MAKALAH

BISNIS INTELIGENT

Disusun untuk memnuhi tugas

Mata Kuliah: Bisnis Intelegent

Dosen Pengampu : Dr.Aprizal, S.Kom.,MM

Oleh :

Rushpasya Noor Rusli 151181

A_SISTEM INFORMASI

STMIK DIPANEGARA MAKASSAR

TAHUN AJARAN 2020/2021

KATA PENGANTAR

Alhamdulillahirabbil’alamin, Puji syukur kehadirat Allah SWT, atas segala rahmat dan
hidayah-Nya. Shalawat serta salam senantiasa tercurahkan kepada junjungan Nabi Agung
Muhammad SAW yang selalu kita nantikan syafa’atnya di akhirat nanti.

Penulis mengucapkan syukur kepada Allah SWT atas limpahan nikmat sehat-Nya, baik itu
berupa sehar fisik maupun akal pikiran, sehingga penulis mampu untuk menyelesaikan
pembuatan makalah sebagai tugas akhir dari mata kuliah BISNIS INTELIGENT.

Penulis tentu menyadari bahwa makalah ini masih jauh dari kata sempurna dan masih banyak
terdapat kesalahan serta kekurangan di dalamnya. Untuk itu, penulis mengharapkan kritik
serta saran dari pembaca untuk makalah ini, supaya makalah ini nantinya dapat menjadi
makalah yang lebih baik lagi. Demikian, dan apabila terdapat banyak kesalahan pada makalah
ini penulis mohon maaf yang sebesar-besarnya.

Makassar, 26 Mei 2020

Penyusun
 Daftar Isi

HALAMAN JUDUL …………………………… i

KATA PENGANTAR ………………………… ii

DAFTAR ISI ………………………………… iii

BAB I PENDAHULUAN ……………………… 1

 A. Latar Belakang ………………………………………….. 2

 B. Rumusan Masalah ……………………………………… 2
 C. Tujuan Penulisan ……………………………………….. 3
 D. Manfaat Penulisan ……………………………………… 3

BAB II PEMBAHASAN …………………………. 4

1. Merencanakan solusi BI.

a. Pengantar Bisnis intelegensi.

b. Microsoft BI framework

c. Solusi BI

2. Self Service BI

a. Peningkatan data dan efesiensi.

b. Data inteligen yang aman dan handal.

c. Self-service dan kemberkolaborasi.

d. Fitur kunci self-service BI

3. Arsitektur SQL Server Integration Service.

a. Package
b. Control flow

c. Data Flow

d. Variables

e. Even handler

4. SQL Server Analysis Services (SSAS)

a. Analysis services fundamental

b. Arsitektur Analysis Services

5. Objek dan konsep dari analysis services

a. Data source Views (DSVs)

b. Multidimensional Expression (MDX)

c. Key Performance Indicator (KPI)

d. Common Language Runtime (CLR)

e. Analysis Management Object (AMO)

6. OLAP, OLTP,ELT dan Data Warehouse Konsep OLAP

a. Cube

b. Cells

c. Measure dan fact table

 d. Dimension dan attribute

a) Hierarchies

b) Konsep OLTP
c) Konsep ETL

d) Konsep dan Penerapan Datawarehosue

7. SQL Server Data Mining : Jenis tugas dasar pada data mining

a.Klasifikasi

b.Regresi

c.Segmentasi

d.Asosiasi

e.Analisa urutan

8. SQL Server Data Mining : Langkah-langkah data mining

a.Definisi masalah

b.Persiapan data

c.Pelatihan data untuk algoritma data mining

d.Validasi algoritma data mining

e.Deploy aplikasi

9. Jenis algoritma data mining

a. Decision tree

b. Linier regression

c. Naïve bayes

d. Clustering

e. Association rules
f. Sequence clustering

g. Time series

h. Neural network

i. Logistic regression algorithm

10.SQL Server Reporting Service

a.Report designer

b.Report model builder

c.Report builder

d.Report service configuration manager

e.Report manager

f.Report server

g.Pembuatan laporan

h.Pengaturan laporan

i.Akses dan pengiriman laporan

Latar Belakang

Persaingan bisnis yang mengetat menjadikan perusahaan yang terlambat berbenah diri
terlibas pesaingnya. Sebaliknya, perusahaan yang mampu menyuguhkan produk dan
layanan sesuai keinginan pelanggan yang terus berubah, dialah yang akan merajai
persaingan. Secara ringkas Businnes Intelligence dapat diartikan sebagai pengetahuan
yang didapat dari hasil analisis data yang diperoleh dari kegiatan (usaha) suatu organisasi.
Business intelligence dapat membantu suatu perusahaan mendapatkan pengetahuan yang
jelas mengenai faktor-faktor yang mempengaruhi kinerja perusahaan sehingga dapat
membantu perusahaan tersebut dalam pengambilan keputusan serta sekaligus
meningkatkan keunggulannya (competitive advantage). Keberadaan Businnes
Intelligence dalam suatu perusahaan haruslah diawali dari pelaku bisnis itu sendiri karena
merekalah yang lebih mengetahui informasi dan analisa apa-apa saja yang dibutuhkan
dalam rangka meningkatkan kinerja bisnis dan mereka jugalah yang membutuhkan
Businnes Intelligence. Disinilah nilai Businnes Intelligence bisa menjadi besar dan
berguna bagi perusahaan.
 Rumusan Masalah

1.      Apa pengertian Business Intelligence?

2.      Bagaimana sejarah Business Intelligence?

3.      Apa kegunaan dari Business Intelligence?

4. apa saja yang terkait dengan Bisiness Inteligent?

Tujuan Masalah
1.      Apa pengertian Business Intelligence?
2.      Bagaimana sejarah Business Intelligence?
3.      Apa kegunaan dari Business Intelligence?
4. Bagaimana keterkaitan Bisnis Inteligent dalam hal lain?

Manfaat Penulisan

Adapun manfaat dari penulisan makalah ini adalah sebagai berikut:

1. Meningkatkan nilai data dan informasi organisasi. Dengan membangun

business intelligence, maka seluruh data dan informasi dapat diintegrasikan
sehingga menghasilkan sebuah kesimpulan dari keadaan bisnis yang mudah di
akses dan dimengerti sehingga dapat membantu pihak manajerial untuk
membuat pengambilan keputusan yang lebih baik. 
2. Memudahkan pengukuran kinerja organisasi. Dalam mengukur kinerja
suatu organisasi, sering dipergunakan ukuran yang disebut Key Performance
Indicator (KPI). Business intelligence dapat dengan mudah menunjukan
pencapaian KPI suatu organisasi dengan mudah, cepat dan tepat. Dengan
demikian akan memudahkan pihak-pihak yang terlibat dalam pengambilan
keputusan untuk mempersiapkan langkah-langkah antisipasi apabila ada
indikator yang menunjukan adanya masalah atau belum tercapainya suatu
target. 
 BAB II

PEMBAHASAN

o Merencanakan Solusi BI

Pengantar Bisnis Inteligensi

Business Intelligence Pada awal sejarah komputer sampai saat ini, sistem komputer telah
memiliki terobosan yang luas dan komprehensif ke dalam berbagai macam domain bisnis.
Sekarang sistem komputer merupakan infrastruktur yang pasti diperlukan, di mana kita
dapat menjalankan, menangani, dan mengkoordinasikan operasi bisnis. Pada awal
dasawarsa milenium baru, kita melihat sebuah era, di mana sistem komputer berada di
segala aspek. Pengambilan keputusan dalam setiap perusahaan membutuhkan arsitektur
IT yang dapat memenuhi kebutuhan mereka. Menurut laporan dari International Data
Corporation (IDC) di akhir musim gugur 2002, organisasi yang berhasil
mengimplementasikan dan menggunakan aplikasi analitik untuk bisnisnya memiliki
peningkatan keuntungan, mulai dari 17% hingga 2000% (Turban, Aronson, Liang, dan
Sharda, 2005). Sistem analitik bisnis atau umumnya dikenal sebagai Business Intelligence
(BI) bukan merupakan aplikasi IT semata, melainkan sebuah sistem yang
mengevolusikan strategi, visi, dan arsitektur yang terus menerus mengarahkan
operasional dan tujuan organisasi untuk mencapai tujuan bisnisnya. BI meliputi perolehan
data dan informasi dari berbagai sumber yang bervariasi dan mengolahnya ke dalam
pengambilan keputusan. BI dapat digunakan untuk mendukung perusahaan dalam
mencapai berbagai kriteria keberhasilan seperti (1) Membantu pembuatan keputusan
dengan kecepatan dan kualitas yang lebih baik, (2) Mempercepat operasional, (3)
Memperpendek siklus pengembangan produk, (4) Memaksimalkan nilai dari produk yang
tersedia dan mengantisipasi peluang baru, dan (5) Menciptakan pasar yang lebih baik dan
terfokus, juga meningkatkan hubungan dengan pelanggan dan pemasok.

 Microsoft BI Framework

Microsoft Power BI merupakan aplikasi business intelligence yang dapat

menampilkan visualisasi data, memungkinkan membuat query, koneksi data, dan
laporan [14]. Visualisasi dengan menggunakan Microsoft Power BI berupa area chart,
bar, doughnut chart, matrix, pie charts, dan lain sebagaianya.

 Solusi BI

Menurut Ronald (2008) ada beberapa bagian dalam solusi business intelligence
yaitu, keseluruhan proses dalam business intelligence dapat diterjemahkan menjadi
langkah-langkah dibawah ini : 1. Identifikasi masalah bisnis yang perlu diselesaikan
dengan gudang data dan menentukan data yang diperlukan untuk menyelesaikan
masalah tersebut. 2. Identifikasi lokasi dari data-data yang diperlukan dan
mengambilnya dari sumber penyimpanannya. 3. Merubah data yang diperoleh dari
beragam sumber tersebut ke dalam sebuah data yang konsisten. 4. Mengambil data
yang telah dirubah tersebut ke dalam lokasi yang yang tersentralisasi. 5. Membuat
sebuah gudang data dengan data yang ada dalam lokasi yang tersentralisasi tersebut
6. Memasang sebuah produk atau aplikasi yang dapat memberikan akses ke data
yang ada dalam cube tadi. Ada berbagai macam jalan dan cara untuk berbagai
macam tipe pekerjaan ketika berurusan dengan cube.

JOURNAL :BUSINESS INTELLIGENCE: KONSEP DAN METODE Suparto Darudiato1 ; Sigit

Wisnu Santoso2 ; Setiady Wiguna3, Halaman: 63,64

Jurnal Edukasi dan Penelitian Informatika (JEPIN) Vol. 3, No. 2, 2017 p-ISSN : 2460-0741 / e-ISSN :
2548-9364Pengembangan Model Business Intelligence Manajemen Rumah Sakit untuk Peningkatan
Mutu Pelayanan (Studi Kasus : Semen Padang Hospital) Meza Silvana#1 , Ricky Akbar#2 , Derisma*3
# Jurusan Sistem Informasi, Fakultas Teknologi Informasi, Universitas Andalas Padang *Jurusan
Sistem Komputer, Fakultas Teknologi Informasi, Universitas Andalas Padang,Halaman : 128

Journal : Majalah Ilmiah UNIKOM Vol.11 No. 1 BUSINESS INTELLIGENCE, IMELDA, ST.,MT,
  Self Service BI

Peningkatan Data Dan Efisiensi

Meningkatkan nilai data dan informasi organisasi Melalui pembangunan BI, maka
seluruh data dan informasi dapat diintegrasikan sedemikian rupa sehingga menghasilkan
dasar pengambilan keputusan yang lengkap. Informasi-informasi yang dulunya tidak
dicakupkan sebagai salah satu faktor pengambilan keputusan (terisolasi) dapat dengan
mudah dilakukan “connect and combine” dengan menggunakan BI. Data dan informasi
yang dihasilkan pun juga menjadi lebih mudah diakses dan lebih mudah untuk dimengerti
(friendly-users infos).

Data Inteligent Yang Aman Dan Handal

Dalam melaksanakan pekerjaannya sehari-hari, seluruh level dari suatu organisasi (mulai
dari pegawai/bawahan sampai dengan pimpinan) selalu berkaitan dan/atau membutuhkan
akses data dan informasi. BI mempermudah seluruh level pegawai dalam mengakses data
dan informasi yang diperlukan sehingga membantu membuat suatu keputusan. Jika
kondisi seperti ini tercapai, maka misi dan strategi organisasi yang sudah ditetapkan dapat
dengan lebih mudah terlaksana serta terpantau tingkat pencapaiannya.

Self Service Berkolaborasi

Salah satu yang menjadi kelebihan dari Business Intelligence adalah memanjakan users
dengan struktur data yang memudahkan pembuatan report secara self-service dalam
bentuk dimensi dan measures. Dengan mengkombinasikan measures dan dimensi yang
tepat, users mendapatkan report yang diinginkan. Selanjutnya dia dapat menyajikannya
dalam bentuk tabel atau dalam berbagai bentuk grafik yang dapat dipilih. Setelah report
disajikan, user diberi fasilitas untuk menyimpan tampilan report tersebut dalam bentuk
excel, xml, pdf, jpeg, dan lain-lain sesuai kebutuhan.

Fitur Kunci Self Service BI

Online Analytical Processing (OLAP) Online Analytical Processing (OLAP) merupakan

kunci dari BI, digunakan untuk meningkatkan analisis bisnis, merupakan perhitungan
Decision Support System (DSS) dan Expert Infotmation System (EIS) yang dilakukan
oleh end-user pada sistem online. OLAP digunakan pada banyak aplikasi, mulai dari
pelaporan (reporting) perusahaan sampai DSS. Beberapa aktivitas yang dilakukan OLAP
antara lain generate query, meminta laporan ad hoc, mendukung analisis statistik, analisis
interaktif, dan membangun aplikasi multimedia. Untuk memfasilitasi OLAP ini
diperlukan data warehouse dengan sekumpulan tool yang memiliki kemampuan
multidimensi.

Journal : Majalah Ilmiah UNIKOM Vol.11 No. 1 BUSINESS INTELLIGENCE, IMELDA,

ST.,MT, HALAMAN: 116

Journal : Majalah Ilmiah UNIKOM Vol.11 No. 1 BUSINESS INTELLIGENCE,

IMELDA, ST.,MT, HALAMAN: 117

Journal : CommIT, Vol. 2 No. 2 Oktober 2008, PENGEMBANGAN BUSINESS

INTELLIGENCE BAGI PERKEMBANGAN BISNIS PERUSAHAAN Eka Miranda,
HALAMAN: 114
  Arsitektur SQL Server Integration Service

Package

Package berisi kumpulan tugas (yang disebut task) yang dieksekusi dengan urutan
tertentu dan merupakan komponen utama SSIS. Package dapat disimpan di SQL Server
pada database msdb, ataupun disimpan sebagai sebuah file .dtsx. Inovasi signifikan
signifikan SSIS adalah desain arsitektur arsitektur package package untuk manajemen
kontrol proses. Arsitektur kontrol proses SSIS terdiri dari komponen control flow, data
flow, dan event handler. Setiap komponen tersebut memiliki kumpulan objek yang dapat
digunakan pada saat proses pembuatan package.

Cpmtrol Flow

Digunakan untuk mengontrol aliran program pada saat dieksekusi, penanganan error,
serta mengelola statement. Control flow biasanya digunakan pada obyek basisdata untuk
programming, seperti trigger, blok statement atau stored procedure.

Data Flow

Data Flow Engine dan Data Flow. Komponen data flow merupakan enkapsulasi data flow
engine yang menyediakan buffer didalam memori dan bertugas memindahkan data dari
sumber data ke tujuan data. Sedangkan data flow merupakan sumber data, tujuan data,
dan transformasi.

Variables

Variables adalah komponen yang paling dominan dalam arsitektur SSIS. Dengan variable
sebuah package dapat diatur secara dinamis pada saat dieksekusi. Pengaturan koneksi
OLE DB dan directory penyimpanan file adalah contoh umum penggunaan variable.

Even Handler

Berbeda dengan data flow, event handler tidak terdapat di dalam control flow. Event
handler dilakukan sebagai sebuah respon pada saat sebuah event terjadi di package atau
task. Biasanya event handler dibuat untuk melakukan hal-hal tertentu sebagai sebagai
hasil dari anomali anomali data, menjalankan menjalankan program atau package lain
berdasarkan keadaan pada saat package dieksekusi. Sebagai contoh, kita dapat membuat
event handler untuk mengirimkan email notifikasi pada saat package selesai dijalankan
atau pada saat package yang dieksekusi mengalami kegagalan

Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) ISSN : 2089-9033, PEMBANGUNAN PERANGKAT
LUNAK DATA MART PT. FOXIMAS MANDIRI PADA DIVISI PRODUKSI, Irwan Ruchwana SB,Hal 48

Jurnal Simantec Vol. 6, No. 2 Desember 2017 ISSN 2088-2130;e-ISSN 2502-4884, PENGGUNAAN
TANSACT SQL (T-SQL) PADA PENGEMBANGAN APLIKASI MANAJEMEN BASIS DATA BERBASIS WEB
Dwi Puspitasari1 , Yan Watequlis2 , Rosa Andrie Asmara, Halaman : 58

Certifiet International Business Intelligence Associate (PASAS) Module

  SQL Server Analysis Service (SSAS)

Analysis Service Fundamental

Proses data analysis menggunakan perangkat lunak Microsoft SQL Server Analysis
Services yang merupakan komponen teknologi untuk OLAP dan data mining. Proses
OLAP dilakukan di SQL Server Management Studio berupa viewing data, membuat
multidimensional expression, data mining extention, XML for Analysis dan juga
mendefenisikan role untuk akses keamanan OLAP.

Arsitektur Analysis Service

Jurnal Sistem Informasi Bisnis 01(2013): Rancang Bangun Sistem Business Intelligence Universitas Sebagai
Pendukung Pengambilan Keputusan Akademik, Zainal Arifina* dan Aris Sugiharto, Halaman :34

From Website: https://www.devx.com/dbzone/Article

  Objek Dan Konsep Analysis Service

Data Source Views (DSVs)

Data Source View atau disingkat DSV merupakan metadata yang menggabungkan antara
tabel dan view yang digunakan pada analysis services project.

Multidimensional Expression (MDX)

MDX merupakan query yang digunakan untuk data multidimensional dan menggunakan
sintaks yang sama dengan SQL. Perbedaannya adalah SQL digunakan untuk query
relational table sedangkan MDX digunakan untuk query multidimensional table.

Key Performance Indicator (KPI)

Key Performance Indicators Key Performance Indicators atau KPI adalah metrik finansial
ataupun non-finansial yang digunakan untuk membantu suatu organisasi atau perusahaan
dalam menentukan dan mengukur kemajuan terhadap sasaran organisasi atau perusahaan
tersebut. KPI digunakan dalam Business Intelligence untuk menilai keadaan terkini suatu
bisnis dan dapat menentukan suatu tindakan terhadap keadaan tersebut (Parmenter, 2007).
KPI sering digunakan untuk menilai aktivitasaktivitas yang sulit diukur seperti
keuntungan pengembangan kepemimpinan, perjanjian, layanan, dan kepuasan serta
umumnya dikaitkan dengan strategi organisasi atau perusahaan yang diterapkan dengan
teknik atau metode seperti kartu skor berimbang atau balanced scorecard.

Common Languange Runtime (CLR)

CLR (Common Language Runtime) yang merupakan core di lingkup .NET Framework
ke dalam T-SQL sebagai sebuah assembly baru yang telah terkompilasi. CLR terletak di
dalam proses eksekusi SQL Server 2005 sendiri (Sack, 2006). Sehingga CLR adalah
jembatan antara eksekusi query maupun T-SQL di dalam SQL Server 2005 dengan sistem
operasi yang ditempati (dalam hal ini adalah sistem operasi windows) (Shapiro, 2007).
Analysis Management Object (AMO)

Objek SQL Server Semua data dalam database SQL Server ditampung dalam objek yang
disebut tabel. Setiap tabel merepresentasikan tipe tertentu dari objek yang punya arti bagi
user. Setiap tabel mempunyai 2 komponen utama, kolom, yang merepresentasikan atribut
dari setiap objek dalam tabel, dan baris, yang merepresentasikan suatu kejadian tunggal
dari objek dalam tabel.

Jurnal Sistem Informasi Bisnis 01(2013): Rancang Bangun Sistem Business Intelligence Universitas Sebagai
Pendukung Pengambilan Keputusan Akademik, Zainal Arifina* dan Aris Sugiharto, Halaman :37,32

Jurnal PERANCANGAN DATA WAREHOUSE DAN PENERAPAN TEKNIK CLUSTERING SPATIAL PADA
WESEL: STUDI KASUS PT XXX Arief Dwi Hartadi; Oktalia Juwita, Halaman: 207

Jurnal: AKSES XML WEB SERVICE PADA INTEGRASI COMMON LANGUAGE RUNTIME DALAM SQL
SERVER 2005 Soetam Rizky Wicaksono, Halaman: 461

\ Jurnal RANCANG BANGUN PERANGKAT LUNAK MANAJEMEN DATABASE SQL SERVER BERBASIS
WEB Muchammad Husni, Nunut Priyo Jatmiko, Arief Prasetyo,Halaman: 40
 OLAP,OLTP,ELT dan Data Warehouse Konsep OLAP

Cube
adalah obyek OLAP yang tersusun dari measure, dimensi dan attribute. Sisi-sisi
pada cube ditentukan oleh masing-masing dimensi yang terlibat dalam cube itu.

Cells

Bentuk menyimpanan dari database cube

Measure dan fact table

Tabel fakta merupakan pusat dari schema pada OLAP yang didalmnya mempunyai
dua tipe kolom, yaitu kolom measure yang menyimpan nilai-nilai numerik dan kolom
yang menyimpan foreign key yang mengacu ke tabel dimensi.

Measure juga cerminan dari fakta dan juga mengandung data yang akan dianalisis.
OLAP memerlukan informasi kolom bertipe numerik yang akan dijadikan measure

Dimension dan attribute

merupakan kategori yang independen dari multidimensional database. Tipe dari

dimensi ini mengandung item yang digunakan sebagai kriteria query untuk ukuran
database.

Attribute merepresentasikan informasi tambahan pada sebuah level tertentu

A.Hierarchies

Hirarki merupakan bentuk kesatuan dari dimensi. Hirarki didefinisikan sebagai

hubungan antar level.

B. Konsep OLTP

OLTP sendiri adalah sebuah proses yang menitikberatkan pada transaksinya, seperti
input data dan lainlain.
 C. Konsep ETL

Konsep ETL Pendefinisian lingkup ETL dengan cara menganalisis tiap target tabel
(dimensi dan fakta) perlu dilakukan pada awal pembangunan arsitektur proses ETL.
Untuk tiap tabel target, perlu diambil informasi tentang kelakuannya, dimanakah data
sumbernya dan proses bisnis apa saja yang bergantung kepadanya.

D. Konsep dan Penerapan Datawarehosuse

Dasar dari suatu data warehouse adalah suatu data yang besar yang mengandung
informasi bisnis. Data-data yang ada di dalam data warehouse bisa berasal dari
banyak sumber, misalkan dari database operasional atau transaksional dan sumber
dari luar misalkan dari web, penyedia jasa informasi, dari perusahaan lain dan lain
sebagainya.

data warehouse di perpustakaan Yayasan Lentera Insan karena sebelumnya hanya secara
manual untuk menghubungkan modul-modul data yang terpisah. Hasil yang didapat
adalah diperlukan pengkodean khusus untuk id guru dan id siswa pada database data
warehouse dan field yang diperlukan pada tabel waktu sudah disesuaikan dengan
kebutuhan manajemen perpustakaan.

JURNAL ITSMART Vol 4. No 1. Juni 2015 ISSN : 2301–7201, PENGEMBANGAN SISTEM ANALISIS AKADEMIS
MENGGUNAKAN OLAP DAN DATA CLUSTERING STUDI KASUS : AKADEMIK UNIVERSITAS SEBELAS
MARET SURAKARTA, Bakharudin Yusuf Bakhtiar, Antonius Bima Murti Wijaya, Hasan Dwi Cahyono,Halaman:2

ISSN 2087-2658 Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) Volume 5, Nomor 2, Juli
2016, Penerapan Extraction-Transformation-Loading (ETL) Dalam Data Warehouse (Studi Kasus :
Departemen Pertanian), Rahmadi Wijaya, Bambang Pudjoatmodjo,Halaman :64

Majalah Ilmiah UNIKOM Vol.12 No. 2, PEMODELAN DATA WAREHOUSE PADA JURUSAN
TEKNIK INFORMATIKA UNIKOM, DIAN DHARMAYANTI, ADAM MUKHARIL BACHTIAR, ANDRI
HERYANDI,Halaman:153
Jurnal Penelitian Teknik Informatika Universitas Prima Indonesia (UNPRI) Medan Volume 2 Nomor 1,
April 2019 e-ISSN : 2541-2019, Implementasi OLAP Menggunakan Dashboard Holistics Software Pada
LPPM STMIK Pelita Nusantara, Anita Sindar Sinaga, Halaman:57

Jurnal String Vol. 1 No. 1 Tahun 2016 ISSN: 2527 – 9661 83 PERANCANGAN DATA WAREHOUSE
PADA PERPUSTAKAAN YAYASAN LENTERA INSAN Aulia Paramita, Halaman: 83,84
 SQL Server Data Mining :
Jenis tugas dasar pada data mining
a.Klasifikasi
Klasifikasi adalah teknik data mining yang menggunakan satu set data yang telah
terklasifikasi sebagai perbandingan untuk mengembangkan model yang dapat
mengklasifikasikan seluruh data yang ada (Ramageri, 2010). Klasifikasi mengacu
pada tugas memprediksi kelas suatu data untuk data yang belum mempunyai
kelas (Zaki & Wagner JR, 2014).
b.Regresi
Analisis regresi adalah hubungan yang didapat dan dinyatakan dalam bentuk
persamaan matematik yang menyatakan hubungan fungsional antar variabel-
variabel.
c.Segmentasi
Segmentasi berdasarkan RFM telah digunakan lebih dari lima puluh tahun yang
lalu untuk menargetkan bagian-bagian pelanggannya, meminimalkan biaya
perpesanan, dan meningkatkan profitabilitas (Ron, Rajesh,. 2004).
d.Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul
dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang
belanja
e.Analisa urutan
analisis data menggunakan perangkat lunak untuk menemukan pola atau aturan
tertentu dari sejumlah data dalam jumlah besar yang diharapkan dapat
menemukan pengetahuan guna mendukung keputusan.

SKRIPSI: APLIKASI DATA MINING MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER

STUDI KASUS KLASIFIKASI BEASISWA DI UNIVERSITAS DIPONEGORO, Faisal Rahman, 2

November 2015
JURIKOM (Jurnal Riset Komputer), Vol. 7 No. 1, Februari 2020, Penerapan Data Mining Untuk
Memprediksi Pemesanan Bibit Pohon Dengan Regresi Linear Berganda Devi Sari Oktavia
Panggabean, Efori Buulolo, Natalia Silalahi Program Studi Teknik Informatika, STMIK Budi
Darma, Medan, Indonesia, HAL: 58

PEMBUATAN PERANGKAT LUNAK DATA MINING UNTUK PENGGALIAN KAIDAH

ASOSIASI MENGGUNAKAN METODE APRIORI Leo Willyanto Santoso Fakultas Teknologi
Industri, Jurusan Teknik Informatika, Universitas Kristen Petra, HAL:49

Segmentasi Pelanggan Menggunakan Algoritma K-Means Sebagai Dasar Strategi Pemasaran

pada LAROIBA Seluler Oleh: Mike Indra Istiana Jurusan Sistem Informasi Fakultas Ilmu
Komputer Universitas Dian Nuswantoro Semarang

Seminar Nasional Informatika 2013 (semnasIF 2013) ISSN: 1979-2328 UPN ”Veteran”
Yogyakarta, 18 Mei 2013 A-56 IMPLEMENTASI TEKNIK DATA MINING UNTUK
MEMPREDIKSI TINGKAT KELULUSAN MAHASISWA PADA UNIVERSITAS BINA DARMA
PALEMBANG Andri1) , Yesi Novaria Kunang 2) , Sri Murniati 3) 1,2,3) Jurusan Sistem Informasi
Universitas Bina Darma Palembang,HAL:56

Jurnal Edik Informatika Penelitian Bidang Komputer Sains dan Pendidikan Informatika V2.i2(213-
219) 213 Diterbitkan Oleh Program Studi Pendidikan Informatika STKIP PGRI Sumbar ISSN :
2407-0491 E-ISSN : 2541-3716 Data Mining : Klasifikasi Menggunakan Algoritma C4.5 Yuli
Mardi Dosen Akademi Perekam dan Informasi Kesehatan (APIKES) Iris Padang, Hal:216
SQL Server Data Mining : Langkah-langkah data mining
a.Definisi masalah
Bagian dari Data Primer yang diperoleh melalui penelitian lapangan

b.Persiapan data
Persiapan Data Pada tahap pengujian ini, data yang akan digunakan sudah
dibersihkan dan ditranformasi-kan dalam bentuk kategori.

c.Pelatihan data untuk algoritma data mining

Metode Pelatihan Secara garis besar metode pelatihan yang digunakan dalam
teknik-teknik data mining dibedakan ke dalam dua pendekatan, yaitu [9]:
Unsupervised learning, metode ini dierapkan tanpa adanya latihan (training) dan
tanpa ada guru (teacher). Guru di sini adalah label dari data. Supervised learning,
yaitu metode belajar dengan adanya latihan dan pelatih. Dalam pendekatan ini,
untuk menemukan fungsi keputusan, fungsi pemisah atau fungsi regresi,
digunakan beberapa contoh data yang mempunyai output atau label selama
proses training

d.Validasi algoritma data mining e.Deploy aplikasi

Dengan menggunakan test options 3-fold cross validation maka dataset tersebut
kemudian digunakan untuk mengkontruksi pohon keputusan (decisión tree) yang
dimulai dengan pembentukan bagian akar, kemudian data terbagi berdasarkan
atribut-atribut yang sesuai untuk dijadikan leaf node.

PEMANFAATAN TEKNOLOGI DATA MINING SEBAGAI PENDUKUNG PENYUSUNAN STRATEGI BISNIS

Mardhiya Hayaty1

Jurnal EECCIS Vol. 7, No. 1, Juni 2013 Penerapan Data Mining Untuk Evaluasi Kinerja
Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier Mujib Ridwan, Hadi
Suyono, dan M. Sarosa, HAL:60, 62,

Seminar Nasional Informatika 2013 (semnasIF 2013) ISSN: 1979-2328 UPN ”Veteran” Yogyakarta, 18 Mei
2013 A-56 IMPLEMENTASI TEKNIK DATA MINING UNTUK MEMPREDIKSI TINGKAT KELULUSAN
MAHASISWA PADA UNIVERSITAS BINA DARMA PALEMBANG Andri1) , Yesi Novaria Kunang 2) , Sri
Murniati 3) 1,2,3) Jurusan Sistem Informasi Universitas Bina Darma Palembang

ANALISIS REGRESI DAN KORELASI ANTARA PENGUNJUNG DAN PEMBELI TERHADAP

NOMINAL PEMBELIAN DI INDOMARET KEDUNGMUNDU SEMARANG DENGAN METODE
KUADRAT TERKECIL Dedi Suwarsito Pratomo(1) , Erna Zuni Astuti,M.Kom (2) Universitas Dian
Nuswantoro, Ilmu Komputer, Teknik Informatika(1,2)
 Jenis algoritma data mining
a. Decision tree
Metode pohon keputusan merupakan sebuah metode yang dapat mengubah
fakta yang sangat besar menjadi sebuah pohon keputusan yang
merepresentasikan aturan. Aturan dapat dengan mudah dipahami dengan
bahasa alam
b. Linier regression
Regresi Linear merupakan bagian regresi yang mencakup hubungan linear
satu peubah tak bebas Y dengan satu peubah bebas X. Analisis regresi adalah
metode untuk menentukan hubungan sebab-akibat antara satu variabel
dengan variabelvariabel yang lain.
c. Naïve bayes
menurut (Saleh, 2015) Naive Bayes merupakan sebuah pengklasifikasian
probabilistik sederhana yang menghitung sekumpulan probabilitas dengan
menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan.
d. Clustering
Pengklusteran merupakan pengelompokan record, pengamatan, atau
memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.
Kluster adalah kumpulan record yang memiliki kemiripan satu dengan yang
lainnya dan memiliki ketidakmiripan dengan record-record dalam kluster lain.
e. Association rules
Association rules adalah salah satu task data mining deskriptif yang bertujan
untuk menemukan aturan asosiasif antara item-item data. Langkah utama yang
perlu dalam association rules adalah mengetahui seberapa sering kombinasi item
muncul dalam database, yang disebut sebagai frequent patterns [8]. Pramudiono
dalam [7] menyatakan bahwa penting tidaknya suatu aturan asosiatif dapat
diketahui dengan dua parameter, support yaitu persentase kombinasi item dalam
database dan confidence yaitu kuatnya hubungan antar item dalam aturan
asosiatif
f. Sequence clustering
Sequence clustering adalah kumpulan metode yang bertujuan untuk mempartisi
sejumlah urutan ke dalam kelompok yang berarti atau kelompok yang memiliki
urutan serupa. Salah satu metode sequence clustering adalah algoritma first-order
markov chain.

g. Time series
Time series data adalah sebuah kumpulan dari pengamatan yang dibuat secara
berurutan berdasarkan waktu, misalnya total penjualan per-bulan, panggilan
telepon per-hari, perubahan inventori per-minggu dan lain sebagainya

h. Neural network
Neural Network (Jaringan Syaraf Tiruan) adalah model non-linear yang
kompleks, dibangun dari komponen yang secara individu berperilaku mirip
dengan model regresi. Jaringan syaraf tiruan dapat divisualisasikan sebagai
grafik, dan beberapa sub-grafik mungkin ada perilaku yang sama dengan gerbang
logika. Meskipun struktur dari jaringan saraf secara eksplisit dirancang terlebih
dahulu, pengolahan bahwa jaringan tidak untuk menghasilkan hipotesis (berbagai
gerbang logika dan pengolahan lainnya terstruktur dalam jaringan) berkembang
selama proses pembelajaran.

I. Logistic regression algorithm

Logistic Regression merupakan algoritma klasifikasi dalam data mining
yang memiliki performance tinggi. Dalam beberapa implementasi data
mining,

Jurnal Edik Informatika Penelitian Bidang Komputer Sains dan Pendidikan Informatika V2.i2(213-
219) 213 Diterbitkan Oleh Program Studi Pendidikan Informatika STKIP PGRI Sumbar ISSN :
2407-0491 E-ISSN : 2541-3716 Data Mining : Klasifikasi Menggunakan Algoritma C4.5 Yuli
Mardi Dosen Akademi Perekam dan Informasi Kesehatan (APIKES) Iris
Padang,Halaman:215,216

JURIKOM (Jurnal Riset Komputer), Vol. 7 No. 1, Februari 2020 e-ISSN 2715-7393 (Media
Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v7i1.1947 Hal 56-62
http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page 56 Penerapan Data Mining Untuk
Memprediksi Pemesanan Bibit Pohon Dengan Regresi Linear Berganda Devi Sari Oktavia
Panggabean, Efori Buulolo, Natalia Silalahi Program Studi Teknik Informatika, STMIK Budi
Darma, Medan, Indonesia, Page : 57

Kumpulan jurnaL Ilmu Komputer (KLIK) Volume 05, No.02 September 2018 ISSN: 2406-7857
Backpropagation Untuk Memprediksi Kelulusan Mahasiswa(Muhammad Dedek Yalidhan) | 169
IMPLEMENTASI ALGORITMA BACKPROPAGATION UNTUK MEMPREDIKSI KELULUSAN
MAHASISWA 1Muhammad Dedek Yalidhan, 2Muhammad Faisal Amin 1,2 Program Studi Sistem
Informasi, STMIK Banjarbaru, Halaman : 171

Jurnal Dinamika Informatika Volume 6, No 2, September 2017 ISSN 1978-1660 : 83-91 ISSN
online 2549-8517 83 PENERAPAN SEQUENTIAL CLUSTERING UNTUK MENGKLASTER
POLA WAKTU KUNJUNGAN PELANGGAN HOTEL DI DIY Kresno Aji1 , Harry Eko UAB2 1
2Magister Teknik Informatika Universitas AMIKOM Yogyakarta, Halaman : 83

Jurnal Sarjana Teknik Informatika e-ISSN: 2338-5197 Volume 2 Nomor 3, Oktober 2014
Penerapan Data Mining Untuk Prediksi Jumlah Penumpang ... 161 PENERAPAN DATA MINING
UNTUK MEMPREDIKSI JUMLAH PENUMPANG BUS TRANS JOGJA MENGGUNAKAN TIME
SERIES DATA 1 Ida Noor Rahma (09018017), 2 Tedy Setiadi(0407016801) 1,2Program Studi
Teknik Informatika Universitas Ahmad Dahlan, Halaman:164

Journal of Software Engineering, Vol. 1, No. 1, April 2015 ISSN 2356-3974 Copyright © 2015
IlmuKomputer.Com 46 http://journal.ilmukomputer.org Resampling Logistic Regression untuk
Penanganan Ketidakseimbangan Class pada Prediksi Cacat Software Harsih Rianto Sekolah

Tinggi Manajemen Informatika dan Komputer Nusa Mandiri, Romi Satria Wahono Fakultas
Ilmu Komputer, Universitas Dian Nuswantoro, Hal: 47

JURNAL INFORMATIKA, Vol. 6 No. 1 April 2019, pp. 18~22 ISSN: 2355-6579 E-ISSN: 2528-
2247 18 http://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/4685 Penerapan Algoritma Naïve
Bayes untuk Rekomendasi Pakaian Wanita Ratih Yulia Hayuningtyas, STMIK Nusa Mandiri/Teknik
Informatika, Halaman 19

J. Math. and Its Appl. E-ISSN: 2579-8936 P-ISSN: 1829-605X Vol. 14, No. 2, Desember 2017, 57-
67 57 Implementasi Association Rules dengan Algoritma Apriori pada Dataset Kemiskinan Winda
Aprianti1 , Khairul Anwar Hafizd2 , M. Redhy Rizani3 1,2,3Jurusan Teknik Informatika, Politeknik
Negeri Tanah Laut, Halaman: 59
SQL Server Reporting Service :
a.Report designer
Desainer laporan adalah fitur dari ALAT Data SQL Server (SSDT), lingkungan
Microsoft Visual Studio untuk membuat solusi kecerdasan bisnis.Alat Data SQL
Server (SSDT) tidak disertakan dengan SQL Server.
b.Report model builder
Model Data Entitas (EDM) adalah seperangkat konsep yang menggambarkan
struktur data, terlepas dari bentuk yang disimpan.
c.Report builder
SSRS Report Builder adalah alat yang ampuh untuk visualisasi data. Dengan
meninjau pendekatan kecerdasan bisnis secara mandiri hanya karena pendekatan
ini dapat diterapkan melalui pembangun laporan SSRS dengan sangat mudah.
d.Report service configuration manager
Manajer konfigurasi Layanan pelaporan tidak dirancang untuk mengelola server
laporan mode SharePoint.SharePoint mode dikelola dan dikonfigurasi dengan
menggunakan SharePoint pusat administrasi dan PowerShell script.
e.Report manager
Berada pada application layer, berfungsi untuk menampilkan laporan dan tools

administrasi berbasis web.

f.Report server
Berada pada server layer, terdiri dari programming interface, report processor,
data processing extension, rendering extension, scheduling & delivery processor,
dan delivery extension.
g.Pembuatan laporan
SQL Server Reporting Service (SSRS
Untuk membuat report SSRS kita perlu menginstall Business Intelligence nya
terlebih dahulu.
Setelah itu terinstall buka SQL Server Business Intelligence Development Studio
dari start menu
Buat sebuah project baru  dengan klik menu File--> New --> Project..

1.Pilih Project Type: Business Intelligence Project.

2. Pilih Report Server Project Wizard.
3. Beri nama project.
4. Centang Create directory for solution untuk membuat folder khusus
solution project kita.
5. Klik Ok, kemudian akan muncul wizard klik Next untuk melanjutkan.
6. Atur datasource, berinama dan klik tombol Edit untuk memilih koneksi
database.

h.Pengaturan laporan

7. Atur koneksi database sesuai dengan database dan server yang akan digunakan.
8. Test koneksi dengan tombol Test Connection, jika berhasil klik tombol OK.
9. Dialog wizard akan kembali ke Select Data Source, kemudian klik tombol Next.
10. Masukan query untuk menampilkan data report.

11. Pilih tipe tampilan table, sementara ini pilih default Tabular kemudian klik Next.

 12. Kemudian ada pilihan tampilan field, biarkan default kemudian klik Next.
 13. Kita dapat memilih tampilan style table kemudian klik Next.
 14. Tentukan Server untuk deployment atau biarkan default kemudian klik Next.

 15. Beri nama report, kemudian klik Finish.

16. Akan muncul design report yang dapat kita edit dan sesuaikan dengan keinginan.

 17. Untuk melihat hasil tampilan report klik tab preview.

 i.Akses dan pengiriman laporan

Pengiriman: Laporan dapat dikirim ke konsumen baik berdasarkan permintaan

mereka atau berdasarkan suatu peristiwa.

 Pengiriman berbasis web melalui situs web Manajer LaporanLangganan

memungkinkan pengiriman laporan otomatisURL Akses, Layanan Web,
dan kontrol Penampil Laporan
 Selain akses SSRS ke web dan desktop, power bi juga dapat diakses dari aplikasi
seluler.

Microsoft Docs, (Net):Entity Data Model

https://j3ck3y.wordpress.com/2008/05/09/reporting-services-pada-sql-server/
SQLShackTop of Form, SSRS Report Builder introduction and tutorial

http://rani-irsan.blogspot.com/2014/03/ssrs-membuat-report-menggunakan-sql.html, SSRS: Membuat

Report Menggunakan SQL Server Reporting Service (dengan wizard)

https://presmarymethuen.org/id/dictionary/what-is-the-difference-between-ssis-ssrs-and-etl

https://id.mort-sure.com/note/power-bi-vs-ssrs/ Kekuatan bi vs ssrs