Meskipun banyak diterapkan dalam bidang bisnis dan marketing, manfaat big data juga dirasakan banyak bidang lain seperti bidang kesehatan, pendidikan, pengelolaan lingkungan, sistem informasi dan pengembangan Smart City. Bukan hanya perusahaan besar, teknologi dan analisis big data juga diimplementasikan oleh pemerintah, serta berdampak pada kehidupan kita sehari-hari seperti saat kita mengakses e-commerce atau media sosial.
Karakteristik big data dikenal dengan istilah populer 3V, 4V atau 5V dalam big data. Dalam perkembangannya, karakteristik ini berkembang menjadi 7V, 17V, hingga 42V dalam big data. Beberapa karakteristik yang perlu kita ketahui adalah Volume, Velocity, Variety, Varicity, Value, Variablility dan Visualization.
Big data adalah sekumpulan data dengan jumlah besar yang strukturnya kompleks, sehingga tidak dapat ditangani oleh teknologi tradisional. Big Data dicirikan dengan banyak karakteristik big data meliputi velocity, volume, variety dan yang lainnya.
Penyajian data adalah kegiatan menampilkan data dalam bentuk yang lebih mudah dipahami melalui tabel, grafik/ diagram atau bentuk lainnya, untuk menunjukkan hubungan, perbandingan, pola, kecenderungan maupun pencilan dalam data.
Perbedaan machine learning dan deep learning terletak pada aspek cakupan, data, tujuan, pemrosesan, intervensi manusia, dan kebutuhan komputasi. Deep learning termasuk bagian dari machine learning, di mana deep learning menggunakan algoritma yang meniru cara kerja manusia yaitu jaringan syaraf tiruan atau artificial neural network dan turunannya.
Perkembangan teknologi yang sangat pesat telah merambah berbagai aspek kehidupan. Termasuk teknologi machine learning atau pembelajaran mesin. Tanpa kita sadari, sebenarnya kita telah menjadi user atau pengguna machine learning, dengan memanfaatkan machine learning dalam kehidupan kita sehari-hari.
Algoritma machine learning adalah adalah algoritma yang digunakan dalam proses machine learning, di mana sistem melakukan pembelajaran berdasarkan data. Jenis-jenis algoritma machine learning dapat dikelompokkan menjadi supervised learning, unsupervised learning dan reinforcement learning. Pemilihan algoritma machine learning didasarkan pada tujuan atau jenis masalah, sumber daya komputasi, dan sifat data.
Perbedaan utama antara supervised learning dan unsupervised learning adalah penggunaan data. Supervised learning menggunakan data berlabel (labelled data), sedangkan unsupervised learning menggunakan data tanpa label (unlabeled data). Supervised learning digunakan untuk tugas-tugas klasifikasi dan regresi, misal dalam kasus object recognition, predictive analysis dan sentiment analysis. Unsupervised learning digunakan untuk kasus-kasus klastering, asosiasi dan dimensionality reduction.
Ensemble learning adalah cara sebuah algoritma mempelajari data dengan menggunakan kombinasi dari beberapa algoritma atau model untuk mendapatkan output dengan akurasi yang lebih tinggi jika dibandingkan dengan menggunakan satu algoritma atau model saja. Cara melakukan ensemble learning adalah dengan proses bagging, boosting, dan stacking.
Support Vector Machine (SVM) adalah salah satu algoritma machine learning dengan pendekatan supervised learning yang bekerja dengan mencari hyperplane atau fungsi pemisah terbaik untuk memisahkan kelas. Algoritma SVM memiliki konsep dan dasar matematis yang mapan sehingga menjadi algoritma yang populer. Algoritma ini dapat digunakan untuk klasifikasi (SVM classification) dan regresi (SVM regression).
K-nearest neighbor adalah salah satu algoritma machine learning dengan pendekatan supervised learning yang bekerja dengan mengkelaskan data baru menggunakan kemiripan antara data baru dengan sejumlah data (k) pada lokasi yang terdekat yang telah tersedia. Algoritma ini menerapkan lazy learning” atau “instant based learning” dan merupakan algoritma non parametrik. Algoritma KNN digunakan untuk klasifikasi dan regresi.
Analisis klaster atau Cluster analysis adalah analisis yang digunakan untuk mengklasifikasikan objek atau observasi yang berbeda ke dalam kelompok (klaster) sehingga kesamaan antara objek dalam kelompok maksimal dan kesamaan antar kelompok minimal.
