<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Cahyaniulandwi on Medium]]></title>
        <description><![CDATA[Stories by Cahyaniulandwi on Medium]]></description>
        <link>https://medium.com/@cahyaniulandwi?source=rss-96ad7ca36c34------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*7HkzjP9V9osYkyeA</url>
            <title>Stories by Cahyaniulandwi on Medium</title>
            <link>https://medium.com/@cahyaniulandwi?source=rss-96ad7ca36c34------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sat, 21 Nov 2026 22:17:42 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@cahyaniulandwi/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Data Acquisition & Management: Proses Mengumpulkan dan Mengelola Data untuk AI dan Machine Learning]]></title>
            <link>https://medium.com/@cahyaniulandwi/data-acquisition-management-proses-mengumpulkan-dan-mengelola-data-untuk-ai-dan-machine-learning-18ed06d1eb39?source=rss-96ad7ca36c34------2</link>
            <guid isPermaLink="false">https://medium.com/p/18ed06d1eb39</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[data-acquisition]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[data-management]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Cahyaniulandwi]]></dc:creator>
            <pubDate>Fri, 02 Oct 2026 12:21:19 GMT</pubDate>
            <atom:updated>2026-10-02T12:21:56.893Z</atom:updated>
            <content:encoded><![CDATA[<p>Ni Kadek Ulan Dwi Cahyani (2501010211)</p><p>Di era digital saat ini, data menjadi salah satu sumber informasi yang sangat penting. Berbagai aktivitas seperti penggunaan media sosial, transaksi digital, penggunaan aplikasi, hingga aktivitas pada perangkat pintar menghasilkan data dalam jumlah yang besar. Data tersebut kemudian dapat dimanfaatkan untuk menghasilkan informasi, mendukung pengambilan keputusan, maupun membangun sistem berbasis Artificial Intelligence (AI) dan Machine Learning (ML).</p><p>Namun, data tidak dapat langsung digunakan begitu saja. Data perlu diperoleh dari sumber yang tepat dan kemudian dikelola agar memiliki kualitas yang baik. Oleh karena itu, dua proses yang penting dalam pengelolaan data adalah <strong>Data Acquisition</strong> dan <strong>Data Management</strong>.</p><h3>Apa Itu Data Acquisition?</h3><p>Data Acquisition merupakan proses memperoleh atau mengumpulkan data dari berbagai sumber untuk tujuan tertentu. Dalam pengembangan sistem AI dan Machine Learning, proses ini menjadi tahap awal yang sangat penting karena kualitas data yang diperoleh dapat memengaruhi hasil dari sistem yang dibuat.</p><p>Data dapat diperoleh melalui beberapa cara. Salah satunya adalah <strong>pengumpulan data secara langsung</strong>, misalnya melalui survei, sensor, atau aktivitas pengguna pada sebuah aplikasi. Cara ini memberikan kontrol yang cukup besar terhadap jenis data yang dikumpulkan karena data dapat disesuaikan dengan kebutuhan penelitian atau sistem.</p><p>Selain itu, data juga dapat diperoleh melalui <strong>database</strong>. Database digunakan untuk menyimpan data secara terstruktur sehingga data dapat dicari dan digunakan kembali dengan lebih mudah. Contohnya adalah database transaksi pelanggan yang dapat digunakan untuk menganalisis pola pembelian.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/845/1*YSlviuQv9YcZsZnw3_v-TA.png" /></figure><p>Sumber lainnya adalah <strong>API (Application Programming Interface)</strong>. API memungkinkan suatu sistem memperoleh data dari layanan lain secara terstruktur. Misalnya, aplikasi dapat mengambil informasi cuaca dari layanan API cuaca.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/838/1*oQgJl8QQnE9U5dfESLC36g.png" /></figure><p>Data juga dapat diperoleh melalui <strong>web scraping</strong>, yaitu proses mengambil informasi dari halaman web. Selain itu, terdapat dataset publik yang disediakan oleh pemerintah, lembaga penelitian, maupun platform seperti Kaggle dan UCI Machine Learning Repository.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/851/1*zyakfpL9-H2j9ERqqunXkw.png" /></figure><p>Dengan banyaknya sumber data tersebut, proses acquisition tidak hanya berkaitan dengan mengumpulkan sebanyak mungkin data, tetapi juga memilih data yang relevan dengan tujuan sistem.</p><h3>Data Management dan Pentingnya Kualitas Data</h3><p>Setelah data diperoleh, tahap berikutnya adalah <strong>Data Management</strong>. Data Management merupakan serangkaian proses untuk mengatur, menyimpan, menjaga, dan memelihara data agar dapat digunakan secara efektif dan aman.</p><p>Salah satu bagian penting dalam Data Management adalah <strong>data cleaning dan preprocessing</strong>. Data yang diperoleh dari dunia nyata sering kali memiliki masalah, seperti data yang kosong, data duplikat, kesalahan penulisan, atau nilai yang tidak sesuai.</p><p>Sebagai contoh, sebuah dataset pelanggan mungkin memiliki kolom umur yang kosong atau terdapat data pelanggan yang tercatat lebih dari satu kali. Jika masalah tersebut tidak diperbaiki, data dapat menghasilkan analisis yang kurang akurat.</p><p>Oleh karena itu, data perlu dibersihkan dan diproses sebelum digunakan. Beberapa proses yang dapat dilakukan antara lain menangani nilai yang hilang, menghapus data yang tidak diperlukan, mengatasi outlier, melakukan transformasi data, serta mengubah data ke dalam format yang sesuai.</p><h3>Validasi dan Keamanan Data</h3><p>Selain kebersihan data, <strong>validasi dan pemeriksaan kualitas</strong> juga diperlukan. Validasi dilakukan untuk memastikan bahwa data sudah sesuai dengan kebutuhan dan tidak mengandung kesalahan yang dapat mengganggu proses analisis atau pelatihan model.</p><p>Keamanan juga menjadi bagian penting dalam pengelolaan data. Data tertentu dapat mengandung informasi yang bersifat sensitif sehingga akses terhadap data perlu dikontrol. Beberapa cara yang dapat digunakan adalah pembatasan hak akses, enkripsi, pencatatan aktivitas, dan pemeriksaan keamanan secara berkala.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/850/1*cheAT_AfL3J_PxW9E4iHkg.png" /></figure><p>Dengan demikian, pengelolaan data bukan hanya bertujuan membuat data menjadi rapi, tetapi juga memastikan data tetap aman, dapat dipercaya, dan dapat digunakan sesuai dengan tujuan yang telah ditentukan.</p><h3>Data Lifecycle Management</h3><p>Data juga memiliki siklus hidup atau <strong>data lifecycle</strong>. Proses ini menggambarkan perjalanan data mulai dari dikumpulkan hingga akhirnya disimpan, digunakan, dipantau, diarsipkan, atau dihapus.</p><p>Secara sederhana, tahapannya dapat digambarkan sebagai berikut:</p><p><strong>Collection → Storage → Preprocessing → Usage → Monitoring → Archival/Deletion</strong></p><p>Pada tahap collection, data dikumpulkan dari sumber yang telah ditentukan. Setelah itu, data disimpan pada media penyimpanan seperti database, data lake, atau layanan cloud. Selanjutnya, data diproses dan digunakan untuk analisis maupun pengembangan model.</p><p>Setelah data digunakan, kualitas dan penggunaannya tetap perlu dipantau. Data yang sudah tidak diperlukan dapat diarsipkan atau dihapus berdasarkan kebijakan penyimpanan yang berlaku.</p><p>Pendekatan ini membantu organisasi menjaga data agar tetap terorganisasi sepanjang masa penggunaannya.</p><h3>Hubungan Data Acquisition dan Management dengan AI/ML</h3><p>Data Acquisition dan Data Management memiliki hubungan yang erat dengan pengembangan AI dan Machine Learning. Model Machine Learning membutuhkan data sebagai dasar untuk melakukan proses pembelajaran. Oleh sebab itu, data yang tidak relevan, tidak lengkap, atau memiliki banyak kesalahan dapat memengaruhi kualitas model.</p><p>Sebagai contoh, sebuah perusahaan ingin membuat sistem untuk memprediksi pelanggan yang kemungkinan akan membeli suatu produk. Perusahaan tersebut perlu memperoleh data seperti riwayat pembelian, frekuensi transaksi, dan karakteristik pelanggan.</p><p>Data tersebut kemudian harus dibersihkan dan divalidasi sebelum digunakan untuk melatih model. Setelah model digunakan, data dan performanya juga perlu dipantau secara berkala.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/851/1*mgfPDo6-J60vUaWmWq-hNA.png" /><figcaption>“Perbandingan Alur/Proses Machine Learning Tradisional.”</figcaption></figure><p>Hal ini menunjukkan bahwa keberhasilan sistem AI tidak hanya ditentukan oleh algoritma yang digunakan. Proses memperoleh dan mengelola data juga memiliki peranan yang sangat penting.</p><h3>Kesimpulan</h3><p>Data Acquisition dan Data Management merupakan bagian penting dalam pengelolaan data, khususnya pada pengembangan sistem AI dan Machine Learning. Data Acquisition berfokus pada bagaimana data diperoleh dari berbagai sumber, sedangkan Data Management berfokus pada bagaimana data tersebut dibersihkan, disimpan, diamankan, divalidasi, dan dipelihara.</p><p>Proses tersebut menunjukkan bahwa data yang berkualitas tidak hanya berasal dari jumlah data yang besar, tetapi juga dari bagaimana data diperoleh dan dikelola. Dengan proses acquisition dan management yang baik, data dapat menjadi sumber informasi yang lebih akurat dan dapat digunakan secara optimal untuk mendukung berbagai kebutuhan teknologi dan pengambilan keputusan.</p><p><strong>Referensi:</strong></p><p>Pandey, S. (2025). <em>Mastering Data Acquisition and Management for AI/ML Projects</em>. Medium.s</p><p><a href="https://medium.com/@thisis-Shitanshu/mastering-data-acquisition-and-management-for-ai-ml-projects-878187e2091c">https://medium.com/@thisis-Shitanshu/mastering-data-acquisition-and-management-for-ai-ml-projects-878187e2091c</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=18ed06d1eb39" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>