Perpustakaan Digital ITB

Data KI (kekayaan intelektual) di Indonesia memiliki potensi peningkatan nilai yang tinggi. Salah satunya ditingkatkan menggunakan metode perhitungan KCI (Knowledge Complexity Index). Dalam alur pemrosesan data KI untuk perhitungan KCI, ditemukan beberapa masalah kualitas data dan tantangan algoritmik. Kemudian, ditinjau dari sumbernya, pengolahan data secara umum memenuhi karakteristik big data. Selain itu, aspek keterbatasan kognisi visual atas hasil pengolahan dalam bentuk mentah ditambah dengan potensi insight yang cukup banyak menuntut suatu bentuk visualisasi data yang eksploratif. Pipeline pemrosesan menerapkan alur yang tersusun dari tahapan pengisian, transformasi, dan perhitungan data. Tiap tahapan terdiri atas tugas-tugas yang diantaranya memiliki alternatif implementasi, misalnya transformasi data memiliki alternatif urutan tugas pemetaan untuk mengurangi biaya pemrosesan. Tugas-tugas tersebut efektif dalam menyelesaikan masalah pada alur pemrosesan data, dengan catatan salah satu tugas yang dibutuhkan—deep learning—di luar lingkup tugas akhir ini. Lalu, dari segi efisiensi, waktu pemrosesan hampir seluruh implementasi tugas (kecuali satu) lebih rendah dibandingkan ajuan alternatif lainnya. Pipeline juga memenuhi kebutuhan fungsional dan non-fungsional yang diturunkan dari karakteristik big data. Misalnya, akuisisi data oleh scraper terdistribusi (pembantu mesin pengisi) dan penanganan beragam jenis data oleh mesin grouping untuk memenuhi kebutuhan-kebutuhan terkait karakteristik volume dan variety dari big data. Sebagai catatan, seluruh mesin pada pipeline horizontally scalable. Analitik visual berhasil meningkatkan kognisi visual atas hasil pengolahan data dengan memberikan berbagai insight yang sulit dipahami tanpa visualisasi. Misalnya insight terkait komposisi, tren komposisi, dan tren proporsi KI yang dihasilkan suatu daerah secara nasional. Namun, berdasarkan feedback target pengguna, masih ada beberapa aspek visual yang dapat ditingkatkan.