Contoh dan Tujuan Big Data dari Berbagai Bidang dan Bisnis

[Kincaimedia.net]

Contoh Serta Tujuan Big Data dari Berbagai Bidang dan Bisnis | Bagi rekans yang sedang mempelajari Big Data seperti saya, tentunya setelah kita mengetahui pengertian big data, maka kita ingin tahu apa-apa saja manfaat big data yang bisa diterapkan dalam kehidupan nyata. Karena jangan sampai kita mempelajari sesuatu yang ternyata tidak ada manfaat ataupun tidak dibutuhkan dalam kehidupan sehari-hari, baik oleh perusahaan/bisnis, pemerintah atau lembaga lainnya.

Bagi rekan yang belum mengerti apa itu big data? akan lebih baik membaca terlebih dahulu artikel yang membahas tentang Definisi big data.

Baik tanpa basa-basi lagi mari admin tunjukkan apa saja Contoh Serta Tujuan Big Data dari Berbagai Bidang dan Bisnis.

Contoh & Tujuan Big Data dari Berbagai Bidang dan Bisnis :

• Perusahaan ritel dapat menggunakan informasi dari social media seperti Facebook, Twitter, Google+ untuk menganalisis bagaimana perilaku, persepsi pelanggan terhadap suatu produk atau brand dari perusahan.

• Perusahan manufaktur dapat memantau kondisi peralatan setiap saat (real-time), sehingga dapat memperkirakan waktu terbaik untuk mengganti peralatan. Karena mengganti terlalu cepat akan merugikan/buang-buang uang atau kalau terlambat akan menyebabkan produksi terganggu karena kerusakan peralatan.

• Perusahaan manufaktur juga bisa memantau produk yang baru launching melalui social sedia untuk mengetahui apakah ada isu after-sales sehingga dapat mencegah kegagalan garansi yang menyebabkan publikasi besar yang dapat merusak citra produk dan perusahaan. 

• Perusahaan periklanan dapat menggunakan informasi dari social media untuk mengetahui tanggapan terhadap promosi/iklan yang baru diluncurkan.

• Rumah sakit dapat merekam catatan medis pasien sehingga big data tersebut bisa digunakan untuk menganalisis kecenderungan sakit pasien

• Pemerintahan dapat menggunakan informasi dari social media untuk mengetahui tingkat kepuasan masyarakat terhadap pemerintah

• Jasa Keuangan dapat menggunakan analisis big data untuk melihat aplikasi asuransi yang dapat segera diproses, dan mana yang perlu divalidasi dengan dilakukan kunjungan oleh agen asuransi

• Jasa Perbankan dapat menggunakan rekaman transaksi nasabah untuk mengetahui kemungkinan adanya kegiatan kejahatan seperti pencucian uang, atau juga untuk merekam catatan kebiasaan karyawan dalam rangka mendeteksi kemungkinan fraud.

• Tim olahraga dapat menggunakan big data untuk tracking penjualan tiket, mengetahui kondisi pemain dan probabilitas akan mengalami cedera dan bahkan strategi bermain dari tim.

Kesimpulan :
Ternyata banyak sekali contoh penggunaan big bata di berbagai bidang dengan melakukan analisis terhadap big data tersebut, baik itu di bidang pemerintahan,olahraga ataupun bisnis seperti untuk marketing, after-sales garansi sales, mempelajari perilaku mesin, dan sebagainya. Jadi semakin semangat untuk mempelajari Big Data.

Tag : Analisis big data, Definisi big data, Contoh Big Data, Tujuan Big Data.

Read More

Pengertian Analisis Teks dan Manfaatnya Dalam Analisis Data

[Kincaimedia.net]

Apakah rekan pernah bertanya-tanya Apa itu Analisis Teks ? Jika pernah, berikut ini admin coba tuliskan artikel sederhana untuk rekans yang pernah bertanya-tanya dan ingin tahu pengertian analisis teks. Baik tanpa basa-basi lagi berikut pembahasannya.

Pengertian Analisis Teks

Analisis teks adalah suatu aktivitas menganalisis data teks seperti email, blog, tweet, forum dan bentuk lainnya. Teks dapat dimasukkan kedalam kategori data tidak terstruktur ( kita bisa sebut dengan unstructured-data ). Dikarenakan pembahasan pengertian analisis teks tidak lengkap jika tidak membahas juga apa itu unstructured-data, untuk itu unstructured-data akan admin bahas lebih lanjut di bawah.

Apa itu unstructured-data?

Mengapa untuk mengerti analisis teks kita perlu tahu tentang unstructured-data, hal ini karena data teks atau unstructured-data memiliki beberapa ciri yang memperngaruhi cara kita dalam melakukan analisis teks.

Jika Anda sering menggunakan teknologi database sebelumnya, maka rekans pastinya sudah terbiasa dengan data terstrutur (kita sebut : structured-data).

Jumlah data dari structured-data jauh lebih sedikit jika dibanding dengan unstructured-data, hal ini jika memperhatikan begitu besarnya jumlah artikel blog, status di sosial media seperti facebook, twitter, linkedin, dll, dokumen yang di buat, email yang dikirim setiap hari.

Rekans bisa bayangkan jika dalam sehari hampir 2 juta lebih artikel blog di buat, 500 juta tweet (belum lagi dari social media lainnya), 100 milyar email dikirim. Dari sini bisa kita ketahui begitu besarnya jumlah unstructured-data jika dibandingkan terhadap structured-data.

Apa pentingnya unstructured-data tersebut bagi kita?

Untuk bisa melihat pentingnya unstructured-data kita perlu tahu beberapa contoh informasi penting yang bisa kita dapat dari unstructured-data.

Dalam setiap dokumen selalu ada informasi yang tersembunyi di dalamnya, kita ambil contoh dokumen laporan keuangan triwulan dari suatu perusahaan, dari dokumen tersebut kita bisa mendapatkan informasi penting seperti statistik pendapatan atau nama-nama orang penting dari perusahaan.

Contoh informasi penting lain adalah kita bisa tahu pola komunikasi yang sangat penting dari unstructured-data, informasi penting ini bisa berupa kebiasaan orang dalam bekomunikasi yaitu bagaimana mereka menyampaikan opini ketika berkomunikasi baik dalam email, status di social media. Informasi ini sangatlah penting sebagai alat bantu dalam bidang marketing, pengukuran kepuasan pelanggan, mengetahui minat dari seseorang, dan berbagai manfaat lainnya.

Masalah yang dihadapi dari unstructured-data

Namun untuk mendapatkan informasi penting dari tipe data ini tidak semudah dari tipe structured-data. Hal ini karena karakter utama dari unstructured-data adalah mudah dipahami bagi manusia namun sulit bagi komputer atau mesin.

Mengapa lebih sulit bagi komputer dalam memahami unstructured-data?

Jika dibandingkan dengan structured-data yang disusun dalam bentuk tabel, di mana sudah di definisikan atribut-atrbut dari data seperti nama atribut dan tipe data (seperti integer, Decimal, Text, Numeric, dll ) dari atribut tersebut. hal ini mudah bagi komputer untuk memahaminya.

Namun sifat utama dari unstructured-data adalah tidak memiliki atribut tipe data spesifik seperti pada structured-data, hanya berupa sekumpulan text saja.

Lalu, bagaimana manusia bisa tahu makna dari unstructured-data?

Manusia bisa tahu melalui konteks dari kalimat atau teks tersebut.

Ambil contoh pada kalimat "Dana baru saja mendapatkan dana segar", kita bisa dengan mudah memahami bahwa kata Dana bermakna berbeda secara konteks dalam kalimat tersebut. Namun bagi komputer kata dana adalah merupakan kata yang identik.

Perbandingan structured-data vs unstructured-data

Lalu bagaimana kita menganalisis unstructured-data tersebut jika ternyata tidak mudah bagi komputer?

Tenang..dulu mungkin sulit, namun saat ini sudah banyak berkembang teknologi yang mampu membantu analisis teks, apalagi dewasa ini dengan semakin berkembang dan booming-nya teknologi Big Data. Untuk informasi tambahan akan admin coba sebutkan di bawah contoh-contoh teknologi yang bisa kita gunakan untuk analisis teks ini.

Pertanyaan yang muncul selanjutnya untuk apa kita perlu melakukan analisis teks?

Manfaat analisis teks

Untuk dapat menjawab pertanyaan mengapa perlu melakukan analisis teks adalah karena proses ini akan memberikan manfaat yang cukup berarti bagi sebagian besar industri atau kepentingan lainnya seperti politik misalnya. Sebagai contoh, berikut beberapa kegunaan yang diperoleh dari aktivitas analisis teks.

• Jika perusahaan rekans ada kecurigaan tentang kemungkinan rahasia perusahaan yang bocor ke pesaing oleh karyawan sendiri, maka perusahaan dapat menganalisis jutaan email karyawan perusahan untuk mendeteksi lebih awal kemungkinannya.
• Jika rekans ingin mengetahui kesulitan/keluhan yang dihadapi oleh pelanggan ketika menggunakan produk rekans, maka rekans dapat menganalisis komentar dan pertanyaan mereka di forum ataupun di social media.
• Jika rekans ingin mengukur dan membandingkan persepsi positif atau negatif terhadap perusahaan, merek, atau  produk, maka rekans dapat melakukan analisis sentimen (Sentiment Analytics) menggunakan analisis teks.
• Jika rekans ingin mengukur dan membandingkan persepsi masyarakat terhadap calon pemimpin suatu daerah, ambil contoh yang sedang hot saat admin menulis artikel ini adalah pemilihan gubernur Jakarta. Pak Basuki Tjahaja Purnama (Ahok) atau lawannya seperti Sandiaga Uno bisa memanfaatkan analisis teks sebagai bagian strategi penting dalam mendukung kemenangannya masing-masing.
• dan masih banyak lagi contoh manfaat dari melakukan analisis teks.

Teknologi analisis teks yang tersedia

Dengan banyaknya teknologi yang tersedia saat ini, ketika memilih teknologi analisis teks yang akan kita gunakan bisa tergantung dari tiga faktor berikut ini.

1. Tipe data yang akan diolah
2. Informasi penting apa yang ingin di ektraks
3. Lingkungan teknologi yang akan digunakan

Berikut ini beberapa contoh teknologi yang bisa digunakan untuk keperluan analisis teks

1. Pig
2. JAQL
3. AQL
4. Phyton Natural languange Toolkits (NLTK)
5. General Architecture for Text Engineering (GATE)
6. QDA Miner Lite
7. TAMS Analyzer
8. Carror2
9. CAT
10. KH Coder

Untuk tiga teknologi paling atas termasuk alat bantu yang tersedia pada lingkungan teknologi Big Data dan Hadoop. sebenarnya masih banyak tools atau teknologi selain 10 teknologi diatas, namun untuk artikel ini admin coba sebutkan list diatas sebagai contoh saja.

Demikian artikel ini admin tulis, jika rekans merasa bermanfaat, tentu dengan senang hati admin perbolehkan rekans untuk share ataupun like artikel ini.

Tag : Pengertian Analisis Teks dan Manfaatnya Dalam Analisis Data, pentingnya unstructured-data dan Masalah dari unstructured-data.

Read More

Pengertian dan Manfaat Analisis Big Data Bagi Kemajuan Bisnis

[Kincaimedia.net]

Pada kesempatan kali ini admin coba membahas Apa itu Analisis Big Data (Big Data Analytics) dan informasi lainnya yang terkait dengan big data dan analisis.

Mengapa analisis big data ini menjadi sesuatu yang perlu diketahui oleh rekans atau perusahaan rekan ?

Hal ini mengingat begitu besarnya potensi manfaat yang didapatkan jika rekans atau perusahaan rekans dapat menerapkan analisis terhadap big data. Bagi rekans yang ingin tahu manfaat penting dari penggunaan analisis big data serta informasi berharga lainnya, dapat melanjutkan untuk membaca artikel ini sampai selesai, karena akan admin tunjukkan pada sub bab di bawah.

Sebagai permulaan, untuk kemudahan pemahaman dasar tentang apa itu analisis big data, admin akan memulai dengan membahas tentang  definisi analisis big data.

Pengertian Analisis Big Data

Untuk mengerti definisi analisis big data, kita tidak bisa lepas dari memahami apa itu big data dan apa itu analisis data. Istilah big data telah admin bahas khusus pada artikel Pengertian dan Sejarah Big data, namun admin akan coba berikan overview singkat tentang big data disini.

Big Data merupakan istilah untuk menggambarkan data set yang besar baik Structured, Semi-Structured maupun Unstructured data. Definisi big data bisa juga dijelaskan dalam 3V :

1. Volume berarti data set yang disimpan dalam jumlah yang besar
2. Velocity berarti ada kebutuhan mengakses data set besar tersebut dengan cepat
3. Variety berarti format data yang semakin bervariasi saat ini.

Berikut ini tiga jenis format data :

1. Structured data seperti relational database (RDBMS)
2. Semi-Structured data seperti XML, JSON
3. Unstructured data seperti Dokumen, metadata, video, gambar, audio, file teks, ebooks, email message, social media, jurnal dll.

Analisis data adalah proses meneliti data untuk mengetahui pola tersembunyi, korelasi yang belum diketahui, dan informasai berguna lainnya.

Dengan demikian pengertian Analisis Big Data adalah proses meneliti, mengolah data set besar (Big Data) untuk mengetahui pola tersembunyi, korelasi yang tidak diketahui, tren pasar, preferensi pelanggan dan informasi bisnis berguna lainnya.

Jika ingin lebih legkap bisa membaca dari link Wiki berikut ini : Big Data dan  Analisis, Perlu fokus lebih untuk dapat memahaminya ;)

Sejarah dan Evolusi Analisis Big Data

Konsep big data telah ada selama bertahun-tahun kebelakang, sekarang sebagian besar organisasi mengerti bahwa jika mereka mampu menampung semua data set besar yang mengalir ke dalam bisnis mereka, maka mereka dapat menerapkan analisis dan mendapatkan manfaat/informasi yang sangat berharga dari proses analisis tersebut.

Jika kita lihat ke belakang sebelum istilah Big Data dikenal, di tahun 1950-an bisnis pada saat itu sudah menggunakan analisis konvensional, yang didasarkan pada spreadsheet yang dikaji secara manual untuk mengungkap informasi berharga dan tren.

Lalu apa yang ditawarkan oleh analisis big data?

Benefit analisis big data di bandingkan dengan analisis konvensional adalah kecepatan dan efisiensi.

Sebelum aplikasi analisis big data muncul, bisnis akan mengumpulkan data ke dalam data warehouse dari database enterprise seperti Oracle, DB2, MS SQL Server, kemudian melakukan analisis untuk membantu pengambilan keputusan yang bermanfaat untuk masa depan bisnis perusahaan.

Kendala yang dihadapi muncul dengan pertumbuhan data yang sangat pesat dari berbagai jenis tipe data, sehingga dengan analisis konvensional ada limitasi untuk dapat menampung data set besar tersebut, waktu yang relatif lama diperlukan untuk menghasilkan informasi berharga dari analisis.

Kemunculan teknologi analisis big data memberikan solusi bagi bisnis untuk mendapatkan hasil analisis segera bahkan real-time sekalipun, sehingga memberikan bisnis keunggulan dalam berkompetisi.

Mengapa Analisis Big Data Penting?

Analisis Big Data membantu organisasi memanfaatkan data dan menggunakannya untuk mengidentifikasi peluang-peluang baru. Yang pada gilirannya menyebabkan bisnis bergerak lebih cerdas dan cepat karena didukung oleh operasional yang lebih efisien, yang pada akhirnya mendatangkan keuntungan yang lebih tinggi dan pelanggan lebih senang tentunya.

Dalam laporan yang ditulis oleh Tom Davenport (Direktur Riset IIA) setelah ia mewawancarai lebih dari 50 usaha untuk memahami bagaimana mereka menggunakan Big Data. Ia menemukan mereka mendapatkan manfaat penting sebagai berikut :

1. Penghematan biaya, Teknologi analisis Big data seperti hadoop dan analisis berbasis cloud membawa pengurangan biaya yang signifikan dalam hal untuk menyimpan data set dalam jumlah besar, selain mereka dapat mengidentifikasi cara-cara yang lebih efisien dalam melakukan bisnis.
2. Lebih cepat dan baik dalam pengambilan keputusan, dengan kecepatan teknologi big data seperti Hadoop dalam melakukan analisis dengan dikombinasikan dengan kemampuan untuk menganalisis berbagai macam sumber data baru, membuat bisnis mampu menganalisis informasi dengan cepat dan membuat keputusan berdasarkan hasil analisis tersebut.
3. Melahirkan produk dan pelayanan baru, dengan kemampuan mengukur kebutuhan dan kepuasan pelanggan mendatangkan keunggulan dari bisnis untuk menciptakan produk dan layanan baru yang sesuai dengan keinginan dan kebutuhan dari pelanggan.

Dengan 3 manfaat penting tersebut akan membantu bisnis mencapai tujuan/goal utama dalam meningkatkan keuntungan demi kemajuan bisnisnya.

Contoh Aplikasi Analisis Big Data

Berikut ini beberapa contoh Aplikasi yang ditawarkan oleh perusahaan/vendor dalam hal analisis terhadap big data :

1. IBM Big data Analytics
2. HP Big Data
3. SAP Big Data Analytics
4. Microsoft Big Data Analytics
5. Oracle Big Data Analytics
6. Talend Open Studio
7. Teradata Big Data Analytics
8. SAS Big Data Analytics
9. Dell Big Data Analytics,  
10. Pentaho Big Data Analytics
11. Amazon Web Service
12. Google Big Query
13. Pivotal Big Data
14. Cloudera Enterprise Big Data
15. Hortonworks Data Platform

Solusi big data yang ditawarkan pada umumnya menggunakan kerangka kerja (framework) Hadoop dan beberapa tools pendukung lainnya seperti HBase, Pig, Hive, Mapreduce, Oozie, Zookeeper, HCatalog, Avro, Sqoop. Yang memungkinkan pengguna untuk menyimpan, mengelola dan menganalisa data dari berbagai sumber, di mana data tersebut dapat diakses oleh para analis bisnis, data scientist dan pengguna/praktisi TI.

Solusi big data tersebut adapula yang secara arsitektur dikombinasikan dengan teknologi yang sudah biasa untuk keperluan analisis dan visualisasi data,  seperti Data Warehouse dan Business Intellegent (BI). Dengan menggunakan tools visualisasi tersebut akan lebih menarik dan mudah dalam penyediaan reporting dari hasil analisis.

Sepertinya nanti akan admin tulis artikel khusus pembahasan detil tentang software tersebut di atas.

Contoh Studi Kasus Penggunaan Analisis Big Data

Dalam implementasinya, penerapan analisis big data cocok untuk berbagai bidang bisnis. Berikut ini admin coba listing-kan beberapa contoh studi kasus penggunaannya :

1. Lembaga keuangan dapat menggunakan analisis big data agar cepat mengidentifikasi potensi penipuan sebelum menjadi besar efeknya, sehingga meminimalkan resiko kerugian secara finansial.
2. Pemerintahan dapat manfaatkan analisis big data untuk meningkatkan keamanan negara dengan mampu mendeteksi, mencegah dan melawan serangan cyber.
3. Industri kesehatan dapat menggunakan analisis terhadap big data untuk meningkatkan layanan perawatan pasien dan menemukan cara yang lebih baik untuk mengelola sumber daya dan personil.
4. Perusahaan telekomunikasi dapat memanfaatkan analisis big data untuk mencegah churn pelanggan, dan juga merencanakan cara terbaik untuk mengoptimalkan jaringan nirkabel baik yang baru maupun yang sudah ada.
5. Marketing dapat menggunakan big data untuk melakukan analisis sentimen untuk mengetahui tingkat kepuasan pelanggan terhadap produk dan layanan yang dipasarkan.
6. Perusahaan asuransi dapat menggunakan analisis big data untuk mengkategorikan pengajuan asuransi yang dapat segera diproses, dan mana yang perlu divalidasi dengan dilakukan kunjungan oleh agen asuransi.
7. Perusahaan ritel dapat menggunakan informasi dari social media seperti Facebook, Twitter, Google+ yang disimpan dengan teknologi big data, yang selanjutnya digunakan untuk menganalisis bagaimana perilaku, persepsi pelanggan terhadap suatu produk atau brand dari perusahan.

Di atas hanya beberapa contoh penggunaan big data dalam rangka keperluan analisis. Saya rasa masih banyak contoh lainnya.

Sejalan dengan terus berkembangnya teknologi analisis big data, dan hampir semua bisnis sudah mulai berfikir bahwa mendapatkan manfaat dari implementasi analisis big data adalah suatu keharusan untuk menghadapi perubahan dan persaingan yang semakin pesat dan ketat saat ini.

Karena hal di atas, bisa kita prediksi kedepan penerapan big data menjadi sesuatu yang umum, sehingga akan semakin banyak lagi contoh studi kasus pemanfaatan big data selain yang admin sebutkan.

Bagaimana Melakukan Analisis Big Data?

Berikut ini beberapa jenis metode atau teknik dalam melakukan analisis big data :

1. Analisis Teks, merupakan proses menganalisis data teks (unstructured-data) seperti blog, email, forum, tweet, forum dan bentuk lainnya.
2. Data Mining, merupakan suatu proses menemukan hubungan yang berarti, pola, dan kecenderungan dari sekumpulan besar data dengan menggunakan teknik pengenalan pola seperti statisik dan matematika
3. Machine Learning
4. Analisis Prediksi (Predictive Analytics)
5. Analisis Statistik
6. NLP (Natural Language Processing)

Demikian pembahasan tentang analisis big data, semoga dapat bermanfaat.

Tag : Pengertian Analisis Big Data, dan Manfaat Analisis Big Data Bagi Kemajuan Bisnis, cara Melakukan Analisis Big Data.

Read More

Panduan Lengkap Penggunaan Big Data di Amazon Web Services (AWS)

[Kincaimedia.net]

Apakah Anda berjuang dengan bekerja pada big data (set data yang besar) pada laptop Anda? Saya baru-baru mencoba bekerja pada 10 GB pengenalan bigdata. Tapi, karena kekuatan komputasi terbatas laptop saya, admin tidak bisa melangkah lebih jauh. dan sekarang bertekad untuk memecahkan masalah ini, dan untungnya, dalam beberapa jam, admin berhasil membuat sebuah mesin 24GB pada AWS secara gratis dan mendapat hasil yang lebih baik.

Saya mendapatkannya secara GRATIS karena admin menggunakan versi trial dengan fitur terbatas, hanya untuk melihat seberapa cepat itu bisa bekerja. Saya terkejut, itu super cepat. Saya yakin akan ada banyak lagi seperti saya, yang tidak tahu bagaimana menangani big data pada laptop mereka. Bahkan, sebagian besar dari kita berpikir untuk membeli laptop baru yang kuat ketika menghadapi rintangan ini. Tapi, komputasi pada Platform AWS cukup murah.

Hanya untuk membantu Anda menangani masalah ini, admin akan berbagi langkah demi langkah proses admin digunakan untuk mengatur koneksi 24GB AWS misalnya dengan laptop saya. Untuk menunjukkan cara kerjanya, admin juga menunjukkan beberapa perhitungan pada data yang diatur dalam Python. Untuk pengguna R, semuanya tetap sama kecuali pada baris kode yang admin telah soroti dibawah.

Panduan pemula penggunaan Big Data di Amazon Web Services (AWS)

Catatan : Ini bukan posting promosi. Saya tidak berniat untuk mempublikasikan AWS di masyarakat analytics. Posting ini dimaksudkan untuk orang-orang yang menghadapi kesulitan bekerja pada big daya dan ingin bekerja lebih cepat. 

Daftar Isi

1. Apa itu AWS ?

2. Cara mengkonfigurasi AWS ?

3. Membangun project pertama di Instance Amazon Web Service ?

Pembahasan

1. Apa itu AWS ?

Amazon EC2 (Elastic Compute Cloud) menyediakan akses ke sumber daya terukur di cloud computing. Ini memungkinkan organisasi dan individu untuk menjauh dari pengaturan dan memelihara hardware di situs. Anda dapat menggunakannya seperti laptop Anda sendiri dan dapat mengkonfigurasi sesuai keinginan anda, dan dengan harga yang murah dengan pilihan yang bervariasi. Amazon EC2 memungkinkan Anda untuk mengelola keamanan, jaringan dan penyimpanan yang diinginkan.

Mari kita mencoba dan memahami beberapa istilah yang digunakan oleh AWS. Ini akan membuat kita lebih mudah untuk menggunakan interface dan platform AWS.

1.1 Instances dan AMIs
Seperti yang dijelaskan oleh AWS, AMIs (Amazon Machine Image) adalah template yang berisi konfigurasi perangkat lunak (misalnya, sistem operasi, server aplikasi, dan aplikasi). Anda dapat memahaminya sebagai definisi tingkat tinggi sistem Anda. AMIs dapat dipahami sebagai kategori yang berbeda dari sistem.

Misalnya, OS Windows vs OS Linux. Ini definisi tingkat tinggi dan tidak cukup untuk sepenuhnya menentukan hardware. Jadi, kami pergi ke tingkat berikutnya dan menentukan sebuah contoh yang hanya salinan dari AMI tetapi dengan rincian granular ditentukan yang dibutuhkan untuk sebuah sistem, seperti RAM, penyimpanan memori, jumlah core, dll

1.2 Daerah dan Zona Ketersediaan
Pusat data Amazon di beberapa lokasi. Sebuah daerah mengacu pada lokasi geografis terpisah sementara zona ketersediaan adalah lokasi terpencil di suatu daerah. Anda dapat memilih untuk menempatkan sumber daya di beberapa zona ketersediaan. Jika lokasi tertentu dipengaruhi oleh kegagalan, semua lokasi lain masih akan tetap berjalan normal.

Infrastruktur AWS dapat diamati pada peta berikut diberikan oleh AWS :

Beberapa poin yang perlu diperhatikan:

• AWS tidak menyediakan transfer data antar daerah. Jadi bagian yang harus dikelola dengan menggunakan protokol keamanan Anda sendiri melalui internet.

• Bahkan jika kita menempatkan contoh diatas, beberapa zona ketersediaan dan salah satu dari mereka gagal, maka kita bisa menentukan alamat IP terbaik.

• Zona ketersediaan diwakili oleh kode wilayah diikuti dengan identifier surat, misalnya "us-west-1a". Tapi pengenal ini ditetapkan untuk satu account dan tidak dapat dibandingkan seluruh akun.

1.3 Jenis Instance
Jenis menentukan perangkat keras komputer host yang digunakan, misalnya Setiap jenis contoh menawarkan kemampuan komputasi, memori, dan penyimpanan yang berbeda dan dikelompokkan, misalnya berdasarkan kemampuan.

Biasanya, beberapa bagian dari sumber daya komputer host berdedikasi untuk sebuah contoh tetapi dalam kasus sumber daya kurang dimanfaatkan, dapat diberikan kepada kasus lain. Jadi sumber daya bervariasi antara rentang untuk jenis tertentu.

Contoh yang baik contoh generasi sekarang atau contoh generasi sebelumnya. Para pengguna baru harus selalu menggunakan generasi sekarang sebagai contoh generasi sebelumnya adalah untuk mereka yang sudah dioptimalkan dan beralih ke contoh generasi baru memakan waktu.

1.3.1 ECU (EC2 Compute Unit)
Sejak server AWS didasarkan pada berbagai perangkat keras, sangat sulit untuk memberikan perbandingan kinerja secara absolut. Untuk mengatasi tantangan ini, AWS telah diciptakan ECU sebagai patokan hardware. 1 ECU adalah kapasitas CPU setara dengan 1,0-1,2 GHz 2007 Opteron atau 2007 prosesor Xeon. Jadi sekarang kita dapat dengan mudah membandingkan kinerja, dari 10ECU vs 88ECU misalnya.

1.3.2 Contoh Kinerja Burstable
Dalam sebuah contoh, tingkat minimum daya komputasi adalah standar tetapi dapat memiliki dorongan tergantung pada waktu idle dan penggunaan. hal ini memperoleh kredit ketika mereka menganggur dan menggunakannya ketika mereka aktif. Jumlah kredit yang diterima tergantung pada ukuran.

1.3.3 Amazon EBS (Elastic Block Store)
Di AWS, memori yang tersedia dalam dua bentuk. Pertama adalah toko, misalnya yang merupakan penyimpanan sementara dan semua data di dalamnya akan dihapus dan dihentikan. Tapi storage ini bekerja sangat cepat.

Bentuk lain adalah Amazon EBS yang seperti hard-disk eksternal yang melekat pada sistem. Setiap data yang tersedia pada ini tetap ada bahkan ketika misalnya tidak di bawah operasi. Tapi karena ini adalah seperti sebuah perangkat eksternal, kecepatan transfer data akan lambat seperti beberapa perangkat yang menggunakan ruang pada hardware yang sama.

Kecepatan akan ini bervariasi tergantung pada beban. Untuk mengatasi tantangan ini, AWS menawarkan sebuah opsi bernama sebagai EBS Optimized. Hal ini memungkinkan bandwidth dedicated antara AWS server dan perangkat penyimpanan data. Ini mungkin gratis dengan AWS atau dapat dibeli dengan biaya tambahan.

1.3.4 Contoh Dedicated
Ini adalah contoh yang berdedikasi pada tingkat hardware server. Biasanya, server akan digunakan untuk menjalankan beberapa contoh milik berbagai pelanggan. Tetapi jika pelanggan menuntut dedicated server yang hanya akan dijalankan untuk akun tertentu, didedikasikan merupakan pilihan.

Tag : Big Data, Amazon Web Services

2. Cara mengkonfigurasi AWS ?

Mari kita setup dan meluncurkan sebuah contoh menggunakan AWS sebagai pengetahuan yang telah kita peroleh sampai sekarang. Untuk tujuan demo ini, admin akan menggunakan contoh yang tersedia secara gratis sehingga Anda juga dapat mencobanya dengan tanpa biaya yang terlibat.

Dalam rangka untuk mendapatkan contoh pertama, Ikuti langkah-langkah berikut ini :

Langkah 1 : Login ke Account AWS Anda
Pertama kita perlu account AWS. AWS menawarkan beberapa contoh gratis yang bisa kita manfaatkan dalam tutorial ini. Setelah masuk ke akun Anda, konsol manajemen Anda akan terlihat seperti ini:

Pada halaman ini, Anda harus memilih "EC2" pilihan yang admin sudah disorot dalam warna orange di sisi kiri atas. Ini akan membawa Anda ke Dashboard EC2 yang terlihat seperti:

Ini adalah konsol di mana Anda dapat mengelola kasus Anda. Hal ini memberikan snapshot dari akun Anda. Karena kita membuat contoh pertama kami, memungkinkan langsung klik tombol biru besar di tengah - Peluncuran Instance. Ini akan memulai proses peluncuran Instance baru.

Tag : Panduan pemula Big Data dengan Amazon Web Services

Langkah 2: Pilih Amazon Machine Image (AMI)
Sekarang kita harus memilih AMI kami. Tombol Launch Instance akan membawa kami ke layar berikut:

Anda dapat melihat berbagai pilihan di sini:

• Quick Start : Ini adalah AWS didefinisikan Amis standar yang dapat kita pilih

• My AMIs : Custom Amis dibuat dalam akun

• AWS MarketPlace : pihak ketiga Amis pra-dikonfigurasi untuk menjalankan beberapa software tertentu

• Community AMIs : Tujuan tertentu yang dibuat oleh pengembang AWS

Saat ini, admin hanya akan menggunakan salah satu, yaitu Quick Start. Ubuntu Server 14.04 AMI yang admin pilih di atas. Anda harus mengeksplorasi pilihan lain juga setiap kali Anda mendapatkan kesempatan.

Perhatikan bahwa halaman ini menunjukkan hanya 4 AMIs tetapi ada banyak lagi yang Anda gulir ke bawah. Anda harus berhati-hati dari "Free Tier Eligible" tag. Hanya AMIs memiliki tag ini akan jatuh di bawah sumber daya gratis yang tersedia di tahun pertama.

Langkah 3 : Pilih Instance Type
Pada langkah ini, kita harus memilih sebuah contoh yang akan didasarkan pada AMI yang dipilih di atas.
Terlihat seperti halaman berikut :

Di sini Anda dapat melihat 2 pilihan :

• All Instance Type : Di sini Anda dapat menyaring dan memilih salah satu jenis instance luas seperti yang dijelaskan di sini .

• Current Generation : Opsi ini dapat dimodifikasi untuk mendapatkan contoh generasi sebelumnya juga

Di sini kita hanya akan memilih misalnya t2.micro karena merupakan satu-satunya yang gratis.

Langkah 4: Konfigurasi Detail Instance
Tampilannya terlihat seperti:

Halaman ini memungkinkan berbagai pengaturan seperti:
- Purchasing option: pilih antara biasa atau tempat Instance
- Tenancy : pilih jika contoh khusus diperlukan

Langkah 5: Tambahkan Storage
Sekarang kita dapat mengkonfigurasi pengaturan memori dari instance. Halaman terlihat seperti:

Seperti yang Anda lihat, secara default memori 8GB yang tersedia. kita dapat menambahkan sampai  30GB dari tujuan umum EBS secara gratis. Jadi admin telah menambahkan memori 16GB lain di sini.

Perhatikan bahwa kita akan melewatkan 2 langkah selanjutnya dalam tutorial dasar ini. Anda dapat meninjau dan mengisi beberapa nilai sebagai per aplikasi Anda.

Tag : Penggunaan Big Data, Amazon Web Services

Langkah 6: Peluncuran Akhir
Langkah ini menampilkan ringkasan dari pilihan yang dibuat sebelum Anda memulai. Bagi kami, halaman akan terlihat seperti:

Anda dapat memeriksa pilihan dan meluncurkan misalnya. Sementara meluncurkan AWS akan muncul untuk pasangan password. Ini tidak lain hanyalah ukuran keamanan. Alih-alih mengingat password AMI untuk meluncurkan misalnya setiap kali, kita dapat membuat password yang bisa kita download di lokal sebagai file pem. Hal ini dapat digunakan di tempat password. Hal ini dapat dibuat sebagai:

 Cukup pilih "Create a new key pair", lalu ketik nama dan download file .pem di lokasi yang dikenal. Ini akan digunakan untuk mengakses instance.

Sekarang instance diluncurkan, itu akan mengarahkan kita ke Dashboard EC2 dimana kita dapat memeriksa instance berjalan. Bagi saya, ini tampak seperti:

Di sini Anda dapat melihat 2 instance tapi yang atas adalah salah satu yang admin buat sekarang. Perhatikan bahwa instance mengambil beberapa waktu untuk dikonfigurasi. Cek Status kolom menunjukkan Memulai.. sebagai komentar sementara instance sedang diluncurkan. Sekarang kita bisa melihat semua lulus pemeriksaan, selanjutnya klik Connect yang akan memungkinkan kita untuk mulai berbicara (maksud admin dalam bahasa kode :p).

Anda akan mendapatkan berikut pop-up :

Hal ini menunjukkan 2 pilihan tersambung ke instance.
Pertama adalah dengan menggunakan SSH Client seperti Putty.
Kedua adalah dengan menggunakan browser langsung. Karena admin memiliki sistem Mac OS X, admin bisa sederhana menggunakan terminal untuk menyambungkan nya menggunakan SSH. Jika Anda menggunakan windows, Anda dapat menginstal Putty atau gunakan opsi pertama.

3. Membuat model pertama di Instance Amazon Web Service ? 

Saya akan membawa Anda melalui langkah-langkah saya, yang dapay Anda ikuti untuk terhubung ke instance menggunakan terminal Mac.

1. Pilih folder yang berisi file yang pem-download sebagai direktori saat ini
2. Jalankan perintah pada langkah # 3 dari halaman koneksi atas – chmod 400 test-instance.pem
3. Jalankan perintah pada langkah # 4 dari halaman koneksi atas – ssh -i “test-instance.pem” ubuntu@ec2-52-39-116-59.us-west-2.compute.amazonaws.com

Sekarang kita akan masuk ke terminal dari ubuntu. Sebuah snapshot dari terminal admin dengan semua langkah di atas adalah sebagai berikut:

Anda dapat melihat bahwa pada akhirnya, kita masuk ke instance AWS dan dapat mengakses terminal. Sekarang kita dapat dengan mudah menjalankan beberapa kode python di dalamnya.

Mari kita mulai dengan masuk ke python menggunakan perintah - python seperti yang ditunjukkan:

Ingat bahwa ini adalah seperti sistem baru sehingga kita harus menginstal semuanya dari awal. Mari kita mulai dengan menginstal pip yang dapat digunakan untuk menginstal paket-paket lain. Hal ini dapat dilakukan dengan menggunakan perintah:

#Install setuptools:
wget https://bootstrap.pypa.io/ez_setup.py -O - | python - --user
sudo python setup.py install

#Install pip:
wget https://pypi.python.org/packages/source/p/pip/pip-1.1.tar.gz#md5=62a9f08dd5dc69d76734568a6c040508
tar -xvf pip*.gz
cd pip*
sudo apt-get install python-pip

Kode-kode ini akan berhasil menginstal pip. Sekarang kita dapat menginstal numpy, scipy dan sklearn menggunakan perintah berikut:

pip install numpy

pip install scipy

pip install sklearn

Perintah ini akan menginstal perpustakaan masing-masing. Jika Anda mendapatkan masalah izin ditolak, Anda dapat menambahkan sudo (super digunakan do) di depan ini yang seharusnya bisa mengatasi masalah tersebut.
Perhatikan bahwa di sini admin hanya melakukan ini untuk demonstrasi jadi ini bekerja. Tapi dalam prakteknya, Anda mungkin ingin membuat beberapa lingkungan virtual di mana kode Anda pergi sehingga tidak mempengaruhi kode lain.

Mari masuk ke dalam python sekarang dan mengimpor perpustakaan tersebut untuk memastikan bahwa mereka dipasang.

Sekarang mari kita memuat atur dataset dan membuat klasifikasi keputusan di atasnya.

from sklearn.datasets import load_iris
iris = load_iris()
print iris.data[:10,:]

Sekarang kita bisa membuat pohon keputusan cepat di atasnya dan menganalisis skor validasi silang.

Jadi kita telah berhasil membuat model pertama kami pada sebuah instance AWS dan itu juga gratis ! Saya akan memberikan tutorial ini berhenti pada titik ini.

Catatan akhir

Pada artikel ini, kita mulai dengan berkenalan dengan konsep dan terminologi yang diperlukan untuk memahami sistem AWS. Kemudian pindah ke pengaturan instance AWS secara gratis! Perjalanan jelas ditata dengan screenshot dari seluruh proses.

Akhirnya, admin menginstal perpustakaan python dasar termasuk numpy dan sklearn dan membuat model pertama admin pada dataset IRIS. Ini adalah pengenalan tingkat yang sangat tinggi untuk AWS tapi admin sudah mencoba untuk tetap fundamental.

Jika Anda mengikuti artikel ini, admin yakin Anda akan mendapatkan nuansa sistem yang akan membantu Anda dalam aplikasi praktis hardcore di masa depan. Apakah Anda suka membaca artikel ini? Apakah Anda akan berbagi pengalaman / saran di bagian komentar di bawah ini. Saya ingin tahu pengalaman Anda bekerja pada AWS.

Read More

Perusahaan Big Data Paling Rahasia - Palantir Technologies, Inc.

[Kincaimedia.net]

Palantir Technologies, Inc. merupakan perusahaan perangkat lunak dan penyedia layanan Amerika yang berfokus di analisa data. Didirikan pada tahun 2004 oleh Nathan Gettings, Peter Thiel, Alex Karp, Joe Lonsdale dan Stephen Cohen-lima, yaitu 5 orang yang sangat berkompeten di bidang teknologi.

Palantir memiliki fokus ke non-con-sumer tapi lebih ke public service Amerika seperti agen federal dan komunitas intelijen pemerintah Amerika. Palantir kemudian merambah ke industri finansial dan kesehatan. Keahlian Palantir di bidang big data keamanan menyedot para investor kakap. Akhir tahun lalu, Palantir mendapat suntikan dana segar sebesar US$ 880 juta. Selain In-Q-Tel dan Founders Fund, perusahaan investasi Tiger Global Management juga membenamkan duitnya di Palantir. Saat ini, valuasi Palantir telah mencapai US$ 20 miliar.

Palantir mempunyai dua produk utama yaitu Palantir Gotham dan Palantir Metropolis

Palantir Gotham adalah perangkat lunak yang digunakan untuk analisa pencegahan terorisme, deteksi kecurangan pada penggunaan anggaran pemerintah, dan analisa kejahatan cyber.

Palantir Metropolis adalah produk analisis yang memiliki kemampuan investigasi data kuantitatif secara masif dengan mengintegrasikan berbagai sumber data yang kelihatannya tidak berhubungan ke dalam satu lingkungan terpadu.

Begitu mereka mengibarkan Palantir, CIA datang sebagai klien pertama. Mereka saat itu, diuntungkan oleh situasi kondisi karena setelah peristiwa 11 September, Pemerintah AS gencar memerangi terorisme. Kala itu, CIA membutuhkan piranti lunak yang bisa menganalisa data dengan tujuan menemukan gerak-gerik teroris sekaligus mendeteksi dini potensi wabah penyakit. Belum banyak ketika itu start up yang bermain pada analisa data intelijen.

Ide dari Palantir pun disambut baik, bahkan kemudian CIA tertarik untuk menjadi salah satu investor mereka. Sejumlah nama penting di kalangan militer masuk jajaran dewan penasihat Palantir. Diantaranya eks Menteri Luar Negeri AS Condoleezza Rice dan mantan Direktur CIA George Tenet.

Palantir mengolah data kejahatan dari CIA sehingga bisa menciptakan piranti lunak yang memungkinkan CIA untuk mengetahui gerak-gerik sindikat berbahaya yang dikembangkan China dan negara lain.

Sukses dengan CIA, Palantir merambah klien korporasi dengan menyodorkan jasa analisisi data keamanan. Palantir mempunyai 18 layanan mulai dari anti fraud, kemanan jaringan, asuransi analisis sampai beberapa solusi teknlogi yang bisa disesuaikan dengan keinginan klien. Namun bisnis utamanya adalah Palantir Gotham yang digunakan untuk analisis melawan terorisme. Produk ini ditujukan untuk beberapa instansi pemerintahan.

• Platform

Platform Palantir Gotham memiliki kemampuan untuk mengintegrasikan berbagai sumber data yang berbeda untuk keamanan analisis kolaboratif. Platform ini berfungsi sebagai pengetahuan perusahaan, yang berisi catatan lengkap dari analisis kolektif organisasi.

• Flexible Modeling

Model data Palantir Gotham disebut “Dynamic Ontologi”, karena dapat didefinisikan dan ditetapkan dengan cepat, memungkinkan untuk mengintegrasikan berbagai macam data dari berbagai sumber yang berbeda ke dalam satu kesatuan yang utuh yang mencerminkan bagaimana orang-orang secara alami memahami informasi.

• Knowledge Management

Semua data terintegrasi disimpan dalam database Revisioning Palantir Gotham. The RevDB melacak setiap perubahan yang dibuat ke obyek, apakah perubahan ini berasal dari sumber data atau dibuat oleh pengguna. Konseptual mirip dengan Git dan sistem kontrol versi lain terdistribusi, RevDB memungkinkan analis untuk bekerja di kotak pasir individu yang dilacak menggunakan sejarah percabangan revisi, sampai mereka siap untuk mempublikasikan temuan mereka kepada perusahaan.

Pengguna dapat menjelajahi jalur yang berbeda dari penalaran, merekam setiap langkah di sepanjang jalan, dan melompat kembali ke titik awal dalam penyelidikan mereka. Analis dapat berbagi wawasan tanpa kehilangan pekerjaan mereka sendiri. Hasilnya adalah pengetahuan versi-terkontrol yang merupakan akumulasi wawasan pengguna organisasi, mengubah analisis mereka menjadi data yang dapat lebih memanfaatkan oleh perusahaan.

• Privacy and Security Controls

Kemampuan privasi-pelindung yang dibangun ke dalam sangat arsitektur platform, yang dirancang untuk mendukung presisi penanganan data, keamanan multi-level, dan auditability lengkap. Pertama, setiap properti dari setiap objek diintegrasikan ke dalam platform yang ditambatkan ke sumber data aslinya, di mana pembatasan akses dapat diterapkan pada basis per-properti (kadang-kadang disebut sebagai “keamanan tingkat sub-sel”). Kemudian, pengguna dapat ditugaskan berbagai izin akses yang mengatur kemampuan mereka untuk berinteraksi dengan data ini. Akhirnya, semua pengguna dan administrator interaksi dengan data yang dicatat dalam log audit tamper-proof.

• Colaboration

Database Revisioning dan teknologi Mengintip Nexus Palantir Gotham memungkinkan beberapa pengguna, dalam dan di organisasi, untuk mulus, aman, kolaboratif menganalisis data yang sama. Platform Palantir Gotham mendukung kolaborasi melintasi batas-batas organisasi, fungsional, dan geografis; di model keamanan dan model data; dan di bandwidth rendah, jaringan high-latency, termasuk koneksi satelit semua sambil menjaga keamanan dan integritas data.

Tag : Big Data Paling Rahasia, big data solutions companies, big data solution providers, big data cloud security, big data security solutions

Read More

Review 10 Perusahaan Big Data Analytics Terbaik Dunia

[Kincaimedia.net]

Bagi perusahaan Big Data, ini adalah masa kritis untuk berebut kompetitif. Ini adalah awal dari Data yang besar, yang berarti masih ada sejumlah perusahaan-campuran perusahaan-perusahaan baru dan perusahaan-perusahaan Silicon Valley penjaga tua – mencari untuk tinggal saat ini. Seperti segala sesuatu, Pasar Data besar akan berumur dan konsolidasi. Dalam lima tahun, Anda dapat bertaruh bahwa banyak perusahaan Big Data pada daftar ini akan baik untuk bisnis.

Artikel Terkait : Apa itu Big Data dan Kegunaan Big Data ?

Ini tidak dimaksudkan sebagai panduan pembeli Big Data. Sebaliknya, itu adalah gambaran dari 10 perusahaan besar di bidang Big Data Analytics. Kita tidak memandang pemain hardware, kecuali mereka memiliki perangkat lunak yang terjadi dengan itu (dan beberapa melakukan). Satu hal yang mereka memiliki kesamaan adalah analytics.

TOP 10 Big Data Companies

1. IBM

Selain besi yang besar, IBM menawarkan perangkat lunak database DB2, Informix dan InfoSphere, Cognos dan SPSS analytics aplikasi, dan tentu saja Divisi Global Services yang terkenal. IBM juga mendukung platform analisis hadoop.

2. HP

HP adalah vendor perangkat keras utama dan penyedia layanan, tetapi platform analytics adalah Vertica, yang diperoleh pada tahun 2011. Vertica Analytics Platform dirancang untuk mengelola volume besar, cepat tumbuh data terstruktur dan memberikan skalabilitas performa dan petabyte sangat cepat query pada komoditi server perusahaan. Ini juga memiliki unit otonomi dengan HAVEn perangkat lunak untuk menganalisis dan menemukan makna dari Petabyte informasi terstruktur dan tidak terstruktur.

3. EMC

EMC mengkhususkan diri dalam penyimpanan dan besar Data analytics yang dibangun di sekitar itu. EMC ini memiliki sebuah kelompok Big Data yang meliputi hardware dan software, dan sejumlah vertikal, seperti kinerja tinggi komputasi, perusahaan dan minyak dan gas eksplorasi. EMC juga memiliki Lab Sains pemasaran untuk membantu perusahaan-perusahaan yang menggunakan big data analytics di departemen pemasaran mereka.

4. Teradata

Teradata's Aster platform memiliki perpaduan analisis, termasuk Platform penemuan, database, penemuan portofolio dengan pra-dibangun fungsi untuk serangkaian luas aplikasi big data, mesin analisis grafik generasi Aster SQL-GR, SNAP kerangka untuk integrasi dan SQL antarmuka yang bersatu di beberapa mesin analitik dan sumber data dan MapReduce sendiri.

5. Oracle

Oracle telah alat Data yang besar yang menggabungkan Intel server dengan sejumlah produk perangkat lunak Oracle. Mereka termasuk Oracle NoSQL Database, Apache Hadoop, Oracle Data Integrator dengan aplikasi adaptor untuk Hadoop, Oracle Loader untuk Hadoop, Oracle R perusahaan alat, yang menggunakan bahasa pemrograman R dan lingkungan perangkat lunak untuk Statistik komputasi dan kualitas publikasi grafis, Oracle Linux dan Oracle Hotspot Java Virtual Machine.

6. SAP

Big Data alat yang terbaik SAP adalah database di memori HANA, perusahaan mengatakan dapat menjalankan analytics di 80 terabyte data, mengintegrasikan dengan Hadoop, Cari konten teks, memanfaatkan kekuatan analisis prediktif real-time, dan banyak lagi.

7. Microsoft

Mungkin tidak perusahaan pertama yang akan Anda memikirkan, tapi Microsoft Big data strategi yang cukup luas. Ini memiliki kemitraan dengan Hortonworks dan menawarkan HDInsights alat berbasis untuk menganalisis data terstruktur dan pada Hortonworks Data Platform. Microsoft juga menawarkan platform iTrend untuk pelaporan dinamis kampanye, merek dan produk individu.

8. Amazon Web Services

Amazon memiliki sejumlah perusahaan Big Data platform, termasuk berbasis Hadoop elastis MapReduce, DynamoDB Big Data database, dan gudang data secara besar-besaran paralel geseran merah. Semua layanan ini bekerja dalam penawarannya Amazon Web Services yang lebih besar.

9. VMware

VMware dikenal terbaik bagi hypervisor virtualisasi, tetapi membangun pada platform tersebut menawarkan big data perangkat lunak, seperti yang terakhir VMware vSphere ekstensi big data, yang memungkinkan kontrol vSphere Hadoop penyebaran dan membuatnya lebih mudah bagi perusahaan untuk memulai proyek-proyek big data.

10. Google

Google adalah lebih dari sebuah perusahaan Jasa Internet tapi itu membuat dorongan ke Big Data analytics dengan menawarkan BigQuery, platform analisis berbasis big data dengan cepat menganalisa dataset yang sangat besar. Tidak seperti kebanyakan layanan, Anda mengirim data ke BigQuery daripada menyimpannya dalam cloud computing.

Read More