Graph Bisa Jadi Solusi Pengambilan Keputusan Investasi

JAKARTA - Graph menjadi solusi inovatif bagi perusahaan di berbagai sektor seiring meningkatnya volume data yang dibuat dan direplikasi oleh perusahaan. Hal itu seiring perkembangan inovasi dan teknologi digital yang kian pesat.

"Hasil riset Gartner menyatakan bahwa perkembangan inovasi dan teknologi digital semakin pesat. Ada empat alasan besar terhadap pentingnya graph database," kata Vice President Product and Innovation TigerGraph Dr Jay Yu dikutip dari pernyataan resmi, Rabu (15/12/2021).



Menurut dia alasan utama, Graph menjadi solusi inovatif bagi perusahaan di berbagai sektor seiring dengan meningkatnya volume data yang dibuat dan direplikasi oleh perusahaan. Graph yang terskala dengan baik mampu menjadi katalisator penghubung penting antar data yang berlimpah.

"Hasil graph yang dihasilkan pun akan terpusat pada core bisnis perusahaan pengguna. Graph juga memiliki keluwesan yang sangat baik sehingga bisa digunakan pelaku usaha multisector mulai dari layanan keuangan dan kesehatan, hingga ritel dan manufaktur," kata dia.

Dia menjelaskan, teknologi Graph dapat dengan cepat menyoroti, menemukan, dan memprediksi hubungan kompleks dalam data sehingga dapat menyajikan masukan yang berguna. Keandalan dari teknologi tersebut bisa mengungkap kemungkinan penipuan keuangan (fraud) ataupun membantu memecahkan permasalahan logistik dalam rantai pasok industri.

Alasan lain, Graph akan semakin terintegrasi dengan machine learning dan artificial intelligence. Sepanjang tahun 2022, diprediksi akan ada lebih banyak perusahaan yang menerapkan graph analytics untuk mendukung penggunaan data analisis dan machine learning untuk memetakan problematika khusus seperti deteksi penipuan (fraud) dan pencucian uang (money laundry), evaluasi dan resolusi bisnis, analisis konsumen customer 360, rekomendasi produk, infografik, keamanan siber, rantai pasok, internet of things, dan analisis jaringan.

Sebab itu, TigerGraph terus mengembangkan graph database serta berkomitmen penuh menawarkan graph berskala petabyte/petabita dalam dua tahun mendatang. TigerGraph saat ini sedang memfinalisasi standar LDBC-SNB Versi 100 Terabyte untuk bisa rampung tahun 2022.

Tentunya, diperlukan standarisasi tersendiri bagi properti graph layaknya standarisasi digital yang sudah ada seperti SQL yaitu standar bahasa pemograman untuk tabel. Tahun depan diharapkan standardisasi GQL mengalami kemajuan signifikan dan memasuki tahap finalisasi.

"Untuk semakin memberikan layanan bagi pengguna, TigerGraph juga mengantisipasi pergeseran penerapan basis server lokal ke cloud database baik di ranah privat maupun publik," kata dia.

Selanjutnya, awareness terhadap Graph Data meningkat pesat. Di tahun-tahun mendatang, masyarakat akan menyaksikan adopsi yang cepat dan masif dari Graph Data Science karena data dan pembelajaran data saling berkaitan dan berkembang. Hal tersebut menyebabkan adanya kebutuhan peningkatan hasil yang diharapkan dari machine learning konvensional tidak lagi hanya sebatas hasil yang umum.

ML dituntut untuk menghasilkan sebuah output data yang unik dan relevan di masing-masing sektor seperti dalam industri kesehatan, rantai pasokan industri , dan layanan keuangan. Sebab itu, masyarakat akan menyaksikan bukti nyata perpaduan distribusi graph database, analisis yang berkesinambungan, dan machine learning dalam waktu dekat.

Berdasarkan empat alasan tersebut, dapat disimpulkan bahwa Graph Data Science memberikan nilai tambah yang sangat signifikan terhadap machine learning melalui analitik graph. Oleh sebab itu akan lebih banyak perusahaan yang beralih dari pola pikir eksplorasi ke produksi pada tahun depan.

Perusahaan-perusahaan ini akan mendapatkan manfaat nyata Graph Data Science yang bisa menampilkan data graph dari pola data deep-link (data yang mendalam), mengungkap pola-pola baru, dan memberikan persepsi mendalam dari rangkaian koneksi rumit data 10-20 hops.

Technical Director TigerGraph Richard Henderson mengungkapkan setelah mengalami disrupsi bisnis signifikan akibat pandemi COVID-19 dua tahun terakhir, pelaku bisnis berfokus untuk menjadi lebih tangguh secara profesional. Hal ini mendorong minat perusahaan untuk mengadopsi konsep industri manufaktur seperti “Digital Twins technology”.

Konsep tersebut mengiplementasikan sebuah model di mana perusahaan mengawasi semua yang terjadi dalam bisnisnya secara realtime beserta ekosistemnya. "Hal ini membuat teknologi Digital Twins yang didasarkan pada basis data graph analitik yang bersifat real time akan muncul dimana-mana," ungkapnya.

Teknologi Digital Twins menampilkan pendataan yang menghasilkan pandangan yang luas dan transparan untuk menghindari adanya informasi di satu bagian organisasi perusahaan yang tidak bisa terlihat (data silos) ataupun hanya menampilkan informasi spesifik dari satu atau beberapa organisasi dalam perusahaan saja (data mart).



Melalui analitik graph, maka teknologi ini akan dapat memberikan skenario digital secara terperinci dan langsung, dengan menunjukkan dampak dan risiko gangguan seperti memberikan informasi terjadinya kegagalan dan kesalahan sistem apapun dalam jaringan perusahaan.

Analisis graph ini akan menggabungkan seluruh detil terkecil yang bersifat individu/spesifik ke dalam peta data besar untuk menghasilkan gambaran informasi komprehensif atas seluruh bagian organisasi yang ada di suatu perusahaan.

Hal ini membuat sebuah perusahaan dapat membuat keputusan tepat sesuai kebutuhan dengan pegangan data masalah taktis dan general ketika akan mengambil sebuah keputusan tertentu.

"Oleh karena itu, teknologi inovatif ini memungkinkan perusahaan atau lembaga untuk membuat analisis situasi dari setiap perubahan lengkap dengan masukan skenario alternatif yang dapat digunakan sebagai landasan dalam pengambilan keputusan investasi," kata dia.