7/25/2019 S1-2015-319169-introduction

1/6

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Era big data telah menjadi era tantangan bagi semua pihak pengelola data.

Dengan semakin besar kapasitas media penyimpanan dan harga yang semakin

murah, semakin banyak pula hal yang dapat disimpan. Setiap hari 2,5 triliun byte

atau setara 2,5 TB data diproduksi dan 90 persen data di dunia hari ini dibuat pada

dua tahun terakhir (Wu, Zhu, Wu, & Ding, 2014). Untuk menangani masalah ini,

dibutuhkan pengelolaan data dalam jumlah besar yang cepat, real-time , dan handal.

Banyak sekali contoh representasi big data dalam kehidupan sehari-hari.

Pada zaman ini media sosial seperti Twitter memegang peranan penting dalam

penyaluran informasi. Orang-orang menulis pesan, status hingga berbagi gambar,

link , dan opininya melalui media sosial. Setiap detik, beribu-ribu twit yang

diposting menumpuk membentuk big data . Data real-time ini dapat menjadi

berguna jika saja dapat dianalisis untuk menghasilkan informasi, bahkan dapat

diproses lebih lanjut hingga menjadi pengetahuan.

Twitter adalah sebuah media sosial yang mengalami pertumbuhan pesat.

Dengan waktu relatif singkat, Twitter meraih popularitas di seluruh dunia. Pada

7/25/2019 S1-2015-319169-introduction

2/6

2

akhir tahun 2010, Twitter diprediksikan mempunyai 175 juta pengguna terdaftar di

seluruh dunia dengan produksi 65 juta twit per harinya (Miller, 2010). Hingga bulan

Januari 2013, tercatat lebih dari 500 juta pengguna yang terdaftar di Twitter. Fakta

ini menjadikan Twitter sebagai media sosial dengan pertumbuhan tercepat sejak

tahun 2006. Setiap harinya pengguna Twitter mengirim rata-rata 250 juta twit, dan

menurut MIT Technology Review (2013), Indonesia menduduki peringkat ketiga

sebagai penyumbang twit terbanyak di bawah Amerika Serikat dan Jepang.

Salah satu tools yang dapat melakukan analisis media sosial adalah

Elasticsearch. Elasticsearch adalah sebuah media penyimpanan ( storage ) dan mesin

pencari ( search engine ) yang mampu menangani data dalam jumlah besar ( big data )

dengan kemampuan near real-time. Bersama dengan Kibana sebagai tools

visualisasinya, Elasticsearch dapat menjadi tools analisis data yang handal;

termasuk untuk menangani data Twitter yang bertambah tiap detik. Dari berbagai

jalur dan tools input yang tersedia saat ini, terdapat dua cara untuk meng input kan

data dari Twitter API ( Application Programming Interface ) ke dalam Elasticsearch.

Cara pertama adalah melalui Twiter River dan cara kedua adalah melalui Logstash

yang disebut ELK (Elasticsearch Logstash Kibana) Stack.

Faktor input menjadi sangat penting karena output sistem bergantung penuh

pada input . Bila data input tidak lengkap dan akurat, dapat dipastikan bahwa output

pun tidak akan akurat. Input memegang peranan penting dalam kinerja sistem

secara keseluruhan. Jika data input mudah diolah (mudah diproses CPU dengan

7/25/2019 S1-2015-319169-introduction

3/6

3

konsumsi memori minimal) maka sistem dapat bekerja lebih cepat untuk

memproses data selanjutnya.

Sejalan dengan hal di atas, maka dipandang perlu untuk melakukan sebuah

penelitian yang membandingkan kedua metode input Twitter pada Elasticsearch

tersebut. Penelitian ini dilakukan untuk membandingkan kinerja Twitter River dan

Logstash dalam pemanfaatannya sebagai input Elasticsearch untuk analisis media

sosial Twitter. Hal ini menjadi penting dan patut diteliti sebab pengetahuan

mengenai kelebihan dan kekurangan kedua metode ini dapat mengoptimalkan

kinerja sistem analisis media sosial Twitter secara keseluruhan.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dipaparkan di atas, maka rumusan

masalah yang diangkat pada penelitian ini adalah bahwa dari berbagai cara input ke

Elasticsearch, belum diketahui cara terbaik untuk meng input kan data Twitter dari

Twitter API ke Elasticsearch.

1.3 Batasan Masalah

Beberapa batasan masalah yang digunakan agar pembahasan skripsi ini

fokus dan tidak terlalu meluas antara lain:

1. Perbandingan didasarkan pada kebutuhan sistem untuk memasukkan data

Twitter pada Elasticsearch dan menampilkannya pada Kibana dengan

kepentingan analisis Twitter tetapi tidak membahas analisis Twitter.

7/25/2019 S1-2015-319169-introduction

4/6

4

2. Meskipun sistem memang dapat selalu dimonitor secara real time , namun

data Twitter yang digunakan pada penelitian ini adalah data pelatihan yang

diambil melalui Twitter API dalam jangka waktu tertentu.

3. Hal-hal yang dibandingkan dari kedua metode ini adalah:

a. Beban Pemrosesan CPU ( Central Processing Unit ).

b. Penggunaan RAM ( Random Acces Memory ).

c. Penggunaan Disk .

d. Jumlah data Twitter yang di input kan ke Elasticsearch.

e. Jumlah field Twitter yang di input kan ke Elasticsearch.

1.4 Manfaat dan Tujuan Penelitian

Manfaat yang diharapkan dari penelitian ini adalah mengoptimalkan analisis data

Twitter dengan Elasticsearch melalui pengetahuan tentang tools input yang tepat

untuk memasukkan data Twitter dari Twitter API ke Elasticsearch.

Sedangkan tujuan diadakannya penelitian ini adalah:

1. Membangun sebuah sistem analisis media sosial Twitter menggunakan

Elasticsearch dan Kibana dengan input Twitter River dan Logstash.

2. Membandingkan kinerja Twitter River dan Logstash sebagai input

Elasticsearch untuk analisis media sosial Twitter.

7/25/2019 S1-2015-319169-introduction

5/6

5

1.5 Sistematika Penulisan

Sistematika penulisan skripsi ini adalah sebagai berikut.

BAB I: PENDAHULUAN

Bab ini menjelaskan latar belakang penelitian, rumusan masalah, batasan

masalah, manfaat dan tujuan penelitian, serta sistematika penulisan.

BAB II: DASAR TEORI

Bab ini menjelaskan penelitian-penelitian lain yang sudah dilakukan dalam

rangka analisis media sosial Twitter dan penelitian mengenai Elasticsearch. Selain

itu dijelaskan juga landasan teori mengenai analisis media sosial, Twitter,

Elasticsearch, Twitter River, Logstash, Kibana dan Marvel, Kopf. Bab ini juga

menjelaskan dasar teori mengenai parameter-parameter pengujian yang akan

digunakan.

BAB III: METODE PENELITIAN

Bab ini menjelaskan alat dan bahan yang dibutuhkan dalam penelitian,

diagram alir penelitian, metode perancangan hingga metode implementasi. Metode

implementasi mencakup instalasi, konfigurasi, pengambilan data hingga metode

pembandingan kinerja.

BAB IV: HASIL DAN PEMBAHASAN

7/25/2019 S1-2015-319169-introduction

6/6

6

Bab ini menjelaskan hasil penelitian dengan dua skenario serta

pembahasannya.

BAB V: KESIMPULAN DAN SARAN

Pada bab ini ditulis kesimpulan akhir dari penelitian yang menjawab tujuan

penelitian serta saran untuk penelitian selanjutnya