Kemunculan teknologi Industri 4.0 di berbagai industri di seluruh dunia telah memberikan dampak yang berbeda-beda dalam hal satu elemen, yaitu kesehatan dan keselamatan kerja. Meskipun K3 merupakan hal yang selalu menjadi perhatian semua industri, memastikan keselamatan pekerja lebih mudah diucapkan daripada dilakukan di industri dengan jumlah faktor risiko yang lebih tinggi dari rata-rata, seperti industri pertambangan, manufaktur dan fabrikasi, konstruksi, serta infrastruktur sipil dan telekomunikasi. 

Jadi, bagaimana teknologi Industri 4.0 membantu industri yang sangat padat karya ini meningkatkan standar K3 yang sudah ada? Kami akan mengeksplorasi jawaban atas pertanyaan ini hari ini.

Meningkatkan keamanan lokasi secara keseluruhan di berbagai industri

Perusahaan-perusahaan dengan cepat berinvestasi dalam teknologi Industri 4.0 karena potensi teknologi ini untuk menghemat waktu dan uang bagi pemilik bisnis dalam jangka panjang. Alat industri AI memungkinkan perusahaan untuk melakukan pendekatan yang optimal dan hemat biaya untuk proses produksi mereka. Pendekatan ini pada dasarnya menghilangkan kebutuhan untuk mencoba-coba, yang pada gilirannya meningkatkan keselamatan keseluruhan di tempat kerja tersebut. 

Memastikan kesehatan dan keselamatan dengan solusi pertambangan digital adalah contoh yang bagus di sini. Sederhananya, teknologi penambangan digital memungkinkan perusahaan tambang untuk mendapatkan hasil setinggi mungkin dengan output energi terendah. Perangkat lunak cerdas yang terhubung ke sensor tekanan memungkinkan perusahaan pertambangan untuk mengukur ukuran atau massa deposit mineral secara akurat tanpa perlu melakukan ekstraksi fisik secara total. Proses ini memungkinkan perusahaan pertambangan untuk secara drastis mengurangi kemungkinan mengalami bahaya umum di lokasi tambang dan fenomena yang berpotensi mematikan seperti runtuhan batu, ketidakstabilan lereng atau adonan, dan paparan debu.

Di samping meningkatkan metodologi penambangan, solusi penambangan digital juga dapat menggabungkan teknologi pelacakan yang dapat dikenakan. Teknologi ini memungkinkan pengawas di lokasi atau bahkan di luar lokasi untuk melacak para pekerja di lokasi dan mendeteksi jika para pekerja tersebut memasuki area berisiko tinggi. Alat komunikasi kemudian dapat digunakan untuk membantu pekerja menghindari area berisiko tinggi dengan mudah.

Menyederhanakan proses analisis faktor risiko

Berbicara tentang area berisiko tinggi, salah satu aspek terpenting dari K3 untuk industri padat karya adalah melakukan penilaian analisis faktor risiko untuk lokasi, peralatan, dan tenaga kerja. Secara alami, semua industri memiliki prosesnya sendiri terkait identifikasi dan penilaian faktor risiko, dan itulah sebabnya mengapa tidak ada 'satu ukuran yang cocok untuk semua solusi untuk tugas ini.

Untungnya, penggabungan perangkat lunak pembelajaran mesin dalam industri padat karya memudahkan bisnis untuk mengembangkan prosedur analisis faktor risiko yang disesuaikan secara unik agar sesuai dengan tempat kerja mereka. Misalnya, perusahaan konstruksi dapat menggunakan alat Industri 4.0 untuk membantu menentukan risiko di tempat kerja seperti kemungkinan runtuhnya struktur yang disebabkan oleh pemicu lingkungan. Alat pembelajaran mesin ini menggunakan algoritme untuk memperkirakan kemungkinan kecelakaan secara akurat berdasarkan data yang berasal dari perangkat lunak pemodelan bangunan, serta stabilitas tanah, deteksi kebocoran air, dan proses pengujian lingkungan lainnya. 

Mengotomatiskan proses identifikasi dan penilaian faktor risiko pada gilirannya memungkinkan perusahaan konstruksi untuk mengurangi keseluruhan waktu yang dihabiskan untuk proyek konstruksi apa pun, memastikan bahwa perusahaan dapat melakukan lebih banyak pekerjaan dalam jangka waktu yang lebih singkat, di samping memberikan tarif layanan yang lebih murah kepada klien mereka.

Pemeliharaan prediktif melalui alat bantu AI

Tentu saja, bahkan teknologi digital pun memerlukan pemeliharaan berkelanjutan seperti teknologi tradisional. Siapa pun yang pernah bekerja di gudang atau lingkungan lain yang menggunakan sejumlah besar peralatan khusus mungkin sudah sangat memahami pentingnya pemeliharaan peralatan. Peralatan yang tidak berfungsi dengan baik dapat mengakibatkan banyak sekali insiden di tempat kerja, mulai dari sumber daya yang terbuang hingga pekerja yang terluka saat merawat peralatan atau mesin yang tidak diservis. 

Teknologi digital juga tidak berbeda, dan kemungkinan besar akan membutuhkan tingkat pemeliharaan berkelanjutan yang serupa selama masa pakainya. Perbedaan utama antara peralatan dan mesin Industri 4.0 dengan peralatan dan mesin tradisional adalah teknologi Industri 4.0 dirancang untuk memiliki kemampuan pemeliharaan prediktif dan diagnostik mandiri yang cerdas. 

Kemampuan pemeliharaan prediktif dapat dirancang dengan mengembangkan rantai alat perangkat lunak untuk peralatan dan mesin industri. Rangkaian alat ini dapat dipicu untuk berjalan oleh faktor eksternal yang berbeda seperti panas berlebih atau rangsangan terprogram lainnya yang berpotensi memperingatkan sistem operasi alat berat bahwa tes diagnostik diperlukan. Intinya, teknologi pemeliharaan prediktif adalah cara lain yang memungkinkan bisnis memanfaatkan teknologi Industri 4.0 untuk memanfaatkan proses otomatisasi, baik sebagai cara untuk menghemat waktu dan biaya, serta meningkatkan kesehatan dan keselamatan di tempat kerja dengan mengurangi risiko kerusakan mesin.

Mendukung pekerja untuk menjaga keseimbangan kerja/kehidupan yang positif

Terakhir, karena teknologi Industri 4.0 memungkinkan industri untuk merampingkan dan mendigitalkan proses produksi mereka, hal ini secara alamiah menyebabkan banyak bisnis modern mengevaluasi kembali struktur minggu kerja mereka, dan memberikan fleksibilitas penjadwalan yang lebih besar kepada para profesional. Karena teknologi Industri 4.0 memberi banyak pengawas lapangan pilihan untuk bekerja dari jarak jauh, model kerja hibrida sebenarnya dapat diperkenalkan ke dalam lingkungan kerja tradisional di lokasi. 

Hal ini merupakan manfaat besar bagi pekerja di industri pertambangan, penebangan kayu, dan industri sumber daya lainnya, yang sering kali harus melakukan perjalanan ke tempat kerja dan meninggalkan keluarga mereka dalam waktu yang lama. Kesempatan untuk bekerja dari rumah atau bekerja di mana pun di dunia, secara efektif memungkinkan pekerja untuk memegang kendali penuh atas keseimbangan kerja/kehidupan mereka dan pada gilirannya, meningkatkan kesehatan emosional dan kesejahteraan mereka. 

Seperti yang Anda lihat, potensi teknologi Industri 4.0 untuk merevolusi industri modern tidak hanya berhenti pada peningkatan produksi saja. Teknologi digital ini juga telah menunjukkan kemampuan untuk memainkan peran utama dalam membuat industri global yang vital ini lebih berkelanjutan, baik dalam hal proses produksi, maupun dalam mempertahankan dan memperkuat standar K3.

Disadur dari: industrytap.com

Kesehatan dan keselamatan adalah tentang mencegah bahaya. Hal ini berarti menjaga agar orang-orang tetap aman dan sehat. Dalam pengantar kesehatan dan keselamatan ini, kita akan melihat perlunya kesehatan dan keselamatan, serta argumen moral, hukum, dan keuangan untuk kesehatan dan keselamatan di tempat kerja.

Apa Itu kesehatan dan keselamatan? 

Kesehatan dan keselamatan di tempat kerja bukan hanya persyaratan hukum. Ini adalah kebutuhan manusia. Dan juga persyaratan bisnis.

Bahkan jika tidak ada undang-undang kesehatan dan keselamatan atau tanggung jawab pemberi kerja, bisnis tidak dapat bertahan dengan kesehatan dan keselamatan yang buruk.

Namun, apakah kesehatan dan keselamatan itu?

Mari kita cari tahu tentang kesehatan dan keselamatan - dan mengapa hal ini merupakan bagian penting dari bisnis yang sukses.

Mencegah bahaya

Kesehatan dan keselamatan adalah subjek yang beragam, namun pada dasarnya, hal ini didasarkan pada satu prinsip utama - mencegah bahaya.

Ketika Anda berbicara tentang kesehatan dan keselamatan, mencari bahaya, menilai risiko, atau menerapkan kontrol, Anda melakukannya untuk mencegah bahaya.

Ketika Anda menjaga orang tetap aman, Anda mencegah mereka terluka dalam kecelakaan. Itulah yang disebut dengan mencegah bahaya.

Ketika Anda menjaga orang tetap sehat, Anda mencegah mereka terkena penyakit dan penyakit. Itulah mencegah bahaya.

Kesehatan dan keselamatan terkadang mendapat pemberitaan yang buruk, dengan orang-orang berfokus pada peraturan, birokrasi, kasus pengadilan, dan denda. Orang dapat menggunakannya sebagai taktik menakut-nakuti, atau sebagai alasan atau hukuman.

Namun, praktik kesehatan dan keselamatan bukanlah tentang semua itu, melainkan tentang melindungi orang.

Ini adalah jaring pengaman, cara yang lebih baik, pilihan yang lebih aman.

Ya, ada peraturan kesehatan dan keselamatan yang harus dipatuhi. Peraturan yang harus dipatuhi. Namun, tanpa peraturan pun, kesehatan dan keselamatan adalah hal yang benar untuk dilakukan.

Kita semua berutang 'kepedulian yang wajar' kepada satu sama lain. Tidak ada yang ingin terluka. Tak seorang pun ingin jatuh sakit. Menyebabkan seseorang terluka adalah tindakan yang salah secara manusiawi - dan sesuatu yang harus dihindari.

Kesehatan dan keselamatan di tempat kerja

Di tempat kerja, masalah kesehatan dan keselamatan mempengaruhi setiap tempat kerja di setiap industri. Beberapa lebih dari yang lain.

Namun, di mana pun Anda bekerja - atau dengan siapa Anda bekerja - Anda membutuhkan kesehatan dan keselamatan. Karena Anda harus tetap aman. Karyawan, pekerja, dan pengunjung harus dilindungi dari bahaya. Tidak ada pekerjaan yang boleh merenggut nyawa atau kesehatan Anda.

Semua pekerja memiliki hak untuk bekerja di tempat di mana risiko terhadap kesehatan dan keselamatan mereka dikendalikan dengan baik. Kesehatan dan keselamatan adalah tentang mencegah Anda terluka di tempat kerja atau sakit karena bekerja. 

Selebaran hukum kesehatan dan keselamatan HSE

Kesehatan dan keselamatan adalah tugas semua orang, tetapi di tempat kerja, tanggung jawab keseluruhan untuk mengelola kesehatan dan keselamatan berada di tangan pemberi kerja.

Pemberi kerja memiliki banyak tanggung jawab kesehatan dan keselamatan hukum dalam menciptakan tempat kerja yang aman. Pada akhirnya, pemberi kerja memberi tahu pekerja apa yang harus dilakukan dan bagaimana melakukannya. Mereka mengendalikan pekerjaan dan memiliki pengaruh paling besar dalam mengelola kesehatan dan keselamatan.

Karyawan juga memiliki tanggung jawab kesehatan dan keselamatan, namun sebagian besar adalah untuk mematuhi peraturan dan prosedur yang ditetapkan oleh pemberi kerja.

Keselamatan yang utama?

Frasa kesehatan dan keselamatan yang populer termasuk “keselamatan pertama” dan “keselamatan selalu”. Dan kesehatan dalam 'kesehatan dan keselamatan' sering kali menjadi hal yang dikesampingkan.

Namun seharusnya tidak demikian.

Kesehatan sama pentingnya dengan keselamatan. Bahkan, beberapa risiko kesehatan dapat memiliki dampak yang jauh lebih besar daripada kegagalan keselamatan.

Bahaya keselamatan mungkin terlihat lebih penting karena merupakan ancaman yang langsung terlihat. Sebagai contoh, bayangkan jika Anda jatuh dari ketinggian atau tertabrak truk. Pekerja yang terluka di tanah karena jatuh.

Keduanya merupakan risiko keselamatan besar yang perlu dilindungi. Mereka bisa berakibat fatal. Dan kegagalan dalam mengendalikan risiko keselamatan akan berdampak pada statistik kecelakaan Anda juga.

Jadi, risiko keselamatan sering kali diprioritaskan.

• Kecelakaannya langsung terjadi
• Luka-lukanya terlihat jelas
• Konsekuensinya sekarang

Risiko kesehatan adalah kebalikannya.

Bahaya kesehatan sering kali tidak dapat dilihat, seperti debu yang mematikan atau asap beracun. Mereka mungkin tidak terlihat. Dan bahkan jika bahayanya terlihat, cederanya tersembunyi. Seperti kehilangan genggaman tangan, pendengaran, atau kapasitas paru-paru secara perlahan.

Bahaya kesehatan mungkin tidak akan membuat Anda langsung sakit. Anda bahkan mungkin tidak tahu bahwa bahaya itu ada di sana sampai semuanya terlambat.

Konsekuensinya ada di masa depan.

Namun pada tahun 2022, menurut statistik HSE, ada 123 pekerja yang tewas di tempat kerja akibat bahaya keselamatan seperti terjatuh dan kontak dengan mesin. Sebagai perbandingan, ada lebih dari 13.000 kematian yang terkait dengan paparan bahaya kesehatan di tempat kerja.

Seperti yang dapat Anda lihat dari statistik, masalah kesehatan dan keselamatan kerja perlu ditangani. Tidak hanya untuk mencegah kematian, namun juga untuk menjaga agar pekerja tetap sehat dan mencegah bahaya.

Moral, hukum, dan keuangan

Terdapat argumen moral, hukum, dan finansial untuk kesehatan dan keselamatan. Sering kali kombinasi dari ketiganya berlaku.

Hubungan antara pemberi kerja dan pekerja pada dasarnya adalah pertukaran finansial, pemberi kerja membayar sebagai imbalan atas keterampilan pekerja. Pekerja memberikan tenaga kerja mereka sebagai imbalan atas waktu dan atau upaya mereka.

Orang pergi bekerja untuk mendapatkan uang untuk hidup. Bukan untuk mati atau terluka.

Secara moral, adalah salah jika pemberi kerja mengharapkan pekerja menempatkan diri mereka dalam risiko. Tidak ada seorang pun yang mau menukar nyawa atau kesehatannya dengan pekerjaannya.

Argumen hukum untuk kesehatan dan keselamatan dimulai dengan kewajiban untuk berhati-hati dan selanjutnya ditegakkan melalui undang-undang kesehatan dan keselamatan.

Kami membahas hal ini secara lebih rinci dalam tanggung jawab hukum kesehatan dan keselamatan pengusaha. Meskipun banyak peraturan yang berlaku untuk kesehatan dan keselamatan, Anda dapat memulai dengan menilai risiko.

1. Periksa bahaya kesehatan dan keselamatan apa saja yang ada.
2. Tentukan siapa saja yang mungkin dirugikan, dan bagaimana mereka dapat dirugikan.
3. Lakukan tindakan pencegahan untuk mencegah atau mengendalikan risiko, dan lindungi orang-orang dari bahaya.
4. Catat dan komunikasikan temuan Anda, sehingga semua orang tahu apa yang harus dilakukan.
5. Tinjau dan perbarui seperlunya, jika ada hal-hal yang berubah atau perbaikan yang diperlukan.

Kegagalan dalam mematuhi tanggung jawab hukum dapat menyebabkan denda dan kecelakaan - yang menghabiskan banyak uang dan merusak reputasi bisnis (dan pemberi kerja).

• uang yang dipegang tangan
• Kecelakaan dan masalah kesehatan membutuhkan biaya.
• Mencegahnya dengan kesehatan dan keselamatan yang baik dapat menghemat uang Anda!

Jika seseorang sakit atau terluka, hal ini dapat berdampak besar pada keuangan dan menyebabkan penurunan produktivitas.

Biaya tersebut meliputi:

• Waktu cuti
• Pemadaman listrik
• Investigasi
• Penundaan
• Kerusakan
• Tunjangan sakit
• Merekrut staf baru
• Penuntutan
• Denda

Bisnis mengandalkan tenaga kerja mereka untuk produktivitas dan untuk menyelesaikan kontrak dan memenuhi pesanan.

Kesehatan dan keselamatan adalah tentang melindungi pekerja dan, pada gilirannya, melindungi bisnis. Tenaga kerja yang aman dan sehat memberikan peluang yang lebih baik bagi bisnis untuk meraih kesuksesan komersial dan stabilitas jangka panjang.

Ingatlah, kesehatan dan keselamatan adalah tentang mencegah bahaya. Jika Anda berfokus pada tujuan utama tersebut, Anda tidak akan salah langkah. Setiap bagian dari peraturan kesehatan dan keselamatan memiliki tujuan utama tersebut.

Peraturan tersebut mungkin mengharuskan adanya pelatihan yang harus diikuti, atau dokumen yang harus dibuat, atau mungkin membatasi paparan atau jenis pekerjaan yang dapat dilakukan. Namun alasan di balik setiap keputusan, hukum, atau peraturan kesehatan dan keselamatan adalah untuk mencegah bahaya.

Disadur dari: haspod.com

Big data, istilah yang mulai populer sejak tahun 1990-an, mengacu pada kumpulan data yang terlalu besar atau kompleks untuk diolah oleh perangkat lunak aplikasi pengolahan data tradisional. Seiring dengan perkembangan teknologi, jumlah dan kompleksitas data terus meningkat secara eksponensial, menuntut pendekatan yang baru dalam analisis dan pengelolaannya. Analisis big data menawarkan sejumlah tantangan, termasuk dalam hal menangkap, menyimpan, menganalisis, dan membagikan data. Konsep dasar big data awalnya terkait dengan tiga konsep kunci: volume, variasi, dan kecepatan. Namun, keberadaan data yang berkualitas juga menjadi aspek penting, yang dikenal sebagai veracity.

Pertumbuhan non-linear dalam kapasitas penyimpanan informasi digital global dan berkurangnya penyimpanan analog.

Penggunaan istilah "big data" saat ini cenderung merujuk pada penggunaan analitik prediktif, analisis perilaku pengguna, atau metode analisis data canggih lainnya yang mengekstrak nilai dari big data, dan jarang terkait dengan ukuran tertentu dari kumpulan data. Analisis data besar dapat menemukan korelasi baru untuk "mengidentifikasi tren bisnis, mencegah penyakit, memerangi kejahatan, dan sebagainya".

Perkembangan teknologi juga memungkinkan jumlah dan ukuran data yang tersedia untuk berkembang pesat, melalui perangkat seperti perangkat seluler, perangkat Internet of Things, peralatan pemantauan udara, log perangkat lunak, kamera, mikrofon, pembaca radio-frequency identification (RFID), dan jaringan sensor nirkabel.Tantangan utama dalam memproses dan menganalisis big data adalah kemampuan perangkat lunak dan perangkat keras yang digunakan. Relational database management systems dan perangkat lunak statistik sering kali kesulitan dalam memproses dan menganalisis big data. Oleh karena itu, sering diperlukan perangkat lunak yang berjalan secara paralel pada banyak server.

Meskipun definisi big data terus berkembang, konsep tersebut secara umum mengacu pada kumpulan data yang terlalu besar atau kompleks untuk diolah oleh perangkat lunak dan alat tradisional. Pemahaman akan pentingnya big data di era digital saat ini semakin meningkat, dengan perkiraan pertumbuhan pasar big data yang mencapai miliaran dolar. Dibandingkan dengan bisnis intelligence, big data menggunakan analisis matematis, optimisasi, dan statistik induktif untuk mengungkapkan hubungan dan ketergantungan dari kumpulan data besar dengan kepadatan informasi rendah. Ini menawarkan potensi untuk memperoleh wawasan baru, memprediksi hasil, dan mengidentifikasi tren yang mungkin tidak terdeteksi sebelumnya.

Karakteristik Penting Big Data 

Big data merupakan istilah yang merujuk pada kumpulan data yang besar dan kompleks, yang mencakup berbagai karakteristik yang menentukan nilai dan potensi wawasan yang dapat diperoleh dari data tersebut. Berikut adalah beberapa karakteristik utama dari big data:

1. Volume Volume mengacu pada kuantitas data yang dihasilkan dan disimpan. Besarnya data menentukan nilai dan wawasan potensial, dan biasanya data dianggap sebagai big data jika ukurannya lebih besar dari terabytes dan petabytes.

2. Variety Variety menggambarkan jenis dan sifat data. Teknologi sebelumnya seperti RDBMS efisien dalam menangani data terstruktur. Namun, perubahan dari data terstruktur menjadi data semi-terstruktur atau tak terstruktur menantang alat dan teknologi yang ada. Big data berkembang dengan tujuan utama untuk menangkap, menyimpan, dan memproses data semi-terstruktur dan tak terstruktur yang dihasilkan dengan kecepatan tinggi dan ukuran besar. Big data mencakup teks, gambar, audio, video, dan melengkapi bagian yang hilang melalui fusi data.

3. Velocity Velocity merujuk pada kecepatan data yang dihasilkan dan diproses untuk memenuhi tuntutan dan tantangan yang ada. Big data seringkali tersedia secara real-time dan dihasilkan secara lebih terus-menerus dibandingkan dengan data kecil.

4. Veracity Veracity mengacu pada kebenaran atau keandalan data, yang mencakup kualitas dan nilai data. Big data harus tidak hanya besar dalam ukuran, tetapi juga dapat diandalkan untuk mencapai nilai dalam analisisnya. Kualitas data yang ditangkap dapat bervariasi, mempengaruhi analisis yang akurat.

5. Value Value adalah nilai informasi yang dapat dicapai melalui pemrosesan dan analisis dataset besar. Nilai juga dapat diukur melalui penilaian terhadap kualitas lain dari big data, serta mewakili profitabilitas informasi yang diperoleh dari analisis big data.

Selain karakteristik utama di atas, big data juga memiliki karakteristik tambahan seperti kelembagaan, keunikannya, dan skalabilitas. Dengan memahami karakteristik ini, perusahaan dapat memanfaatkan potensi big data secara lebih efektif untuk mendukung pengambilan keputusan dan inovasi di berbagai bidang industri.

Arsitektur dan Teknologi di Balik Big Data

Arsitektur big data telah berkembang seiring waktu, dimulai dari repositori data khusus yang dibangun oleh perusahaan-perusahaan dengan kebutuhan khusus. Vendor komersial telah menawarkan sistem manajemen basis data paralel untuk big data sejak tahun 1990-an. Salah satu pelopor dalam hal ini adalah Teradata Corporation, yang pada tahun 1984 memasarkan sistem pemrosesan paralel DBC 1012. Sistem Teradata adalah yang pertama dalam menyimpan dan menganalisis 1 terabyte data pada tahun 1992.

Sejak itu, konsep big data semakin berkembang, dengan teknologi dan platform seperti HPCC Systems yang dikembangkan oleh Seisint Inc. (sekarang LexisNexis Risk Solutions) pada tahun 2000. Platform ini secara otomatis membagi, mendistribusikan, menyimpan, dan mengirimkan data terstruktur, semi-terstruktur, dan tak terstruktur melintasi beberapa server. Pengguna dapat menulis alur pipa pemrosesan data dan kueri dalam bahasa pemrograman dataflow deklaratif yang disebut ECL.

Selain itu, teknologi MapReduce yang dikembangkan oleh Google pada tahun 2004 juga memainkan peran penting dalam arsitektur big data. Konsep MapReduce menyediakan model pemrosesan paralel, yang kemudian diadopsi oleh proyek sumber terbuka Apache yang dikenal sebagai "Hadoop". Seiring dengan itu, Apache Spark dikembangkan pada tahun 2012 sebagai respons terhadap keterbatasan paradigma MapReduce, dengan menambahkan pemrosesan di dalam memori dan kemampuan untuk melakukan banyak operasi. Selain itu, pendekatan seperti MIKE2.0 telah diusulkan sebagai solusi untuk mengelola big data dengan lebih efisien. Pendekatan ini mengakui perlunya revisi dalam manajemen informasi sebagai dampak dari big data.

Dalam ekosistem big data, teknologi juga memegang peran penting. Teknik analisis data seperti A/B testing, machine learning, dan pemrosesan bahasa alami menjadi kunci dalam memahami dan mengolah big data. Selain itu, teknologi-teknologi seperti business intelligence, komputasi awan, dan basis data memainkan peran vital dalam menyimpan, mengelola, dan menganalisis data besar. Visualisasi data juga menjadi aspek penting dalam memahami hasil analisis data. Dengan teknologi dan arsitektur yang semakin berkembang, big data menjadi semakin dapat diakses dan dimanfaatkan oleh berbagai industri untuk meningkatkan pengambilan keputusan dan inovasi.

Pengapliasian Big Data 

Perkembangan big data telah meningkatkan permintaan akan spesialis manajemen informasi, sehingga perusahaan-perusahaan besar seperti Software AG, Oracle Corporation, IBM, Microsoft, SAP, EMC, HP, dan Dell menghabiskan lebih dari $15 miliar untuk mengakuisisi perusahaan-perusahaan yang mengkhususkan diri dalam manajemen data dan analitika. Pada tahun 2010, industri ini bernilai lebih dari $100 miliar dan tumbuh hampir 10 persen setiap tahunnya, sekitar dua kali lebih cepat daripada bisnis perangkat lunak secara keseluruhan.

Teknologi yang menggunakan data semakin populer dalam ekonomi yang berkembang. Terdapat 4.6 miliar langganan ponsel di seluruh dunia, dan antara 1 miliar hingga 2 miliar orang mengakses internet. Antara tahun 1990 dan 2005, lebih dari 1 miliar orang di seluruh dunia menjadi bagian dari kelas menengah, yang berarti lebih banyak orang menjadi lebih melek informasi, yang pada gilirannya menyebabkan pertumbuhan informasi. Kapasitas efektif dunia untuk pertukaran informasi melalui jaringan telekomunikasi adalah 281 petabyte pada tahun 1986, 471 petabyte pada tahun 1993, 2.2 exabyte pada tahun 2000, 65 exabyte pada tahun 2007, dan perkiraan menempatkan jumlah lalu lintas internet pada 667 exabyte per tahun pada tahun 2014. Sekitar sepertiga dari informasi yang tersimpan secara global berupa teks alfanumerik dan data gambar diam, yang merupakan format paling berguna untuk sebagian besar aplikasi big data. Ini juga menunjukkan potensi dari data yang belum dimanfaatkan (misalnya dalam bentuk konten video dan audio).

Meskipun banyak vendor menawarkan produk siap pakai untuk big data, para ahli mendorong pengembangan sistem yang dibuat khusus in-house jika perusahaan memiliki kemampuan teknis yang cukup. Dengan demikian, big data telah membuka peluang baru dalam berbagai industri dan menjadi kunci untuk pengambilan keputusan yang lebih cerdas dan inovasi yang lebih besar.
 

Disadur dari: en.wikipedia.org

Etika Big Data, juga dikenal sebagai etika data, merujuk pada sistematisasi, pembelaan, dan rekomendasi konsep perilaku yang benar dan salah terkait dengan data, khususnya data pribadi. Sejak awal Internet, jumlah dan kualitas data telah meningkat secara dramatis dan terus meningkat secara eksponensial. Big data menggambarkan jumlah data yang sangat besar dan kompleks sehingga perangkat lunak aplikasi pemrosesan data tradisional tidak mencukupi untuk mengatasi mereka. Inovasi terbaru dalam penelitian medis dan perawatan kesehatan, seperti sekuensing genom massal, pencitraan resolusi tinggi, catatan medis pasien elektronik, dan sejumlah perangkat kesehatan terhubung internet telah memicu banjir data yang akan mencapai rentang exabyte dalam waktu dekat. Etika data semakin relevan seiring bertambahnya jumlah data karena dampaknya yang luas.

Etika Big Data berbeda dari etika informasi karena fokus etika informasi lebih berkaitan dengan isu-isu hak kekayaan intelektual dan kekhawatiran yang berkaitan dengan pustakawan, arsiparis, dan profesional informasi, sedangkan etika Big Data lebih berkaitan dengan pengumpul dan penyebar data terstruktur atau tidak terstruktur seperti pialang data, pemerintah, dan perusahaan besar. Namun, karena sistem kecerdasan buatan atau pembelajaran mesin secara rutin dibangun menggunakan kumpulan data besar, pembahasan seputar etika data sering terkait erat dengan etika kecerdasan buatan. Lebih baru-baru ini, masalah etika Big Data juga telah diteliti dalam hubungannya dengan bidang etika teknologi dan sains lainnya, termasuk etika dalam matematika dan etika rekayasa, karena banyak bidang matematika terapan dan rekayasa menggunakan kumpulan data yang semakin besar.

Pandangan dan Implikasinya

Etika data adalah topik yang semakin mendapat perhatian di era digital saat ini, karena melibatkan prinsip-prinsip yang penting untuk melindungi hak individu dan memastikan penggunaan data yang adil dan transparan. Artikel ini akan merangkum beberapa prinsip utama yang terkait dengan etika data dan implikasinya dalam konteks yang lebih luas.

1. Kepemilikan Data

Salah satu prinsip utama dalam etika data adalah bahwa individu memiliki hak atas data pribadi mereka. Ini mencakup hak untuk mengontrol dan membatasi berbagi data pribadi mereka. Pada era internet, pertanyaan tentang kepemilikan data semakin relevan dengan adanya observasi dan pemantauan yang masif terhadap individu.

2. Transparansi Transaksi

Prinsip ini menekankan pentingnya akses transparan terhadap desain algoritma yang digunakan dalam menghasilkan data agregat dari data personal seseorang. Hal ini juga memperhatikan bagaimana bias bisa terintegrasi dalam desain algoritma, yang dapat mengakibatkan penindasan sistematis.

3. Persetujuan

Sebelum menggunakan data personal seseorang, persetujuan yang diinformasikan dan secara eksplisit dinyatakan dari pemilik data diperlukan. Ini mencakup pemahaman yang jelas tentang data apa yang akan digunakan, oleh siapa, kapan, dan untuk tujuan apa.

4. Privasi

Prinsip privasi memastikan bahwa upaya yang wajar dilakukan untuk menjaga privasi dalam transaksi data. Meskipun adanya nilai tambah dari berbagi data, penting untuk mempertimbangkan kekhawatiran privasi individu.

5. Nilai Data

Pertanyaan ekonomi muncul seputar berapa nilai data sebenarnya. Meskipun sulit untuk mengukur secara tepat, beberapa pendekatan mencoba untuk mengaitkan nilai data dengan nilai layanan yang diberikan oleh perusahaan teknologi. Ini mengangkat pertanyaan apakah layanan teknologi gratis dalam pertukaran data pribadi adalah pertukaran yang sepadan bagi konsumen.

6. Keterbukaan Data

Konsep keterbukaan data mengusulkan bahwa data harus tersedia secara bebas dan tanpa batasan yang akan menghambat penggunaannya. Langkah-langkah menuju penerbitan dataset terbuka oleh pemerintah telah didorong untuk meningkatkan transparansi dan akuntabilitas. Penting untuk diingat bahwa kesediaan untuk berbagi data bervariasi dari individu ke individu, dan faktor-faktor seperti generasi dapat mempengaruhi sikap terhadap berbagi data. Dalam rangka menghadapi tantangan etis yang kompleks ini, langkah-langkah harus diambil untuk memastikan bahwa prinsip-prinsip etika data dihormati dan dilaksanakan dengan baik dalam praktik penggunaan data. Dengan memperhatikan prinsip-prinsip ini, kita dapat membangun lingkungan yang lebih inklusif dan adil dalam pemanfaatan data di era digital.

Disadur dari: en.wikipedia.org 

Baik dalam bahasa umum maupun wacana akademis, data merupakan landasan utama pemrosesan dan analisis informasi modern. Mari kita selami esensi data, manifestasinya yang beragam, dan perannya yang sangat penting dalam membentuk upaya manusia di berbagai ranah.

Mendefinisikan Data

Data, baik yang diekspresikan sebagai nilai diskrit maupun aliran kontinu, merangkum banyak sekali informasi, mulai dari statistik faktual hingga konsep abstrak. Pada intinya, data terdiri dari nilai-nilai individual yang dikenal sebagai "datum", yang secara kolektif membentuk kumpulan data yang diorganisasikan ke dalam struktur seperti tabel, memberikan konteks dan memfasilitasi interpretasi. Dari penelitian ilmiah hingga analisis ekonomi, data merembes ke hampir semua aspek aktivitas manusia, yang berfungsi sebagai bahan mentah untuk mendapatkan wawasan yang dapat ditindaklanjuti.

Pengumpulan dan Analisis

Teknik pengumpulan data, termasuk pengukuran, observasi, dan analisis, menghasilkan repositori informasi numerik atau karakter yang sangat besar. Data lapangan, yang diperoleh dari lingkungan yang tidak terkendali, dan data eksperimental, yang dihasilkan melalui eksperimen ilmiah yang terkendali, menjalani analisis yang ketat dengan menggunakan berbagai metodologi seperti penghitungan, visualisasi, dan penalaran. Sebelum dianalisis, data mentah menjalani proses pembersihan untuk memperbaiki kesalahan dan menghilangkan pencilan, memastikan integritas dan keakuratan analisis selanjutnya.

Evolusi Big Data

Kemunculan teknologi komputasi telah mengantarkan era data besar, yang ditandai dengan volume informasi yang sangat besar, sering kali dalam skala petabyte. Metode analisis data tradisional kesulitan untuk bergulat dengan kumpulan data yang begitu besar, sehingga memerlukan pendekatan inovatif. Masuklah ke dalam ilmu data, sebuah bidang yang sedang berkembang yang memanfaatkan pembelajaran mesin dan kecerdasan buatan untuk mengekstrak wawasan yang bermakna dari data besar secara efisien.

Etimologi dan Terminologi

Berakar dari kata Latin "datum," yang berarti "sesuatu yang diberikan," istilah "data" telah berkembang selama berabad-abad untuk menunjukkan informasi komputer yang dapat dikirim dan disimpan. Meskipun penggunaannya sebagai kata benda massal dalam bentuk tunggal lazim digunakan dalam bahasa sehari-hari dan bidang teknis, bentuk jamaknya tetap ada dalam konteks yang berkaitan dengan pemrosesan dan analisis data. Dualitas linguistik ini menggarisbawahi sifat data yang memiliki banyak aspek dan beragam aplikasi di berbagai disiplin ilmu.

Arti Sebuah Data, informasi, pengetahuan, dan kebijaksanaan

Data, informasi, pengetahuan, dan kebijaksanaan adalah konsep yang penting dan saling terkait dalam konteks pengelolaan dan penggunaan informasi. Data adalah kumpulan nilai diskrit atau kontinu yang menyampaikan informasi, sedangkan informasi adalah hasil analisis data yang membuatnya bermanfaat untuk pengambilan keputusan. Pengetahuan adalah kesadaran tentang lingkungan yang dimiliki oleh suatu entitas, sementara kebijaksanaan melibatkan penggunaan pengetahuan dan informasi untuk membuat keputusan yang bijaksana.

Sebelum era komputasi, data dikumpulkan dan diinterpretasikan secara manual. Namun, perkembangan teknologi telah memungkinkan pengumpulan dan analisis data secara otomatis menggunakan komputer. Data digunakan untuk mengidentifikasi pola dan informasi yang berguna untuk meningkatkan pengetahuan kita tentang berbagai fenomena. Namun, penting untuk diingat bahwa data harus diinterpretasikan dengan hati-hati untuk menghasilkan informasi yang berguna.

Komputer digunakan untuk merepresentasikan data, baik dalam bentuk analog maupun digital. Program komputer adalah koleksi data yang diinterpretasikan sebagai instruksi untuk komputer. Metadata adalah deskripsi dari data lain yang membantu dalam pengelolaan dan pemahaman informasi.

Dalam era big data saat ini, tantangan utama adalah memastikan aksesibilitas, keandalan, dan keamanan data. Ini memerlukan standar dan praktik terbaik dalam pengelolaan data, termasuk persyaratan untuk data yang dapat ditemukan, diakses, diinterpretasikan, dan digunakan kembali. Dengan memahami perbedaan antara data, informasi, pengetahuan, dan kebijaksanaan, kita dapat mengoptimalkan penggunaan informasi untuk mengambil keputusan yang lebih baik dan mencapai tujuan kita secara efektif.

Dokumen Data 

Dalam dunia teknologi informasi, data merupakan inti dari segala hal yang kita lakukan. Ketika data perlu didaftarkan atau diakses, hal ini biasanya dilakukan melalui apa yang disebut sebagai dokumen data. Jenis-jenis dokumen data meliputi:

• repositori data
• studi data
• set data
• perangkat lunak
• paper data
• basis data
• panduan data
• jurnal data

Beberapa dari dokumen-dokumen data ini, seperti repositori data, studi data, set data, dan perangkat lunak, diindeks dalam Indeks Kutipan Data, sementara paper data diindeks dalam basis data bibliografis tradisional, seperti Science Citation Index.

Pengumpulan data dapat dilakukan melalui sumber primer (peneliti adalah orang pertama yang mendapatkan data) atau sumber sekunder (peneliti mendapatkan data yang sudah dikumpulkan oleh sumber lain, seperti data yang disebarkan dalam jurnal ilmiah). Metodologi analisis data bervariasi dan meliputi triangulasi data dan perkolasi data. Yang terakhir menawarkan metode yang terartikulasi untuk mengumpulkan, mengklasifikasikan, dan menganalisis data menggunakan lima sudut analisis yang mungkin (setidaknya tiga) untuk memaksimalkan objektivitas penelitian dan memungkinkan pemahaman fenomena yang sedang diselidiki selesai mungkin: metode kualitatif dan kuantitatif, tinjauan literatur (termasuk artikel ilmiah), wawancara dengan pakar, dan simulasi komputer. Data kemudian "diperkolasi" menggunakan serangkaian langkah yang telah ditentukan untuk mengekstrak informasi paling relevan.

Umur Panjang Data dan Aksesibilitas Data

Salah satu bidang penting dalam ilmu komputer, teknologi, dan ilmu perpustakaan adalah masa pakai dan aksesibilitas data. Penelitian ilmiah menghasilkan jumlah data yang besar, terutama dalam genomika dan astronomi, tetapi juga dalam ilmu kedokteran, misalnya dalam pencitraan medis. Di masa lalu, data ilmiah telah dipublikasikan dalam makalah dan buku, disimpan di perpustakaan, tetapi lebih baru ini hampir semua data disimpan di hard drive atau disk optik. Namun, berbeda dengan kertas, perangkat penyimpanan ini mungkin menjadi tidak terbaca setelah beberapa dekade. Penerbit ilmiah dan perpustakaan telah berjuang dengan masalah ini selama beberapa dekade, dan masih belum ada solusi yang memuaskan untuk penyimpanan data jangka panjang selama berabad-abad atau bahkan untuk selama-lamanya.

Masalah lainnya adalah bahwa banyak data ilmiah tidak pernah dipublikasikan atau disimpan di repositori data seperti basis data. Dalam survei terbaru, data diminta dari 516 studi yang diterbitkan antara 2 hingga 22 tahun sebelumnya, tetapi kurang dari satu dari lima studi ini mampu atau bersedia menyediakan data yang diminta. Secara keseluruhan, kemungkinan untuk mengambil data turun 17% setiap tahun setelah publikasi. Demikian juga, survei terhadap 100 set data di Dryad menemukan bahwa lebih dari setengahnya kurang memiliki rincian untuk memperbanyak hasil penelitian dari studi-studi ini. Hal ini menunjukkan situasi yang buruk dari akses terhadap data ilmiah yang tidak dipublikasikan atau tidak memiliki cukup rincian untuk direproduksi.

Salah satu solusi untuk masalah reproduktibilitas adalah upaya untuk mensyaratkan data yang FAIR, yaitu data yang Findable, Accessible, Interoperable, and Reusable. Data yang memenuhi persyaratan ini dapat digunakan dalam penelitian berikutnya dan dengan demikian memajukan ilmu pengetahuan dan teknologi.

Disadur dari: en.wikipedia.org 

Pembersihan data, atau yang sering disebut juga data cleansing, merupakan proses vital dalam pengelolaan informasi. Ini melibatkan deteksi dan koreksi data yang korup atau tidak akurat dalam kumpulan data, tabel, atau database. Proses ini juga melibatkan identifikasi dan penanganan bagian data yang tidak lengkap, salah, tidak akurat, atau tidak relevan, yang kemudian diganti, dimodifikasi, atau dihapus.

Pembersihan data bisa dilakukan secara interaktif dengan menggunakan alat pengelolaan data, atau sebagai proses batch melalui skrip atau firewall kualitas data.

Setelah melalui proses pembersihan, data haruslah konsisten dengan data set serupa lainnya dalam sistem. Ketidaksesuaian yang terdeteksi atau dihilangkan mungkin awalnya disebabkan oleh kesalahan entri pengguna, korupsi dalam transmisi atau penyimpanan, atau oleh definisi kamus data yang berbeda dari entitas yang serupa dalam toko data yang berbeda.

Proses pembersihan data sebenarnya bisa melibatkan penghapusan kesalahan ketik atau validasi dan koreksi nilai terhadap daftar entitas yang diketahui. Validasi dapat bersifat ketat (seperti menolak alamat yang tidak memiliki kode pos yang valid), atau menggunakan pencocokan string yang kasar atau mendekati (seperti memperbaiki catatan yang sebagian cocok dengan catatan yang sudah ada).

Beberapa solusi pembersihan data akan membersihkan data dengan membandingkan dengan data set yang telah divalidasi. Praktik pembersihan data umum lainnya adalah peningkatan data, di mana data dibuat lebih lengkap dengan menambahkan informasi terkait. Misalnya, dengan menambahkan nomor telepon yang terkait dengan alamat tertentu. Pembersihan data juga dapat melibatkan harmonisasi (atau normalisasi) data, yang merupakan proses penggabungan data dari "berbagai format file, konvensi penamaan, dan kolom", dan mentransformasikannya menjadi satu set data yang kohesif; contoh sederhananya adalah perluasan singkatan ("jln, jend, dsb." menjadi "jalan, jenderal, dan seterusnya").

Motivasi

Data yang tidak akurat dan tidak konsisten dapat mengarah pada kesimpulan yang salah dan pengalihan investasi, baik dalam skala publik maupun privat. Misalnya, pemerintah mungkin ingin menganalisis data sensus penduduk untuk menentukan wilayah mana yang memerlukan lebih banyak pengeluaran dan investasi dalam infrastruktur dan layanan. Dalam hal ini, akan penting untuk memiliki akses ke data yang dapat diandalkan untuk menghindari keputusan fiskal yang keliru. Di dunia bisnis, data yang tidak akurat bisa mahal. Banyak perusahaan menggunakan database informasi pelanggan yang mencatat data seperti informasi kontak, alamat, dan preferensi. Misalnya, jika alamat tidak konsisten, perusahaan akan menderita biaya pengiriman ulang surat atau bahkan kehilangan pelanggan.

Panduan Esensial untuk Pembersihan Data yang Efektif

Dalam dunia modern yang didominasi oleh data, kualitas data yang tinggi menjadi kunci untuk mendukung keputusan yang tepat dan operasi yang efisien. Namun, untuk mencapai kualitas data yang tinggi, data harus memenuhi serangkaian kriteria kualitas yang ketat. Berikut adalah beberapa kriteria kualitas data yang penting:

1. Validitas: Validitas mengacu pada sejauh mana data sesuai dengan aturan bisnis atau batasan yang telah ditetapkan. Ini mencakup berbagai jenis kendala data, mulai dari tipe data, rentang nilai, keharusan kolom tidak boleh kosong, hingga batasan unik dan keanggotaan set.

2. Akurasi: Akurasi mengukur seberapa dekat data dengan nilai sejati atau standar. Meskipun mencapai akurasi yang tinggi bisa sulit, penggunaan sumber data eksternal seperti basis data eksternal dapat membantu memverifikasi akurasi data, terutama pada data kontak pelanggan.

3. Kelengkapan: Kelengkapan mengukur sejauh mana semua data yang diperlukan diketahui. Mengatasi ketidaklengkapan data bisa sulit, karena tidak mungkin untuk menyimpulkan fakta-fakta yang tidak pernah dicatat sebelumnya.

4. Konsistensi: Konsistensi mengacu pada sejauh mana data konsisten di seluruh sistem. Ketidaksesuaian data dapat terjadi ketika dua item data dalam satu set data saling bertentangan. Memperbaiki ketidaksesuaian data membutuhkan strategi yang cermat, seperti menentukan data mana yang paling baru atau sumber data yang paling dapat diandalkan.

5. Keseragaman: Keseragaman mengukur sejauh mana data menggunakan unit pengukuran yang sama di semua sistem. Ini penting terutama ketika data berasal dari berbagai lokasi atau sistem yang berbeda.

Proses pembersihan data melibatkan audit data, spesifikasi alur kerja, dan pelaksanaan alur kerja. Setelah proses pembersihan selesai, hasilnya harus diperiksa untuk memastikan kebenaran. Data yang tidak dapat diperbaiki selama proses pembersihan harus diperbaiki secara manual jika memungkinkan.

Untuk mencapai kualitas data yang tinggi, organisasi harus memprioritaskan budaya data yang berkualitas dan memastikan komitmen dari level eksekutif. Langkah-langkah seperti perbaikan lingkungan entri data, integrasi aplikasi, dan perubahan proses kerja juga harus dilakukan.

Dengan demikian, menjaga kualitas data adalah hal yang sangat penting untuk keberhasilan organisasi di era digital ini. Dengan menggunakan pendekatan yang sistematis dan berkelanjutan, organisasi dapat meningkatkan kualitas data mereka, yang pada gilirannya akan mendukung pengambilan keputusan yang lebih baik dan operasi yang lebih efisien.

Proses Mengoptimalkan Kualitas Data 

Di dunia yang digerakkan oleh data saat ini, memastikan data berkualitas tinggi adalah hal yang sangat penting untuk membuat keputusan yang tepat dan mendorong operasi yang efisien. Namun, untuk mencapai hal ini, diperlukan ketaatan pada serangkaian kriteria kualitas yang ketat dan menerapkan proses pembersihan data yang kuat.

• Audit Data:

Audit data melibatkan penggunaan metode statistik dan basis data untuk mengidentifikasi anomali dan kontradiksi dalam data. Paket perangkat lunak komersial menawarkan alat untuk menentukan berbagai batasan dan menghasilkan kode untuk memeriksa data dari pelanggaran. Langkah ini sangat penting dalam menentukan anomali dan memahami karakteristiknya.

• Spesifikasi dan Eksekusi Alur Kerja:

Setelah mengaudit data, anomali terdeteksi dan dihapus melalui urutan operasi yang dikenal sebagai alur kerja. Menentukan alur kerja yang efektif membutuhkan pemahaman menyeluruh tentang penyebab anomali. Setelah ditentukan, alur kerja dijalankan secara efisien, bahkan pada kumpulan data yang besar, meskipun hal ini dapat menimbulkan tantangan komputasi.

• Pasca-pemrosesan dan Pengendalian:

Setelah eksekusi alur kerja pembersihan, hasilnya diperiksa untuk memastikan kebenarannya. Setiap data yang tidak dapat dikoreksi secara otomatis akan dikoreksi secara manual jika memungkinkan. Proses berulang ini memungkinkan penyempurnaan data lebih lanjut melalui alur kerja pembersihan otomatis tambahan.

• Menumbuhkan Budaya Kualitas Data:

Mencapai sumber data yang berkualitas baik membutuhkan perubahan budaya dalam organisasi. Hal ini bukan hanya tentang menerapkan pemeriksaan validasi; namun juga tentang menanamkan komitmen terhadap kualitas data di semua tingkatan. Hal ini dapat melibatkan rekayasa ulang proses, berinvestasi dalam lingkungan entri data dan integrasi aplikasi, serta mempromosikan kerja sama lintas departemen.

• Teknik Lainnya:

Teknik tambahan seperti penguraian untuk kesalahan sintaksis, transformasi data untuk memetakan data ke dalam format yang diinginkan, eliminasi duplikat, dan metode statistik untuk menganalisis variabilitas data digunakan untuk meningkatkan kualitas data.

• Arsitektur Sistem:

Arsitektur sistem yang dirancang dengan baik memberikan keseimbangan antara membersihkan data yang kotor dan menjaga integritas aslinya. Hal ini melibatkan penerapan arsitektur Extract, Transform, Load (ETL) yang dapat secara efektif membersihkan data sambil mencatat peristiwa berkualitas dan mengukur/mengontrol kualitas data di data warehouse.

Kesimpulannya, mengoptimalkan kualitas data adalah proses berkelanjutan yang membutuhkan kombinasi metodologi yang kuat, teknologi canggih, dan komitmen organisasi. Dengan memprioritaskan kualitas data, organisasi dapat membuka wawasan yang berharga, meningkatkan pengambilan keputusan, dan mendorong kesuksesan bisnis di era digital.

Meningkatkan Kualitas Data

Salah satu bagian dari sistem pembersihan data adalah serangkaian filter diagnostik yang dikenal sebagai layar kualitas. Setiap layar kualitas mengimplementasikan tes dalam aliran data yang, jika gagal, akan mencatat kesalahan dalam Skema Peristiwa Kesalahan. Layar kualitas dibagi menjadi tiga kategori:

1. Layar Kolom. Menguji kolom secara individual, misalnya untuk nilai-nilai tak terduga seperti nilai NULL; nilai non-numerik yang seharusnya numerik; nilai di luar jangkauan; dll.

2. Layar Struktur. Digunakan untuk menguji integritas hubungan antara kolom (biasanya kunci asing/kunci primer) dalam tabel yang sama atau berbeda. Mereka juga digunakan untuk menguji apakah sekelompok kolom valid sesuai dengan definisi struktural yang harus diikuti.

3. Layar Aturan Bisnis. Tes yang paling kompleks dari ketiganya. Mereka menguji apakah data, mungkin melintasi beberapa tabel, mengikuti aturan bisnis tertentu. Contoh dapat berupa, jika seorang pelanggan ditandai sebagai tipe pelanggan tertentu, aturan bisnis yang menentukan tipe pelanggan tersebut harus diikuti.

Ketika layar kualitas mencatat kesalahan, itu bisa menghentikan proses aliran data, mengirim data yang bermasalah ke tempat lain selain sistem target, atau menandai data tersebut. Pilihan terakhir dianggap sebagai solusi terbaik karena pilihan pertama membutuhkan seseorang untuk secara manual menangani masalah setiap kali terjadi dan pilihan kedua menyiratkan bahwa data hilang dari sistem target (integritas) dan sering tidak jelas apa yang harus terjadi pada data tersebut.

Disadur dari: en.wikipedia.org