Paper

Manajemen Pengetahuan yang efektif menggunakan Big Data dan Social Network Analysis

• Abstrak

Manajemen pengetahuan terdiri dari beberapa tujuan yaitu,  mengidentifikasi, menciptakan, mewakili, mendistribusikan wawasan dan pengalaman dalam sebuah organisasi. Salah satu pendekatan pemodelan manajemen pengetahuan menggunakan model jaringan. Big Data adalah salah satu dari ICT penting, yang fungsi utamanya adalah membantu pendukung keputusan organisasi. Analisis Jaringan Sosial adalah versi mikro dari Big Data. Dapat dimodelkan dan membangun jaringan sosial kuantifikasi.

• Pendahuluan

Manajemen Pengetahuan terdiri dari berbagai strategi dan praktek yang digunakan dalam organisasi. Untuk mengidentifikasi, menciptakan, merepresentasikan, mendistribusikan wawasan dan pengalaman. Pertumbuhan di dalam organisasi dan manajemen pengetahuan terjadi pada waktu yang sangat mirip. Hal ini untuk sebagian besar tidak ada minusnya, dan menunjukkan keterkaitan. Cara baru memperoleh dan menyebarkan pengetahuan, yaitu dengan bertukar ide, nilai-nilai, arus informasi, dan perilaku, dengan pengaruh dari Internet atau media sosial. Semakin suatu organisasi memiliki unsur pengetahuan, maka organisasi itu akan unggul. Seperti dikatakan oleh Drucker (1993), sumber daya dasar ekonomi atau sumber daya alam, atau tenaga kerja, seringkali ada perbedaan antara struktur organisasi formal dan organisasi informal.

Masalah pendekatan konvensional pengumpulan data dalam manajemen pengetahuan dan ilmu sosial studi pada umumnya, bahwa mereka sangat bergantung pada pendekatan seperti
kuesioner, wawancara, snowball sampling, pelacakan kontak dan langsung pengamatan. Sebagian besar menganggap pendekatan yang cukup baik untuk melaksanakannya, jika menawarkan dari kecil sampai menengah. Data dalam sebuah organisasi biasanya 1000-5000 orang.

• Kesimpulan

Sebagian besar banyak organisasi menempatkan usaha mereka dengan mempekerjakan kualitas individu atau konsultan untuk operasional mereka. Individu terampil saja tidak cukup. Ada sedikit usaha dalam cara yang sistematis yang memberikan pengetahuan tersebut. Analisis Jaringan sosial memungkinkan kita untuk memahami lebih baik bagaimana sebuah organisasi membuat dan berbagi pengetahuan, dengan pendekatan ini kita akan lebih siap untuk bergerak di luar sana.

Organisasi dapat melihat interaksi anggota mereka dengan menggunakan, catatan, pertemuan formal atau informal atau di media sosial seperti email, facebook, twitter, dan lain-lain. Percobaan ini memberikan gambar keseluruhan bagaimana kita mendeteksi anggota yang paling penting. Kita
juga membandingkan hasil eksperimen dengan pengamatan empiris tentang apa peran anggota di jaringan pengetahuan secara keseluruhan.

Di bawah ini adalah contoh gambaran representasi jaringan transfer pengetahuan dalam organisasi dengan 34 orang.

Dan 3 gambaran matriks (a) Top 10 Degree Centrality (b) Top 10 Betweenness Centrality and (c) Top 10 Closeness Centrality

• Saran

Untuk membangun sebuah organisasi yang baik, maka kita harus memilih orang-orang yang tepat. Harus mencari pengalaman dan wawasan yang luas agar dapat bertukar ide dan informasi dan dapat membangun sebuah oraganisasi yang diunggulkan.

• Daftar Pustaka

[1]. Cross. R, Parker. A, Borgatti. S. “A Bird Eye’s View: Using Social Network Analysis to
Improve Knowledge Creation and Sharing”. IBM Institute of Business Value
[2]. Drucker, P. F. “Postcapitalist Society”. New York: HerperCollins Publishers. 1993
[3]. Porter, M. “Competitive Advantage: Creating and Sustaining Superior Performance”.
The Free Press. 1985.
[4]. Scott, J. “Social Network Analysis Theory and Applications”. Sage Publications 2000
[5]. Knuth, D.E.”The Stanford GraphBase : A Platform for Combinatorial Computing”.
Addison-Wesley, Reading, MA, 1993.

Social Network Analysis (SNA)

Perkembangan Social network saat ini semakin berkembang pesat. Dalam suatu komunitas social network merupakan wadah yang nyaman untuk saling bertukar informasi antar anggota grup. Hal ini membuat sebuah grup pada media sosial menjadi ladang informasi, baik informasi yang disebutkan secara eksplisit ataupun secara implisit. Pemetaan dan pengukuran alur interaksi dilengkapi dengan analisis pola alur interaksi, yang didefinisikan sebagai social network analysis menunjukkan bahwa social network analysis (SNA) dapat digunakan untuk keperluan pengambilan informasi, termasuk hubungan interaksi dan pertemanan antar user, dimana interaksi antar user dan hubungan pertemanan dapat direpresentasikan sebagai graf.

Komunitas dalam dunia nyata dipresentasikan dalam sebuah graf yang merupakan kumpulan node yang berhubungan satu sama lain. Untuk dapat mengidentifikasi pertukaran informasi dan opini yang membentuk komunitas dari sekian topik yang saling tidak berhubungan merupakan hal yang relatif sulit. Salah satu tujuan dari beberapa penelitian mengenai SNA adalah untuk deteksi komunitas serta untuk mengidentifikasi kelompok pengguna yang berpengaruh dalam social media sehingga dapat dimanfaatkan secara lebih optimal untuk menyebarkan informasi secara lebih efektif.

SNA memiliki beberapa definisi, diantaranya :

• Mendefinisikan bahwa Social Network Analysis adalah proses pemetaan dan pengukuran relasi antara orang ke orang.
• Mendefinisikan sebagai teknik yang fokus mempelajari pola interaksi pada manusia yang tidak terlihat secara eksplisit.
• Mendefinisikan sebagai sekumpulan metode untuk menginvestigasi aspek relasi pada struktur sosial.

Berdasarkan ketiga definisi tersebut, secara garis besar memiliki kesamaan makna, yaitu mengarah pada proses analisis jaringan sosial berkaitan dengan bentuk struktur dan pola interaksi entitas di dalamnya.

Dari pengertian tersebut dapat disimpulkan bahwa SNA lebih menekankan pada interaksi antar entitas didalamnya daripada entitas itu sendiri, dengan kata lain SNA lebih banyak membahas hubungan antar aktor daripada atribut aktor tersebut. Pola interaksi antar entitas akan memberikan informasi baru. Namun bukan berarti entitas tidak ada gunanya sama sekali. Attibut pada entitas yang menjadi node pada graf memiliki informasi yang dapat membantu untuk membuat hipotesa atas fenomena yang terjadi. Sejauh ini dapat dikatakan bahwa interaksi antara entitas yang membentuk relasi hanya akan dapat menyimpulkan informasi sampai pada level graf saja, namun untuk sampai bisa berguna lebih lanjut di dunia nyata, perlu diketahui pula informasi lebih jauh tentang node itu sendiri.

Sejak tahun 1970, teknik SNA telah banyak mendapatkan perhatian dan pengembangan di berbagai bidang. Beberapa aplikasi SNA antara lain adalah sebagai berikut :

1. Pengujian pada suatu jaringan peternakan untuk menganalisa bagaimana penyakit menyebar dari salah satu sapi ke sapi yang lain.
2. Menemukan kemunculan komunitas hobi di suatu universitas.
3. Mengungkap pola transfer pengetahuan yang mengalir pada para peneliti berdasarkan publikasi risetnya.
4. Menentukan jurnalis dan analis yang berpengaruh di dunia IT.
5. Mengungkap pola penyebaran HIV di suatu penjara.
6. Memetakan jaringan orang-orang eksekutif berdasarkan aliran email.
7. Menemukan jaringan inovator di suatu regional ekonomi.

Beberapa tahun terakhir ini arah analisis sosial network lebih mengarah pada media-media online dan aliran informasi di dunia maya. Hal ini dikarenakan jumlah informasi yang mengalir di dunia maya semakin banyak dan cepat, seperti pada facebook, twitter, youtube dan sebagainya. Hal yang menarik lainnya adalah implementasi SNA pada analisis interaksi link antar website, yang kemudian dapat meningkatkan fungsionalitas web tersebut dan efisisensi kunjungan yang semakin meningkat akibat adanya sistem rekomendasi.


Contoh Social Network Analysis (SNA)

• Sosial Network Analysis (SNA)

Social Network Analysis (SNA) dapat dideskripsikan sebagai sebuah studi yang mempelajari tentang hubungan manusia dengan memanfaatkan teori graf. (Tsvetovat & Kouznetsov, 2011, hal 1). Dengan pemanfaatan teori graf ini membuat SNA mampu memeriksa struktur dari hubungan sosial dalam suatu kelompok untuk mengungkap hubungan informal antar individu. Pada social network, individu atau orang digambarkan sebagai nodes atau titik, sedangkan relasi yang terjadi antar individu disebut dengan edges atau links. Pada dasarnya sebuah jaringan sosial adalah sebuah peta yang terdiri atas banyak orang dimana di dalamnya terdapat relasi antar individunya. Berikut adalah contoh pemetaan graf dari sebuah jaringan sosial.

• Graf dan Matriks

Ada 2 macam cara untuk merepresentasikan informasi yang ada, yaitu dengan menggunakan graf dan matriks. Dari sekian banyak jenis graf yang ada, network analysis menggunakan suatu jenis graf yang berisi nodes atau titik untuk merepresentasikan aktor dan edges atau garis untuk merepresentasikan hubungan atau relasi, yang disebut “socio-grams”. Penggambaran sebuah hubungan dalam graf yang disimbolkan dengan menggunakan edges atau garis terdapat dua cara, yaitu dengan directed graph dan simple atau bonded-tie graph. Simple atau bonded-tie graph merupakan graf sederhana yang menghubungkan sepasang aktor yang memiliki hubungan, hanya saja edges atau garis yang digunakan tanpa menggunakan anak panah. Directed graph adalah graf yang mampu menunjukkan relasi lebih jelas, karena relasi yang disimbolkan dengan edges atau garis digambarkan dengan anak panah. Pada penelitian ini akan digunakan undirected graph untuk menggambarkan relasi antar individu.

Jenis matriks yang biasa digunakan dalam analisa jaringan sosial adalah matriks adjacency. Nilai yang ada di tiap cell menunjukkan informasi atas hubungan atau relasi antar aktor atau individu. Matriks adjacency sangat berguna untuk melihat kedekatan antar aktor atau individu berdasarkan nilai yang ada di tiap cell. Pada penelitian ini skala pengukuran akan menggunakan binary yang hanya memiliki nilai 0 dan 1. Nilai 0 akan merepresentasikan tidak adanya hubungan, sedangkan nilai 1 merepresentasikan adanya hubungan antar aktor atau individu tertentu.

Big Data

Apa itu Big Data ?

Big Data adalah buzzword atau frase yang digunakan untuk menggambarkan volume besar, baik dari data terstruktur dan tidak terstruktur yang begitu besar sehingga sulit untuk memproses dengan menggunakan teknik database dan perangkat lunak biasa. Dalam kebanyakan kejadian data perusahaan yang terlalu besar atau bergerak terlalu cepat atau melebihi kapasitas pengolahan saat ini. Big data memiliki potensi untuk membantu perusahaan meningkatkan operasi, membuat lebih cepat dan keputusan yang lebih cerdas.

Kapan membutuhkan Big Data ?

Di era yang semakin berkembang dalam penggunaan data, dengan kebutuhan kapasitas yang semakin besar. Data ini berasal dari mana-mana, contohnya sensor digunakan untuk mengumpulkan informasi iklim, posting ke situs media sosial, gambar digital dan video, catatan transaksi pembelian, dan sinyal ponsel GPS untuk beberapa nama.

Kenapa menggunakan Big Data ?

Dalam usaha penggunaan Big Data dapat terdapat banyak hambatan dan tantangan. Beberapa hal diantaranya berhubungan dengan data dimana melibatkan acquisition, sharing dan privasi data, serta dalam analisis dan pengolahan data.

• Privasi

Privasi merupakan isu yang paling sensitif, dengan konseptual, hukum, dan teknologi, Privasi dapat dipahami dalam arti luas sebagai usaha perusahaan untuk melindungi daya saing dan konsumen mereka. Data-data yang digunakan atau disimpan sebagai big data.

• Access dan Sharing

Akses terhadap data, baik data lama maupun data baru dapat menjadi hambatan dalam mendapatkan data untuk big data. Terlebih pada data lama, dimana data- data tersimpan dalam bentuk – bentuk yang berbeda dan beragam ataupun dalam bentuk fisik. Akses terhadap data baru juga membutuhkan usaha yang lebih kerana diperlukannya izin dan lisensi untuk mengakses data-data non-public secara legal.

•  Analisis

Bekerja dengan sumber data baru membawa sejumlah tantangan analisis, relevansi dan tingkat keparahan tantangan akan bervariasi tergantung pada jenis analisis yang sedang dilakukan, dan jenis keputusan yang akhirnya akan bisa di informasikan oleh data.

Jenis data terdapat 3 kategori dalam analisis data, yaitu : 

1. Penentuan gambaran yang benar

Masalah ini biasanya ditemukan dalam penanganan unstructured, user-generated, text-based data dimana data yang didapatkan belum tentu benar.

2. Interpreting Data

Kesalahan – kesalahan seperti Sampling selection merupakan hal yang sering ditemukan. Dimana data yang ada tidak dapat digunakan untuk mepresentasikan semua data yang ada. Melihat adanya pola walaupun tidak benar - benar ada dikarenakan jumlah data yang besar, dan kesalahan dalam hubungan data.

3. Defining and detecting anomalies

Sensitivitas mengacu pada kemampuan sistem pemantauan untuk mendeteksi semua kasus yang sudah diatur. Mendeteksi spesifisitas mengacu pada kasus-kasus yang relevan. Kesalahan yang tidak diinginkan ketika mencoba mendeteksi malfungsi atau anomali.

Siapa Pengguna Big Data ?

Big Data dalam penggunaan perusahaan IT Analytics Log dalam jangka panjang, digunakan untuk menganalisa proses sistem yang sedang berjalan untuk mencegah dan menaggulangi kegagalan dalam sistem. Mengunakan hasil analisa log untuk menemukan dan mentukan secara pasti kegagalan apa yang terjadi didalam sistem. Menyiapkan langkah - langkah pasti yang dapat digunakan sebagai solusi masalah sistem.

Bagaimana membangun Big Data ?

Seperti data pergudangan, toko web atau platform TI, infrastruktur untuk data yang besar memiliki kebutuhan yang unik. Dalam mempertimbangkan semua komponen platform data yang besar. Penting untuk diingat bahwa tujuan akhirnya adalah dengan mudah mengintegrasikan data yang besar dengan data perusahaan memungkinkan untuk melakukan analisis mendalam pada set data gabungan.

Requirement dalam big data infrastruktur : 

• data acquisition
• data organization