126

BAB 4
MODEL YANG DIUSULKAN
4.1. Arsitektur Data Mining yang Diusulkan
Data operasional yang berhubungan dengan pembuatan laporan bagi pihak
eksekutif diambil dan ditampung ke dalam media penyimpanan yang besar. Di
dalam penampungan ini, dilakukan transformasi data agar data berada dalam
bentuk yang terintegrasi dan konsisten. Arsitektur Data Warehouse yang
digunakan adalah Data Warehouse terpusat.
Selanjutnya Data Mining dibuat dari Data Warehouse untuk menghasilkan
laporan yang sifatnya prediktif dan klasifikasi. Data Warehouse dan Data Mining
dibuat menggunakan Analysis Service yang disediakan oleh Microsoft SQL Server
2005. Laporan yang dihasilkan dari Data Mining ditampilkan melalui web
application agar dapat diakses dengan mudah oleh user.










Gambar 4.1. Arsitektur Data Mining yang Diusulkan
Application
127
Komponenkomponen yang digunakan untuk mendukung pembuatan Data
Mining ini adalah :
1. Application
Aplikasi yang digunakan adalah aplikasi yang dimiliki perusahaan saat ini.
2. Data Operasional
Data operasional yang digunakan adalah data operasional yang berhubungan
dengan penjualan.
3. Extract, Transform, dan Load
Dilakukan pengambilan dan transformasi data operasional yang berhubungan
dengan penjualan yang dibutuhkan untuk tahap selanjutnya.
4. Data Warehouse
Hasil transformasi dari data operasional perusahaan ditampung ke dalam Data
Warehouse. Data dalam data warehouse sudah menjadi data yang terintegrasi
dan tidak error.
5. Data Mining
Data Mining dibuat dari data warehouse yang telah dibuat dengan
menggunakan 7 algoritma dalam data mining, yaitu : Time Series, Decision
Tree, Nave Bayes, Neural Network, Logistic Regression, Clustering, dan
Association Rules. Algoritma-algoritma tersebut digunakan untuk membuat
model data mining dalam mendukung analisis yang dibutuhkan oleh para
eksekutif pemasaran.
6. Analysis Service
Analysis Service digunakan untuk mendukung pembuatan data warehouse dan
data mining.
128
7. Web Application
Model yang dihasilkan dari data mining ditampilkan ke dalam aplikasi Web
dengan menggunakan ASP.Net.
8. User
User yang menggunakan laporan yang dihasilkan dari data mining untuk
keperluan analisis adalah eksekutif pemasaran.

4.2. Tahapan dalam Proses Data Mining
1. Data Collection
Langkah pertama dalam proses data mining adalah mengambil data
yang diperlukan dan menyimpannya ke dalam suatu database atau data
warehouse di mana analisis data akan dilakukan. Karena perusahaan telah
memiliki data warehouse, maka data yang digunakan adalah data yang ada di
dalam data warehouse perusahaan.
2. Data Cleaning dan Transformation
Pada tahap kedua ini, dipilih informasi yang ada di dalam data
warehouse yang berhubungan dan akan digunakan dalam pembuatan model
data mining, yang dapat berguna bagi perusahaan, yang sebelumnya tidak
diketahui perusahaan. Karena model data mining dibuat dengan cara
mempelajari data perusahaan yang ada dan menemukan pola yang
tersembunyi, tanpa adanya penambahan data baru ke dalam data warehouse,
maka pemilihan data ini dapat dilakukan dengan cara membuat view dari data
warehouse, yang berisi data-data yang akan digunakan.
129
Untuk membuat view data, terlebih dahulu dilakukan koneksi ke server
yang ada pada Microsoft SQL Server Management Studio. Setelah terhubung
dengan server, pilih nama database tempat data yang akan digunakan dalam
pembuatan model data mining disimpan. Kemudian, klik kanan View, dan
pilih New View. Setelah itu, akan muncul window Add Table. Pada window
ini, pilih table yang akan dibuat view-nya kemudian klik button Add. Untuk
menutup window ini, klik Close. Kita juga dapat membuat View dari View
yang ada dengan cara klik tab View. Setelah itu, pilih view yang dibutuhkan.
Kemudian, pilih field-field apa saja dari tabel yang akan ditampilkan
dalam view. Pada saat memilih field-field view, kita juga dapat melakukan
transformasi data dengan mengubah data yang ditampilkan di view, misalnya
dengan cara :
Menampilkan data dari dua field dalam satu field di view. Berikut adalah
contoh cara penulisannya dalam SQL :
SELECT (dbo.DimRegion.BranchName + -- +
dbo.DimRegion.AreaName) AS BranchArea FROM dbo.FactSales INNER
JOIN dbo.DimRegion ON dbo.FactSales.BranchKey =
dbo.DimRegion.BranchKey.
Mengelompokkan beberapa data dalam suatu field ke dalam satu kategori,
dan kategori inilah yang ditampilkan view. Hal ini dapat dilakukan dengan
menggunakan SQL (case when ... then ... else ... end). Berikut adalah contoh
penerapannya :
130
SELECT (CASE WHEN dbo.DimScoringStatus.ScoringStatusName =
'Rejected' THEN dbo.DimScoringStatus.ScoringStatusName ELSE
'Approved' END) AS ScoringStatus FROM dbo.FactSales INNER JOIN
dbo.DimScoringStatus ON dbo.FactSales.ScoringStatusKey =
dbo.DimScoringStatus.ScoringStatusKey.
Menggunakan function aggregation seperti SUM, COUNT, MAX, MIN, dan
yang lainnya untuk mendapatkan informasi yang dibutuhkan. Berikut
adalah contoh penerapannya :
SELECT BranchArea, SUM(NoOfAgreement) AS NoOfAgreement FROM
dbo.ViewFactSales WHERE (FinanceTypeName = 'Financial Lease')
GROUP BY BranchArea.
Setelah memilih field, beri nama view dan simpan dalam database.
Berikut ini adalah view-view yang dibuat untuk menghasilkan laporan-laporan
untuk mendukung analisis pemasaran oleh manager pemasaran perusahaan :
ViewFactSales
ViewFactSales merupakan view yang dibuat dari tabel FactSales dan
dimensinya. ViewFactSales merupakan view ringkasan dari tabel FactSales
yang berisi informasi-informasi yang ada pada FactSales dan dimensinya.
ViewFactSales dibuat untuk mendukung analisis pemasaran dari informasi-
informasi penjualan perusahaan yang disimpan dalam tabel FactSales.
Berikut ini adalah SQL pembuatan ViewFactSales :
SELECT dbo.FactSales.CustomerKey, dbo.FactSales.ProductKey,
dbo.FactSales.StandardRate, dbo.FactSales.GYSxNTF,
131
dbo.FactSales.GYxNTF, dbo.FactSales.[TotalUnitPrice (Rp Base)],
dbo.FactSales.[InstallmentAmount (Rp Base)],
dbo.FactSales.[DownPaymentAmount (Rp Base)], dbo.FactSales.ERxNTF,
dbo.FactSales.SRxNTF, dbo.DimDownPayment.DownPaymentDetail,
dbo.DimNPWPStatus.NPWPStatusDescription,
dbo.DimApplicationSource.ApplicationSourceName,
dbo.DimTenor.TahunTenor, dbo.DimResidence.Dati1,
dbo.DimResidence.Dati2, dbo.DimResidence.Kecamatan,
dbo.DimInsuredBy.InsuredByName,
dbo.DimInstallmentPeriod.InstallmentPeriodName,
dbo.DimYearOfBusiness.YearOfBusinessGroup, dbo.DimAge.AgeGroup,
dbo.FactSales.NoOfAgreement, dbo.FactSales.GYDxNTF,
dbo.FactSales.[AdminFee (Rp Base)] + dbo.FactSales.[FiduciaFee (Rp
Base)] + dbo.FactSales.[ProvisionFee (Rp Base)] +
dbo.FactSales.[NotaryFee (Rp Base)] + dbo.FactSales.[OtherFee (Rp
Base)] AS Expense, dbo.FactSales.[InsurancePremiumAmount (Rp Base)],
dbo.FactSales.[InsuranceCapitalizedAmount (Rp Base)],
dbo.FactSales.[CommissionAmount (Rp Base)],
dbo.FactSales.[SubsidyAmount (Rp Base)],
dbo.DimAssetType.AssetTypeName,
dbo.DimInsurancePaidBy.InsurancePaidByName,
dbo.DimRegion.BranchName + ' -- ' + dbo.DimRegion.AreaName AS
BranchArea, dbo.DimNTFRange.NTFRangeGroup,
dbo.DimInsuranceCoverage.CoverageTypeName, (CASE WHEN
132
dbo.DimCustomerType.ProfessionName = 'Not Applicable' THEN
dbo.DimCustomerType.CustomerCategoryName ELSE
dbo.DimCustomerType.CustomerCategoryName + ' -- ' +
dbo.DimCustomerType.ProfessionName END) AS CustomerType,
dbo.DimScoringStatus.ScoringStatusName, dbo.DimTime.CalendarYear,
dbo.DimTime.CalendarYear * 100 + dbo.DimTime.NumberofMonth AS
Time, dbo.DimMethodOfPayment.MethodTypeName,
dbo.DimGuarantor.StatusName AS StatusGuarantor,
dbo.DimProduct.ProductName,
dbo.DimInstallmentType.InstallmentTypeName,
dbo.DimFirstInstallment.FirstInstallmentName,
dbo.DimInterestType.InterestTypeName + ' -- ' +
dbo.DimInterestType.ReviewPeriodName AS InterestType, (CASE WHEN
dbo.DimIndustryType.EconomySectorName = 'Lain-Lain' OR
dbo.DimIndustryType.EconomySectorName = 'Other' THEN
dbo.DimIndustryType.IndustryTypeName ELSE
dbo.DimIndustryType.IndustryTypeName + ' -- ' +
dbo.DimIndustryType.EconomySectorName END) AS IndustryType,
dbo.DimRelatedStatus.RelatedStatusName,
dbo.DimFinanceType.ProductTypeName + ' -- ' +
dbo.DimFinanceType.FinanceTypeName AS ProductFinance, (CASE
WHEN dbo.DimCustomer.GroupName =
dbo.DimCustomer.CustomerName THEN
dbo.DimCustomer.CustomerName ELSE
133
dbo.DimCustomer.CustomerName + ' -- Group ' +
dbo.DimCustomer.GroupName END) AS CustomerName,
dbo.DimInsuranceCompany.InsuranceCompanyName,
dbo.DimInsurancePeriod.InsurancePeriodName,
dbo.DimFinanceType.FinanceTypeName, dbo.DimTime.FullDate,
dbo.DimRegion.SupervisorName, dbo.DimRegion.MOName,
dbo.FactSales.SupplierKey, dbo.DimSupplier.SupplierName,
dbo.DimSupplier.SupplierGroupDescription + ' -- ' +
dbo.DimSupplier.SupplierCategoryDescription AS GroupCategory,
dbo.DimCustomerType.CustomerTypeName,
dbo.FactSales.[InterestAmount (Rp Base)], dbo.FactSales.[NTF (Rp
Base)], dbo.DimCustomer.CustomerID, dbo.DimCustomer.GroupID,
dbo.DimCustomer.AgreementNo, dbo.DimSupplier.SupplierID,
dbo.DimSupplier.SupplierCategoryDescription + ' -- ' +
dbo.DimSupplier.SupplierGroupDescription AS SupplierCategoryGroup,
dbo.FactSales.NoOfAsset, (CASE WHEN
dbo.DimYearOfBusiness.YearOfBusinessGroup = 'Other' THEN
dbo.DimAge.AgeGroup ELSE
dbo.DimYearOfBusiness.YearOfBusinessGroup END) AS Age, (CASE
WHEN dbo.DimScoringStatus.ScoringStatusName = 'Rejected' THEN
dbo.DimScoringStatus.ScoringStatusName ELSE 'Approved' END) AS
ScoringStatus FROM dbo.FactSales INNER JOIN dbo.DimNPWPStatus
ON dbo.FactSales.NPWPStatusKey =
dbo.DimNPWPStatus.NPWPStatusKey INNER JOIN
134
dbo.DimDownPayment ON dbo.FactSales.DownPaymentKey =
dbo.DimDownPayment.DownPaymentKey INNER JOIN
dbo.DimApplicationSource ON dbo.FactSales.ApplicationSourceKey =
dbo.DimApplicationSource.ApplicationSourceKey INNER JOIN
dbo.DimTenor ON dbo.FactSales.TenorKey = dbo.DimTenor.TenorKey
INNER JOIN dbo.DimResidence ON dbo.FactSales.ResidenceKey =
dbo.DimResidence.ResidenceKey INNER JOIN dbo.DimInsuredBy ON
dbo.FactSales.InsuredByKey = dbo.DimInsuredBy.InsuredByKey INNER
JOIN dbo.DimInstallmentPeriod ON dbo.FactSales.InstallmentPeriodKey
= dbo.DimInstallmentPeriod.InstallmentPeriodKey INNER JOIN
dbo.DimYearOfBusiness ON dbo.FactSales.YearOfBusinessKey =
dbo.DimYearOfBusiness.YearOfBusinessKey INNER JOIN dbo.DimAge
ON dbo.FactSales.AgeKey = dbo.DimAge.AgeKey INNER JOIN
dbo.DimAssetType ON dbo.FactSales.AssetTypeKey =
dbo.DimAssetType.AssetTypeKey INNER JOIN dbo.DimInsurancePaidBy
ON dbo.FactSales.InsurancePaidByKey =
dbo.DimInsurancePaidBy.InsurancePaidByKey INNER JOIN
dbo.DimRegion ON dbo.FactSales.BranchKey =
dbo.DimRegion.BranchKey INNER JOIN dbo.DimNTFRange ON
dbo.FactSales.NTFRangeKey = dbo.DimNTFRange.NTFRangeKey INNER
JOIN dbo.DimInsuranceCoverage ON
dbo.FactSales.InsuranceCoverageKey =
dbo.DimInsuranceCoverage.InsuranceCoverageKey INNER JOIN
dbo.DimCustomerType ON dbo.FactSales.CustomerTypeKey =
135
dbo.DimCustomerType.CustomerTypeKey INNER JOIN
dbo.DimScoringStatus ON dbo.FactSales.ScoringStatusKey =
dbo.DimScoringStatus.ScoringStatusKey INNER JOIN dbo.DimTime ON
dbo.FactSales.TimeKey = dbo.DimTime.TimeKey INNER JOIN
dbo.DimMethodOfPayment ON dbo.FactSales.WayOfPaymentKey =
dbo.DimMethodOfPayment.WayOfPaymentKey INNER JOIN
dbo.DimGuarantor ON dbo.FactSales.GuarantorKey =
dbo.DimGuarantor.GuarantorKey INNER JOIN dbo.DimProduct ON
dbo.FactSales.ProductKey = dbo.DimProduct.ProductKey INNER JOIN
dbo.DimInstallmentType ON dbo.FactSales.InstallmentTypeKey =
dbo.DimInstallmentType.InstallmentTypeKey INNER JOIN
dbo.DimFirstInstallment ON dbo.FactSales.FirstInstallmentKey =
dbo.DimFirstInstallment.FirstInstallmentKey INNER JOIN
dbo.DimInterestType ON dbo.FactSales.InterestTypeKey =
dbo.DimInterestType.InterestTypeKey INNER JOIN dbo.DimIndustryType
ON dbo.FactSales.IndustryTypeKey =
dbo.DimIndustryType.IndustryTypeKey INNER JOIN
dbo.DimRelatedStatus ON dbo.FactSales.RelatedStatusKey =
dbo.DimRelatedStatus.RelatedStatusKey INNER JOIN
dbo.DimFinanceType ON dbo.FactSales.FinanceTypeKey =
dbo.DimFinanceType.FinanceTypeKey INNER JOIN dbo.DimCustomer
ON dbo.FactSales.CustomerKey = dbo.DimCustomer.CustomerKey
INNER JOIN dbo.DimInsuranceCompany ON
dbo.FactSales.InsuranceCompanyKey =
136
dbo.DimInsuranceCompany.InsuranceCompanyKey INNER JOIN
dbo.DimInsurancePeriod ON dbo.FactSales.InsurancePeriodKey =
dbo.DimInsurancePeriod.InsurancePeriodKey INNER JOIN
dbo.DimSupplier ON dbo.FactSales.SupplierKey =
dbo.DimSupplier.SupplierKey
ViewNTFBranchFinanceLease
ViewNTFBranchFinanceLease merupakan view yang dibuat dari view
ViewFactSales. ViewNTFBranchFinanceLease berisi informasi mengenai
jumlah uang yang dipinjamkan oleh perusahaan dan jumlah agreement tiap
cabang perusahaan untuk Finance Lease. ViewNTFBranchFinanceLease
dibuat untuk mendukung analisis Time Series jumlah uang yang
dipinjamkan oleh perusahaan dan jumlah agreement tiap cabang
perusahaan untuk Finance Lease. Berikut ini adalah SQL pembuatan
ViewNTFBranchFinanceLease :
SELECT SUM([NTF (Rp Base)]) AS [NTF (Rp Base)], BranchArea,
SUM(NoOfAgreement) AS NoOfAgreement, FullDate FROM
dbo.ViewFactSales WHERE (FinanceTypeName = 'Financial Lease')
GROUP BY BranchArea, FullDate
ViewNTFBranchConsumerFinance
ViewNTFBranchConsumerFinance merupakan view yang dibuat dari view
ViewFactSales. ViewNTFBranchConsumerFinance berisi informasi
mengenai jumlah penjualan perusahaan dan jumlah agreement tiap cabang
perusahaan untuk Consumer Finance. ViewNTFBranchConsumerFinance
137
dibuat untuk mendukung analisis Time Series jumlah uang yang
dipinjamkan oleh perusahaan dan jumlah agreement tiap cabang
perusahaan untuk Consumer Finance. Berikut ini adalah SQL pembuatan
ViewNTFBranchConsumerFinance :
SELECT SUM([NTF (Rp Base)]) AS [NTF (Rp Base)], BranchArea,
SUM(NoOfAgreement) AS NoOfAgreement, FullDate FROM
dbo.ViewFactSales WHERE (FinanceTypeName = 'Consumer Finance')
GROUP BY BranchArea, FullDate
ViewFactGeneralAgingDT
ViewFactGeneralAgingDT merupakan view yang dibuat dari tabel
FactGeneralAging dan dimensinya. ViewFactGeneralAgingDT berisi
informasi-informasi yang ada pada FactGeneralAging dan dimensinya.
ViewFactGeneralAgingDT dibuat untuk mendukung analisis pemasaran
dari informasi-informasi mengenai customer dan piutang customer
perusahaan yang disimpan dalam tabel FactGeneralAging sehingga
membantu perusahaan dalam menolak customer yang memiliki
kecenderungan tunggak. Berikut ini adalah SQL pembuatan
ViewFactGeneralAgingDT :
SELECT dbo.DimRegion.BranchName + ' -- ' +
dbo.DimRegion.AreaName AS BranchArea,
dbo.DimFinanceType.ProductTypeName + ' -- ' +
dbo.DimFinanceType.FinanceTypeName AS ProductFinance,
dbo.DimOverdueDays.OverdueGroup, (CASE WHEN
dbo.DimCustomerType.ProfessionName = 'Not Applicable' THEN
138
dbo.DimCustomerType.CustomerCategoryName ELSE
dbo.DimCustomerType.CustomerCategoryName + ' -- ' +
dbo.DimCustomerType.ProfessionName END) AS CustomerType,
dbo.DimAssetType.AssetTypeName,
dbo.DimDefaultStatus.DefaultStatusDescription,
dbo.DimOverdueDays.OverdueDaysKey,
dbo.FactGeneralAging.BranchKey,
dbo.FactGeneralAging.FinanceTypeKey,
dbo.FactGeneralAging.CustomerTypeKey,
dbo.FactGeneralAging.DefaultStatusKey,
dbo.FactGeneralAging.ResidenceKey,
dbo.DimFinanceType.FinanceTypeName,
dbo.DimCustomerType.CustomerTypeName,
dbo.FactGeneralAging.NoOfAgreement,
dbo.FactGeneralAging.NumberOfAgreementOverdue,
dbo.DimTime.FullDate, dbo.DimCustomer.CustomerID,
dbo.FactGeneralAging.CustomerKey, dbo.DimCustomer.AgreementNo
FROM dbo.FactGeneralAging INNER JOIN dbo.DimOverdueDays ON
dbo.FactGeneralAging.OverDueDaysKey =
dbo.DimOverdueDays.OverdueDaysKey INNER JOIN
dbo.DimFinanceType ON dbo.FactGeneralAging.FinanceTypeKey =
dbo.DimFinanceType.FinanceTypeKey INNER JOIN
dbo.DimCustomerType ON dbo.FactGeneralAging.CustomerTypeKey =
dbo.DimCustomerType.CustomerTypeKey INNER JOIN dbo.DimAssetType
139
ON dbo.FactGeneralAging.AssetTypeKey =
dbo.DimAssetType.AssetTypeKey INNER JOIN
dbo.DimRegion ON dbo.FactGeneralAging.BranchKey =
dbo.DimRegion.BranchKey INNER JOIN dbo.DimDefaultStatus ON
dbo.FactGeneralAging.DefaultStatusKey =
dbo.DimDefaultStatus.DefaultStatusKey INNER JOIN dbo.DimCustomer
ON dbo.FactGeneralAging.CustomerKey =
dbo.DimCustomer.CustomerKey INNER JOIN dbo.DimTime ON
dbo.FactGeneralAging.TimeKey = dbo.DimTime.TimeKey
ViewAgreementConsumerFinance
ViewAgreementConsumerFinance merupakan view yang dibuat dari view
ViewFactGeneralAgingDT. ViewAgreementConsumerFinance berisi
informasi mengenai perbandingan jumlah agreement yang tunggak di tiap
cabang perusahaan dengan jumlah agreement yang terjadi di tiap cabang
untuk Consumer Finance. ViewAgreementConsumerFinance dibuat untuk
mendukung analisis Time Series perbandingan jumlah agreement yang
tunggak di tiap cabang perusahaan dengan jumlah agreement yang terjadi
di tiap cabang untuk Consumer Finance. Berikut ini adalah SQL pembuatan
ViewAgreementConsumerFinance :
SELECT BranchArea, FullDate, SUM(NoOfAgreement) AS
NoOfAgreement, SUM(NumberOfAgreementOverdue) AS
NumberOfAgreementOverdue, CAST(SUM(NumberOfAgreementOverdue)
AS float) / CAST(SUM(NoOfAgreement) AS float) AS OverdueByAccount
140
FROM dbo.ViewFactGeneralAgingDT WHERE (FinanceTypeName =
'Consumer Finance') GROUP BY BranchArea, FullDate
ViewAgreementFinanceLease
ViewAgreementFinanceLease merupakan view yang dibuat dari view
ViewFactGeneralAgingDT. ViewAgreementFinanceLease berisi informasi
mengenai perbandingan jumlah agreement yang tunggak di tiap cabang
perusahaan dengan jumlah agreement yang terjadi di tiap cabang untuk
Finance Lease. ViewAgreementFinanceLease dibuat untuk mendukung
analisis Time Series perbandingan jumlah agreement yang tunggak di tiap
cabang perusahaan dengan jumlah agreement yang terjadi di tiap cabang
untuk Finance Lease. Berikut ini adalah SQL pembuatan
ViewAgreementFinanceLease :
SELECT BranchArea, FullDate, SUM(NoOfAgreement) AS
NoOfAgreement, SUM(NumberOfAgreementOverdue) AS
NumberOfAgreementOverdue, CAST(SUM(NumberOfAgreementOverdue)
AS float) / CAST(SUM(NoOfAgreement) AS float) AS OverdueByAccount
FROM dbo.ViewFactGeneralAgingDT WHERE (FinanceTypeName =
'Financial Lease') GROUP BY BranchArea, FullDate
ViewFactIncomeTypeTS
ViewFactIncomeTypeTS merupakan view yang dibuat dari tabel
FactIncome dan dimensinya. ViewFactIncomeTypeTS berisi informasi-
informasi mengenai jumlah pendapatan perusahaan berdasarkan jenis
pendapatan perusahaan. ViewFactIncomeTypeTS dibuat untuk mendukung
141
analisis Time Series pendapatan perusahaan. Berikut ini adalah SQL
pembuatan ViewFactIncomeTypeTS :
SELECT dbo.DimTime.FullDate, dbo.DimIncomeType.IncomeTypeName,
SUM(dbo.FactIncome.[Amount (Rp Base)]) AS [Amount (Rp Base)] FROM
dbo.FactIncome INNER JOIN dbo.DimTime ON dbo.FactIncome.TimeKey
= dbo.DimTime.TimeKey INNER JOIN dbo.DimIncomeType ON
dbo.FactIncome.IncomeTypeKey = dbo.DimIncomeType.IncomeTypeKey
GROUP BY dbo.DimTime.FullDate,
dbo.DimIncomeType.IncomeTypeName
ViewFactCOABase
ViewFactCOABase merupakan view yang dibuat dari tabel FactCOABase
dan dimensinya. ViewFactCOABase berisi informasi-informasi mengenai
jumlah pengeluaran perusahaan berdasarkan jenis pengeluarannya.
ViewFactCOABase dibuat untuk mendukung analisis Time Series
pengeluaran perusahaan. Berikut ini adalah SQL pembuatan
ViewFactCOABase :
SELECT dbo.DimExpenseType.ExpenseTypeName,
dbo.DimTime.FullDate, ISNULL(dbo.FactCOABase.ProportionalExpense,
0) AS ProportionalExpense FROM dbo.FactCOABase INNER JOIN
dbo.DimExpenseType ON dbo.FactCOABase.ExpenseTypeKey =
dbo.DimExpenseType.ExpenseTypeKey INNER JOIN dbo.DimTime ON
dbo.FactCOABase.TimeKey = dbo.DimTime.TimeKey

142
ViewAssoAssetCode
ViewAssoAssetCode merupakan view yang dibuat dari tabel
FactAssetCode dan dimensinya. ViewAssoAssetCode berisi informasi-
informasi mengenai aset yang di-leasing customer, seperti merk aset,
kategori aset, dan model aset. ViewAssoAssetCode dibuat untuk
mendukung analisis cross-selling aset. Berikut ini adalah SQL pembuatan
ViewAssoAssetCode :
SELECT DISTINCT dbo.DimSupplier.SupplierID,
dbo.DimCategory.CategoryName, dbo.DimBrand.Brand, (CASE WHEN
dbo.DimBrand.Model = '-' THEN dbo.DimBrand.Type ELSE
dbo.DimBrand.Model END) AS BrandModel, (CASE WHEN
dbo.DimCustomerType.CustomerTypeName = 'Company' THEN
dbo.DimCustomerType.CustomerCategoryName ELSE
dbo.DimCustomerType.ProfessionName + ' -- ' +
dbo.DimCustomerType.CustomerCategoryName END) AS CustomerType,
dbo.DimTime.CalendarYear * 100 + dbo.DimTime.NumberofMonth AS
Time FROM dbo.FactAssetCode INNER JOIN dbo.DimSupplier ON
dbo.FactAssetCode.SupplierKey = dbo.DimSupplier.SupplierKey INNER
JOIN dbo.DimCategory ON dbo.FactAssetCode.CategoryKey =
dbo.DimCategory.CategoryKey INNER JOIN dbo.DimBrand ON
dbo.FactAssetCode.BrandKey = dbo.DimBrand.BrandKey INNER JOIN
dbo.DimCustomerType ON dbo.FactAssetCode.CustomerTypeKey =
dbo.DimCustomerType.CustomerTypeKey INNER JOIN dbo.DimTime ON
dbo.FactAssetCode.TimeKey = dbo.DimTime.TimeKey
143
ViewClusterCompany
ViewClusterCompany merupakan view yang dibuat dari view
ViewFactSales. ViewClusterCompany berisi informasi mengenai transaksi-
transaksi yang dilakukan oleh perusahaan customer. ViewClusterCompany
dibuat untuk mendukung analisis customer berdasarkan transaksi yang
dilakukan. Berikut ini adalah SQL pembuatan ViewClusterCompany :
SELECT DISTINCT FinanceTypeName, ProductFinance, IndustryType,
FirstInstallmentName, InstallmentTypeName, ProductName,
MethodTypeName, CustomerType, AssetTypeName,
InstallmentPeriodName, StatusGuarantor, ScoringStatusName,
YearOfBusinessGroup, ApplicationSourceName, NPWPStatusDescription,
DownPaymentDetail, CustomerID, NoOfAsset, Dati1,
SupplierCategoryGroup FROM dbo.ViewFactSales WHERE
(CustomerTypeName = 'company')
ViewClusterPersonal
ViewClusterPersonal merupakan view yang dibuat dari view
ViewFactSales. ViewClusterPersonal berisi informasi mengenai transaksi-
transaksi yang dilakukan oleh customer yang berupa perorangan.
ViewClusterPersonal dibuat untuk mendukung analisis customer
berdasarkan transaksi yang dilakukan. Berikut ini adalah SQL pembuatan
ViewClusterPersonal :
SELECT DISTINCT FinanceTypeName, ProductFinance, IndustryType,
FirstInstallmentName, InstallmentTypeName, ProductName,
144
MethodTypeName, CustomerType, AssetTypeName,
InstallmentPeriodName, ScoringStatusName, ApplicationSourceName,
NPWPStatusDescription, DownPaymentDetail, CustomerID, NoOfAsset,
AgeGroup, Dati1, SupplierCategoryGroup, StatusGuarantor FROM
dbo.ViewFactSales WHERE (CustomerTypeName = 'personal')
ViewClusterSupplier
ViewClusterSupplier merupakan view yang dibuat dari view
ViewFactSales. ViewClusterSupplier berisi informasi mengenai transaksi-
transaksi yang bersumber dari dealer. ViewClusterSupplier dibuat untuk
mendukung analisis dealer berdasarkan transaksi yang terjadi. Berikut ini
adalah SQL pembuatan ViewClusterSupplier :
SELECT DISTINCT GroupCategory, FinanceTypeName, ProductFinance,
IndustryType, ProductName, MethodTypeName, CustomerType,
AssetTypeName, InterestType, ScoringStatusName,
ApplicationSourceName, DownPaymentDetail, [InterestAmount (Rp
Base)], [InstallmentAmount (Rp Base)], SupplierID,
SupplierCategoryGroup, SUM([InterestAmount (Rp Base)]) / SUM([NTF
(Rp Base)]) * 100 AS [Interest in Persen], NTFRangeGroup,
NoOfAgreement, Dati1 FROM dbo.ViewFactSales GROUP BY
GroupCategory, FinanceTypeName, ProductFinance, IndustryType,
ProductName, MethodTypeName, CustomerType, AssetTypeName,
InterestType, ScoringStatusName, ApplicationSourceName,
DownPaymentDetail, [InterestAmount (Rp Base)], [InstallmentAmount (Rp
145
Base)], SupplierID, SupplierCategoryGroup, NTFRangeGroup,
NoOfAgreement, Dati1
ViewFactAssetCode
ViewFactAssetCode merupakan view yang dibuat dari tabel FactAssetCode
dan dimensinya. ViewFactAssetCode merupakan view ringkasan dari tabel
FactAssetCode yang berisi informasi-informasi yang ada pada
FactAssetCode dan dimensinya. ViewFactAssetCode dibuat untuk
mendukung analisis pemasaran dari informasi mengenai aset yang di-
leasing customer. Berikut ini adalah SQL pembuatan ViewFactAssetCode :
SELECT dbo.DimTenor.TahunTenor,
dbo.DimFinanceType.ProductTypeName + ' -- ' +
dbo.DimFinanceType.FinanceTypeName AS ProductFinance,
dbo.DimAssetType.AssetTypeName, dbo.DimRegion.BranchName + ' -- '
+ dbo.DimRegion.AreaName AS BranchArea, (CASE WHEN
dbo.DimCustomerType.CustomerTypeName = 'Company' THEN
dbo.DimCustomerType.CustomerCategoryName ELSE
dbo.DimCustomerType.ProfessionName + ' -- ' +
dbo.DimCustomerType.CustomerCategoryName END) AS CustomerType,
dbo.DimUsage.UsageType, (CASE WHEN dbo.DimBrand.Model = '-'
THEN dbo.DimBrand.Type ELSE dbo.DimBrand.Model END) AS
BrandModel, dbo.DimTime.NameofMonth,
dbo.DimInsuranceCoverage.CoverageTypeName,
dbo.DimSupplier.SupplierID,
dbo.DimSupplier.SupplierCategoryDescription + ' -- ' +
146
dbo.DimSupplier.SupplierGroupDescription AS SupplierDesc,
dbo.DimCategory.CategoryName, dbo.DimNewUsed.AssetStatus,
dbo.FactAssetCode.NoOfAsset, dbo.DimCustomerType.CustomerTypeKey,
dbo.FactAssetCode.[UnitPrice (Rp Base)],
dbo.FactAssetCode.[DownPayment (Rp Base)],
dbo.DimRegion.AreaName FROM dbo.FactAssetCode INNER JOIN
dbo.DimNewUsed ON dbo.FactAssetCode.ConditionKey =
dbo.DimNewUsed.ConditionKey INNER JOIN dbo.DimSupplier ON
dbo.FactAssetCode.SupplierKey = dbo.DimSupplier.SupplierKey INNER
JOIN dbo.DimCategory ON dbo.FactAssetCode.CategoryKey =
dbo.DimCategory.CategoryKey INNER JOIN dbo.DimInsuranceCoverage
ON dbo.FactAssetCode.InsuranceCoverageKey =
dbo.DimInsuranceCoverage.InsuranceCoverageKey INNER JOIN
dbo.DimTime ON dbo.FactAssetCode.TimeKey = dbo.DimTime.TimeKey
INNER JOIN dbo.DimUsage ON dbo.FactAssetCode.UsageKey =
dbo.DimUsage.UsageKey INNER JOIN dbo.DimBrand ON
dbo.FactAssetCode.BrandKey = dbo.DimBrand.BrandKey INNER JOIN
dbo.DimCustomerType ON dbo.FactAssetCode.CustomerTypeKey =
dbo.DimCustomerType.CustomerTypeKey INNER JOIN dbo.DimRegion
ON dbo.FactAssetCode.BranchKey = dbo.DimRegion.BranchKey INNER
JOIN dbo.DimAssetType ON dbo.FactAssetCode.AssetTypeKey =
dbo.DimAssetType.AssetTypeKey INNER JOIN dbo.DimFinanceType ON
dbo.FactAssetCode.FinanceTypeKey =
147
dbo.DimFinanceType.FinanceTypeKey INNER JOIN dbo.DimTenor ON
dbo.FactAssetCode.TenorKey = dbo.DimTenor.TenorKey
3. Model Building
Untuk membuat model data mining, jalankan SQL Server Business
Intelligence Development Studio atau Microsoft Visual Studio 2005 untuk
mulai merancang model yang akan dibuat. Buat proyek baru dengan cara
memilih menu File, kemudian New, lalu Project. Setelah itu, akan
muncul window New Project. Pilih Analysis Services Project. Klik button
Browse untuk menentukan lokasi proyek akan disimpan. J angan lupa
memberi nama proyek tersebut dan klik button OK.
Pada window Solution Explorer, buat data source baru dengan
mengklik kanan Data Sources dan pilih New Data Source. Selanjutnya
akan muncul window Data Source Wizard. Klik button Next, kemudian pilih
Create a data source based on an existing or new connection dan klik
button New yang ada di sebelah kanan. Selanjutnya, akan muncul window
Connection Manager. Untuk provider, pilih SqlClient Data Provider dan
klik button OK. Kemudian ketik nama server yang diinginkan di bagian
server dan pilih jenis autentikasinya. Untuk default server lokal, ketik
localhost, dan jenis autentikasi default adalah window authentication. Klik
button Test Connection untuk mengetahui apakah koneksi ke server
berhasil. Bila berhasil, lanjutkan dengan mengklik button OK. Bila tidak,
cek kembali apakah provider yang dipilih sudah tepat, nama server, dan jenis
autentikasinya. Setelah itu, klik button Next dan pilih Default untuk
148
impersonation information-nya. Kemudian, klik button Next dan beri nama
data source-nya, kemudian klik button Finish.
Setelah itu, lanjutkan dengan membuat data source view dari proyek.
Caranya, klik kanan Data Source View dan pilih New Data Source View.
Kemudian, akan muncul window Data Source View Wizard. Klik button
Next sebanyak tiga kali, kemudian pilih view yang akan menjadi sumber
data dari model data mining yang akan dibuat. Caranya, dengan mengklik
nama view yang dibuat, kemudian klik button > untuk menambah view ke
daftar objek yang akan digunakan sebagai sumber data model. Kemudian, klik
button Next dan beri nama data source view yang dibuat. Terakhir, klik
button Finish. Setelah itu, rancangan model data mining akan mulai dibuat.
Caranya, klik kanan Mining Structure dan pilih New Mining Structure.
Kemudian, akan muncul window Data Mining Wizard. Klik button Next
kemudian pilih From existing relational database or data warehouse dan
klik button Next. Kemudian, pilih algoritma yang akan digunakan dalam
membuat model data mining, kemudian klik button Next.
149

Gambar 4.2. Window Memilih Teknik Data Mining

Selanjutnya, pilih data source view yang akan digunakan sebagai
sumber data dari model data mining yang akan dibuat dan klik button Next.
150

Gambar 4.3. Window Memilih Data Source View

Kemudian, pilih tabel input yang terdiri dari : case table, nested table,
ataupun case table dan nested table. Hal ini tergantung dari algoritma yang
digunakan dan tujuan dari pembuatan data mining tersebut. J ika model data
mining dibuat untuk memprediksi cross-selling dengan menggunakan
algoritma Association Rule ataupun Decision Tree, maka tabel data source
view digunakan sebagai case table dan nested table. J ika model data mining
digunakan untuk prediksi regresi dengan menggunakan algoritma Time Series
atau Logistic Regression, maka tabel input digunakan sebagai case table saja.
Setelah itu, klik button Next.
151

Gambar 4.4. Window Memilih Tipe Tabel

Langkah selanjutnya adalah menentukan atribut dari tabel yang
digunakan sebagai atribut input, atribut yang diprediksi, atau atribut key.
Mengenai berapa banyak atribut yang dapat digunakan sebagai atribut input,
atribut yang diprediksi, atau atribut key, tergantung dari algoritma yang
digunakan. Misalnya, algoritma Time Series membutuhkan dua buah key, satu
sebagai key time, dan satunya lagi sebagai key biasa. Sedangkan, algoritma
Clustering tidak memiliki atribut yang diprediksi. Button Suggest bila diklik,
dapat memberikan laporan mengenai besarnya pengaruh atribut- atribut yang
ada dalam memprediksi atribut yang ingin diprediksi sehingga dapat membantu
dalam menentukan atribut mana yang akan dijadikan atribut input.
152

Gambar 4.5. Window Spesifikasi Data Training

Setelah mengklik button Next, kita akan memilih tipe data dari
atribut input tadi. Secara otomatis, tipe data yang ditampilkan adalah tipe data
atribut yang ada dalam database. Tipe data ini perlu kita ubah sesuai dengan
algoritma yang digunakan karena ada algoritma data mining yang tidak
mendukung semua tipe data yang ada. Misalnya, algoritma Nave Bayes tidak
mendukung tipe data yang bersifat continuous seperti Long atau Double
sehingga kita perlu mengubah tipe datanya ke tipe data yang bersifat discrete.
Namun, bila demikian, maka sifat tipe data yang digunakan adalah discetized.
Ada beberapa jenis sifat tipe data seperti continuous, discrete, discretized,
cyclic, dan ordered. Tahap ini merupakan salah satu tahap transformasi data.
153

Gambar 4.6. Window Penentuan Tipe Data

Setelah tipe data sesuai dengan algoritma yang digunakan, klik button
Next. Selanjutnya beri nama mining structure yang baru dibuat dan nama
model data mining yang baru dibuat. Kemudian, klik button Finish dan
model data mining telah selesai dibuat.
154

Gambar 4.7. Window Penamaan Mining Structure dan Mining Model

Agar model data mining tersebut dapat digunakan, model tersebut harus
terlebih dahulu di-deploy ke dalam database Analysis Service yang ada di
server. Caranya, dengan mengklik menu Build dan pilih Deploy Model.
155

Gambar 4.8. Window Mining Structure Design

4. Model Assessment
Untuk menilai keakuratan model data mining, dapat menggunakan lift
chart yang sudah tersedia. Caranya, dengan mengklik tab Mining Accuracy
Chart di window Mining Structure Design dan memilih dua model data
mining yang ada dalam satu mining structure untuk dibandingkan.
5. Reporting
Ada dua tipe laporan, yaitu laporan tentang penemuan (pola) dan
laporan tentang prediksi atau ramalan. Untuk melihat pola yang ditemukan
model data mining, dapat dilakukan dengan mengklik tab Mining Model
Viewer di window Mining Structure Design dan memilih model data mining
yang ingin dilihat hasil penemuan polanya.

156
6. Prediction (Scoring)
Untuk melakukan prediksi dari model data mining, dapat dilakukan
dengan cara membuat query DMX dan menjalankannya melalui SQL Server
2005 atau melalui tab Mining Model Prediction yang ada di window Mining
Structure Design. Berikut ini adalah contoh query DMX:
SELECT FLATTENED [FactIncomeTypeTS].[Income Type Name],
PredictTimeSeries([Amount Rp Base],5) FROM [FactIncomeTypeTS].
7. Application Integration
Menggabungkan fasilitas data mining, terutama digunakan untuk
prediksi secara real time ke dalam aplikasi merupakan salah satu langkah
penting dalam proyek data mining. Ada beberapa hal yang harus diperhatikan
dalam menggabungkan fasilitas data mining dengan aplikasi, yaitu melakukan
koneksi ke database Analysis Service terlebih dahulu, bukan Database Engine
(perhatikan connection string-nya). Kemudian menggunakan query DMX untuk
melakukan prediksi dan menampung hasil prediksi model data mining tersebut
untuk ditampilkan di aplikasi.
8. Model Management
Model data mining harus sering di-update dengan cara di-training
ulang karena data yang menjadi sumber data bagi model data mining terus
mengalami penambahan dari waktu ke waktu seiring dengan semakin
berkembangnya proses bisnis perusahaan. Hal ini dilakukan untuk menjaga
agar model data mining yang sudah dibuat dapat tetap up to date dan
menghasilkan laporan yang akurat. Untuk men-training ulang model data
mining, cukup dengan membuka proyek SQL Server Business Intelligence
157
Development Studio atau Microsoft Visual Studio 2005 yang sudah dibuat dan
melakukan deploy ulang terhadap model data mining ke dalam database
Analysis Service.

4.3. Rancangan Model Data Mining yang Diusulkan
4.3.1. Association Rules
Model Laporan Prediksi Cross-Selling Nama Produk Tiap Jenis
Pelanggan

Gambar 4.9. Model Laporan Prediksi Cross-Selling
Nama Produk Tiap J enis Pelanggan

Model ini memuat informasi mengenai hubungan cross-selling
antara nama produk dengan nama produk lain yang dibeli jenis pelanggan
tertentu. Algoritma Association Rules dalam data mining menggunakan
158
informasi nama produk yang dibeli oleh jenis pelanggan tertentu yang ada
dalam data warehouse perusahaan untuk membuat suatu rule cross-selling.
Rule tersebut kemudian digunakan untuk memprediksi cross-selling nama
produk aset yang mungkin dari nama produk aset yang di-leasing jenis
customer tertentu. Model ini dibuat untuk memenuhi kebutuhan manajer
pemasaran dalam menganalisis peluang pemasaran jenis pelanggan tertentu
dan dalam menjalankan fungsi analisis pemasaran dalam fungsi manajemen
pemasaran. Model ini dibuat dengan mengambil data yang ada pada view
ViewFactSales.

Model Laporan Prediksi Cross-Selling Produk Leasing Tiap Jenis
Pelanggan

Gambar 4.10. Model Laporan Prediksi Cross-Selling Produk Leasing
Tiap J enis Pelanggan

159
Model ini memuat informasi mengenai hubungan cross-selling
antara produk leasing dengan produk leasing lain yang dipilih oleh jenis
pelanggan tertentu. Algoritma Association Rules dalam data mining
menggunakan informasi produk leasing yang dipilih jenis pelanggan
tertentu yang ada dalam data warehouse perusahaan untuk membuat suatu
rule cross-selling. Rule tersebut kemudian digunakan untuk memprediksi
cross-selling produk leasing yang mungkin dari produk leasing yang
dipilih oleh jenis customer tertentu. Model ini dibuat untuk memenuhi
kebutuhan manajer pemasaran dalam menganalisis peluang pemasaran
jenis pelanggan tertentu dan dalam menjalankan fungsi analisis pemasaran
dalam manajemen pemasaran. Model ini dibuat dengan mengambil data
yang ada pada view ViewFactSales.

Model Laporan Prediksi Cross-Selling Jenis Aset Tiap Jenis Pelanggan

Gambar 4.11. Model Laporan Prediksi Cross-Selling J enis Aset Tiap Jenis Pelanggan
160
Model ini memuat informasi mengenai hubungan cross-selling
antara satu jenis aset dengan jenis aset lain yang mungkin dibeli jenis
pelanggan tertentu. Algoritma Association Rules dalam data mining
menggunakan informasi jenis aset yang dipilih jenis pelanggan tertentu
yang ada dalam data warehouse perusahaan untuk membuat suatu rule
cross-selling. Rule tersebut kemudian digunakan untuk memprediksi cross-
selling jenis aset yang mungkin dari jenis aset yang dipilih jenis customer
tertentu. Model ini dibuat untuk memenuhi kebutuhan manajer pemasaran
dalam menganalisis peluang pemasaran jenis pelanggan tertentu dan dalam
menjalankan fungsi analisis pemasaran dalam manajemen pemasaran.
Model ini dibuat dengan mengambil data yang ada pada view
ViewFactSales.











161
Model Laporan Prediksi Cross-Selling Kategori Aset Tiap Jenis
Pelanggan

Gambar 4.12. Model Laporan Prediksi Cross-Selling
Kategori Aset Tiap J enis Pelanggan

Model ini memuat informasi mengenai hubungan cross-selling
antara kategori aset dengan kategori aset lain yang mungkin dibeli jenis
pelanggan tertentu. Algoritma Association Rules dalam data mining
menggunakan informasi kategori aset yang dipilih jenis pelanggan tertentu
yang ada dalam data warehouse perusahaan untuk membuat suatu rule
cross-selling. Rule tersebut kemudian digunakan untuk memprediksi cross-
selling kategori aset yang mungkin dari kategori aset yang dipilih jenis
customer tertentu. Model ini dibuat untuk memenuhi kebutuhan manajer
pemasaran dalam menganalisis peluang pemasaran jenis pelanggan tertentu
162
dan dalam menjalankan fungsi analisis pemasaran dalam manajemen
pemasaran. Model ini dibuat dengan mengambil data yang ada pada view
ViewAssoAssetCode.

Model Laporan Prediksi Cross-Selling Model Tiap Jenis Pelanggan

Gambar 4.13. Model Laporan Prediksi Cross-Selling Model Tiap J enis Pelanggan

Model ini memuat informasi mengenai hubungan cross-selling
antara model aset dengan model aset lain yang mungkin dibeli jenis
pelanggan tertentu. Algoritma Association Rules dalam data mining
menggunakan informasi model aset yang dipilih jenis pelanggan tertentu
yang ada dalam data warehouse perusahaan untuk membuat suatu rule
cross-selling. Rule tersebut kemudian digunakan untuk memprediksi cross-
selling model aset yang mungkin dari model aset yang dipilih jenis
163
customer tertentu. Model ini dibuat untuk memenuhi kebutuhan manajer
pemasaran dalam menganalisis peluang pemasaran jenis pelanggan tertentu
dan dalam menjalankan fungsi analisis pemasaran dalam manajemen
pemasaran. Model ini dibuat dengan mengambil data yang ada pada view
ViewAssoAssetCode.

Model Laporan Prediksi Cross-Selling Kategori Aset Dealer

Gambar 4.14. Model Laporan Prediksi Cross-Selling Kategori Aset Dealer

Model ini memuat informasi mengenai hubungan cross-selling
antara kategori aset dengan kategori aset lain yang mungkin ditawarkan
dealer. Algoritma Association Rules dalam data mining menggunakan
informasi kategori aset yang ditawarkan dealer yang ada dalam data
warehouse perusahaan untuk membuat suatu rule cross-selling. Rule
164
tersebut kemudian digunakan untuk memprediksi cross-selling kategori
aset yang mungkin dari kategori aset yang ditawarkan dealer. Model ini
dibuat untuk memenuhi kebutuhan manajer pemasaran dalam menganalisis
peluang pemasaran dealer dan dalam menjalankan fungsi analisis
pemasaran dalam manajemen pemasaran. Model ini dibuat dengan
mengambil data yang ada pada view ViewAssoAssetCode.

Model Laporan Prediksi Cross-Selling Merk Produk Dealer

Gambar 4.15. Model Laporan Prediksi Cross-Selling Merk Produk Dealer

Model ini memuat informasi mengenai hubungan cross-selling
antara merk produk dengan merk produk lain yang mungkin ditawarkan
dealer. Algoritma Association Rules dalam data mining menggunakan
informasi merk produk yang ditawarkan dealer yang ada dalam data
165
warehouse perusahaan untuk membuat suatu rule cross-selling. Rule
tersebut kemudian digunakan untuk memprediksi cross-selling merk
produk yang mungkin dari merk produk yang ditawarkan dealer. Model ini
dibuat untuk memenuhi kebutuhan manajer pemasaran dalam menganalisis
peluang pemasaran dealer dan dalam menjalankan fungsi analisis
pemasaran dalam manajemen pemasaran. Model ini dibuat dengan
mengambil data yang ada pada view ViewAssoAssetCode.

Model Laporan Prediksi Cross-Selling Model Dealer

Gambar 4.16. Model Laporan Prediksi Cross-Selling Model Dealer

Model ini memuat informasi mengenai hubungan cross-selling
antara model produk dengan model produk lain yang mungkin ditawarkan
dealer. Algoritma Association Rules dalam data mining menggunakan
166
informasi model produk yang ditawarkan dealer yang ada dalam data
warehouse perusahaan untuk membuat suatu rule cross-selling. Rule
tersebut kemudian digunakan untuk memprediksi cross-selling model
produk yang mungkin dari model produk yang ditawarkan dealer. Model
ini dibuat untuk memenuhi kebutuhan manajer pemasaran dalam
menganalisis peluang pemasaran dealer dan dalam menjalankan fungsi
analisis pemasaran dalam manajemen pemasaran. Model ini dibuat dengan
mengambil data yang ada pada view ViewAssoAssetCode.

Model Laporan Prediksi Cross-Selling Nama Produk Pelanggan

Gambar 4.17. Model Laporan Prediksi Cross-Selling Nama Produk Pelanggan

Model ini memuat informasi mengenai hubungan cross-selling
antara suatu nama produk dengan nama produk lain yang mungkin dibeli
tiap pelanggan. Algoritma Association Rules dalam data mining
167
menggunakan informasi nama produk yang dibeli tiap pelanggan yang ada
dalam data warehouse perusahaan untuk membuat suatu rule cross-selling.
Rule tersebut kemudian digunakan untuk memprediksi cross-selling nama
produk aset dari nama produk aset yang di-leasing oleh pelanggan. Model
ini dibuat untuk memenuhi kebutuhan manajer pemasaran dalam
menganalisis peluang pemasaran pelanggan dan dalam menjalankan fungsi
analisis pemasaran dalam manajemen pemasaran. Model ini dibuat dengan
mengambil data yang ada pada view ViewFactSales.

Model Laporan Prediksi Cross-Selling Produk Leasing Pelanggan

Gambar 4.18. Model Laporan Prediksi Cross-Selling Produk Leasing Pelanggan

Model ini memuat informasi mengenai hubungan cross-selling
antara produk leasing dengan produk leasing lain yang dipilih oleh setiap
168
pelanggan. Algoritma Association Rules dalam data mining menggunakan
informasi produk leasing yang dipilih tiap pelanggan yang ada dalam data
warehouse perusahaan untuk membuat suatu rule cross-selling. Rule
tersebut kemudian digunakan untuk memprediksi cross-selling produk
leasing yang mungkin dari produk leasing yang dipilih pelanggan. Model
ini dibuat untuk memenuhi kebutuhan manajer pemasaran dalam
menganalisis peluang pemasaran pelanggan dan dalam menjalankan fungsi
analisis pemasaran dalam manajemen pemasaran. Model ini dibuat dengan
mengambil data yang ada pada view ViewFactSales.

Model Laporan Prediksi Cross-Selling Nama Produk yang Diterima
Cabang

Gambar 4.19. Model Laporan Prediksi Cross-Selling
Nama Produk yang Diterima Cabang

169
Model ini memuat informasi mengenai hubungan cross-selling
antara suatu nama produk dengan nama produk lain yang mungkin diterima
cabang perusahaan. Algoritma Association Rules dalam data mining
menggunakan informasi nama produk yang diterima cabang perusahaan
yang ada dalam data warehouse perusahaan untuk membuat suatu rule
cross-selling. Rule tersebut kemudian digunakan untuk memprediksi cross-
selling nama produk aset yang mungkin dari nama produk aset yang
diterima cabang perusahaan. Model ini dibuat untuk memenuhi kebutuhan
manajer pemasaran dalam menganalisis peluang pemasaran tiap cabang dan
dalam menjalankan fungsi analisis pemasaran dalam manajemen
pemasaran. Model ini dibuat dengan mengambil data yang ada pada view
ViewFactSales.

Model Laporan Prediksi Cross-Selling Produk Leasing yang Diterima
Cabang

Gambar 4.20. Model Laporan Prediksi Cross-Selling
Produk Leasing yang Diterima Cabang
170
Model ini memuat informasi mengenai hubungan cross-selling
antara satu produk leasing dengan produk leasing lain yang mungkin
diterima cabang. Algoritma Association Rules dalam data mining
menggunakan informasi produk leasing yang diterima cabang yang ada
dalam data warehouse perusahaan untuk membuat suatu rule cross-selling.
Rule tersebut kemudian digunakan untuk memprediksi cross-selling produk
leasing yang mungkin dari produk leasing yang diterima cabang. Model ini
dibuat untuk memenuhi kebutuhan manajer pemasaran dalam menganalisis
peluang pemasaran cabang dan dalam menjalankan fungsi analisis
pemasaran dalam manajemen pemasaran. Model ini dibuat dengan
mengambil data yang ada pada view ViewFactSales.

Model Laporan Prediksi Cross-Selling Jenis Aset yang Diterima
Cabang

Gambar 4.21. Model Laporan Prediksi Cross-Selling J enis Aset yang Diterima Cabang
171
Model ini memuat informasi mengenai hubungan cross-selling
antara satu jenis aset dengan jenis aset lain yang mungkin diterima cabang.
Algoritma Association Rules dalam data mining menggunakan informasi
jenis aset yang diterima cabang yang ada dalam data warehouse
perusahaan untuk membuat suatu rule cross-selling. Rule tersebut
kemudian digunakan untuk memprediksi cross-selling jenis aset yang dari
jenis aset yang diterima cabang. Model ini dibuat untuk memenuhi
kebutuhan manajer pemasaran dalam menganalisis peluang pemasaran
cabang dan dalam menjalankan fungsi analisis pemasaran dalam
manajemen pemasaran. Model ini dibuat dengan mengambil data yang ada
pada view ViewFactSales.

Model Laporan Prediksi Cross-Selling Nama Produk Dealer

Gambar 4.22. Model Laporan Prediksi Cross-Selling Nama Produk Dealer
172
Model ini memuat informasi mengenai hubungan cross-selling
antara suatu nama produk dengan nama produk lain yang mungkin
ditawarkan dealer. Algoritma Association Rules dalam data mining
menggunakan informasi nama produk yang ditawarkan dealer yang ada
dalam data warehouse perusahaan untuk membuat suatu rule cross-selling.
Rule tersebut kemudian digunakan untuk memprediksi cross-selling nama
produk aset yang mungkin dari nama produk aset yang ditawarkan dealer.
Model ini dibuat untuk memenuhi kebutuhan manajer pemasaran dalam
menganalisis peluang pemasaran yang dimiliki dealer dan dalam
menjalankan fungsi analisis pemasaran dalam manajemen pemasaran.
Model ini dibuat dengan mengambil data yang ada pada view
ViewFactSales.

Model Laporan Prediksi Cross-Selling Produk Leasing Dealer

Gambar 4.23. Model Laporan Prediksi Cross-Selling Produk Leasing Dealer
173
Model ini memuat informasi mengenai hubungan cross-selling
antara satu produk leasing dengan produk leasing lain yang mungkin
ditawarkan dealer. Algoritma Association Rules dalam data mining
menggunakan informasi produk leasing yang ditawarkan dealer yang ada
dalam data warehouse perusahaan untuk membuat suatu rule cross-selling.
Rule tersebut kemudian digunakan untuk memprediksi cross-selling produk
leasing yang mungkin dari produk leasing yang ditawarkan dealer. Model
ini dibuat untuk memenuhi kebutuhan manajer pemasaran dalam
menganalisis peluang pemasaran dealer dan dalam menjalankan fungsi
analisis pemasaran dalam manajemen pemasaran. Model ini dibuat dengan
mengambil data yang ada pada view ViewFactSales.

Model Laporan Prediksi Cross-Selling Jenis Aset Dealer

Gambar 4.24. Model Laporan Prediksi Cross-Selling J enis Aset Dealer

174
Model ini memuat informasi mengenai hubungan cross-selling
antara satu jenis aset dengan jenis aset lain yang mungkin ditawarkan
dealer. Algoritma Association Rules dalam data mining menggunakan
informasi jenis aset yang ditawarkan dealer yang ada dalam data
warehouse perusahaan untuk membuat suatu rule cross-selling. Rule
tersebut kemudian digunakan untuk memprediksi cross-selling jenis aset
yang mungkin dari jenis aset yang ditawarkan dealer. Model ini dibuat
untuk memenuhi kebutuhan manajer pemasaran dalam menganalisis
peluang pemasaran dealer dan dalam menjalankan fungsi analisis
pemasaran dalam manajemen pemasaran. Model ini dibuat dengan
mengambil data yang ada pada view ViewFactSales.

4.3.2. Clustering
Model Laporan Segmentasi Dealer

Gambar 4.25. Model Laporan Segmentasi Dealer-1
175

Gambar 4.26. Model Laporan Segmentasi Dealer-2

Model ini memuat informasi pengelompokan dealer berdasarkan
informasi-informasi mengenai dealer dalam transaksi penjualan perusahaan
yang ada dalam data warehouse. Informasi-informasi tersebut antara lain :
berdasarkan sumber aplikasi pelanggan, jenis aset yang ditawarkan, jenis
pelanggan yang dilayani, besar DP yang dibayar (dalam %), Finance Type,
deskripsi dealer, jenis industri, persen keuntungan yang diperoleh
perusahaan dari penjualan dari dealer, jenis bunga, cara pembayaran,
jumlah agreement pelanggan yang diperoleh perusahaan dari dealer, range
besar penjualan yang diterima perusahaan dari dealer, Product Finance
yang diterima dari dealer, nama produk yang ditawarkan dealer,
kecenderungan status scoring agreement pelanggan dari dealer. Model ini
176
dibuat untuk memenuhi kebutuhan manajer pemasaran dalam menganalisis
peluang pemasaran dealer, memilih target pasar, dan dalam menjalankan
fungsi analisis dan perencanaan pemasaran dalam manajemen pemasaran.
Model ini dibuat dengan mengambil data yang ada pada view
ViewClusterSupplier.

Model Laporan Segmentasi Pelanggan yang Berupa Perusahaan

Gambar 4.27. Model Laporan Segmentasi Pelanggan yang Berupa Perusahaan-1

177

Gambar 4.28. Model Laporan Segmentasi Pelanggan yang Berupa Perusahaan-2

Model ini memuat informasi pengelompokan perusahaan pelanggan
berdasarkan informasi-informasi mengenai perusahaan pelanggan dalam
transaksi penjualan perusahaan yang ada dalam data warehouse. Informasi-
informasi tersebut antara lain : kecenderungan sumber aplikasi pelanggan,
jenis aset yang dipilih pelanggan, jenis perusahaan pelanggan, besar DP
yang dibayar (dalam %), Finance Type, jenis cicilan pertama, jenis industri,
range waktu pembayaran cicilan, jenis cicilan, cara pembayaran, jumlah
aset dalam agreement, status NPWP pelanggan, Product Finance yang
dipilih pelanggan, nama produk yang dipilih pelanggan, status scoring
agreement, status garansi, dan lama berjalannya bisnis pelanggan. Model
ini dibuat untuk memenuhi kebutuhan manajer pemasaran dalam
178
menganalisis peluang pemasaran perusahaan pelanggan, memilih target
pasar, dan dalam menjalankan fungsi analisis dan perencanaan pemasaran
dalam manajemen pemasaran. Model ini dibuat dengan mengambil data
yang ada pada view ViewClusterCompany.

Model Laporan Segmentasi Pelanggan yang Berupa Perorangan

Gambar 4.29. Model Laporan Segmentasi Pelanggan yang Berupa Perorangan-1

179

Gambar 4.30. Model Laporan Segmentasi Pelanggan yang Berupa Perorangan-2

Model ini memuat informasi pengelompokan pelanggan
berdasarkan informasi-informasi mengenai pelanggan dalam transaksi
penjualan perusahaan yang ada dalam data warehouse. Informasi-informasi
tersebut antara lain : berdasarkan range umur pelanggan, sumber aplikasi
pelanggan, jenis aset yang dipilih pelanggan, jenis pekerjaan pelanggan,
besar DP yang dibayar (dalam %), Finance Type, jenis cicilan pertama,
jenis industri, range waktu pembayaran cicilan, jenis cicilan, cara
pembayaran, jumlah aset dalam agreement, status NPWP pelanggan,
Product Finance yang dipilih pelanggan, nama produk yang dipilih
pelanggan, kecenderungan status scoring agreement, status garansi. Model
ini dibuat untuk memenuhi kebutuhan manajer pemasaran dalam
180
menganalisis peluang pemasaran pelanggan, memilih target pasar, dan
dalam menjalankan fungsi analisis dan perencanaan pemasaran dalam
manajemen pemasaran. Model ini dibuat dengan mengambil data yang ada
pada view ViewClusterPersonal.

4.3.3. Decision Tree
Model Laporan Prediksi OverdueDays (Lama Waktu Nunggak)
Pelanggan

Gambar 4.31. Model Laporan Prediksi OverdueDays Pelanggan


Gambar 4.32. Keterangan Model Laporan Prediksi OverdueDays Pelanggan

181
Model ini memuat informasi mengenai besar pengaruh antara
penjualan pada setiap cabang, jenis aset yang dijual, jenis pelanggan, dan
Finance Type yang dipilih pelanggan terhadap lama tunggak pelanggan.
Berdasarkan pengaruh yang ada, model ini dapat melakukan prediksi lama
tunggak pelanggan. Model ini dibuat untuk memenuhi kebutuhan manajer
pemasaran dalam memilih target pasar. Model ini dibuat dengan
mengambil data yang ada pada view ViewFactGeneralAgingDT.

Model Laporan Prediksi Default Status Description (Status) Pelanggan

Gambar 4.33. Keterangan Model Laporan Prediksi OverdueDays Pelanggan