Business Intelligence and Analytics

Pertemuan 9
Dr. Dedi Trisnawarman
Business intelligence (BI)

Business intelligence (BI) includes a wide

range of applications, practices, and
technologies for the extraction,
transformation, integration, visualization,
analysis, interpretation, and presentation of
data to support improved decision making.
The data used in BI is often pulled from
multiple sources and may come from
sources internal or external to the
organization. Many organizations use this
data to build large collections of data called
data warehouses, data marts, and data
lakes, for use in BI applications.
Analytics

• Analytics describes the application of

mathematical techniques to organisational
operations.
• Descriptive Analytics: adalah proses data
analytics untuk mendapatkan gambaran
umum dari data yang sudah dikumpulkan.
• Predictive Analytics: adalah data analytics
yang memberikan hasil prediksi tentang
sesuatu yang akan datang.
• Prescriptive Analytics: adalah proses
analytics yang menghasilkan jawaban atas
pertanyaan kenapa sesuatu akan terjadi
serta memberikan saran terhadap kondisi
yang kemungkinan akan terjadi dimasa yang
akan datang
Why Learn about Business
Intelligence (BI) and Analytics?

• Kita hidup di era big data, dengan data baru

membanjiri kita dari segala arah dengan
kecepatan yang tidak dapat dipahami hampir satu
zettabyte (1 triliun gigabyte atau 1 diikuti oleh 21
nol) per tahun.
• Hal yang paling menarik tentang data ini adalah
bagaimana belajar menganalisis data dalam
jumlah besar tidak hanya untuk mengukur kinerja
masa lalu dan saat ini, tetapi juga untuk membuat
prediksi tentang masa depan.
• Perkiraan ini akan mendorong tindakan antisipatif
untuk meningkatkan strategi bisnis, memperkuat
operasi bisnis, dan memperkaya pengambilan
keputusan yang memungkinkan organisasi
menjadi lebih kompetitif.
Benefits Achieved from BI and Analytics

• Detect fraud
• Improve forecasting
• Increase Sales
• Optimize operations.
• Reduce costs.
Microsoft Power BI for Office 365

Microsoft Power BI has been

used to better understand the
clinical use of drugs, the
efficacy of treatment, and the
associated costs.
 OLTP - OLAP

https://www.google.com/url?sa=i&url=https%3A%2F%2Fsqlwizard.blog%2F2020%2F03%2F15%2Fsql-server-oltp-vs-
olap%2F&psig=AOvVaw1h39ee9t_P1w0ZT0BupfRn&ust=1593190408938000&source=images&cd=vfe&ved=0CAIQjR
xqFwoTCKDti_y2neoCFQAAAAAdAAAAABAK
Extract Transform Load (ETL)
• Extract Transform Load
(ETL) adalah proses
memuat data dari sistem
sumber ke sistem target.
• Sistem sumber dapat
berupa database, file datar,
atau aplikasi.
• Demikian pula, sistem
target dapat berupa
database atau sistem
penyimpanan lainnya.
Online Analytical
Processing (OLAP):

• Pemrosesan analitik online (OLAP)

adalah metode untuk menganalisis data
multidimensi dari berbagai perspektif.
Ini memungkinkan pengguna untuk
mengidentifikasi masalah dan peluang
serta melakukan analisis tren.
• Database yang dibuat untuk
mendukung pemrosesan OLAP terdiri
dari kubus data yang berisi fakta
numerik yang disebut pengukuran, yang
dikategorikan menurut dimensi, seperti
waktu dan geografi.
Data Warehouse

• Data Warehouse adalah pusat, repositori

seluruh perusahaan yang terdiri dari data
historis dan saat ini.
• Data Warehouse banyak digunakan untuk
menjalankan berbagai query analitis, dan
mereka biasanya berinteraksi dengan
sistem OLAP untuk mendukung multi-
dimensional analytical queries

https://www.google.com/url?sa=i&url=https%3A%2F%2Fdatabricks.com%2Fglossary%2Fdata-
warehouse&psig=AOvVaw3BRq7V5XfxwPS7ZQcEI6YI&ust=1593191043204000&source=images
&cd=vfe&ved=0CAIQjRxqFwoTCKCTk6e5neoCFQAAAAAdAAAAABAD
Data Marts

Data mart adalah subset

dari data yang disimpan
dalam data warehouse yang
biasanya milik departemen,
divisi, atau lini bisnis
tertentu.

Erl, T., Khattak, W. and Buhler, P., 2016. Big data fundamentals: concepts, drivers & techniques. Prentice Hall Press.
Traditional BI
• BI tradisional terutama menggunakan analisis
deskriptif dan diagnostik untuk memberikan
informasi tentang peristiwa historis dan terkini.
Traditional BI bukan BI yang "cerdas" karena
hanya memberikan jawaban untuk pertanyaan
yang dirumuskan dengan benar.
• Merumuskan pertanyaan dengan benar
membutuhkan pemahaman tentang masalah
bisnis dan tentang data itu sendiri.
• BI melaporkan berbagai KPI melalui:
• ad-hoc reports
• dashboards

Erl, T., Khattak, W. and Buhler, P., 2016. Big data fundamentals: concepts, drivers & techniques. Prentice Hall Press.
Big Data BI

 Big Data BI dibangun berdasarkan

BI tradisional dengan bertindak
berdasarkan data perusahaan
yang bersih dan terkonsolidasi di
data warehouse dan
menggabungkannya dengan
sumber data semi-terstruktur dan
tidak terstruktur.
 Menggunakan analitik prediktif
dan preskriptif untuk
memfasilitasi pengembangan
pemahaman perusahaan
terhadap kinerja bisnis.
Dashboards-BI

 Pada dasarnya dashboard adalah suatu

panel yang berisi komponen-komponen
pengukur yang mengontrol dan
menyajikan informasi mengenai kondisi
dari sesuatu.
 Dasbor memberikan pandangan
menyeluruh tentang area bisnis utama.
Informasi yang ditampilkan psecara real
time
 Presentasi data pada dasbor bersifat
grafis, menggunakan diagram batang,
diagram lingkaran, dan alat pengukur
Drill-Down

• Drill-down – memungkinkan tampilan

detail data yang menarik dengan
berfokus pada subset data dari
tampilan yang dirangkum
Regresi linier

• Regresi linier sederhana adalah teknik

matematis untuk memprediksi nilai variabel
dependen berdasarkan satu variabel
independen dan hubungan linier antara
keduanya.
• Regresi linier terdiri dari menemukan garis
lurus yang paling sesuai melalui serangkaian
pengamatan variabel dependen dan
independen.
• Rumus regresi linear sederhana sebagi berikut:
Y’ = a + bX
Keterangan:
Y’ = Variabel dependen (nilai yang diprediksikan)
X = Variabel independen
a = Konstanta (nilai Y’ apabila X = 0)
b = Koefisien regresi (nilai peningkatan ataupun
penurunan)
Data Mining

Data mining adalah alat analisis BI yang

digunakan untuk mengeksplorasi data
dalam jumlah besar untuk pola
tersembunyi guna memprediksi tren dan
perilaku masa depan untuk digunakan
dalam pengambilan keputusan.
The Cross-Industry Process for
Data Mining (CRISP-DM)

CRISP-DM adalah pendekatan terstruktur enam fase untuk

perencanaan dan pelaksanaan proyek data mining, yaitu:oal
• Business understanding : Memperjelas tujuan bisnis untuk
proyek data mining, mengubah tujuan menjadi masalah
analisis prediktif, dan merancang rencana proyek untuk
mencapai tujuan ini.
• Data understanding : Kumpulkan data yang akan digunakan
(mungkin melibatkan banyak sumber) dan mengidentifikasi
masalah kualitas data
• Data preparation : Pilih subset data yang akan digunakan,
bersihkan data untuk mengatasi masalah kualitas, dan ubah
data menjadi bentuk yang sesuai untuk analisis.
• Modeling : Terapkan teknik pemodelan yang dipilih.
• Evaluation : Menilai apakah model tersebut mencapai tujuan
bisnis.
• Deployment : Terapkan model ke dalam proses pengambilan
keputusan organisasi.
Data
Mining-
contoh
penerapan