BISNIS INTELIGENT DAN DATA MANING

1. Sejarah

a. sejarah bisnis intelijen

Pada tahun 1958 Hans Peter Luhn intelijen bisnis didefinisikan sebagai: "kemampuan untuk memahami yang interrelationships dari fakta-fakta yang disajikan dengan cara yang membimbing tindakan ke arah tujuan yang dikehendaki".

Pada tahun 1989 Howard Dresner (nanti yang Gartner Group analis) diusulkan BI sebagai istilah umum untuk menjelaskan "konsep dan metode untuk meningkatkan pengambilan keputusan bisnis dengan menggunakan fakta-dukungan berbasis sistem." Ia tidak sampai akhir tahun 1990-an bahwa penggunaan telah meluas.

b. sejarah data mining

Tahun 1990-an telah melahirkan “gunungan” data di bidang ilmu pengetahuan, bisnis dan pemerintah. Kemampuan teknologi informasi untuk mengumpulkan dan menyimpan berbagai tipe data jauh meninggalkan kemampuan untuk menganalisis, meringkas dan mengekstraksi “pengetahuan” dari data (Achmad Zulfikar,2009).

Metodologi tradisional untuk menganalisis data yang ada, tidak dapat menangani data dalam jumlah besar. Sementara para pelaku bisnis memiliki kebutuhan-kebutuhan untuk memanfaatkan gudang data yang sudah dimiliki, para peneliti melihat peluang untuk melahirkan sebuah teknologi baru yang menjawab kebutuhan ini, yaitu Data mining. Teknologi ini sekarang sudah ada dan diaplikasikan oleh perusahaan-perusahaan untuk memecahkan berbagai permasalahan bisnis (Achmad Zulfikar,2009).

Alasan utama mengapa data mining diperlukan adalah karena adanya sejumlah besar data yang dapat digunakan untuk mengahasilkan informasi dan knowledge yang berguna. Informasi dan knowledge yang didapat tersebut dapat digunakan pada banyak bidang, mulai dari manjemen bisnis, kontrol produksi, kesehatan, dan lain-lain            (Han & Kamber, 2001).

2. pengertian 

a. pengertian dan prinsip kerja bisnis intelijen

Bisnis intelijen (BI) merujuk kepada kemampuan, teknologi, aplikasi dan praktek-praktek yang digunakan untuk membantu usaha memperoleh pemahaman yang lebih baik dari konteks komersial. Intelijen bisnis mungkin juga merujuk pada informasi itu sendiri.

BI menyediakan aplikasi historis, saat ini, dan input dilihat dari operasi bisnis. Umum fungsi intelijen bisnis aplikasi pelaporan, OLAP, analisis, data, kinerja manajemen bisnis, patokan, dan input analisis. Usaha intelijen sering bertujuan untuk mendukung bisnis yang lebih baik keputusan. Dengan demikian sistem BI yang dapat disebut sebagai sistem pendukung keputusan (DSS).

prinsip kerjanya yaitu : 

Sistem BI memberikan sudut pandang historis, saat ini, serta prediksi operasi bisnis, terutama dengan menggunakan data yang telah dikumpulkan ke dalam suatugudang data dan kadang juga bersumber pada data operasional. Perangkat lunak mendukung penggunaan informasi ini dengan membantu ekstraksi, analisis, serta pelaporan informasi. Aplikasi BI menangani penjualan, produksi, keuangan, serta berbagai sumber data bisnis untuk keperluan tersebut, yang mencakup terutamamanajemen kinerja bisnis. Informasi dapat pula diperoleh dari perusahaan-perusahaan sejenis untuk menghasilkan suatu tolok ukur.

b. Pengertian dan prinsip kerja data mining

data mining adalah proses pengolahan data untuk mendapatkan informasi yang belum diketahui informasi apa saja yang terdapat di kumpulan data tersebut. data mining dapat dilakukan terhadap berbagai jenis sumber data, misalnya data warehouse, artikel web, multimedia (gambar, suara, video), atau dokumen (files). data mining dilakukan dengan mengimplementasikan algoritma-algoritma data mining (akan dibahas di artikel lain) untuk mendapatkan informasi yang tidak terlihat dengan pengamatan langsung (perlu pengolahan lebih lanjut).

prinsip kerja: 

Proses Data Mining

Karena DM adalah suatu rangkaian proses, DM dapat dibagi menjadi beberapa tahap yang diilustrasikan pada gambar diatas :

1. Pembersihan data (untuk membuang data yang tidak konsisten dan noise)
2. Integrasi data (penggabungan data dari beberapa sumber)
3. Transformasi data (data diubah menjadi bentuk yang sesuai untuk di-mining)
4. Aplikasi teknik DM
5. Evaluasi pola yang ditemukan (untuk menemukan yang menarik/bernilai)
6. Presentasi pengetahuan (dengan teknik visualisasi)

Tahap-tahap diatas, bersifat interaktif di mana pemakai terlibat langsung atau dengan perantaraan knowledge base.

        Knowledge Discovery and Data Mining(KDD) adalah proses yang dibantu oleh komputer untuk menggali dan menganalisis sejumlah besar himpunan data dan mengekstrak informasi dan pengetahuan yang berguna. Data mining tools memperkirakan perilaku dan tren masa depan, memungkinkan bisnis untuk membuat keputusan yang proaktif dan berdasarkan pengetahuan. Data mining tools mampu menjawab permasalahan bisnis yang secara tradisional terlalu lama untuk diselesaikan. Data mining tools menjelajah database untuk mencari pola tersembunyi, menemukan infomasi yang prediktif yang mungkin dilewatkan para pakar karena berada di luar ekspektasi mereka.

Proses dalam KDD adalah proses yang digambarkan pada dan terdiri dari rangkaian proses iteratif sebagai berikut:

1. Data cleaning, menghilangkan noise dan data yang inkonsisten.
2. Data integration, menggabungkan data dari berbagai sumber data yang berbeda
3. Data selection, mengambil data yang relevan dengan tugas analisis dari database
4. Data transformation, Mentransformasi atau menggabungkan data ke dalam bentuk yang sesuai untuk penggalian lewat operasi summary atau aggregation.
5. Data mining, proses esensial untuk mengekstrak pola dari data dengan metode cerdas.
6. Pattern evaluation, mengidentifikasikan pola yang menarik dan merepresentasikan pengetahuan berdasarkan interestingness measures.
7. Knowledge presentation, penyajian pengetahuan yang digali kepada pengguna dengan menggunakan visualisasi dan teknik representasi pengetahuan.

Cara kerja Data Mining

         Bagaimana tepatnya data mining “menggali” hal-hal penting yang belum diketahui sebelumnya atau memprediksi apa yang akan terjadi? Teknik yang digunakan untuk melaksanakan tugas ini disebut pemodelan. Pemodelan di sini dimaksudkan sebagai kegiatan untuk membangun sebuah model pada situasi yang telah diketahui “jawabannya” dan kemudian menerapkannya pada situasi lain yang akan dicari jawabannya.

        Sebagai contoh di sini diambil pencarian solusi bisnis di bidang telekomunikasi. Ada beberapa perusahaan telekomunikasi yang beroperasi di sebuah negara dan dimisalkan pihak manajemen sebuah perusahaan bermaksud untuk menjaring kustomer baru untuk jasa layanan sambungan langsung jarak jauh (SLJJ). Pihak manajemen dapat “menghubungi” calon-calon kustomer dengan memilih secara acak kemudian menawari mereka dengan diskon khusus, dengan hasil yang kemungkinan besar kurang menggembirakan, atau dengan memanfaatkan pengalaman-pengalaman bisnis yang saat ini sudah tersimpan di basis data perusahaan untuk membangun sebuah model. Perusahaan ini telah memiliki banyak informasi mengenai kustomer perusahaan tersebut: umur, jenis kelamin, sejarah penggunaan fasilitas kredit dan penggunaan SLJJ. Juga sudah diketahui informasi mengenai calon-calon kustomer: umur, jenis kelamin, sejarah penggunaan fasilitas kredit, dll.    

         Masalahnya adalah penggunaan SLJJ untuk para calon kustomer ini belum diketahui, karena mereka saat ini menjadi kustomer dari perusahaan lain. Yang dipikirkan pihak manajemen adalah mencari calon kustomer yang akan menggunakan banyak jasa SLJJ. Usaha untuk mencari jawaban masalah ini dilakukan dengan membangun sebuah model. Tabel 1 memberikan ilustrasi mengenai pembangunan model untuk menentukan calon kustomer (prospek) di sebuah gudang data.

3.Perkembangan

Perkembangan komputer yang semakin pesat diikuti dengan perkembangan perangkat lunak untuk aplikasi bisnis, sejak tahun 1970-an sampai awal tahun 1980 manajemen berbasis file tradisional berkembang menjadi manajemen basis data. Di dalam manajemen basis data dikenal berbagai model data yang dapat digunakan untuk mendeskripsikan sebuah data dalam merancang suatu basis data. Manajemen ini memungkinkan banyak user untuk mengakses data secara bersamaan sehingga fasilitas yang dimiliki oleh manajemen sudah semakin banyak yaitu fasilitas pemanipulasian data, kontrol konkurensi data, recovery data, keamanan data dan didukung dengan fasilitas komunikasi data karena manajemen ini sudah terhubung dengan suatu jaringan . Perkembangan dunia usaha semakin meningkat ditunjang dengan perkembangan komunikasi yang mempermudah organisasi atau perusahaan untuk mengakses data, sehingga mengubah manajemen basis data menjadi manajemen basis data tingkat lanjut didukung dengan fasilitas data warehousing dan fasilitas basis data berbasis web sebagai salah satu strategi organisasi dalam meningkatkan kinerja dan keuntungan organisasi. Data Collection and Database Creation (1960s and earlier).

Database Management Systems (1970s – early 1980s)
- Hierarchical and Network Database Systems
- Relational Database Systems
- Data modeling tools : entity relationship model, etc
- Indexing and data organization techniques : b+ tree, hashing, etc
- Query language : SQL, etc
- User interface, forms, and reports
- Query processing and query optimizaztion
Advance Database Systems (mid-1980s-present)
- Advance data models : extended
relational, object oriented, object
relational, deductive
- Application oriented : spatial,
temporal, multimedia, active,
scientific, knowledge bases
Web-Based Database Systems (1990s – present)
- XML-based database systems
- Web mining

Data Warehouse and Data Mining (late 1980s – present)
- Data warehouse and OLAP technology
- Data mining and knowledge discovery

perkembangan bisnis intelijen

Selama dekade terakhir, kemampuan baik menghasilkan dan mengumpulkan data dan informasi telah melihat pertumbuhan yang eksplosif. Kemajuan dalam koleksi bisnis data (misalnya, dari keuangan, ritel dan perangkat produksi) telah menghasilkan banjir data dan informasi. Kemajuan dalam teknologi penyimpanan data dengan lebih cepat, kapasitas yang lebih tinggi dan perangkat penyimpanan lebih murah, sistem database yang lebih baik manajemen dan teknologi data pergudangan telah memungkinkan kita untuk mengumpulkan "pegunungan" data yang tersimpan. Volume seperti data dan informasi jelas membanjiri metode manual tradisional analisis data, seperti spreadsheet, ad-hoc query, atau diagram sederhana. Dengan demikian, metode baru dan alat - yang dapat cerdas dan (semi-) otomatis mengubah data menjadi informasi dan, selanjutnya, mensintesis pengetahuan - diperlukan. Dalam munculnya perkembangan teknologi, pentingnya Business Intelligence (BI)tumbuh.

Kemajuan dan keberhasilan banyak organisasi tergantung untuk sebagian besar pada seberapa baik dan seberapa tepat waktu mereka dapat mendapatkan informasi tentang jumlah ini luas dan berbagai jenis data yang dikumpulkan, dan akhirnya menemukan penting, informasi yang kadang-kadang tersembunyi di dalamnya. Program akademik yang akan membantu Anda untuk mengembangkan perspektif yang komprehensif tentang Business Intelligence.

4. contoh

a. bisnis intelijen

Data Warehouse

Data warehouse erat kaitannya dengan data-data yang besar dan beragam disimpan dalam satu repository dan disusun sedemikian sehingga memudahkan user dalam melakukan pencarian dan analisa data,  sedangkan Business Intelligence adalah suatu teknologi yang digunakan untuk menyajikan data-data tersebut sehingga memudahkan analisa dan pengambilan keputusan berdasakan informasi yang akurat dari sumber data. Suatu solusi Business Intelligence yang baik memerlukan sumber data yaitu data warehouse. Sehingga keduanya mempunyai hubungan yang sangat erat.

Dengan adanya data warehouse, data yang beragam dapat dikumpulkan ke dalam suatu tempat penyimpanan dimana pengguna dapat dengan mudah menjalankan query (pencarian data), menghasilkan laporan, dan melakukan analisis data. Salah satu keuntungan yang diperoleh dari keberadaan data warehouse adalah dapat meningkatkan efektifitas pembuatan keputusan, karena data warehouse dapat menjadi alat bantu bagi pihak manajemen atau bagian strategis perusahaan untuk menganalisa data.

Adapun karakteristik Data warehouse adalah sebagai berikut[3] :

a.     Subject Oriented atau berorientasi pada subyek. Sebuah data warehouse dikatakan berorientasi pada subyek karena data disusun sedemikian rupa sehingga semua elemen data yang terkait dengan event/objek yang sama dihubungkan

b.     Time-variant, artinya bahwa perubahan data ditelusuri dan dicatat sehingga laporan dapat dibuat dengan menunjukkan waktu perubahannya

c.     Non Volatile berarti bahwa data yang telah disimpan tidak dapat berubah. Sekali committed, data tidak pernah ditimpa/dihapus. Data akan bersifat static, hanya dapat dibaca dan disimpan untuk kebutuhan pelaporan

d.     Integrated, artinya data warehouse akan mencakup semua data operasional organisasi yang disimpan secara konsisten.

Keempat karakteristik di atas saling terkait dan kesemuanya harus diimplementasikan agar suatu data warehouse bisa efektif memiliki data untuk mendukung pengambilan keputusan. Implementasi ke-empat karakteristik ini membutuhkan struktur data dari data warehouse yang berbeda dengan database sistem operasional biasa (lihat gambar 4)

(gambar 4)

Beberapa bagian penting dalam data warehouse dapat dijelaskan sebagaimana di bawah ini :

•      Data mart, yang merupakan bagian dari data warehouse yang mendukung kebutuhan dari suatu fungsi bisnis atau departemen tertentu. Data mart dapat berdiri sendiri atau terhubung ke data warehouse yang telah ada. Ada beberapa karakteristik dari data mart yang membedakannya dengan data warehouse, yaitu:

-     Data mart hanya berfokus pada satu kebutuhan pengguna dengan satu departemen atau fungsi bisnis

-     Data mart tidak secara normal berisi data operasional terperinci

-     Data mart berisi lebih sedikit data dari yang ada dalam data warehouse, lebih mudah dimengerti dan dipahami.

•      Kubus data (cube), adalah unit pemrosesan data yang terdiri dari tabel fakta dan dimensi dalam suatu data warehouse.

•      Aggregation, adalah hitungan awal dari data numerik. Dengan menghitung dan menyimpan jawaban dari queryyang sebelumnya telah dibuat, waktu proses query dapat lebih cepat. Dengan adanya agregasi, data yang jumlahnya ribuan atau bahkan ratusan ribu dalam suatu basis data multidimensi dapat dicari dengan mudah dan tidak memakan banyak waktu. Agregasi ini merupakan pondasi dari pembentukan kubus data, karena mengorganisir kumpulan data kedalam struktur data basis data multidimensi sehingga menghasilkan respon time yang cepat.

3.2.  Data Mining

Secara sederhana yang dimaksud dengan data mining adalah suatu proses untuk menemukan interestingknowledge dari sejumlah data yang disimpan dalam basis data atau media penyimpanan data lainnya. Dengan melakukan data mining terhadap sekumpulan data, akan didapatkan suatu interesting pattern yang dapat disimpan sebagai knowledge baru. Pattern yang didapat akan digunakan untuk melakukan evaluasi terhadap data-data tersebut untuk selanjutnya akan didapatkan informasi.

Misalkan, dalam implementasi menggunakan SQL Server 2005 analysis services minimal ada empat langkah yaitu :

a.       Menggambarkan atau mendefinisikan apa yang akan dicapai, sebagai contoh bagaimana korelasi antara penjualan musik, film dan audio serta bagaimana minat konsumenya.

b.       Menyiapkan data, pada tahapan ini harus dipersiapkan data yang relevan dan mengecek kualitas data.

c.        Membangun model data mining , model yang digunakan bisa satu model atau lebih dengan berbagai algortimanya sesuai dengan kebutuhan.

d.       Melakukan proses deploying pada model yang digunakan.

3.3.  OLAP (Online Analytical Processing)

OLAP adalah aplikasi analytical dengan kemampuan pivot menyerupai spreadsheet - seperti Microsoft Excel, OpenOffice Calc, dll. OLAP merupakan komponen penting dari aplikasi BI.

Perbedaan dengan spreadsheet adalah OLAP dirancang khusus untuk mampu menangani jumlah data besar dan memiliki ekspresi bahasa analisis yang lebih baik. Dan aplikasi OLAP ini biasanya memiliki arsitekturclient/server (lihat gambar 5).

(gambar 5)

Database OLAP memiliki struktur skema tersendiri dan biasanya berupa suatu data warehouse. Namun tidak tertutup kemungkinan OLAP mengambil dari database operasional (transaksional) - ini dengan catatan database ini telah memiliki struktur rancangan yang "OLAP friendly". OLAP Server menggunakan buffer/cache yang bersifat temporer dan permanen.

5. mplementasi

a.bisnis intelijen

J 2009 Gartner Group kertas prediksi ini perkembangan bisnis intelijen pasar.

• Karena kurangnya informasi, proses, dan alat-alat, melalui 2012, lebih dari 35 persen di atas 5000 perusahaan global akan secara teratur Insightful gagal untuk membuat keputusan tentang perubahan signifikan dalam bisnis mereka dan pasar.
• By 2012, unit usaha akan mengendalikan sekurang-kurangnya 40 persen dari total anggaran untuk usaha intelijen.
• Tahun 2010, 20 persen dari organisasi-organisasi akan memiliki sebuah industri yang spesifik analitis disampaikan melalui aplikasi perangkat lunak sebagai layanan sebagai standar komponen intelijen portofolio bisnis mereka.
• Pada tahun 2009, kolaborasi pengambilan keputusan akan muncul sebagai kategori produk baru yang menggabungkan sosial perangkat lunak intelijen bisnis dengan kemampuan platform.
• 2012, satu sepertiga analitis diterapkan untuk aplikasi bisnis proses akan dikirimkan melalui kasar aplikasi mashup.

b. implementasi data mining

Dengan memadukan teknologi OLAP dengan data mining diharapkan  pengguna dapat melakukan hal-hal yang biasa dilakukan di OLAP seperti  drilling/rolling untuk melihat data lebih dalam atau lebih umum, pivoting, slicing 

dan dicing. Semua hal tersebut diharapkan nantinya dapat dilakukan secara  interaktif dan dilengkapi dengan visualisasi. Data mining tidak hanya melakukan mining terhadap data transaksi saja.  Penelitian di bidang data mining saat ini sudah merambah ke sistem database lanjut seperti object oriented database, image/spatial database, time-series  Increasing potential to support business decisions End User Business Analyst Data Analyst DBA

Making Decisions Data Presentation Visualization Techniques Data Mining Information Discovery Data Exploration OLAP, MDA Statistical Analysis, Querying and Reporting Data Warehouses / Data Marts Data Sources Paper, Files, Information Providers, Database Systems, OLTP Increasing potential to support business decisions End User Business Analyst Data Analyst DBA

Making Decisions Data Presentation Visualization Techniques Data Mining Information Discovery Data Exploration OLAP, MDA Statistical Analysis, Querying and Reporting Data Warehouses / Data Marts Data Sources Paper, Files, Information Providers, Database Systems, OLTPKomunitas eLearning  data/temporal database, teks (dikenal dengan nama text mining), web (dikenal  dengan nama web mining) dan multimedia database.