Konsep Big Data dan Analisis Big Data
Oleh : Levana Dhia Prawati
Produksi data dan pembagian data menjadi tidak terbatas saat ini. Banyak kebutuhan untuk mengubah data yang dihasilkan pada setiap tahap kehidupan komersial menjadi informasi yang berarti dan menyimpannya dengan aman. Konsep big data dan teknik analisis yang telah terbentuk dari waktu ke waktu dengan cara mewakili banyak bidang kehidupan kita akan dievaluasi dalam ruang lingkup studi dalam literatur bersama dengan pengaruhnya pada bidang akuntansi dan audit dan akuntansi forensik.
Secara umum, kita dapat merujuk pada big data sebagai kumpulan big data yang tidak dapat dianalisis dengan alat pemrosesan data tradisional dan tidak dapat dikategorikan dengan metode tradisional (Ohlhorst, 2015). Big data, adalah istilah umum untuk segala himpunan data (data set) dalam jumlah yang sangat besar, rumit dan tak terstruktur sehingga menjadikannya sukar ditangani apabila hanya menggunakan perkakas manajemen basis data biasa atau aplikasi pemroses data tradisional belaka. Mahadata juga dapat diartikan sebagai pertumbuhan data dan informasi yang eksponensial dengan kecepatan dalam pertambahannya dan memiliki data yang bervariasi sehingga menyebabkan tantangan baru dalam pengolahan sejumlah data besar yang heterogen dan mengetahui bagaimana cara memahami semua data tersebu (Narendra, 2015).
Di antara karakteristik utama yang pada awalnya membantu mengidentifikasi big data dan membedakannya dari tipe data lain adalah tiga komponen utama data: volume, kecepatan, dan variasi. Ukuran data yang dihasilkan dijelaskan oleh “volume data”, kecepatan produksi data dijelaskan oleh “kecepatan data”, dan jenis data dijelaskan oleh “variasi data”. Lima komponen secara total telah dibentuk dengan menambahkan dua komponen lain bernama “veracity” dan “value” ke dalam tiga komponen sebelumnya, mengingat kajian yang sedang berlangsung dan informasi yang diperoleh tentang big data. “Veracity” dinyatakan bahwa agar data tidak diubah selama aliran dan tidak dilihat oleh orang yang tidak berwenang. “Nilai” dinyatakan bahwa aktivitas penciptaan nilai diwujudkan melalui pemrosesan, penggabungan, analisis, produksi data baru. Dalam kasus terakhir, komponen big data dinyatakan sebagai 5V (volume, velocity, value, veracity, dan variety). Diharapkan komponen baru akan ditambahkan ke komponen yang ada ini dalam proses kelanjutan studi big data. Dengan konsep big data, pemahaman tentang pengumpulan, akuisisi, dan penyimpanan data telah berubah total dan tidak ada lagi batasan untuk produksi data digital harian.
Meskipun Data Analytics (DA) dan Big Data Analytics (BDA) sering digunakan secara bergantian, keduanya sebenarnya memiliki dua definisi yang berbeda. Analisis data adalah proses meninjau kumpulan data melalui sistem pakar dan perangkat lunak (IBR, 2018). Analisis Big Data adalah proses memeriksa, mengubah, dan memodelkan kumpulan Big Data untuk mengidentifikasi informasi dan pola yang berguna, meneruskan hasil yang memprediksi hasil, dan mendukung pengambilan keputusan (Cao, Chychyla, & Stewart, 2015). Teknologi yang termasuk dalam proses analisis big data meningkat dari hari ke hari, sedangkan teknologi terbesar dan terpenting adalah sebagai berikut (Davenport, 2014, h. 114): manajemen data, penambangan data, Hadoop, MapReduce, analisis dalam memori, analisis prediktif, penambangan teks, bahasa skrip (misalnya, Python, Pig, Hive), pembelajaran mesin, analitik visual, pemrosesan bahasa alami, komputasi awan (layanan web dan virtualisasi), Internet of Things, dan NoSQL (database non-relasional ).
Jenis analisis yang berbeda dapat digunakan untuk menganalisis Big Data untuk tujuan yang berbeda. Ini adalah Analisis Deskriptif, Analisis Diagnostik, Analisis Penemuan (Insight), dan Analisis Prediktif. Analisis deskriptif, dari sudut pandang akuntansi, adalah pengetahuan tradisional yang merepresentasikan informasi keuangan historis tradisional. Analisis diagnostik menjelaskan alasan hasil historis. Analisis eksplorasi menentukan apakah ada hubungan antara informasi historis dan database lain. Analisis prediktif menentukan data historis dan tren untuk memprediksi apa yang akan terjadi di masa depan (Lindell, 2017, 1/9).
Referensi :
Cao, M., Chychyla, R., & Stewart, T. (2015). Big data analytics in financial statement audits. Accounting Horizons, 29(2), 423–429.
Davenport, T. H. (2014). Big data at work: Dispelling the myths. In Uncovering the opportunities.
Boston, MA: Harvard Business Press.
IBR (Het Instituut van de Bedrijfsrevisoren). (2018). Data analytics: The future of audit. Brussels: Instituut van de Bedrijfsrevisoren_Institut des Réviseurs d’Entreprises. Retrieved from https://doc.ibrire.be/fr/Documents/reglementation-et-publications/publications/brochures/ generalites/IBR_DataAnalytics_18.0112_r04.pdf
Lindell, J. (2017). Analytics and big data for accountants. USA: AICPA & John Wiley and Sons.
Narendra, A. P (2015). “Data Besar, Data Analisis, dan Pengembangan Kompetensi Pustakawan”. Record and Library Journal. Vol. 1 No. 2.
Ohlhorst, F. (2015). Big data analytics: Turning big data into big money. Hoboken, NJ: John Wiley & Sons, Inc.
Image Sources: Google Image
LDP
Comments :