Implementasi ICA Framework Untuk Peningkatan Efisiensi Waktu Dan Sumber Daya Dalam Proses Data Ingestion Di Informatica Dei (Studi Kasus Bank XYZ)
DOI:
https://doi.org/10.35194/mji.v17i1.5149Keywords:
Data Ingestion, Informatica DEI, ICA Framework, Efisiensi Proses, AutomasiAbstract
Platform Informatica Data Engineering Integration (DEI) memainkan peran penting dalam pengelolaan aliran data di Bank XYZ, terutama dalam proses data ingestion, yaitu perpindahan data awal dari berbagai sumber ke penyimpanan terpusat, Datalake. Proses pengembangan ingestion pipeline dan pengujian secara tradisional membutuhkan waktu signifikan, yaitu sekitar 240 menit untuk pengembangan dan 90 menit untuk pengujian, sehingga total 330 menit per pipeline dalam kondisi ideal. Tingginya permintaan pembuatan pipeline baru seringkali menyebabkan bottleneck. Untuk mengatasi tantangan ini, sebuah parameterized job yang bersifat composable diinisiasikan dalam Informatica DEI guna mencapai efisiensi. Parameterized job ini, yang mampu mengambil parameter terkait ingestion dan dapat digunakan kembali, diimplementasikan dalam sebuah aplikasi web untuk kemudahan akses oleh developer dan tester. Gabungan ini membentuk sebuah framework end-to-end yang disebut Integration Composable Architecture (ICA) Framework. ICA Framework bertujuan menyederhanakan proses data ingestion dengan mengubah tugas manual dan repetitif menjadi proses input dan klik yang sederhana melalui situs web ICA. Penelitian ini mencakup perancangan ICA Framework, identifikasi kekuatan dan kelemahan proses yang ada, pengembangan proses yang diusulkan, serta implementasi dan evaluasi. Metode penelitian yang digunakan adalah eksploratif dengan pendekatan kualitatif dan kuantitatif, melibatkan observasi, wawancara, dan analisis log sistem. Hasil implementasi menunjukkan bahwa ICA Framework berhasil mengurangi waktu pengembangan pipeline dari 240 menit menjadi 5 menit (efisiensi 97,91%) dan waktu pengujian dari 90 menit menjadi 1 menit (efisiensi 98,9%), sehingga mencapai efisiensi waktu proses keseluruhan sebesar 98,4%. Selain itu, terjadi peningkatan efisiensi penggunaan sumber daya manusia sebesar 65%. Dengan demikian, ICA Framework terbukti efektif dalam mengurangi waktu pengembangan, mengefisienkan penggunaan SDM, dan berpotensi meningkatkan kualitas serta akurasi data ingestion.
References
[2] Amana, M., Liu, P., & Alariqi, M. (2022). Value Creation and Capture with Big Data in Smart Phones Companies. Sustainability, 14(19), 12004.
[3] Archibald, R. F., Kaspi, V. M., Ng, C.-Y., Gourgouliatos, K. N., Tsang, D., Scholz, P., Beardmore, A. P., Gehrels, N., & Kennea, J. A. (2013). An anti-glitch in a magnetar. Nature, 497(7451), 591–593.
[4] Chen, H., Chiang, R. H. L., & Storey, V. C. (2012). Business Intelligence and Analytics: From Big Data to Big Impact. MIS Quarterly, 36(4), 1165-1188.
[5] Cwalina, K., & Abrams, B. (2008). Framework Design Guidelines: Conventions, Idioms, and Patterns for Reusable .NET Libraries Second Edition. Boston: Addison-Wesley Professional.
[6] Gupta, D., & Rani, R. (2018). A Study of Big Data Evolution and Research Challenges. Journal of Information Science, 45(3), 322–340.
[7] Hasan, M. M., Hoque, A., & Le, T.-T. (2023). Big Data-Driven Banking Operations: Opportunities, Challenges, and Data Security Perspectives. FinTech, 2(4), 494-515.
[8] Informatica LLC Inc. (2021). Informatica Data Engineering Integration User Guide 10.5. New York: Informatica LLC Inc.
[9] Kona, S. S. (2018). Enhancing Efficiency in File-Based Data Ingestion Pipelines for Big Data. European Journal of Advances in Engineering and Technology, 5(8), 572-575.
[10] Oussous, A., Benjelloun, F.-Z., Lahcen, A. A., & Belfkih, S. (2018). Big Data technologies: A Survey. Journal of King Saud University - Computer and Information Sciences, 30(4), 431-448.
[11] Patgiri, R. (2018). Taxonomy of Big Data: A Survey. arXiv preprint arXiv:180.
[12] Rahardja, A. S., & Hariyanto, W. (2023, February). Pengaruh Teknologi Big Data terhadap Financial Performance dan Competitive Advantage: Studi pada Perusahaan Go Public di Indonesia Sektor Perbankan.
[13] Sun, N., Morris, J. G., Xu, J., Zhu, X., & Xie, M. (2014). iCARE: A framework for big data-based banking customer analytics. IBM Journal of Research and Development, 58(5/6), 4:1-4:9.
[14] Veldkamp, L. (2023). Valuing Data as an Asset. Review of Finance, 27(5), 1545-1562.
[15] SE. 09-DIR/DRD/04/2024 dari Bank XYZ
[16] Nobanee, H., Dilshad, M. N., Al Dhanhani, M., Al Neyadi, M., Al Qubaisi, S., & Al Shamsi, S. (2021). Big Data Applications in the Banking Sector: A Bibliometric Analysis Approach. Sage Open, 11(4).
