Anda di halaman 1dari 4

Nama Anggota : 1.

Rizki Mubarok (201551040)


2. Farid Hidayatur Rahman (201551048)
3. Febrianto Bagus Setiawan (201551060)
4. M. Wildanuz Zaky Fuad (201551063)
5. Muhamad Ari Sofyan (201551068)
6. Anggit Wahyu Yulian (201551070)
Kelompok :

DATA WAREHOUSE DAN DATA MINING

UTAMA STUDI KASUS


1. Apa yang data mining lakukan?

Data mining biasanya digunakan oleh perusahaan dengan fokus konsumen


banyak - sedikit, keuangan, komunikasi, dan pemasaran organisasi. Hal ini
memungkinkan perusahaan-perusahaan ini untuk menentukan hubungan antara
faktor-faktor internal seperti harga, penempatan produk, atau keterampilan staf, dan
faktor eksternal seperti indikator ekonomi, kompetisi pelanggan dan keuntungan
kerja sama. Dan, hal itu memungkinkan mereka untuk menentukan dampak pada
penjualan, kepuasan pelanggan, dan keuntungan perusahaan. Akhirnya, hal ini
memungkinkan mereka untuk "terobos" Ringkasan informasi untuk melihat detail
data transaksi.

Dengan data mining, pengecer dapat menggunakan point-of-sale catatan


pelanggan pembelian untuk mengirim promosi yang ditargetkan berdasarkan sejarah
pembelian individu. Oleh data mining demografis dari kartu komentar atau garansi,
pengecer dapat mengembangkan produk dan promosi untuk menarik segmen nasabah
tertentu.

Sebagai contoh, Blockbuster Entertainment mines videonya menyewa


database sejarah untuk merekomendasikan sewa kepada nasabah individu. American
Express dapat menyarankan produk untuk pemegang kartu yang didasarkan pada
analisis pengeluaran bulanan mereka.
Wal-Mart adalah perintis data mining yang besar untuk mengubah hubungan
pemasok. Wal-Mart menangkap point-of-sale transaksi lebih dari 2,900 Toko di 6
negara dan terus-menerus mentransmisikan data ini untuk terabyte 7.5 nya besar
Terawat gudang data. Wal-Mart memungkinkan lebih dari 3.500 pemasok, untuk
mengakses data pada produk mereka dan melakukan analisis data. Pemasok-pemasok
tersebut menggunakan data ini untuk mengidentifikasi pola-pola di tingkat tampilan
toko pembelian pelanggan. Mereka menggunakan informasi ini untuk mengelola
persediaan toko lokal dan mengidentifikasi peluang-peluang baru merchandising.
Pada tahun 1995, Wal-Mart komputer diproses lebih dari 1 juta data yang kompleks
query.

National Basketball Association (NBA) menjelajahi data miningaplikasi


yang dapat digunakan dalam hubungannya dengan rekaman gambar permainan bola
basket. Advanced Scout perangkat lunak menganalisis gerakan pemain untuk
membantu mengatur memainkan dan strategi pelatih. Sebagai contoh, sebuah analisis
play-by-play lembar permainan yang dimainkan antara New York Knicks dan
Cleveland Cavaliers pada 6 Januari 1995 mengungkapkan bahwa ketika Mark Price
dimainkan posisi penjaga, John Williams berusaha empat tembakan melompat dan
dibuat masing-masing! Lanjutan Scout tidak hanya menemukan pola ini, tapi
menjelaskan bahwa itu menarik karena itu jauh berbeda dari rata-rata menembak
persentase 49.30% untuk Cavaliers selama permainan.

Dengan menggunakan jam universal NBA, pelatih dapat secara otomatis


membawa klip video yang menampilkan setiap jump shot dicoba oleh Williams
dengan Price di lantai, tanpa perlu sisir melalui jam rekaman video. Klip itu
menunjukkan sangat suksesbermain pick-dan-roll di mana Pricemenggambar
Knacks defense dan kemudian menemukan Williams untuk open jump shot.
DATA WAREHOUSE DAN DATA MINING

2. Bagaimana data pertambangan bekerja?

Sementara teknologi informasi skala besar telah berkembang transaksi


terpisah dan sistem analisis, penggalian data menyediakan link antara keduanya.
Perangkat lunak data mining menganalisis hubungan dan pola dalam data disimpan
transaksi berdasarkan open-ended kueri pengguna. Beberapa jenis perangkat lunak
analitik tersedia: Statistik, mesin belajar, dan jaringan saraf. Secara umum, ada empat
jenis hubungan yang dicari:

Kelas: Data disimpan digunakan untuk mencari data dalam kelompok-kelompok


yang telah ditetapkan. Sebagai contoh, sebuah restoran rantai bisa menggali data
pembelian pelanggan untuk menentukan ketika pelanggan mengunjungi dan apa
yang mereka biasanya memesan. Informasi ini dapat digunakan untuk
meningkatkan lalu lintas dengan memiliki menu spesial harian.

Cluster: Data item telah dikelompokkan berdasarkan hubungan Logis atau


preferensi konsumen. Misalnya, data yang dapat beranjau untuk
mengidentifikasi segmen pasar atau konsumen afinitas.

Asosiasi: Data yang dapat beranjau untuk mengidentifikasi Asosiasi. Contoh


beer-diaperadalah contoh asosiatif pertambangan.

Polaberurutan: Data ditambang untuk mengantisipasi tren dan pola perilaku.


Sebagai contoh, pengecer peralatan kolam bisa memprediksi kemungkinan
ransel yang dibeli berdasarkan konsumen yang membeli kantong tidur dan
hiking sepatu.

Data pertambangan terdiri dari lima elemen utama:

Ekstrak, mengubah, dan load transaksi data kesistemgudang data.

Toko dan mengelola data dalam sebuah sistem database multidimensi.

Menyediakan akses data analis bisnis dan informasi professional teknologi.

Menganalisis data oleh perangkat lunak aplikasi.

Menyajikan data dalam format yang berguna, seperti grafik atau tabel.
Pertanyaan tugas kelompok

1. Silahkan diskusi dengan kelompok Anda tentang hal ini.

2. Membuat kesimpulan dan jika (ada) memecahkan masalah sebagai menurut


Anda pendapat . Anda harus memberikan contoh-contoh yang tepat untuk
menggambarkan pandangan.

3. Presentasi tentang kesimpulan Anda dengan grup.

Toolkit gudang Dataoleh Ralph Kimball (John Wiley dan Sons, 1996)

Bangunangudang Dataoleh William Inmon (John Wiley dan Sons, 1996)

WH

Modifikasi data
Data warehouse ini diperbarui secara teratur oleh proses ETL (Jalankan
malam atau mingguan) menggunakan teknik modifikasi data massal. Pengguna akhir
dari gudang data tidak langsung memperbarui gudang data.