PENDAHULUAN
Data warehousing dan data mining merupakan dasar-dasar arsitektural bagi sistem-sistem
pendukung keputusan. Keduanya memiliki hubungan simbiotik dimana data warehouse
menyiapkan tahapan untuk kegiatan data mining yang efektif. Teknologi data warehouse telah
memungkinkan sebuah organisasi untuk mengelola dan menyimpan data bisnis dalam volume
yang sangat besar dalam bentuk yang dapat dianalisa. Kematangan dalam bidang kecerdasan
buatan telah pula menciptakan sekumpulan teknik machine learning (mesin pembelajaran) yang
berguna untuk mengotomatisasi kegiatan-kegiatan penting dan melelahkan guna mengungkapkan
pola-pola dalam database.
Data warehouse adalah suatu konsep dan kombinasi teknologi yang memfasilitasi organisasi
untuk mengelola dan memelihara data historis yang diperoleh dari sistem atau aplikasi
operasional [Ferdiana, 2008]. Pemakaian teknologi data warehouse hampir dibutuhkan oleh
semua organisasi, tidak terkecuali Perpustakaan. Data warehouse memungkinkan integrasi
berbagai macam jenis data dari berbagai macam aplikasi atau sistem.
Data Mining adalah serangkaian proses untuk menggali nilai tambah dari suatu kumpulan
data berupa pengetahuan yang selama ini tidak diketahui secara manual. Patut diingat bahwa kata
mining sendiri berarti usaha untuk mendapatkan sedikit barang berharga dari sejumlah besar
material dasar. Karena itu Data Mining sebenarnya memiliki akar yang panjang dari bidang ilmu
seperti kecerdasan buatan (artificial intelligent), machine learning, statistik dan database. Data
mining adalah proses menerapkan metode ini untuk data dengan maksud untuk mengungkap
pola-pola tersembunyi.
1
1.2 Rumusan Masalah
Untuk mengetahui pengertian, keuntungan dan manfaat dari Data Warehouse dan Data
Mining di kehidupan sehari-hari.
Tujuan dari penelitian ini adalah untuk mencari pengertian data warehouse dan data
mining kegunaannya dan kelebihannya. Penulis juga ingin mencari tahu apakah data warehouse
data mining ini bisa menjadi solusi bagi latar belakang diatas
2
BAB II
PEMBAHASAN
3
Membangun data warehouse tentu saja memberikan keuntungan lebih bagi suatu perusahaan,
karena data warehouse dapat memberikan keuntungan strategis pada perusahaan tersebut
melebihi pesaing-pesaing mereka. Keuntungan tersebut diperoleh dari beberapa sumber (Sean
Nolan,Tom Huguelet):
1. Kemampuan untuk mengakses data yang besar
2. Kemampuan untuk memiliki data yang konsistent
3. Kemampuan kinerja analisa yang cepat
4. Mengetahui adanya hasil yang berulang-ulang
5. Menemukan adanya celah pada business knowledge atau business process.
6. Mengurangi biaya administrasi
7. Memberi wewenang pada semua anggota dari perusaahan dengan menyediakan kepada
mereka informasi yang dibutuhkan agar kinerja bisa lebih efektif.
4
produk). Hal ini meng-gambarkan kebutuhan untuk me-nyimpan data pendukung keputus-ab
daripada aplikasi yang berorien-tasi data.
2. Integrated
pengambilan secara bersamaan sumber data yang berasal dari sis-tem aplikasi berbagai
perusaan be-sar yang berbeda. Sumber data sering tidak konsisten, misal berbe-da format.
Sumber data yang terin-tegrasi harus dapat dibuat konsis-ten untuk menggambarkan view
gabungan data ke pemakai.
3. Time variant
data warehouse hanya akurat dan valid pada saat tertentu atau beberapa interval waktu
tertentu.
4. Non volatile
data tidak diperbaharui secara real time tetapi diperbaharui dari sistem operasional secara
regular. Data baru selalu ditambahkan sebagai lampiran pada basis data, bukan menggantikan
data lama
1. Level Operasional
Level ini khusus menyimpan data yang berorientasi pada aplikasi secara detil dan
diutamakan untuk memenuhi kebutuhan operasional. Akses pada level operasional pada
5
umumnya memiliki frekuensi yang sangat tinggi. Level ini sering juga disebut dengan OLTP
(Online Analytical Transactional Processing)
2. Level Integrasi
Level ini menyimpan data historis yang terintegrasi serta berorientasi subjek. Data pada level
ini lebih sederhana daripada di level operasional dan tidak dapat di-update.
3. Level data mart
Level ini dirancang sesuai dengan kebutuhan dari pengguna dan merupakan data agregasi.
4. Level Individual
Level ini merupakan tempat terjadinya analisis dan reporting. Data pada level ini bersifat
temporal, ad hoc, heuristik, dan non retitif
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.
6
3.2 Fungsi dan Tujuan Data Mining
7
Untuk mempertegas hipotesis, seperti halnya 2 kali pendapatan keluarga lebih suka di pakai
untuk membeli peralatan keluarga, di bandingkan dengan satu kali pendapatan keluarga.
c. Exploratory
Menganalisis data untuk hubungan yang baru yang tidak di harapkan, seperti halnya pola apa
yang cocok untuk kasus penggelapan kartu kredit.
Dalam bidang apasaja data mining dapat diterapkan? Berikut beberapa contoh bidang penerapan
data mining:
a. Analisa pasar dan manajemen
Solusi yang dapat di selesaikan dengan Data Mining, diantaranya: Menembak target pasar,
Melihat pola beli pemakai dari waktu ke waktu, Cross-Market analysis, Profil Customer,
Identifikasi kebutuhan Customer, Menilai loyalitas Customer, Informasi Summary.
b. Analisa Perusahaan dan Manajemen resiko
Solusi yang dapat diselesaikan dengan data mining diantaranya: Perencanaan keuangan dan
evaluasi aset, perencanaan sumber daya (resource planning), persaingan (competition).
c. Telekomunikasi
Sebuah perusahaan telekomunikasi menerapkan data mining untuk melihat dari jutaan transaksi
yang masuk, transaksi mana sajakah yang masih harus ditangani secara manual
d. Keuangan
Financial Crimes Enforcement Network di Amerika Serikat baru-baru ini menggunakan data
mining untuk menambang triliyunan dari berbagai subyek seperti property, rekening bank dan
transaksi keuangan lainnya untuk mendeteksi transaksi-transaksi keuangan yang mencurigakan
(Seperti money laundry)
e. Asuransi
Australian Health Insurance Commision menggunakan data mining untuk mengidentifikasi
layanan lesehatan yang sebenarnya tidak perlu tetapi tetap dilakukan oleh peserta asuransi.
f. Olahraga
IBM Advanced Scout menggunakan data mining untuk menganalisis statistik permainan NBA
( jumlah shots blocked, assists dan fouls ) dalam rangka mencapai keunggulan bersaing
( competitive advantage ) untuk tim New York Knicks dan Miami Heat.
8
3.4 Proses Data Mining
Fase-fase dimulai dari data mentah dan berakhir dengan pengetahuan atau informasi yang
telah diolah, yang didapatkan sebagai hasil dari tahapan-tahapan berikut:
a. Data Cleansing, juga dikenal sebagai data cleansing, ini adalah sebuah fase dimana data-
data tidak lengkap, mengndung error dan tidk konsisten dibuang dari koleksi data,
sehingga data yang telah bersih relevan dapat digunakan untuk diproses ulang untuk
penggalian pengetahuan(discovery knowledge)
b. Data Integration, pada tahap ini terjadi integrasi data,dimana sumber-sumber data yang
berulang(multiple data), file-file yang berulang(multiple file), dapat dikombinasikan dan
digabungkan kedalam suatu sumber.
c. Data Selection, pada langkah ini, data yang relevan terhadap analisis dapat dipilih dan
diterima dari koleksi data yang ada.
d. Data Transformation, juga dikenal sebagai data consolidation. Pada tahap ini, dimana
data-data yang telah terpilih, ditransformasikan kedalam bentuk-bentuk yang cocok untuk
prosedur penggalian (meaning proedure) dengan cara melakukan normalisasi dan
agregasi data.
e. Data Mining, tahap ini adalah tahap yang paling penting, dengan menggunakan teknik-
teknik yang diaplikasikan untuk mengekstrak pola-pola potensial yang berguna.
f. Pattern Evaluation, pada tahap ini, pola-pola menarik dengan jelas mempresentasikan
pengetahuan telah diidentifikasi berdasarkan measure yang telah diberikan.
g. Knowledge Representation, ini merupakan tahap terakhir dimana pengetahuan yang telah
ditemukan secara visual ditampilkan kepada user.Tahap penting ini menggunakan teknik
visualisasi untuk membantu user dalam mengerti dan menginterpresentasikan hasil dari
data mining.
9
Statistik adalah cabang ilmu matematika yang mempelajari tentang sekumpulan dan deskripsi
data yang akan digunakan dalam membuat laporan tentang informasi yang penting agar
seseorang dapat membuat keputusan yang berguna. Salah satu keuntungan statistik adalah
menampilkan database dalam tampilan ber-level tinggi yang menyediakan informasi-informasi
yang berguna tanpa perlu mengerti setiap record secara detail.
b. Nearest Neighbour
Teknik prediksi pengelompokan dan nearest neighbour merupakan teknik yang tertua yang
digunakan dalam data mining. Nearest neighbour merupakan teknik prediksi yang hampir sama
dengan pengelompokan, untuk memperkirakan apakah nilai prediksi ada dalam satu record,
mencari kesamaan nilai prediktor didalam basis data historis dan menggunakan nilai prediksi
dari record yang “Terdekat” untuk tidak membagi-bagikan record.
c. Pengelompokan (Clustering)
Pengelompokan merupakan metode yang mengklasifikasikan data kedalam kelompok-kelompok
berdasarkan kriteria masing-masing data. Biasanya,teknik ini dipakai untuk memberikan
pengguna akhir sebuah gambaran level atas dari apa yang telah terjadi didalam basis data.
Pengelompokan terkadang digunakan untuk segmentasi.
2.Teknik generasi selanjutnya (The Next Generation Technique)
Decision Tree (Pohon Keputusan)
Pohon keputusan merupakan model prediktif yang dapat digambarkan seperti pohon, dimana
setiap node didalam struktur pohon tersebut mewakili sebuah pertanyaan yang digunakan untuk
menggolongkan data. Struktur ini dapat digunakan untuk membantu memperkirakan
kemungkinan nilai setiap atribut data.
Beberapa hal menarik tentang tree:
a. Tree ini membagi data pada setiap cabangnya tanpa kehilangan data sedikit pun. Jumlah total
record pada node parent sama dengan jumlah total record yang ada node children.
b. Sangat mudah dimengerti bagaimana sebuah model dibangun, kebalikan dengan model dari
neural network atau dari statistik standar.
c. Mudah untuk menggunakan model ini jika kita mempunyai target pelanggan yang sepertinya
tertarik dengan penawaran marketing.
10
BAB III
PENUTUP
4.1 KESIMPULAN
Keberadaan data warehouse sangat penting sebagai tools dari DSS, karena data warehouse
memang digunakan untuk itu. Dengan adanya data warehouse, diharapkan suatu perusahaan
dapat lebih unggul dari kompetitornya dan lebih jeli lagi dalam melihat peluang pasar.
Pada proses Data Mining hal yang paling penting adalah pada tahap “Data Mining” dengan
menggunakan teknik-teknik yang diaplikasikan untuk mengekstrak pola-pola potensial yang
berguna.
11