Datawarehouse Dan Business Intelligence Tambahan

E-Learning STMIK Nusa Mandiri Page |1
Copyright © September 2020
Pertemuan 1 : Business Intelligence
Rencana Pembelajaran
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. Business Intelligence (BI)

o BI adalah istilah umum yang menggabungkan arsitektur, alat, basis data, alat analisis,
aplikasi, dan metodologi
o Seperti DSS, BI ekspresi bebas konten, berarti itu hal yang berbeda untuk orang yang
berbeda
o Tujuan utama BI adalah untuk memungkinkan akses mudah ke data (dan model)
untuk memberikan manajer bisnis dengan kemampuan untuk melakukan analisis
o BI membantu mengubah data, menjadi informasi (dan pengetahuan), menjadi
keputusan dan akhirnya bertindak
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)
o 1990-an - OLAP, dinamis, multidimensi, pelaporan ad-hoc -> penggabungan istilah

"BI"
o 2005+ Inklusi kemampuan Penambangan AI dan Data / Teks; Portal / Dashboard
berbasis web
o 2010-an - belum terlihat
3. Evolusi Kemampuan BI
4. Arsitektur BI
Sistem BI memiliki empat komponen utama :
o Data warehouse, dengan data sumbernya

o Bussiness Analitycs, kumpulan alat untuk memanipulasi, menambang, dan

menganalisis data di gudang data;
o Bussiness Performance Management (BPM) untuk memantau dan menganalisis
kinerja
o User interface(mis., dashboard)
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
a. pengiriman laporan dan peringatan

b. pelaporan perusahaan (menggunakan dasbor dan kartu skor)
c. analisis kubus (juga dikenal sebagai analisis slice-and-dadu)
d. permintaan ad-hoc
e. statistik dan penggalian data
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
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
9. Tampilan Sistem Kerja Decision Support (Alter, 2004)

o Jatuhkan kata “Systems" dari DSS
o fokus pada “Decision Support"
o “Penggunaan segala cara yang terkomputerisasi atau nonkomputer yang masuk akal
untuk meningkatkan pengambilan keputusan dalam situasi bisnis yang berulang atau
tidak berulang dalam organisasi tertentu”
o Sistem kerja: sistem di mana peserta manusia dan / atau mesin melakukan proses
bisnis, menggunakan informasi, teknologi, dan sumber daya lainnya, untuk
menghasilkan produk dan / atau layanan untuk pelanggan internal atau eksternal
10. Elemen Sistem Kerja

o Proses bisnis. Variasi dalam proses rasional, urutan langkah-langkah, atau metode
yang digunakan untuk melakukan langkah-langkah tertentu
o Peserta Pelatihan yang lebih baik, keterampilan yang lebih baik, tingkat komitmen
yang lebih tinggi, atau umpan balik waktu-nyata yang lebih baik atau tertunda
o Informasi. Kualitas informasi yang lebih baik, ketersediaan informasi, atau penyajian
informasi
o Teknologi. Penyimpanan dan pengambilan data yang lebih baik, model, algoritma,
kemampuan statistik atau grafis, atau interaksi komputer
o Product and services. Better ways to evaluate potential decisions
o Customers. Better ways to involve customers in the decision process and to obtain
greater clarity about their needs
o Infrastructure. More effective use of shared infrastructure, which might lead to

improvements
o Environment. Better methods for incorporating concerns from the surrounding
environment
o Strategy. A fundamentally different operational strategy for the work system
11. Kategori Alat Utama Untuk MSS
TOOL CATEGORY TOOLS AND THEIR ACRONYMS

Data management Databases and database management system (DBMS)
Extraction, transformation, and load (ETL) systems
Data warehouses (DW), real-time DW, and data marts
Reporting status tracking Online analytical processing (OLAP)
Executive information systems (EIS)
Visualization Geographical information systems (GIS)
Dashboards, Information portals
Multidimensional presentations
Business analytics Optimization, Web analytics
Data mining, Web mining, and text mining
Strategy and performance Business performance management (BPM)/
management Corporate performance management (CPM)
Business activity management (BAM)
Dashboards and Scorecards
Communication and Group decision support systems (GDSS)
collaboration Group support systems (GSS)
Collaborative information portals and systems
Social networking Web 2.0, Expert locating systems
Knowledge management Knowledge management systems (KMS)
Intelligent systems Expert systems (ES)
Artificial neural networks (ANN)
Fuzzy logic, Genetic algorithms, Intelligent agents
Enterprise systems Enterprise resource planning (ERP),
Customer Relationship Management (CRM), and
Supply-Chain Management (SCM)
12. Sistem Pendukung Hibrida (Terintegrasi)

o Tujuan dari dukungan keputusan yang terkomputerisasi, terlepas dari nama atau
sifatnya, adalah untuk membantu manajemen dalam memecahkan masalah manajerial
atau organisasi (dan menilai peluang dan strategi) lebih cepat dan lebih baik daripada
yang mungkin tanpa komputer
o Setiap jenis alat memiliki kemampuan dan keterbatasan tertentu. Dengan

mengintegrasikan beberapa alat, kami dapat meningkatkan dukungan keputusan
karena satu alat dapat memberikan keuntungan di mana yang lain lemah
o Oleh karena itu tren menuju pengembangan Support Systems hybrid (terintegrasi)
o Jenis integrasi
o Gunakan setiap alat secara independen untuk menyelesaikan berbagai aspek masalah
o Gunakan beberapa alat yang terintegrasi secara longgar. Ini terutama melibatkan
transfer data dari satu alat ke alat lain untuk diproses lebih lanjut
o Gunakan beberapa alat yang terintegrasi erat. Dari sudut pandang pengguna, alat ini
muncul sebagai sistem terpadu
o Selain melakukan tugas yang berbeda dalam proses penyelesaian masalah, alat dapat
saling mendukung
13.
Pertemuan 2 : Data Warehousing
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
 Mengumpulkan draft artikel ilmiah.
 Nilai project & presentasi akan menjadi nilai kelompok, keaktifan dan nilai
penguasaan materi.
1. Pengertian Data Warehouse

o Repositori fisik di mana data relasional diorganisasikan secara khusus untuk
menyediakan data yang dibersihkan perusahaan dalam format standar
o Data Warehouse adalah kumpulan desain basis data terintegrasi dan berorientasi
subjek untuk mendukung fungsi DSS, di mana setiap unit data adalah non-volatile dan
relevan dengan waktu tertentu”
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)
3. Data Mart
Departmen data warehouse yang hanya menyimpan data yang relevan
o Dependent data mart
Subset yang dibuat langsung dari data warehouse
o Independent data mart
Data warehouse kecil yang dirancang untuk unit bisnis strategis atau departemen
4. Pengertian Data Warehousing

o Operational data stores (ODS)
Suatu tipe database sering digunakan sebagai area sementara untuk suatu data
warehouse
o Oper marts
Mart data operasional.
o Enterprise data warehouse (EDW)
Data warehouse untuk perusahaan.
o Metadata
Suatu data tentang data. Dalam data warehouse, metadata mendeskripsikan konten
datawarehouse dan cara akuisisi dan penggunaannya
5. Kerangka Konseptual DW
No data marts option

Data Applications
Sources (Visualization)
Access
Routine
ERP Business
ETL
Reporting
Process Data mart
(Marketing)
Select
/ 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
o Arsitektur Dua Tingkat (Two-tier architecture)

a) 2 tingkatan pertama dalam arsitektur tiga tingkat digabungkan menjadi satu
… kadang hanya ada satu tingkat?

Tier 1: Tier 2: Tier 3:

Client workstation Application server Database server
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?
8. Arsitektur DW Berbasis Web
Web pages
Application
Server
Client Web
(Web browser) Internet/ Server
Intranet/
Extranet
Data
warehouse
9. Arsitektur Alternatif DW
(a) Independent Data Marts Architecture
ETL
End user
Source Staging Independent data marts
access and
Systems Area (atomic/summarized data)
applications
(b) Data Mart Bus Architecture with Linked Dimensional Datamarts
ETL
Dimensionalized data marts End user
Source Staging
linked by conformed dimentions access and
Systems Area
(atomic/summarized data) applications
(c) Hub and Spoke Architecture (Corporate Information Factory)
ETL
End user
Source Staging Normalized relational
access and
Systems Area warehouse (atomic data)
applications
Dependent data marts

(summarized/some atomic data)
(d) Centralized Data Warehouse Architecture
ETL
Normalized relational End user
Source Staging
warehouse (atomic/some access and
Systems Area
summarized data) applications
(e) Federated Architecture
Data mapping / metadata

End user
Logical/physical integration of access and
Existing data warehouses
common data elements applications
Data marts and legacy systmes
10. Arsitektur Mana yang Paling Baik?

o Bill Inmon Vs. Ralph Kimball
o Enterprise DW Vs. Data Marts approach
Empirical study by Ariyachandra and Watson (2006)
11. Arsitektur Data Warehousing

o Sepuluh faktor yang berpotensi mempengaruhi keputusan pemilihan arsitektur:
o Saling ketergantungan informasi antar unit organisasi
o Kebutuhan informasi manajemen tingkat atas

o Urgensi kebutuhan akan data warehouse
o Sifat tugas end-user
o Kendala pada sumber daya
o Pandangan strategis dari data warehouse sebelum implementasi
o Kompatibilitas dengan sistem yang ada
o Kemampuan yang dirasakan dari staf TI in-house
o Masalah teknis
o Faktor Sosial/politik
12. Enterprise Data Warehouse (by Teradata Corporation)
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.
o Enterprise application integration (EAI)

Sebuah teknologi yang menyediakan kendaraan untuk mendorong data dari sumber
sistem ke dalam data warehouse
o Enterprise information integration (EII)
evolving tool space yang menjanjikan integrasi data real-time dari berbagai sumber
o Service-oriented architecture (SOA)
Cara baru untuk mengintegrasikan sistem informasi
Packaged Transient
application data source
Data
warehouse
Legacy
Extract Transform Cleanse Load
system
Data mart
Other internal
applications
Extraction, transformation, and load (ETL) process
14. ETL
o Masalah yang mempengaruhi pembelian alat ETL
 Alat transformasi data mahal
 Alat transformasi data mungkin memiliki kurva belajar yang panjang
o Kriteria penting dalam memilih alat ETL

 Kemampuan untuk membaca dan menulis ke sejumlah sumber data / arsitektur yang
tidak terbatas
 Pengambilan dan pengiriman metadata secara otomatis
 Sejarah kesesuaian dengan standar terbuka
 Antarmuka yang mudah digunakan untuk pengembang dan fungsional user
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
o Manfaat tidak langsung dari data warehouse

 Meningkatkan pengetahuan bisnis
 Menghadirkan keunggulan kompetitif
 Meningkatkan layanan dan kepuasan pelanggan
 Memfasilitasi pengambilan keputusan
 Membantu dalam mereformasi proses bisnis
16. Pengembangan Data Warehouse

o Pendekatan pengembangan data warehouse
 Model Inmon : Pendekatan EDW (top-down)
 Model Kimball : Pendekatan Data mart (bottom-up)
 Model mana yang terbaik?
 There is no one-size-fits-all strategy to DW
 Salah satu alternative ada pada hosted warehouse
o Struktur Data warehouse:
 The Star Schema vs. Relational
o Real-time pada datawarehouse?
17. DW Development Approaches
18. DW Structure: Star Schema (a.k.a. Dimensional Modeling)

Start Schema Example for an

Automobile Insurance Data Warehouse
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
19. Pemodelan Dimensi

o Kubus Data
Objek dua dimensi, tiga dimensi, atau lebih tinggi di mana setiap dimensi data mewakili
ukuran yang menarik
 Grain
 Drill-down
 Slicing
20. Praktik Terbaik untuk Mengimplementasikan DW

o Proyek harus sesuai dengan strategi perusahaan
o Harus ada persetujuan penuh untuk proyek
o Sangat penting untuk mengelola ekspektasi user
o Data warehouse harus dibangun secara bertahap
o Kemampuan beradaptasi harus dibangun sejak awal
o Proyek harus dikelola oleh profesional IT dan bisnis (hubungan bisnis-pemasok harus
dikembangkan)
o Hanya memuat data yang telah dibersihkan / berkualitas tinggi
o Jangan mengabaikan persyaratan pelatihan
o Sadar secara politis.
21. Resiko Implementasi DW

o Tidak ada misi atau tujuan
o Kualitas data sumber tidak diketahui
o Keterampilan tidak pada tempatnya
o Anggaran tidak memadai
o Kurangnya perangkat lunak pendukung
o Sumber data tidak dipahami
o Sponsor yang lemah
o Pengguna tidak melek komputer
o Masalah politik atau perang wilayah
o Ekspektasi pengguna yang tidak realistis
o Risiko arsitektur dan desain
o Cakupan creep dan perubahan persyaratan
o Vendor di luar kendali
o Berbagai platform
o Key people meninggalkan proyek
o Kehilangan sponsor
o Terlalu banyak teknologi baru
o Harus memperbaiki sistem operasional
o Lingkungan terdistribusi secara geografis
o Tim geografi dan budaya bahasa
22. Hal yang harus dihindari untuk keberhasilan Implementasi DW

o Dimulai dengan rantai sponsor yang salah
o Menetapkan harapan yang tidak dapat Anda penuhi
o Terlibat dalam perilaku naif secara politis
o Memuat warehouse dengan informasi hanya karena ketersediaan
o mempercayai bahwa desain database data warehouse sama dengan desain DB
transaksional
o Memilih manajer data warehouse yang berorientasi teknologi daripada berorientasi
pengguna
23. Real-time DW (a.k.a. Active Data Warehousing)

o Memungkinkan pembaruan data real-time untuk analisis real-time dan pengambilan
keputusan secara real-time pula sedang berkembang sangat pesat
 Push vs. Pull (of data)
o Memperhatikan real-time BI
 Tidak semua data harus diperbarui terus menerus
 Ketidakcocokan laporan menghasilkan laporan yg terpisah
 Mungkin mahal biaya
 Mungkin juga tidak layak
24. Evolution of DSS & DW
25. Active Data Warehousing (by Teradata Corporation)

26. Comparing Traditional and Active DW
27. Data Warehouse Administration

o Karena ukurannya yang besar dan sifatnya yang intrinsik, DW membutuhkan
pemantauan yang kuat untuk menjaga efisiensi, produktivitas, dan keamanannya.
o Administrasi dan manajemen gudang data yang berhasil memerlukan keterampilan

dan kemahiran yang melampaui apa yang diperlukan oleh administrator basis data
tradisional.
 Membutuhkan keahlian dalam perangkat lunak yang tinggi, perangkat keras, dan
teknologi jaringan berkinerja tinggi
28. DW Scalability and Security

o Scalability
Masalah utama yang berkaitan dengan skalabilitas:
 Jumlah data di warehouse

 Seberapa cepat warehouse diharapkan tumbuh
 Jumlah pengguna bersamaan
 Kompleksitas kueri pengguna
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
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
 Mengumpulkan draft artikel ilmiah.
 Nilai project & presentasi akan menjadi nilai kelompok, keaktifan dan nilai
penguasaan materi.
Pertemuan 6 : Metode Learning Algoritma Data Mining
1. Konsep dan Definisi Machine Learning
Machine learning (ML) adalah keluarga teknologi kecerdasan buatan yang terutama
berkaitan dengan desain dan pengembangan algoritma yang memungkinkan komputer untuk
"belajar" dari data historis
 ML adalah proses dimana komputer belajar dari pengalaman

 Ini berbeda dari perolehan pengetahuan di ES: bukannya mengandalkan para ahli (dan
kemauan mereka) ML bergantung pada fakta sejarah
 ML membantu dalam menemukan pola dalam data
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
Machine Learning versus Human Learning:
 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)
 Keberhasilan ML sering dikaitkan dengan manipulasi simbol (bukan hanya informasi

numerik)
2. Metode Machine Learning
Machine Learning
Supervised Reinforcement Unsupervised

Learning Learning Learning
Classification  Q-Learning Clustering / Segmentation

 Decision Tree  Adaptive Heuristic Critic  SOM (Neural Networks)
 Neural Networks (AHC),  Adaptive Resonance Theory
 Support Vector Machines  State-Action-Reward-State-  Expectation Maximization
 Case-based Reasoning Action (SARSA)  K-Means
 Rough Sets  Genetic Algorithms  Genetic Algorithms
 Discriminant Analysis  Gradient Descent Association
 Logistic Regression  Apriory
 Rule Induction  ECLAT Algorithm
Regression  FP-Growth
 Regression Trees  One-attribute Rule
 Neural Networks  Zero-attribute Rule
 Support Vector Machines
 Linear Regression
 Non-linear Regression
 Bayesian Linear Regression
3. Metode Learning Algoritma Data Mining
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
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
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
7. Proses Data Mining
8. Algoritma Data Mining

 Estimation (Estimasi):
Linear Regression, Neural Network, Support Vector Machine, etc
 Prediction/Forecasting (Prediksi/Peramalan):
Linear Regression, Neural Network, Support Vector Machine, etc
 Classification (Klasifikasi):
Naive Bayes, K-Nearest Neighbor, C4.5, ID3, CART, Linear Discriminant Analysis,
Logistic Regression, etc
 Clustering (Klastering):
K-Means, K-Medoids, Self-Organizing Map (SOM), Fuzzy C-Means, etc
 Association (Asosiasi):
FP-Growth, A Priori, Coefficient of Correlation, Chi Square, etc
9. Algoritma Klasifikasi
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.
Proses klasifikasi didasarkan pada empat komponen: (Gorunescu, 2011) yaitu :

 Kelas
 Predictor
 Training Dataset
 Testing Dataset
Kelas
 Variabel dependen yang berupa kategorikal yang merepresentasikan “label‟ yang

terdapat pada objek.
 Contohnya: resiko penyakit jantung, resiko kredit, customer loyalty, jenis gempa.
Predictor
 Variabel independen yang direpresentasikan oleh karakteristik (atribut) data.

 Contohnya: Outlook, Temperature, Humidity dan Wind merupakan variabel untuk
kelas play.
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
 Sedangkan aplikasi umum untuk Klasifikasi adalah :

 Persetujuan kredit
 Target marketing
 Diagnosa medis
 Analisis keefektifan tindakan
10. Algoritma Decision Tree
Algoritma Dasar (a greedy algorithm)
 Tree dibangun dengan cara top-down recursive divide-and-conquer manner

 Pada awalnya, semua contoh training adalahakar (root)
 Atribut bersifat kategoris (jika dinilai terus-menerus, merek didiskualifikasi
sebelumnya)
 Contoh dispartisi secara rekursif berdasarkan atribut yang dipilih
 Atribut uji dipilih berdasarkan ukuran heuristik atau statistik (mis., Perolehan
informasi, rasio gain, indeks gini)
11. Tahapan Algoritma Decision Tree (ID3)

 Siapkan data training
 Pilih atribut sebagai akar
n
Entropy ( S )    pi * log 2 pi
i 1
n
| Si |
Gain( S , A)  Entropy ( S )   * Entropy ( S i )
i 1 | S |
 Buat cabang untuk tiap-tiap nilai

 Ulangi proses untuk setiap cabang sampai semua kasus pada cabang memiliki kelas
yg sama
12. Neural Network

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.
13. Analisis Cluster

 Cluster: Kumpulan Objek Data
 serupa (atau terkait) satu sama lain dalam kelompok yang sama
 berbeda (atau tidak terkait) dengan objek dalam kelompok lain
 Cluster analysis (atau clustering, segmentasi data, …)
 Menemukan kesamaan antara data sesuai dengan karakteristik yang ditemukan
dalam data dan mengelompokkan objek data serupa ke dalam kelompok
 Unsupervised learning: tidak ada kelas yang telah ditentukan (mis., learning by
observations vs. learning by examples: supervised)
 Typical applications
 Sebagai alat yang berdiri sendiri untuk mendapatkan wawasan tentang
distribusi data
 Sebagai langkah preprocessing untuk algoritma lain
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
15. Contoh K-Means Clustering
16. Tahapan Algoritma K-Means

 Pilih jumlah klaster k yang diinginkan
 Inisialisasi k pusat klaster (centroid) secara random
 Tempatkan setiap data atau objek ke klaster terdekat. Kedekatan dua objek ditentukan
berdasar jarak. Jarak yang dipakai pada algoritma k-Means adalah Euclidean distance
(d)
n
d Euclidean x, y   
 i i  2
x y
i 1
x = x1, x2, . . . , xn, dan y = y1, y2, . . . , yn merupakan banyaknya n atribut(kolom)

antara 2 record
 Hitung kembali pusat klaster dengan keanggotaan klaster yang sekarang. Pusat klaster
adalah rata-rata (mean) dari semua data atau objek dalam klaster tertentu
 Tugaskan lagi setiap objek dengan memakai pusat klaster yang baru. Jika pusat
klaster sudah tidak berubah lagi, maka proses pengklasteran selesai. Atau, kembali
lagi ke langkah nomor 3 sampai pusat klaster tidak berubah lagi (stabil) atau tidak ada
penurunan yang signifikan dari nilai SSE (Sum of Squared Errors)
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.
Pertemuan 3 : Business Performance Management
Tugas Kelompok
o Buat Kelompok maximal 4 orang/kelompok.

o Pengolahan data menggunakan tools rapidminer
o Menggunakan salahsatu metode data mining
o Dataset menggunakan data public atau private, setiap kelompok beda dataset
o Kumpulkan tugas kelompok tersebut berupa : makalah, dan powerpoint pada
o Mengumpulkan draft artikel ilmiah.
o Nilai project & presentasi akan menjadi nilai kelompok, keaktifan dan nilai
penguasaan materi.
1. Business Performance Management (BPM) Overview

o Business Performance Management (BPM) adalah…
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
Disebut juga, corporate performance management (CPM by Gartner Group),

enterprise performance management (EPM by Oracle), strategic enterprise management
(SEM by SAP)
BPM mengacu pada proses bisnis, metodologi, metrik, dan teknologi yang digunakan
oleh perusahaan untuk mengukur, memantau, dan mengelola kinerja bisnis
BPM mencakup tiga komponen utama
 Seperangkat terintegrasi, manajemen loop tertutup dan proses analitik, didukung

oleh teknologi ...
 Alat untuk bisnis untuk menentukan tujuan strategis dan kemudian mengukur /
mengelola kinerja terhadap mereka
 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)
3. Proses Closed-Loop untuk Mengoptimalkan Kinerja Bisnis

Langkah-langkah proses
o Strategize
o Plan
o Monitor/analyze
o Act/adjust
Masing-masing dengan langkah prosesnya sendiri ...
4. Strategize : Where Do We Want to Go?

o Perencanaan Strategis (Strategic planning)
 Tugas umum untuk proses perencanaan strategis:
a. Lakukan analisis situasi saat ini

b. Tentukan cakrawala perencanaan
c. Lakukan pemindaian lingkungan
d. Identifikasi faktor penentu keberhasilan
e. Lengkapi analisis kesenjangan
f. Buat visi strategis
g. Kembangkan strategi bisnis
h. Identifikasi sasaran dan sasaran strategis
o Strategic objective
Pernyataan umum atau tindakan umum yang menentukan arah yang ditargetkan untuk
suatu organisasi
o Strategic goal
Sasaran terukur dengan periode waktu yang ditentukan
o Strategic vision
Gambaran atau gambaran mental tentang bagaimana seharusnya organisasi di masa

depan
o Critical success factors (CSF)
Faktor-faktor kunci yang menggambarkan hal-hal yang harus dimiliki oleh suatu
organisasi untuk menjadi sukses
“90 persen organisasi gagal menjalankan strategi mereka”
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
5. Plan: How Do We Get There?

o Perencanaan Operasional
 Rencana Operasional : rencana yang menerjemahkan sasaran dan sasaran strategis

organisasi ke dalam serangkaian taktik dan inisiatif yang ditetapkan dengan baik,
persyaratan sumber daya, dan hasil yang diharapkan untuk beberapa periode
waktu mendatang (biasanya satu tahun)
o Perencanaan Operasional dapat :
 Tactic-centric (focus operational)
 Rencana yang terfokus pada anggaran (berfokus pada keuangan)
o Perencanaan dan penganggaran keuangan
 Tujuan strategis dan metrik utama organisasi harus berfungsi sebagai pendorong
top-down untuk alokasi aset berwujud dan tidak berwujud organisasi
 Alokasi sumber daya harus diselaraskan dengan hati-hati dengan tujuan dan taktik
strategis organisasi untuk mencapai keberhasilan strategis
6. Monitor: How Are We Doing?

o Kerangka kerja yang komprehensif untuk memantau kinerja harus mengatasi dua
masalah utama:
 Apa yang harus dipantau
 Faktor penentu keberhasilan
 Tujuan dan sasaran strategis
 Cara memonitor
o Sistem Kontrol Diagnostik
Sistem cybernetic yang memiliki input, proses untuk mentransformasikan input

menjadi output, standar atau tolok ukur untuk membandingkan output, dan saluran
umpan balik untuk memungkinkan informasi tentang perbedaan antara output dan
standar untuk dikomunikasikan dan ditindaklanjuti.
o Perangkap analisis varians

 Sebagian besar analisis pengecualian berfokus pada varian negatif ketika
kelompok atau departemen fungsional gagal memenuhi target mereka
 Jarang varians positif ditinjau untuk peluang potensial, dan jarang analisis fokus
pada asumsi yang mendasari pola varians
What if strategic assumptions

(not the operations) are wrong?
7. Act and Adjust: What Do We Need to Do Differently?

o Keberhasilan (atau kelangsungan hidup semata) bergantung pada proyek-proyek baru:
menciptakan produk baru, memasuki pasar baru, mendapatkan pelanggan baru (atau
bisnis), atau merampingkan beberapa proses.
o Sebagian besar proyek dan usaha baru gagal!
 Hollywood movies: 60% kemungkinan gagal

 Mergers and acquisitions: 60%
 IT projects (large-scale): 70%
 New food products: 80%
 New pharmaceutical products: 90% …
Harrah’s Closed-Loop Marketing Model
o Hasil benchmarking Hackett Group menunjukkan bahwa perusahaan kelas dunia:

 Secara signifikan lebih efisien daripada rekan-rekan mereka dalam mengelola
biaya
 Fokus pada keunggulan operasional dan pengalaman tingkat pengurangan
turnover karyawan yang signifikan
 Berikan manajemen dengan alat dan pelatihan untuk meningkatkan informasi
perusahaan dan untuk memandu perencanaan strategis, penganggaran, dan
perkiraan
 Menyelaraskan dengan erat rencana strategis dan taktis, memungkinkan area
fungsional untuk berkontribusi lebih efektif ...
8. Pengukuran Kinerja
o Sistem Pengukuran Kinerja
Suatu sistem yang membantu manajer dalam melacak implementasi strategi bisnis
dengan membandingkan hasil aktual dengan sasaran dan sasaran strategis
Terdiri dari metode komparatif sistematis yang menunjukkan kemajuan (atau

ketiadaan) terhadap tujuan
o Key Performance Indicator (KPI)
KPI mewakili tujuan strategis dan metrik yang mengukur kinerja terhadap suatu
tujuan. Fitur yang membedakan KPI:
 Strategy
 Targets
 Ranges
 Encodings
 Time frames
 Benchmarks
Outcome KPIs vs. Driver KPIs
(lagging indicators (leading indicators
e.g., pendapatan) e.g., lead penjualan)
o Area operasional dicakup oleh KPI driver

 Kinerja pelanggan
 Kinerja layanan
 Operasi penjualan
 Rencana penjualan/forecast
o Masalah dengan sistem pengukuran kinerja yang ada
 Sistem yang paling populer digunakan adalah beberapa varian balanced scorecard
(BSC)
 50-90% dari semua perusahaan menerapkan BSC
 Metodologi BSC adalah visi holistik dari sistem pengukuran yang terkait dengan
arah strategis organisasi dan didasarkan pada pandangan empat perspektif dunia:
 Ukuran finansial didukung oleh metrik pelanggan (customer), internal, serta

pembelajaran (learning) dan pertumbuhan (growth)
o Kelemahan menggunakan data keuangan sebagai inti dari pengukuran kinerja:
 Ukuran finansial biasanya dilaporkan oleh struktur organisasi dan bukan oleh
proses yang menghasilkan ukuran finansial itu sendiri
 Ukuran finansial adalah indikator yang tertinggal, memberi tahu kita apa yang
terjadi, bukan mengapa itu terjadi atau apa yang mungkin terjadi di masa depan
 Ukuran finansial seringkali merupakan produk dari alokasi yang tidak terkait
dengan proses dasar yang menghasilkannya
 Langkah-langkah finansial difokuskan pada pengembalian jangka pendek ...
o Ukuran kinerja yang baik seharusnya :
 Fokuslah pada faktor-faktor kunci
 Perpaduan dari masa lalu, sekarang, dan masa depan
 Seimbangkan kebutuhan semua pemangku kepentingan (pemegang saham,
karyawan, mitra, pemasok, ...)
 Mulai dari atas dan turun ke bawah
 Memiliki target yang didasarkan pada penelitian dan kenyataan alih-alih
sewenang-wenang
Presentasi Project
o Tugas Kelompok
penguasaan materi.
Pertemuan 4 : BPM Methodologies
o Tugas Kelompok
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 Balanced scorecard (BSC)
Metodologi pengukuran dan manajemen kinerja yang membantu menerjemahkan

keuangan, pelanggan, proses internal, dan tujuan serta sasaran pembelajaran dan
pertumbuhan ke dalam serangkaian inisiatif yang dapat ditindaklanjuti
o "The Balanced Scorecard: Measures That Drive Performance” (HBR, 1992)

BPM Methodologies Balanced Scorecard
o Arti “balance” (keseimbangan)

 BSC dirancang untuk mengatasi keterbatasan sistem yang berfokus secara
finansial
 Tujuan non finansial terbagi dalam salah satu dari tiga perspektif:
 Pelanggan (Customer)
 Proses bisnis internal (Internal business process)
 Pembelajaran & Pertumbuhan (Learning and growth)
o Dalam BSC, istilah “balance“ (keseimbangan) muncul karena serangkaian tindakan

gabungan yang seharusnya mencakup indikator sbb:
 Keuangan dan nonkeuangan
 Terkemuka dan tertinggal (Leading & Legging)
 Internal dan eksternal
 Kuantitatif dan kualitatif
 Jangka pendek dan jangka panjang
o Menyelaraskan strategi dan tindakan

o Proses enam langkah
 Mengembangkan dan merumuskan strategi
 Merencanakan strategi
 Menyelaraskan organisasi
 Merencanakan operasi
 Pemantauan dan pembelajaran
 Menguji dan mengadaptasi strategi
o Peta Strategi
Tampilan visual yang menggambarkan hubungan antara tujuan organisasi utama

untuk keempat perspektif BSC
o Six Sigma
Metodologi manajemen kinerja yang bertujuan mengurangi jumlah cacat dalam

proses bisnis sedekat mungkin dengan sebisamungkin nol cacat per juta peluang/defects
per million opportunities (DPMO)
 Model kinerja DMAIC

Model peningkatan bisnis loop tertutup yang mencakup langkah-langkah
mendefinisikan, mengukur, menganalisis, meningkatkan, dan mengendalikan
suatu proses
 Lean Six Sigma
 Lean manufacturing / lean production
 Lean production versus six sigma
 Cara Sukses dalam Six Sigma
 Six Sigma terintegrasi dengan strategi bisnis
 Six Sigma mendukung tujuan bisnis
 Eksekutif kunci terlibat dalam proses ini
 Seleksi proyek didasarkan pada nilai potensial
 Ada banyak proyek dan sumber daya yang kritis
 Proyek-dalam-proses dikelola secara aktif
 Keterampilan kepemimpinan tim ditekankan
 Hasil dilacak dengan ketat
BSC + Six Sigma = Success
 Mengintegrasikan six sigma dengan BSC dengan

 Menerjemahkan strategi mereka menjadi tujuan yang dapat diukur
 Cascading obyektif melalui organisasi
 Menetapkan target berdasarkan suara pelanggan
 Menerapkan proyek strategis menggunakan Six Sigma
 Menjalankan proses secara konsisten untuk memberikan hasil bisnis
2. BPM Architecture and Applications

o Arsitektur BPM
 Desain logis dan fisik suatu sistem

 Sistem BPM terdiri dari tiga bagian logis:
 Aplikasi BPM
 Pusat Informasi (Information Hub)
 Sumber Sistem (Source Systems)
 Sistem BPM terdiri dari tiga bagian fisik:
 Tingkat Database
 Tingkat Application
 Client atau user interface
o Aplikasi BPM
 Manajemen strategi
 Penganggaran, perencanaan, dan perkiraan
 Konsolidasi keuangan
 Pemodelan dan optimasi profitabilitas
 Pelaporan keuangan, perundang-undangan, dan manajemen
o Penjual / Vendor Aplikasi BPM Terkemuka

 Manajemen Kinerja SAP Business Objects Enterprise
 Manajemen Kinerja Oracle Hyperion
 IBM Cognos BI danmanajemen Kinerja Keuangan
 Microstrategy
 Microsoft…
3. Kinerja Dashboards
Dashboards dan scorecards keduanya menampilkan tampilan visual dari informasi

penting yang dikonsolidasikan dan disusun dalam satu layar sehingga informasi dapat dicerna
dengan sekali pandang dan mudah dieksplorasi
o Dashboards versus scorecards

 Kinerja dashboards
Tampilan visual yang digunakan untuk memantau kinerja operasional (bentuk
bebas ...)
 Kinerja scorecards
Tampilan visual yang digunakan untuk memetakan kemajuan terhadap sasaran
dan target strategis dan taktis (tindakan yang telah ditentukan ...)
o Dashboards versus scorecards
Performance Dashboard adalah aplikasi multilayer yang dibangun di atas Bussiness

Intelligence dan infrastruktur integrasi data yang memungkinkan organisasi untuk
mengukur, memantau, dan mengelola kinerja bisnis dengan lebih efektif
- Eckerson
o Tiga jenis kinerja dashboards:

 Operational dashboards
 Tactical dashboards
 Strategic dashboards
o Desain Dashboard
"Tantangan mendasar dari desain dashboard adalah untuk menampilkan semua

informasi yang diperlukan pada satu layar, dengan jelas dan tanpa gangguan, dengan cara
yang dapat diasimilasi dengan cepat" (Few, 2005)
o Apa yang harus dicari di dasbor

 Penggunaan komponen visual (mis., Bagan, bilah kinerja, garis percikan,
pengukur, meter, lampu merah) untuk menyoroti, sekilas pandang, data dan
pengecualian yang membutuhkan tindakan
 Transparan bagi pengguna, artinya mereka membutuhkan pelatihan minimal dan
sangat mudah digunakan
 Gabungkan data dari berbagai sistem menjadi satu pandangan bisnis yang
dirangkum dan disatukan
 Aktifkan penelusuran atau telusuri ke sumber data atau laporan yang
mendasarinya
 Hadirkan tampilan dunia nyata yang dinamis dengan pembaruan data tepat waktu
 Membutuhkan sedikit, jika ada, pengkodean khusus untuk menerapkan,
menyebarkan, dan memelihara
Pertemuan 5 : PengantarData Mining
o Tugas Kelompok
penguasaan materi.
1. Apa itu Data Mining
Disiplin ilmu yang mempelajari metode untuk mengekstrak pengetahuan atau

menemukan pola dari suatu data yang besar
Ekstraksi dari data ke pengetahuan:
o Data: fakta yang terekam dan tidak membawa arti

o Pengetahuan: pola, rumus, aturan atau model yang muncul dari data
Nama lain data mining:
o Knowledge Discovery in Database (KDD)

o Knowledge extraction
o Pattern analysis
o Information harvesting
o Business intelligence
o Big data
Metode
Himpun Pengeta
Data
an Data huan
Mining
2. Contoh Data di Kampus

o Puluhan ribu data mahasiswa di kampus yang diambil dari sistem informasi akademik
o Apakah pernah kita ubah menjadi pengetahuan yang lebih bermanfaat? TIDAK!
o Seperti apa pengetahuan itu? Rumus, Pola, Aturan
3. Definisi Data Mining
Melakukan ekstraksi untuk mendapatkan informasi penting yang sifatnya implisit dan
sebelumnya tidak diketahui, dari suatu data (Witten et al., 2011)
Kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan

keteraturan, pola dan hubungan dalam set data berukuran besar (Santosa, 2007)
Extraction of interesting (non-trivial, implicit, previously unknown and potentially

useful) patterns or knowledge from huge amount of data (Han et al., 2011)
NIP TGL DATANG PULANG
1103 02/12/2004 07:20 15:40
1142 02/12/2004 07:45 15:33
1156 02/12/2004 07:51 16:00
1173 02/12/2004 08:00 15:15
1180 02/12/2004 07:01 16:31
1183 02/12/2004 07:49 17:00
Data Kehadiran Pegawai
4. Data – Informasi – Pengetahuan
NIP Masuk Alpa Cuti Sakit Telat
1103 22
1142 18 2 2
1156 10 1 11
1173 12 5 5
1180 10 12
Informasi Akumulasi Bulanan Kehadiran Pegawai

5. Data - Informasi – Pengetahuan
Senin Selasa Rabu Kamis Jumat
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
Pola Kebiasaan Kehadiran Mingguan Pegawai
6. Data Mining Tasks and Roles

7. Hubungan Data Mining dan Bidang Lain
Computing
Statistics
Algorithms
Machine Database
Learning Technology
Pattern Data High

Performance
Recognition
Mining Computing
8. Tipe Data
Tipe Data Deskripsi Contoh Operasi
Ratio • Data yang • Umur geometric mean,

diperoleh dengan harmonic mean,
(Mutlak) • Berat badan
cara pengukuran, percent variation
dimana jarak dua • Tinggi
titik pada skala badan
sudah diketahui • Jumlah
• Mempunyai titik uang
nol yang absolut
(*, /)
Interval • Data yang • Suhu 0°c- mean, standard

diperoleh dengan 100°c, deviation, Pearson's
(Jarak)
cara pengukuran, correlation, t and F
• Umur 20-30
dimana jarak dua tests
tahun
titik pada skala
sudah diketahui
• Tidak mempunyai
titik nol yang
absolut
(+, - )
Ordinal • Data yang • Tingkat median,

diperoleh dengan kepuasan percentiles, rank
(Peringkat)
cara kategorisasi pelanggan correlation, run
atau klasifikasi (puas, tests, sign tests
sedang,
• Tetapi diantara
tidak puas)
data tersebut
terdapat hubungan
atau berurutan
(<, >)
Nominal • Data yang • Kode pos mode, entropy,

diperoleh dengan contingency
(Label) • Jenis
cara kategorisasi correlation, 2 test
kelamin
atau klasifikasi
• Nomer id
• Menunjukkan
karyawan
beberapa object
yang berbeda • Nama kota
(=, )
9. Peran Utama Data Mining
1. Estimasi
2.
5. Asosiasi Forecastin
g
4. 3.
Klastering Klasifikasi
10. Estimasi Waktu Pengiriman Pizza
Customer Jumlah Jumlah Jarak (J) Waktu

Pesanan (P) Traffic Light Tempuh (T)
(TL)
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
Pembelajaran dengan Metode Estimasi (Regresi Linier)
Waktu Tempuh (T) = 0.48P + 0.23TL + 0.5J
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)
12. Forecasting Harga Saham
Dataset harga saham dalam bentuk time series (rentet waktu)
Label Time Series
Pembelajaran dengan Metode Forecasting (Neural Network)
Pengetahuan berupa Rumus Neural Network

Prediction Plot
13. Klasifikasi Kelulusan Mahasiswa

Label
NIM Gender Nilai Asal IPS1 IPS2 IPS3 IPS 4 ... Lulus
UN Sekolah Tepat
Waktu
10001 L 28 SMAN 2 3.3 3.6 2.89 2.9 Ya
10002 P 27 SMA DK 4.0 3.2 3.8 3.7 Tidak
10003 P 24 SMAN 1 2.7 3.4 4.0 3.5 Tidak
10004 L 26.4 SMAN 3 3.2 2.7 3.6 3.4 Ya
...
...
11000 L 23.4 SMAN 5 3.3 2.8 3.1 3.2 Ya
Pembelajaran dengan Metode Klasifikasi (C4.5)
Pengetahuan Berupa Pohon Keputusan
14. Klastering Bunga Iris
Dataset tanpa label

Pembelajaran dengan Metode Klastering (K-Means)
Pengetahuan (Model) Berupa Klaster
15. Klastering Jenis Pelanggan

16. Aturan Asosiasi Pembelian Barang
Pembelajaran dengan Metode Asosiasi (FP-Growth)

17. Contoh Aturan Asosiasi
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:
o 200 orang membeli Sabun Mandi

o dari 200 orang yang membeli sabun mandi, 50 orangnya membeli Fanta
Jadi, association rule menjadi, “Jika membeli sabun mandi, maka membeli Fanta”,
dengan nilai support = 200/1000 = 20% dan nilai confidence = 50/200 = 25%
Algoritma association rule diantaranya adalah: A priori algorithm, FP-Growth algorithm,

GRI algorithm
Presentasi Project
o Tugas Kelompok
penguasaan materi.
Presentasi Project
o Tugas Kelompok
penguasaan materi.
Presentasi Project
o Tugas Kelompok
penguasaan materi.
Presentasi Project
o Tugas Kelompok
penguasaan materi.

Datawarehouse Dan Business Intelligence Tambahan

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Datawarehouse Dan Business Intelligence Tambahan

Diunggah oleh

Hak Cipta:

Format Tersedia

E-Learning STMIK Nusa Mandiri Page |1

Copyright © September 2020

Pertemuan 1 : Business Intelligence

 Buat Kelompok maximal 4 orang/kelompok.

1. Business Intelligence (BI)

o 1990-an - OLAP, dinamis, multidimensi, pelaporan ad-hoc -> penggabungan istilah

Sistem BI memiliki empat komponen utama :

o Data warehouse, dengan data sumbernya

o Bussiness Analitycs, kumpulan alat untuk memanipulasi, menambang, dan

a. pengiriman laporan dan peringatan

9. Tampilan Sistem Kerja Decision Support (Alter, 2004)

10. Elemen Sistem Kerja

o Infrastructure. More effective use of shared infrastructure, which might lead to

11. Kategori Alat Utama Untuk MSS

TOOL CATEGORY TOOLS AND THEIR ACRONYMS

12. Sistem Pendukung Hibrida (Terintegrasi)

o Setiap jenis alat memiliki kemampuan dan keterbatasan tertentu. Dengan

Pertemuan 2 : Data Warehousing

 Buat Kelompok maximal 4 orang/kelompok.

1. Pengertian Data Warehouse

Departmen data warehouse yang hanya menyimpan data yang relevan

o Dependent data mart

Subset yang dibuat langsung dari data warehouse

o Independent data mart

4. Pengertian Data Warehousing

Mart data operasional.

o Enterprise data warehouse (EDW)

Data warehouse untuk perusahaan.

No data marts option

o Arsitektur Dua Tingkat (Two-tier architecture)

… kadang hanya ada satu tingkat?

Tier 1: Tier 2: Tier 3:

8. Arsitektur DW Berbasis Web

(a) Independent Data Marts Architecture

(b) Data Mart Bus Architecture with Linked Dimensional Datamarts

(c) Hub and Spoke Architecture (Corporate Information Factory)

Dependent data marts

(d) Centralized Data Warehouse Architecture

(e) Federated Architecture

Data mapping / metadata

10. Arsitektur Mana yang Paling Baik?

Empirical study by Ariyachandra and Watson (2006)

11. Arsitektur Data Warehousing

o Kebutuhan informasi manajemen tingkat atas

12. Enterprise Data Warehouse (by Teradata Corporation)

o Enterprise application integration (EAI)

o Enterprise information integration (EII)

o Service-oriented architecture (SOA)

Cara baru untuk mengintegrasikan sistem informasi

Extraction, transformation, and load (ETL) process

o Kriteria penting dalam memilih alat ETL

o Manfaat tidak langsung dari data warehouse

16. Pengembangan Data Warehouse

17. DW Development Approaches

18. DW Structure: Star Schema (a.k.a. Dimensional Modeling)

Start Schema Example for an

19. Pemodelan Dimensi

20. Praktik Terbaik untuk Mengimplementasikan DW

21. Resiko Implementasi DW

22. Hal yang harus dihindari untuk keberhasilan Implementasi DW

23. Real-time DW (a.k.a. Active Data Warehousing)

24. Evolution of DSS & DW

25. Active Data Warehousing (by Teradata Corporation)