KONSEP DATA MINING DAN PENERAPANNYA PADA

PERUSAHAAN TELEKOMUNIKASI

Bayu Siswanto 1517051122

Pandu Setyawan Wiyono 1517051126
Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Lampung

Abstrak
Saat ini duni telah memasuki era persaingan berbasiskan data. Data menjadi aset
yang sangat berharga bagi perusahaan dalam memenangkan persaingan bisnis.
Perusahanaa telekomunikasi adalah salah satu perusahaan yang sangat bergantung
terhadap data, salah satunnya Data Mining. Data mining adalah suatu istilah yang
digunakan untuk menemukan pengetahuan yang tersembunyi di dalam database. .
Sebuah perusahaan telekomunikasi pada umumnya menerapkan data mining untuk
melihat dari jutaan transaksi yang masuk, transaksi mana sajakah yang masih harus
ditangani secara manual (dilayani oleh orang). Tujuannya tidak lain adalah untuk
menambah layanan otomatis khusus untuk transaksi-transaksi yang masih dilayani
secara manual. Dengan demikian jumlah operator penerima transaksi manual tetap
bisa ditekan minimal. Penelitian ini bertujuan untuk memberikan solusi alternatif bagi
perusahaan telekomunikasi dengan pengumpulan data ke suatu sumber pengetahuan (
data warehouse) dalam mencari potensi-potensi data tersembunyi melalui penerapan
datamining
Kata kunci : Data mining, transaksi, data,telekomunikasi,bisnis.
PENDAHULUAN
Data bagi berbagai instansi perusahaan kecil maupun perusahaan besar merupakan
aset yang sangat berharga. Berdasarkan data yang dimiliki oleh perusahaan, mereka
dapat memonitoring proses bisnis yang tengah berjalan sehingga dapat dikelola
dengan baik secara terus menerus. Pengelolahan data yang tepat dapat menghasilkan
informasi yang sangat penting dalam kepentingan keberlangsungan bisnis
perusahaan. Maka oleh sebab itu ketergantungan akan data sudah tidak bisa
diabaikan, terlebih kondisi saat ini dimana perkembangan teknologi dan informasi
yang sedemikian cepat.

Instansi perusahaan yang sangat bergantung akan data salah satunya yaitu perusahaan
yang bergerak dibidang telekomunikasi, dimana data yang diolah pada perusahaan
telekomunikasi harus selalu dimonitoring perkembangan serta aktifitasnya, karena
bisnis utama dari perusahaan telekomunikasi adalah komunikasi data itu sendiri. Dan
juga data menjadi sangat kritikal bagi keberlangsungan bisnis perusahaan
telekomunikasi, agar datap tetap bertahan dalam persaingan antar kompetitor yang
ada, seperti dengan memperbaharui teknologi yang ada dan sedang digunakan dengan
teknologi terbaru saat ini. Dengan memperbaharui teknologi yang ada sangat
memungkinkan untuk melakukan penyimpanan sejumlah data dalam ukukan yang
sangat besar. Pertambahan data ini terjadi karena meningkatnya jumlah informasi
atau data yang terpakai, dan makin kesini informasi serta data aktual tersebut yang
telah digunakan disimpan dalam suatu database agar lebih teorganisir dan mudah
dalam pengaksesannya. Informasi yang diperoleh melalui database merupakan data
aktual. Selain memperoleh informasi melalui data aktual, terdapat juga informasi lain
yang tidak dapat terlihat secara langsung dan sukar diperoleh, dimana informasi
tersebut masih tersembunyi dan harus digali lebih dalam untuk memperolehnya.
Dikarenakan kurangnya teknik pengolahan data dengan baik, informasi tersebut tidak
dapat langsung dapat diperoleh dan digunakan. Diperlukan suatu teknik yang dapat
digunakan untuk menggali lebih dalam informasi penting yang dapat diperoleh di
dalam database. Salah satu teknik yang dapat digunakan adalah dengan menggunakan
data mining.

Untuk bisa melakukan data mining diperlukan suatu media penyimpanan atau
database. Media penyimpanan ini adalah data warehouse yaitu penyimpanan data
skala besar yang digunakan sebagai tempat penyimpanan seluruh data yang ada pada
perusahaan. Sehingga timbul pertanyaan dari penjelasan sebelumnya yaitu
“Bagaimana bentuk konsep rancangan data warehouse yang mendukung penerapan
data mining pada suatu instansi perusahaan telekomunikasi?”

LITERATUR STUDY
Data Warehouse
Data Warehouse (DW) adalah gudang informasi (arsip) yang di kumpulkan dari
berbagai sumber, yang disimpan di satu tempat di bawah skema terpadu. DW
menyediakan antar muka kepada pengguna untuk konsolidasi data, tempat membuat
penulisan query sehingga memudahkan user dalam melakukan pengambilan
keputusan. Biasanya DW ini disimpan dalam bentuk dimensional.[3] Dari sisi lain
data warehouse bisa dikatakan sebagai basis data yang menyimpan data sekarang dan
data masa lalu yang berasal dari berbagai sistem operasional dan sumber yang lain
(sumber eksternal) yang menjadi perhatian penting bagi manajemen dalam organisasi
dan ditujukan untuk keperluan analisis dan pelaporan manajemen dalam rangka
pengambilan keputusan. Data warehouse digunakan untuk mendukung pengambilan
keputusan, bukan untuk melaksanakan pemrosesan transaksi.[4]
Membuat data warehouse tidak sekedar memindahkan data opersional ke dalam data
warehouse, memindahkan data dari beberapa sumber berpotensi menimbulkan
masalah besar terutama terkait dengan isu tidak konsistennya data. Data warehouse
tidak hanya digunakan dalam melakukan loading, integrasi, dan menyimpan data
dalam jumlah besar, namun juga berpotensi untuk mendapatkan sudut pandang baru
dari sebaran data, dan memungkinkan untuk memberikan pelaporan dan jawaban dari
pertanyaan pengguna yang bersifat ad hoc secara cepat dan lebih baik.[2] Tahapan
untuk membangun data warehouse terdiri atas:
1. Identifikasi sumber data
Langkah pertama sebelum mulai mengembangkan data warehouse yaitu
identifikasi sumber data. Perlu mencari tahu apa data yang dibutuhkan untuk
diletakkan ke dalam data warehouse.
2. Membangun ETL (Extraction, Transformation, Loading) tool
Setiap data warehouse memiliki data yang berbeda persyaratan, oleh karena
itu, ETL tool yang sesuai adalah solusi yang lebih baik untuk memenuhi
persyaratan.
3. Ekstraksi
Perlu menentukan sistem database yang akan digunakan dan juga mencari
tahu data apa yang diperlukan sebelum mendapatkannya. Penurunan biaya
perangkat keras dan penyimpanan telah mengatasi masalah pada menghindari
duplikasi data dan juga kekhawatiran pada kurangnya ruang penyimpanan
sebagai tempat penyimpanan data yang berlebihan atau yang tidak diperlukan.
Namun, mungkin tidak ada alasan untuk menyimpan data yang tidak
diperlukan dan telah diidentifikasi tidak berguna dalam proses pengambilan
keputusan. Oleh karena itu, diperlukan untuk mendapatkan hanya ekstrak data
yang relevan sebelum membawa ke data warehouse.
4. Transformasi
Setelah penggalian data dari berbagai sumber, transformasi dibutuhkan untuk
menjamin konsistensi data. Agar mengubah data ke dalam data warehouse
dengan benar, perlu mengetahui cara pemetaan bidang sumber data eksternal
ke data warehouse. Transformasi dapat dilakukan selama ekstraksi data atau
saat memuat data ke dalam data warehouse. Integrasi ini bisa menjadi masalah
yang kompleks ketika jumlah sumber data menjadi lebih besar.
5. Loading
Setelah proses penggalian, mengubah dan pembersihan telah dilakukan, data
diambil ke dalam data warehouse. Pemuatan data dapat dikategorikan ke
 dalam dua jenis; pemuatan data yang saat ini ada dalam database operasional
dan pemuatan pembaruan data warehouse dari perubahan yang telah terjadi
dalam database operasional. Untuk menjamin kesegaran data, data warehouse
perlu untuk terus memperbaharui datanya. Banyak persoalan yang perlu untuk
dipertimbangkan terutama saat memuat data yang sudah diperbaharui ke data
warehouse. Sementara melakukan pemutakhiran data warehouse, perlu
memastikan bahwa tidak ada data yang dilepaskan dan juga untuk memastikan
overhead minimum selama proses scanning file yang ada.[12]

Data mining
Data mining adalah proses menganalisa data dari perspektif yang berbeda dan
menyimpulkannya menjadi informasi-informasi penting yang dapat dipakai untuk
meningkatkan keuntungan, memperkecil biaya pengeluaran, atau bahkan keduanya.
Secara teknis, data mining dapat disebut sebagai proses untuk menemukan korelasi
atau pola dari ratusan atau ribuan field dari sebuah relasional
database yang besar.[7]
Data mining (DM) adalah proses mencari dan menggali hubungan antar data yang
berguna bagi penggunanya. Data mining (DM) juga merupakan proses mencari data
untuk menemukan yang sebelumnya tidak diketahui dari hubungan antara data yang
menarik untuk penggunanya (Han dan Kamber, 2001). Tahap terpenting dalam
mendapatkan pengetahuan dari dalam database adalah data mining. DM telah menjadi
bidang ilmu tersendiri (Fayyad, 1996; Chen dan Liu, 2005). Data mining adalah
subjek yang terus berkembang (Chen dan Liu, 2005) di mana digunakan untuk
mendapatkan pengetahuan (knowledge discovery) dari dalam database yang mengacu
pada keseluruhan proses mulai dari low-level data sampai ke high-level data. Data
mining adalah proses untuk menemukan suatu pola dan trend dari data. Tujuan dari
proses ini adalah menyusun data yang berjumlah besar untuk mendapatkan informasi
baru. Data mining juga dapat berarti eksplorasi dan analisis data secara otomatis atau
semi otomatis dari data yang jumlahnya besar untuk mendapatkan pola dan aturan
yang bermakna bagi penggunanya (Fayyad, U., Shapiro, G.P. dan Smyth, P. (1996).
Chang (2006) dan Yu dan Chen (2001) menjelaskan bahwa proses data mining terdiri
atas enam proses kerja utama yang dapat dilihat pada Gambar 2.
Kemampuan Data mining untuk mencari informasi bisnis yang berharga dari basis
data yang sangat besar, dapat dianalogikan dengan penambangan logam mulia dari
lahan sumbernya, teknologi ini dipakai untuk [2] :
1. Prediksi trend dan sifat-sifat bisnis, dimana data mining mengotomatisasi
proses pencarian informasi pemprediksi di dalam basis data yang besar.
2. Penemuan pola-pola yang tidak diketahui sebelumnya, dimana data mining
“menyapu” basis data, kemudian mengidentifikasi pola-pola yang sebelumnya
tersembunyi dalam satu sapuan.
Dalam aplikasinya, data mining sebenarnya merupakan salah satu bagian proses
Knowledge Discovery in Database (KDD) yang bertugas untuk mengekstrak pola
atau model dari data dengan menggunakan suatu algoritma yang spesifik. Adapun
proses KDD sebagai berikut : [1]
1. Data Selection : pemilihan data dari sekumpulan data operasional perlu
dilakukan sebelum tahap penggalian informasi dalam KDD dimulai.
2. Preprocessing : sebelum proses data mining dapat dilaksanakan, perlu
dilakukan proses cleaning dengan tujuan untuk membuang duplikasi data,
memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data,
seperti kesalahan cetak (tipografi). Juga dilakukan proses enrichment, yaitu
proses “memperkaya” data yang sudah ada dengan data atau informasi lain
yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal.
3. Transformation : yaitu proses coding pada data yang telah dipilih, sehingga
data tersebut sesuai untuk proses data mining. Proses coding dalam KDD
merupakan proses kreatif dan sangattergantung pada jenis atau pola informasi
yang akan dicari dalam database.
4. Data mining : proses mencari pola atau informasi menarik dalam data terpilih
dengan menggunakan teknik atau metode tertentu.
5. Interpretation / Evaluation : pola informasi yang dihasilkan dari proses data
mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak
yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang
disebut dengan interpretation. Tahap ini mencakup pemeriksaan apakah pola
 atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang
ada sebelumnya atau tidak.[1]

Untuk mendapatkan hasil yang baik dan bermanfaat dalam proses menggali informasi
yang tersembunyi di data warehouse perusahaan, diperlukan suatu proses data
mining yang terstruktur dengan baik. Dimana proses data mining ini sendiri terdiri
dari tahapan-tahapan yang mempunyai umpan balik dari setiap tahapan ke tahapan
sebelumnya sehingga dalam setiap tahapan terjadi evaluasi terhadap output yang
dihasilkan. Jika terjadi hasil yang tidak di inginkan maka dapat melakukan tahapan
yang dilakukan sebelumnya sampai memperoleh hasil yang terbaik dari setiap
tahapan.

C. Konsep Rancangan Data Warehouse dan Data Mining Pada Perusahaan

Telekomunikasi

Penggunaan data warehouse dan data mining telah ditearpkan pada sejumlah
penelitian yang dilakukan di dunia. Seperti penelitian dari judul “Data Warehouse A
Telecommunications Business Solution” (Papaiacovou,2000) yang menjadikan data
warehouse sebagai solusi bisnis bagi perusahaantelekomunikasi yang kemudian
diterapkan pada perusahaan Pacific Bell yaitu perusahaan telekomunikasi terbesar di
Amerika.
Permasalahan pada Pacific Bell terjadi ketika ada kebutuhan pengguna untuk
mengakses sejumlah data dengan jumlah banyak yang tersebar pada database yang
berbeda atau dalam bentuk file sedangkan hanya memiliki waktu yang terbatas. Data
warehouse menjadi solusi yang paling tepat untuk mengatasi permasalahan ini.

Kemudian penelitian menggunakan data mining salah satunnya adalah penelitian

dengan judul “Data Mining for Managing Quality of Service in Digital Mobile
Telecommunications Networks” (Vehvilainen, 2004). penelitian ini membahas
mengenai pengaplikasian teknik data mining pada kinerja jaringan GSM untuk
mengelola dan meningkatkan quality of service dari jaringan telekomunikasi.
Penelitian serupa dengan judul “Data Mining in Telecommunications” (Weiss, 2004)
membahas bagaimana data mining bisa digunakan untuk memunculkan informasi
berharga yang tersembunyi di dalam data telekomunikasi yang berguna
mengidentifikasi telecommunication fraud, meningkatkan efektivitas pemasaran dan
mengidentifikasi network fault.

DISCUSSION

Di sini, kami penulis menafsirkan data dalam hal pola data yang diamati, hubungan
antara data warehouse dan data mining memiliki kaitan penting dalam korelasi yang
dapat dilihat. Penulis harus menyertakan penjelasan tentang bagaimana hasilnya
berbeda dari yang di hipotesiskan atau bagaimana hasilnya berbeda dari atau serupa
dengan eksperimen terkait yang dilakukan oleh peneliti lain. Ingat bahwa eksperimen
tidak selalu perlu menunjukkan perbedaan atau tren utama menjadi penting. Hasil
"Negatif" juga perlu dijelaskan dan mungkin mewakili sesuatu yang penting -
mungkin fokus baru atau berubah untuk penelitian. Kemudia perancangan database
pada data warehouse setiap penelitian menyatakan ada keterkaitan erat dengan data
mining. Penulis melihat adannya peningkatan efektivitas pemasaran yang di dapat
pada perusahaan telekomunikasi ketika mengidentifikasi telecommunication fraud
yng terhubung dengan network fault. Menurut penulis perlu dibuat algoritma yang
lain untuk data-data yang lebih besar pada perusahaan telekomunikasi, dimana untuk
mengantisipasi traffic data pengguna yang naik secara drastis.
E. CONCLUSIONS

Berdasarkan penelitian yang sudah dilakukan, diperoleh kesimpulan- kesimpulan

sebagai berikut :

- Pengimplementasian data warehouse pada perusahaan telekomunikasi

membantu melihat informasi elemen jaringan dengan lebih cepat dan akurat.
Hal ini penting karena informasi yang diperoleh dengan cepat dapat dijadikan
sebagai bahan untuk analisis dan alert elemen jaringan sehingga keuntungan
dengan menggunakan data warehouse pun dapat diperoleh
- Pengimplementasian data mini g melalui time series analysis membantu
perusahaan dalam pengambilan keputusan yang tepat melakukan prediksi
(forecasting) terhadap data elemen jaringan yang dimiliki oleh perusahaan
telekomunikasi sehingga perusahaan dapat mengambil langkah-langkah
penting untuk menghadapinnya.

- Dengan pengumpulan data ke data warehouse dan penerapan data mining

(time series analysis) dapat membantu perusahaan telekomunikasi
menghadirkan quality of service yang baik dan mencapai atau bahkan
melampaui target KPI (Key Performance Indicator) yang ditetapkan.

SUGGESTIONS

Dari proses pelaksanaan perancangan data warehouse dan pemanfaatan teknik data
mining yang sudah dilakukan, terdapat beberapa saran yang berguna untuk penelitian
selanjutnya maupun untuk pengimplementasian data warehouse dan data mining pada
bidang yang sama. Saran tersebut antara lain :
- Dalam pengembangan selanjutnya presentasi data warehouse dan data mining
lebih dibuat menarik dalam bentuk visualisasi yang lebih baik untuk membantu
mengkomunikasikan hasil data warehouse dan data mining sehingga lebih banyak
manfaat yang di dapat.
- Hasil data mining yang dilakukan bisa dijadikan sebagai umpan balik untuk
memperbaiki proses data mining yang ada dan mencoba tek ik data mining dan
algoritma lain yang lebih sesuai untuk menemukan pola-pola yang bisa berguna bagi
penelitian yang dilakukan dan selanjutnya.
 DAFTAR PUSTAKA

(1) Chang, C., Chen, R. (2006). Using data mining technology to solve
classification problems: A case study of campus digital library. The Electronic
Library, 03, 307-321.
(2) Chen, S.Y., Liu, X. (2005). Data mining from 1994 to 2004: an application-
oriented review. International Journal of Business Intelligence and Data
Mining, 01 (01), 4-11.
(3) Fairuzabadi, Muhammad. Konsep Data Mining. 2015.
http://fairuzelsaid.com/konsep-data-mining/. (Diakses Pada Tanggal 31
Oktober 2017 Pukul 08.30 WIB)
(4) Fayyad, U., Piatetsky-Shapiro, G. and Smyth, P. (1996), The KDD process for
extracting useful knowledge from volumes of data. Communications of the
ACM, 39 (11), 07-34.
(5) https://repository.telkomuniversity.ac.id/pustaka/files/136776/jurnal_eproc/an
alisis-churn-prediction-pada-data-pelanggan-pt-telekomunikasi-
menggunakan-underbagging-dan-logistic-regression.pdf
(6) Mambur, Angga Ginanjar dan Riani Lubis. Penerapan Data Mining Untuk
Memprediksi Kriteria Nasabah Kredit. 2012. Edisi 1. Vol. 1.
http://komputa.if.unikom.ac.id/jurnal/penerapan-data-mining-
untuk.8/komputa-1-1-penerapan-data-mining-riani-8.pdf (Diakses pada
Tanggal 2 November 2017 Pukul 12.45 WIB)
(7) Miranda, Eka. Implementasi Data Warehouse Dan Data Mining: Studi Kasus
Analisis Peminatan Studi Siswa. 2011. Vol.2 No. 1. http://research-
dashboard.binus.ac.id/uploads/paper/document/publication/Proceeding/ComT
ech/Vol.%2002%20No.%201%20Juni%202011/01_EkaMiranda%20-Set-
OK.pdf. (Diakses 1 November 2017 pukul 20.30 WIB)
(8) Munawar. Perancangan Data Warehouse Untuk Penerimaan Mahasiswa
Baru. 2013. Vol.9 No.3.
http://download.portalgaruda.org/article.php?article=178327&val=4570&title
 =Perancangan%20Data%20Warehouse%20Untuk%20Penerimaan%20Mahasi
swa%20Baru. (Diakses pada tanggal 2 November 2017 pukul 1.05 WIB)
(9) Nugroho. Radityo Adi, Johan Tambotoh, dan Tony Justinus Hoetama.
Aplikasi Data Warehouse untuk Analisis Penjualan Mobil Berbasis
Multidimensional Modeling (MDM) dan Star Schema Design (Studi Kasus
PT. Asco Automotive). 2008. Vol. 5. No. 2.
http://repository.uksw.edu/bitstream/123456789/1064/2/ART_R%20Adi%20
Nugroho-Johan%20Tambotoh-
Tony%20Ju%20Hoetama_Aplikasi%20data%20warehouse%20untuk%20anal
isis_Full%20text.pdf (Diakses pada tanggal 31 Oktober 2017 pukul 1.05
WIB)
(10) Octhario, Raymond. Dan Sri Karnila. Sistem Data Mining Untuk
Mengetahui Tingkat Kecenderungan Memilih Menu Makanan Dengan Metode
Association Rule Mining (STUDI Kasus : Kedai Kemangi). 2013. Vol. 13.
no.1.
https://jurnal.darmajaya.ac.id/index.php/JurnalInformatika/article/download/1
28/pdf (Diakses Pada Tangga 2 November 2017 pukul 1248 WIB)
(11) Sutedi. Perancangan Data Warehouse dan Penerapan Data Mining Di
Bidang Akademik Pada Institut Informatika Dan Bisnis Darmajaya. .2010.
Vol.1. No. 1.
https://jurnal.darmajaya.ac.id/index.php/JurnalInformatika/article/download/1
28/pdf. (Diakses Pada Tanggal 2 November 2017 Pukul 12.51 WIB)
(12) Wah, T. Y., Peng, N. H., Hok, C. S. (2007). Building Data Warehouse.
Proceedings of the 24th South East Asia Regional Computer Conference.
(13) . Zain, Syahreza. Perancangan Data Mining.2008.Depok:Universitas