Rencana Pembelajaran
Tugas Kelompok
2. Sejarah BI
o Istilah BI diciptakan oleh Gartner Group pada pertengahan 1990-an
o Namun, konsepnya jauh lebih tua
o 1970-an - Pelaporan MIS - laporan statis / berkala
o 1980-an - Sistem Informasi Eksekutif (EIS)
E-Learning STMIK Nusa Mandiri Page |2
Copyright © September 2020
3. Evolusi Kemampuan BI
4. Arsitektur BI
Arsitektur BI
5. Komponen Arsitektur BI
o Data warehouse adalah gudang besar data historis yang terorganisir dengan baik
o Bussiness Analitycs adalah alat yang memungkinkan transformasi data menjadi
informasi dan pengetahuan
o Bussiness Performance Management (BPM) memungkinkan pemantauan,
pengukuran, dan membandingkan indikator kinerja utama
o User interface (mis., Dashboard) memungkinkan akses dan manipulasi komponen BI
lainnya dengan mudah
6. Model BI
MicroStrategy, Corp membedakan lima gaya BI dan menawarkan alat untuk masing-
masing
E-Learning STMIK Nusa Mandiri Page |4
Copyright © September 2020
7. Keunggulan BI
o Kemampuan untuk memberikan informasi yang akurat ketika dibutuhkan, termasuk
pandangan waktu nyata dari kinerja perusahaan dan bagian-bagiannya
o Sebuah survei oleh Thompson (2004)
o Pelaporan lebih cepat, lebih akurat (81%)
o Pengambilan keputusan yang lebih baik (78%)
o Peningkatan layanan pelanggan (56%)
o Peningkatan pendapatan (49%)
8. Hubungan DSS-BI
o Pertama, arsitektur mereka sangat mirip karena BI berevolusi dari DSS
o Kedua, DSS secara langsung mendukung pengambilan keputusan spesifik, sementara
BI memberikan informasi yang akurat dan tepat waktu, dan secara tidak langsung
mendukung pengambilan keputusan
o Ketiga, BI memiliki orientasi eksekutif dan strategi, terutama dalam BPM dan
komponen dasbornya, sedangkan DSS, sebaliknya, berorientasi pada analis
o Keempat, sebagian besar sistem BI dibangun dengan alat dan komponen yang tersedia
secara komersial, sementara DSS sering dibangun dari awal
o Kelima, metodologi DSS dan bahkan beberapa alat sebagian besar dikembangkan di
dunia akademik, sedangkan metodologi dan alat BI sebagian besar dikembangkan
oleh perusahaan perangkat lunak
o Keenam, banyak alat yang digunakan BI juga dianggap sebagai alat DSS (mis., Data
mining dan analisis prediktif adalah alat utama di keduanya)
o Meskipun beberapa orang menyamakan DSS dengan BI, sistem ini, pada saat ini,
tidak sama
E-Learning STMIK Nusa Mandiri Page |5
Copyright © September 2020
o beberapa orang percaya bahwa DSS adalah bagian dari BI — salah satu alat
analitisnya
o yang lain berpikir bahwa BI adalah kasus khusus DSS yang sebagian besar berkaitan
dengan pelaporan, komunikasi, dan kolaborasi (suatu bentuk DSS yang berorientasi
data)
o BI adalah hasil dari revolusi berkelanjutan dan, dengan demikian, DSS adalah salah
satu elemen asli BI
o Dalam buku ini, kami memisahkan DSS dari BI
o MSS = BI dan / atau DSS
13.
E-Learning STMIK Nusa Mandiri Page |1
Copyright © September 2020
Tugas Kelompok
2. Karakteristik DW
o Berorientasi pada objek
o Terintegrasi
o Time-variant (time series)
o Nonvolatile
o Diringkas
o Tidak dinormalisasi
o Metadata
o Berbasis web, relational/multi-dimensi
o Client/server
o Real-time dan/atau right-time (aktif)
E-Learning STMIK Nusa Mandiri Page |2
Copyright © September 2020
3. Data Mart
Data warehouse kecil yang dirancang untuk unit bisnis strategis atau departemen
Suatu tipe database sering digunakan sebagai area sementara untuk suatu data
warehouse
o Oper marts
o Metadata
Suatu data tentang data. Dalam data warehouse, metadata mendeskripsikan konten
datawarehouse dan cara akuisisi dan penggunaannya
E-Learning STMIK Nusa Mandiri Page |3
Copyright © September 2020
5. Kerangka Konseptual DW
/ Middleware
Legacy Metadata Data/text
Extract mining
Data mart
(Engineering)
Transform Enterprise
POS Data warehouse
OLAP,
Integrate
API
Data mart Dashboard,
(Finance) Web
Other Load
OLTP/wEB
Replication Data mart
(...) Custom built
External
applications
data
6. Arsitektur Umum DW
o Arsitektur Tiga Tingkat (Three-tier architecture)
a) Perangkat lunak akuisisi data (back-end)
b) Data warehouse yang berisi data & perangkat lunak
c) Software Client (front-end) yang memungkinkan pengguna untuk mengakses dan
menganalisis data warehouse
3-tier architecture
Tier 1: Tier 2:
Client workstation Application & database server
2-tier architecture
7. Pertimbangan Arsitektur DW
o Masalah yang perlu dipertimbangkan ketika memutuskan arsitektur mana yang akan
digunakan:
a) Database Management System (DBMS) yang mana yang harus dipakai?
b) Apakah akan menggunakan proses parallel dan/atau partisi?
c) Apakah alat migrasi data akan digunakan untuk memuat data warehouse?
d) Alat apa yang akan digunakan untuk mendukung pengambilan dan analisis data?
E-Learning STMIK Nusa Mandiri Page |5
Copyright © September 2020
Web pages
Application
Server
Client Web
(Web browser) Internet/ Server
Intranet/
Extranet
Data
warehouse
9. Arsitektur Alternatif DW
ETL
End user
Source Staging Independent data marts
access and
Systems Area (atomic/summarized data)
applications
ETL
Dimensionalized data marts End user
Source Staging
linked by conformed dimentions access and
Systems Area
(atomic/summarized data) applications
E-Learning STMIK Nusa Mandiri Page |6
Copyright © September 2020
ETL
End user
Source Staging Normalized relational
access and
Systems Area warehouse (atomic data)
applications
ETL
Normalized relational End user
Source Staging
warehouse (atomic/some access and
Systems Area
summarized data) applications
13. Data Integration and the Extraction, Transformation, and Load (ETL) Process
o Integrasi Data (Data integration)
Integrasi yang terdiri dari tiga proses utama: akses data, federasi data, dan perubahan
tangkapan.
Sebuah teknologi yang menyediakan kendaraan untuk mendorong data dari sumber
sistem ke dalam data warehouse
evolving tool space yang menjanjikan integrasi data real-time dari berbagai sumber
Packaged Transient
application data source
Data
warehouse
Legacy
Extract Transform Cleanse Load
system
Data mart
Other internal
applications
14. ETL
o Masalah yang mempengaruhi pembelian alat ETL
Alat transformasi data mahal
Alat transformasi data mungkin memiliki kurva belajar yang panjang
15. Manfaat DW
o Manfaat langsung dari data warehouse
Mengizinkan pengguna akhir melakukan analisis ekstensif
Mengizinkan tampilan konsolidasi data perusahaan
Informasi yang lebih baik dan lebih tepat waktu
Peningkatan kinerja sistem
Penyederhanaan akses data
Driver Automotive
Facts:
Dimensions: Claim Information Central table that contains
How data will be sliced/
(usually summarized)
diced (e.g., by location,
information; also contains
time period, type of
foreign keys to access each
automobile or driver)
dimension table.
Location Time
Objek dua dimensi, tiga dimensi, atau lebih tinggi di mana setiap dimensi data mewakili
ukuran yang menarik
Grain
Drill-down
Slicing
E-Learning STMIK Nusa Mandiri Page |13
Copyright © September 2020
GSkalabilitas yang baik berarti bahwa kueri dan fungsi akses data lainnya akan
tumbuh secara linear dengan ukuran warehouse
o Security
Penekanan pada keamanan dan privasi
E-Learning STMIK Nusa Mandiri Page |1
Copyright © September 2020
Presentasi Project
o Tugas Kelompok
Buat Kelompok maximal 4 orang/kelompok.
Pengolahan data menggunakan tools rapidminer
Menggunakan salahsatu metode data mining
Dataset menggunakan data public atau private, setiap kelompok beda dataset
Kumpulkan tugas kelompok tersebut berupa : makalah, dan powerpoint pada
pertemuan 10 dan bisa dipresentasikan.
Mengumpulkan draft artikel ilmiah.
Nilai project & presentasi akan menjadi nilai kelompok, keaktifan dan nilai
penguasaan materi.
E-Learning STMIK Nusa Mandiri Page |1
Copyright © September 2020
Machine learning (ML) adalah keluarga teknologi kecerdasan buatan yang terutama
berkaitan dengan desain dan pengembangan algoritma yang memungkinkan komputer untuk
"belajar" dari data historis
Learning adalah proses peningkatan diri, yang merupakan fitur penting dari perilaku
cerdas. Pembelajaran manusia adalah kombinasi dari banyak proses kognitif yang rumit,
termasuk :
Induksi
Deduksi
Analogi
Prosedur khusus lainnya yang terkait dengan mengamati dan / atau menganalisis
contoh
Beberapa perilaku ML dapat menantang kinerja pakar manusia (mis., Bermain catur)
Meskipun ML kadang-kadang sesuai dengan kemampuan belajar manusia, ia tidak
dapat belajar sebaik manusia atau dengan cara yang sama seperti yang dilakukan
manusia
Tidak ada klaim bahwa pembelajaran mesin dapat diterapkan dengan cara yang benar-
benar kreatif
Sistem ML tidak berlabuh dalam teori formal apa pun (mengapa mereka berhasil atau
gagal tidak jelas)
E-Learning STMIK Nusa Mandiri Page |2
Copyright © September 2020
Machine Learning
4. Supervised Learning
Pembelajaran dengan guru, data set memiliki target/label/class. Sebagian besar algoritma
data mining (estimation, prediction/forecasting, classification) adalah supervised learning.
Algoritma melakukan proses belajar berdasarkan nilai dari variabel target yang terasosiasi
dengan nilai dari variable prediktor
E-Learning STMIK Nusa Mandiri Page |4
Copyright © September 2020
5. Unsupervised Learning
Algoritma data mining mencari pola dari semua variable (atribut)
Variable (atribut) yang menjadi target/label/class tidak ditentukan (tidak ada)
Algoritma clustering adalah algoritma unsupervised learning
E-Learning STMIK Nusa Mandiri Page |5
Copyright © September 2020
6. SemiSupervised Learning
Semi-supervised learning adalah metode data mining yang menggunakan data dengan
label dan tidak berlabel sekaligus dalam proses pembelajarannya
Data yang memiliki kelas digunakan untuk membentuk model (pengetahuan), data
tanpa label digunakan untuk membuat batasan antara kelas
E-Learning STMIK Nusa Mandiri Page |6
Copyright © September 2020
Klasifikasi (Han, 2006) adalah proses penemuan model (atau fungsi) yang
menggambarkan dan membedakan kelas data atau konsep yang bertujuan agar bisa
digunakan untuk memprediksi kelas dari objek yang label kelasnya tidak diketahui.
Kelas
Predictor
Training Dataset
Testing Dataset
Kelas
Predictor
Training Dataset
Satu set data yang berisi nilai dari kedua komponen di atas yang digunakan untuk
menentukan kelas yang cocok berdasarkan predictor.
Testing Dataset
Berisi data baru yang akan diklasifikasikan oleh model yang telah dibuat dan akurasi
klasifikasi dievaluasi
Hal-hal yang berhubungan dengan klasifikasi adalah:
Meramalkan kategori label kelas (nominal atau terpisah)
Menggolongkan data (membangun suatu model) yang didasarkan pada pelatihan,
menetapkan nilai-nilai (label kelas) di (dalam) suatu penggolongan atribut dan
penggunaan di dalam penggolongan data baru
E-Learning STMIK Nusa Mandiri Page |8
Copyright © September 2020
n
Entropy ( S ) pi * log 2 pi
i 1
n
| Si |
Gain( S , A) Entropy ( S ) * Entropy ( S i )
i 1 | S |
Neural Network adalah suatu model yang dibuat untuk meniru fungsi belajar yang
dimiliki otak manusia atau jaringan dari sekelompok unit pemroses kecil yang dimodelkan
berdasarkan jaringan saraf manusia.
14. K-Means
Diberikan k, algoritma k-means diimplementasikan dalam empat langkah:
a) Partisi objek menjadi himpunan bagian nonempty
b) Hitung titik seed sebagai centroid dari cluster dari partisi saat ini (centroid
adalah pusat, mis., Titik rata-rata, dari cluster)
c) Tetapkan setiap objek ke cluster dengan titik benih terdekat
d) Kembali ke Langkah 2, berhenti ketika tugas tidak berubah
n
d Euclidean x, y
i i 2
x y
i 1
17. Asosiasi
Frequent pattern: sebuah pola (satu set item, berikutnya, substruktur, dll.) Yang sering
terjadi dalam kumpulan data
Pertama kali diusulkan Agrawal, Imielinski, dan Swami [AIS93] dalam konteks
frequent itemset dan asosiasi rule mining
Motivation: Menemukan keteraturan yang melekat dalam data
Produk apa yang sering dibeli bersama? - Bir dan popok ?!
Apa pembelian selanjutnya setelah membeli PC?
Jenis DNA apa yang sensitif terhadap obat baru ini?
Bisakah kita secara otomatis mengklasifikasikan dokumen web?
Applications
Analisis data keranjang, pemasaran silang, desain katalog, analisis kampanye
penjualan, analisis log Web (aliran klik), dan analisis urutan DNA.
E-Learning STMIK Nusa Mandiri Page |1
Copyright © September 2020
Tugas Kelompok
Sistem real-time yang mengingatkan manajer akan peluang potensial, masalah yang
akan datang, dan ancaman, dan kemudian memberdayakan mereka untuk bereaksi melalui
model dan kolaborasi
BPM mengacu pada proses bisnis, metodologi, metrik, dan teknologi yang digunakan
oleh perusahaan untuk mengukur, memantau, dan mengelola kinerja bisnis
Metode dan alat untuk memantau indikator kinerja utama (Key Performance
Indicators), terkait dengan strategi organisasi
2. BPM versus BI
o BPM adalah hasil dari BI dan menggabungkan banyak teknologi, aplikasi, dan
tekniknya
Perusahaan yang sama memasarkan dan menjualnya
BI telah berevolusi sehingga banyak perbedaan asli antara keduanya tidak ada lagi
(mis., BI dulu berfokus pada proyek-proyek departemen daripada perusahaan-
lebar enterprise-wide projects)
BI adalah elemen penting dari BPM
o BPM = BI + Planning (solusi terpadu)
Langkah-langkah proses
o Strategize
o Plan
o Monitor/analyze
o Act/adjust
Pernyataan umum atau tindakan umum yang menentukan arah yang ditargetkan untuk
suatu organisasi
o Strategic goal
o Strategic vision
Faktor-faktor kunci yang menggambarkan hal-hal yang harus dimiliki oleh suatu
organisasi untuk menjadi sukses
o Kesenjangan strategi
Empat sumber untuk kesenjangan antara strategi dan eksekusi:
a) Komunikasi (enterprise-wide)
b) Penyelarasan penghargaan dan insentif
c) Fokus (berkonsentrasi pada elemen inti)
d) Sumber daya
8. Pengukuran Kinerja
o Sistem Pengukuran Kinerja
E-Learning STMIK Nusa Mandiri Page |8
Copyright © September 2020
Suatu sistem yang membantu manajer dalam melacak implementasi strategi bisnis
dengan membandingkan hasil aktual dengan sasaran dan sasaran strategis
KPI mewakili tujuan strategis dan metrik yang mengukur kinerja terhadap suatu
tujuan. Fitur yang membedakan KPI:
Strategy
Targets
Ranges
Encodings
Time frames
Benchmarks
Presentasi Project
o Tugas Kelompok
Buat Kelompok maximal 4 orang/kelompok.
Pengolahan data menggunakan tools rapidminer
Menggunakan salahsatu metode data mining
Dataset menggunakan data public atau private, setiap kelompok beda dataset
Kumpulkan tugas kelompok tersebut berupa : makalah, dan powerpoint pada
pertemuan 10 dan bisa dipresentasikan.
Mengumpulkan draft artikel ilmiah.
Nilai project & presentasi akan menjadi nilai kelompok, keaktifan dan nilai
penguasaan materi.
E-Learning STMIK Nusa Mandiri Page |1
Copyright © September 2020
o Tugas Kelompok
Buat Kelompok maximal 4 orang/kelompok.
Pengolahan data menggunakan tools rapidminer
Menggunakan salahsatu metode data mining
Dataset menggunakan data public atau private, setiap kelompok beda dataset
Kumpulkan tugas kelompok tersebut berupa : makalah, dan powerpoint pada
pertemuan 10 dan bisa dipresentasikan.
Mengumpulkan draft artikel ilmiah.
Nilai project & presentasi akan menjadi nilai kelompok, keaktifan dan nilai
penguasaan materi.
1. BPM Methodologies
o Sistem pengukuran kinerja yang efektif harus membantu:
Menyelaraskan tujuan strategis tingkat atas dan inisiatif tingkat bawah
Identifikasi peluang dan masalah secara tepat waktu
Tentukan prioritas dan alokasikan sumber daya yang sesuai
Ubah pengukuran saat proses dan strategi yang mendasarinya berubah
Menggambarkan tanggung jawab, memahami kinerja aktual relatif terhadap
tanggung jawab, dan menghargai serta mengakui prestasi
Ambil tindakan untuk meningkatkan proses dan prosedur ketika data
mengharuskannya
Merencanakan dan memperkirakan secara lebih andal dan tepat waktu
o Peta Strategi
o Six Sigma
o Aplikasi BPM
Manajemen strategi
Penganggaran, perencanaan, dan perkiraan
Konsolidasi keuangan
Pemodelan dan optimasi profitabilitas
Pelaporan keuangan, perundang-undangan, dan manajemen
E-Learning STMIK Nusa Mandiri Page |6
Copyright © September 2020
3. Kinerja Dashboards
- Eckerson
o Desain Dashboard
o Tugas Kelompok
Buat Kelompok maximal 4 orang/kelompok.
Pengolahan data menggunakan tools rapidminer
Menggunakan salahsatu metode data mining
Dataset menggunakan data public atau private, setiap kelompok beda dataset
Kumpulkan tugas kelompok tersebut berupa : makalah, dan powerpoint pada
pertemuan 10 dan bisa dipresentasikan.
Mengumpulkan draft artikel ilmiah.
Nilai project & presentasi akan menjadi nilai kelompok, keaktifan dan nilai
penguasaan materi.
Metode
Himpun Pengeta
Data
an Data huan
Mining
Melakukan ekstraksi untuk mendapatkan informasi penting yang sifatnya implisit dan
sebelumnya tidak diketahui, dari suatu data (Witten et al., 2011)
1103 22
1142 18 2 2
1156 10 1 11
1173 12 5 5
1180 10 12
Terlambat 7 0 1 0 5
Pulang Cepat 0 1 1 1 8
Izin 3 0 0 1 4
Alpa 1 0 2 0 2
Computing
Statistics
Algorithms
Machine Database
Learning Technology
8. Tipe Data
E-Learning STMIK Nusa Mandiri Page |6
Copyright © September 2020
(*, /)
• Tidak mempunyai
titik nol yang
absolut
(+, - )
(<, >)
(=, )
1. Estimasi
2.
5. Asosiasi Forecastin
g
4. 3.
Klastering Klasifikasi
E-Learning STMIK Nusa Mandiri Page |8
Copyright © September 2020
1 3 3 3 16
2 1 7 4 20
3 2 4 6 18
4 4 6 8 36
...
1000 2 4 2 12
11. Output/Pola/Model/Knowledge
o Formula/Function (Rumus atau Fungsi Regresi)
WAKTU TEMPUH = 0.48 + 0.6 JARAK + 0.34 LAMPU + 0.2 PESANAN
o Decision Tree (Pohon Keputusan)
o Korelasi dan Asosiasi
o Rule (Aturan)
o IF ips3=2.8 THEN lulustepatwaktu
o Cluster (Klaster)
E-Learning STMIK Nusa Mandiri Page |9
Copyright © September 2020
Prediction Plot
...
E-Learning STMIK Nusa Mandiri Page |11
Copyright © September 2020
...
Algoritma association rule (aturan asosiasi) adalah algoritma yang menemukan atribut
yang “muncul bersamaan”
Contoh, pada hari kamis malam, 1000 pelanggan telah melakukan belanja di supermaket
ABC, dimana:
Jadi, association rule menjadi, “Jika membeli sabun mandi, maka membeli Fanta”,
dengan nilai support = 200/1000 = 20% dan nilai confidence = 50/200 = 25%
E-Learning STMIK Nusa Mandiri Page |15
Copyright © September 2020
Presentasi Project
o Tugas Kelompok
Buat Kelompok maximal 4 orang/kelompok.
Pengolahan data menggunakan tools rapidminer
Menggunakan salahsatu metode data mining
Dataset menggunakan data public atau private, setiap kelompok beda dataset
Kumpulkan tugas kelompok tersebut berupa : makalah, dan powerpoint pada
pertemuan 10 dan bisa dipresentasikan.
Mengumpulkan draft artikel ilmiah.
Nilai project & presentasi akan menjadi nilai kelompok, keaktifan dan nilai
penguasaan materi.
E-Learning STMIK Nusa Mandiri Page |1
Copyright © September 2020
Presentasi Project
o Tugas Kelompok
Buat Kelompok maximal 4 orang/kelompok.
Pengolahan data menggunakan tools rapidminer
Menggunakan salahsatu metode data mining
Dataset menggunakan data public atau private, setiap kelompok beda dataset
Kumpulkan tugas kelompok tersebut berupa : makalah, dan powerpoint pada
pertemuan 10 dan bisa dipresentasikan.
Mengumpulkan draft artikel ilmiah.
Nilai project & presentasi akan menjadi nilai kelompok, keaktifan dan nilai
penguasaan materi.
E-Learning STMIK Nusa Mandiri Page |1
Copyright © September 2020
Presentasi Project
o Tugas Kelompok
Buat Kelompok maximal 4 orang/kelompok.
Pengolahan data menggunakan tools rapidminer
Menggunakan salahsatu metode data mining
Dataset menggunakan data public atau private, setiap kelompok beda dataset
Kumpulkan tugas kelompok tersebut berupa : makalah, dan powerpoint pada
pertemuan 10 dan bisa dipresentasikan.
Mengumpulkan draft artikel ilmiah.
Nilai project & presentasi akan menjadi nilai kelompok, keaktifan dan nilai
penguasaan materi.
E-Learning STMIK Nusa Mandiri Page |1
Copyright © September 2020
Presentasi Project
o Tugas Kelompok
Buat Kelompok maximal 4 orang/kelompok.
Pengolahan data menggunakan tools rapidminer
Menggunakan salahsatu metode data mining
Dataset menggunakan data public atau private, setiap kelompok beda dataset
Kumpulkan tugas kelompok tersebut berupa : makalah, dan powerpoint pada
pertemuan 10 dan bisa dipresentasikan.
Mengumpulkan draft artikel ilmiah.
Nilai project & presentasi akan menjadi nilai kelompok, keaktifan dan nilai
penguasaan materi.