menjawab kebutuhan komunikasi penggunanya. Tak heran, aplikasi-aplikasi seperti Skype, BBM, WhatsApp, Messenger, LINE, Google Duo dan berbagai aplikasi lainya yang menawarkan fitur panggilan video pun banyak diminati orang. Hal yang mengejutkan adalah aplikasi Google Duo yang diluncurkan bersama dengan aplikasi perpesanan Allo di konferensi developer Google I/O pada 2016, telah diunduh 1 miliar kali dari Play Store menurut laporan Android Police pada 22 Desember 2018 lalu. Tak perlu waktu lama, aplikasi yang resmi diperkenalkan di Indonesia pada 16 Agustus 2018 ini tercatat telah diunduh 500 juta kali sekitar enam bulan yang lalu. Berdasarkan data dari Google YouGov survey pada Juli 2016, 19 persen netizen yang berusia 18 tahun ke atas di Indonesia gemar melakukan video call dari smartphone setiap harinya. Hanya saja, 81 persen di antaranya mengungkap bahwa koneksi internet tidak stabil, sementara 25 persen mengaku pengalaman video call belum maksimal saat dilakukan dari perangkat yang berbeda.

Sebagai salah satu aplikasi yang memudahkan user berkomunikasi, Google Duo dapat dikatakan menjadi primadona saat ini karena beberapa fitur unggulan yang ditawarkannya. Layanan komunikasi yang diklaim cerdas dan disokong oleh teknologi Artificial Intelligence (AI) milik Google ini dirancang untuk memberikan kemudahan, yaitu dengan mendaftarkan nomor telepon, pengguna layanan ini dapat menghubungi orang-orang di daftar kontak dengan membuka video call tanpa membuat akun terpisah. Sebagai simple interface yang dapat digunakan pada smartphone Android, iOS serta tablet, Google Duo diklaim memiliki koneksi yang cepat dan praktis meski berjalan dengan koneksi jaringan yang lambat. Seperti yang disampaikan oleh pihak Google Indonesia bahwa kualitas panggilan akan mengikuti perubahan jaringan, dan saat bandwidth terbatas, Duo akan secara otomatis mengurangi resolusi gambar agar panggilan tetap mulus. Duo juga bisa secara otomatis beralih dari Wi-Fi ke jaringan ponsel (dan sebaliknya) tanpa memutus panggilan. Keunggulan lainnya adalah Duo hadir dengan desain yang ‘ramah’ dan begitu efisien. Dengan memanfaatkan fitur ‘Knock Knock‘, pengguna layanan ini dapat melihat penelepon sebelum pengguna menjawab panggilan. Duo juga memungkinkan penggunanya untuk meninggalkan pesan video untuk orang-orang yang hendak dihubungi. Selain itu, semua panggilan di aplikasi Duo dienkripsi dari awal hingga akhir (end-to-endencrypted) sehingga privasi dan keamanan user dapat tetap terjamin.

Referensi =

https://www.androidpolice.com/2018/12/22/google-duo-reaches-1-billion-downloads-on-the-play-store/

https://www.liputan6.com/tekno/read/3856763/google-duo-diunduh-1-miliar-kali-di-play-store

https://www.apkmirror.com/apk/google-inc/duo-by-google/

Tren Cybersecurity pada tahun 2018

Saat tahun berganti, sebagian besar pakar keamanan mulai mengarahkan pandangan mereka pada bulan-bulan mendatang. Hal tersebut dilakukan untuk merencanakan vektor serangan potensial dan mencari cara untuk melindungi data dan jaringan. Dalam membuat perencanaan untuk masa yang akan datang, harus memahami apa yang telah terjadi pada masa lampau yaitu memahami tren yang terjadi pada tahun 2018.

Menurut Geoff Forsyth, yang merupakan CTO di PCI Pal, mengatakan bahwa “Serangan cyber menjadi lebih tak terduga dan telah berkembang dengan sangat cepat, tetapi tiga inti dari serangan tersebut tetap sama, yaitu kerentanan baru yang ditemukan dalam sistem baru dan diserang saat kerentanan tersebut belum ditemukan, sistem lama dengan kerentanan yang telah dikenal terus memberikan peluang bagi penyerang, dan human error terus menjadi target bagi setiap pelaku kejahatan.” Berikut ini adalah beberapa tren dunia maya terbesar di tahun 2018, tren tersebut menunjukkan evolusi tetapi intinya tetap sama.

Pelanggaran Data Utama dan Efeknya

Sama seperti gempa bumi besar yang akan memiliki gempa susulan, pelanggaran data besar menimbulkan efek lanjutan yang sangat besar. Profil yang tinggi, pelanggaran data yang sangat besar perlu mendapatkan perhatian yang khusus, kata Franklyn Jones, CMO di Cequence Security, tetapi jenis pelanggaran ini juga memicu sejumlah besar serangan lanjutan pada tahun 2018. “Serangan ini memanfaatkan data credential curian yang diperoleh dari web gelap setelah pelanggaran awal, kemudian menargetkan perusahaan lain yang terhubung secara digital untuk mengambil alih akun konsumen demi keuntungan finansial, ”kata Jones.

Terus Kehilangan Dasar-Dasar Cybersecurity Keamanan cyber sangat sulit. Keamanan dunia maya akan terus menjadi sulit. Tyler Ward, Wakil Presiden Keamanan IGI, menyatakan bahwa “pada tahun 2018 tidak melakukan apapun untuk membuat keamanan cyber menjadi lebih mudah, Karena pada dasarnya perusahaan telah gagal. Ini memungkinkan penjahat cyber untuk melakukan serangan yang cukup sederhana karena penjahat tersebut tahu di mana letak kegagalan yang akan terjadi.”

“Sebagian besar pelanggaran data tahun ini dan tahun-tahun sebelumnya disebabkan oleh kesalahan karyawan, apakah karyawan itu menjadi korban penipuan phishing, mengunduh lampiran jahat, dan sebagainya,” kata Keri Lindenmuth, manajer pemasaran KDG.

Tetapi apakah ada harapan? Ya, karena pemilik perusahaan akhirnya mulai menyadari bahwa masalah keamanan cyber terbesar bukan pada yang tidak diketahui, tetapi di kantor sendiri. Mungkin itu karena peningkatan reaksi konsumen terhadap pelanggaran data dan mungkin karena peraturan privasi ketat pada General Data Protection Regulation (GDPR), pada tahun 2018, pelatihan keamanan dan pendidikan sekarang memiliki prioritas yang lebih tinggi dalam pengaturan bisnis.

Menjadikan cybersecurity sebagai tanggung jawab perusahaan telah menjadi semakin penting, karena 2018 tren nya terus berlanjut yaitu kekurangan tenaga kerja cybersecurity yang terampil.

“Program magang terus meningkat, pelatihan yang lebih beragam dan perekrutan telah dilakukan untuk menjembatani kesenjangan besar bakat dan keragaman yang terjadi pada industry saat ini,” kata Jason Albuquerque, CISO dari Carousel Industries.

Jason juga menambahkan “Berada di tengah-tengah ‘corporate enlighment’ dengan besarnya risiko yang dibawa oleh faktor manusia ke semua perusahaan, menuntut CEO dan Dewan Direksi membutuhkan lebih banyak visibilitas dalam keamanan perusahaan, khususnya dalam hal ancaman orang dalam, pelatihan kesadaran dunia maya, dan pendidikan end user.”

Cryptojacking: Tren Menguntungkan bagi Penjahat Menurut Stu Sjouwerman, CEO KnowBe4, Cryptojacking adalah tren populer yang ada saat ini. Ada beberapa alasan mengapa cryptojacking sangat menarik bagi perusahaan kriminal yaitu sangat menguntungkan, sulit dideteksi, dan sulit ditangkap.” Ron Pelletier, pendiri Pondurance menambahkan bahwa “Penjahat dunia maya menemukan celah di jaringan atau bahkan browser dan menginstal perangkat lunak crypto-mining, agar dapat tetap berada di jaringan tanpa terdeteksi, dan seringkali berhasil. Hal tersebut dilakukan tidak untuk mencuri data, dan tidak untuk menginfeksi perusahaan lebih lanjut. Penjahat dunia maya hanya ingin menggunakan kekuatan pemrosesan itu untuk mendorong proses crypto-mining. ”

Cryptojacking berjalan seiring dengan nilai cryptocurrency. Semakin berharga cryptocurrency di pasaran, semakin banyak nilainya bagi penjahat cyber dan semakin besar kemungkinan akan melihat peningkatan dalam insiden cryptojacking.

Ini Semua Tentang Privasi Mungkin tren keamanan terbesar di 2018 seputar privasi data. Proteksi data merupakan permulaan dari GDPR, tetapi konsumen Amerika juga menuntut tindakan. Yang mengejutkan, pemerintah mendengarkan. Amerika Serikat adalah orang pertama yang menerima tantangan, paling terkenal dengan Undang-Undang Privasi Konsumen California, tetapi Vermont, Colorado, Ohio, Illinois dan negara-negara lain mengesahkan undang-undang mereka sendiri yang dimaksudkan untuk melindungi data konsumen. Kongres telah memanggil eksekutif dari beberapa perusahaan teknologi terbesar untuk bersaksi tentang upaya privasi data mereka, dan anggota Kongres telah memperkenalkan undang-undang untuk mengatasi masalah privasi.

J. David Sims, managing partner Security First IT, mengatakan bawah “Reputasi. Hank Johnson memiliki dua tagihan yang akan ia perkenalkan kembali tentang yaitu keamanan cyber dan privasi data. Salah satunya adalah Undang-Undang Privasi, Perlindungan, dan Keamanan Aplikasi 2018 (H.R. 6547), yang berkaitan dengan pengumpulan data dan keamanan untuk perangkat seluler. Yang lainnya adalah Akuntabilitas dan Transparansi Undang-Undang Data Broker tahun 2018 (H.R. 6548), yang, di antara hal-hal lainnya, akan memungkinkan warga AS untuk menghapus datanya dari server perusahaan. ”

Companies Handling Cloud Integration Internally, Despite Skill Gap

Menurut survey KPMG 2012, Integrasi menduduki puncak daftar keluhan Eksekutif IT dalam melakukan implementasi cloud. Permasalahan ini setidak nya sudah masuk tahun ketiga untuk perusahaan yang akan memindahkan sistemnya ke sistem cloud, bedanya adalah sekarang ini bukan masalah yang teoritis. KPMG menanyakan hampir 700 eksekutif yang ada di dunia, setengahnya sudah terlibat dengan cloud. Dari mereka yang telah mencoba cloud, hampir sepertiga mengatakan itu lebih sulit dan lebih mahal daripada yang mereka perkirakan, dengan 33 persen dari semua eksekutif mengeluh tentang biaya yang lebih tinggi untuk tiga bidang: implementasi, transisi dan integrasi. Untuk 31 persen, mengintegrasikan layanan cloud dengan aplikasi dan sistem on-site mereka ternyata lebih kompleks dari yang diharapkan. Loraine Lawson menyatakan bahwa ini adalah tahun pertama permasalahan integrasi cloud dan implementasinya mengungguli permasalahan security dan compliance. Security risk dikutip oleh 26 persen dan masalah compliance/legal sebesar 18 persen. Apakah asumsi, bahwa dua pertiga tidak melihat integrasi sebagai masalah? Jika itu masalahnya, mengapa tidak? CIO.com menunjukkan bahwa 70 persen responden mengatakan “Cloud sudah memberikan efisiensi yang signifikan dan penghematan biaya. ” Apa yang terjadi dengan sepertiga lainnya terkait dengan integrasi? Apakah mereka mengintegrasikan sistem yang tidak biasa? Apakah mereka menggunakan solusi SaaS yang tidak didukung dengan baik? Sudahkah mereka mencoba diskusi dengan vendor integrasi tentang solusi – atau mereka melakukan coding sendiri? Report, yang dapat didownload secara gratis, termasuk bahkan mengungkapkan lebih banyak tentang integrasi: Sebagian besar responden mengatakan integrasi dengan arsitektur yang telah berjalan adalah salah satunya area dimana perusahaan menunjukkan kemampuan mereka. Ini berarti nilai mereka dalam interoperabilitas adalah 3,75 dan integrasi 3,67 pada skala 1-5, dengan lima menjadi skor tertinggi. Namun pada saat yang sama, mayoritas juga mengatakan mereka mengandalkan pengelolaan sendiri untuk integrasi dan implementasi, tidak melibatkan provider penyedia jasa integrasi.