Saat ini data telah berkembang sangat pesat dengan hadirnya teknologi modern yang mendorong percepatan pertumbuhan data yang dihasilkan oleh manusia, sehingga dunia industri tidak bisa bergantung dengan sistem yang lama dalam menjalani kegiatan operasionalnya (Boyes et al., 2018). Pertumbuhan data telah menciptakan istilah big data di tahun 2000an yang mengungkapkan peredaran volume dan kecepatan data yang dihasilkan, sehingga menghasilkan beragam jenis data yang perlu pengolahan, analisis, dan penyampaian komunikasi melalui visualisasi data yang memadai dan mudah dipahami pengguna (Kokina & Davenport, 2017; Laney, 2001). Perusahaan yang tidak dapat beradaptasi dengan perubahan berpotensi mengalami disrupsi dan tidak mampu bersaing secara global, tetapi perusahaan yang mampu beradaptasi belum tentu dapat menciptakan keunggulan apabila tidak dapat memahami perkembangan dengan benar, terutama yang diarahkan kepada penciptaan nilai tambah bagi perusahaan (Edu et al., 2020).

Menurut survei Muscolino et al., (2020) menjabarkan bahwa perkembangan data telah terjadi secara besar-besaran pada tahun 2015-2016 dengan 70% perusahaan telah mendukung penggunaan big data analytics untuk membantu pengolahan data yang terus bertumbuh hingga pada tahun 2019. Semakin banyaknya pengguna teknologi telah mendorong manusia untuk menghasilkan data sebesar 2,5 triliun per harinya dengan 90% data yang mendunia telah bertumbuh dengan volume data per tahunnya mencapai sekitar 40% pada tahun 2020.

Mendukung penjelasan sebelumnya mengenai ledakan pertumbuhan data, big data memiliki 5 elemen yang terus berkembang, yaitu Volume yang menjelaskan jumlah data yang dihasilkan dimana saat ini telah mencapai zettabyte era, Velocity yang menggambarkan tingkat percepatan data yang dihasilkan sebesar 2,5 quintillion data per hari nya, Variety yang menggambarkan keberagaman data baik secara struktur ataupun tidak, Veracity untuk menguji kebenaran dari data yang diperoleh, khususnya dalam keakuratan data, dan terakhir Value merupakan elemen yang menggambarkan bagaimana suatu data itu bernilai apa tidak terhadap keberlangsungan operasional dalam perusahaan.

Dalam rangka mengarahkan kinerja perusahaan, visualisasi data merupakan salah satu komponen penting yang bertindak sebagai pedoman dalam pengambilan keputusan untuk mengembangkan strategi manajemen. Dalam artikel yang dituliskan oleh Datalabs, (2015) menyatakan bahwa visualisasi data dapat menjadi cara terkuat untuk mengomunikasikan informasi kepada pihak pemangku kepentingan. Informasi tersembunyi yang dapat memperluas peluang bagi kelangsungan usaha, tentu tidak boleh disia-siakan. Tetapi, karena belum dapat menginterpretasikan big data analytics akibat kurangnya kemampuan untuk mengoperasikannya, sehingga hasil pengolahan data akan menjadi terbuang (Rezaee & Wang, 2019).

Sebuah visualisasi data yang baik dapat menarik minat seluruh pihak dan juga meningkatkan pemahaman dan keakuratan data, dimana dalam artikel Datalabs, (2015) terdapat 3 hal utama untuk mencapai terbentuknya visualisasi data yang relevan, yaitu:

  1. Data analysis: Data sangat bergantung kepada analisis data untuk menemukan pola dan hubungan yang terdapat pada data tersebut. Pada data yang diperoleh perusahaan mengandung nilai-nilai tersembunyi yang menjadi keunggulan bagi perusahaan untuk meningkatkan nilai bisnis melalui metode data analytics yang dapat menemukan informasi seperti identifikasi trend dan evaluasi pengukuran risiko yang membantu pihak dalam mengambil keputusan (Edu et al., 2020). Melalui analisis data, dapat memaparkan dengan jelas arti dari data-data tersebut yang menarik minat pengguna untuk mempelajari lebih dalam, sehingga dengan memahami apa yang telah terjadi pada peristiwa di masa lampau, dapat membangun sebuah model yang membantu prediksi di masa depan untuk menentukan tindakan yang tepat (Datalabs, 2015).
  2. Design: Penyajian data perlu didesain secara matang agar menampilkan data secara keseluruhan yang bersifat valid dan membantu pengguna dalam mengerti arti data yang ditampilkan untuk ditindak lebih lanjut. Pada teknik pemodelan desain data, terdapat beberapa hal yang dapat dilakukan, yaitu bisa dengan membuat tabel statistik, grafik, dan bentuk pemodelan visual lainnya yang memperlihatkan secara jelas dan detail terkait dengan tingkat pertumbuhan data pada periode yang berlangsung.
  3. Storytelling: Keberadaan suatu data yang telah dianalisis, membutuhkan daya komunikasi yang baik untuk menyampaikan secara keseluruhan informasi-informasi terbaru yang telah diperoleh, diolah, dan dianalisis, sehingga dapat membantu pihak yang dituju maupun pengguna data untuk berinovasi dan mengembangkan kerangka strategi yang mencegah risiko di masa depan dengan efektif (Najafabadi et al., 2015).

Gambar 1 Good Data Visualization, (Datalabs, 2015)

Pada awalnya, data dapat terdiri berupa angka dalam jumlah besar, tetapi memiliki nilai dan makna yang berarti bagi kemajuan entitas apabila dapat diolah dengan benar. Tujuan perusahaan dapat tercapai dengan efektif melalui pengalokasian dana secara efisien, penempatan modal investasi dan asset yang akurat, hingga pengambilan keputusan untuk menjaga stabilitas perusahaan dari para kompetitor lainnya. Datalabs, (2015) mengungkapkan bahwa analisis data merupakan bagian terpenting untuk menguraikan sebuah terminologi menjadi kekuatan yang disalurkan sebagai informasi mengenai prospek kinerja perusahaan. Sebagian besar visualisasi data bergantung kepada kemampuan analisis untuk menemukan 2 hal utama, yaitu pola dan hubungan. Dengan melaksanakan ketiga proses untuk menggunakan data secara efektif, dapat terbentuk sebuah gambaran visualisasi yang meningkatkan rasa keingintahuan, informatif, dan pengembangan strategi baru untuk meningkatkan inovasi dan perkembangan dalam kerja perusahaan.

Sebagai contoh, dalam pola dapat ditemukan pemahaman terkait dengan pertumbuhan trend pasar yang menjadi minat bagi masyarakat, sehingga dengan mengaitkan pola-pola tersebut, perusahaan dapat mengambil langkah yang tepat untuk mendorong permintaan yang tinggi dalam memperoleh produk yang dihasilkan oleh penjualan. Selain itu dalam hubungan, perusahaan dapat melakukan penelitian untuk mengumpulkan data kepada beberapa daerah di Indonesia, dimana hal ini bertujuan untuk mengetahui minat masyarakat terhadap produk yang ditawarkan. Produk yang dijual di Jambi dapat lebih laku ketimbang produk yang dijual di Surabaya dengan adanya beberapa penjelasan memadai, sehingga perusahaan dapat menentukan tindakan tepat yang meminimalisir penggunaan biaya berlebih (Datalabs, 2015).

Kemampuan analisis data yang dilakukan secara bertahap dan relevan, menciptakan transparansi dan akuntabilitas informasi yang disediakan oleh perusahaan kepada para pemangku kepentingan, khususnya seperti investor, kreditur, dan masyarakat untuk memutuskan menaruh kepercayaan secara lebih lanjut atau tidak. Dengan mengeksplor serangkaian data dalam jumlah besar, pengguna dapat menemukan wawasan yang lebih luas dan memahami berbagai aspek yang berkaitan dengan kelangsungan usaha, sehingga melalui visualisasi data yang handal dapat menjadi sebuah desain praktis yang meningkatkan pengambilan keputusan dan performa bisnis. Terakhir, dengan banyaknya data yang menciptakan structured maupun unstructured data, dapat menciptakan kekacauan yang cenderung menurunkan kualitas keterbacaan dari data tersebut, sehingga teknik analisis data sangat berguna untuk mengetahui validasi dan reliabilitas suatu data untuk disampaikan kepada seluruh pihak (Datalabs, 2015; Rezaee & Wang, 2019).

REFERENSI

  • Boyes, H., Hallaq, B., Cunningham, J., & Watson, T. (2018). The industrial internet of things (IIoT): An analysis framework. Computers in Industry. https://doi.org/10.1016/j.compind.2018.04.015
  • Edu, S. A., Agoyi, M., & Agozie, D. Q. (2020). Integrating digital innovation capabilities towards value creation: A conceptual view. International Journal of Intelligent Information Technologies. https://doi.org/10.4018/IJIIT.2020100103
  • Kokina, J., & Davenport, T. H. (2017). The emergence of artificial intelligence: How automation is changing auditing. Journal of Emerging Technologies in Accounting. https://doi.org/10.2308/jeta-51730
  • Laney, D. (2001). 3D Data Management: Controlling Data Volume, Velocity, and Variety. Application Delivery Strategies. https://doi.org/10.1016/j.infsof.2008.09.005
  • Muscolino, H., , Raymond Koh, J. A., Anderson, C., Bigliani, R., , Megan Buttita, M., Carosella, G., Hardie, E., Heys, M., Hochmuth, P., Ichikawa, K., Kalvar, S., Kmetz, K., Kolding, M., Kurtzman, W., Loomis, A., Mainelli, T., Ng, S., O’Leary, R., Pathy, D., … Antonio Wang. (2020). IDC FutureScape: Worldwide Future of Work 2020 Predictions. Idc, October 2019, 1–21. https://www.idc.com/getdoc.jsp?containerId=US44752319
  • Najafabadi, M. M., Villanustre, F., Khoshgoftaar, T. M., Seliya, N., Wald, R., & Muharemagic, E. (2015). Deep learning applications and challenges in big data analytics. Journal of Big Data, 2(1), 1–21. https://doi.org/10.1186/s40537-014-0007-7
  • Rezaee, Z., & Wang, J. (2019). Relevance of big data to forensic accounting practice and education. Managerial Auditing Journal. https://doi.org/10.1108/MAJ-08-2017-1633

Image Sources: Google Images