APLIKASI BIG DATA DI BIDANG PENDIDIKAN

Penanganan melalui Big data Menurut  ada beberapa case yang mampu di tangani melalui big data, yaitu,

1) Storage

Kapasitas penyimpanan data yang ada saat ini sudah menjangkau ukuran terabyte, sedangkan arus data yang di dunia internet sudah mencapai exabyte. Meskipun data yang dihasilkan dari dunia pendidikan tidak sebesar data melalui internet, tetapi data tersebut sudah cukup besar dan dapat menjadi bertambah besar kedepannya. Tradisional RDBMS tidak mampu menyimpan dan memproses data jenis tersebut. Untuk mengatasi hal tersebut digunakan database yang tidak menggunakan query tradisional SQL.

2) Analisis

Data pada saat ini memiliki beragam tipe yang dapat dibagi berdasarkan tipe dilihat dari ukuran dan struktur datanya tersebut. Dalam menganalisa suatu data akan memerlukan banyak waktu dan sumberdaya. Untuk mengatasi hal tersebut, sketsa arsitektur digunakan untuk mengolah data secara terdistribusi. Data kemudian dibagi menjadi beberapa bagian kecil dan diproses dalam sejumlah besar komputer yang tersedia di seluruh jaringan dan data yang diproses digabungkan.

3) Laporan (reporting)

Laporan umumnya menampilkan data statistic berupa angka. Apabila semua data yang dimiliki kemudian digabung untuk di representasikan, maka akan sulit untuk user membacanya. Dalam kasus tersebut, laporan perlu diwakili dalam bentuk yang mudah dikenali dengan mudah dengan melihat ke dalamnya. Teknologi Big Data dalam mengatasi tantangan tersebut menggunakan berbagai teknik diantaranya regresi, clustering, classification dan nearest neighbor.

Bentuk aplikasi big data dalam pembelajaran dalam dunia Pendidikan. Teknik big data dapat digunakan dengan berbagai cara dalam menganalisis pembelajaran seperti:

1. Performance Prediction : kinerja siswa dapat diprediksi melalui analisis interaksi antar siswa dan interaksi siswa dengan guru di dalam lingkungan belajarnya.
2. Attrition Risk Detection : dengan menganalisis prilaku siswa, resiko siswa yang drop out dalam pembelajaran dapat di deteksi dan diukur, dilakukan di awal pembelajaran sehingga dapat meminimalkan resiko DO.
3. Data Visualization : report pada data pendidikan ukurannya akan terus bertambah dan menjadi komplek. Data dapat divisualisasikan menggunakan teknik visualisasi untuk memudahkan mengidentifikasi hubungan antar data hanya dengan melihat visualisasi reportnya.
4. Intelligent Feedback : sistem learning menyediakan intelligent feedback yang merespon dengan segera input siswa yang akan ditingkatkan interaksi dan kinerjanya.
5. Course Recommendation : sebuah course baru dapat direkomendasikan berdasarkan ketertarikan siswa, yang teridentifikasi dengan menganalisis aktivitas mereka. Hal ini menjamin siswa tidak akan tersesat dalam memilih bidang ilmu yang disenanginya.
6. Student Skill estimation : mengestimasi ketercapaian skill siswa
7. Behavior Detection : mendeteksi prilaku siswa dalam lingkungannya berbasis pada aktivitas dan games model yang membantu dalam mengembangkan diri siswa.
8. Grouping & collaboration of Student, Social Network Analysis, Developing concept maps, Constructing courseware, dan Planning and scheduling.