| Reason | |||
|---|---|---|---|
| 0010000131093000 | Rp 6,121,750,000 | - | |
| 0313826547008000 | Rp 6,646,829,000 | Peserta terlambat datang pada waktu pembuktian kualifikasi yang ditentukan, waktu tidak cukup untuk dapat melakukan pembuktian kualifikasi | |
| 0019956291062000 | Rp 6,812,144,001 | - | |
| 0727236390022000 | - | - | |
| 0030168975034000 | Rp 6,968,988,588 | 1. Surat dukungan bank dan rekening koran tidak sesuai yang dipersyaratkan 2. Tidak melampirkan surat keterangan biaya aktivasi lisensi 90 hari | |
| 0010610996051000 | Rp 5,507,000,000 | 1. Tidak memiliki pengalaman sejenis paling kurang 1 satu pekerjaan yang berisi komponen manajemen data, big data, Machine Learning atau visualisasi data, baik per komponen atau bersama-sama. Kontrak bernilai minimal sebesar 70 tujuh puluh persen dari HPS atau senilai Rp. 5.002.200.000, - dalam 1 kontrak atau minimal 40 empat puluh persen dari HPS atau senilai Rp. 2,858,400,000 dalam 2 kontrak dalam kurun waktu 5 lima tahun terakhir baik di lingkungan pemerintahan maupun swasta, termasuk pengalaman subkontrak. 2. Spesifikasi teknis yang diusulkan tidak terinci dengan jelas produk yang ditawarkan, sehingga tidak sesuai dengan yang dipersyaratkan KAK. | |
| 0010611903051000 | Rp 7,087,499,996 | 1. Tidak melampirkan surat dukungan bank dan saldo rekening koran sesuai yang dipersyaratkan 2. tidak melampirkan keterangan biaya aktivasi lisensi 90 hari | |
| 0311953442424000 | - | - | |
| 0024907743012000 | - | - | |
| 0667672489086000 | - | - | |
| 0029918935011000 | - | - | |
| 0013628110015000 | - | - | |
| 0021395843054000 | - | - | |
| 0023417892039000 | - | - | |
| 0317358984451000 | - | - | |
| 0019738863007000 | - | - | |
| 0436082135447000 | - | - | |
PT Multimedia Network Indonesia | 00*1**5****14**0 | - | - |
PT Badr Interactive | 03*6**9****12**0 | - | - |
| 0314669292013000 | - | - | |
| 0027001825072000 | - | - | |
| 0021896170037000 | - | - | |
Mediatama Global Technologies | 06*7**1****13**0 | - | - |
| 0026279646015000 | - | - | |
| 0020467510051000 | - | - | |
| 0031939259021000 | - | - | |
| 0017616442017000 | - | - | |
| 0312111511428000 | - | - | |
| 0801013798028000 | - | - | |
Berkah Sejahtera Mandiri | 0029711330101000 | - | - |
| 0314315854005000 | - | - | |
PT Jelajah Digital Nusantara | 06*1**2****13**0 | - | - |
PT Sokka Global Mandiri | 00*1**6****63**0 | - | - |
| 0013535281022000 | - | - | |
| 0029932548018000 | - | - | |
| 0017645896062000 | - | - | |
PT Skynet Infotech Solution | 00*4**7****08**0 | - | - |
| 0765814231407000 | - | - | |
| 0704511484063000 | - | - | |
| 0030485924013000 | - | - | |
PT Niagaprima Paramitra | 00*8**4****63**0 | - | - |
| 0022444483421000 | - | - |
BNPB
KERANGKA ACUAN KERJA (KAK)
BELANJA MODAL LAINNYA
INTEGRASI DAN INTERKONEKSI DATA, BIG DATA, DAN
MACHINE LEARNING (DATA PROCESSING)
PENGADAAN BARANG
TAHUN ANGGARAN 2023
DIREKTORAT PERINGATAN DINI
BADAN NASIONAL PENANGGULANGAN BENCANA
Jakarta, 2023
v4.1, 6 November 2023
Daftar Isi
Daftar Isi ................................................................................................................................................................................. 1
Daftar Gambar ...................................................................................................................................................................... 2
Daftar Tabel ........................................................................................................................................................................... 2
A. SPESIFIKASI FUNGSI UMUM ...................................................................................................................................... 3
1. Dasar Hukum ................................................................................................................................................................ 3
2. Gambaran Umum ......................................................................................................................................................... 3
2.1 Pengembangan MHEWS ..................................................................................................................................... 3
2.2 Kapabilitas Pengelolaan Big Data dalam MHEWS ......................................................................................... 7
2.3 Pemanfaatan Teknologi Big Data dan Sains Data dalam Proses Bisnis MHEWS .................................... 9
3. Penerima Manfaat .................................................................................................................................................... 11
4. Maksud ....................................................................................................................................................................... 11
5. Tujuan ......................................................................................................................................................................... 11
6. Sasaran Kegiatan ....................................................................................................................................................... 12
7. Ruang Lingkup ........................................................................................................................................................... 12
7.1 Teknologi ............................................................................................................................................................. 12
7.2 Implementasi ....................................................................................................................................................... 13
7.3 Data ...................................................................................................................................................................... 13
7.4 Pengujian Serah Terima .................................................................................................................................... 13
7.5 Support/Dukungan Teknis ............................................................................................................................... 14
8. Nama Organisasi Pengadaan Barang/Jasa .......................................................................................................... 14
9. Sumber Pendanaan ................................................................................................................................................... 14
10. Lokasi Kegiatan ....................................................................................................................................................... 14
11. Keluaran ................................................................................................................................................................... 14
12. Jangka Waktu Pelaksanaan .................................................................................................................................. 15
13. Kualifikasi Pelaksana Pekerjaan ........................................................................................................................... 15
13.1. Persyaratan Administrasi .............................................................................................................................. 15
13.2. Persyaratan Teknis ......................................................................................................................................... 16
14. Tahapan Pembayaran ............................................................................................................................................ 17
B. SPESIFIKASI TEKNOLOGI, SOLUSI, DUKUNGAN TEKNIS ................................................................................ 17
C. SPESIFIKASI JUMLAH ................................................................................................................................................. 18
D. SPESIFIKASI WAKTU .................................................................................................................................................. 18
E. LAMPIRAN ..................................................................................................................................................................... 19
Lampiran 1. Gambaran Umum Pengembangan Platform MHEWS ................................................................ 19
Lampiran 2. Kebutuhan Kapabilitas Teknologi Big Data dalam MHEWS ...................................................... 19
Lampiran 3. Proses Bisnis Utama MHEWS .......................................................................................................... 19
Lampiran 4. Kualifikasi Persyaratan Teknologi Big Data untuk Pendukung Platform MHEWS ............... 19
Lampiran 5. Rekomendasi Implementasi Platform Big Data pada Infrastruktur Pusdatinkom BNPB ..... 19
Lampiran 6. Fitur dan Interoperabilitas Data Terkait Kebencanaan ............................................................... 19
Lampiran 7. Spesifikasi Teknis Perangkat Lunak Teknologi dan Solusi Platform Big Data ........................ 19
Lampiran 8. Form User Acceptance Testing Platform Big Data......................................................................... 19
Daftar Gambar
Gambar 1. Skema Umum Skenario Pengembangan Platform MHEWS 5
Gambar 2. Grand Design MHEWS 6
Gambar 3. Pembahasan Modul Big Data Pada Buku 2 8
Gambar 4. Peta Proses Bisnis Sistem Multi Hazard Early Warning Systems 9
Gambar 5. Grand Design Arsitektur MHEWS 12
Daftar Tabel
Tabel 1. Segmentasi Area Layanan MHEWS berdasarkan Jenis Bencana 4
Tabel 2. Pemanfaatan Big Data dan Machine Learning untuk Proses Bisnis MHEWS 9
Tabel 3. Jadwal/Timeline 14
Tabel 4. Persentasi Tahapan Kegiatan 17
Tabel 5. Spesifikasi Teknologi, Solusi, dan Dukungan Teknis 16
Tabel 6. Spesifikasi Jumlah 16
A. SPESIFIKASI FUNGSI UMUM
1. Dasar Hukum
Dasar Hukum pelaksanaan kegiatan ini adalah:
1. Undang-undang Republik Indonesia Nomor 24 Tahun 2007 tentang Penanggulangan Bencana
(Lembaga Negara RI tahun 2007 Nomor 66, Tambahan Lembaran Negara RI Nomor 4723);
2. Peraturan Pemerintah RI Nomor 21 Tahun 2008 Tentang Penyelenggaraan Penanggulangan
Bencana;
3. Peraturan Presiden RI Nomor 1 Tahun 2019 tentang Badan Nasional Penanggulangan Bencana;
4. Peraturan Kepala Badan Nasional Penanggulangan Bencana Nomor 3 Tahun 2008 tentang
Pembentukan Badan Penanggulangan Bencana Daerah;
5. Peraturan Kepala BNPB No.4 Tahun 2019 tentang Organisasi dan Tata Kerja Badan Nasional
Penanggulangan Bencana.
6. Sesuai dengan Loan Agreement dan Project Appraisal Document
2. Gambaran Umum
2.1 Pengembangan MHEWS
Dalam 5 tahun terakhir terjadi lebih dari 20.000 kejadian bencana yang berdampak pada hampir 15% total
penduduk Indonesia dan mengakibatkan lebih dari 7.000 orang tewas. Kondisi Indonesia rawan bencana turut
mendorong inisiatif untuk mengurangi risiko bencana terus diselenggarakan secara terpadu. Hal ini terlihat
dari menurunnya kejadian bencana pada Tahun 2022 sebesar 34% dari tahun sebelumnya. Dilain pihak,
penurunan angka kejadian bencana ini tidak diimbangi dengan penurunan jumlah korban tewas yang terus
meningkat. Fenomena ini menjadi salah satu tanda belum optimalnya sistem peringatan dini bencana di
Indonesia dalam meningkatkan kemampuan masyarakat untuk menyelamatkan diri.
Catatan kejadian bencana di BNPB selama 10 tahun terakhir menunjukkan bahwa jumlah kejadian bencana
secara bertahap terjadi penurunan dalam 3 tahun terakhir, sedangkan jumlah korban yang tewas akibat
bencana justru meningkat. Fenomena ini mengindikasikan bahwa upaya pendidikan dan pengelolaan risiko
bencana seperti pencegahan dan mitigasi secara bertahap sudah memperlihatkan hasilnya. Tingginya korban
jiwa memperlihatkan bahwa masih perlunya peningkatan akses dan kapasitas masyarakat untuk
menyelamatkan diri. Peningkatan akses dan kapasitas penyelamatan diri masyarakat terhimpun dalam
penyelenggaraan sub-sistem kesiapsiagaan dan peringatan dini.
Disamping itu, penyelenggaraan peringatan dini di Indonesia perlu mempertimbangkan jenis-jenis bencana
yang mengancam tiap-tiap warga negara Indonesia. Tiap warga negara Indonesia memiliki keterpaparan lebih
dari 1 risiko bencana pada setiap aktivitasnya, baik itu di rumah, pekerjaan, atau pun lokasi aktivitas lainnya.
Bencana-bencana yang sering memakan korban jiwa perlu menjadi prioritas pengembangan sistem peringatan
dini bencana di Indonesia.
Kesadaran tersebut mendorong Pemerintah Indonesia menginisiasi Proyek Prakarsa Ketahanan Bencana
Indonesia (selanjutnya disebut sebagai IDRIP - Indonesian Disaster Resilience Initiative Project). IDRIP di desain
untuk mengembangkan Sistem Peringatan Dini Multi Ancaman bencana (Multi Hazard Early Warning System –
MHEWS). Proyek ini merupakan kerjasama Pemerintah Indonesia dengan World Bank. Pemerintah Indonesia
menunjuk BNPB dan BMKG sebagai penanggung jawab pelaksanaan IDRIP.
Pengembangan MHEWS Indonesia harus memiliki karakter:
1. Akurat, cepat dan tepat sasaran;
2. Menghargai sistem peringatan dini bencana yang telah ada di Indonesia;
3. Menjalankan prinsip kebijakan satu peta dan satu data yang dilaksanakan secara terpadu dan
berkesinambungan;
4. Merujuk kepada Konsep 4 kuadran People-Centered MHEWS yang dikeluarkan oleh UNDRR dan WMO
yang dikolaborasikan dengan 5 kegiatan utama sistem peringatan dini bencana Indonesia;
5. Berorientasi kepada pemenuhan kepuasan warga negara penerima layanan sebagai bentuk perwujudan
SPM Sub-Urusan Bencana;
6. Kolaborasi pembangunan struktur dan kultur, dimana Pusdalops PB menjadi jembatan antara struktur
yang dikembangkan oleh pemerintah pusat dengan kultur yang dibangun oleh pemerintah dan
masyarakat di daerah; serta
7. Informasi bersifat impact-based untuk mengarahkan early response yang sesuai untuk menjamin
keselamatan masyarakat dan aparat, serta penanganan awal dan antisipasi bencana ikutan yang efektif.
Secara khusus, pengembangan MHEWS Indonesia juga dikelompokkan menjadi tiga segmentasi layanan
berdasarkan kemampuan deteksi dan kemampuan analisis hasil deteksi saat ini.
Tabel 1. Segmentasi Area Layanan MHEWS berdasarkan Jenis Bencana
Sumber: Buku 1 - Kaji Ulang FS Pengembangan Platform MHEWS-2023
1. Segmen 1 Layanan MHEWS: untuk daerah dengan karakter peringatan dini yang bersifat konfirmasi,
karena keterbatasan teknologi deteksi yang belum mampu mendeteksi sebelum terjadinya bencana
secara optimal. untuk segmen ini strategi utama yang dilaksanakan adalah memperkuat kemampuan
evakuasi mandiri seluruh elemen masyarakat. Strategi ini dilaksanakan hingga terlaksananya peningkatan
kemampuan deteksi dan analisis hasil deteksi mencapai waktu peringatan yang dibutuhkan.
2. Segmen 2 Layanan MHEWS: untuk daerah dengan karakter peringatan dini yang dapat digunakan oleh
Kepala BNPB atau Kepala Daerah menjadi perintah evakuasi, strategi yang dilaksanakan adalah
memperkuat kemampuan pusdalops PB dan moda penyebaran perintah evakuasi tersebut ke seluruh
elemen masyarakat. Sejalan dengan itu, tentu saja tetap harus memperkuat kemampuan evakuasi mandiri
sebagai langkah antisipasi bila terjadi kegagalan dalam pemberian perintah evakuasi.
3. Segmen 3 Layanan MHEWS: untuk daerah dengan karakter peringatan dini guna kesiapsiagaan, strategi
yang dilaksanakan adalah memperkuat kesiapsiagaan bencana untuk memberikan kemampuan dan akses
kepada masyarakat terhadap perlengkapan dan sarana prasarana yang memadai untuk mengamankan diri
sekaligus berusaha untuk memitigasi kemungkinan bencana yang akan datang bila memungkinkan.
Karakter-karakter ini menjadi dasar pengembangan Platform MHEWS di Indonesia khususnya dalam lingkup
Proyek IDRIP. untuk lebih jelasnya pembagian segmen layanan Platform MHEWS Indonesia dapat dilihat pada
Tabel 1 berikut.
Pengembangan Platform MHEWS Indonesia mengikuti skenario dibangun baru dari awal dengan
menggunakan sistem komputasi dan algoritma yang secara khusus dirancang sesuai kebutuhan. Platform-
platform peringatan dini yang ada pada kementerian/lembaga akan dioptimalkan sebagai pemberi informasi
hasil pemantauan/deteksi dini gejala bencana, sementara Platform MHEWS yang akan dibangun, difokuskan
pada penyediaan informasi yang diperlukan untuk analisis hasil deteksi, legitimasi arahan, penyebaran arahan,
hingga percepatan respon terhadap arahan.
Pembangunan platform MHEWS akan dibangun dari awal menggunakan sistem komputasi dan algoritma yang
dirancang sesuai kebutuhan pengguna.
Skenario Pembangunan Platform MHEWS
Gambar 1.
melingkupi 4 (empat) kegiatan utama
Skema Umum Skenario Pengembangan Platform
peringatan dini dan menyasar pada seluruh
MHEWS
fokus pengembangannya, yaitu analisis hasil
deteksi, legitimasi arahan, penyebaran arahan,
serta respon terhadap arahan. Sedangkan
kegiatan deteksi dini yang dilingkupi oleh
skenario ini berfokus hanya pada upaya
deteksi dini yang menjadi lingkup
kewenangan BNPB/BPBD, yaitu kegiatan
deteksi dini dalam bentuk pemantauan
langsung gejala bencana.
Sementara itu, gambar 1 secara sederhana
memperlihatkan skema umum skenario
pengembangan Platform MHEWS. Skema
umum pendekatan yang dilakukan untuk
skenario tersebut pada tiap-tiap layer
platform adalah:
a) Map Server : menggunakan map server yang saat ini ada di BNPB.
b) Basic Data : dilakukan melalui pembangunan data base MHEWS.
c) Multi Hazard Analysist : dilakukan melalui pembangunan Big Data Analytic guna menghasilkan
analisis potensi dampak bencana.
d) Warning : dilakukan melalui pembangunan User Interface.
e) Dissemination & Com. : dilakukan melalui pembangunan platform diseminasi via API
(Application Programming Interface).
Pada saat ini pengembangan Platform MHEWS telah memasuki tahap pengembangan Sub-Sistem Analisis
Dampak Multi Ancaman dengan membangun Big Data Analytic MHEWS. Untuk memastikan kualitas
pekerjaan tersebut, maka sebelum dilaksanakan proses lelang pengadaan terlebih dahulu diundang 7 (tujuh)
pelaku usaha di bidang Integrasi data, big data dan Machine Learning. Pada Hari Senin 21 Agustus 2023 proses
permintaan informasi (request for information-RFI) tersebut telah terlaksana. Memperhatikan hasil pertemuan
tersebut, dipandang masih dibutuhkan beberapa informasi teknis yang lebih rinci berkaitan. Untuk itu,
dilaksanakan RFI Tahap II yang bersifat yang meminta kepada 4 (empat) perusahaan (dari tujuh yang telah
memaparkan Informasi pada RFI Tahap 1) yang dianggap sesuai dengan kebutuhan awal pengembangan
Platform MHEWS Indonesia. Untuk gambaran yang lebih rinci mengenai Pengembangan Platform MHEWS
dapat dilihat di Lampiran 1.
Sementara itu pengembangan Buku 3 DED MHEWS yang menjadi acuan pengembangan arsitektur IT
MHEWS terus berprogres. Pada Gambar 2 diperlihatkan Grand Design Multi Hazard Early Warning System
(MHEWS) yang sudah mengakomodasi integrasi dengan modul-modul sistem lain, diantaranya dari
SIMAMPU, Sistem Informasi Pusdalops, dari Pusdalops dan DKMS, Disaster Knowledge Management System
dari Direktorat Sistem Penanggulangan Bencana.
Gambar 2. Grand Design MHEWS
Secara umum, pengembangan platform MHEWS dilakukan dalam dua tahapan kegiatan:
1. Tahap 1 - Pengadaan berbagai lisensi perangkat lunak.
Tahap ini dilaksanakan di tahun 2023 sd 2024 (Desember – Maret), berisi kegiatan implementasi
Integrasi dan Interkoneksi Data, Big Data, dan Machine Learning (Data Processing), terdiri dari:
a. Pengadaan software
b. Proses instalasi dan konfigurasi sesuai dengan target kinerja yang ditetapkan.
c. Penyiapan data di dalam item pekerjaan local support.
2. Tahap 2 - Implementasi Pembangunan Platform MHEWS
Tahap ini dilaksanakan setelah Tahap 1, di tahun 2024-2025 dan berisi kegiatan berdasarkan Detailed
Engineering Design (DED) Platform MHEWS atau Buku 3, terdiri dari:
a. Implementasi interkoneksi dan integrasi data dari berbagai sumber data
b. Pengembangan system pendukung, aplikasi, dokumentasi, seperti yang telah dirancang pada
Buku DED, sesuai dengan roadmap.
c. Implementasi/pengembangan berbagai use case kebencanaan dan pemanfaatan Machine
Learning.
d. Implementasi visualisasi data.
Tahap ini dilaksanakan awal tahun 2024 dengan kegiatan interkoneksi dan integrasi data yang
bersumber baik dari internal maupun dari K/L lain.
2.2 Kapabilitas Pengelolaan Big Data dalam MHEWS
MHEWS yang dibangun oleh BNPB termasuk sistem yang kompleks dan besar karena berskala nasional
meliputi seluruh wilayah NKRI yang sangat luas sementara negara kita dikenal berpotensi untuk adanya
potensi bahaya/hazard yang beragam. Secara teknis, jumlah K/L terkait (sebagai sumber dan tujuan data),
jenis data, jumlah data, detail pemrosesan, dan tuntutan respon real time pada beberapa modul membuat
sistem MHEWS BNPB menjadi sistem yang kompleks.
Solusi Big Data diambil karena beberapa alasan, termasuk sudah melalui kajian yang dituangkan pada Buku 1
Ded Mhews - Kaji Ulang Feasibility Study Pembangunan Platform Multi Hazard Early Warning System
(MHEWS), diantaranya pada point-point berikut:
● Arsitektur Dasar Platform MHEWS, point 3, halaman 42
● Skenario 2 (terpilih) dalam Opsi Pengembangan MHEWS, halaman 46
● Opsi Pengembangan Berdasarkan Prinsip Desain, point “2 opsi yang dapat diambil dalam pengembangan
platform MHEWS Skenario 2 terpilih”, halaman 68
● Tabel 21. Desain Rencana Pengembangan Platform MHEWS, halaman 70 dan 71, pada Komponen 1 dan 2
Sejalan dengan Buku 1, Buku 2 DED Penguatan Infrastruktur TIK dan Pendukung Platform MHEWS juga
memberikan rancangan yang sudah mengarah pada Solusi Big Data, diantaranya pada bagian berikut:
Gambar 3. Pembahasan Modul Big Data Pada Buku 2
Selain itu, untuk lebih mendukung hasil kajian dan KAK, dikaji juga justifikasi dari terkait kebutuhan akan
solusi Big Data dalam membangun Platform MHEWS. Hasilnya dipaparkan pada Lampiran 2, melalui
beberapa tabel a) Ringkasan Perbedaan Utama antara Big Data dan “Small Data”; b) Dukungan Kemampuan
Pengolahan Big Data untuk sebuah sistem MHEWS; dan c) Ringkasan Dukungan Pengolahan Big Data untuk
sistem MHEWS.
2.3 Pemanfaatan Teknologi Big Data dan Sains Data dalam Proses Bisnis MHEWS
Dalam disain Buku 3. DED MHEWS, sistem dibangun secara komprehensif dengan memanfaatkan standard
penggambaran arsitektur sistem, TOGAF atau The Open Group Architecture
Framework (https://www.opengroup.org/togaf) yang memberikan pendekatan untuk merancang,
merencanakan, mengimplementasikan, dan mengatur arsitektur teknologi informasi perusahaan/organisasi.
Pada kegiatan ini, BNPB menggunakan perangkat lunak Enterprise Architecture (EA) untuk penggambaran
arsitektur sistem MHEWS, termasuk didalamnya penggambaran proses bisnis dalam beberapa level sesuai
tingkat kedetilan yang diperlukan.
Proses bisnis Multi Hazard Early Warning Systems (MHEWS) yang saat ini sudah teridentifikasi dan
disepakati bersama dikelompokkan menjadi 2 (dua) kateogri proses, yaitu Proses Utama dan Proses
Manajemen dan Pendukung. Peta proses bisnis MHEWS diilustrasikan seperti pada Gambar 4 yang diambil
dari tools EA yang digunakan.
Gambar 4. Peta Proses Bisnis Sistem Multi Hazard Early Warning Systems
Penjelasan umum proses bisnis MHEWS serta pemanfaatan teknologi Big Data dan Sains Data (Data
Science), khususnya Pembelajaran Mesin (Machine Learning) dipaparkan pada Tabel 2 di bawah ini. Adapun
rincian proses bisnis utama dalam MHEWS sampai saat ini, dipaparkan pada Lampiran 3.
Tabel 2. Pemanfaatan Big Data dan Machine Learning untuk Proses Bisnis MHEWS
Pemanfaatan
Big Data dan
Proses Bisnis Deskripsi
Machine
Learning
Menyediakan informasi kesiapsiagaan yang ditujukan kepada kelompok
pengguna di daerah yang berisiko tinggi terkena bencana, khususnya pada
situasi dimana rentang waktu antara peringatan dan kejadian sangatlah
Menggunakan
singkat. Informasi ini mencakup hasil prakiraan atau 'forecasting' untuk 5 (lima)
big data,
Mengelola jenis bencana berbeda dan diarahkan untuk menjadi rekomendasi aksi yang
visualisasi data
Kesiapsiagaan tepat. Rekomendasi ini membantu kelompok pengguna dalam merencanakan
dan informasi
langkah-langkah penyelamatan, pengamanan, dan penanganan awal. Informasi
geospasial
ini disediakan tanpa peringatan dini atau informasi yang berbasis dampak dari
hasil pemodelan skenario, sehingga memfokuskan pada respons cepat dan
efektif untuk kelompok pengguna
Pemanfaatan
Big Data dan
Proses Bisnis Deskripsi
Machine
Learning
● Proses pengumpulan, cleaning, dan integrasi data untuk Informasi data
Menerima Informasi pantuan untuk 5 jenis bencana dari: K/L (Matrix Data Pantauan K/L untuk
Menggunakan
Hasil Analisis tiap bencana dan crowdsource (dapat menggunakan aplikasi simampu))
big data dan
Pengamatan Gejala ● Proses pengumpulan cleaning dan integrasi data untuk informasi dari
Machine Learning
Bencana sumber lain sebagai backup data bila terjadi gangguan pada data pantauan
utama
● Standarisasi dan transformasi data pengamatan gejala bencana yang akan
digunakan untuk pemodelan skenario berbasis dampak untuk 5 bencana
utama
● Membangun dan merekomendasikan pilihan model skenario berbasis
dampak dengan Machine Learning untuk deliniasi kawasan terdampak
● Memperbarui model skenario yang sudah ada dengan berdasarkan data
histori kejadian bencana Indonesia baik secara langsung maupun melalui
aplikasi Lainnya (DKMS)
● Menganalisis hasil pemodelan skenario menjadi informasi berbasi dampak
untuk kebutuhan penggunaan kesiapsiagaan, evakuasi, dan penanganan
awal dalam waktu paling lama 3 menit untuk:
Menganalisis Lanjut
o Pejabat Tinggi Negara Menggunakan
Berdasarkan Hasil
o Pejabat Berwenang big data dan
Analisis Pengamatan
o Pejabat Pendukung Machine Learning
Gejala Bencana
o Lembaga Berwenang
o Lembaga Pendukung Pusat
o Lembaga Pendukung Daerah
o Pengelola kawasan hunian domestik
o Pengelola kawasan bisnis/dunia usaha dan industri
o Pengelola kawasan pariwisata
o Pengelola fasilitas umum/ fasilitas sosial, seperti sekolah,
pusat perbelanjaan dan sebagainya
o Pengelola fasilitas vital dan kritis
o Kelompok masyarakat
● Menggunakan hasil analisis lanjut yang diolah dalam big data dan Machine Menggunakan
Learning pada proses sebelumnya, untuk pengambilan keputusan bagi big data,
seluruh kelompok pengguna untuk: visualisasi data
Mengelola
o Penyelamatan Pengamanan dan informasi
Pengambilan
o Perintah evakuasi geospasial
Keputusan
o Evakuasi mandiri
o Penanganan awal
o dll
● Menyebarkan informasi hasil analisis lanjut berbasis dampak dan Menggunakan
pengambilan keputusannya pada seluruh kelompok pengguna dalam waktu big data,
kurang dari 2 menit dengan berbagai moda yaitu: visualisasi data
o Mobile Apps dan informasi
o Web Aplikasi geospasial
Mengelola o Radio AM/FM
Penyebarluasan o Faksimili
Informasi o Radio UHF/VHF
o Televisi
o SMS Broadcast
o Media Sosial
o Sirine
o dll
Menerima informasi peringatan dini serta hasil analisis dampak bencana dalam Menggunakan
bentuk visual. Informasi ini dimaksudkan untuk memfasilitasi pengambilan big data dan
Mengelola
tindakan cepat dan tepat untuk seluruh kelompok pengguna. Tujuannya Machine
Pengambilan Tindakan
adalah untuk meningkatkan keselamatan, memperkuat pengamanan, dan Learning,
Masyarakat
mempersiapkan penanganan awal dalam situasi kedaruratan bencana menggunakan
data crowdsource
3. Penerima Manfaat
Ada dua kelompok penerima manfaat dari kegiatan ini, yaitu penerima manfaat langsung dan penerima
manfaat tidak langsung.
Penerima manfaat langsung:
a. Masyarakat (baik individu maupun komunitas) yang terkena dampak bencana secara langsung. Dalam
hal ini yang dimaksud adalah masyarakat yang menjadi korban bencana alam dalam kurun waktu
terakhir.
b. Masyarakat baik secara individu, maupun komunitas, seperti dunia usaha, yang terkena dampak bencana
secara tidak langsung. Masyarakat di daerah rawan bencana dengan tingkat risiko tinggi di seluruh
Indonesia akan mendapat manfaat dari 'ketahanan investasi' (resilient investments) dari kemajuan sistem
peringatan dini dan sistem manajemen tanggap darurat, serta peningkatan kemampuan pemerintah
dalam mempersiapkan, merespon, dan merehabilitasi dampak bencana.
Penerima manfaat tidak langsung:
a. Masyarakat luas yang berpotensial terkena dampak secara tidak langsung akan mendapa manfaat dari
hasil pemanfaatan plaftform MHEWS, khususnya sistem Big Data, secara kontinu dan berkelanjutan.
b. K/L dan pemangku kepentingan yang berwenang dalam Pembangunan Sistem Peringatan Dini, dimana
informasi sistem peringatan dini di seluruh Kementerian dan Badan di Indonesia terkumpul di satu
portal di BNPB.
4. Maksud
Maksud kegiatan pengadaan ini adalah menyediakan teknologi dan solusi dalam bentuk pengadaan lisensi
perangkat lunak yang yg dibutuhkan untuk implementasi Integrasi dan Interkoneksi Data, Big Data, dan
Machine Learning (Data Processing) untuk mendukung pengembangan platform MHEWS
5. Tujuan
Tujuan dari kegiatan pengadaan in adalah:
• Tersedianya teknologi dan solusi terkini untuk Integrasi dan Interkoneksi Data, Big Data, dan Machine
Learning (Data Processing) untuk mendukung pengembangan platform MHEWS.
• Memastikan implementasi big data pada infrastruktur BNPB melalui UAT(User Acceptance Test) bahwa
teknologi yang terpilih sesuai dengan platform MHEWS baik dari segi kesesuaian maupun kinerja.
• Mempersiapkan Tim Teknis BNPB dalam mengelola plaftform Big Data yang telah dibangun.
6. Sasaran Kegiatan
Sasaran kegiatan Integrasi dan Interkoneksi Data, Big Data, dan Machine Learning (Data Processing) ini adalah
sebagai berikut:
• Menyediakan teknologi dan solusi yang memiliki tingkat availability, scalability, dan kehandalan yang tinggi
dalam jangka panjang.
• Melaksanakan UAT untuk memastikan implementasi teknologi big data sesuai dengan kebutuhan
plaftform MHEWS dalam jangka panjang.
• Tim Pengelola Platform MHEWS BNPB dapat menjalankan kegiatan operasional pengelolaan plaftform
MHEWS secara optimal khususnya dalam melakukan analisis lanjut hasil pengamatan gejala bencana
menggunakan teknologi yang disediakan dalam jangka panjang.
7. Ruang Lingkup
Ruang lingkup kegiatan ini adalah pengadaan komponen lisensi perangkat lunak serta konfigurasi untuk
melakukan aktivitas integrasi dan interkoneksi data dan big data, data science (modul Machine Learning), dan
visualisasi data yang meliputi komponen:
7.1 Teknologi
Komponen teknologi terdiri dari:
• Perancangan desain arsitektur dan teknologi big data untuk menerapkan aktivitas Integrasi dan
Interkoneksi Data, Big Data, dan Machine Learning (Data Processing).
• Pemilihan perangkat lunak/software pendukung arsitektur dan pengadaan lisensi perangkat lunak untuk
mendukung arsitektur yang diusulkan. Acuan Spesifikasi Teknologi dan Dukungan Teknis, serta
jumlahnya bisa dilihat pada Bagian B dokumen ini.
• Penyedia harus menjamin bahwa teknologi yang dirancang sesuai persyaratan data teknologi, dan aplikasi
seperti yang disyaratkan pada Lampiran 4. Penyedia perlu mengisi kolom Pemenuhan/ Compliance*, dan
memberikan catatan terhadap pemenuhan itu.
• Sebagai acuan, dari penyusunan Buku 3 DED MHEWS, sudah tersusun Arsitektur Teknologi seperti
diperlihatkan pada Grand Design MHEWS Architecture di Gambar 5.
Gambar 5. Grand Design Arsitektur MHEWS
7.2 Implementasi
Implementasi, berupa instalasi serta konfigurasi perangkat lunak akan dilakukan pada infrastruktur TIK
MHEWS yang dikelola oleh Pusdatinkom BNPB sehingga penyedia harus melakukan pemetaan kesesuaian
infrastruktur dengan teknologi yang diusulkan. Dalam implementasi ini termasuk juga pengadaan workshop
yang akan mempersiapkan Tim Teknis BNPB dalam mengelola platform yang dibangun, termasuk
menyediakan user manual/petunjuk penggunaan. Keberadaan infrastruktur TIK MHEWS saat ini dan
rekomendasi implementasi platform Big Data dan platform Integrasi Data dapat dilihat pada Lampiran 5.
Dalam lampiran ini dijelaskan mengenai a) Infrastruktur TIK Pusdatinkom BNPB untuk Pendukung MHEWS;
b) Rekomendasi Spesifikasi Platform Big Data berdasarkan Reference Architecture; serta c) Rekomendasi
Skenario Implementasi Platform Big Data pada Infrastruktur TIK BNPB.
7.3 Data
Data beserta feature, format, dan sumbernya, berdasarkan hasil identifikasi sampai saat ini, disebutkan secara
rinci pada Lampiran 6. Dari hasil identifikasi, perkiraan awal jumlah data sebesar 746GB dengan periode
update yang beragam (kolom velocity pada Lampiran 6), yaitu dapat berupa setiap menit, setiap jam, setiap
hari, setiap bulan, setiap tahun, atau bahkan setiap kejadian. Data ini setelah diakumulasi dalam setahun
berjumlah sekitar 4.03TB. Estimasi pertumbuhan data secara lebih akurat dapat dilakukan setelah diketahui
tingkat pertumbuhan data sesuai kenyataan per tahunnya. Namun jika estimasi pertumbuhan data (growth
rate) berdasarkan asumsi awal (4TB/tahun, worst case) maka gambaran pertumbuhan data dalam 3 tahun ke
depan adalah sebagai berikut:
Tahun 1 Tahun 2 Tahun 3
4,03TB 8,07 TB 12,11 TB
Gambaran terkait data ini adalah ekspektasi 5V data yang akan ada dalam platform MHEWS ke depan. Untuk
melakukan Pengujian Serah Terima, data dapat diambil dari subset data yang tersedia di Lampiran 6.
7.4 Pengujian Serah Terima
Komponen ini berfungsi untuk menguji kesesuaian keseluruhan infrastruktur big data - yang meliputi platform
big data dengan kemampuan data science, platform integrasi data, dan visualisasi data - dengan infrastruktur
TIK yang ada, dan mendemonstrasikan bahwa arsitektur data/big data dan teknologi big data yang dipilih
sesuai dengan kebutuhan pengembangan platform MHEWS, dan mencakup kegiatan:
• Penyedia menerapkan serangkaian uji fungsi terhadap software yang sudah diinstall dan dikonfigurasi
(melakukan User Acceptance Testing), sebagai prasayarat agar sesuai dengan User Acceptance Criteria yang
telah ditetapkan pada Lampiran 8.
• Penyedia mendemonstrasikan proses integrasi dan interkoneksi data dan big data dengan menggunakan
beberapa sumber data contoh. Data dapat diambil dari mana saja, termasuk dari subset data yang tersedia
di Lampiran 6.
• Penyedia mendemonstrasikan penerapan model Machine Learning di Platform Big Data, sebagai bukti
pemanfaatan kapabilitas data science yang dibangun bersama platform Big Data, dapat menggunakan
contoh/exercise machine learning yang disediakan di platform Big Data atau yang telah dimiliki oleh
penyedia.
7.5 Support/Dukungan Teknis
Spesifikasi Teknis Perangkat Lunak Teknologi dan Solusi Big Data, termasuk kebutuhan Local Support
dijabarkan pada Lampiran 7. Dalam pekerjaan local support ini, sebelum penyedia untuk pekerjaan
pembangunan di Tahap 2 (2024) terpilih, pekerjaan local support termasuk membantu BNPB melakukan
penyiapan data, berupa pengelolaan interkoneksi dan migrasi data, dengan mengacu pada sumber data yang
telah diidentifikasi pada Lampiran 6.
8. Nama Organisasi Pengadaan Barang/Jasa
• Organisasi Pengadaan Barang/Jasa: BNPB
• Satuan Kerja: Direktorat Peringatan Dini
9. Sumber Pendanaan
Kegiatan ini dibiayai dari sumber pendanaan APBN LOAN Tahun Anggaran 2023 dengan Pagu Anggaran Rp.
7.146.000.000, - (Tujuh milyar seratus empat puluh enam juta rupiah).
10. Lokasi Kegiatan
Di lokasi infrastruktur TIK BNPB, yaitu di Sentul dan Pramuka (lihat Lampiran 5).
11. Keluaran
Keluaran Kegiatan Integrasi dan Interkoneksi Data, Big Data, dan Machine Learning (Data Processing)
Platform MHEWS ini adalah tersedianya teknologi dan solusi untuk Big Data sebagai penunjang
pengembangan plaftform MHEWS, yang meliputi:
● Topologi infrastruktur big data yang diusulkan.
● Hasil assessment ketersediaan infrastruktur TIK di Pusdatinkom yang mendukung kebutuhan
Kegiatan Integrasi dan Interkoneksi Data, Big Data, dan Machine Learning (Data Processing) dan
rekomendasi kebutuhan infrastruktur lainnya jika diperlukan tambahan (on-premise, cloud).
● Terimplementasinya teknologi big data yang diusulkan di infrastruktur TIK Pusdatinkom BNPB.
● Pengujian Serah Terima Pekerjaan berupa pelaksanaan User Acceptance Test sebagai rangkaian uji
fungsi yang membuktikan bahwa seluruh fungsi perangkat lunak yang diinstalasi dan dikonfigurasi
berfungsi dengan baik.
● Pelaksanaan workshop terkait produk yang diimplementasikan kepada tim teknis BNPB, termasuk
menyediakan user manual/petunjuk teknis.
● Tersedianya Local Support dengan SLA seperti dijabarkan pada Lampiran 7, point E.
● Tersedianya data-data sesuai hasil identifikasi pada Lampiran 6. Prioritas dan pemilihan data yang
ada akan didiskusikan lebih lanjut setelah UAT dilakukan, karena akan mempertimbangkan banyak
faktor, diantaranya ketersediaan data, kebutuhan penggunaan (urgent/tidak), dan kesiapan pihak
sumber data, utamanya yang berasal dari K/L lain.
● Dokumentasi terkait semua kegiatan diatas, termasuk daftar lisensi perangkat lunak (dengan BAST),
rancangan infrastruktur, user manual/petunjuk teknis, dan dokumentasi lain yang diperlukan.
12. Jangka Waktu Pelaksanaan
Waktu Pelaksanaan kegiatan Interkoneksi, Integrasi Data, dan Big Data Analytic (Data Processing) dalam
mendukung kegiatan pengembangan platform MHEWS dilakukan multiyears dari Desember 2023 - Maret
2024 (selama 120 hari kalender) terhitung sejak ditandatanganinya Surat Perjanjian Kerjasama atau Surat
Perintah Kerja. Jadwal pelaksanaan pekerjaan dapat mengacu pada jadwal berikut:
Tabel 3. Jadwal/Timeline
Des Jan Feb Mar
No Kegiatan/Aktivitas Keterangan
2023 2024 2024 2024
1 Kick off
⧫
Penyediaan Teknologi
Platform Big Data dengan
2 - Penyiapan Software kemampuan Machine Learning, Data
Integration Capability, Data
- BAST Penyediaan Barang & Visualization
Dokumentasinya
Instalasi, Konfigurasi, UAT
- Assesment & penyiapan
infrastruktur TIK
Setelah instalasi, masa tunggu aktivasi
3
- Instalasi Software disertai lisensi mulai dihitung
dengan BAST Instalasi (Lihat 13.2. Persyaratan Teknis,
point d)
- Konfigurasi Software disertai
dengan BAST Konfigurasi
Software
Pelaksanaan UAT dengan
4 menerapkan User Acceptance Criteria
yang telah ditetapkan.
Workshop berisi
A. Workshop mengenai big data
dan produk-produk yang akan
Local support: diinstall.
5
A B C
Workshop untuk Tim Teknis PD B. Workshop terkait implementasi
dan konfigurasi
C. Workshop administrasi platform
Local support: Lihat bagian 7.5 Support/Dukungan
6
Penyiapan Data Teknis
Des Jan Feb Mar
No Kegiatan/Aktivitas Keterangan
2023 2024 2024 2024
Sd
7 Local Support keseluruhan Des
Sampai 24 bulan setelah BAST
2025 Implementasi
13. Kualifikasi Pelaksana Pekerjaan
Pelaksana pekerjaan untuk penyedia teknologi dan solusi Kegiatan Interkoneksi, Integrasi Data, dan Big Data
Analytic (Data Processing) sebagai pendukung platform MHEWS adalah perusahaan yang memenuhi
persyaratan sebagai berikut:
13.1. Persyaratan Administrasi
Syarat Administrasi, pada bagian ini adalah dokumen yang harus dimiliki oleh pihak calon penyedia:
a. Berdomisili di wilayah Indonesia untuk pelaku usaha nasional atau menyesuaikan untuk pelaku
usaha Internasional;
b. Memiliki NIB dengan kualifikasi usaha besar dengan Kode KBLI 6201(Aktivitas Pemrograman
Komputer) dan atau KBLI 6202 (Aktivitas Konsultasi Komputer dan Manajemen Fasilitas
Komputer) dan atau KBLI 6209 (Aktivitas Teknologi Informasi dan Jasa Komputer Lainnya) atau
yang setara ( untuk perusahaan nasional);
c. Mendapatkan surat dukungan Keuangan dari Bank senilai minimal Rp. 7.146.000.000, - dan
atau mempunyai saldo senilai minimal 30 (tiga puluh) persen dari nilai HPS atau senilai Rp.
2.143.800.000, - dalam kurun waktu 3 bulan terakhir;
d. Telah memenuhi kewajiban perpajakan dengan menyertakan copy bukti pajak tahun terakhir
(2022);
e. Merupakan perusahaan tidak dalam pengawasan pengadilan, tidak pailit, kegiatan usahanya
tidak sedang dihentikan, dan/atau direksi yang bertindak untuk dan atas nama perusahaan tidak
sedang dalam menjalani sanksi pidana yang dibuktikan dengan surat pernyataan yang
ditandatangani penyedia barang/jasa;
f. Laporan Keuangan 2 tahun terakhir yang telah di audit oleh kantor akuntan publik;
g. Memiliki Akta Pendirian Perusahaan dan perubahannya jika ada (untuk perusahaan nasional);
h. Memiliki NPWP (untuk perusahaan nasional);
i. Memiliki status valid pada aplikasi DJP pajak (untuk perusahaan nasional);
13.2. Persyaratan Teknis
a. Memperoleh paling kurang 1 (satu) pekerjaan yang berisi komponen manajemen data, big data,
Machine Learning atau visualisasi data, baik per komponen atau bersama-sama. Kontrak bernilai
minimal sebesar 70 (tujuh puluh) persen dari HPS atau senilai Rp. 5.002.200.000, - (dalam 1
kontrak) atau minimal 40 (empat puluh) persen dari HPS atau senilai Rp. 2,858,400,000 (dalam
2 kontrak) dalam kurun waktu 5 (lima) tahun terakhir baik di lingkungan pemerintahan maupun
swasta, termasuk pengalaman subkontrak.
b. Adanya dukungan secara tertulis dari principal kepada calon penyedia untuk setiap lisensi
produk software yang diadakan;
c. Adanya dukungan dari setiap principal untuk jaminan maintenance dan operasional dalam
bentuk Technical Support selama berlangsungnya masa berlaku lisensi setiap software aplikasi;
d. Melampirkan surat dukungan dari principal untuk solusi teknologi Big Data Platform, Data
Integration, dan Data Visualization
e. Penyedia atau Principal dapat memberikan jaminan untuk tidak langsung memberlakukan beban
biaya aktivasi lisensi sampai a) dengan terkontraknya perusahaan Penyedia Pembangunan
Platform MHEWS (untuk memulai Kegiatan Tahap 2); atau b) sampai dengan 90 hari Kalender
dihitung dari selesainya instalasi.
f. Melampirkan surat pernyataan terkait jaminan yang dimaksud pada point d di atas;
g. Perusahaan memiliki sertifikat SNI ISO 27001:2013/27001:2022 Sistem Manajemen
Keamanan lnformasi;
h. Perusahaan memiliki sertifikat SNI ISO 9001:2015 Sistem Manajemen Mutu;
i. Melampirkan Kualifikasi Persyaratan Teknologi Big Data untuk Pendukung Platform MHEWS
dengan mengisi kolom pemenuhan/compliance sesuai dengan tiap item persyaratan yang telah
ditetapkan (Lampiran 4);
j. Dalam memobilisasi tenaga ahli, harus mengikuti Protokol Kesehatan yang berlaku di Indonesia
dan daerah setempat pada periode pelaksanaan kegiatan, termasuk pembatasan pergerakan
antar negara, antar wilayah dan pembatasan kegiatan masyarakat yang diberlakukan;
k. Tenaga ahli harus menguasai/memahami budaya, kebiasaan, kearifan lokal dan bahasa daerah
setempat;
l. Tim implementasi merupakan warga negara Indonesia, mampu berkomunikasi dan mampu
menulis dalam Bahasa Indonesia. Merupakan karyawan tetap atau tidak tetap yang dibuktikan
dengan salinan SPT tahun terakhir. Jenis, spesifikasi, dan jumlah kebutuhan personil dari
penyedia menyesuaikan dengan kebutuhan instalasi, konfigurasi, dan workshop dengan
komposisi team yang setidaknya diharapkan terdiri dari Team Leader, Data Engineer, Data
Scientist dan Infrastructure Engineer.
14. Tahapan Pembayaran
Alokasi pembiayaan dilakukan berdasarkan keluaran yang disepakati dibagi menjadi beberapa termin
seperti yang dirinci pada tabel pada berikut.
Tabel 4. Persentasi Tahapan Kegiatan
Tahapan Keluaran Persentase
Tahap 1 Penyiapan Software 15% dari nilai kontrak
Tahap 2 Setelah Instalasi dan Konfigurasi Software 55% dari nilai kontrak
dilakukan (Dibuktikan dengan BAST Instalasi)
Tahap 3 Setelah UAT selesai 20% dari nilai kontrak
Tahap 4 Setelah Aktivasi Software 10% dari nilai kontrak
B. SPESIFIKASI TEKNOLOGI, SOLUSI, DUKUNGAN TEKNIS
Spesifikasi ringkas untuk kelompok teknologi dan solusi yang dibutuhkan pada pengadaan ini, beserta
unitnya, dijelaskan pada tabel berikut:
Tabel 5. Spesifikasi Teknologi, Solusi, dan Dukungan Teknis
NO KELOMPOK URAIAN UNIT/
TEKNOLOGI & SOLUSI
SATUAN
● Sistem untuk manajemen pemrosesan dan
A Big Data Platform
penyimpanan data yang jumlah sangat besar yang
dengan kemampuan
digunakan untuk analisis dan pengambilan
pengelolaan data
berbasis Data Science keputusan dan didalamnya mengandung license/node
kemampuan untuk mengembangkan solusi berbasis
data science diantaranya Machine Learning.
● Instalasi, konfigurasi, dan workshop
B Data Integration ● Sistem untuk manajemen data yang berasal dari
Platform berbagai sumber yang akan ditransformasi untuk
license
penggunaan selanjutnya
● Instalasi, konfigurasi, dan workshop
C Data Analysis/ ● Perangkat lunak untuk melakukan visualisasi data
license/
untuk melihat pola, trend, dll untuk keperluan
NO KELOMPOK URAIAN UNIT/
TEKNOLOGI & SOLUSI
SATUAN
Visualization analisis developer
● Instalasi, konfigurasi, dan workshop
D Local Support ● Dukungan penyedia untuk memecahkan masalah
pada sisi user (troubleshooting), mengumpulkan
feedback, juga memastikan kualitas dan kinerja
perangkat lunak platform big data yang telah
dibangun, sebagai tambahan terhadap Technical paket local
Support yang integrated bersama dengan lisensi tiap support
produk.
● Dukungan penyedia untuk membantu pengelolaan
interkonesi dan migrasi data, bersama-sama dengan
Tim Teknis BNPB.
Rincian spesifikasi masing-masing kelompok teknologi dan solusi ini dijelaskan pada Lampiran 7.
C. SPESIFIKASI JUMLAH
Jumlah, volume, durasi, dan satuan dari tiap kelompok teknologi dan solusi pada pengadaan ini dirinci pada
tabel berikut:
Tabel 6. Spesifikasi Jumlah
NO KELOMPOK SPESIFIKASI VOLUME UNIT/
TEKNOLOGI & SOLUSI
SATUAN
A Big Data Platform Lisensi tahunan penggunaan platform big data
dengan kemampuan untuk dua tahun, termasuk instalasi,
8 license-node
pengelolaan data konfigurasi, workshop, dan local support
berbasis Data Science (selama 2 tahun)
B Data Integration Lisensi tahunan penggunaan platform
Platform integrasi data untuk dua tahun, , termasuk license
1
instalasi, konfigurasi, workshop, dan local
support(selama 2 tahun)
C Data Analysis/ Lisensi untuk dua (2) pengembang/developer
Visualization untuk pengembangan analisis dan visualisasi
data, serta lisensi untuk sharing hasil
2 license-user
visualisasi, selama dua tahun termasuk,
termasuk instalasi, konfigurasi, workshop, dan
local support(selama 2 tahun)
D Local Support Local Support sesuai SLA (lihat Lampiran 7,
point E), selama dua tahun 80 man-days
D. SPESIFIKASI WAKTU
1. Jangka waktu pelaksanaan: Desember 2023 - Maret 2024
2. Lokasi implementasi: pada infrastruktur Pusat Data lnformasi dan Komunikasi Bencana BNPB
E. LAMPIRAN
Lampiran 1. Gambaran Umum Pengembangan Platform MHEWS
Lampiran 2. Kebutuhan Kapabilitas Teknologi Big Data dalam MHEWS
Lampiran 3. Proses Bisnis Utama MHEWS
Lampiran 4. Kualifikasi Persyaratan Teknologi Big Data untuk Pendukung Platform MHEWS
Lampiran 5. Rekomendasi Implementasi Platform Big Data pada Infrastruktur Pusdatinkom BNPB
Lampiran 6. Fitur dan Interoperabilitas Data Terkait Kebencanaan
Lampiran 7. Spesifikasi Teknis Perangkat Lunak Teknologi dan Solusi Platform Big Data
Lampiran 8. Form User Acceptance Testing Platform Big Data
Jakarta, 6 November 2023
Penanggung Jawab Kegiatan,
Direktur Peringatan Dini
Afrial Rosya
LAMPIRAN 1.
Gambaran Umum Pengembangan Platform MHEWS
1) Konteks Pengembangan Platform MHEWS
Pengembangan Platform MHEWS Indonesia berpijak pada penyelarasan tahapan pemberian
peringatan dini yang tertuang pada Undang-undang 24 Tahun 2007 tentang Penanggulangan
Bencana dengan 4 kwadran pengembangan peringatan dini bencana berbasis masyarakat
berdasarkan kesepakatan UNDRR dan WMO pada Tahun 2018. Penyelarasan tersebut dapat
dilihat pada gambar 2.
Undang-undang Nomor 24 Gambar 1.
Harmonisasi Konsep People Centered MHEWS dan
Tahun 2007 tentang
Sistem Peringatan Dini Bencana Indonesia
Penanggulangan Bencana
kemudian diperkuat dalam
Peraturan BNPB Nomor 4 Tahun
2022 tentang Pelaksanaan
Peringatan Dini Bencana pada
Badan Nasional
Penanggulangan Bencana dan
Badan Penanggulangan
Bencana Daerah. Peraturan
Kepala BNPB tersebut
menguraikan peringatan dini
dimulai semenjak dari deteksi
dini hingga memastikan respon
yang efektif terhadap arahan.
Deteksi dini merupakan
kegiatan pengamatan gejala
untuk meramalkan
kemungkinan kejadian bencana
berdasarkan parameter-
parameter yang telah
ditetapkan. Karena bersifat
peramalan, hasil pendeteksian
membutuhkan analisis dan
pertimbangan para ahli terkait
untuk menetapkan arahan yang
harus disebar kepada
Sumber: Kaji Ulang FS Pengembangan Platform MHEWS-2023
masyarakat berisiko terkena
bencana.
Analisis dilaksanakan dengan menggunakan pendekatan yang disepakati bersama sebagai dasar
pengambilan keputusan. Analisis bersifat teknis, sedangkan keputusan penyebaran arahan oleh
pihak yang berwenang bersifat politis. Penyebaran arahan dilaksanakan sesegera mungkin
dengan moda penyebaran yang mempertimbangkan pola repetisi (pengulangan) dan karakter
komunitas target penyebaran arahan. Efektivitas penyebaran arahan dapat dilihat dari kesatuan
respon yang telah disepakati dan diketahui oleh komunitas masyarakat dari berbagai karakter.
Berdasarkan tahapan aktivitas peringatan dini tersebut, dapat dilihat bahwa kecenderungan
tahapan pengamatan gejala bencana dan analisis hasil pengamatan gejala bencana lebih
menuntut kebutuhan teknologi terapan, walau tetap membutuhkan pendekatan kultural dalam
penerapannya. Oleh karenanya aktivitas pengamatan gejala bencana dan analisa hasilnya lebih
banyak dilaksanakan oleh pemerintah pusat, walau untuk ancaman yang bersifat lokal tetap
membutuhkan pendekatan kultural untuk proses pendeteksiannya.
Tahapan pengambilan keputusan oleh pihak
Gambar 2.
yang berwenang merupakan tahapan Posisi Pusdalops PB dalam Kolaborasi Struktur dan
spesifik yang merubah informasi tentang Kultur pada Tahapan Operasi Peringatan Dini
kemungkinan terjadinya suatu bencana
menjadi perintah evakuasi untuk
masyarakat. Berdasarkan Peraturan BNPB
Nomor 4 Tahun 2022 dinyatakan bahwa
BNPB dan kepala daerah yang memiliki
kewenangan untuk mengeluarkan perintah
evakuasi. Kebijakan ini bersifat politis dan
mengedepankan aspek kultural
dibandingkan aspek teknis.
Tahapan penyebaran informasi dan
pengambilan tindakan oleh masyarakat lebih
banyak mengedepankan aspek kultural.
Teknologi penyebaran informasi dapat
menggunakan berbagai perangkat yang telah
tersedia, bahkan pada sebagian daerah
penyebaran ini menggunakan alat tradisional
seperti kentongan, bedug dan sebagainya.
Kolaborasi yang harmonis antara aspek
struktur dan kultur bertemu pada fasilitas
pusat pengendali operasi penanggulangan
bencana (Pusdalops PB) di daerah, baik pada
skala provinsi maupun kabupaten/kota.
Bentuk kolaborasi antara struktur dan kultur
Sumber: Kaji Ulang FS Pengembangan Platform
dengan tahapan pelaksanaan peringatan
MHEWS-2023
dini dapat dilihat pada gambar 3.
Pada gambar tersebut, terlihat bahwa Pusdalops PB adalah fasilitas yang bertugas untuk
menerima peringatan dini dari kementerian/lembaga penyedia layanan peringatan seperti BMKG,
PVMBG dan lainnya, untuk kemudian diolah dan dikomunikasikan kepada kepala daerah untuk
meminta keputusan apakah perlu dilanjutkan untuk mengevakuasi masyarakat atau tidak.
Evakuasi atau tidak, keputusan ini tetap harus disebarkan oleh Pusdalops PB kepada masyarakat
sehingga masyarakat dapat merespon dengan baik keputusan tersebut.
2) Kemampuan Platfrom MHEWS
Berbagai kajian dan studi telah memperlihatkan fitur-fitur kunci di hilir layanan platform MHEWS.
Berdasarkan hal tersebut, dapat dilihat posisi dari platform MHEWS dalam Sistem Peringatan Dini
Bencana Indonesia yang telah ada saat ini. Posisi platform MHEWS dalam rangkaian sistem
peringatan dini dapat dilihat pada gambar 4.
Gambar 3.
Rentang Kemampuan Platform MHEWS
Sumber: Kaji Ulang FS Pengembangan Platform MHEWS-2023
Gambar tersebut memperlihatkan bahwa platform MHEWS tidak memproduksi data sendiri.
Platform ini mengolah berbagai informasi dari berbagai kementerian/lembaga untuk kemudian
hasil olahannya disalurkan kepada berbagai tingkat pemerintah dan masyarakat sesuai dengan
kondisi dan kebutuhannya. Konfigurasi platform MHEWS berdasarkan studi permintaan mengacu
kepada fungsi dan definisi karakteristik fisik yang akan dihasilkan menjadi spesifikasi platform
MHEWS. Berdasarkan gambar 4, kemampuan dasar platform MHEWS secara umum adalah:
1. Mengumpulkan semua informasi dari berbagai sumber (baik lembaga maupun crowd source),
menganalisa, dan mengklasifikasikannya, terkait dengan:
a. informasi peringatan dini bencana termasuk kemungkinan bencana ikutannya yang
bersamaan datangnya dengan informasi pemantauan bencana awal dari
kementerian/lembaga penyedia layanan peringatan;
b. informasi kejadian bencana skala lokal dari laporan masyarakat dan/atau BPBD
setempat;
c. informasi lain dari sumber lainnya terkait informasi kejadian bencana, proses
evakuasi, proses penanganan awal dan penanggulangan kedaruratan dari berbagai
media sosial, laporan melalui platform dan sebagainya.
2. Mengolah data dan informasi yang diterima menjadi informasi berbasis dampak untuk:
a. menjadi bahan referensi pengambilan keputusan evakuasi atau tidak, baik dalam
skala luas atau pun skala lokal
b. memberikan informasi kepada Pusdalops PB Provinsi untuk kabupaten/kota di
lingkup kewenangannya yang membutuhkan dukungan penyebaran perintah
evakuasi namun belum memiliki kapasitas yang memadai untuk penyebaran
informasi tersebut.
c. menginisiasi dan merancang upaya kesiapsiagaan yang sesuai secara individu,
keluarga, kelompok, sektoral dan daerah untuk kemungkinan bencana yang akan
muncul.
d. menginisiasi dan merancang upaya penyelamatan dan pengamanan yang sesuai
secara individu, keluarga, kelompok, sektoral dan daerah untuk pada masa-masa
evakuasi, penanganan awal dan penanganan darurat bencana.
3. Menyebarkan informasi sesuai dengan kebutuhan dan kemampuan kelompok pengguna,
berdasarkan permintaan dengan menggunakan pembatas lokasi penyebaran dengan moda:
a. aplikasi telepon seluler;
b. aplikasi berbasis web;
c. radio penyiaran (FM/AM);
d. faksimili;
e. radio UHF/VHF;
f. televisi;
g. sms broadcast;
h. media sosial;
i. sirine.
4. Meminta konfirmasi dan informasi tambahan kepada para pengguna, khususnya:
a. mengkonfirmasi perintah evakuasi yang telah dikeluarkan oleh Kepala BNPB atau
bupati/walikota;
b. kepada Pusdalops PB (pusat, provinsi atau pun kabupaten/kota) untuk
mengkonfirmasi (secara otomatis) perintah evakuasi/tidak yang telah disebar
kepada masyarakat
c. kepada kementerian/lembaga penyedia layanan peringatan dini untuk
mengkonfirmasi dan memberikan penilaian lanjut kemungkinan terjadinya bencana
susulan akibat perubahan situasi selama operasi kedaruratan bencana
5. Menginterupsi aktivitas pengguna berdasarkan jenis kedaruratan informasi yang harus
disebar, pada kondisi mendesak untuk:
a. melakukan evakuasi sesegera mungkin berdasarkan perintah evakuasi dari pejabat
yang berwenang
b. memberikan informasi lokasi pengguna aplikasi yang membutuhkan pertolongan
pencarian dan evakuasi kepada petugas yang tengah melakukan operasi
kedaruratan.
6. Menyediakan ruang komunikasi darurat secara daring untuk para pejabat berwenang di
pemerintah pusat, provinsi dan kabupaten/kota untuk:
a. mengambil keputusan evakuasi dalam skala luas;
b. mengambil keputusan lainnya seperti tingkat dan status bencana yang akan
diberlakukan;
c. pemberlakuan prosedur kemudahan akses untuk operasi kedaruratan bencana,
d. dan kebutuhan lainnya.
7. Mencatat secara otomatis seluruh proses kerja yang dilaksanakan oleh Pusdalops PB melalui
platform MHEWS.
Memperhatikan kesiapan kementerian/lembaga penyedia layanan peringatan dini dalam
memberikan data dan informasi kepada platform MHEWS, maka dibentuk 3 segmentasi area
pelayanan platform MHEWS. Area layanan platform MHEWS dapat dilihat pada tabel 2.
Tabel 1.
Segmentasi Area Layanan Platform MHEWS
Area Layanan
Segmen 1 MHEWS Segmen 2 MHEWS Segmen 3 MHEWS Potensi Bencana
Komponen
Lead time <30 menit atau Lead time cepat, sifat Lead time panjang, Susulan
belum dapat dideteksi dengan pemantauan langsung berdasarkan prakiraan
peralatan saat ini (nowcasting) (Forecasting)
5
NAMACNA
Gempabumi Kawasan terdampak • Tsunami
berdasarkan Shake - - • Tanah Longsor
map
Tsunami Kawasan terdampak
Kawasan terdampak dengan Lead time >30
dengan Lead time <30 menit – (termasuk - -
menit Kawasan terdampak
long distance tsunami)
Banjir Kawasan terdampak Kawasan terdampak
dari hasil now-casting berdasarkan Informasi
- -
tinggi muka air curah hujan bulanan
dan 3 harian
Tanah Kawasan terdampak Kawasan terdampak
Longsor yang telah memiliki berdasarkan Informasi
pendeteksi longsor - Peta Prakiraan Potensi -
skala lokal Gerakan Tanah
Bulanan
Letusan Kawasan terdampak Kawasan terdampak • Gempabumi
Gunung Api dengan Lead time <30 dengan Lead time >30 • Tsunami
-
menit menit • Tanah Longsor
Sumber: analisis
Dengan demikian berdasarkan segmentasi layanan, platform MHEWS harus memiliki
kemampuan:
a) mengetahui posisi pengguna dan mengidentifikasi area segmentasi layanan penggunanya
untuk tiap-tiap bencana yang mungkin terjadi;
b) memberikan informasi otomatis untuk kondisi yang mewajibkan pengguna mengetahui
informasi tersebut;
c) memberikan informasi lainnya yang dibutuhkan pengguna dalam masa siaga, evakuasi dan
penanganan awal bencana untuk penyelamatan diri dan masyarakat.
3) Arsitektur Platform MHEWS
Dalam pembangunan MHEWS, semua pemangku kepentingan harus bekerja sama untuk
memastikan bahwa MHEWS beroperasi seperti yang diharapkan. Sistem yang ada harus
memanfaatkan kapasitas regional dan global serta mekanisme pendukung. Dengan demikian
sistem mendapatkan keuntungan dari:
1. penggabungan pengetahuan adat tradisional tentang bencana;
2. teknologi geo-spasial untuk memastikan bahwa informasi tentang elemen yang terpapar
adalah yang terbaru;
3. teknologi informasi dan komunikasi terbaru untuk memfasilitasi komunikasi di antara semua
pemangku kepentingan dan untuk memastikan bahwa peringatan menjangkau mereka yang
berisiko disertakan dan;
4. perbaikan berkala pada sistem berdasarkan sistematisasi yang menggabungkan pelajaran
yang dipetik dari operasi rutinnya.
Arsitektur dasar MHEWS telah dikembangkan dalam Dokumen Rencana Induk Sistem Peringatan
Dini Multi Ancaman Bencana yang disusun pada Tahun 2019. Arsitektur tersebut perlu untuk
dijelaskan kembali dalam dokumen ini untuk memperoleh konteks yang lengkap.
Arsitektur MHEWS dibangun agar dapat memenuhi sejumlah kebutuhan operasionalisasi sistem
peringatan dini yang optimal, antara lain:
1. Terinformasikannya peringatan dini bencana yang diperoleh melalui EWS
kementerian/lembaga sesuai dengan jenis bencana yang terjadi.
2. Terinformasikannya analisis potensi dampak ancaman bencana kepada stakeholder terkait
sesuai dengan jenis bencana yang terjadi
3. Terinformasikannya peringatan MHEWS yang berupa rekomendasi aksi kepada stakeholder
terkait sesuai dengan jenis bencana yang terjadi
4. Tersedianya berbagai laporan yang mendukung pemenuhan 4 kuadran pembangunan
MHEWS (Pengetahuan, Analisis Data dan Monitoring, Diseminasi dan Komunikasi Informasi
dan Respon atas Bencana) serta 5 kegiatan utama peringatan dini (Deteksi Dini, Analisis
Hasil, Legitimasi Arahan, Penyebaran Arahan, dan Respon terhadap Arahan).
Arsitektur Dasar Platform MHEWS dipetakan berdasarkan integrasi data dari aplikasi eksisting
pada kelembagaan di lingkungan BNPB dan seluruh para pemangku kepentingan yang terkait
dengan manajemen risiko bencana di Indonesia.
Gambar 4.
Desain Dasar Arsitektur Platform MHEWS
Sumber: BNPB 2019 (diolah)
Arsitektur Dasar Platform MHEWS yang dirancang seperti terlihat pada gambar 12. Sebagaimana
terlihat pada gambar 12 diatas, desain dasar arsitektur MHEWS terdiri dari lapisan-lapisan
sebagai berikut:
1. Sistem-sistem Lainnya (Other Systems)
Sistem-sistem terkait yang dimiliki oleh kementerian/lembaga dan instansi lainnya
dikelompokkan pada lapisan ini, yang dapat berupa:
a) Sistem terkait kementerian/lembaga/dinas (Sistem terkait bencana di luar EWS yang ada
di kementerian/lembaga/dinas).
b) Sistem Pemantauan kementerian/lembaga/dinas (Sistem sensor untuk pemantauan
pada kementerian/lembaga/dinas).
c) Sistem Peringatan Dini kementerian/lembaga/dinas (Platform EWS pada
kementerian/lembaga/dinas).
d) Sistem Lainnya (Sistem terkait bencana yang dikelola oleh pihak selain
kementerian/lembaga/dinas).
Sistem-sistem ini tetap menjalankan fungsi sebagaimana mestinya serta tetap menyediakan
informasi bagi masyarakat yang membutuhkan. Sistem-sistem lainnya ini harus terhubung
dengan sistem layanan penghubung (Enterprise Services Bus - ESB) yang disediakan sebagai
sarana integrasi data.
2. Data Dasar (Basic Data)
Pada lapisan ini berisi data dan informasi terkait dengan:
a) Data Spasial (Spatial Data).
b) Data Sosial Budaya (Socio-Cultural Data) yang berbentuk terstruktur (structured) maupun
tidak terstruktur (unstructured data)
c) Data Bahaya (Hazard Data).
Data spasial diperoleh dari Badan Informasi Geospasial (BIG), termasuk data dasar mengenai
peta wilayah Indonesia. Sedangkan data sosial budaya dapat berbentuk data terstruktur atau
data yang dihasilkan dari data resmi yang dikeluarkan oleh instansi yang berwenang, misalnya
data jumlah penduduk dari BPS, maupun data tidak terstruktur, misalnya adalah data peta
bangunan disertai atribut dan informasi bangunan dari BIG.
3. Analisis Potensi Dampak Multi Ancaman Bencana (Multi-hazard Impact Analysis)
Lapisan ini merupakan lapisan yang merepresentasikan analisis dari berbagai sumber. Data
yang diperoleh berdasarkan berbagai sumber pada Data Dasar, dianalisis menggunakan
Analisis Data Besar (Big Data Analytics) untuk mendapatkan pola, prediksi maupun perkiraan
mengenai dampak dari bencana yang telah atau sedang terjadi. Hasil analisis yang dihasilkan
selanjutnya dapat menunjang proses pengambilan keputusan.
4. Peringatan (Warnings)
Lapisan ini merupakan lapisan yang memberikan informasi peringatan bahaya, evakuasi dan
informasi lainnya. Di samping itu, pada bagian ini juga terdapat Portal MHEWS yang didesain
dengan konsep 4 (empat) kuadran dalam penanggulangan bencana (Pengetahuan, Analisis
Data dan Monitoring, Diseminasi dan Komunikasi Informasi serta Respon atas Bencana) serta
5 kegiatan utama peringatan dini (Deteksi Dini, Analisis Hasil, Legitimasi Arahan, Penyebaran
Arahan, dan Respon terhadap Arahan).
Portal MHEWS ini akan menjadi wadah pusat informasi multi peringatan dini sebelum
didiseminasi dan dikomunikasikan. Portal MHEWS ini aksesnya bersifat pribadi (private) pada
pengelola MHEWS dan menggunakan platform web dalam implementasinya. Selanjutnya
pada lapisan ini juga terdapat pengaturan hubungan akses data kepada Sektor Publik (Public
Sector) yang membutuhkan melalui sistem layanan penghubung (Enterprise Services Bus -
ESB). Dengan menggunakan ESB ini, berbagai data disiapkan sesuai dengan kebutuhan dan
hak akses untuk proses/aplikasi/sistem lain dari Sektor Publik terkait.
5. Diseminasi dan Komunikasi (Dissemination & Communication)
Lapisan ini menyediakan informasi peringatan dini akses publik dengan berbagai jalur
informasi. Diseminasi dan Komunikasi melalui kanal:
a) Web Media yang diintegrasikan dengan MHEWS.
b) Mobile Device yang diintegrasikan dengan MHEWS.
c) Sosial Media.
d) Piranti Pakai (Wearable Device).
e) Telepon (Phone).
f) Televisi.
g) Sirene.
h) Radio.
i) SMS Blast.
j) Perangkat lainnya yang disesuaikan dengan kemajuan teknologi dengan terlebih dahulu
melakukan kajian lanjutan untuk kelayakan implementasinya.
6. Aplikasi Strategis (Strategic Apps)
Lapisan ini berisi aplikasi-aplikasi utama untuk mendukung sistem peringatan dini, yaitu:
a) Sistem Pendukung Keputusan (Decision Support System / DSS)
Adalah sistem untuk pengambilan keputusan dalam menentukan status Peringatan Dini
untuk kesiapsiagaan menghadapi bencana. DSS memuat Dashboard Analisa Dampak
dan sekaligus estimasi potensi kebutuhan jika terjadi bencana untuk membantu
pengambilan keputusan/legitimas arahan.
b) Sistem Manajemen Pengetahuan Multi Bencana (Multi Hazard Knowledge System)
Adalah sistem yang menghimpun pengetahuan tentang multi bencana agar diperoleh
pembelajaran dari kejadian-kejadian sebelumnya. Sistem ini dilengkapi dengan sistem
pencarian informasi yang baik. Dengan demikian, pembelajaran dan praktik baik sistem
peringatan dini dan penanganan darurat bencana yang terjadi di masa lalu dapat
diberdayakan secara optimal untuk perbaikan dimasa sekarang dan masa yang akan
datang.
c) Sistem Urun Daya Multi Bencana (Multi Hazard Crowdsourcing System)
Adalah sistem yang mengajak peran aktif masyarakat dalam mengumpulkan data dan
informasi bencana dari lingkungannya. Hal ini diperlukan untuk membuat pengambilan
data menjadi menyeluruh serta meningkatkan kewaspadaan masyarakat terhadap
bencana di sekitarnya.
d) InaRISK
Adalah aplikasi yang menyediakan peta risiko di Indonesia. Peta risiko ini akan menjadi
salah satu input bagi Analisis potensi dampak multi ancaman bencana. InaRISK tersedia
dalam bentuk aplikasi berbasis web (inarisk.bnpb.go,id) dan telepon selular (InaRISK
Personal) dan dapat diakses secara online oleh masyarakat.
7. Sektor Publik (Public Sector)
Seluruh data, informasi dan sistem yang berada pada Portal MHEWS dibuat dengan konsep
berbagi pakai, sehingga bisa diakses dan dimanfaatkan dengan sektor publik:
a) Presiden untuk pelaporan.
b) Pemda/BPBD/Pusdalops.
c) Rumah Sakit
d) TNI/Polri
e) Instansi Lainnya.
f) Masyarakat Terdampak
Informasi yang disediakan oleh Portal MHEWS harus sampai ke seluruh lapisan kelompok
masyarakat (inklusif) yang terdampak dan mudah dipahami oleh mereka. Dalam melakukan
diseminasi dan komunikasi, MHEWS sudah mempertimbangkan budaya dari etnik tertentu,
disabilitas, gender maupun kelompok rentan lainnya.
4) Kriteria Desain Umum Platform MHEWS
Pengembangan platofrm MHEWS berdasarkan konfigurasi untuk memenuhi permintaan dan
kebutuhan calon pengguna mengikuti kriteria desain sebagai berikut:
1. Prinsip; kriteria desain platform MHEWS menganut prinsip:
a. akurat, cepat dan tepat sasaran;
b. menghargai sistem peringatan dini bencana yang telah ada di Indonesia;
c. menjalankan prinsip kebijakan satu peta dan satu data yang dilaksanakan secara
terpadu dan berkesinambungan;
d. menerapkan standar pelayanan minimal yang telah ditetapkan yang berhubungan
dengan pengembangan MHEWS.
2. Seluruh data dan informasi yang dihimpun dari berbagai sumber minimal dapat menerima:
a. Input data spasial dalam bentuk data SHP vektor dengan skala minimal 1:50.000
b. Input data lain dalam bentuk tabular, gambar, video, audio, teks dan numerikal
dalam berbagai format;
c. Menggunakan jalur komunikasi antar sistem tertutup yang beroperasi secara
otomatis.
3. Kemampuan analisa informasi yang dihimpun dengan data base yang tersedia menjadi
berbagai bentuk dan format keluaran dalam waktu paling lambat 3 menit.
4. Kemampuan penyebaran informasi melalui interface yang telah ditetapkan dan
tersegmentasi sesuai dengan kebutuhan pengguna, tidak lebih dari 2 menit, dalam bentuk
spasial, teks, suara, gambar dan audio visual.
5. Meminta konfirmasi dan verifikasi secara otomatis kepada pejabat yang berwenang pada
setiap perintah evakuasi/tidak evakuasi yang akan disebar
6. Memiliki kemampuan konfirmasi atau pun meminta tambahan informasi baik otomatis
maupun verbal kepada kepada kementerian/lembaga penyedia layanan peringatan dini
7. Fitur ruang koordinasi daring dapat digunakan paling lambat dalam 3 menit setelah diminta
oleh Kepala BNPB dengan menghadirkan para pejabat yang berwenang pada daerah-daerah
berisiko terkena bencana.
8. Fitur hilir platform MHEWS berdasarkan tipe penggunaan dan jenis perangkat hilir adalah
seperti terlihat pada tabel 3.
9. Kriteria khusus untuk aplikasi telepon seluler, minimal mampu untuk:
a. mengetahui posisi pengguna dan mengidentifikasi area segmentasi layanan
penggunanya untuk tiap-tiap bencana yang mungkin terjadi;
b. memberikan informasi otomatis (pop-up) yang menginterupsi seluruh penggunaan
telepon selular untuk kondisi darurat;
c. menjangkau seluruh Indonesia yang digunakan serentak oleh 65 juta pengguna
d. memudahkan wanita, disabilitas dan turis menggunakannya.
Kriteria desain ini menjadi indikator monitoring dan evaluasi selama proses pengembangan
MHEWS berlangsung.
Tabel 2.
Fitur Hilir Platform MHEWS berdasarkan Tipe Pengguna dan Jenis Perangkat Hilir Platform MHEWS
TIPE PENGGUNA DAN JENIS PERANGKAT HILIR PLATFORM MHEWS
Mobile Apps Web Aplikasi Radio UHF/VHF
FITUR Keterangan
11
1
EPIT
2
EPIT
3
EPIT
4
EPIT
5
EPIT
6
EPIT
7
EPIT
1
EPIT
2
EPIT
3
EPIT
1
EPIT
2
EPIT
3
EPIT
4
EPIT
ilimiskaF
MF/MA
oidaR
isiveleT
tsacdaorB
SMS
laisoS
aideM eniriS
1. Countdown (hitung mundur) dari Tipe Mobile Apps
semenjak terjadi gejala awal hingga 1) Mobile Apps Tipe 1: Pejabat yang
kemungkinan menjadi bencana; berwenang
2) Mobile Apps Tipe 2: Pejabat
2. All clear – informasi bahwa kejadian Pendukung
bencana utama dan kemungkinan 3) Mobile Apps Tipe 3: Lembaga
bencana ikutannya telah tidak Berwenang Daerah
mengancam lagi 4) Mobile Apps Tipe 4: Lembaga
Pendukung Pusat
3. Track position – anggota keluarga yang
5) Mobile Apps Tipe 5: Lembaga
lain
Pendukung Daerah
6) Mobile Apps Tipe 6: Aparat petugas
4. Panic button – bila berada pada posisi
evakuasi dan pengelola kawasan
yang membutuhkan bantuan
7) Mobile Apps Tipe 7: Masyarakat
penyelamatan
Tipe Web Aplikasi
1) Format Web Aplikasi Tipe 1:
Lembaga Berwenang Daerah
2) Format Web Aplikasi Tipe 2:
Lembaga Pendukung Pusat
3) Format Web Aplikasi Tipe 3:
Lembaga Pendukung Daerah
Tipe Frekuensi Darurat untuk Radio
5. Informasi potensi dampak untuk
penetapan perintah evakuasi oleh UHF/VHF
kepala daerah
TIPE PENGGUNA DAN JENIS PERANGKAT HILIR PLATFORM MHEWS
Mobile Apps Web Aplikasi Radio UHF/VHF
FITUR Keterangan
12
1
EPIT
2
EPIT
3
EPIT
4
EPIT
5
EPIT
6
EPIT
7
EPIT
1
EPIT
2
EPIT
3
EPIT
1
EPIT
2
EPIT
3
EPIT
4
EPIT
ilimiskaF
MF/MA
oidaR
isiveleT
tsacdaorB
SMS
laisoS
aideM eniriS
1) Frekuensi Darurat UHF/VHF Tipe 1:
6. Konfirmasi Perintah Evakuasi – dari
Pejabat yang Berwenang
Kepala Daerah
2) Frekuensi Darurat UHF/VHF Tipe 2:
Pejabat Pendukung dan Lembaga
7. Konfirmasi Perintah Evakuasi – dari
Berwenang Daerah
Kepala BNPB – bencana berskala luas
3) Frekuensi Darurat UHF/VHF Tipe 3:
Lembaga Pendukung Daerah
4) Frekuensi Darurat UHF/VHF Tipe 4:
8. Konfirmasi kejadian bencana
Aparat/Petugas Evakuasi dan
Penanganan Awal, Pengelola
9. Informasi kemungkinan kejadian
Kawasan dan Masyarakat.
bencana susulan
10. Ruang Komunikasi Darurat Pejabat
yang Berwenang
11. Informasi berbasis dampak untuk
mendampingi masyarakat secara
personal pada masa evakuasi,
penanganan awal dan penanganan
darurat bencana
12. Informasi berbasis dampak untuk
mendampingi pengelola fasilitas umum
atau pun kawasan pada masa
evakuasi, penanganan awal dan
penanganan darurat bencana
TIPE PENGGUNA DAN JENIS PERANGKAT HILIR PLATFORM MHEWS
Mobile Apps Web Aplikasi Radio UHF/VHF
FITUR Keterangan
13
1
EPIT
2
EPIT
3
EPIT
4
EPIT
5
EPIT
6
EPIT
7
EPIT
1
EPIT
2
EPIT
3
EPIT
1
EPIT
2
EPIT
3
EPIT
4
EPIT
ilimiskaF
MF/MA
oidaR
isiveleT
tsacdaorB
SMS
laisoS
aideM eniriS
13. Informasi kerawanan bencana
14. Informasi potensi dampak untuk
penetapan siaga darurat dan/atau
pencairan BTT
15. Informasi eskalasi risiko hingga terjadi
perubahan segmen layanan menjadi
segmen 1 MHEWS
Sumber: analisis
5) Arah Pengembangan Platform MHEWS
Skenario pengembangan platform MHEWS menggunakan sistem komputasi dan alogaritma yang
secara khusus dirancang sesuai kebutuhan sejak awal pengembangan, menjadi skenario terpilih
karena memiliki kemampuan yang menonjol dalam hal kemudahan modifikasi sistem dan terjaganya
kepentingan nasional.
1. Opsi Pengembangan Berdasarkan Prinsip Desain
Kemudahan untuk memodifikasi sistem menjadi kemampuan yang amat dibutuhkan oleh
platform MHEWS yang akan dikembangkan. Hal ini disebabkan tuntutan kriteria desain yang
bersifat yaitu (1) akurat, cepat dan tepat sasaran, (2) menghargai sistem peringatan dini bencana
yang telah ada di Indonesia dan (3) menjalankan kebijakan satu peta dan satu data yang
dilaksanakan secara terpadu dan berkesinambungan serta (4) menerapkan standar pelayanan
minimal yang telah ditetapkan.
Kondisi eksisting kemampuan pemantauan dan analisa hasil pemantauan gejala bencana pada
kementerian/lembaga penyedia layanan peringatan dini masih dalam tahap pengembangan.
Saat ini kemampuan pemantauan dan analisanya sebagai informasi input bagi keputusan
evakuasi, berada pada posisi:
a) cepat, namun dengan akurasi relatif rendah sehingga memperbesar peluang false alarm;
atau
b) lambat, namun dengan akurasi tinggi sehingga memperkecil peluang false alarm dengan
ketajaman data dan informasi yang menjadi input dalam platform MHEWS,
Dengan prinsip akurat, cepat dan tepat sasaran serta menghargai sistem peringatan dini
bencana yang telah ada, maka terdapat 2 opsi yang dapat diambil dalam pengembangan
platform MHEWS, yaitu:
a) Menjadikan informasi hasil analisa yang membutuhkan waktu relatif lama namun dengan
akurasi yang lebih tinggi untuk memberikan input kepada Pusdalops PB daerah dalam
mengkonfirmasi proses pengambilan keputusan evakuasi atau tidak.
b) Mewujudkan performa handal untuk komponen data base dan big data analytic yang
dilengkapi dengan:
i. data pendukung yang lebih presisi yang selalu diperbarui, dengan kemampuan untuk
menyempurnakan keputusan;
ii. model-model yang dihasilkan berdasarkan umpan balik dari pengguna platform.
iii. mengembangkan kerangka kerja kolaboratif antar kementerian/lembaga penyedia
layanan peringatan dini bencana untuk mempercepat analisa hasil pemantauan secara
lebih akurat.
Selanjutnya, untuk penerapan prinsip kebijakan satu peta dan satu data serta SPM Sub-Urusan
Bencana untuk pengembangan platform MHEWS terkendala dengan masih belum optimalnya
kementerian/lembaga yang bertindak sebagai wali data dan wali peta menyempurnakan dan
memvalidasi serta memperbarui data dan peta yang menjadi kewenangan dan tanggung
jawabnya. Pada sisi lain, norma, standar, prosedur dan kriteria (NSPK) dari SPM Sub Urusan
Bencana untuk Sub-Kegiatan Pengendalian Operasi dan Penyediaan Sarana Prasarana
Kesiapsiagaan terhadap Bencana serta Sub-Kegiatan Komunikasi, Informasi dan Edukasi Rawan
Bencana belum tersedia secara optimal. Penyusunan NSPK untuk seluruh sub-bagian ini menjadi
tanggung jawab BNPB.
Berdasarkan kondisi tersebut maka opsi yang dapat diambil adalah:
a) mengembangkan kerangka kerja kolaboratif dengan kementerian/lembaga yang menjadi
wali data dan wali peta untuk meningkatkan validitas dan akurasi data dan peta sumber
yang digunakan untuk pengolahan big data dalam platform MHEWS;
b) menyusun, menyempurnakan sekaligus menetapkan NSPK Sub-kegiatan Pengendalian
Operasi dan Penyediaan Sarana Prasarana Kesiapsiagaan terhadap Bencana serta Sub-
Kegiatan Komunikasi, Informasi dan Edukasi Rawan Bencana untuk memastikan
standarisasi respon dari penerima output platform diseminasi via API yang dikembangkan.
2. Opsi Pengembangan Berdasarkan Kriteria Desain
a. Berbagai sistem yang dikembangkan oleh kementerian/lembaga penyedia layanan
peringatan dini memiliki berbagai format data untuk beragam pengguna informasi. Dengan
target waktu analisa 3 menit, maka pengembangan platform MHEWS diarahkan kepada:
a) otomatisasi pengambilan data dari server sistem lembaga mitra dan standarisasi
karakter informasi yang masuk ke dalam server MHEWS;
b) meningkatkan performa big data analytic untuk dapat mengolah seluruh informasi yang
masuk dari server mitra platform MHEWS dalam jangka waktu 3 menit.
b. Target pengguna platform MHEWS ini adalah sebanyak 65 juta orang dengan 45%
diantaranya adalah wanita. Oleh karenanya pengembangan platform diseminasi via API
harus menjamin target tersebut dapat terwujud. Opsi untuk mewujudkan ini adalah:
a) mengotimalkan aplikasi berbasis selular dalam diseminasi informasi MHEWS.
1) oleh karena pembangunan aplikasi selular membutuhkan waktu, maka dalam
skema peralihan 2023-2024 aplikasi seluler MHEWS mengoptimalkan aplikasi
InaRISK personal yang telah ada di BNPB. Aplikasi selular MHEWS diharapkan telah
established pada tahun 2025.
2) bekerjasama dengan mobile operating system pengguna terbanyak di Indonesia
untuk menjadikan produk platform MHEWS sebagai bundling apps mandatory bagi
produk-produk yang masuk ke Indonesia;
b) memastikan bahwa seluruh komponen sistem pengembangan platform MHEWS mampu
untuk mewujudkan target pengguna tersebut.
c. Sehubungan dengan pembagian area layanan berdasarkan segmentasi kemampuan
pemantauan lembaga mitra, maka langkah-langkah pengembangan platform dapat
ditetapkan dengan mempertimbangkan kemampuan awal dan penyempurnaan
berkelanjutan plaftorm MHEWS. Langkah-langkah tersebut adalah:
a) memprioritaskan pengembangan awal platform MHEWS untuk memfasilitasi
pemenuhan layanan pada segmen layanan 1 dan segmen layanan 2 untuk bencana
tsunami dan banjir;
b) secara bertahap mengembangkan segmen layanan 1 dan 2 untuk bencana lain sambil
meningkatkan akurasi dan kecepatan layanan untuk 5 bencana prioritas.
LAMPIRAN 2.
Kebutuhan Kapabilitas Big Data dalam MHEWS
Untuk menguatkan dan memberikan penjelasan mengenai kebutuhan teknologi Big Data untuk platform
MHEWS, akan dijelaskan melalui tiga tabel yaitu secara umum perbedaan karakteristik data di Big Data
dan “Small Data”, kemudian secara spesifik menyoroti kenapa platform Big Data diperlukan untuk
mendukung MHEWS, dan ditutup dengan ringkasan tantangan yang dihadapi MHEWS yang memerlukan
dukungan sistem Big Data.
Tabel 1 menyoroti perbedaan mendasar antara pemrosesan di Big Data dan “Small Data”, dengan
mempertimbangkan aspek-aspek seperti volume data, kecepatan pemrosesan, infrastruktur,
kompleksitas, dan kasus penggunaan. Setiap pendekatan mempunyai seperangkat alat dan metodologi
tersendiri yang disesuaikan dengan karakteristik data yang diproses.
Tabel 1. Ringkasan Perbedaan Utama antara Big Data dan “Small Data”
Aspect Big Data Processing "Small Data” Processing
Data Volume Involves massive volumes of data, typically in Deals with relatively small datasets, often in
the terabytes to petabytes range. gigabytes or less.
Data Velocity Processes data at high speeds, often in real-
time or near-real-time, due to the constant Handles data at manageable speeds, which
influx of data. may not require real-time processing.
Data Variety Manages diverse data types, including
structured, semi-structured, and unstructured Typically deals with structured data from a
data from various sources. limited number of sources.
Infrastructure Requires distributed and scalable
infrastructure, often using clusters of servers Can be managed using traditional single-
or cloud-based solutions. server systems or smaller cloud instances.
Processing
Utilizes complex distributed processing
Complexity Typically uses simpler data processing tools
frameworks and machine learning algorithms.
and libraries.
Processing Time Processing time may be longer due to the
volume and complexity of data, but it offers Processes data relatively quickly since the
comprehensive insights. dataset is smaller and less complex.
Resource Demands substantial computational and Requires fewer computational resources
Requirements storage resources to handle large datasets and can often be managed on a single
and parallel processing. server.
Cost Costs are typically lower as less
Costs can be higher due to infrastructure, infrastructure and storage capacity are
storage, and processing requirements. needed.
Scalability Offers high scalability to accommodate May require less scalability as data growth
growing data volumes and processing needs. is more manageable.
Data Quality vs. Emphasizes data quality over quantity since Focuses on data quantity with less
Quantity dealing with noisy data can have significant emphasis on data quality since data is more
implications. controlled.
Use Cases Suited for applications that involve large-scale
analytics, machine learning on big datasets, Used for smaller-scale data analytics,
and real-time processing. reporting, and operational tasks.
Examples Social media analytics, IoT data processing,
genomics research, fraud detection in Sales data analysis, customer surveys,
financial transactions. inventory management, and basic reporting.
Sumber: ringkasan dan analisis dari berbagai sumber
Tabel 2 menjelaskan bahwa Multi-Hazard Early Warning System (MHEWS) dapat memperoleh
manfaat dari aspek-aspek tertentu dari kemampuan big data, terutama ketika berhadapan
dengan sumber data yang besar dan beragam.
Tabel 2. Dukungan Kemampuan Pengolahan Big Data untuk sebuah sistem MHEWS
Multi-Hazard Early Warning System
Aspect (MHEWS) Features Big Data Capability in MHEWS
Data Volume MHEWS processes significant volumes of Big data capabilities may be needed for
data, including meteorological, geological, handling large datasets, especially in
social, and sensor data. regions prone to multiple hazards.
Data Variety Data in MHEWS is diverse, including weather Big data technologies can help integrate
data, seismic data, social media feeds, and and analyze various data types and
remote sensing data. sources effectively.
Data Velocity MHEWS requires real-time or near-real-time Big data capabilities can support high-
data processing to provide timely warnings for velocity data streams and enable rapid
different hazards. analysis and alert generation.
Scalability MHEWS must scale to accommodate the Big data infrastructure offers scalability
growing volume of data and the increasing to handle evolving data needs, ensuring
complexity of multiple hazards. the system remains effective over time.
Data Fusion and Big data analytics tools can facilitate
Analysis MHEWS requires sophisticated data fusion and advanced analysis, pattern recognition,
analysis techniques to detect patterns and and predictive modeling for multiple
issue accurate warnings. hazards.
Resource Efficient resource allocation is vital in Big data can support resource allocation
Allocation MHEWS, and big data can help optimize optimization by processing vast
resource deployment based on data insights. amounts of data in real time.
Decision Support MHEWS needs to provide actionable insights Big data capabilities enhance decision
to emergency responders and decision-makers support by enabling comprehensive data
for effective response. analysis and visualization.
Sumber: ringkasan dan analisis dari berbagai sumber
Tabel 3 meringkas kemampuan yang dipaparkan pada Tabel 1 dan Tabel 2 dalam bentuk Tantangan
pengelolaan Data di MHEWS yang bisa diatasi oleh sistem Big Data serta menambahkan konteks
kebutuhan dan MHEWS BNPB saat ini.
Tabel 3. Ringkasan Dukungan Pengolahan Big Data untuk MHEWS BNPB
Challenges Challenges Explanation BNPB Context
Addressed
Complexity of MHEWS deals with At least 67 data sources
Hazard Data complex data types from from various K/Ls, with
various sensors and Big data technologies can various formats and sizes,
sources, requiring advanced handle the complexity of have been identified and
analysis techniques. diverse hazard data. are likely still developing.
Real-time Real-time or near-real-time Real-time features, less
Processing data processing is than 3 minutes response,
necessary for issuing timely Big data capabilities support is needed in MHEWS.
warnings and reducing real-time processing,
response times. ensuring timely alerts.
Scalability for MHEWS must adapt to MHEWS is expected to be
Growing Data increasing data volumes Big data infrastructure a sustainable system that
Needs and new data sources as provides scalability to supports BNPB's needs in
the system evolves and accommodate growing data the long term, in
hazards change. requirements. accordance with the
Challenges Challenges Explanation BNPB Context
Addressed
MHEWS Grand Design
Document.
Integrated Data The results of current
Sources Data integration is crucial business process analysis
for MHEWS, as it combines show that integration of
information from multiple Big data capabilities facilitate various sources and forms
sources to improve the integration of diverse of data is needed to
accuracy. data sources and types. support effective MHEWS
Advanced Analysis of potential
Analytics disaster impacts at BNPB
Advanced analytics are is a complex analysis and
required to identify hazard Big data analytics can can develop according to
patterns, trends, and provide the advanced data availability, including
anomalies for early techniques needed for utilizing machine learning
detection and prediction. hazard analysis. capabilities
Sumber: ringkasan dan analisis dari berbagai sumber
LAMPIRAN 3.
Proses Bisnis Utama MHEWS
1. Proses Bisnis Utama MHEWS
Proses bisnis Mul� Hazard Early Warning Systems (MHEWS) yang saat ini sudah teriden�fikasi dan disepaka� bersama dikelompokkan
menjadi 2 (dua) kategori proses, yaitu Proses Utama dan Proses Manajemen dan Pendukung. Sedangkan penjelasan secara umum
proses bisnis MHEWS serta pemanfaatan teknologi Big Data dan Sains Data (Data Science), khususnya Pembelajaran Mesin (Machine
Learning) dipaparkan pada Tabel 1.
Tabel 1 Proses Bisnis Utama dalam MHEWS
Proses Bisnis Deskripsi
Menyediakan informasi kesiapsiagaan yang ditujukan kepada kelompok pengguna di daerah yang berisiko �nggi
terkena bencana, khususnya pada situasi dimana rentang waktu antara peringatan dan kejadian sangatlah singkat.
Informasi ini mencakup hasil prakiraan atau 'forecasting' untuk 5 (lima) jenis bencana berbeda dan diarahkan untuk
Mengelola Kesiapsiagaan menjadi rekomendasi aksi yang tepat. Rekomendasi ini membantu kelompok pengguna dalam merencanakan
langkah-langkah penyelamatan, pengamanan, dan penanganan awal. Informasi ini disediakan tanpa peringatan dini
atau informasi yang berbasis dampak dari hasil pemodelan skenario, sehingga memfokuskan pada respons cepat dan
efek�f untuk kelompok pengguna
• Proses pengumpulan, cleaning, dan integrasi data untuk Informasi data pantuan untuk 5 jenis bencana dari: K/L
Menerima Informasi Hasil Analisis (Matrix Data Pantauan K/L untuk �ap bencana dan crowdsource (dapat menggunakan aplikasi simampu))
Pengamatan Gejala Bencana • Proses pengumpulan cleaning dan integrasi data untuk informasi dari sumber lain sebagai backup data bila terjadi
gangguan pada data pantauan utama
• Standarisasi dan transformasi data pengamatan gejala bencana yang akan digunakan untuk pemodelan skenario
berbasis dampak untuk 5 bencana utama
• Membangun dan merekomendasikan pilihan model skenario berbasis dampak dengan Machine Learning untuk
deliniasi kawasan terdampak
Menganalisis Lanjut Berdasarkan • Memperbarui model skenario yang sudah ada dengan berdasarkan data histori kejadian bencana Indonesia baik
Hasil Analisis Pengamatan Gejala secara langsung maupun melalui aplikasi Lainnya (DKMS)
Bencana • Menganalisis hasil pemodelan skenario menjadi informasi berbasi dampak untuk kebutuhan penggunaan
kesiapsiagaan, evakuasi, dan penanganan awal dalam waktu paling lama 3 menit untuk:
Pejabat Tinggi Negara
o
Pejabat Berwenang
o
Pejabat Pendukung
o
Proses Bisnis Deskripsi
Lembaga Berwenang
o
Lembaga Pendukung Pusat
o
Lembaga Pendukung Daerah
o
Pengelola kawasan hunian domes�k
o
Pengelola kawasan bisnis/dunia usaha dan industri
o
Pengelola kawasan pariwisata
o
Pengelola fasilitas umum/ fasilitas sosial, seper� sekolah,
o
pusat perbelanjaan dan sebagainya
Pengelola fasilitas vital dan kri�s
o
Kelompok masyarakat
o
• Menggunakan hasil analisis lanjut yang diolah dalam big data dan machine learning pada proses sebelumnya,
untuk pengambilan keputusan bagi seluruh kelompok pengguna untuk:
Penyelamatan Pengamanan
o
Mengelola Pengambilan
Perintah evakuasi
o
Keputusan
Evakuasi mandiri
o
Penanganan awal
o
dll
o
• Menyebarkan informasi hasil analisis lanjut berbasis dampak dan pengambilan keputusannya pada seluruh
kelompok pengguna dalam waktu kurang dari 2 menit dengan berbagai moda yaitu:
Mobile Apps
o
Web Aplikasi
o
Radio AM/FM
o
Mengelola Penyebarluasan Faksimili
o
Informasi Radio UHF/VHF
o
Televisi
o
SMS Broadcast
o
Media Sosial
o
Sirine
o
dll
o
Menerima informasi peringatan dini serta hasil analisis dampak bencana dalam bentuk visual. Informasi ini
Mengelola Pengambilan Tindakan dimaksudkan untuk memfasilitasi pengambilan �ndakan cepat dan tepat untuk seluruh kelompok pengguna.
Masyarakat Tujuannya adalah untuk meningkatkan keselamatan, memperkuat pengamanan, dan mempersiapkan penanganan
awal dalam situasi kedaruratan bencana
2. Rincian Proses Bisnis MHEWS
Proses bisnis sistem Mul� Hazard Early Warning Systems (MHEWS) saat ini masih dalam tahap penyusunan dan iden�fikasi. Oleh
karena itu, dimungkinkan terjadinya perubahan atau penyesuaian pada proses-proses yang telah teriden�fikasi. Rincian proses bisnis
MHEWS yang telah teriden�fikasi sampai saat ini dijabarkan pada Tabel 2.
Tabel 2 Rincian Proses Bisnis MHEWS
Proses Bisnis Level 1 Proses Bisnis Level 2 Proses Bisnis Level 3 Proses Bisnis Level 4 Proses Bisnis Level 5 Proses Bisnis Level 6
Menginformasikan
untuk Bersiaga
Melakukan Ak�vitas
untuk Bersiaga
(Readiness)
Menginformasikan
Status Siaga Darurat
Mengelola
Penanganan Siaga
Darurat Bencana
Mengelola
Pengambilan
Mengelola
Keputusan
Kesiapsiagaan
Menerima Informasi
Kajian Risiko Bencana
(Multi Hazard)
Penyusunan Rencana
Kon�njensi
Penyiapan Lokasi
Melakukan Ak�vitas Evakuasi
Kesiapsiagaan Penyediaan dan
(Preparedness) Penyimpanan Pasokan
Manajemen Logis�k dan
Kebutuhan Dasar
Perlengkapan
Penyediaan dan
Penyiapan Bahan,
Proses Bisnis Level 1 Proses Bisnis Level 2 Proses Bisnis Level 3 Proses Bisnis Level 4 Proses Bisnis Level 5 Proses Bisnis Level 6
barang, dan Peralatan
untuk Pemulihan Sarana
Pengorganisasian,
Pemasangan, dan
Pengujian Sistem
Peringatan Dini
Penyediaan Sarana
Prasarana Kesiapsiagaan
terhadap Bencana
Penyusunan dan Uji
Coba Rencana
Penanggunalangan
Kedaruratan Bencana
Penyediaan Peralatan
Perlindungan dan
Kesiapsiagaan Bencana
Mengonfirmasi
Kejadian Bencana
Menerima Informasi Banjir
Menerima Informasi
Gempa Bumi dan potensi
Tsunami
Menerima Informasi
Menerima Informasi Menerima Informasi Tinggi
Hasil Analisis
Hasil Analisis Gejala Muka Air
Pengamatan Gejala
Bencana (K/L Provider)
Bencana
Menerima Informasi
Status Gunung Api
Menerima Informasi Peta
Prakiraan Potensi Gerakan
Tanah Bulanan
Proses Bisnis Level 1 Proses Bisnis Level 2 Proses Bisnis Level 3 Proses Bisnis Level 4 Proses Bisnis Level 5 Proses Bisnis Level 6
Menerima Informasi
Terjadinya Bencana
(Crowdsource)
Menarik Informasi dari
Sumber Lainnya untuk
Gempa Bumi
Menarik Informasi dari
Sumber Lainnya untuk
Tsunami
Menarik Informasi dari
Menarik Informasi Sumber Lainnya untuk
Tambahan Gejala Banjir
Bencana (Lembaga Menarik Informasi dari
Lain) Sumber Lainnya untuk
Gunung Api
Menarik Informasi dari
Sumber Lainnya untuk
Tanah Longsor
Menarik Data Gejala
Bencana Lainnya
Menggunakan Data
dari K/L Provider,
BPPD, dan
Masyarakat
Menggunakan Data
Menganalisis Lanjut
Gejala Bencana
Berdasarkan Hasil
Lainnya
Analisis Pengamatan
Memvalidasi Data
Gejala Bencana
Analisis Pengamatan
Gejala Bencana
Memverifikasi Data
Analisis Pengamatan
Gejala Bencana
Proses Bisnis Level 1 Proses Bisnis Level 2 Proses Bisnis Level 3 Proses Bisnis Level 4 Proses Bisnis Level 5 Proses Bisnis Level 6
Menggunakan Worst
Case Model Berbasis
Dampak
Merekomendasikan
Model Skenario
Berbasis Dampak (AI)
Menampilkan Visualisasi
Hasil Analisis untuk
Pejabat Tinggi Negara
Menampilkan Visualisasi
Hasil Analisis untuk
Pejabat, Lembaga
Berwenang, K/L
Pengguna
Menampilkan
Visualisasi Hasil Analisis
Berbasis Dampak untuk
Pengelola Kawasan
Menganalisis Data
Bisnis dan Komersil
Menjadi Informasi
Menampilkan
Berbasis Dampak
Visualisasi Hasil Analisis
Berbasis Dampak untuk
Menampilkan Visualisasi
Pengelola Kawasan
Hasil Analisis untuk
Industri
Kawasan
Menampilkan
Visualisasi Hasil Analisis
Berbasis Dampak untuk
Pengelola Kawasan
Pariwisata
Menampilkan
Visualisasi Hasil Analisis
Berbasis Dampak untuk
Proses Bisnis Level 1 Proses Bisnis Level 2 Proses Bisnis Level 3 Proses Bisnis Level 4 Proses Bisnis Level 5 Proses Bisnis Level 6
Pengelola Fasilitas
Pendidikan
Menampilkan
Visualisasi Hasil Analisis
Berbasis Dampak untuk
Pengelola Kawasan
Industri
Menampilkan
Visualisasi Hasil Analisis
Berbasis Dampak untuk
Pengelola Fasilitas
Kesehatan
Menampilkan
Visualisasi Hasil
Analisis Berbasis
Dampak untuk
Pengelola Fasilitas
Pengelola Air Bersih
Menampilkan
Menampilkan
Visualisasi Hasil
Visualisasi Hasil
Analisis Berbasis
Analisis Berbasis
Menampilkan Dampak untuk
Dampak untuk
Visualisasi Hasil Analisis Pengelola
Pengelola Fasilitas
Berbasis Dampak untuk Infrastruktur
Perkantoran
Pengelola Fasilitas Vital Strategis
Menampilkan
dan Kri�s Visualisasi Hasil
Analisis Berbasis
Dampak untuk
Pengelola Fasilitas
Gudang Senjata
Menampilkan Menampilkan
Visualisasi Hasil Visualisasi Hasil
Analisis Berbasis Analisis Berbasis
Dampak untuk Dampak untuk
Proses Bisnis Level 1 Proses Bisnis Level 2 Proses Bisnis Level 3 Proses Bisnis Level 4 Proses Bisnis Level 5 Proses Bisnis Level 6
Pengelola Fasilitas Pengelola Fasilitas
Transportasi Bandara
Visualisasi Analisis
Berbasis Dampak
pada Fasilitas Vital
dan Kri�s di
Fasilitas Pelabuhan
Visualisasi Hasil
Analisis Berbasis
Dampak pada
Fasilitas Vital dan
Kri�s di Stasiun
Kereta Cepat
Menampilkan
Visualisasi Hasil
Analisis Berbasis
Dampak untuk
Pengelola Fasilitas
Terminal
Menampilkan
Visualisasi Hasil
Analisis Berbasis
Menampilkan Dampak untuk
Visualisasi Hasil Pengelola
Analisis Berbasis Pembangkit Listrik
Dampak untuk Menampilkan
Pengelola Visualisasi Hasil
Infrastruktur Energi Analisis Berbasis
Dampak untuk
Pengelola Fasilitas
Nuklir
Proses Bisnis Level 1 Proses Bisnis Level 2 Proses Bisnis Level 3 Proses Bisnis Level 4 Proses Bisnis Level 5 Proses Bisnis Level 6
Menampilkan
Visualisasi Hasil
Analisis Berbasis
Dampak untuk
Pengelola Fasilitas
Produksi dan
Distribusi Minyak
Menampilkan
Visualisasi Hasil
Analisis Berbasis
Dampak untuk
Pengelola Produksi
dan Distribusi Gas
Menampilkan
Visualisasi Hasil
Analisis Berbasis
Dampak untuk
Pengelola Jembatan
Menampilkan
Menampilkan
Visualisasi Hasil
Visualisasi Hasil
Analisis Berbasis Analisis Berbasis
Dampak untuk Dampak untuk
Pengelola Fasilitas Pengelola
Bendungan
Infrastruktur
Menampilkan
Visualisasi Hasil
Analisis Berbasis
Dampak untuk
Pengelola Ruas Jalan
Menampilkan
Menampilkan
Visualisasi Hasil
Visualisasi Hasil
Analisis Berbasis
Analisis Berbasis
Dampak untuk
Dampak untuk
Pengelola Base
Proses Bisnis Level 1 Proses Bisnis Level 2 Proses Bisnis Level 3 Proses Bisnis Level 4 Proses Bisnis Level 5 Proses Bisnis Level 6
Pengelola Transceiver Sta�on
Infrastruktur (BTS)
Komunikasi
Menampilkan
Visualisasi Hasil
Analisis Berbasis
Dampak untuk
Pengelola Stasiun
Pemancar Radio
atau Televisi
Menampilkan
Visualisasi Hasil
Analisis Berbasis
Dampak untuk
Pengelola Kantor Pos
dan Pusat Distribusi
Menampilkan
Visualisasi Hasil
Analisis Berbasis
Dampak untuk
Pengelola Pusat
Penyebaran Media
Menampilkan
Visualisasi Hasil Analisis
Berbasis Dampak untuk
Pengelola Fasilitas
Kesehatan
Menampilkan Visualisasi
Hasil Analisis untuk
Masyarakat
Mengelola Ruang Komunikasi
Pengambilan Darurat Pejabat yang
Keputusan Berwenang
Proses Bisnis Level 1 Proses Bisnis Level 2 Proses Bisnis Level 3 Proses Bisnis Level 4 Proses Bisnis Level 5 Proses Bisnis Level 6
Konfirmasi Perintah
Evakuasi dari Kepala
Daerah
Konfirmasi Perintah
Evakuasi dari Kepala
BNPB
Mengelola
Penyebarluasan
Informasi
Pengambilan
Tindakan oleh
Pejabat Tinggi
Pengambilan
Tindakan oleh
Pejabat Pendukung
Pengambilan
Tindakan oleh
Lembaga Pendukung
Pusat
Mengelola Pengambilan
Pengambilan Tindakan oleh
Tindakan Masyarakat Pejabat Berwenang
Pengambilan
Tindakan oleh
Lembaga Berwenang
Pengambilan
Tindakan oleh
Lembaga Pendukung
Daerah
Melakukan Tindakan
Pengamanan dan
Evakuasi Mandiri
LAMPIRAN 4.
Kualifikasi Persyaratan Teknologi Big Data untuk Pendukung
Platform MHEWS
KEMAMPUAN DASAR DAN
NO KUALIFIKASI DAN PERSYARATAN Pemenuhan/
KRITERIA DESAIN PLATFORM
MHEWS PLATFORM Complience*
1. Mengumpulkan semua informasi Aspek Data:
dari berbagai sumber (baik lembaga ● Data sumber tersedia pada server K/L dan
mau pun Urun Daya-Crowdsourcing), terkoneksi ke server MHEWS dengan teknologi
menganalisis, dan mengklasifikasi- tertentu akan tersimpan juga pada data center
kannya, terkait dengan: MHEWS yang siap untuk diolah.
● informasi peringatan dini ● Data dapat diakses dengan berbagai format
bencana termasuk informasi yang siap diolah sesuai ketentuan SDI (Satu
kemungkinan bencana Data Indonesia).
ikutannya yang bersamaan
datangnya dengan informasi Aspek Teknologi:
pemantauan bencana awal dari ● Otomatisasi penarikan, pengolahan, dan
kementerian/lembaga penyedia penyajian data dengan berbagai format maupun
layanan peringatan tipe data
● informasi kejadian bencana ● Pemanfaatan teknologi yang mampu
skala lokal dari laporan menyesuaikan kebutuhan tujuan pembangunan
masyarakat dan/atau BPBD platform
setempat Aspek Aplikasi:
● informasi lain dari sumber ● Mampu memberikan informasi peringatan dini
lainnya terkait informasi bencana, bencana ikutannya baik skala lokal
kejadian bencana, proses maupun nasional dan informasi dampak
evakuasi, proses penanganan dengan melibatkan partisipasi masyarakat
awal, dan penanggulangan (Urun Daya-Crowdsourcing) dan/atau
kedaruratan dari berbagai pemerintah daerah.
media sosial, laporan berbagai ● Menyediakan sistem Urun Daya-Crowdsourcing
platform, dan sebagainya yang terintegrasi dengan platform MHEWS,
dan pemanfaatan teknologi untuk mengetahui
position tagging dari pengguna (contributor),
melakukan sharing data, video, atau live
streaming
● Mampu memberikan informasi terkait kejadian
bencana, proses evakuasi, proses penanganan
awal, dan penanggulangan kedaruratan secara
terintegrasi dengan berbagai media sosial,
sesuai regulasi yang ada
● Mampu menyesuaikan kebutuhan
pembangunan platform
2 Pengumpulan data dan informasi Aspek Data/Informasi:
dengan format standar. ● Seluruh data dan informasi yang dihimpun dari
berbagai sumber minimal dapat menerima:
Input data spasial dalam bentuk data vektor
o
dalam SHP dengan skala minimal 1:50.000
Input data lain dalam bentuk tabular,
o
gambar, video, audio, teks dan numerik
dalam berbagai format yang meliputi
KEMAMPUAN DASAR DAN
NO KUALIFIKASI DAN PERSYARATAN Pemenuhan/
KRITERIA DESAIN PLATFORM
MHEWS PLATFORM Complience*
(namun tidak terbatas pada) :
• .shp
• .geojson
• .kml
• .kmz
• .netcdf
• .tif
• .pdf
• .png
• .jpg.
• gif
• .eps
• .svg
• .aix
• ..xls
● Informasi menggunakan jalur komunikasi antar
sistem tertutup yang mampu beroperasi secara
otomatis.
Aspek Teknologi:
● Pemanfaatan teknologi server dan
manajemen data yang mampu melakukan
penyimpanan, penarikan, serta pemrosesan
data dan informasi berbasis spasial.
Aspek Aplikasi :
● Sistem aplikasi dapat memberikan informasi
dalam bentuk shapefile (SHP) menggunakan
format data non topologi guna menyimpan data
alamat geometris serta informasi dari data
geografis. Jenis data yang diolah dan dihasilkan
dapat dilhat pada Lampiran 3.
● Dalam menginformasikan sebaran penduduk,
sebaran kawasan strategis, fasilitas umum,
fasilitas sosial, fasilitas kritis dan objek vital
digambarkan dengan daat geografis berupa :
garis (line)-Shapefile Line, titik (point)-
Shapefile Point, ataupun area (polygon)-
Shapefile Polygon.
3 Mengolah data dan informasi yang Aspek Data/Informasi:
diterima menjadi informasi berbasis ● Data sumber yang berkaitan dengan informasi
dampak untuk: berbasis dampak tersedia pada server K/L dan
● menjadi bahan referensi terkoneksi ke server MHEWS dengan teknologi
pengambilan keputusan tertentu dan tersimpan juga pada data center
evakuasi atau tidak, baik dalam MHEWS yang siap untuk diolah.
skala luas atau pun skala lokal ● Perubahan data sumber atau update data
● memberikan informasi sebagai sumber juga akan mengupdate data pada
bahan perintah evakuasi kepada server MHEWS secara real time.
Pusdalops PB Provinsi untuk ● Update data MHEWS dapat juga diupdate
disebarkan berdasarkan perubahan data yang dihasilkan
● menginisiasi dan merancang oleh sumber lain yang disepakati bersama
upaya kesiapsiagaan yang dengan wali data.
sesuai untuk kemungkinan ● Data dapat diakses dengan berbagai format
KEMAMPUAN DASAR DAN
NO KUALIFIKASI DAN PERSYARATAN Pemenuhan/
KRITERIA DESAIN PLATFORM
MHEWS PLATFORM Complience*
bencana yang akan muncul. yang siap diolah sesuai ketentuan SDI terutama
● menginisiasi dan merancang metadatanya.
upaya penyelamatan dan
pengamanan yang sesuai pada Aspek Teknologi:
masa-masa evakuasi, ● Otomatisasi penarikan, pengolahan, dan
penanganan awal, dan penyajian data dengan berbagai format maupun
penanganan darurat bencana tipe data sesuai dengan kebutuhan
● Pemanfaatan teknologi berbasis spasial dan
real time.
● Pemanfatan teknologi yang terkoneksi dengan
berbagai sumber data lainnya diluar sumber
data dari walidata.
● Pemanfaatan algoritma dan modelling untuk
dapat menyajikan informasi yang akurat dan
dengan waktu yang sangat pendek sesuai
dengan kriteria sistem.
● Pemanfaatan teknologi yang mampu
menyesuaikan kebutuhan tujuan pembangunan
platform
Aspek Aplikasi :
● Adanya modul impact analysis.
● Sistem aplikasi dapat memberikan informasi
kepada Pusdalops PB Provinsi untuk
kabupaten/kota di lingkup kewenangannya
yang membutuhkan dukungan penyebaran
perintah evakuasi namun belum memiliki
kapasitas yang memadai untuk penyebaran
informasi tersebut.
● Sistem aplikasi dapat memberikan informasi
untuk menginisiasi dan merancang upaya
kesiapsiagaan yang sesuai secara individu,
keluarga, kelompok, sektoral, dan daerah untuk
tiap-tiap kemungkinan bencana yang muncul.
● Sistem aplikasi dapat memberikan informasi
dalam rangka menginisiasi dan merancang upaya
penyelamatan dan pengamanan yang sesuai
secara individu, keluarga, kelompok, sektoral
dan daerah terutama pada masa-masa evakuasi,
penanganan awal dan penanganan darurat
bencana.
4 Kemampuan analisis informasi yang Aspek Data/Informasi:
dihimpun dalam data base menjadi ● Data telah tersedia pada data center platform
berbagai bentuk MHEWS dan siap untuk dianalisis.
● Basis data tersedia dan diolah secara logical dalam
bentuk datamart.
● Data ingestion berlangsung sesuai teknologi
yang disediakan.
● Data historical bencana tersedia di data center
MHEWS untuk mendukung pemanfaatan
KEMAMPUAN DASAR DAN
NO KUALIFIKASI DAN PERSYARATAN Pemenuhan/
KRITERIA DESAIN PLATFORM
MHEWS PLATFORM Complience*
kemampuan machine learning.
Aspek Teknologi:
● Penerapan teknologi pipeline data sudah
terbangun dengan berbagai layer, mulai dari
data ingestion layer, data processing layer, data
lake layer, data serving layer, data analystics
layer, data governance layer, hingga data
security layer.
● Pemrosesan data dan informasi menggunakan
teknologi big data analytic.
● Penerapan teknologi pemodelan berbasis
spasial maupun numerik.
● Memanfaatkan teknologi AI (Artificial
Inteligence) untuk identifikasi jalur evakuasi dan
kerusakan akibat kejadian bencana.
● Penerapan teknologi machine learning.
Aspek Aplikasi:
● Sistem aplikasi dapat menghasilkan informasi
berbasis dampak dan memberikan rekomendasi
early action
5 Kemampuan pengelolaan keamanan Aspek Keamanan Data/Informasi:
dan skalabilitas pemrosesan data. • Data disimpan dengan sistem salinan ganda
(replication) di berbagai node di dalam cluster.
Jika salah satu node gagal, data masih dapat
diakses dari salinan lainnya. Redundansi ini
memastikan ketersediaan data yang tinggi.
• Integritas data sumber terjaga dari modifikasi
yang dilakukan oleh pihak yang tidak berwenang
dengan kemampuan pembatasan/pengelolaan
hak akses data.
Aspek Keamanan Infrastruktur:
Penerapan teknologi keamanan seperti firewall,
IDS/IPS, dan alat keamanan lainnya yang dapat
ditempatkan di berbagai titik dalam topologi jaringan
untuk melindungi infrastruktur Big Data Analytics.
Aspek Skalabilitas Sistem:
Sistem dapat diukur dengan mudah dengan
menambahkan lebih banyak node atau server ke
dalam infrastrukturnya. Ini memungkinkan sistem
untuk mengatasi peningkatan beban dan volume data
dengan mudah.
• Diisi dengan kondisi pemenuhan/compliance: Y jika bisa terpenuhi, N jika tidak. Dapat
ditambahkan kolom keterangan, jika diperlukan
LAMPIRAN 5.
Rekomendasi Implementasi Platform Big Data pada
Infrastruktur Pusdatinkom BNPB
1. Umum
Implementasi dan konfigurasi software MHEWS dilakukan pada infrastruktur Pusdatinkom
BNPB pada Data Center Sentul. Bardasarkan Gambar 1, Data Center Sentul akan dijadikan
sebagai main data center MHEWS, sedangkan Data Center Pramuka akan dijadikan Disaster
Recovery Center (DRC). Data Center Sentul menyediakan Virtual Machine untuk kebutuhan
MHEWS.
Gambar 1. Building Block Platform MHEWS (Sumber: Buku 2 halaman 8)
2. Infrastruktur Pusdatinkom untuk Pendukung MHEWS
Sebanyak sepuluh (10) node yang dirancang sebagai pendukung platform MHEWS pada Data
Center Sentul memiliki detail/spesifikasi seperti yang terlihat pada Tabel 1.
Tabel 1 Spesifikasi Node pada Data Center Sentul
Node CPU Memory Network Disk
• 6 x 3.84TB SATA 6G SSD
1 2 x 16 @ 2.4 Ghz 16 x 32GB 2 x 10/25Gb • 3 x 800GB SAS 24G SSD
• 2 x 480GB M.2
• 6 x 3.84TB SATA 6G SSD
2 2 x 16 @ 2.4 Ghz 16 x 32GB 2 x 10/25Gb • 3 x 800GB SAS 24G SSD
• 2 x 480GB M.2
• 6 x 3.84TB SATA 6G SSD
3 2 x 16 @ 2.4 Ghz 16 x 32GB 2 x 10/25Gb • 3 x 800GB SAS 24G SSD
• 2 x 480GB M.2
Node CPU Memory Network Disk
• 6 x 3.84TB SATA 6G SSD
4 2 x 16 @ 2.4 Ghz 16 x 32GB 2 x 10/25Gb • 3 x 800GB SAS 24G SSD
• 2 x 480GB M.2
5 2 x 24 @ 2.8 Ghz 32 x 32GB 2 x 10/25Gb 2 x 240GB SATA 6G SSD
6 2 x 24 @ 2.8 Ghz 32 x 32GB 2 x 10/25Gb 2 x 240GB SATA 6G SSD
7 2 x 24 @ 2.8 Ghz 32 x 32GB 2 x 10/25Gb 2 x 240GB SATA 6G SSD
8 2 x 24 @ 2.8 Ghz 32 x 32GB 2 x 10/25Gb 2 x 240GB SATA 6G SSD
9 2 x 16 @ 2.4 Ghz 32 x 32GB 2 x 10/25Gb 2 x 240GB SATA 6G
10 2 x 16 @ 2.4 Ghz 32 x 32GB 2 x 10/25Gb 2 x 240GB SATA 6G
Server-server ini dikelola secara virtual oleh Pusdatinkom BNPB.
3. Spesifikasi Infrastruktur Platform Big Data
Platform big data direkomendasikan untuk menggunakan minimal tiga atau empat tipe server
pada lingkungan production:
1. Master Node, node yang bertanggungjawab mengelola dan mengkoordinasikan node-
node lain dalam cluster. Node ini bertanggungjawab mendaftarkan node-node lain
dalam cluster, mengalokasikan sumber daya ke node-node lain, mengelola keamanan
cluster dan menjadwalkan pekerjaan.
2. Worker Node, node yang bertanggungjawab melakukan pemrosesan data, melakukan
analisis data, menjalankan aplikasi big data, dan menjalankan aplikasi tradisional.
3. Utility Node, node yang menjalankan aplikasi monitoring cluster platform big data
4. Edge Node/Gateway Node, node yang menyimpan konfigurasi dan layanan-layanan yang
diakses oleh klien.
Utility dan Gateway Node dapat dikombinasikan pada cluster server skala kecil.
4. Rekomendasi Implementasi Platform Big Data pada Infrastruktur BNPB
Implementasi platform Big Data pada 10 node yang tersedia tanpa memiliki kapabilitas High
Availability dengan fungsi sebagai berikut:
Tabel 2 - Worker Hosts without High Availability
Master Host Utility Host Gateway Host Worker Host
Master Host: One host for all Utility and Gateway 3 Worker Hosts:
• NameNode roles: • DataNode
• YARN ResourceManager • Secondary NameNode • NodeManager
• JobHistory Server • Distributed file system • Impalad
• ZooKeeper administration tool • Kudu tablet
• Kudu master • Distributed file system server
• Spark History Server administration tool management
service
• Hive Metastore
• HiveServer2
• Impala Catalog Server
• Impala StateStore
• Hue
• Oozie
• Flume
• Gateway configuration
Sumber: Internet Research
Pembagian 10 node infrastruktur jika mengacu pada Tabel 2, bisa dikonfigurasi sebagai
berikut:
Tabel 3 Pembagian 10 Node
No Peruntukan Detail
• 5 node dialokasikan sebagai Production Cluster yang terdiri atas:
1 node Master
o
1 node Utility Host dan Gateway Host
1 Big Data Platform o
3 node Worker
o
• 3 node dapat dialokasikan untuk Development Cluster
1 Node Data Integration Server (1 TAC Server, 1 Job
2 Data Integration
Server/Runtime)
3 Data Visualization 1 Node Data Visualization
Secara rinci, infrastruktur pada Data Center Sentul dikonfigurasi sesuai dengan kebutuhan dan
skenario di atas adalah sebagai berikut:
Tabel 4 Konfigurasi 10 Node
No Node CPU Memory Network Disk
Production Cluster
• 6 x 3.84TB SATA 6G SSD
2 x 16 @ 2.4
1 Master 16 x 32GB 2 x 10/25Gb • 3 x 800GB SAS 24G SSD
Ghz
• 2 x 480GB M.2
• 6 x 3.84TB SATA 6G SSD
2 x 16 @ 2.4
2 Utility & Gateway 16 x 32GB 2 x 10/25Gb • 3 x 800GB SAS 24G SSD
Ghz
• 2 x 480GB M.2
• 6 x 3.84TB SATA 6G SSD
2 x 16 @ 2.4
3 Data Integration 16 x 32GB 2 x 10/25Gb • 3 x 800GB SAS 24G SSD
Ghz
• 2 x 480GB M.2
• 6 x 3.84TB SATA 6G SSD
2 x 16 @ 2.4
4 Data Visualization 16 x 32GB 2 x 10/25Gb • 3 x 800GB SAS 24G SSD
Ghz
• 2 x 480GB M.2
2 x 24 @ 2.8
5 Worker 1 32 x 32GB 2 x 10/25Gb 2 x 240GB SATA 6G SSD
Ghz
2 x 24 @ 2.8
6 Worker 2 32 x 32GB 2 x 10/25Gb 2 x 240GB SATA 6G SSD
Ghz
2 x 24 @ 2.8
7 Worker 3 32 x 32GB 2 x 10/25Gb 2 x 240GB SATA 6G SSD
Ghz
Development Cluster
2 x 24 @ 2.8
8 Worker 32 x 32GB 2 x 10/25Gb 2 x 240GB SATA 6G SSD
Ghz
2 x 16 @ 2.4
9 Master 32 x 32GB 2 x 10/25Gb 2 x 240GB SATA 6G
Ghz
2 x 16 @ 2.4
10 Utility & Gateway 32 x 32GB 2 x 10/25Gb 2 x 240GB SATA 6G
Ghz
5. Arsitektur Big Data
Konfigurasi dari skenario di atas dapat digambarkan seperti pada Gambar 2.
Gambar 2. Arsitektur Infrastruktur Big Data
Hal 1 dari 5
Lampiran 6 - Fitur dan Interoperabilitas Data Terkait Kebencanaan
Volume Sudden/
Kementerian/ Data
No Data Aplikasi (Sumber Data) (File Size Sifat Data Variety Velocity Veracity Value Data Format Nowcast/
Lembaga Method
(MB)) Forecast
Diolah Menjadi Informasi
1 Impact Forecast BMKG https://signature.bmkg.go.id/ FTP 5 Rahasia Spatial Hari Ya .shp Forecast
(Dashboard)
European Centre for Medium-Range Weather Forecasts Sangat Diolah Menjadi Informasi
2 BMKG https://signature.bmkg.go.id/ FTP 270 Spatial/Raster Hari Ya .netcdf Forecast
(ECMWF) Rahasia (Dashboard)
https://radar.bmkg.go.id/sidarma- Sangat Diolah Menjadi Informasi
3 Radar Cuaca BMKG FTP 50 Spatial Menit Ya .tiff Forecast
nowcast/login.php Rahasia (Dashboard)
Sangat Diolah Menjadi Informasi
4 Weather. Research and Forecasting (WRF) BMKG https://signature.bmkg.go.id/ FTP 20 Spatial Hari Ya .netcdf Forecast
Rahasia (Dashboard)
Parameter Gempa
5 Tanggal, Jam, Longitude, Lantitude, dll BMKG XML
(Gempa diatas 5 dan gempa yang dirasakan)
6 Shake Map BMKG Grid XML
7 Data Hujan BMKG
8 Data Kelembapan BMKG
9 Tinggi Runup, Garis Pantai, Segmentasi Peringatan, ETA BMKG
10 Peringatan diri cuaca berbasis dampak BMKG
https://dashboardpencegahan.bn Diolah Menjadi Informasi
11 Reanalisis Potensi Banjir BNPB 20 Public Spatial Hari Ya .json; .shp; .xls Nowcast
pb.go.id/ (Dashboard)
https://dashboardpencegahan.bn Diolah Menjadi Informasi
12 Analisis Wilayah BNPB 1 Public Magnitude Jam Ya .json; .shp; .xls Nowcast
pb.go.id/ (Dashboard)
https://dashboardpencegahan.bn Diolah Menjadi Informasi
13 Travel Time Prediksi Banjir BNPB 1 Public Magnitude Jam Ya .json Forecast
pb.go.id/ (Dashboard)
Diolah Menjadi Informasi
14 Peta KRB BNPB https://inarisk.bnpb.go.id/ Forecast
(Dashboard)
Data Bencana Indonesia (Korban dan Kerusakan Diolah Menjadi Informasi
15 BNPB https://dibi.bnpb.go.id/
Infrastruktur) (Dashboard)
16 Kawasan tambang ESDM
17 Distribusi Gas ESDM
18 Distribusi Minyak ESDM
19 Jalur Sutet ESDM
20 Pembangkit Listrik ESDM
21 Kilang Minyak ESDM
22 Depo Minyak ESDM
23 SPBU/SPBE(Elpiji) ESDM
https://geoportal.esdm.go.id/kete
25 Peta jaringan listrik ESDM
nagalistrikan/
https://geoportal.esdm.go.id/kete
26 Peta sebaran gardu listrik ESDM
nagalistrikan/
https://geoportal.esdm.go.id/kete
27 Peta sebaran pembangkit listrik ESDM
nagalistrikan/
https://geoportal.esdm.go.id/mig
28 Peta infrastruktur pipa gas bumi ESDM
as/
Hal 2 dari 5
Volume Sudden/
Kementerian/ Data
No Data Aplikasi (Sumber Data) (File Size Sifat Data Variety Velocity Veracity Value Data Format Nowcast/
Lembaga Method
(MB)) Forecast
29 Peta kawasan rawan bencana gerakan tanah ESDM-PVMBG https://vsi.esdm.go.id/portalmbg/ Get API 300-500 Public Gambar Per Kejadian Ya Pengetahuan .shp; .GeoJson Forecast
ESDM-
30 Tinggi tsunami di garis pantai (kajian probabilistik) PVMBG/BMKG/ https://vsi.esdm.go.id/portalmbg/ Get API 300-500 Public Tabular Per Kejadian Ya Pengetahuan .csv Forecast
BNPB
31 Tinggi tsunami di garis pantai (tsunami runup) BMKG https://inatews.bmkg.go.id/ Get API Public Tabular .csv Nowcast
Hasil informasi peta prakiraan potensi gerakan tanah
32 ESDM-PVMBG https://vsi.esdm.go.id/portalmbg/ Get API 300-500 Public Per Kejadian Ya Pengetahuan .shp; .GeoJson Forecast
bulanan
Informasi tingkat dan status gunung api berdasarkan Magma Indonesia
33 ESDM-PVMBG Auth 300-500 Public Gambar Per Kejadian Ya Pengetahuan .json Nowcast
nowcasting https://magma.vsi.esdm.go.id/
Magma Indonesia
34 Output data lainnya pada aplikasi MAGMA Indonesia ESDM-PVMBG Auth 300-500 Public teks Harian Ya Pengetahuan .json Nowcast
https://magma.vsi.esdm.go.id/
ArcGIS Server
https://geoportal.esdm.go.id/mo
35 Peta kawasan rawan bencana Guning Api ESDM-PVMBG Get API 300-500 Public Spatial Per Kejadian Ya Pengetahuan Nowcast
naresia/home/webmap/viewer.ht
ml
36 Prakiraan Gerakan Tanah Bulanan PVMBG https://vsi.esdm.go.id/portalmbg/ Get API 2000 Spatial Ya .shp Forecast
37 Zonasi Gerakan Tanah PVMBG https://vsi.esdm.go.id/portalmbg/ Get API 2000 Spatial Ya
38 Status Gunung dan Rekomendasi PVMBG https://vsi.esdm.go.id/portalmbg/ .txt
39 Kawasan Rawan Bencana (KRB) PVMBG https://vsi.esdm.go.id/portalmbg/ Get API 2000 Spatial Ya .shp
Sebaran Abu Vulkanik (publish tidak dalam 3 menit) dan
40 PVMBG https://vsi.esdm.go.id/portalmbg/ .shp
Estimasi Ketebalan Abu
41 Peta Kerawanan Tsunami PVMBG https://vsi.esdm.go.id/portalmbg/ .shp
https://satgas-banjir.pusair- Diolah Menjadi Informasi
42 Satgas Banjir Kemen PUPR Get API 1 Rahasia Spatial Hari Ya .json Nowcast
pu.go.id/ (Dashboard)
https://hidrologi.bbws- Diolah Menjadi Informasi
43 Hidrologi BBWS Bengawan Solo (Pos Hujan) Kemen PUPR Get API 1 Rahasia Magnitude Menit Ya .json Nowcast
bsolo.net/tma (Dashboard)
Hidrologi BBWS Bengawan Solo (Pos https://hidrologi.bbws- Diolah Menjadi Informasi
44 Kemen PUPR Get API 1 Rahasia Magnitude Menit Ya .json Nowcast
TMA) bsolo.net/tma (Dashboard)
Hidrologi BBWS Bengawan Solo (Pos https://hidrologi.bbws- Diolah Menjadi Informasi
45 Kemen PUPR Get API 1 Rahasia Magnitude Menit Ya .json Nowcast
Klimatologi) bsolo.net/tma (Dashboard)
Diolah Menjadi Informasi
46 SIHKA Pos Observasi Kemen PUPR https://sihka.sda.pu.go.id/ Get API 1 Rahasia Magnitude Menit Ya .json Nowcast
(Dashboard)
Diolah Menjadi Informasi
47 SIHKA Pos EWS Kemen PUPR https://sihka.sda.pu.go.id/ Get API 1 Rahasia Magnitude Menit Ya .json Nowcast
(Dashboard)
https://sinbad.sda.pu.go.id/simad Diolah Menjadi Informasi
48 SIMADU Curah Hujan Kota Kemen PUPR Get API 1 Rahasia Magnitude Menit Ya .json Nowcast
u/main/login.php (Dashboard)
https://sinbad.sda.pu.go.id/simad Diolah Menjadi Informasi
49 SIMADU Curah Hujan DAS Kemen PUPR Get API 1 Rahasia Magnitude Menit Ya .json Nowcast
u/main/login.php (Dashboard)
Diolah Menjadi Informasi
50 Jaringan jalan Kemen PUPR https://sigi.pu.go.id/astv2/ Get API Public Spatial Tahun Ya .shp; .GeoJson Forecast
(Dashboard)
Hal 3 dari 5
Volume Sudden/
Kementerian/ Data
No Data Aplikasi (Sumber Data) (File Size Sifat Data Variety Velocity Veracity Value Data Format Nowcast/
Lembaga Method
(MB)) Forecast
Diolah Menjadi Informasi
51 Sebaran jembatan Kemen PUPR https://sigi.pu.go.id/astv2/ Get API Public Spatial Tahun Ya Forecast
(Dashboard)
Diolah Menjadi Informasi
52 Peta kawasan permukiman kumuh Kemen PUPR https://sigi.pu.go.id/astv2/ Get API Public Spatial Tahun Ya Forecast
(Dashboard)
Diolah Menjadi Informasi
53 Peta sebaran rusunawa Kemen PUPR https://sigi.pu.go.id/astv2/ Get API Public Spatial Tahun Ya Forecast
(Dashboard)
Diolah Menjadi Informasi
54 Peta sebaran rumah khusus Kemen PUPR https://sigi.pu.go.id/astv2/ Get API Public Spatial Tahun Ya Forecast
(Dashboard)
Posko bencana - Hasil Inputan Balai Wilayah Sungai Diolah Menjadi Informasi
55 Kemen PUPR https://pdsda.sda.pu.go.id/ Get API Public Hari Ya Nowcast
(data tinggi permukaan air) (Dashboard)
Diolah Menjadi Informasi
56 Pos Hujan Otomatis (Curah Hujan) Kemen PUPR https://sda-gis-v2.netlify.app/ Get API 2 Hari Ya .geojson Nowcast
(Dashboard)
Diolah Menjadi Informasi
57 Bencana (Korban, Infrastruktur, Riwayat Bencana) Kemen PUPR https://sitaba.pu.go.id/ Get API Public Per Kejadian Ya Nowcast
(Dashboard)
58 Ketinggian air Kemen PUPR https://sihka.pusair-pu.go.id/ Get API Public Menit Ya Pengetahuan Nowcast
https://buletin-jfews.pusair-
59 Jakarta Flood Early Warning System (J-FEWS) Kemen PUPR Get API Public Hari Ya Pengetahuan Forecast
pu.go.id/
60 Instalasi Pengolahan Air Limba (IPAL) PUPR
61 Tinggi Muka Air (TMA) PUPR
62 Prediksi Wilayah Sungai PUPR
https://tanahair.indonesia.go.id/
63 Peta kawasan cagar budaya Kemenpar
map
https://tanahair.indonesia.go.id/
64 Peta sebaran cagar budaya Kemenpar
map
https://tanahair.indonesia.go.id/
65 Peta wisata bahari Kemenpar
map
https://tanahair.indonesia.go.id/
66 Peta sebaran daerah pariwisata Kemenpar
map
https://tanahair.indonesia.go.id/
67 Peta sebaran kegiatan industri Kemenperin
map
https://tanahair.indonesia.go.id/
68 Peta wilayah pusat pertumbuhan industri Kemenperin
map
https://tanahair.indonesia.go.id/
69 Peta kawasan industri eksisting dan rencana Kemenperin
map
70 Peta cetak sawah Kementan https://satudata.pertanian.go.id/ Get API
71 Peta lahan pertanian Kementan https://satudata.pertanian.go.id/ Get API
72 Peta perizinan usaha perkebunan Kementan https://satudata.pertanian.go.id/ Get API
73 Peta lahan perkebunan Kementan https://satudata.pertanian.go.id/ Get API
74 Peta lahan peternakan Kementan https://satudata.pertanian.go.id/ Get API
Kementerian https://sigita.dephub.go.id/portal
75 Peta sebaran simpul transportasi
Perhubungan /apps/sites/#/sigita
Sangat Diolah Menjadi Informasi
76 Lahan Kritis KLHK https://sigap.menlhk.go.id/sigap/ 4530 Spatial Tahun Ya .shp Nowcast
Rahasia (Dashboard)
Sangat Diolah Menjadi Informasi
77 Penggunaan Lahan KLHK https://sigap.menlhk.go.id/sigap/ 6483 Spatial Tahun Ya .shp Nowcast
Rahasia (Dashboard)
Hal 4 dari 5
Volume Sudden/
Kementerian/ Data
No Data Aplikasi (Sumber Data) (File Size Sifat Data Variety Velocity Veracity Value Data Format Nowcast/
Lembaga Method
(MB)) Forecast
Sangat Diolah Menjadi Informasi
78 Klasifikasi DAS KLHK https://sigap.menlhk.go.id/sigap/ 511 Spatial Tahun Ya .shp Nowcast
Rahasia (Dashboard)
Sangat Diolah Menjadi Informasi
79 Rawan Limpasan KLHK https://sigap.menlhk.go.id/sigap/ Spatial Tahun Ya .shp Nowcast
Rahasia (Dashboard)
80 Master location data KLHK https://sigap.menlhk.go.id/sigap/
https://tanahair.indonesia.go.id/
81 Daerah Aliran Sungai (DAS) KLHK
map
http://dashboardpencegahan.bnp Sangat Diolah Menjadi Informasi
82 Master location data (Data CH, radar, TMA) BNPB Spatial Tahun Ya .shp Nowcast
b.go.id Rahasia (Dashboard)
https://tanahair.indonesia.go.id/
83 Peta sebaran objek vital nasional Polri
map
Pusat Air Tanah
Diolah Menjadi Informasi
84 Peta kerentanan likuifaksi dan Geologi https://geoportal.esdm.go.id/ Get API Public Spatial Per Kejadian .shp; .GeoJson; .kmSludden
(Dashboard)
Tata Lingkungan
Pusat Survei https://geologi.esdm.go.id/geoma Diolah Menjadi Informasi
85 Peta geologi Get API 9 Public Spatial Per Kejadian Nowcast
Geologi p (Dashboard)
https://geologi.esdm.go.id/geoma
Diolah Menjadi Informasi
86 Peta patahan aktif indonesia Pusgen p/pages/preview/peta-patahan- Get API 12 Public Spatial Per Kejadian Sudden
(Dashboard)
aktif-indonesia
Diolah Menjadi Informasi
87 Simpul transportasi nasional Kemenhub https://sigita.dephub.go.id/ Public
(Dashboard)
88 Kawasan Wisata Kemenpar
89 Peta Sebaran Sekolah Kemdikbud
90 Peta Sebaran Madrasah Kemdikbud
91 Peta Sebaran Rumah Sakit Kemenkes
92 Peta Sebaran Puskesmas Kemenkes
93 Peta Sebaran Pustu Kemenkes
94 Peta infrastruktur kesehatan DITJEN NAKES Sistem Informasi Geomedik
95 Base Transceiver Station (BTS) Kominfo
96 Kepadatan Penduduk BPS
97 Penjara Polri
98 Gudang Senjata Polri/TNI
http://ews-
99 Database Early Warning System Bapenas bappenas.ind.ws/ews2021/home.
aspx
100 Peta potensi risiko kedaruratan nuklir/ radiologi BRIN/ BAPETAN
101 Peta budidaya ikan SisFo KKP
Peta izin usaha perikanan
102 SisFo KKP
budidaya
103 Peta lokasi pelabuhan perikanan SisFo KKP
https://tanahair.indonesia.go.id/
104 Sebaran permukiman
map
https://tanahair.indonesia.go.id/
105 Sebaran informasi pendidikan
map
Hal 5 dari 5
Volume Sudden/
Kementerian/ Data
No Data Aplikasi (Sumber Data) (File Size Sifat Data Variety Velocity Veracity Value Data Format Nowcast/
Lembaga Method
(MB)) Forecast
https://tanahair.indonesia.go.id/
106 Sebaran informasi perkantoran
map
https://tanahair.indonesia.go.id/
107 Sebaran informasi peribadatan
map
https://tanahair.indonesia.go.id/
109 Sebaran tempat wisata
map
Peta Rupabumi Indonesia (RBI)
(Hipsografi/Titik elevasi/kontur, Garis pantai,
https://tanahair.indonesia.go.id/ Dinamis per Diolah Menjadi Informasi
110 Transportasi dan utilitas, Toponim/Nama Rupa Bumi, BIG Get API 740000 Public Spatial Ya .shp; .GeoJson
map komponen RBI (Dashboard)
Batas wilayah/administrasi, Perairan, Bangunan dan
Fasilitas Umum, Penutup Lahan)
111 Bandara BIG
112 Pelabuhan BIG
113 Terminal BIG
114 Stasiun BIG
115 Jembatan BIG
116 Ruas Jalan BIG
117 Sebaran Rumah Penduduk BIG
118 Masjid/ tempat ibadah BIG
119 Kebun/lahan produktif BIG
120 Instalasi Air BIG
121 Kantor BIG
122 Industri Kimia BIG
https://tanahair.indonesia.go.id/
123 Sebaran Pasar BIG
map
124 Gudang Logistik (Bulog, Kemensos, BNPB, BPBD) BIG
Diolah Menjadi Informasi
125 Topografi/Digital Evaluation Model (DEM) BIG https://sibatnas.big.go.id/peta Push 2500 Public Spatial/Raster Per Kejadian .shp, tiff
(Dashboard)
Penjelasan Kolom Data
Data Method : Metode perolehan data/peta
Volume (File Size (MB)) : Perkiraan besaran data saat ini atau per perubahan dalam satuan Mega byte
Sifat Data : Jenis sifat data dalam pertukaran data antar lembaga/kementerian, apakah dapat diakses secara publik, rahasia, atau sangat rahasia
Variety : Keberagaman dari konten data, dapat mencakup data spatial, angka, nominal, teks, gambar, dsb.
Velocity : Kecepatan periode perubahan data, mulai dari setiap detik, menit, jam, hari, bulan atau lainnya
Veracity : Status kebeneran data, apakah sudah valid atau tidak (memerlukan validasi ulang)
Value : Manfaat data, apakah sudah diolah menjadi informasi atau bahkan sampai pengetahuan (knwledgge) atau tidak
Data Format : Standar format yang didukung dalam pertukaran data atau saat disimpan
Sudden/
Nowcast/
Forecast : Waktu perolehan data, apakah bersifat prediksi (forecast), prediksi yang mendekati real (nowcast), sudden atau data historis
LAMPIRAN 7.
Spesifikasi Teknis Perangkat Lunak Teknologi dan Solusi
Platform Big Data
No Fungsi Spesifikasi
A Platform Big Data
Pemrosesan dan - Mencakup Sistem File yang terdistribusi yang terkluster dan berukuran sangat
penyimpanan data yang besar yang berfungsi sebagai media penyimpanan Big Data yang kemudian
jumlah sangat besar yang data dipecah menjadi bagian kecil untuk diproses atau pemrosesan data batch
digunakan untuk analisis
- Mendukung system operasi berbasis distribusi Linux sesuai kebutuhan platform.
dan pengambilan
- Mendukung pengelolaan database RDBMS yang umum digunakan.
keputusan
- Memiliki tools pengelolaan cluster untuk instalasi, konfigurasi, dan monitoring
cluster.
- Memiliki perangkat lunak yang mendukung berbagai jenis komputasi awan
penyipanan data dalam jumlah besar
- Mendukung pemrosesan data cepat yang mendukung pemrosesan batch dan
streaming, serta analisis machine learning.
- Implementasi pengamanan jaringan pada ekosistem Big Data.
Kemampuan pengolahan berbasis Data Science
Memberikan peranan - Data Eksplorasi dan Pre-pemrosesan: memberikan fungsi untuk pembersihan,
penting dalam Platform filterisasi dan transformasi data untuk keperluan analisis data tertentu
Big Data dalam ekstraksi - Rekayasa Fitur: memberikan kemampuan untuk memodifikasi fitur fitur baru
informasi atau data yang yang terdapat pada existing data to improvisasi kinerja.
bernilai, pola dan - Pengembangan Model Machine Learning: berfungsi dalam mendukung
prediksi dari set data platform untuk pengembangan dan training model machine learning.
yang sangat besar dan
- Integrasi dan implementasi model: memastikan bahwa berjalan secara real
rumit
time.
- Skalabilitas: berfungsi untuk memastikan 5V bisa berjalan dengan baik.
- Visualisasi Data dan Interpretasi: berfungsi untuk visualisasi data dan
dashboard yang membantu pemangku kepentingan memahami wawasan Big
Data yang kompleks.
- Monitoring dan Optimisasi: berfungsi untuk memantau kinerja model dan
penggunaan sumber daya.
- Security and Compliance: berfungsi membantu menerapkan kebijakan
keamanan dan menyediakan alat untuk enkripsi data dan pengendalian akses.
B Platform Data Integration: Data Services, Data Flow Management
Manajemen data yang - ETL data, data quality, data governance, dan integrasi aplikasi.
berasal dari berbagai - Streaming data menggunakan apache nifi. Machine learning digunakan untuk
sumber yang akan meningkatkan kualitas integrasi data
ditransformasi untuk
- Flow Management berbasis web yang dapat dideploy pada On-Premise atau
penggunaan selanjutnya
On-Cloud
- Mendukung berbagai skenario data integration, termasuk real-time data,
ingestion, batch, processing, data transformation, dan data synchronization.
- Dapat terhubung dengan berbagai macam sumber data.
- Memberikan interface visual untuk mendesain data pipeline menggunakan
interface drag-and drop.
- Mendukung automation untuk workflow data
C Data Analysis/Data Visualization
Memvisualisasi data - Mendukung fitur keamanan diantaranya enkripsi data, otentikasi, otorisasi, dan
untuk melihat pola, trend, data governance, untuk memastikan kerahasiaan, integritas, dan ketersediaan data
dll untuk keperluan pada platform big data.
analisis
- Merupakan perangkat lunak Data Visualization yang digunakan untuk membuat
dan menyajikan data secara visual dengan format yang mudah dipahami dan
menarik dari suatu data set yang besar dan kompleks.
- Mendukung sumber data berbasis Big Data.
- Mendukung berbagai teknik optimasi performa diantaranya optimasi query,
data extract, caching, parallel processing.
- Mendukung fitur data blending, prep, modeling, dan aggregation untuk clean,
transform, dan visualisasi data secara real-time atau near-real-time.
Mendukung perangkat pengguna mobile untuk visualisasi data.
D Pengujian Serah Terima
Pengembangan test case - Melakukan uji coba sebagai rangkaian uji penerimaan bahwa seluruh fungsi
sebagai skenario UAT perangkat lunak yang sudah diinstalasi berfungsi dengan baik.
(User Acceptance Test)
untulk memastikan
semua berfungsi dengan
baik.
E Local Support
Berfungsi untuk Support – Level 1
troubleshooting, Penyedia memberikan first level support dimana Customer dapat menghubungi CSC
mengumpulkan feedback, (Customer Service Center) penyedia untuk setiap masalah/gangguan yang terjadi
juga maintenance untuk selama periode maintenance.
memastikan kualitas dan
Support – Level 2
kinerja perangkat lunak
Pada support level 2 penyedia akan bekerja sama dengan Principal Dispatcher jika
gangguan/masalah tidak dapat terselesaikan langsung oleh Engineer penyedia.
Laporan gangguan/masalah akan dieskalasi kepada Principal terkait.
Pada support level 2 ini, penyedia akan bekerja sama dengan Principal's Technical
Assistance Center (TAC) dengan cakupan layanan:
- Carrier-class operator yang didedikasikan khusus untuk pelanggan utama
- Nomor eksklusif dan berdedikasi
- Tim Senior Engineer yang berdedikasi
- Akses ke Engineer yang memiliki pengetahuan tentang produk terkait
- Bantuan teknis 24 jam sehari, 7 hari seminggu. Dalam proses Maintenance ini,
didukung sepenuhnya ole para Principals.
- Pada saat dibutuhkan eskalasi, penyedia akan segera melakukan kontak dan
diskusi dengan Principal terkait untuk setiap problem yang timbul.
- Memberikan transfer teknologi kepada end user. Transfer knowledge tersebut
dilakukan pada tahap akhir fase implementasi
LAMPIRAN 8. Form User Acceptance Testing Platform Big data MHEWS
Deskripsi Berhasil
No Area Testing Deskripsi Test Case Hasil yang diharapkan Keterangan
Hasil Test ? (Y/T)
Verifikasi bahwa platform big data Platform big data harus mampu Test case ini dapat
dapat mengambil data dari mengambil data dari berbagai dikustomisasi termasuk
berbagai macam sumber, termasuk sumber dimana formatnya sumber data dan dalam
relational databases, NoSQL beragam berbagai format
Data Ingestion databases dan flat files. Test case
1
ini menguji interkoneksi data.
Verifikasi bahwa platform big data Platform big data harus mampu Keterangan
dapat menangani data dengan menangani data dengan volume
volume yang sangat besar yang sangat besar tanpa
mengorbankan kinerja platform
Verifikasi bahwa platform big data Platform big data harus mampu Test case ini dapat
dapat memproses data secara memproses data secara efisien dikustomisasi termasuk
efisien, termasuk didalamnya tanpa mengorbankan sumber data dan dalam
integrasi data. keakuratan berbagai format
Verifikasi bahwa platform big data Platform big data harus mampu Keterangan
dapat menangani tugas untuk menangani tugas tugas
2
Data Processing pemrosesan data yang kompleks pemrosesan data yang rumit
seperti machine learning dan
data mining.
Verifikasi bahwa platform big data Platform big data harus mampu Test case ini dapat
dapat menghasilkan hasil yang untuk menghasilkan data yang dikustomisasi termasuk
akurat akurat dari data yang diproses sumber data dan dalam
berbagai format
Verifikasi bahwa platform big data Platform big data harus mampu Keterangan
dapat menunjukkan variasi data untuk menunjukkan kinerja dari
3 Data Analysis analisis, seperti analisis data analisis data yang beragam
eksploratori, machine learning, and dengan volume data yang
data mining. sangat besar
Deskripsi Berhasil
No Area Testing Deskripsi Test Case Hasil yang diharapkan Keterangan
Hasil Test ? (Y/T)
Verifikasi bahwa platform big data Platform big data harus mampu Test case ini dapat
dapat menghasilkan pengetahuan untuk menghasilkan dikustomisasi termasuk
yang akurat dan bermakna dari pengetahuan yang akurat dan sumber data dan dalam
data bermakna dari data berbagai format
Verifikasi bahwa platform big data Platform big data harus mampu Keterangan
dapat mengkomunikasi hasil dari mengkomunikasi hasil dari
analisis data untuk para pengguna analisis data untuk para
to users in a clear and concise pengguna dalam bentuk yang
manner. jelas dan tepat dengan
menggunakan berbagai macam
alat visualisasi
Verifikasi bahwa platform big data Platform big data harus mampu Test case ini dapat
dapat menghasilkan berbagai untuk menghasilkan berbagai dikustomisasi termasuk
variasi visualisasi data seperti variasi visualisasi data dari hasil sumber data dan dalam
chart, grafik dan peta analisis data berbagai format
Verifikasi bahwa platform big data Platform big data harus mampu Keterangan
dapat memberikan informasi untuk memberikan visualisasi
akurat dan informatif data yang akurat dan informatif
4 Visualisasi Data hasil berbagai analisis data
Verifikasi bahwa platform big data Platform big data harus mampu Test case ini dapat
dapat memvisualisasi data dengan untuk memberikan fitur untuk dikustomisasi termasuk
mudah dimengerti dan memahami dan sumber data dan dalam
diintepretasi mengintepretasi data dengan berbagai format
mudah bahkan untuk pengguna
yang tidak memiliki
pengetahuan teknis yang
memadai| Authority | |||
|---|---|---|---|
| 18 January 2022 | ,Penyediaan Jasa Jaringan Komunikasi Data (Kontrak Payung) | Kementerian Dalam Negeri | Rp 451,740,696,000 |
| 28 November 2022 | Pengembangan Platform Digital Pendidikan 2023 | Kementerian Pendidikan dan Kebudayaan | Rp 424,535,600,000 |
| 7 December 2022 | Penyediaan Layanan Komputasi Awan Pusat Data Nasional Sementara | Kementerian Komunikasi Dan Informatika | Rp 357,590,000,000 |
| 3 June 2015 | Penyediaan Jasa Jaringan Komunikasi Data | Rp 298,927,000,000 | |
| 26 December 2023 | Penyediaan Layanan Komputasi Awan Pusat Data Nasional Sementara | Kementerian Komunikasi Dan Informatika | Rp 287,684,863,000 |
| 1 December 2021 | Sewa Komunikasi Data Intranet Kementerian Keuangan Ta 2022 | Kementerian Keuangan | Rp 277,679,364,000 |
| 28 November 2024 | Sewa Komunikasi Data Intranet Kementerian Keuangan Ta 2025 | Kementerian Keuangan | Rp 266,147,224,000 |
| 7 June 2016 | Pengadaan Penyediaan Jasa Jaringan Komunikasi Data | Sekretariat Jenderal | Rp 254,902,420,000 |
| 5 December 2022 | Sewa Komunikasi Data Intranet Kementerian Keuangan Ta 2023 | Kementerian Keuangan | Rp 245,068,646,000 |
| 22 November 2023 | Sewa Komunikasi Data Intranet Kementerian Keuangan Ta 2024 | Kementerian Keuangan | Rp 240,741,636,000 |