Kecerdasan Bisnis : Data Warehousing, Akuisisi Data, Data Mining, Analitik Bisnis dan Visualisasi

Abstrak

Pertumbuhan yang pesat dari akumulasi data telah menciptakan kondisi kaya akan data tapi minimum informasi. Data warehouse merupakan penyimpanan data yang berorientasi objek, terintegrasi, mempunyai variant waktu, dan menyimpan data dalam bentuk nonvolatile sebagai pendukung manejemen dalam proses pengambilan keputusan. Data warehouse menyatukan dan menggabungkan data dalam bentuk multidimensi.

Pembangunan data warehouse meliputi pembersihan data, penyatuan data dan transformasi data dan dapat dilihat sebagai praproses yang penting untuk digunakan dalam data mining. Akuisisi data adalah proses sampling dari kondisi dunia nyata fisik dan konversi dari sampel yang dihasilkan menjadi nilai numerik digital yang dapat dimanipulasi oleh komputer. akuisisi data dan sistem akuisisi data (disingkat dengan akronim DAS) biasanya melibatkan konversi bentuk gelombang analog menjadi nilai digital untuk diproses. Komponen dari sistem akuisisi data meliputi:  Sensor yang mengkonversi parameter fisik untuk sinyal-sinyal listrik. Sirkuit pengkondisian sinyal untuk mengubah sinyal sensor menjadi bentuk yang dapat dikonversikan ke nilai digital.

 Data mining merupakan penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data dalam jumlah besar yang diharapkan dapat mengatasi kondisi tersebut. Hal ini sering digunakan dalam berbagai praktek profil, seperti pemasaran, pengawasan, penipuan deteksi dan penemuan ilmiah.

Kata kunci : Data Warehouse, Akusisi Data, Data Mining, Analitik Bisnis

BAB I

PENDAHULUAN

1.1  Latar Belakang

Dengan kemajuan teknologi informasi dewasa ini, kebutuhan akan informasi yang akurat sangat dibutuhkan dalam kehidupan sehari-hari, sehingga informasi akan menjadi suatu elemen penting dalam perkembangan masyarakat saat ini dan waktu mendatang. Namun kebutuhan informasi yang tinggi kadang tidak diimbangi dengan penyajian informasi yang memadai, sering kali informasi tersebut masih harus di gali ulang dari data yang jumlahnya sangat besar. Kemampuan teknologi informasi untuk mengumpulkan dan menyimpan berbagai tipe data jauh meninggalkan kemampuan untuk menganalisis, meringkas dan mengekstrak pengetahuan dari data.

Metode tradisional untuk menganalisis data yang ada, tidak dapat menangani data dalam jumlah besar. Pemanfaatan data yang ada di dalam sistem informasi untuk menunjang kegiatan pengambilan keputusan, tidak cukup hanya mengandalkan data operasional saja, diperlukan suatu analisis data untuk menggali potensi-potensi informasi yang ada. Para pengambil keputusan berusaha untuk memanfaatkan gudang data yang sudah dimiliki untuk menggali informasi yang berguna membantu mengambil keputusan, hal ini mendorong munculnya cabang ilmu baru untuk mengatasi masalah penggalian informasi atau pola yang penting atau menarik dari data dalam jumlah besar, yang disebut dengan data mining.

Penggunaan teknik data mining diharapkan dapat memberikan pengetahuan-pengetahuan yang sebelumnya tersembunyi di dalam gudang data sehingga menjadi informasi yang berharga. Data warehouse menyatukan dan menggabungkan data dalam bentuk multidimensi. Pembangunan data warehouse meliputi pembersihan data, penyatuan data dan transformasi data dan dapat dilihat sebagai praproses yang penting untuk digunakan dalam data mining. Selain itu data warehouse mendukung On-line Analitycal Processing (OLAP), sebuah kakas yang digunakan untuk menganalisis secara interaktif dari bentuk multidimensi yang mempunyai data yang rinci. Sehingga dapat memfasilitasi secara efektif data generalization dan data mining.  Akuisisi data dan sistem akuisisi data (disingkat dengan akronim DAS) biasanya melibatkan konversi bentuk gelombang analog menjadi nilai digital untuk diproses. Komponen dari sistem akuisisi data meliputi:  Sensor yang mengkonversi parameter fisik untuk sinyal-sinyal listrik. Sirkuit pengkondisian sinyal untuk mengubah sinyal sensor menjadi bentuk yang dapat dikonversikan ke nilai digital.  Di dalam Kecerdasan bisnis  menguraikan komponen arsitektural dasar dari suatu lingkungan BI. Kecerdasan bisnis meliputi pemerolehan informasi dan data dari banyak sumber dan menggunkannya dalam pengambilan keputusan.

1.2              Rumusan Masalah

1              .      Membahas Pengertian Data Warehouse

2              .      Membahas Pengertian Akusisi Data.

3              .      Menjelaskan Pengertian Data Mining

4              .      Menjelakan Pengertian Analitik Bisnis

1.1  Tujuan Penulisan

1.      Agar dapat mengetahui lebih jauh tentang Data Warehouse, Akusisi Data, Data Mining, Analitik Bisnis.

2.    Untuk memberikan pemahaman tentang Kecerdasan Bisnis agar dapat mengambil keputusan dalam mengolah data.

BAB II

PEMBAHASAN

2.1  Data Warehouse

Data warehouse adalah sebuah sistem yang mengambil dan menggabungkan data secara periodik dari sistem sumber data ke penyimpanan data bentuk dimensional atau normal (Rainardi, 2008). Data warehouse merupakan penyimpanan data yang berorientasi objek, terintegrasi, mempunyai variant waktu, dan menyimpan data dalam bentuk nonvolatile sebagai pendukung manejemen dalam proses pengambilan keputusan (Han, 2006). Data warehouse menyatukan dan menggabungkan data dalam bentuk multidimensi. Pembangunan data warehouse meliputi pembersihan data, penyatuan data dan transformasi data dan dapat dilihat sebagai praproses yang penting untuk digunakan dalam data mining.

Selain itu data warehouse mendukung On-line Analitycal Processing (OLAP), sebuah kakas yang digunakan untuk menganalisis secara interaktif dari bentuk multidimensi yang mempunyai data yang rinci. Sehingga dapat memfasilitasi secara efektif data generalization dan data mining. Banyak metode-metode data mining yang lain seperti asosiasi, klasifikasi, prediksi, dan clustering, dapat diintegrasikan dengan operasi OLAP untuk meningkatkan proses mining yang interaktif dari beberapa level dari abstraksi. Oleh karena itu data warehouse menjadi platform yang penting untuk data analisis dan OLAP untuk dapat menyediakan platform yang efektif untuk proses data mining.

Empat karakteristik dari data warehouse meliputi :

1.      Subject oriented : sebuah data warehouse disusun dalam subjek utama, seperti pelanggan, suplier, produk, dan sales. Meskipun data warehouse terkonsentrasi pada operasi harian dan proses transaksi dalam perusahaan, data warehouse  pada pemodelan dan analisis data untuk pembuat keputusan. Oleh karena itu data warehouse mempunyai karakter menyediakan secara singkat dan sederhana gambaran seputar subjek lebih detail yang dibuat dari data luar yang tidak berguna dalam proses pendukung keputusan.

2.      Integrated : Data warehouse biasanya dibangun dari bermacam-macam sumber yang berbeda, seperti database relasional, flat files, dan on-line transaction records. Pembersihan dan penyatuan data diterapkan untuk menjamin konsistensi dalam penamaan, struktur kode, ukuran atribut, dan yang lainnya.

3.      Time Variant : data disimpan untuk menyajikan informasi dari sudut pandang masa lampau (misal 5 – 10 tahun yang lalu). Setiap struktur kunci dalam data warehouse mempunyai elemen waktu baik secara implisit maupun eksplisit

4.      Nonvolatile : sebuah data warehouse secara fisik selalu disimpan terpisah dari data aplikasi operasional. Penyimpanan yang terpisah ini, data warehouse tidak memerlukan proses transaksi, recovery dan mekanisme pengendalian konkurensi. Biasanya hanya membutuhkan dua operasi dalam akses data yaitu initial load of data dan access of data

Dari pengertian tersebut, sebuah data warehouse merupakan penyimpanan data tetap sebagai implementasi fisik dari pendukung keputusan model data. Data warehouse juga biasanya dilihat sebagai arsitektur, pembangunan dan penyatuan data dari bermacam macam sumber data yang berbeda untuk mendukung struktur dan atau query tertentu, laporan analisis, dan pembuatan keputusan (Han, 2006).

Extract, transform, dan load (ETL) merupakan sebuah sistem yang dapat membaca data dari suatu data store, merubah bentuk data, dan menyimpan ke data store yang lain. Data store yang dibaca ETL disebut data source, sedangkan data store yang disimpan ETL disebut target. Proses pengubahan data digunakan agar data sesuai dengan format dan kriteria, atau sebagai validasi data dari source system. Proses ETL tidak hanya menyimpan data ke data warehouse, tetapi juga digunakan untuk berbagai proses pemindahan data. Kebanyakan ETL mempunya mekanisme untuk membersihkan data dari source system sebelum disimpan ke warehouse. Pembersihan data merupakan proses identifikasi dan koreksi data yang kotor. Proses pembersihan ini menerapkan aturan-aturan tertentu yang mendefinisikan data bersih.

Data Warehouse memberikan sebuah arsitektur data strategis untuk melakukan analisis pendukung keputusan Data Warehouse memungkinkan data mining, sebuah kemampuan untuk secara otomatis mensintesakan sejumlah besar informasi untuk menemukan kebenaran-kebenaran tersembunyi di dalam data.

Komponen Data Warehouse:

Komponen Data Warehouse meliputi:

Ø  Operational Data, Sumber data dari data warehouse dapat diambil langsung dari mainframe, basis data relasional seperti Oracle, Ms SQL Server dan sebagainya. Selain itu dapat melalui Operational Data Source (ODS). ODS menampung data yang diekstrak dari sistem utama atau sumber-sumeber data yang ada dan kemudian data hasil ekstrasi tersebut dibersihkan.

Ø  Load Manager, disebut sebagai komponen front-end yang bertugas melakukan seluruh operasi yang berhubungan dengan ekstrasi dan me-load data ke warehouse.

Ø  Warehouse Manager, komponen ini melakukan seluruh operasi-operasi yang berhubungan dengan kegiatan manajemen data di dalam warehouse.

Operasi-operasi tersebut meliputi:

1.      Analisis terhadap data untuk memastikan konsistensi

2.      Transformasi dan penggabungan sunber data dari tempat penyimpanan sementara menjadi tabel-tabel data warehouse

3.      Penciptaan indeks-indeks dan view berdasarkan tabel-tabel dasar

4.      Melakukan denormalisasi dan agregasi jika diperlukan

5.      Backing-Up dan pengarsipan data

Ø  Query Manager, juga disebut komponen back-end, melakukan operasi-operasi yang berhubungan dengan manajemen user queries. Operasi-operasi yang dilakukan oleh komponen ini termasuk mengarahkan query kepada tabel-tabel yang tepat dan menjadwalkan eksekusi eksekusi dari quey tersebut.

Ø  End-user Access Tools, prinsip atau tujuan utama dari dibangunnya data warehouse adalah untuk menyediakan informasi bisnis kepada user-user untuk dapat melakukan pengambilan keputusan secara cepat dan tepat. User ini dapat berinteraksi dengan DW melalui end-user access tools. DW harus secara efisien mendukung secara khusus kebutuhan user serta secara rutin melakukan analisis. Performa yang baik dapat dicapai dengan merencanakan dahulu keperluan-keperluan untuk melakukan joins, summations dan laporan-laporan per periode dengan end-users.

Terdapat 5 grup utama dari tools tersebut (Berson & Smith):

1.      Reporting and query tools

2.      Application development tools

3.      Executive information System (EIS) tools

4.      Online Analytical Processing (OLAP) tools

5.      Data mining tools

Sumber Data untuk Data Warehouse :

1.      Data operasional dalam organisasi, misalnya basis data pelanggan dan produk, dan

2.      Sumber eksternal yang diperoleh misalnya melalui Internet, basis data komersial, basis data pemasok atau pelanggan.

Petunjuk Membangun Data Warehouse :

·         Menentukan misi dan sasaran bisnis bagi pembentukan data warehouse

·         Mengidentifikasi data dari basis data operasional dan sumber lain yang diperlukan bagi data warehouse

·         Menentukan item-item data dalam perusahaan dengan melakukan standarisasi penamaan data dan maknanya

·         Merancang basis data untuk data warehouse

·         Membangun kebijakan dalam mengarsipkan data lama sehingga ruang penyimpanan tak menjadi terlalu besar dan agar pengambilan keputusan tidak menjadi terlalu lamban.

·     Menarik data produksi (operasional) dan meletakkan ke basis data milik data warehouse

2.1  Akusisi Data

Akuisisi data dalam bahasa Inggris Data Acquisition disingkat DAQ adalah proses sampling dari kondisi dunia nyata fisik dan konversi dari sampel yang dihasilkan menjadi nilai numerik digital yang dapat dimanipulasi oleh komputer. akuisisi data dan sistem akuisisi data (disingkat dengan akronim DAS) biasanya melibatkan konversi bentuk gelombang analog menjadi nilai digital untuk diproses. Komponen dari sistem akuisisi data meliputi:  Sensor yang mengkonversi parameter fisik untuk sinyal-sinyal listrik. Sirkuit pengkondisian sinyal untuk mengubah sinyal sensor menjadi bentuk yang dapat dikonversikan ke nilai digital.

Konverter analog-ke-digital, yang mengkonversi sinyal sensor dikondisikan dengan nilai-nilai digital. Aplikasi akuisisi Data dikendalikan oleh program software yang dikembangkan dengan menggunakan bahasa pemrograman berbagai tujuan umum seperti BASIC, C, Fortran, Java, Lisp, Pascal. COMEDI merupakan open source API (aplikasi Program Interface) yang digunakan oleh aplikasi untuk mengakses dan mengontrol perangkat keras akuisisi data. Menggunakan COMEDI memungkinkan program yang sama untuk berjalan pada sistem operasi yang berbeda, seperti Linux dan Windows. Perangkat lunak khusus yang digunakan untuk membangun sistem data akuisisi skala besar termasuk epik. lingkungan pemrograman grafik termasuk logika tangga, Visual C + +, Visual Basic, MATLAB dan LabVIEW.

Suatu sistem akuisisi data pada umumnya dibentuk sedemikian rupa sehingga sistem tersebut berfungsi untuk mengambil , mengumpulkan dan menyimpan data dalam bentuk siap yang siap untuk diproses lebih lanjut. Gambar 1 menunjukan diagram blok sistem akuisisi data.

2.1  Data Mining

Data mining merupakan proses untuk menggali pengetahuan dan informasi baru dari data yang berjumlah banyak pada data warehouse, dengan menggunakan kecerdasan buatan (Artificial Intelegence), statistik dan matematika. Data mining merupakan teknologi yang diharapkan dapat menjembatani komunikasi antara data dan pemakainya. 

Langkah-langkah untuk melakukan data mining adalah sebagai berikut :

1.      Data cleaning (untuk menghilangkan noise data yang tidak konsisten) Data integration (di mana sumber data yang terpecah dapat disatukan)

2.      Data selection (di mana data yang relevan dengan tugas analisis dikembalikan ke dalam database)

3.      Data transformation (di mana data berubah atau bersatu menjadi bentuk yang tepat untuk menambang dengan ringkasan performa atau operasi agresi)

4.      Data mining (proses esensial di mana metode yang intelejen digunakan untuk mengekstrak pola data)

5.      Pattern evolution (untuk mengidentifikasi pola yang benar-benar menarik yang mewakili pengetahuan berdasarkan atas beberapa tindakan yang menarik)

6.      Knowledge presentation (di mana gambaran teknik visualisasi dan pengetahuan digunakan untuk memberikan pengetahuan yang telah ditambang kpada user).

Fungsi-fungsi yang umum diterapkan dalam data mining (Haskett, 2000) :

1.      Assosiation, adalah proses untuk menemukan aturan assosiatif antara suatu kombinasi item dalam suatu waktu

2.      Sequence, proses untuk menemukan aturan assosiatif antara suatu kombinasi item dalam suatu waktu dan diterapkan lebih dari satu periode

3.      Clustering, adalah proses pengelompokan seumlah data/obyek ke dalam kelompok data sehingga setiap kelompok berisi data yang mirip

4.      Classification, proses penemuan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui.

5.      Regretion, adalah proses pemetaan data dalam suatu nilai prediksi

6.      Forecasting, adalah proses pengestimasian nilai prediksi berdasarkan pola-pola di dalam sekumpulan data.

7.      Solution, adalah proses penemuan akar masalah dan problem solving dari persoalan bisnis yang dihadapkai atau paling tidak sebagai informasi dalam pengambilan keputusan.

Beberapa solusi yang diberikan data mining antara lain :

1.      Menebak target pasar

Data mining dapat mengelompokkan (clustering) model-model pembeli dan melakukan klasifikasi terhadap setiap pembeli dan melakukan klasifikasi terhadap setiap pemebeli sesuai dengan karakteristik yang diinginkan.

2.      Melihat pola beli dari waktu ke waktu

Data mining dapat digunakan untuk melihat pola beli dari waktu ke waktu.

3.      cross-market analysis

Data mining dapat dimanfaatkan untuk melihat hubungan antara satu produk dengan produk lainnya.

4.      Profil pelanggan

Data mining bisa membantu pengguna untuk melihat profil pembeli sehingga dapat diketahui kelompok pembeli tertentu cenderung kepada suatu produk apa saja.

5.      Informasi summary

Data mining dapat membuat laporan summary yang bersifat multi dimensi dan dilengkapi dengan informasi statistik lainnya.

Arsitektur data mining

1. Database, data warehouse, atau tempat penyimpanan informasi lainnya.

2. Server database atau data warehouse.

3. Knowledge base

4. Data mining engine.

5. Pattern evolution module.

6. Graphical user interface.

Jenis data dalam data mining

1.        Relation Database : Sebuah sistem database, atau disebut juga database management system (DBMS), mengandung sekumpulan data yang saling berhubungan, dikenal sebagai sebuah database, dan satu set program perangkat lunak untuk mengatur dan mengakses data tersebut.

2.        Data Warehouse : Sebuah data warehouse merupakan sebuah ruang penyimpaan informasi yang terkumpul dari beraneka macam sumber, disimpan dalam skema yang menyatu, dan biasanya terletak pada sebuah site.

2.4 Kecerdasan Bisnis/ Analitik Bisnis

Kecerdasan bisnis (BI)  menguraikan komponen arsitektural dasar dari suatu lingkungan BI. Kecerdasan bisnis meliputi pemerolehan informasi dan data dari banyak sumber dan menggunkannya dalam pengambilan keputusan.

Penilaian BI:

1.        Analisis kebutuhan bisnis

Menganalisa tujuan dan sasaran bisnis dan strategi mendasar

2.      Analisis organisasional

Menganalisa bisnis yang ada san struktur organisasi yang ada, budaya organisasi

3.      Analisis teknis/metodolog

Menganalisa apakah metodologi pengembangan dan infrastruktur teknis yang sesuai sudah pada tempatnya.

Keuntungannya adalah :

·         Organisasi dapat memonitor secara sistematik aktifitas-aktifitas pada setiap proses pada bisnis prosesnya.

·         Organisasi dapat dengan mudah menemukan kesalahan dalam proses dan memperbaikinya secepat mungkin.

·         Organisasi dapat memahami proses setiap perubahan input menjadi output pada bisnis prosesnya.

·         Organisasi mampu melakukan pengukuran pada setiap perubahan pada kondisi perusahaan.

·         Organisasi dapat memahami setiap proses dan metode dari proses yang benar.

Suatu proses bisnis adalah “satu rangkaian aktivitas yang diharapakan untuk memenuhi tujuan strategis dari suatu organisasi.”

·         Operating Events adalah suatu aktivitas operasi yang dilaksanakan di dalam proses bisnis untuk menyediakan barang dan jasa untuk konsumen.

·         Information Events termasuk tiga aktivitas : merekam data tentang kejadian operasi, pemeliharaan data referensi yang penting untuk organisasi, dan melaporkan informasi yang dibutuhkan untuk manajemen dan pengambil keputusan yang lain.

·         Decision/Management Events adalah aktivitas dimana manajemen dan orang lain membuat keputusan tentang perencanaan, pengawasan dan evaluasi proses bisnis.

BAB III

PENUTUP

3.1  KESIMPULAN

1. Data warehouse merupakan penyimpanan data yang berorientasi objek, terintegrasi, mempunyai variant waktu, dan menyimpan data dalam bentuk nonvolatile sebagai pendukung manejemen dalam proses pengambilan keputusan .
2. Akuisisi data dan sistem akuisisi data (disingkat dengan akronim DAS) biasanya melibatkan konversi bentuk gelombang analog menjadi nilai digital untuk diproses.
3. Data mining merupakan proses untuk menggali pengetahuan dan informasi baru dari data yang berjumlah banyak pada data warehouse, dengan menggunakan kecerdasan buatan (Artificial Intelegence), statistik dan matematika. Data mining merupakan teknologi yang diharapkan dapat menjembatani komunikasi antara data dan pemakainya.
4. Kecerdasan bisnis meliputi pemerolehan informasi dan data dari banyak sumber dan menggunkannya dalam pengambilan keputusan.

DAFTAR PUSTAKA

http://www.coca-cola.com/index-b.html

http://www.cokecce.com/srclib/index.html

http://www2.marksandspencer.com/thecompany/

http://www.marksandspencer.com/

http://www.boeing.com/

http://www.gm.com/

http://www.nabiscoworld.com/default.aspx

Tan, Steinbach, Kumar, “Introduction to Data Mining”

http://en.wikipedia.org/wiki/Data_mining