Modul-6-SIM-Dasar-dasar Kecerdasan Bisnis-Basis Data Dan Manajemen Informasi

1
MODUL PERKULIAHAN
F032100010 –
Sistem
Informasi
Management
Dasar-dasar Kecerdasan Bisnis:
Basis Data dan Manajemen
Informasi
Abstrak Sub-CPMK 6
Mengorganisasikan data dalam menjelaskan dasar-dasar intelijen

lingkungan file tradisional, bisnis: database dan manajemen
Pendekatan database untuk informasi
pengelolaan data, dan
Memanfaatkan database untuk
meningkatkan kinerja bisnis dan
Fakultas Program Studi Tatap Muka Disusun Oleh
Sofyan Halim, SE, M.Ak, Ak, CA, ACPA
Ekonomi dan Bisnis S 1 - Akuntansi

06
Dasar-dasar Kecerdasan Bisnis
Mengatur Data dalam Lingkungan File Tradisional
Sistem informasi yang n efektif memberikan informasi yang akurat, tepat waktu,

dan relevan kepada pengguna. Informasi yang akurat bebas dari
kesalahan. Informasi tepat waktu ketika tersedia bagi pengambil keputusan saat
dibutuhkan. Informasi menjadi relevan bila berguna dan sesuai untuk jenis
pekerjaan dan keputusan yang memerlukannya.
Anda mungkin terkejut mengetahui bahwa banyak bisnis tidak 't memiliki
informasi yang tepat waktu, akurat, atau relevan karena data dalam sistem
informasi mereka telah diatur dan dipelihara dengan buruk. Itu's mengapa
manajemen data sangat penting. Untuk memahami masalahnya, mari's melihat
bagaimana sistem informasi mengatur data dalam file komputer dan metode
tradisional manajemen file.
SYARAT DAN KONSEP ORGANISASI FILE
Sistem komputer mengatur data dalam hierarki yang dimulai dengan bit dan byte
dan berlanjut ke bidang, catatan, file, dan basis data (lihat Gambar
6.1). Sebuah bit merupakan unit terkecil dari data komputer dapat
menangani. Sekelompok bit, yang disebut byte , mewakili satu karakter, yang
dapat berupa huruf, angka, atau simbol lain. Pengelompokan karakter menjadi
sebuah kata, sekelompok kata, atau bilangan lengkap (seperti person 's name
atau age) disebut field . Sekelompok bidang terkait, seperti siswa's nama, kursus
yang diambil, tanggal, dan kelas, terdiri dari catatan ; sekelompok record dengan
tipe yang sama disebut file .
Misalnya, catatan pada Gambar 6.1 dapat berupa file kursus siswa. Sekelompok
file terkait membentuk database. File saja mahasiswa diilustrasikan pada
Gambar 6.1 dapat dikelompokkan dengan file pada siswa 'sejarah pribadi dan
latar belakang keuangan untuk membuat database siswa.
Sebuah record menggambarkan sebuah entitas. Sebuah entitas adalah orang,
tempat, benda, atau peristiwa di mana kita menyimpan dan menjaga
2021 Sistem Informasi Managemen Biro Bahan Ajar E-learning dan MKCU
2 Nama Dosen Pengampu http://pbael.mercubuana.ac.id/
Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

informasi. Setiap karakteristik atau kualitas yang menggambarkan entitas tertentu
disebut atribut . Misalnya, Student_ID, Course, Date, dan Grade adalah atribut
dari entitas COURSE. Nilai spesifik yang dimiliki atribut ini dapat ditemukan di
bidang catatan yang menjelaskan entitas COURSE.
Gambar 6.1 Hirarki Data
MASALAH DENGAN FILE TRADISIONAL LINGKUNGAN

Di sebagian besar organisasi, sistem cenderung tumbuh secara independen
tanpa rencana di seluruh perusahaan. Akuntansi, keuangan, manufaktur, sumber
daya manusia, dan penjualan dan pemasaran semuanya mengembangkan
sistem dan file data mereka sendiri. Gambar 6.2 mengilustrasikan pendekatan
tradisional untuk pemrosesan informasi.
Setiap aplikasi, tentu saja, membutuhkan file dan program komputernya sendiri
untuk beroperasi. Misalnya, area fungsional sumber daya manusia mungkin
memiliki file induk kepegawaian, file penggajian, file asuransi kesehatan, file
pensiun, file milis, dan seterusnya hingga puluhan, mungkin ratusan, file dan
program ada. Di perusahaan secara keseluruhan, proses ini menyebabkan
beberapa file induk dibuat, dipelihara, dan dioperasikan oleh divisi atau
departemen yang terpisah. Karena proses ini berlangsung selama 5 atau 10
tahun, organisasi dibebani dengan ratusan program dan aplikasi yang sangat
sulit untuk dipelihara dan dikelola. Masalah yang dihasilkan adalah redundansi
dan inkonsistensi data, ketergantungan program-data, tidak fleksibel, keamanan
data yang buruk, dan ketidakmampuan untuk berbagi data antar aplikasi.

6.2 Pemrosesan File Tradisional

Redundansi dan Inkonsistensi Data
Redundansi data adalah adanya duplikasi data dalam beberapa file data
sehingga data yang sama disimpan di lebih dari satu tempat atau
lokasi. Redundansi data terjadi ketika kelompok yang berbeda dalam suatu
organisasi secara independen mengumpulkan bagian data yang sama dan
menyimpannya secara independen satu sama lain. Redundansi data
memboroskan sumber daya penyimpanan dan juga menyebabkan inkonsistensi
data , di mana atribut yang sama mungkin memiliki nilai yang berbeda. Misalnya,
dalam kasus entitas COURSE yang diilustrasikan pada Gambar 6.1, Tanggal
dapat diperbarui di beberapa sistem tetapi tidak di sistem lain. Atribut yang sama,
Student_ID, mungkin juga memiliki nama yang berbeda di sistem yang berbeda
di seluruh organisasi. Beberapa sistem mungkin menggunakan Student_ID dan
yang lain mungkin menggunakan ID, misalnya.
Kebingungan tambahan mungkin dihasilkan dari penggunaan sistem
pengkodean yang berbeda untuk mewakili nilai atribut. Misalnya, penjualan,
persediaan, dan sistem manufaktur pengecer pakaian mungkin menggunakan
kode yang berbeda untuk mewakili ukuran pakaian. Satu sistem mungkin
mewakili ukuran pakaian sebagai "ekstra besar, ” sedangkan yang lain mungkin
menggunakan kode“XL” untuk tujuan yang sama. Kebingungan yang dihasilkan
akan mempersulit perusahaan untuk membuat manajemen hubungan pelanggan,

manajemen rantai pasokan, atau sistem perusahaan yang mengintegrasikan
data dari sumber yang berbeda.
Ketergantungan Program-Data
Ketergantungan program-data mengacu pada penggabungan data yang
disimpan dalam file dan program khusus yang diperlukan untuk memperbarui
dan memelihara file-file tersebut sehingga perubahan dalam program
memerlukan perubahan pada data. Setiap program komputer tradisional harus
menggambarkan lokasi dan sifat data yang digunakannya. Dalam lingkungan file
tradisional, setiap perubahan dalam program perangkat lunak dapat memerlukan
perubahan data yang diakses oleh program tersebut. Satu program dapat
dimodifikasi dari kode pos lima digit menjadi sembilan digit. Jika file data asli
diubah dari kode pos lima digit menjadi sembilan digit, maka program lain yang
memerlukan kode pos lima digit tidak akan berfungsi dengan baik
lagi. Perubahan seperti itu dapat menghabiskan biaya jutaan dolar untuk
diterapkan dengan benar.
Kurangnya Fleksibilitas
Sistem file tradisional dapat mengirimkan laporan terjadwal rutin setelah upaya
pemrograman yang ekstensif, tetapi tidak dapat mengirimkan laporan ad hoc
atau menanggapi kebutuhan informasi yang tidak terduga secara tepat
waktu. Informasi yang dibutuhkan oleh permintaan ad hoc ada di suatu tempat
dalam sistem tetapi mungkin terlalu mahal untuk diambil. Beberapa programmer
mungkin harus bekerja selama berminggu-minggu untuk mengumpulkan item
data yang diperlukan dalam file baru.
Keamanan Buruk
Karena hanya ada sedikit kontrol atau pengelolaan data, akses dan penyebaran
informasi mungkin di luar kendali. Manajemen mungkin tidak memiliki cara untuk
mengetahui siapa yang mengakses atau bahkan membuat perubahan pada
organisasi 'datanya.
Kurangnya Berbagi dan Ketersediaan Data
Karena potongan informasi dalam file yang berbeda dan bagian organisasi yang
berbeda tidak dapat dihubungkan satu sama lain, hampir tidak mungkin informasi
dibagikan atau diakses pada waktu yang tepat. Informasi tidak dapat mengalir
secara bebas melintasi area fungsional yang berbeda atau bagian yang berbeda
dari organisasi. Jika pengguna menemukan nilai yang berbeda dari bagian

informasi yang sama dalam dua sistem yang berbeda, mereka mungkin tidak
ingin menggunakan sistem ini karena mereka tidak dapat mempercayai
keakuratan data mereka.
PENDEKATAN DATABASE UNTUK MANAJEMEN DATA
---------------------------------------------------------------------------------------------------------
Teknologi database memotong banyak masalah organisasi file
tradisional. Definisi database yang lebih ketat adalah kumpulan data yang diatur
untuk melayani banyak aplikasi secara efisien dengan memusatkan data dan
mengendalikan data yang berlebihan. Daripada menyimpan data dalam file
terpisah untuk setiap aplikasi, data tampak bagi pengguna sebagai disimpan
hanya di satu lokasi. Sebuah database tunggal melayani beberapa
aplikasi. Misalnya, alih-alih perusahaan menyimpan data karyawan dalam sistem
informasi terpisah dan file terpisah untuk personel, penggajian, dan tunjangan,
perusahaan dapat membuat satu basis data sumber daya manusia umum.
SISTEM MANAJEMEN DATABASE

Sistem manajemen basis data (DBMS) adalah perangkat lunak yang
memungkinkan organisasi untuk memusatkan data, mengelolanya secara efisien,
dan menyediakan akses ke data yang disimpan oleh program aplikasi. DBMS
bertindak sebagai antarmuka antara program aplikasi dan file data fisik. Ketika
program aplikasi memanggil item data, seperti gaji kotor, DBMS menemukan
item ini dalam database dan menyajikannya ke program aplikasi. Menggunakan
file data tradisional, programmer harus menentukan ukuran dan format setiap
elemen data yang digunakan dalam program dan kemudian memberitahu
komputer di mana mereka berada.
DBMS membebaskan programmer atau pengguna akhir dari tugas memahami di
mana dan bagaimana data sebenarnya disimpan dengan memisahkan
pandangan logis dan fisik dari data. Tampilan logis menyajikan data seperti yang
akan dirasakan oleh pengguna akhir atau spesialis bisnis, sedangkan
tampilan fisik menunjukkan bagaimana data sebenarnya diatur dan terstruktur
pada media penyimpanan fisik.
Perangkat lunak manajemen database membuat database fisik tersedia untuk
pandangan logis yang berbeda yang dibutuhkan oleh pengguna. Misalnya, untuk
database sumber daya manusia diilustrasikan pada Gambar 6.3, spesialis

manfaat mungkin memerlukan pandangan yang terdiri dari karyawan 'nama,
nomor jaminan sosial, dan cakupan asuransi kesehatan. Seorang anggota
departemen penggajian mungkin memerlukan data seperti karyawan'nama,
nomor jaminan sosial, gaji kotor, dan gaji bersih. Data untuk semua tampilan ini
disimpan dalam satu database, di mana mereka dapat lebih mudah dikelola oleh
organisasi.
Bagaimana DBMS Memecahkan Masalah Lingkungan File Tradisional
Sebuah DBMS mengurangi redundansi data dan inkonsistensi dengan
meminimalkan file terisolasi di mana data yang sama diulang. DBMS mungkin
tidak memungkinkan organisasi untuk menghilangkan redundansi data
sepenuhnya, tetapi dapat membantu mengontrol redundansi. Bahkan jika
organisasi memelihara beberapa data yang berlebihan, menggunakan DBMS
menghilangkan inkonsistensi data karena DBMS dapat membantu organisasi
memastikan bahwa setiap kemunculan data yang berlebihan memiliki nilai yang
sama. DBMS memisahkan program dan data, memungkinkan data untuk berdiri

GAMBAR 6.3 DATABASE SUMBER DAYA MANUSIA DENGAN BERBAGAI
PANDANGAN
mereka sendiri. Akses dan ketersediaan informasi akan ditingkatkan dan biaya

pengembangan dan pemeliharaan program berkurang karena pengguna dan
pemrogram dapat melakukan kueri ad hoc data dalam database. DBMS
memungkinkan organisasi untuk mengelola data secara terpusat,
penggunaannya, dan keamanannya.

DBMS relasional
DBMS kontemporer menggunakan model database yang berbeda untuk melacak
entitas, atribut, dan hubungan. Jenis DBMS yang paling populer saat ini untuk
PC serta untuk komputer yang lebih besar dan mainframe adalah DBMS
relasional . Database relasional mewakili data sebagai tabel dua dimensi
(disebut relasi). Tabel dapat disebut sebagai file. Setiap tabel berisi data tentang
entitas dan atributnya. Microsoft Access adalah DBMS relasional untuk sistem
desktop, sedangkan DB2, Oracle Database, dan Microsoft SQL Server adalah
DBMS relasional untuk mainframe besar dan komputer kelas menengah. MySQL
adalah DBMS open source yang populer, dan Oracle Database Lite adalah
DBMS untuk perangkat komputasi mobile.
biarkan 'Lihat bagaimana database relasional mengatur data tentang pemasok
dan suku cadang (lihat Gambar 6.4). Database memiliki tabel terpisah untuk
entitas SUPPLIER dan tabel untuk entitas PART. Setiap tabel terdiri dari kisi-kisi
kolom dan
GAMBAR 6.4 TABEL DATABASE RELASIONAL
baris data. Setiap elemen data individu untuk setiap entitas disimpan sebagai
bidang terpisah, dan setiap bidang mewakili atribut untuk entitas tersebut. Bidang
dalam database relasional juga disebut kolom. Untuk entitas PEMASOK, nomor
identifikasi pemasok, nama, jalan, kota, negara bagian, dan kode pos disimpan
sebagai bidang terpisah dalam tabel PEMASOK dan setiap bidang mewakili
atribut untuk entitas PEMASOK.

Informasi aktual tentang pemasok tunggal yang berada dalam tabel disebut
baris. Baris biasanya disebut sebagai catatan, atau dalam istilah yang sangat
teknis, sebagai tupel . Data untuk entitas PART memiliki tabel tersendiri.
Bidang untuk Supplier_Number dalam tabel SUPPLIER secara unik
mengidentifikasi setiap record sehingga record dapat diambil, diperbarui, atau
diurutkan. Ini disebut bidang kunci . Setiap tabel dalam database relasional
memiliki satu bidang yang ditetapkan sebagai kunci utama . Bidang kunci ini
adalah pengidentifikasi unik untuk semua informasi di setiap baris tabel dan kunci
utama ini tidak dapat diduplikasi. Supplier_ Number adalah kunci utama untuk
tabel SUPPLIER dan Part_Number adalah kunci utama untuk tabel
PART. Perhatikan bahwa Supplier_Number muncul di tabel SUPPLIER dan
PART. Dalam tabel SUPPLIER, Supplier_Number adalah kunci utama. Ketika
bidang Supplier_Number muncul di tabel PART, itu disebut foreign key dan
pada dasarnya adalah bidang pencarian untuk mencari data tentang pemasok
bagian tertentu.
Operasi DBMS Relasional
Tabel database relasional dapat digabungkan dengan mudah untuk mengirimkan
data yang dibutuhkan oleh pengguna, asalkan dua tabel berbagi elemen data
yang sama. Misalkan kita ingin menemukan dalam database ini nama-nama
pemasok yang dapat memberi kita nomor bagian 137 atau nomor bagian 150.
Kita akan membutuhkan informasi dari dua tabel: tabel SUPPLIER dan tabel
PART. Perhatikan bahwa kedua file ini memiliki elemen data bersama:
Supplier_Number.
Dalam database relasional, tiga operasi dasar, seperti yang ditunjukkan pada
Gambar 6.5, digunakan untuk mengembangkan kumpulan data yang berguna:
pilih, gabung, dan proyek. The pilih operasi menciptakan subset yang terdiri dari
semua catatan dalam file yang memenuhi kriteria yang dinyatakan. Select
membuat, dengan kata lain, subset baris yang memenuhi kriteria tertentu. Dalam
contoh kita, kita ingin memilih record (baris) dari tabel PART di mana
Part_Number sama dengan 137 atau 150. Operasi join menggabungkan tabel
relasional untuk memberikan informasi lebih banyak kepada pengguna daripada
yang tersedia di tabel individual. Dalam contoh kita, kita ingin menggabungkan
tabel PART yang sekarang dipersingkat (hanya bagian 137 atau 150 yang akan
disajikan) dan tabel SUPPLIER ke dalam satu tabel baru.

The proyek operasi menciptakan subset yang terdiri dari kolom dalam sebuah
tabel, izin- ting pengguna untuk membuat tabel baru yang hanya berisi informasi
yang diperlukan. Dalam contoh kami, kami ingin mengekstrak dari tabel baru
hanya kolom berikut: Part_Number, Part_Name, Supplier_Number, dan
Supplier_Name.
Database Non-Relasional dan Database di Cloud
Selama lebih dari 30 tahun, teknologi database relasional telah menjadi standar
emas. Komputasi awan, volume data yang belum pernah terjadi sebelumnya,
beban kerja yang sangat besar untuk layanan Web, dan kebutuhan untuk
menyimpan jenis data baru memerlukan alternatif basis data untuk model
relasional pengorganisasian data tradisional dalam bentuk tabel, kolom, dan
baris. Perusahaan beralih ke “NoSQL ” teknologi database non-relasional untuk
tujuan ini. Sistem manajemen basis data non-relasional menggunakan model
data yang lebih fleksibel dan dirancang untuk mengelola kumpulan data besar di
banyak mesin terdistribusi dan untuk meningkatkan atau menurunkan skala
dengan mudah. Mereka berguna untuk mempercepat kueri sederhana terhadap
volume besar struktur dan
GAMBAR 6.5 TIGA OPERASI DBMS RELATIONAL
Data tidak terstruktur, termasuk Web, media sosial, grafik, dan bentuk data lain
yang sulit dianalisis dengan alat berbasis SQL tradisional.
Ada beberapa jenis database NoSQL, masing-masing dengan fitur dan perilaku
teknisnya sendiri. Oracle NoSQL Database adalah salah satu contohnya, seperti
halnya Amazon 's SimpleDB, salah satu Amazon Web Services yang berjalan di
cloud. SimpleDB menyediakan antarmuka layanan Web sederhana untuk
membuat dan menyimpan beberapa kumpulan data, melakukan kueri data

dengan mudah, dan mengembalikan hasilnya. Tidak perlu mendefinisikan
terlebih dahulu struktur database formal atau mengubah definisi tersebut jika
data baru ditambahkan kemudian.
Amazon dan vendor komputasi awan lainnya juga menyediakan layanan basis
data relasional. Amazon Relational Database Service (Amazon RDS)
menawarkan MySQL, SQL Server, atau Oracle Database sebagai mesin
database. Harga berdasarkan pemakaian. Oracle memiliki Database Cloud
Service sendiri menggunakan Oracle Database 11g relasionalnya, dan Microsoft
SQL Azure Database adalah layanan database relasional berbasis cloud yang
berbasis Microsoft 's SQL Server DBMS. Layanan manajemen data berbasis
cloud memiliki daya tarik khusus untuk perusahaan rintisan yang berfokus pada
Web atau usaha kecil hingga menengah yang mencari kemampuan database
dengan harga lebih rendah daripada produk database in-house.
TicketDirect, yang menjual tiket konser, acara olahraga, pertunjukan teater, dan
film di Australia dan Selandia Baru, mengadopsi platform cloud SQL Azure
Database untuk meningkatkan pengelolaan beban sistem puncak selama
penjualan tiket utama. Itu memigrasikan datanya ke database SQL
Azure. Dengan beralih ke solusi cloud, TicketDirect dapat menskalakan sumber
daya komputasinya sebagai respons terhadap permintaan waktu nyata sambil
menjaga biaya tetap rendah.
Selain layanan manajemen data berbasis cloud publik, perusahaan kini memiliki
opsi untuk menggunakan database di cloud pribadi. Misalnya, Saber Holdings,
dunia 's penyedia perangkat lunak sebagai layanan (SaaS) terbesar untuk
industri penerbangan, memiliki cloud database pribadi yang mendukung lebih
dari 100 proyek dan 700 pengguna. Database terkonsolidasi yang mencakup
kumpulan server standar yang menjalankan Oracle Database 11g menyediakan
layanan database untuk beberapa aplikasi. Alat manajemen beban kerja
memastikan sumber daya yang cukup tersedia untuk memenuhi kebutuhan
aplikasi bahkan ketika beban kerja berubah. Platform perangkat keras dan
perangkat lunak bersama mengurangi jumlah server, DBMS, dan perangkat
penyimpanan yang diperlukan untuk proyek-proyek ini, yang terdiri dari aplikasi
perjalanan maskapai khusus bersama dengan kereta api, hotel, dan aplikasi
industri perjalanan lainnya (Baum, 2011).

Awan pribadi mengkonsolidasikan server, penyimpanan, sistem operasi,
database, dan beban kerja campuran ke infrastruktur perangkat keras dan
perangkat lunak bersama. Menyebarkan database pada cloud pribadi
terkonsolidasi memungkinkan departemen TI untuk meningkatkan kualitas tingkat
layanan dan mengurangi modal dan biaya operasi. Semakin tinggi kepadatan
konsolidasi yang dicapai, semakin besar laba atas investasi.
KEMAMPUAN SISTEM MANAJEMEN DATABASE
Sebuah DBMS mencakup kemampuan dan alat untuk mengatur, mengelola, dan
mengakses data dalam database. Yang paling penting adalah bahasa definisi
data, kamus data, dan bahasa manipulasi data.
DBMS memiliki kemampuan definisi data untuk menentukan struktur isi
database. Ini akan digunakan untuk membuat tabel database dan untuk
menentukan karakteristik bidang di setiap tabel. Informasi tentang database ini
akan didokumentasikan dalam kamus data. Sebuah kamus data adalah file
otomatis atau manual yang menyimpan definisi elemen data dan karakteristik
mereka.
Microsoft Access memiliki kemampuan kamus data dasar yang menampilkan
informasi tentang nama, deskripsi, ukuran, jenis, format, dan properti lain dari
setiap bidang dalam tabel (lihat Gambar 6.6). Kamus data untuk database
perusahaan besar dapat menangkap informasi tambahan, seperti penggunaan,
kepemilikan (siapa dalam organisasi yang bertanggung jawab untuk memelihara
data), otorisasi, keamanan, dan individu, fungsi bisnis, program, dan laporan
yang menggunakan setiap elemen data.
Permintaan dan Pelaporan
DBMS mencakup alat untuk mengakses dan memanipulasi informasi dalam
database. Sebagian besar DBMS memiliki bahasa khusus yang disebut
bahasa manipulasi data yang digunakan untuk menambah, mengubah,
menghapus, dan mengambil data dalam database. Bahasa ini berisi perintah
yang mengizinkan pengguna akhir dan spesialis pemrograman untuk
mengekstrak data dari database untuk memenuhi permintaan informasi dan
mengembangkan aplikasi. Bahasa manipulasi data yang paling menonjol saat ini
adalah Structured Query Language , atau SQL . Gambar 6.7 mengilustrasikan
query SQL yang akan menghasilkan tabel resultan baru pada Gambar 6.5. Anda

dapat mengetahui lebih lanjut tentang cara melakukan kueri SQL di Jalur
Pembelajaran kami untuk bab ini.
Pengguna DBMS untuk komputer besar dan menengah, seperti DB2, Oracle,
atau SQL Server, akan menggunakan SQL untuk mengambil informasi yang
mereka butuhkan dari database. Microsoft Access juga menggunakan SQL,
tetapi menyediakan seperangkat alat yang mudah digunakan untuk query
database dan untuk mengatur data dari database ke dalam laporan yang lebih
halus.
Di Microsoft Access, Anda akan menemukan fitur yang memungkinkan pengguna
membuat kueri dengan mengidentifikasi tabel dan bidang yang mereka inginkan
serta hasilnya, lalu memilih baris dari database yang memenuhi kriteria
tertentu. Tindakan ini pada gilirannya diterjemahkan ke dalam perintah
SQL. Gambar 6.8 mengilustrasikan bagaimana kueri yang sama dengan kueri
SQL untuk memilih komponen dan pemasok akan dibuat menggunakan alat
pembuatan kueri Microsoft.
GAMBAR 6.6 FITUR AKSES DATA KAMUS
GAMBAR 6.7 CONTOH QUERY SQL

FIGURE 6.7 EXAMPLE OF AN SQL QUERY
Illustrated here are the SQL statements for a query to select suppliers for parts 137 or 150.They
produce a list with the same results as Figure 6.5.

Microsoft Access dan DBMS lainnya menyertakan kemampuan untuk
pembuatan laporan sehingga data yang diinginkan dapat ditampilkan dalam
format yang lebih terstruktur dan terpoles daripada yang dimungkinkan hanya
dengan kueri. Crystal Reports adalah pembuat laporan populer untuk DBMS
perusahaan besar, meskipun juga dapat digunakan dengan Access. Access juga
memiliki kemampuan untuk mengembangkan aplikasi sistem desktop. Ini
termasuk alat untuk membuat layar entri data, laporan, dan mengembangkan
logika untuk memproses transaksi.
MERANCANG DATABASES
Untuk membuat database, Anda harus memahami hubungan antar data, tipe
data yang akan dipelihara dalam database, bagaimana data akan digunakan,
dan bagaimana organisasi perlu berubah untuk mengelola data dari perspektif
seluruh perusahaan. . Basis data membutuhkan desain konseptual dan desain
fisik. Desain konseptual, atau logis, database adalah model abstrak database
dari perspektif bisnis, sedangkan desain fisik menunjukkan bagaimana database
sebenarnya diatur pada perangkat penyimpanan akses langsung.

GAMBAR 6.8 PERTANYAAN AKSES
GAMBAR 6.9 HUBUNGAN YANG TIDAK DINORMALKAN UNTUK PESANAN

Normalisasi dan Diagram Hubungan Entitas

Desain database konseptual menggambarkan bagaimana elemen data dalam
database akan dikelompokkan. Proses desain mengidentifikasi hubungan antara
elemen data dan cara yang paling efisien untuk mengelompokkan elemen data
bersama-sama untuk memenuhi kebutuhan informasi bisnis. Proses ini juga
mengidentifikasi elemen data yang berlebihan dan pengelompokan elemen data
yang diperlukan untuk program aplikasi tertentu. Kelompok data diatur,
disempurnakan, dan disederhanakan sampai pandangan logis keseluruhan dari
hubungan di antara semua data dalam database muncul.
Untuk menggunakan model database relasional secara efektif, pengelompokan
data yang kompleks harus disederhanakan untuk meminimalkan elemen data
yang berlebihan dan hubungan banyak ke banyak yang canggung. Proses
pembuatan struktur data yang kecil, stabil, namun fleksibel dan adaptif dari
kelompok data yang kompleks disebut normalisasi . Gambar 6.9 dan 6.10
mengilustrasikan proses ini.
Dalam model bisnis tertentu di sini, pesanan dapat memiliki lebih dari satu bagian
tetapi setiap bagian disediakan hanya oleh satu pemasok. Jika kita membangun
hubungan yang disebut ORDER dengan semua bidang yang disertakan di sini,
kita harus mengulang nama dan alamat pemasok untuk setiap bagian pada
pesanan, meskipun pesanan untuk suku cadang dari satu pemasok. Hubungan
ini mengandung apa yang disebut kelompok data berulang karena bisa ada
banyak bagian dalam satu pesanan ke pemasok tertentu. Cara yang lebih efisien
untuk mengatur data adalah dengan memecah ORDER menjadi relasi yang lebih
kecil, yang masing-masing menggambarkan satu entitas. Jika kita melangkah
selangkah demi selangkah dan menormalkan relasi ORDER, kita muncul dengan
relasi yang diilustrasikan pada Gambar 6.10. Anda dapat mengetahui lebih lanjut
tentang normalisasi,

GAMBAR 6.10 TABEL NORMAL YANG DIBUAT DARI PESANAN

diagram hubungan entitas, dan desain database di Jalur Pembelajaran untuk bab
ini.
Sistem database relasional mencoba untuk menegakkan aturan integritas
referensial untuk memastikan bahwa hubungan antara tabel yang digabungkan
tetap konsisten. Ketika satu tabel memiliki kunci asing yang menunjuk ke tabel
lain, Anda tidak boleh menambahkan catatan ke tabel dengan kunci asing kecuali
ada catatan yang sesuai di tabel tertaut. Dalam database yang kita periksa
sebelumnya dalam bab ini, kunci asing Supplier_Number menautkan tabel PART
ke tabel SUPPLIER. Kami tidak boleh menambahkan record baru ke tabel PART
untuk part dengan Supplier_ Number 8266 kecuali ada record yang sesuai di
tabel SUPPLIER untuk Supplier_Number 8266. Kami juga harus menghapus
record yang sesuai di tabel PART jika kami menghapus record di Tabel
SUPPLIER untuk Supplier_ Number 8266. Dengan kata lain, kita harus 't memiliki
suku cadang dari pemasok yang tidak ada!
Desainer database mendokumentasikan model data mereka dengan diagram
hubungan entitas , diilustrasikan pada Gambar 6.11. Diagram ini
menggambarkan hubungan antara entitas SUPPLIER, PART, LINE_ITEM, dan
ORDER. Kotak mewakili entitas. Garis yang menghubungkan kotak mewakili
hubungan. Sebuah garis yang menghubungkan dua entitas yang berakhir
dengan dua tanda pendek menunjukkan hubungan satu-ke-satu. Garis yang
menghubungkan dua entitas yang diakhiri dengan gagak 's kaki diatapi oleh
tanda pendek menunjukkan hubungan satu-ke-banyak. Gambar 6.11
menunjukkan bahwa satu ORDER dapat berisi banyak LINE_ITEM. (BAGIAN
dapat dipesan berkali-kali dan muncul berkali-kali sebagai item baris dalam satu

pesanan.) Setiap BAGIAN hanya dapat memiliki satu PEMASOK, tetapi banyak
BAGIAN dapat disediakan oleh PEMASOK yang sama.
itu bisa 't cukup ditekankan: Jika bisnis tidak't mendapatkan model datanya
dengan benar, sistem akan menang'tidak dapat melayani bisnis dengan
baik. Perusahaan'Sistem s tidak akan seefektif mungkin karena mereka'harus
bekerja dengan data yang mungkin tidak akurat, tidak lengkap, atau sulit untuk
diambil. Memahami organisasi'Data s dan bagaimana mereka harus diwakili
dalam database mungkin merupakan pelajaran paling penting yang dapat Anda
pelajari dari kursus ini.
Misalnya, Alas Kaki Terkenal, rantai toko sepatu dengan lebih dari 800 lokasi di
49 negara bagian, tidak dapat mencapai tujuannya untuk memiliki “gaya sepatu
yang tepat di toko yang tepat untuk dijual dengan harga yang tepat ” karena
database-nya tidak dirancang dengan benar untuk menyesuaikan inventaris toko
dengan cepat. Perusahaan memiliki database relasional Oracle yang berjalan
pada komputer kelas menengah, tetapi database dirancang terutama untuk
menghasilkan laporan standar untuk manajemen daripada untuk bereaksi
terhadap perubahan pasar. Manajemen tidak dapat memperoleh data yang tepat
tentang item tertentu dalam persediaan di setiap tokonya. Perusahaan harus
mengatasi masalah ini dengan membangun database baru di mana data
penjualan dan persediaan dapat diatur dengan lebih baik untuk analisis dan
manajemen persediaan.
GAMBAR 6.11 DIAGRAM HUBUNGAN ENTITAS-ENTITAS

MENGGUNAKAN DATABES UNTUK MENINGKATKAN KINERJA BISNIS DAN
PENGAMBILAN KEPUTUSAN
________________________________________________________________
Bisnis menggunakan database mereka untuk melacak transaksi dasar, seperti
membayar pemasok, memproses pesanan, melacak pelanggan, dan membayar
karyawan. Tetapi mereka juga membutuhkan database untuk menyediakan
informasi yang akan membantu perusahaan menjalankan bisnis dengan lebih

efisien, dan membantu manajer dan karyawan membuat keputusan yang lebih
baik. Jika sebuah perusahaan ingin mengetahui produk mana yang paling
populer atau siapa pelanggannya yang paling menguntungkan, jawabannya
terletak pada data.
TANTANGAN DATA BESAR
Sampai sekitar lima tahun yang lalu, sebagian besar data yang dikumpulkan oleh
organisasi terdiri dari data transaksi yang dapat dengan mudah masuk ke dalam
baris dan kolom sistem manajemen basis data relasional. Sejak itu, terjadi
ledakan data dari lalu lintas Web, pesan email, dan konten media sosial (tweet,
pesan status), serta data yang dihasilkan mesin dari sensor (digunakan dalam
pengukur pintar, sensor manufaktur, dan sensor listrik). meter) atau dari sistem
perdagangan elektronik. Data ini mungkin tidak terstruktur atau semi-terstruktur
dan dengan demikian tidak cocok untuk produk database relasional yang
mengatur data dalam bentuk kolom dan baris. Kami sekarang menggunakan
istilah big data untuk menggambarkan kumpulan data ini dengan volume yang
sangat besar sehingga melampaui kemampuan DBMS biasa untuk menangkap,
menyimpan, dan menganalisis.
Data besar doesn 't mengacu pada kuantitas tertentu, tetapi biasanya mengacu
pada data dalam kisaran petabyte dan exabyte—dengan kata lain, miliaran
hingga triliunan catatan, semuanya dari sumber yang berbeda. Data besar
diproduksi dalam jumlah yang jauh lebih besar dan jauh lebih cepat daripada
data tradisional. Misalnya, satu mesin jet mampu menghasilkan 10 terabyte data
hanya dalam 30 menit, dan ada lebih dari 25.000 penerbangan maskapai setiap
hari. Meskipun“tweets ” masing -masing dibatasi hingga 140 karakter, Twitter
menghasilkan lebih dari 8 terabyte data setiap hari. Menurut firma riset teknologi
International Data Center (IDC), data meningkat lebih dari dua kali lipat setiap
dua tahun, sehingga jumlah data yang tersedia untuk organisasi meroket.
Bisnis tertarik pada data besar karena mereka dapat mengungkapkan lebih
banyak pola dan anomali menarik daripada kumpulan data yang lebih kecil,
dengan potensi untuk memberikan wawasan baru tentang perilaku pelanggan,
pola cuaca, aktivitas pasar keuangan, atau fenomena lainnya. Namun, untuk
memperoleh nilai bisnis dari data ini, organisasi memerlukan teknologi dan alat
baru yang mampu mengelola dan menganalisis data non-tradisional bersama
dengan data perusahaan tradisional mereka.

INFRASTRUKTUR KECERDASAN BISNIS
Misalkan Anda menginginkan informasi yang ringkas dan andal tentang operasi,
tren, dan perubahan saat ini di seluruh perusahaan. Jika Anda bekerja di
perusahaan besar, data yang Anda perlukan mungkin harus dikumpulkan dari
sistem yang terpisah, seperti penjualan, manufaktur, dan akuntansi, dan bahkan
dari sumber eksternal, seperti data demografi atau pesaing. Semakin, Anda
mungkin perlu menggunakan data besar. Infrastruktur kontemporer untuk intelijen
bisnis memiliki serangkaian alat untuk memperoleh informasi yang berguna dari
semua jenis data berbeda yang digunakan oleh bisnis saat ini, termasuk data
besar semi-terstruktur dan tidak terstruktur dalam jumlah besar. Kemampuan ini
mencakup gudang data dan data mart, Hadoop, komputasi dalam memori, dan
platform analitis. Gudang Data dan Data Mart
Alat tradisional untuk menganalisis data perusahaan selama dua dekade terakhir
adalah gudang data. Sebuah data warehouse adalah database yang
menyimpan saat ini dan data historis potensi menarik untuk para pengambil
keputusan di seluruh perusahaan. Data berasal dari banyak sistem transaksi
operasional inti, seperti sistem penjualan, akun pelanggan, dan manufaktur, dan
mungkin termasuk data dari transaksi situs Web. Data warehouse mengekstrak
data saat ini dan data historis dari beberapa sistem operasional di dalam
organisasi. Data ini digabungkan dengan data dari sumber eksternal dan
ditransformasikan dengan mengoreksi data yang tidak akurat dan tidak lengkap
serta merestrukturisasi data untuk pelaporan dan analisis manajemen sebelum
dimuat ke dalam data warehouse.
Gudang data membuat data tersedia bagi siapa saja untuk diakses sesuai
kebutuhan, tetapi tidak dapat diubah. Sistem gudang data juga menyediakan
berbagai alat kueri ad hoc dan standar, alat analisis, dan fasilitas pelaporan
grafis.
Perusahaan sering membangun gudang data di seluruh perusahaan, di mana
gudang data pusat melayani seluruh organisasi, atau mereka membuat gudang
yang lebih kecil dan terdesentralisasi yang disebut data mart. Sebuah data
mart adalah bagian dari gudang data di mana bagian yang diringkas atau sangat
terfokus dari organisasi 's data ditempatkan dalam database terpisah untuk
populasi pengguna tertentu. Misalnya, sebuah perusahaan mungkin
mengembangkan data mart pemasaran dan penjualan untuk menangani

informasi pelanggan. Penjual buku Barnes & Noble dulu mengelola serangkaian
data mart—satu untuk data titik penjualan di toko ritel, satu lagi untuk penjualan
toko buku perguruan tinggi, dan yang ketiga untuk penjualan online.
hadoop
DBMS relasional dan produk gudang data tidak cocok untuk mengatur dan
menganalisis data besar atau data yang tidak mudah masuk ke dalam kolom dan
baris yang digunakan dalam model datanya. Untuk menangani data tidak
terstruktur dan semi terstruktur dalam jumlah banyak, serta data terstruktur,
organisasi menggunakan Hadoop . Hadoop adalah kerangka kerja perangkat
lunak sumber terbuka yang dikelola oleh Apache Software Foundation yang
memungkinkan pemrosesan paralel terdistribusi dari sejumlah besar data di
seluruh komputer murah. Ini memecah masalah data besar menjadi sub-
masalah, mendistribusikannya di antara ribuan node pemrosesan komputer yang
murah, dan kemudian menggabungkan hasilnya menjadi kumpulan data yang
lebih kecil yang lebih mudah untuk dianalisis. kamu 'Anda mungkin pernah
menggunakan Hadoop untuk menemukan tiket pesawat terbaik di Internet,
mendapatkan petunjuk arah ke restoran, melakukan pencarian di Google, atau
terhubung dengan teman di Facebook.
Hadoop terdiri dari beberapa layanan utama: Hadoop Distributed File System
(HDFS) untuk penyimpanan data dan MapReduce untuk pemrosesan data
paralel berkinerja tinggi. HDFS menghubungkan sistem file pada banyak node
dalam cluster Hadoop untuk mengubahnya menjadi satu sistem file
besar. hadop 's MapReduce terinspirasi oleh Google'Sistem MapReduce untuk
memecah pemrosesan kumpulan data besar dan menugaskan pekerjaan ke
berbagai node dalam sebuah cluster. HBase, Hadoop's database non-relasional,
menyediakan akses cepat ke data yang disimpan di HDFS dan platform
transaksional untuk menjalankan aplikasi real-time skala tinggi.
Hadoop dapat memproses sejumlah besar data apa pun, termasuk data
transaksional terstruktur, data terstruktur longgar seperti feed Facebook dan
Twitter, data kompleks seperti file log server Web, dan data audio dan video tidak
terstruktur. Hadoop berjalan pada sekelompok server murah, dan prosesor dapat
ditambahkan atau dihapus sesuai kebutuhan. Perusahaan menggunakan
Hadoop untuk menganalisis sangat besar

volume data serta untuk staging area untuk data tidak terstruktur dan semi
terstruktur sebelum dimuat ke dalam gudang data. Facebook menyimpan
sebagian besar datanya di cluster Hadoop besarnya, yang diperkirakan
menampung 100 petabyte, sekitar 10.000 kali lebih banyak informasi daripada
Library of Congress. Yahoo menggunakan Hadoop untuk melacak perilaku
pengguna sehingga dapat memodifikasi halaman berandanya agar sesuai
dengan minat mereka. Perusahaan riset ilmu kehidupan NextBio menggunakan
Hadoop dan HBase untuk memproses data untuk perusahaan farmasi yang
melakukan penelitian genom. Vendor database top seperti IBM, Hewlett-Packard,
Oracle, dan Microsoft memiliki distribusi perangkat lunak Hadoop mereka
sendiri. Vendor lain menawarkan alat untuk memindahkan data masuk dan
keluar dari Hadoop atau untuk menganalisis data di dalam Hadoop.
Komputasi Dalam Memori
Cara lain untuk memfasilitasi analisis data besar adalah dengan
menggunakan komputasi dalam memori , yang terutama bergantung pada
komputer 'memori utama (RAM) untuk penyimpanan data. (DBMS konvensional
menggunakan sistem penyimpanan disk.) Pengguna mengakses data yang
disimpan dalam memori utama sistem, sehingga menghilangkan hambatan dari
pengambilan dan pembacaan data dalam basis data tradisional berbasis disk
dan secara dramatis mempersingkat waktu respons kueri. Pemrosesan dalam
memori memungkinkan kumpulan data yang sangat besar, sebesar ukuran data
mart atau gudang data kecil, untuk disimpan seluruhnya dalam
memori. Perhitungan bisnis yang rumit yang biasanya memakan waktu berjam-
jam atau berhari-hari dapat diselesaikan dalam hitungan detik, dan ini bahkan
dapat dilakukan pada perangkat genggam.
Bab sebelumnya menjelaskan beberapa kemajuan dalam teknologi perangkat
keras komputer kontemporer yang memungkinkan pemrosesan dalam memori,
seperti prosesor berkecepatan tinggi yang kuat, pemrosesan multicore, dan
penurunan harga memori komputer. Teknologi ini membantu perusahaan
mengoptimalkan penggunaan memori dan mempercepat kinerja pemrosesan
sekaligus menurunkan biaya.
Produk komersial terkemuka untuk komputasi dalam memori termasuk SAP 's
High Performance Analytics Appliance (HANA) dan Oracle Exalytics. Masing-
masing menyediakan satu set komponen perangkat lunak terintegrasi, termasuk

perangkat lunak basis data dalam memori dan perangkat lunak analitik khusus,
yang berjalan pada perangkat keras yang dioptimalkan untuk pekerjaan
komputasi dalam memori.
Centrica, sebuah utilitas gas dan listrik, menggunakan HANA untuk dengan cepat
menangkap dan menganalisis sejumlah besar data yang dihasilkan oleh smart
meter. Perusahaan dapat menganalisis penggunaan setiap 15 menit,
memberikan gambaran yang lebih jelas tentang penggunaan berdasarkan
lingkungan, ukuran rumah, jenis bisnis yang dilayani, atau jenis bangunan. HANA
juga membantu Centrica menunjukkan kepada pelanggannya pola penggunaan
energi mereka secara real-time menggunakan alat online dan seluler.
Platform Analitik
Vendor database komersial telah mengembangkan platform
analitik berkecepatan tinggi khusus menggunakan teknologi relasional dan non-
relasional yang dioptimalkan untuk menganalisis kumpulan data besar. Platform
analitik ini, seperti IBM Netezza dan Oracle Exadata, menampilkan sistem
perangkat keras-perangkat lunak yang telah dikonfigurasi sebelumnya yang
dirancang khusus untuk pemrosesan kueri dan analitik. Misalnya, IBM Netezza
menampilkan komponen database, server, dan penyimpanan yang terintegrasi
erat yang menangani kueri analitik kompleks 10 hingga 100 kali lebih cepat
daripada sistem tradisional. Platform analitik juga mencakup sistem dalam
memori dan sistem manajemen basis data non-relasional NoSQL.
Gambar 6.12 mengilustrasikan infrastruktur intelijen bisnis kontemporer
menggunakan teknologi yang baru saja kami jelaskan. Data saat ini dan historis
diekstraksi dari beberapa sistem operasional bersama dengan data Web, data
yang dihasilkan mesin, data audio/visual tidak terstruktur, dan data dari sumber
eksternal.
GAMBAR 6.12 KOMPONEN DATA WAREHOUSE

topi 'telah direstrukturisasi dan ditata ulang untuk pelaporan dan analisis. Hadoop
cluster melakukan pra-proses data besar untuk digunakan di gudang data, data
mart, atau platform analitik, atau untuk permintaan langsung oleh pengguna yang
kuat. Keluaran mencakup laporan dan dasbor serta hasil kueri. Bab 12
membahas berbagai jenis pengguna BI dan pelaporan BI secara lebih rinci.
ALAT ANALITIS: HUBUNGAN, POLA, TREN
Setelah data ditangkap dan diatur menggunakan teknologi intelijen bisnis yang
baru saja kami jelaskan, data tersebut tersedia untuk analisis lebih lanjut
menggunakan perangkat lunak untuk kueri dan pelaporan basis data, analisis
data multidimensi (OLAP), dan penambangan data. Bagian ini akan
memperkenalkan Anda pada alat-alat ini, dengan lebih detail tentang analitik dan
aplikasi intelijen bisnis di Bab 12.
Pemrosesan Analitik Online (OLAP)
Misalkan perusahaan Anda menjual empat produk berbeda—mur, baut, ring, dan
sekrup—di wilayah Timur, Barat, dan Tengah. Jika Anda ingin mengajukan
pertanyaan yang cukup sederhana, seperti berapa banyak mesin cuci yang
terjual selama kuartal terakhir, Anda dapat dengan mudah menemukan
jawabannya dengan menanyakan basis data penjualan Anda. Tetapi bagaimana
jika Anda ingin mengetahui berapa banyak mesin cuci yang terjual di setiap
wilayah penjualan Anda dan membandingkan hasil aktual dengan penjualan
yang diproyeksikan?
Untuk mendapatkan jawabannya, Anda memerlukan pemrosesan analitik
online (OLAP) . OLAP mendukung analisis data multidimensi, memungkinkan
pengguna untuk melihat data yang sama dengan cara yang berbeda

menggunakan beberapa dimensi. Setiap aspek informasi—produk, harga, biaya,
wilayah, atau periode waktu—mewakili dimensi yang berbeda. Jadi, seorang
manajer produk dapat menggunakan alat analisis data multidimensi untuk
mempelajari berapa banyak mesin cuci yang terjual di Timur pada bulan Juni,
bagaimana perbandingannya dengan bulan sebelumnya dan Juni sebelumnya,
dan bagaimana perbandingannya dengan perkiraan penjualan. OLAP
memungkinkan pengguna untuk memperoleh jawaban online atas pertanyaan ad
hoc seperti ini dalam waktu yang cukup cepat, bahkan ketika data disimpan
dalam database yang sangat besar, seperti angka penjualan selama beberapa
tahun.
Gambar 6.13 menunjukkan model multidimensi yang dapat dibuat untuk mewakili
produk, wilayah, penjualan aktual, dan penjualan yang diproyeksikan. Matriks
penjualan aktual dapat ditumpuk di atas matriks proyeksi penjualan untuk
membentuk kubus dengan enam wajah. Jika Anda memutar kubus 90 derajat
satu arah, tampilan wajah akan menjadi produk versus penjualan aktual dan
yang diproyeksikan. Jika Anda memutar kubus 90 derajat lagi, Anda akan melihat
wilayah versus penjualan aktual dan yang diproyeksikan. Jika Anda memutar 180
derajat dari tampilan aslinya, Anda akan melihat proyeksi penjualan dan produk
versus wilayah. Kubus dapat bersarang di dalam kubus untuk membangun
tampilan data yang kompleks. Sebuah perusahaan akan menggunakan baik
database multidimensi khusus atau alat yang menciptakan pandangan
multidimensi data dalam database relasional.
Penambangan Data
Kueri basis data tradisional menjawab pertanyaan seperti, “Berapa unit produk
nomor 403 yang dikirim pada bulan Februari 2013? ” OLAP, atau analisis
variabel yang bersifat multidimensional, mendukung banyak permintaan yang
lebih kompleks untuk informasi, seperti,“Bandingkan penjualan produk 403 relatif
terhadap rencana per kuartal dan wilayah penjualan selama dua tahun
terakhir. ” Dengan OLAP dan analisis data berorientasi kueri, pengguna harus
memiliki gagasan yang baik tentang informasi yang mereka cari.
Penambangan data lebih didorong oleh penemuan. Data mining memberikan
wawasan tentang data perusahaan yang tidak dapat diperoleh dengan OLAP
dengan menemukan pola dan hubungan tersembunyi dalam database besar dan

menyimpulkan aturan darinya untuk memprediksi perilaku di masa depan. Pola
dan aturan digunakan untuk memandu pengambilan keputusan dan perkiraan
GAMBAR 6.13 MODEL DATA MULTIMENSIONAL
• Asosiasi adalah kejadian yang terkait dengan satu peristiwa. Misalnya, studi

tentang pola pembelian supermarket mungkin mengungkapkan bahwa,
ketika keripik jagung dibeli, minuman cola dibeli 65 persen dari waktu,
tetapi ketika ada promosi, cola dibeli 85 persen dari waktu. Informasi ini
membantu manajer membuat keputusan yang lebih baik karena
mereka telah mempelajari keuntungan dari suatu promosi.
• Dalam urutan , peristiwa terkait dari waktu ke waktu. Kita mungkin
menemukan, misalnya, bahwa jika sebuah rumah dibeli, lemari es baru
akan dibeli dalam dua minggu 65 persen dari waktu, dan oven akan
dibeli dalam waktu satu bulan dari pembelian rumah 45 persen dari
waktu.
• Klasifikasi mengenali pola-pola yang menggambarkan kelompok di mana
suatu item termasuk dengan memeriksa item yang ada yang telah
diklasifikasikan dan dengan menyimpulkan seperangkat
aturan. Misalnya, bisnis seperti kartu kredit atau perusahaan telepon
khawatir akan kehilangan pelanggan tetap. Klasifikasi membantu
menemukan karakteristik pelanggan yang kemungkinan besar akan
pergi dan dapat memberikan model untuk membantu manajer
memprediksi siapa pelanggan tersebut sehingga manajer dapat
merancang kampanye khusus untuk mempertahankan pelanggan
tersebut.

• Clustering bekerja dengan cara yang mirip dengan klasifikasi ketika belum
ada grup yang ditentukan. Alat penambangan data dapat menemukan
pengelompokan yang berbeda dalam data, seperti menemukan grup
afinitas untuk kartu bank atau mempartisi basis data ke dalam grup
pelanggan berdasarkan demografi dan jenis investasi pribadi.
• Meskipun aplikasi ini melibatkan prediksi, peramalan menggunakan prediksi

dengan cara yang berbeda. Ini menggunakan serangkaian nilai yang
ada untuk meramalkan apa nilai-nilai lain akan terjadi. Misalnya,
peramalan mungkin menemukan pola dalam data untuk membantu
manajer memperkirakan nilai masa depan dari variabel berkelanjutan,
seperti angka penjualan. Sistem ini melakukan analisis pola atau tren
tingkat tinggi, tetapi mereka juga dapat menelusuri untuk memberikan
lebih banyak detail saat dibutuhkan. Ada aplikasi penambangan data
untuk semua area fungsional bisnis, dan untuk pekerjaan pemerintah
dan ilmiah. Salah satu penggunaan populer untuk penambangan data
adalah untuk menyediakan analisis rinci pola dalam data pelanggan
untuk kampanye pemasaran satu-ke-satu atau untuk mengidentifikasi
pelanggan yang menguntungkan. Caesars Entertainment, sebelumnya
dikenal sebagai Harrah '
s Entertainment, adalah perusahaan game terbesar di dunia. Itu terus-

menerus menganalisis data tentang pelanggannya yang dikumpulkan
ketika orang memainkan mesin slotnya atau menggunakan kasino dan
hotelnya. Departemen pemasaran perusahaan menggunakan informasi
ini untuk membuat profil perjudian terperinci, berdasarkan pelanggan
tertentu'nilai berkelanjutan bagi perusahaan. Misalnya, penambangan
data memungkinkan Caesars mengetahui pengalaman bermain game
favorit pelanggan tetap di salah satu kasino perahu sungainya,
bersama dengan orang itu.'preferensi untuk akomodasi kamar,
restoran, dan hiburan. Informasi ini memandu keputusan manajemen
tentang cara mengembangkan pelanggan yang paling menguntungkan,
mendorong pelanggan tersebut untuk membelanjakan lebih banyak,
dan menarik lebih banyak pelanggan dengan potensi menghasilkan

pendapatan yang tinggi. Intelijen bisnis meningkatkan Caesars's
keuntungan begitu banyak sehingga menjadi pusat dari perusahaan's
strategi bisnis.
Penambangan Teks dan Penambangan Web
Namun, data tidak terstruktur, sebagian besar dalam bentuk file teks, diyakini
mencakup lebih dari 80 persen informasi organisasi yang berguna dan
merupakan salah satu
sumber utama data besar yang ingin dianalisis oleh perusahaan. E-mail,
memo, transkrip pusat panggilan, tanggapan survei, kasus hukum,
deskripsi paten, dan laporan layanan semuanya berharga untuk
menemukan pola dan tren yang akan membantu karyawan membuat
keputusan bisnis yang lebih baik. Alat penambangan teks sekarang
tersedia untuk membantu bisnis menganalisis data ini. Alat ini mampu
mengekstrak elemen kunci dari kumpulan data besar yang tidak
terstruktur, menemukan pola dan hubungan, dan meringkas informasi.
Bisnis mungkin beralih ke penambangan teks untuk menganalisis transkrip
panggilan ke pusat layanan pelanggan untuk mengidentifikasi masalah layanan
dan perbaikan utama atau untuk mengukur sentimen pelanggan tentang
perusahaan mereka. Perangkat lunak analisis sentimen mampu menambang
komentar teks dalam pesan email, blog, percakapan media sosial, atau formulir
survei untuk mendeteksi pendapat yang menguntungkan dan tidak
menguntungkan tentang subjek tertentu.
Misalnya, pialang diskon Charles Schwab menggunakan perangkat lunak
Analisis Attensitas untuk menganalisis ratusan ribu interaksi pelanggannya setiap
bulan. Perangkat lunak menganalisis Schwab 'catatan layanan pelanggan, email,
tanggapan survei, dan diskusi online untuk menemukan tanda-tanda
ketidakpuasan yang dapat menyebabkan pelanggan berhenti menggunakan
perusahaan'layanan. Attensity mampu secara otomatis mengidentifikasi
berbagai“suara ” yang digunakan pelanggan untuk mengekspresikan umpan
balik mereka (seperti suara positif, negatif, atau kondisional) untuk menunjukkan
seseorang'Niat untuk membeli, niat untuk pergi, atau reaksi terhadap produk atau
pesan pemasaran tertentu. Schwab menggunakan informasi ini untuk mengambil
tindakan korektif seperti meningkatkan komunikasi broker langsung dengan

pelanggan dan mencoba dengan cepat menyelesaikan masalah yang membuat
pelanggan tidak senang.
Web adalah sumber lain yang kaya akan data besar yang tidak terstruktur untuk
mengungkapkan pola, tren, dan wawasan tentang perilaku
pelanggan. Penemuan dan analisis pola dan informasi yang berguna dari World
Wide Web disebut Web mining . Bisnis mungkin beralih ke penambangan Web
untuk membantu mereka memahami perilaku pelanggan, mengevaluasi
efektivitas situs Web tertentu, atau mengukur keberhasilan kampanye
pemasaran. Misalnya, pemasar menggunakan layanan Google Trends dan
Google Insights for Search, yang melacak popularitas berbagai kata dan frasa
yang digunakan dalam kueri penelusuran Google, untuk mempelajari apa yang
diminati orang dan apa yang ingin mereka beli.
Penambangan web mencari pola dalam data melalui penambangan konten,
penambangan struktur, dan penambangan penggunaan. Penambangan konten
web adalah proses penggalian pengetahuan dari konten halaman Web, yang
mungkin termasuk teks, gambar, audio, dan data video. Penambangan struktur
web memeriksa data yang terkait dengan struktur situs Web tertentu. Misalnya,
tautan yang mengarah ke dokumen menunjukkan popularitas dokumen,
sementara tautan yang keluar dari dokumen menunjukkan kekayaan atau
mungkin keragaman topik yang tercakup dalam dokumen. Penambangan
penggunaan web memeriksa data interaksi pengguna yang direkam oleh server
Web setiap kali meminta situs Web 'sumber daya s diterima. Data penggunaan
mencatat pengguna's perilaku ketika pengguna menelusuri atau melakukan
transaksi di situs Web dan mengumpulkan data dalam log server. Menganalisis
data tersebut dapat membantu perusahaan menentukan nilai pelanggan tertentu,
strategi pemasaran silang lintas produk, dan efektivitas kampanye promosi.
Sesi Interaktif tentang Teknologi menjelaskan organisasi 'pengalaman saat
mereka menggunakan alat analitik dan teknologi intelijen bisnis yang telah kami
jelaskan untuk dihadapi “data besar ” tantangan.
DATABASE DAN WEB
Pernahkah Anda mencoba menggunakan Web untuk memesan atau melihat
katalog produk? Jika demikian, Anda mungkin menggunakan situs Web yang
ditautkan ke database internal perusahaan. Banyak perusahaan sekarang

menggunakan Web untuk membuat beberapa informasi dalam database internal
mereka tersedia untuk pelanggan dan mitra bisnis.
Misalkan, misalnya, pelanggan dengan browser Web ingin mencari pengecer
online 's database untuk informasi harga. Gambar 6.14 mengilustrasikan
bagaimana pelanggan dapat mengakses pengecer's database internal melalui
Web. Pengguna mengakses pengecer's Situs Web melalui Internet
menggunakan perangkat lunak browser Web pada PC kliennya. pengguna's
Perangkat lunak browser web meminta data dari organisasi's database,
menggunakan perintah HTML untuk berkomunikasi dengan server Web.
Karena banyak database back-end tidak dapat menginterpretasikan perintah
yang ditulis dalam HTML, server Web meneruskan permintaan data ini ke
perangkat lunak yang menerjemahkan perintah HTML ke dalam SQL sehingga
perintah dapat diproses oleh DBMS yang bekerja dengan database. Dalam
lingkungan klien/server,

GAMBAR 6.14 MENGHUBUNGKAN DATABASES INTERNAL KE WEB

DBMS berada pada komputer khusus yang disebut server database . DBMS
menerima permintaan SQL dan menyediakan data yang diperlukan. Middleware
mentransfer informasi dari organisasi 's database internal kembali ke server Web
untuk pengiriman dalam bentuk halaman Web ke pengguna.
Gambar 6.14 menunjukkan bahwa middleware yang bekerja antara server Web
dan DBMS adalah server aplikasi yang berjalan pada komputernya sendiri (lihat
Bab 5). Perangkat lunak server aplikasi menangani semua operasi aplikasi,
termasuk pemrosesan transaksi dan akses data, antara komputer berbasis
browser dan perusahaan 's back-end aplikasi bisnis atau database. Server
aplikasi menerima permintaan dari server Web, menjalankan logika bisnis untuk
memproses transaksi berdasarkan permintaan tersebut, dan menyediakan

konektivitas ke organisasi'sistem back-end atau database. Atau, perangkat lunak
untuk menangani operasi ini dapat berupa program khusus atau skrip CGI. Skrip
CGI adalah program ringkas yang menggunakan spesifikasi Common Gateway
Interface (CGI) untuk memproses data di server Web.
Ada sejumlah keuntungan menggunakan Web untuk mengakses
organisasi .database internal. Pertama, perangkat lunak browser Web jauh lebih
mudah digunakan daripada alat kueri berpemilik. Kedua, antarmuka Web
memerlukan sedikit atau tidak ada perubahan pada database internal. Biayanya
jauh lebih sedikit untuk menambahkan antarmuka Web di depan sistem lama
daripada mendesain ulang dan membangun kembali sistem untuk meningkatkan
akses pengguna.
Mengakses database perusahaan melalui Web menciptakan efisiensi, peluang,
dan model bisnis baru. ThomasNet.com menyediakan direktori online up-to-date
lebih dari 650.000 pemasok produk industri, seperti bahan kimia, logam, plastik,
karet, dan peralatan otomotif. Sebelumnya bernama Thomas Register,
perusahaan itu biasa mengirimkan katalog kertas besar dengan informasi
ini. Sekarang ia memberikan informasi ini kepada pengguna secara online
melalui situs Web-nya dan telah menjadi perusahaan yang lebih kecil dan lebih
ramping.
Perusahaan lain telah menciptakan bisnis yang sama sekali baru berdasarkan
akses ke database besar melalui Web. Salah satunya adalah layanan jejaring
sosial Facebook, yang membantu pengguna tetap terhubung satu sama lain dan
bertemu orang baru. fitur facebook ”profiles ” dengan informasi tentang lebih dari
950 juta pengguna aktif dengan informasi tentang diri mereka sendiri, termasuk
minat, teman, foto, dan grup yang berafiliasi dengan mereka. Facebook
memelihara database besar untuk menampung dan mengelola semua konten ini.
Ada juga banyak database berbasis Web di sektor publik untuk membantu
konsumen dan warga mengakses informasi yang berguna. Sesi Interaktif tentang
Organisasi menjelaskan salah satu database ini, yang telah menimbulkan
kontroversi atas metodenya untuk menyediakan data keamanan produk
konsumen.
Menyiapkan database hanyalah permulaan. Untuk memastikan bahwa data
untuk bisnis Anda tetap akurat, andal, dan tersedia bagi mereka yang

membutuhkannya, bisnis Anda memerlukan kebijakan dan prosedur khusus
untuk pengelolaan data.
MEMBENTUK KEBIJAKAN INFORMASI
Setiap bisnis, besar dan kecil, membutuhkan kebijakan informasi. Perusahaan
Anda 's data adalah sumber daya yang penting, dan Anda tidak't ingin orang
melakukan apa pun yang mereka inginkan dengan mereka. Anda perlu memiliki
aturan tentang bagaimana data diatur dan dipelihara, dan siapa yang diizinkan
untuk melihat data atau mengubahnya.
Sebuah kebijakan informasi menentukan organisasi 'Aturan untuk berbagi,
menyebarluaskan, memperoleh, menstandarisasi, mengklasifikasikan, dan
menginventarisasi informasi. Kebijakan informasi menjabarkan prosedur dan
akuntabilitas khusus, mengidentifikasi pengguna dan unit organisasi mana yang
dapat berbagi informasi, di mana informasi dapat didistribusikan, dan siapa yang
bertanggung jawab untuk memperbarui dan memelihara informasi. Misalnya,
kebijakan informasi tipikal akan menentukan bahwa hanya anggota terpilih dari
departemen penggajian dan sumber daya manusia yang memiliki hak untuk
mengubah dan melihat data karyawan yang sensitif, seperti data karyawan.'s gaji
atau nomor jaminan sosial, dan bahwa departemen ini bertanggung jawab untuk
memastikan bahwa data karyawan tersebut akurat.
Jika Anda berada dalam bisnis kecil, kebijakan informasi akan ditetapkan dan
diterapkan oleh pemilik atau manajer. Dalam organisasi besar, pengelolaan dan
perencanaan informasi sebagai sumber daya perusahaan seringkali memerlukan
fungsi administrasi data formal. Administrasi data bertanggung jawab atas
kebijakan dan prosedur khusus di mana data dapat dikelola sebagai sumber
daya organisasi. Tanggung jawab ini termasuk mengembangkan kebijakan
informasi, perencanaan data, mengawasi desain database logis dan
pengembangan kamus data, dan memantau bagaimana spesialis sistem
informasi dan kelompok pengguna akhir menggunakan data.
Anda mungkin mendengar istilah tata kelola data yang digunakan untuk
menggambarkan banyak aktivitas ini. Dipromosikan oleh IBM, tata kelola data
berkaitan dengan kebijakan dan proses untuk mengelola ketersediaan,
kegunaan, integritas, dan keamanan data yang digunakan dalam suatu
perusahaan, dengan penekanan khusus pada peningkatan privasi, keamanan,
kualitas data, dan kepatuhan terhadap peraturan pemerintah.

Sebuah organisasi besar juga akan memiliki desain database dan grup
manajemen dalam divisi sistem informasi perusahaan yang bertanggung jawab
untuk mendefinisikan dan mengatur struktur dan isi database, dan memelihara
database. Dalam kerjasama yang erat dengan pengguna, kelompok desain
menetapkan database fisik, hubungan logis antar elemen, dan aturan akses dan
prosedur keamanan. Fungsi yang dilakukannya disebut administrasi database .
MEMASTIKAN KUALITAS DATA
Basis data dan kebijakan informasi yang dirancang dengan baik akan sangat
membantu memastikan bahwa bisnis memiliki informasi yang
dibutuhkannya. Namun, langkah-langkah tambahan harus diambil untuk
memastikan bahwa data dalam database organisasi akurat dan tetap dapat
diandalkan.
Apa yang akan terjadi jika pelanggan 'nomor telepon atau saldo rekening
salah? Apa dampaknya jika database memiliki harga yang salah untuk produk
yang Anda jual atau sistem penjualan dan sistem inventaris Anda menunjukkan
harga yang berbeda untuk produk yang sama? Data yang tidak akurat, tidak
tepat waktu, atau tidak konsisten dengan sumber informasi lain menyebabkan
keputusan yang salah, penarikan produk, dan kerugian finansial. Gartner Inc.
melaporkan bahwa lebih dari 25 persen data penting di perusahaan besar
Fortune 1000' database tidak akurat atau tidak lengkap, termasuk kode produk
dan deskripsi produk yang buruk, deskripsi inventaris yang salah, data keuangan
yang salah, informasi pemasok yang salah, dan data karyawan yang salah. Studi
Keputusan Sirius tentang“Dampak Data Buruk pada Penciptaan
Permintaan ” menemukan bahwa 10 hingga 25 persen catatan pelanggan dan
prospek mengandung kesalahan data kritis. Memperbaiki kesalahan ini pada
sumbernya dan mengikuti praktik terbaik untuk mempromosikan kualitas data
meningkatkan produktivitas proses penjualan dan menghasilkan peningkatan
pendapatan sebesar 66 persen.
Beberapa masalah kualitas data ini disebabkan oleh data yang berlebihan dan
tidak konsisten yang dihasilkan oleh beberapa sistem yang memberi makan
gudang data. Misalnya, sistem pemesanan penjualan dan sistem manajemen
persediaan mungkin keduanya memelihara data di organisasi .produk. Namun,
sistem pemesanan penjualan mungkin menggunakan istilah Nomor Barang dan
sistem persediaan mungkin memanggil atribut yang sama Nomor

Produk . Penjualan, persediaan, atau sistem manufaktur pengecer pakaian
mungkin menggunakan kode yang berbeda untuk mewakili nilai atribut. Satu
sistem mungkin mewakili ukuran pakaian sebagai“ekstra besar, ” sedangkan
sistem lain mungkin menggunakan kode“XL” untuk tujuan yang sama. Selama
proses desain untuk database gudang, data yang menjelaskan entitas, seperti
pelanggan, produk, atau pesanan, harus diberi nama dan didefinisikan secara
konsisten untuk semua area bisnis yang menggunakan database.
Pikirkan semua waktu Anda 'telah menerima beberapa iklan surat langsung yang
sama pada hari yang sama. Ini sangat mungkin hasil dari memiliki nama Anda
dipertahankan beberapa kali dalam database. Nama Anda mungkin salah eja
atau Anda menggunakan inisial tengah Anda pada satu kesempatan dan tidak
pada kesempatan lain atau informasi awalnya dimasukkan ke dalam formulir
kertas dan tidak dipindai dengan benar ke dalam sistem. Karena inkonsistensi ini,
database akan memperlakukan Anda sebagai orang yang berbeda! Kami sering
menerima surat berlebihan yang ditujukan ke Laudon, Lavdon, Lauden, atau
Landon.
Jika database dirancang dengan benar dan standar data seluruh perusahaan
ditetapkan, elemen data duplikat atau tidak konsisten harus minimal. Namun,
sebagian besar masalah kualitas data, seperti nama yang salah eja, nomor yang
dialihkan, atau kode yang salah atau hilang, berasal dari kesalahan selama input
data. Insiden kesalahan tersebut meningkat ketika perusahaan memindahkan
bisnis mereka ke Web dan memungkinkan pelanggan dan pemasok
memasukkan data ke situs Web mereka yang secara langsung memperbarui
sistem internal.
Sebelum database baru ada, organisasi perlu mengidentifikasi dan memperbaiki
data yang salah dan menetapkan rutinitas yang lebih baik untuk mengedit data
setelah database mereka beroperasi. Analisis kualitas data seringkali diawali
dengan audit kualitas data , yang merupakan survei terstruktur terhadap
keakuratan dan tingkat kelengkapan data dalam suatu sistem informasi. Audit
kualitas data dapat dilakukan dengan mensurvei seluruh file data, mensurvei
sampel dari file data, atau mensurvei pengguna akhir untuk persepsi mereka
tentang kualitas data.
Pembersihan data, juga dikenal sebagai penggosokan data , terdiri dari aktivitas
untuk mendeteksi dan mengoreksi data dalam database yang tidak benar, tidak

lengkap, tidak diformat dengan benar, atau berlebihan. Pembersihan data tidak
hanya mengoreksi kesalahan tetapi juga menegakkan konsistensi di antara
kumpulan data berbeda yang berasal dari sistem informasi terpisah. Perangkat
lunak pembersihan data khusus tersedia untuk secara otomatis mensurvei file
data, memperbaiki kesalahan dalam data, dan mengintegrasikan data dalam
format seluruh perusahaan yang konsisten.
Masalah kualitas data bukan hanya masalah bisnis. Mereka juga menimbulkan
masalah serius bagi individu, mempengaruhi kondisi keuangan mereka dan
bahkan pekerjaan mereka. Misalnya, tidak akurat atau usang data tentang
konsumen 'sejarah kredit yang dikelola oleh biro kredit dapat mencegah individu
yang layak mendapat kredit untuk mendapatkan pinjaman atau menurunkan
peluang mereka untuk menemukan atau mempertahankan pekerjaan.

Daftar Pustaka
Laudon-laudon Management Information Systems: Managing the Digital Firm

Pearson Education, Edisi 13, Salemba Empat, 2015.
McLeod, Jr., Raymond & George P. Schell. Management Information System.
(terjemahan), Jakarta: PT. INDEKS, 2007. Edisi kesembilan.
Pengantar Sistem Informasi, James A. O’Brien, Edisi 12, Penerbit Salemba
Empat, 2005
.

Modul-6-SIM-Dasar-dasar Kecerdasan Bisnis-Basis Data Dan Manajemen Informasi

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

Modul-6-SIM-Dasar-dasar Kecerdasan Bisnis-Basis Data Dan Manajemen Informasi

Diunggah oleh

Hak Cipta:

Format Tersedia

1

Mengorganisasikan data dalam menjelaskan dasar-dasar intelijen

Fakultas Program Studi Tatap Muka Disusun Oleh

Sofyan Halim, SE, M.Ak, Ak, CA, ACPA

Ekonomi dan Bisnis S 1 - Akuntansi

Mengatur Data dalam Lingkungan File Tradisional

Sistem informasi yang n efektif memberikan informasi yang akurat, tepat waktu,

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

MASALAH DENGAN FILE TRADISIONAL LINGKUNGAN

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

SISTEM MANAJEMEN DATABASE

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

mereka sendiri. Akses dan ketersediaan informasi akan ditingkatkan dan biaya

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

GAMBAR 6.7 CONTOH QUERY SQL

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

GAMBAR 6.9 HUBUNGAN YANG TIDAK DINORMALKAN UNTUK PESANAN

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

GAMBAR 6.12 KOMPONEN DATA WAREHOUSE

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

• Asosiasi adalah kejadian yang terkait dengan satu peristiwa. Misalnya, studi

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

• Meskipun aplikasi ini melibatkan prediksi, peramalan menggunakan prediksi

s Entertainment, adalah perusahaan game terbesar di dunia. Itu terus-

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Laudon-laudon Management Information Systems: Managing the Digital Firm

Sofyan Halim, SE, M.Ak,Ak,CA,ACPA

Anda mungkin juga menyukai