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

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

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

A. Sifat dan Sumber Data

            Untuk memahami situasi, seorang pengambil keputusan membutuhkan data, informasi dan pengetahuan. Pengambil keputusan harus mampu menerapkan piranti analisis(OLAP, data mining, dsb) sehingga data, informasi dan pengetahuan dapat digunakan untuk mendapatkan manfaat.

Berikut ini adalah cara umum untuk melihat ketiganya:

• Data, item-item mengenai sesuatu, kejadian, aktivitas dan transaksi yang direkam, diklasifikasikan, dan disimpan namun tidak diorganisasi untuk menyampaikan semua makna spesifik. Item data dapat numerik, alphanumerik, gambar, suara, atau image.
• Informasi, data yang telah diorganisasi dalam sebuah cara yang membuat mereka bermakna bagi penerima
• Pengetahuan, pengetahuan terdiri dari item data dan atau informasi yang diorganisasi dan diproses untuk menyampaikan pemahaman, pengalaman, pembelajaran akumulatif, dan keahlian yang dapat diaplikasikan pada sebuah masalah.

Data pada MSS menggunakan data rangkuman atau ekstraksi yang berasal dari sumber-sumber utama:internal,eksternal dan personal.

B. Pengumpulan data, Masalah & Kualitas

Metode pengumpulan data mentah bisa menggunakan cara:

• Manual

Contoh: time study (selama observasi), survey (menggunakan kuisioner), observasi (dengan menggunakan kamera video), meminta pendapat pakar (dengan wawancara)

• Instrumen & Sensor

Digunakan untuk membantu metode manual

Berikut ini adalah maslah-masalah data:

Masalah	Penyebab tipikal	Solusi yang Mungkin
Data tidak benar	·     Data tidak dihasilkan dengan hati-hati. ·     Data mentah dimasukkan dengan tidak akurat. ·     Data dirusak	·      Mengembangkan sebuah cara yang sistematis untuk memasukkan data. ·      Otomatisasi entri data ·      Memperkenalkan kontrol kualitas pada saat data dihasilkan
Data tidak tepat waktu	·     Metode untuk menghasilkan data tidak cukup cepat untuk memenuhi kebutuhan akan data	·     Modifikasi sistem untuk menghasilkan data ·     Mrnggunakan web untuk menghasilkan data yang fresh
Data tidak diukur atau diindeks dengan tepat	·     Data mentah dikumpulkan secara tidak konsisten dengan tujuan analisis ·     Menggunakan model-model yang kompleks	·     Mengembangkan sebuah sistem untuk menskala ulang atau menggabungkan kembali data berindeksyang tidak benar. ·     Menggunakan DW ·     Mengembangkan model-model yang sederhana
Data yang diperlukan tidak ada	·   Tidak pernah seorangpun menyimpan data yang diperlukan sekarang ·   Data yang diperlukan tidak pernah ada	·     Memprediksi data apa yang diperlukan untuk masa yang akan datang ·     Menggunakan DW

C. Database dan Manajemen Database

DBMS didesain untuk sebagai suplemen yang mengijinkan kita dalam mengintegrasikan data dalam skala yang lebih besar, struktur file yang lebih komplek, pengambilan, pengubahan dan penampilan data secra cepat dan keamanan data yang lebih baik dari sekedar database biasa.

Relasi diantara berbagai record individu yang tersimpan dalam database dinyatakan dengan beberapa struktur logis. DBMS didesain dengan menggunakan beberapa struktur logis untuk melaksanakan fungsinya. Ketiga struktur konvensional:

1. Database Relasional

Beberapa file data ”direlasikan” dengan sebuah field data pada umumnya pada 2 atau lebih file data. Nama field harus dieja dengan dengan tepat sama.

2. Database Hierarkis

Menyusun item data dalam gaya top-down, membuat hubungan logis antara item2 data terkait. Seperti struktur organisasi

3. Database jaringan

Mengijinkan link yang kompleks, termasuk koneksi rumit diantara item-item yang berelasi.

D. Data Warehouse

Karakteristik DW:

1. Berorietasi subjek
2. Terintegrasi
3. Rentang waktu
4. Non Volatile
5. Ringkas
6. Tidak ternormalisasi
7. Data dari berbagai sumber
8. Memiliki Metadata

Komponen DW:

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

E. 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.

F. Data Mining

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.

G. SIG

SIG adalah sistem berbasis computer untuk menangkap, menyimpan, mengintegrasikannya, memanipulasidan mendisplay data denganpeta digital.

SIG untuk pendukung keputusan:

·         Digunakan untuk menentukan lokasi ATM

·         Digunakan untuk tata kota