PTI
PTI
Contoh kasus: Manajer produksi dari PT Araya selalu melakukan kegiatan rutin
setiap awal bulan, yaitu dengan membeli bahan baku untuk persediaan
perusahaan.
Tidak Terstruktur merupakan keputusan yang tidak dapat diprogram dan tidak
selalu dapat terjadi. Keputusan ini terjadi dalam manajemen tingkat atas.
Contoh: Pak Anton adalah seorang Presiden Direktur PT.8 Jaya. Ia harus
mampu mengambil keputusan dengan cepat demi kelangsungan perusahaannya.
Pengambilan keputusan yang dia ambil berdasarkan informasi pasar yang harus
selalu didengar dan diketahui.
10.2.3 Tingkat-tingkat Keputusan
Keputusan terbagi atas empat tingkatan yaitu keputusan otomatis, bedasarkan
informasi yang diharapakan, bedasarkan pertimbangan, serta berdasarkan
ketidakpastian ganda. Keputusan otomatis merupakan bentuk keputusan yang dibuat
dengan sangat sederhana. Contohnya seorang pengendara sepeda motor
mendapatkan informasi di perempatan jalan berupa lampu merah, sehingga
pengendara memutuskan untuk berhenti. Keputusan berdasarkan informasi adalah
tingkat keputusan dengan informasi yang cukup kompleks, artinya informasi yang
ada telah memberi instruksi penyelesaian, namun belum optimal dan masih harus
dipelajari. Keputusan bedasarkan pertimbangan adalah tingkat keputusan yang
cenderung membutuhkan informasi yang akan dikumpulkan serta dianalisis untuk
dipertimbangkan agar menghasilkan keputusan. Contohnya seseorang yang akan
membeli ponsel, maka ia akan membandingkan antara beberapa merk. Ia akan
membandingkan harga, kualitas, serta modelnya sebelum aakhirnya mengambil
keputusan final. Keputusan bedasarkan ketidakpastian ganda adalah tingkat
keputusan tersulit. Keputusan ini memerlukan informasi yang lebih banyak dan
didalamnya terdapat unsur ketidakpastian. Keputusan ini cenderung meningkkatkan
risiko dan keraguan dalam mengambil keputusan final.
Eksekutif senior bertugas untuk menghadapi berbagai situasi keputusan yang tidak
terstruktur, seperti menetapkan tujuan 10 tahun perusahaan.
Langkah-langkah ini sering menjadi fokus pengembang atau analis data teknis yang
dapat menggunakan beberapa alat khusus untuk melakukan tugas mereka.
Tinjauan Data(Data Review) adalah langkah terakhir dalam proses, yang berfokus
pada memastikan data keluaran memenuhi persyaratan transformasi. Biasanya
pengguna bisnis atau pengguna akhir data yang melakukan langkah ini. Setiap
anomali atau kesalahan dalam data yang ditemukan dan dikomunikasikan kembali
kepada pengembang atau analis data sebagai persyaratan baru untuk diterapkan
dalam proses transformasi.
AWK - salah satu bahasa transformasi data tekstual tertua dan populer;
Perl - bahasa tingkat tinggi dengan sintaks prosedural dan berorientasi objek
yang mampu melakukan operasi yang kuat pada data biner atau teks;
Template Languages - khusus untuk mengubah data menjadi dokumen;
TXL - prototipe deskripsi berbasis bahasa, digunakan untuk kode sumber atau
transformasi data;
XSLT - bahasa transformasi data XML standar (cocok oleh XQuery di banyak
aplikasi);
Selain itu, perusahaan seperti Trifacta dan Paxata telah mengembangkan bahasa
transformasional khusus domain (DSL) untuk melayani dan mengubah kumpulan
data. Pengembangan bahasa khusus domain telah dikaitkan dengan peningkatan
produktivitas dan aksesibilitas bagi pengguna non-teknis. “ Perselisihan” Trifacta
adalah contoh dari bahasa spesifik domain tersebut.
Keuntungan lain dari tren DSL baru-baru ini adalah bahwa DSL dapat abstrak
eksekusi yang mendasari logika yang didefinisikan dalam DSL, tetapi juga dapat
memanfaatkan logika yang sama di berbagai mesin pemrosesan,
seperti Spark, MapReduce, dan Dataflow. Dengan DSL, bahasa transformasi tidak
terikat ke mesin.
10.2.2 Sejarah
Konsep pendukung keputusan sudah berkembang sejak lama, teruatama sejak
adanya studi teoritis pengambilan keputusan organisasi dari Carnage Institute of
Technology di akhir 1950-an dan awal 1960-an, dan diimplementasikan pada 1960-
an. Sistem pendukung keputusan menjadi bidang penelitian tersendiri pada
pertengahan tahun 1970-an, sebelum intensitasnya meningkat selama tahun 1980-an.
Pada pertengahan dan akhir 1980-an, Executive Information Systems (EIS), Group
Decision Support Systems (GDSS), dan Organizational Decision Support Systems
(ODSS) berkembang dari pengguna tunggal dan Sistem Pendukung Keputusan yang
berorientasi pada model.
Merujuk pada Sol (1987) ruang lingkup dan definisi Sistem Pendukung
Keputusan telah melakukan migrasi selama bertahun-tahun: di tahun 1970-an Sistem
Pendukung Keputusan didefinisikan sebagai “sistem berbasis komputer yang dapat
membantu dalam mengambil keputusan”; pada akhir 1970-an Sistem Pendukung
Keputusan mulai berfokus pada “sistem berbasis komputer yang interaktif dan dapat
membantu dalam membuat keputusan dengan memanfaatkan basis data dan model
dalam menyelasaikan masalah yang tidak terstruktur”; pada 1980-an Sistem
Pendukung Keputusan harus memiliki sistem “menggunakan teknologi yang sesuai
dan tersedia agar dapat meningkatkan keefektivan dalam kegiatan manajerial dan
profesional”, dan pada akhir 1980-an Sistem Pendukung Keputusan mendapat
tantangan menuju desain workstation yang cerdas.
10.2.3 Taksonomi
Dengan hubungan antara pengguna sebagai kriteria, Haettenschwiler membagi
Sistem Pendukung Keputusan menjadi aktif, pasif, dan kooperatif. Sistem
Pendukung Kepututsan aktif membantu dalam mengambil keputusan dan dapat
memberikan saran atau solusi pada keputusan tersebut. Sistem Pendukung
Keputusan pasif juga membantu dalam mengambil keputusan, tetapi tidak bisa
menghasilkan saran atau solusi keputusan eksplisit. Sedangkan Sistem Pendukung
Keputusan kooperatif memiliki kemungkinan untuk melakukan proses berulang
antara manusia dan sistem menuju solusi yang terkonsolidasi: pembuat keputusan
(atau penasihatnya) dapat melakukan modifikasi, menyelesaikan, atau memperbaiki
saran yang diberikan sistem, sebelum dikirim kembali ke sistem untuk melakukan
validasi, dan sistem kembali melakukan peningkatan, melengkapi, dan memperbaiki
saran dari pengambil keputusan dan mengirimnya kembali kepada mereka untuk
dilakukan validasi.
10.2.4 Komponen
Sistem Pendukung Keputusan memiliki tiga komponen dasar yaitu:
Paket perangkat lunak DSS disebut generator DSS. Mereka berisi model-model basis
data, model, dan pembuatan, interogasi, dan pemeliharaan basis data DSS, modul
manajemen basis model menyediakan kemampuan untuk membuat, memelihara, dan
memanipulasi model-model matematika dalam basis model dengan menggunakan
kemampuan yang disediakan oleh paket-paket pemodelan.
DSS berisi data dan informasi yang diekstrak dari basis data organisasi, basis data
eksternal. Ini mencakup data dan informasi yang dirangkum yang paling dibutuhkan
oleh manajer untuk jenis keputusan tertentu.
Basis model mencakup perpustakaan model matematika dan teknik analisis yang
disimpan dalam berbagai modul dan file program. Perangkat lunak manajemen basis
model untuk membuat model terintegrasi untuk mendukung keputusan tertentu dapat
menggabungkan komponen model.
Ada empat fase dalam kerangka kerja awal Sistem Pendukung Keputusan:
Level Sistem Pendukung Keputusan (Perangkat keras dan lunak) terdiri dari:
Aplikasi yang akan digunakan oleh user. Bagian dari aplikasi ini memungkinkan
pembuat keputusan untuk membuat keputusan di berbagai bidang masalah. User
dapat melakukan tindakan yang sesuai dengan masalah itu.
Pada Generator terdapat Hardware/Software yang memungkinakan user untuk
membuat aplikasi Sistem Pendukung Keputusan yang spesifik. Di level ini
menggunakan berbagai tool atau sistem seperti Analytica, iThink, dan Crystal.
Tools tediri dari hardware/software level rendah. Generator Sistem Pendukung
Keputusan tediri dari bahasa spesial, library fungsi, dan modul tautan.
Perusahaan menerapkan proses EDM untuk infrastruktur bisnis dan teknologi untuk
alasan berikut:
Untuk menghasilkan laba yang lebih tinggi dari investasi jangka panjang
Untuk meningkatkan kompleksitas keputusan bisnis
Untuk mengurangi tekanan kompetitif akibat keputusan yang semakin rumit
Untuk memanfaatkan peluang manfaat kompetitif yang terbatas (TI berjuang
untuk mengimbangi perkembangan bisnis)
10.5 Data Mining
10.2.1 Pengertian
Data Mining adalah proses menemukan pola dalam kumpulan data besar yang
melibatkan metode statistik, system basis data, dan metode di persimpangan
pembelajaran mesin.Istilah “data mining” adalah istilah banyak orang keliru, karena
tujuannya adalah ekstrasi pola dan pengetahuan dari sejumlah besar data, bukan
ekstrasi(penambangan) data itu sendiri. Suatu pola dikatakan menarik apabila pola
tersebut penting, implisit, belum diketahui sebelumnya dan berguna/bermanfaat.
Pola yang disajikan haruslah mudah dipahami, berlaku untuk data yang akan
diprediksi dengan derajat kepastian tertentu, berguna, dan baru. Penggalian data(data
mining) memiliki beberapa nama alternatif, meskipun definisi eksaknya berbeda,
seperti KDD (knowledge discovery in database), analisis pola, arkeologi data,
pemanenan informasi, dan intelegensis bisnis. Data mining diperlukan saat data yang
tersedia terlalu banyak (misalnya data yang diperoleh dari sistem basis
data perusahaan, e-commerce(perdagangan elektronik), data saham, data sensus dan
data bioinformatika).
Analisis data tanpa menggunakan otomasi dari penggalian data adalah tidak
memungkinkan lagi, kalau data terlalu banyak, dimensionalitas data terlalu besar,
data terlalu kompleks untuk dianalisis manual (misalnya: data time series, data
spatiotemporal, data multimedia, dan data streams).
Berikut ini adalah 10 algoritma penggalian data yang paling populer berdasarkan
konferensi ICMD(Indonesia Capital Market Directory), semua algoritma
dinominasikan oleh para pemenang ACM KDD Innovation Award dan IEEE ICMD
Research Contributions Award:
C4.5 mendapatkan 61 suara.
k-Means mendapatkan 60 suara.
Support Vector Machine mendapatkan 58 suara.
Apriori mendapatkan 52 suara.
EM mendapatkan 48 suara.
PageRank mendapatkan 46 suara.
AdaBoost mendapatkan 45 suara.
kNN mendapatkan 45 suara.
Naive Bayes mendapatkan 34 suara.
Analisis visual
Ada banyak cara untuk merancang elemen visual dasbor kinerja yang tak
terbatas. Sebagian besar dasbor mengatur serangkaian bagan terkait dalam templat
kisi, biasanya dua-dua atau tiga-tiga, dan menggunakan beberapa tab atau tombol
radio untuk mengelompokkan bagan berdasarkan kategori. Mereka juga biasanya
menampilkan filter di atas atau di samping grafik tempat mereka berlaku, serta
tautan ke dasbor atau laporan terkait. Dasbor terbaik menampilkan data ringkasan
secara grafis sehingga dapat dikonsumsi sekilas dan kemudian memberikan akses ke
informasi terperinci yang mungkin dibutuhkan pengguna dalam tiga klik.
Misalnya, dasbor dari Rohm & Haas (sekarang dimiliki oleh Dow Chemical)
tertanam di portal perusahaan perusahaan, yang memiliki tautan (tersusun di atas) ke
konten perusahaan lain serta dasbor lain yang ditempati oleh portal. Dasbor itu
sendiri terdiri dari tabel 10 indikator kinerja utama (ditetapkan oleh eksekutif
puncak) yang berlaku untuk setiap unit bisnis dan wilayah di perusahaan, bersama
dengan target terkait (tahun lalu, varians, perubahan persentase, dan sebagainya). Di
sebelah setiap metrik adalah lampu lalu lintas visual, yang menunjukkan status
kinerja untuk metrik yang diberikan terhadap target yang dipilih. Lampu lalu lintas
mungkin adalah cara paling umum untuk secara visual menyoroti kondisi
pengecualian di dasbor karena mereka menarik perhatian pengguna dengan cepat.
Di bawah kisi adalah dua bagan yang agak interaktif yang menunjukkan garis
waktu seri untuk metrik yang disorot oleh kursor pengguna di atas. Panel di sebelah
kiri berisi jalur navigasi ke tampilan saat ini, dan di bawahnya, satu set filter yang
dapat digunakan pengguna untuk mengubah lansiran di grid dan menelusuri untuk
melihat kinerja sepanjang metrik yang sama di tingkat yang lebih rendah dari
organisasi. (Filter ini bersifat "universal" karena berlaku untuk semua objek di layar
alih-alih satu objek.) Bagian bawah panel berisi tautan bersandi keras ke dasbor dan
laporan terkait.
Seperti yang Anda lihat, dasbor perusahaan Rohm & Haas memberikan eksekutif
dan manajer potret kinerja untuk domain mereka dengan peringatan untuk menyorot
pengecualian dan tingkat interaktivitas yang moderat untuk menelusuri detail dan
melihat informasi terkait. Dengan pandangan sekilas, eksekutif dan manajer dapat
melihat status dan tren kinerja di bidang mereka dan bagaimana perbandingannya
dengan tolok ukur utama. Banyak perusahaan mengadopsi jenis visualisasi ini untuk
memantau dan mengelola kinerja dengan lebih baik.
Dibandingkan dengan alat OLAP, alat analisis visual tidak memerlukan orang IT
untuk merancang model data dimensi. Alat-alat menggunakan pendekatan "load-and-
go" di mana analis memuat data mentah dari berbagai sumber dan cukup
menghubungkan tabel di sepanjang kunci umum untuk mendapatkan tampilan yang
seragam dari kumpulan data. Akibatnya, sebagian besar alat analisis visual dapat
digunakan dalam beberapa jam atau beberapa hari atau minggu, tergantung pada
jumlah sumber data dan kompleksitas serta kebersihannya.
Analis atau pengembang sering menggunakan alat penemuan visual untuk
membuat dan menerbitkan dashboard departemen interaktif untuk pengguna biasa.
Mereka sering membuat dasbor pada mesin desktop dan kemudian menerbitkannya
ke server departemen untuk konsumsi umum. Ketika melakukannya, para
pengembang umumnya menghapus beberapa fungsi analitik dan opsi yang mungkin
membanjiri pengguna biasa.
Sistem 64-bit dan server multi-core. Mesin charting mengunyah banyak siklus
CPU, terutama jika grafiknya interaktif. Grafik render, terutama di lingkungan
berbasis server, membutuhkan banyak tenaga kuda. Platform 64-bit saat ini dan
prosesor multi-core mempercepat pemrosesan visual untuk memberi pengguna
lebih banyak lingkungan visual yang dinamis dan interaktif untuk melihat data.
RAM dan kompresi. Banyak alat visualisasi bekerja dengan data dalam memori
untuk memastikan interaktivitas kecepatan berpikir. Dengan harga untuk
menjatuhkan RAM, lebih mudah bagi pengguna listrik untuk menganalisis set
data besar (hingga 50 juta catatan) yang tersimpan dalam memori. Teknik
kompresi baru meningkatkan jumlah data yang dapat disimpan dalam memori
— tetapi berhati-hatilah dengan hukuman kinerja dekompresi.
Applet Java / kontrol Active X. Aplikasi mini ini dijalankan di dalam browser
Web dan dijalankan di dalam mesin virtual atau kotak pasir. Tindakan
mengeksekusi secepat kode terkompilasi, menjadikannya cara mudah untuk
membuat ulang aplikasi berfitur lengkap di Web. Namun, mereka meningkatkan
masalah keamanan, sehingga banyak administrator TI mencegah pengguna
mengunduh kontrol seperti itu melalui firewall perusahaan, yang membatasi
pervasiveness mereka.
DHTML dan AJAX. Pendekatan yang lebih ringan adalah dengan menanamkan
bahasa scripting di dalam halaman HTML, seperti JavaScript, yang menjalankan
fungsi di browser. Dynamic HTML (DHTML) menggunakan skrip untuk
menghidupkan laman HTML yang diunduh. Misalnya, DHTML sering
digunakan untuk menghidupkan kotak drop-down, tombol radio, mouseovers,
dan tickers, serta menangkap input pengguna melalui formulir. AJAX
(JavaScript dan XML asinkron) mengambil satu langkah lebih jauh dan
mengambil konten baru dari server di latar belakang tanpa mengganggu
tampilan dan perilaku halaman. Pada dasarnya, AJAX memungkinkan pengguna
untuk menambahkan data baru ke dasbor tanpa harus memuat ulang seluruh
halaman. Itu juga dapat digunakan untuk mengambil data sebelumnya, seperti
halaman hasil selanjutnya.
Flash. Pendekatan populer lainnya adalah menggunakan platform
pengembangan multimedia, seperti Adobe Flash, applet Java, Microsoft
Silverlight, dan Mozilla Scalable Vector Graphics (SVG), yang menambahkan
animasi dan film ke halaman Web. Dibandingkan dengan Java scripting, plug-in
ini menyediakan grafik dan animasi yang memukau untuk menampilkan
informasi kuantitatif, yang membuat antarmuka pengguna sangat menarik bagi
pengguna bisnis. Mereka memuat visualisasi dan data secara bersamaan dalam
satu file daripada dishing hingga puluhan atau ratusan halaman. Meskipun ini
membuat beban awal lebih lambat daripada aplikasi DHTML atau AJAX yang
sebanding, kinerja setelahnya sangat cepat, karena data yang diperlukan untuk
menampilkan semua komponen pada halaman berada secara lokal.
10.2.2 Sejarah
Upaya manajemen pengetahuan memiliki sejarah panjang, termasuk diskusi di
tempat kerja, magang formal, forum diskusi, perpustakaan perusahaan, pelatihan
profesional, dan program bimbingan. Dengan meningkatnya penggunaan komputer
pada paruh kedua abad ke-20, adaptasi spesifik teknologi seperti basis pengetahuan,
sistem pakar, repositori informasi, sistem pendukung keputusan kelompok, intranet,
dan kerja sama yang didukung komputer telah diperkenalkan untuk lebih
meningkatkan upaya-upaya tersebut. Pada tahun 1999, istilah manajemen
pengetahuan pribadi diperkenalkan; mengacu pada manajemen pengetahuan di
tingkat individu.
10.2.3 Penelitian
KM muncul sebagai disiplin ilmu di awal 1990-an. Awalnya didukung oleh
praktisi individu, ketika Skandia mempekerjakan Leif Edvinsson dari Swedia
sebagai Chief Knowledge Officer (CKO) pertama di dunia. Hubert Saint-Onge
(sebelumnya dari CIBC, Kanada), mulai menyelidiki KM jauh sebelum itu. Tujuan
CKO adalah untuk mengelola dan memaksimalkan aset tidak berwujud dari
organisasi mereka. Secara bertahap, CKO menjadi tertarik pada aspek praktis dan
teoritis dari KM, dan bidang penelitian baru terbentuk. Gagasan KM telah diambil
oleh para akademisi, seperti Ikujiro Nonaka (Universitas Hitotsubashi), Hirotaka
Takeuchi (Universitas Hitotsubashi), Thomas H. Davenport (Babson College) dan
Baruch Lev (New York University).
Pada tahun 2001, Thomas A. Stewart, mantan editor majalah Fortune dan
kemudian editor Harvard Business Review, menerbitkan cerita sampul yang
menyoroti pentingnya modal intelektual dalam organisasi. Disiplin KM telah secara
bertahap bergerak menuju kedewasaan akademik. Pertama, tren peningkatan
kerjasama antar akademisi; publikasi penulis tunggal kurang umum. Kedua, peran
praktisi telah berubah. Kontribusi mereka untuk penelitian akademik menurun dari
30% dari keseluruhan kontribusi hingga tahun 2002, menjadi hanya 10% pada tahun
2009. Ketiga, jumlah jurnal manajemen pengetahuan akademik telah terus
berkembang, saat ini mencapai 27 outlet.
Ada beberapa disiplin ilmu KM; pendekatan bervariasi menurut penulis dan sekolah.
Ketika disiplin semakin matang, debat akademik meningkat terkait teori dan praktik,
termasuk:
10.2.4 Ukuran
Kerangka kerja yang berbeda untuk membedakan antara berbagai 'jenis'
pengetahuan ada. Satu kerangka yang diusulkan untuk mengkategorikan dimensi
pengetahuan membedakan pengetahuan diam-diam dan pengetahuan eksplisit.
Pengetahuan Tacit mewakili pengetahuan yang diinternalisasi yang mungkin tidak
disadari oleh seseorang secara sadar, seperti untuk menyelesaikan tugas-tugas
tertentu. Pada ujung spektrum yang berlawanan, pengetahuan eksplisit mewakili
pengetahuan yang dimiliki individu secara sadar dalam fokus mental, dalam bentuk
yang dapat dengan mudah dikomunikasikan kepada orang lain.
10.2.5 Strategi
Pengetahuan dapat diakses pada tiga tahap: sebelum, selama, atau setelah
kegiatan yang berhubungan dengan KM. Organisasi telah mencoba insentif untuk
menangkap pengetahuan, termasuk membuat pengiriman konten wajib dan
memasukkan hadiah ke dalam rencana pengukuran kinerja. Ada banyak kontroversi
mengenai apakah insentif seperti itu bekerja dan tidak ada konsensus yang muncul.
Strategi lain melibatkan individu membuat permintaan pengetahuan dari para ahli
yang terkait dengan subjek tertentu atas dasar ad hoc (strategi tarik). Dalam hal
demikian, individu ahli memberikan wawasan kepada pemohon (personalisasi).
10.2.6 Teknologi KM
Teknologi manajemen pengetahuan (KM) dapat dikategorikan:
Groupware — Perangkat lunak yang memfasilitasi kolaborasi dan berbagi
informasi organisasi. Aplikasi tersebut menyediakan alat untuk diskusi berulir,
berbagi dokumen, email seragam di seluruh organisasi, dan fitur terkait
kolaborasi lainnya.
Sistem alur kerja — Sistem yang memungkinkan representasi proses yang
terkait dengan pembuatan, penggunaan, dan pemeliharaan pengetahuan
organisasi, seperti proses untuk membuat dan memanfaatkan formulir dan
dokumen.
Manajemen konten dan sistem manajemen dokumen — Sistem perangkat lunak
yang mengotomatiskan proses pembuatan konten web dan / atau dokumen.
Peran seperti editor, desainer grafis, penulis dan produser dapat dimodelkan
secara eksplisit bersama dengan tugas-tugas dalam proses dan kriteria validasi.
Vendor komersial mulai mendukung dokumen atau mendukung konten web
tetapi ketika Internet tumbuh, fungsi-fungsi ini bergabung dan vendor sekarang
melakukan kedua fungsi tersebut.
Portal perusahaan — Perangkat lunak yang mengumpulkan informasi di seluruh
organisasi atau untuk grup seperti tim proyek.
eLearning — Perangkat lunak yang memungkinkan organisasi menciptakan
pelatihan dan pendidikan khusus. Ini dapat mencakup rencana pelajaran,
memantau kemajuan, dan kelas online.
Perangkat lunak perencanaan dan penjadwalan — Perangkat lunak yang
mengotomatiskan pembuatan jadwal dan pemeliharaan. Aspek perencanaan
dapat diintegrasikan dengan perangkat lunak manajemen proyek.
Telepresence — Perangkat lunak yang memungkinkan individu untuk
melakukan pertemuan "tatap muka" virtual tanpa berkumpul di satu lokasi.
Konferensi video adalah contoh yang paling jelas.
Pendekatan ontologis — Model pengetahuan berbasis ontologi untuk
manajemen pengetahuan. Model ini dapat memfasilitasi penemuan pengetahuan
yang memberi pengguna wawasan untuk pengambilan keputusan.
Kategori-kategori ini tumpang tindih. Alur kerja, misalnya, adalah aspek penting
dari sistem manajemen konten atau dokumen, yang sebagian besar memiliki alat
untuk mengembangkan portal perusahaan.
Tope Omitola, Andr´e Freitas, dkk. Capturing interactive data transformation operations
using provenance workflows. Diambil dari :
http://andrefreitas.org/papers/preprint_capturing
%20interactive_data_transformation_eswc_highlights.pdf
Morton, Kristi. Interactive data integration and entity resolution for exploratory visual
data analytics. Diambil
dari: https://digital.lib.washington.edu/researchworks/handle/1773/35165 .
Andr´e Freitas, Edward Curry, dkk. Capturing interactive data transformation operations
using provonance workflows. Diambil dari:
http://andrefreitas.org/papers/preprint_capturing
%20interactive_data_transformation_eswc_highlights.pdf
Peng Cong, Zhang Xiaoyi. Research and design of interactive data transformation and
migration system for heterogeneous data sources. Diambil dari:
https://ieeexplore.ieee.org/document/5211525/
Ye, Nong (2003); The Handbook of Data Mining, Mahwah, NJ: Lawrence Erlbaum.
Kenneth C. Laudon, Jane Laudon. Pearson Education Limited. Essentials of MIS, Global
Edition. 12. UK. ISBN 9781292153773.