MAKALAH

DATA MINING : MEMAHAMI KETIDAKTAHUAN

Dosen : Ninik Probosari, S.E., M.Si.

Disusun Oleh :

KELOMPOK 12 / EM-B

1. Debby Sintasari D (141170296)

2. Yehezkiel Billy S (141170304)
3. Villy Arlietha T (141170305)

PROGRAM STUDI S1 MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”

YOGYAKARTA

2019

1
 BAB 1

PENDAHULUAN

A. LATAR BELAKANG

Data mining adalah suatu konsep yang digunakan untuk menemukan

pengetahuan yang tersembunyi di dalam database. Data mining merupakan proses
semi otomatik yang menggunakan teknik statistik, matematika, kecerdasan buatan,
dan machine learning untuk mengekstraksi dan mengidentifikasi informasi
pengetahuan potensial dan berguna yang tersimpan di dalam database besar. (Turban
et al, 2005 ). Data mining adalah bagian dari proses KDD ( Knowledge Discovery in
Databases) yang terdiri dari beberapa tahapan seperti pemilihan data, pra
pengolahan, transformasi, data mining, dan evaluasi hasil (Maimon dan Last, 2000).
KDD secara umum juga dikenal sebagai pangkalan data.
Teknik data mining secara garis besar dapat dibagi dalam dua kelompok:
verifikasi dan discovery. Metode verifikasi umumnya meliputi teknik-teknik statistik
seperti goodness of fit, dan analisis variansi. Metode discovery lebih lanjut dapat
dibagi atas model prediktif dan model deskriptif. Teknik prediktif melakukan
prediksi terhadap data dengan menggunakan hasil-hasil yang telah diketahui dari
data yang berbeda. Model ini dapat dibuat berdasarkan penggunaan data historis lain.
Sementara itu, model deskriptif bertujuan mengidentifikasi pola-pola atau hubungan
antar data dan memberikan cara untuk mengeksplorasi karakteristik data yang
diselidiki (Dunham, 2003).

B. RUMUSAN MASALAH
1. Apakah yang dimaksud dengan data mining?
2. Bagaimanakah data mining dan inteligensia bisnis?
3. Apakah yang dimaksud pendorong bisnis dan pendorong teknis?
4. Bagaimanakah DM Virtuous Cycle dan manajemen data itu?
5. Bagaimanakah data mining dalam praktik?
6. Bagaimana peran data mining dalam hubungan dengan mengelola pelanggan?

2
C. TUJUAN
Adapun tujuan dari penulisan makalah ini adalah:
1. Untuk mengetahui konsep data mining.
2. Untuk mengetahui dan memahami apa yang dimaksud data mining dan inteligensi
bisnis.
3. Untuk mengetahui pendorong bisnis dan pendorong teknis.
4. Untuk mengetahui DM Virtuous Cycle dan manajemen data.
5. Untuk mengetahui data mining dalam praktik.
6. Untuk mengetahui peran data mining dalam hubungan dengan mengelola
pelanggan.

3
 BAB II

PEMBAHASAN

A. PENGERTIAN DATA MINING

Data mining adalah sekumpulan pengetahuan ilmiah terakumulasi selama puluhan tahun
membentuk disiplin ilmu yang mapan, seperti statistik, pembelajaran mesin, dan kecerdasan
buatan. Data mining merupakan teknologi yang berkembang dari sistem transaksi volume
tinggi,gudang data, dan internet. Komunitas bisnis dipaksa oleh lingkungan persaingan
intensif untuk berinovasi dan mengintegrasikan ide, konsep, dan alat baru untuk
meningkatkan operasi dan kualitas data mining.

Definisi alternatif lain menurut beberapa ahli, antara lain:

 Pencarian hubungan dan pola global yang ada dalam database besar, tetapi
tersembunyi diantara sejumlah besar data (Holsheimer and Kersyen 1994).
 Satu set teknik yang digunakan dalam pendekatan otomatis untuk mengeksplorasi
secara mendalam dan membawa ke hubungan kompleks permukaan dalam kumpulan
data yang sangat besar (Moxon 1996).
 Proses menemukan pola dan hubungan yang sebelumnya tidak diketahui dan
berpotensi menarik dalam basis data besar (Fayyad et al. 1996).

B. DATA MINING DAN INTELIGENSI BISNIS

Inteligensi Bisnis (IB) merupakan istilah global untuk semua proses, teknik, dan alat yang
mendukung pengambilan keputusan bisnis berdasarkan teknologi informasi. Pendekatan
dapat berkisar dari spreadsheet sederhana hingga sistem pendukung keputusan tingkat lanjut.

Teknologi Inteligensia Bisnis dapat menangani data yang tak terstruktur dalam jumlah
yang sangat besar untuk membantu mengidentifikasi, mengembangkan, dan membuat
kesempatan strategi bisnis yang baru. Tujuan dari IB, yaitu untuk memudahkan interpretasi
dari jumlah data yang besar tersebut. Mengidentifikasi kesempatan yang baru dan
mengimplementasikan suatu strategi yang efektif berdasarkan wawasan dapat menyediakan
bisnis suatu keuntungan pasar yang kompetitif dan stabilitas jangka panjang.

BI dapat digunakan untuk mendukung sejumlah besar keputusan bisnis mulai dari operasi
sampai strategis. Keputusan operasi termasuk penempatan dan harga produk. Keputusan

4
strategis termasuk prioritas, tujuan dan arah pada tingkat yang lebih luas. Pada semua kasus,
IB lebih efektif bila digabungkan dengan data yang didapat dari pasar tempat perusahaan
beroperasi (data eksternal) dengan data dari sumber internal bisnis perusahaan seperti data
operasi dan finansial (data internal). Bila digabungkan, data eksternal dan internal bisa
menyediakan gambaran yang lebih lengkap, yang efeknya, menciptakan "inteligensi" yang
tidak dapat diturunkan dari kumpulan data tunggal manapun.

C. PENDORONG BISNIS
a. Kompetisi
Persaingan ekonomi saat ini membutuhkan pemahaman tentang kebutuhan dan
perilaku pelanggan dan fleksibilitas untuk menanggapi permintaan pasar dan
tantangan pesaing.
b. Informasi yang Mengenyangkan
Manajer saat ini dihadapkan dengan volume data yang semakin besar,
dikumpulkan dan disimpan di berbagai database dan merupakan tantangan untuk
pengambilan keputusan.
c. Melayani Pengetahuan Karyawan secara Efisien
Database menyediakan perusahaan dengan memori transaksional. Memori sedikit
digunakan tanpa kapasitas kecerdasan untuk memperoleh dan menerapkan
pengetahuan.
I. Jenis dan Kebutuhan Pengetahuan Karyawan

5
 JENIS
 Analisis Pengetahuan
 Pengguna Pengetahuan
 Pelanggan Pengetahuan
KEBUTUHAN
Alat canggih untuk penyelidikan
dan analisis penelitian mereka.
Tinjau dan analisis data
Akses mudah ke informasi

D. PENDORONG TEKNIS

Tujuan dari DM adalah untuk mengoptimalkan penggunaan data yang tersedia dan
mengurangi risiko membuat keputusan yang salah. Statistik dan pembelajaran mesin
dianggap sebagai dasar analitis di mana DM dikembangkan.

a. Peran Statistik
Dengan database yang mengatur catatan dari ratusan atribut, metodologi statistik
dari hipotesis dan uji paradigm menjadi proses yang memakan waktu. DM
membantu mengotomatiskan formulasi dan penemuan hipotesis baru.
b. Pembelajaran Mesin
Disiplin ilmu dianggap sebagai sub-bidang kecerdasan buatan. Sebaliknya, DM
adalah proses bisnis yang berkaitan dengan menemukan pengetahuan yang dapat
dimengerti dari database dunia nyata yang sangat besar.
c. Gudang Data (Data Warehouse)
Mengekstraksi dan mengubah data operasional menjadi data informasi atau
analitis dan memuatnya ke gudang data pusat.
 Fitur utama Gudang Data :
1. Berorientasi pada subjek
Artinya, gudang data didesain untuk menganalisis data berdasarkan subjek-
subjek utama dari perusahaan seperti pelanggan, produk, dan sales serta
tidak diorganisasikan pada area-area aplikasi utama seperti customer
invoicing,stock control dan product sales. Hal ini dikarenakan kebutuhan dari
data warehouse untuk menyimpan data-data yang bersifat sebagai penunjang
suatu keputusan, dari pada aplikasi yang berorientasi terhadap data. Jadi
dengan kata lain, data yang disimpan adalah berorientasi kepada subjek bukan
terhadap proses.

6
2. Terintegrasi
Artinya, data tidak bisa dipecah-pecah karena data yang ada merupakan suatu
kesatuan yang menunjang keseluruhan konsep data warehouse itu sendiri.
Syarat integrasi sumber data dapat dipenuhi dengan berbagai cara sepeti
konsisten dalam penamaan variable,konsisten dalam ukuran variable,konsisten
dalam struktur pengkodean dan konsisten dalam atribut fisik dari data.
Contoh pada lingkungan operasional terdapat berbagai macam aplikasi yang
mungkin pula dibuat oleh developer yang berbeda. Oleh karena itu, mungkin
dalam aplikasi-aplikasi tersebut ada variable yang memiliki maksud yang
sama tetapi nama dan formatnya berbeda. Variable tersebut harus dikonversi
menjadi nama yang sama dan format yang disepakati bersama. Dengan
demikian tidak ada lagi kerancuan karena perbedaan nama, format dan lain
sebagainya. Barulah data tersebut bisa dikategorikan sebagai data yang
terintegrasi karena kekonsistenannya.
3. Rentang Waktu
Seluruh data pada data warehouse dapat dikatakan akurat atau valid pada
rentang waktu tertentu. Untuk melihat interval waktu yang digunakan dalam
mengukur keakuratan suatu data warehouse, kita dapat menggunakan cara
antara lain :
a. Cara yang paling sederhana adalah menyajikan data warehouse pada
rentang waktu tertentu, misalnya antara 5 sampai 10 tahun ke depan.
b. Cara yang kedua, dengan menggunakan variasi/perbedaan waktu yang
disajikan dalam data warehouse baik implisit maupun explisit. Secara
explisit, misalnya dengan unsur waktu dalam hari, minggu, bulan dsb.
Secara implisit, misalnya dengan menduplikasi data pada setiap akhir
bulan, atau per tiga bulan.
c. Cara yang ketiga,variasi waktu yang disajikan data warehouse melalui
serangkaian snapshot yang panjang. Snapshot merupakan tampilan dari
sebagian data tertentu sesuai keinginan pemakai dari keseluruhan data
yang ada bersifat read-only.
4. Tidak mudah berubah
Artinya, data warehouse tidak di-update secara real time tetapi di refresh dari
sistem operasional secara reguler. Data yang baru selalu ditambahkan sebagai
7
 suplemen bagi database itu sendiri. Database tersebut secara kontinyu
menyerap data baru ini, kemudian secara incremental disatukan dengan data
sebelumnya. Hanya ada dua kegiatan memanipulasi data pada data warehouse,
yaitu loading data (mengambil data) dan akses data (mengakses data
warehouse seperti melakukan query atau menampilan laporan yang
dibutuhkan, tidak ada kegiatan updating data).

Gambar 12.3. Gudang Data dan Kerangka Teknologi DM

OLAP (Pengolahan Analitik online)

Adalah jenis perangkat lunak yang digunakan untuk melakukan permintaan terhadap
data dalam bentuk yang kompleks dan bersifat sementara serta sewaktu-waktu. OLAP
memanipulasi dan menganalisis data bervolume besar dari berbagai perspektif
(multidimensi). OLAP bekerja dengan data dalam bentuk multidimensi.

OLAP menggunakan daya komputasi dan antarmuka grafis untuk memanipulasi data
dengan mudah dan cepat pada kenyamanan pengguna. Tujuan OLAP adalah menggunakan
informasi dalam sebuah basis data (data warehouse) untuk memandu keputusan-keputusan
yang strategik.

 Kekuatan Olap :
1. Alat visualisasi yang kuat,

8
 2. Alat interaktif yang mudah digunakan, dan
3. Dapat digunakan sebagai langkah awal dalam memahami data.
 Batasan OLAP :
1. Tidak menemukan pola secara otomatis,
2. Tidak memiliki teknik analitis yang kuat.

EVOLUSI KEPUTUSAN PEMBUATAN ARSITEKTUR

Integrasi pemrosesan keputusan ke dalam proses bisnis secara keseluruhan yang

dicapai dengan membangun sistem loop tertutup, di mana keluaran aplikasi pemrosesan
keputusan dikirim ke pengguna dalam bentuk tindakan yang direkomendasikan. Dalam
lingkungan bisnis elektronik, banyak perusahaan mencari untuk memperluas pemrosesan
loop tertutup untuk secara otomatis menyesuaikan operasi bisnis berdasarkan pesan yang
dihasilkan oleh mesin keputusan.

Gambar 12.4. Pendekatan Konvensional untuk Pengambilan Keputusan Perusahaan

E. DM VIRTUOUS CYCLE
I. PENGERTIAN DAN KONSEP DM VIRTUOUS CYCLE
• Memanfaatkan kekuatan data dan mengubahnya menjadi nilai tambah bagi seluruh
organisasi

9
  Kemampuan:
1. Respons terhadap pola yang diekstraksi,
2. Pemilihan tindakan yang tepat,
3. Belajar dari tindakan masa lalu,dan
4. Mengubah tindakan menjadi nilai bisnis.
II. PENGERTIAN BISNIS

Langkah pertama dalam siklus DM yang baik adalah mengidentifikasi peluang

bisnis, yaitu mendefinisikan masalah yang dihadapi oleh perusahaan. Tujuannya
adalah untuk mengidentifikasi area di mana data dapat memberikan nilai.
Mendefinisikan masalah tersebut harus melibatkan ahli teknis dan bisnis.

III. MENGEMBANGKAN APLIKASI DM

1. Tentukan tugas penambangan data yang memadai
2. Mengatur data untuk analisis
3. Gunakan teknik DM yang tepat untuk membangun model data
4. Validasi model
IV. TUGAS DM
a. Clustering:
Yaitu, mengindentifikasikan kelompok-kelompok dari barang-barang atau produk-
produk yang mempunyai karakteristik khusus . Clustering berfungsi untuk

10
 menemukan kelompok yang sangat berbeda satu sama lain, tetapi anggotanya mirip
satu sama lain.
b. Klasifikasi
Fungsi klasifikasi mengidentifikasi karakteristik sebuah grup. Contoh: pelanggan-
pelanggan perusahaan yang telah berpindah kesaingan perusahaan yang lain.
c. Kelompok Afinitas
Pendekatan deskriptif untuk mengeksplorasi data yang dapat membantu
mengidentifikasi hubungan antar nilai dalam basis data. Dua pendekatan yang paling
umum adalah:
 Penemuan asosiasi
 Pencarian sekuen

F. MANAJEMEN DATA
I. PENGERTIAN DAN KONSEP

Bagian paling menantang dari proyek DM adalah tahap manajemen data. Setidaknya
40 persen dari proyek DM dihabiskan untuk tahap ini.

II. SUMBER DATA

1. File datar adalah suatu tabel yang memiliki kolom-kolom yang berulang.
2. Database relasional
3. Gudang data
4. Basis data geografis
5. Database seri waktu
6. World Wide Web

G. DATA MINING DALAM PRAKTIK

1. PENGUJIAN MODEL DAN ANALISIS HASIL
 Meninjau tujuan bisnis dan kriteria keberhasilan,
 Menilai keberhasilan proyek DM untuk memastikan semua tujuan bisnis telah
dimasukkan,
 Mengidentifikasi faktor-faktor yang terlewatkan,
 Memahami hasil penambangan data,
 Menafsirkan hasil,dan

11
 Membandingkan hasil dengan akal sehat dan basis pengetahuan untuk mendeteksi
setiap penemuan berharga.
2. MENGAMBIL TINDAKAN DAN PENYELENGGARAAN
 Meringkas hasil yang dapat disebarkan,
 Mengidentifikasi pengguna pengetahuan yang ditemukan dan mencari tahu cara
menyampaikan dan menyebarkannya,
 Menetapkan ukuran kinerja untuk memantau manfaat yang diperoleh dengan
penerapan hasil DM.
H. PERAN DATA MINING DALAM HUBUNGAN DENGAN MENGELOLA
PELANGGAN

1. LAYANAN PELANGGAN
Tantangan Bisnis - memahami bahwa preferensi individu pelanggan adalah kunci
untuk memuaskan mereka. Tujuan DM, antara lain :
 Profil akuisisi pelanggan,
 Penjualan berorientasi pelanggan,
 Belanja online,
 Prediksi tingkat staf,
 Menargetkan pasar,
 Profil retensi pelanggan,
 Perutean permintaan,
 Notifikasi scenario,dan
 Penambangan web untuk prospek.

2. INDUSTRI KEUANGAN
Tantangan bisnis pada Industri Keuangan adalah mempertahankan loyalitas pelanggan
merupakan yang paling penting bagi industri ini. Tujuan DM, antara lain :
 Aplikasi statistik dan DM yang terfokus adalah lazim,
 Manajemen risiko untuk semua jenis kredit dan deteksi penipuan.

Financial Crimes Enforcement Network di Amerika Serikat baru-baru ini

menggunakan data mining untuk menambang triliyunan dari berbagai subyek seperti

12
 property, rekening bank dan transaksi keuangan lainnya untuk mendeteksi transaksi-
transaksi keuangan yang mencurigakan (Seperti money laundry).

3. BISNIS PERAWATAN KESEHATAN

Tantangan bisnis pada Bisnis Perawatan Kesehatan, antara lain :
 Menjaga laju kemajuan teknologi dan medis,
 Biaya adalah masalah konstan di pasar yang selalu berubah.
Tujuan DM, antara lain :
 Kegiatan DM awal telah difokuskan pada aplikasi yang berorientasi keuangan,
 Model prediktif telah diterapkan untuk memprediksi lama masa tinggal, biaya total,
dan bahkan kematian.

4. INDUSTRI TELEKOMUNIKASI
Sebuah perusahaan telekomunikasi menerapkan data mining untuk melihat dari jutaan
transaksi yang masuk, transaksi mana sajakah yang masih harus ditangani secara
manual. Tantangan Bisnis pada Industri Telekomunikasi, antara lain :
 Mengikuti laju perubahan teknologi,
 Deregulasi adalah mengubah lanskap bisnis, menghasilkan persaingan dari berbagai
penyedia layanan,dan
 Mencari dan mempertahankan pelanggan.
Tujuan DM, antara lain :
 Profil pelanggan,
 Penipuan berlangganan dan aplikasi kredit digunakan di seluruh industry,dan
 Kekhawatiran tentang privasi dan keamanan cenderung menghasilkan aplikasi DM
yang ditargetkan ke area-area ini.

13
 BAB III

PENUTUP

Data mining merupakan serangkaian proses untuk mendapatkan informasi yang

berguna dari gudang basis data yang besar. Data mining juga dapat diartikan sebagai
pengekstrakan informasi baru yang diambil dari bongkahan data besar yang membantu dalam
pengambilan keputusan.

DAFTAR PUSTAKA

14
http://vischaarrofiv.blogspot.com/2015/03/definisi-business-intelligence.html

https://rully6092.wordpress.com/data-mining-data-warehouse/

http://nouvaryu.blogspot.com/2017/01/makalah-data-mining-kata-pengantar-puji.html

15