MODUL

DATA WAREHOUSE
&
BUSINESS INTELLIGENCE

Disusun oleh :

Sukmawati Anggraeni Putri Mkom.

Indah Purnamasari ST, MKom

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER

NUSA MANDIRI
JAKARTA
2019
 MODUL DATA WAREHOUSE & BUSINESS INTELLIGENCE

KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Allah SWT, yang telah memberikan
rahmat dan hidayahnya sehingga modul Jaringan Komputer ini dapat terselesaikan dengan
baik. Selanjutnya modul ini disusun untuk memberikan gambaran bagi mahasiswa yang
mempelajari mata kuliah Data warehouse & Business Intelligence dengan software Rapid
Miner.
Tak lupa penulis mengucapkan banyak terima kasih kepada semua pihak yang
telah membantu dengan tenaga dan pikirannya, terima kasih juga kepada rekan–rekan
instruktur, dosen dan semuanya yang tidak bisa disebutkan satu persatu, yang selalu
mendukung penulis sehingga modul ini sehingga dapat selesai sesuai yang kita
inginkan semua.
Penulis menyadari masih banyak kekurangan dalam penyusunan modul ini.
Untuk itu saran dan kritik yang membangun sangat penulis harapkan guna perbaikan
dan pengembangan modul ini ke depan.
Akhir kata penulis berharap semoga modul Jaringan Komputer ini dapat
dipergunakan sebaik-baiknya dan dapat dijadikan referensi untuk mahasiswa umum yang
ingin mempelajari mata kuliah Data warehouse & Business Intelligence dengan software
Rapid Miner.

Jakarta, Juli 2019

Penulis

2
 MODUL DATA WAREHOUSE & BUSINESS INTELLIGENCE

DAFTAR ISI

Cover........................................................................................................................................1
Kata Pengantar.........................................................................................................................2
Daftar Isi...................................................................................................................................3
BAB 1 Business Intelligence...................................................................................................4
BAB 2 Data Warehousing.......................................................................................................8
BAB 3 Business Performance Management..........................................................................18
BAB 4 Business Performance Management Methodologies.................................................23
BAB 5 Pengantar Data Mining...............................................................................................28
BAB 6 Metode Learning Algoritma Data Mining.................................................................32
BAB 7 Study Kasus.................................................................................................................40
BAB 8 Pembuatan Laporan dan Presentasi.............................................................................46
Daftar Pustaka.........................................................................................................................47

3
 BAB 1
Business Intelligence

1. Definisi
BI adalah istilah umum yang menggabungkan arsitektur, alat, basis data, alat analisis,
aplikasi, dan metodologi. Seperti DSS, BI ekspresi bebas konten, berarti itu hal yang
berbeda untuk orang yang berbeda.
Tujuan utama BI adalah untuk memungkinkan akses mudah ke data (dan model) untuk
memberikan manajer bisnis dengan kemampuan untuk melakukan analisis.
BI membantu mengubah data, menjadi informasi (dan pengetahuan), menjadi keputusan
dan akhirnya bertindak

Sejarah BI
Istilah BI diciptakan oleh Gartner Group pada pertengahan 1990-an
Namun, konsepnya jauh lebih tua
1970-an - Pelaporan MIS - laporan statis / berkala
1980-an - Sistem Informasi Eksekutif (EIS)
1990-an - OLAP, dinamis, multidimensi, pelaporan ad-hoc -> penggabungan istilah "BI"
2005+ Inklusi kemampuan Penambangan AI dan Data / Teks; Portal / Dashboard berbasis
web
2010-an - belum terlihat

Evolusi Kemampuan BI

Arsitektur BI
Sistem BI memiliki empat komponen utama :
-Data warehouse, dengan data sumbernya
-Bussiness Analitycs, kumpulan alat untuk memanipulasi, menambang, dan menganalisis
data di gudang data;
-Bussiness Performance Management (BPM) untuk memantau dan menganalisis kinerja
-User interface(mis., dashboard)

4
 Arsitektur BI

Komponen Arsitektur BI
Data warehouse adalah gudang besar data historis yang terorganisir dengan baik
Bussiness Analitycs adalah alat yang memungkinkan transformasi data menjadi informasi
dan pengetahuan
Bussiness Performance Management (BPM) memungkinkan pemantauan, pengukuran,
dan membandingkan indikator kinerja utama
User interface (mis., Dashboard) memungkinkan akses dan manipulasi komponen BI
lainnya dengan mudah

Model BI
Data warehouse adalah gudang besar data historis yang terorganisir dengan baik
Bussiness Analitycs adalah alat yang memungkinkan transformasi data menjadi informasi
dan pengetahuan
Bussiness Performance Management (BPM) memungkinkan pemantauan, pengukuran,
dan membandingkan indikator kinerja utama
User interface (mis., Dashboard) memungkinkan akses dan manipulasi komponen BI
lainnya dengan mudah

Keunggulan BI
Kemampuan untuk memberikan informasi yang akurat ketika dibutuhkan, termasuk
pandangan waktu nyata dari kinerja perusahaan dan bagian-bagiannya
Sebuah survei oleh Thompson (2004)
-Pelaporan lebih cepat, lebih akurat (81%)
-Pengambilan keputusan yang lebih baik (78%)
-Peningkatan layanan pelanggan (56%)
-Peningkatan pendapatan (49%)

Hubungan DSS dengan BI

Pertama, arsitektur mereka sangat mirip karena BI berevolusi dari DSS
Kedua, DSS secara langsung mendukung pengambilan keputusan spesifik, sementara BI
memberikan informasi yang akurat dan tepat waktu, dan secara tidak langsung
mendukung pengambilan keputusan
Ketiga, BI memiliki orientasi eksekutif dan strategi, terutama dalam BPM dan komponen
dasbornya, sedangkan DSS, sebaliknya, berorientasi pada analis
Keempat, sebagian besar sistem BI dibangun dengan alat dan komponen yang tersedia
5
 secara komersial, sementara DSS sering dibangun dari awal
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
Keenam, banyak alat yang digunakan BI juga dianggap sebagai alat DSS (mis., Data
mining dan analisis prediktif adalah alat utama di keduanya)
Meskipun beberapa orang menyamakan DSS dengan BI, sistem ini, pada saat ini, tidak
sama
Beberapa orang percaya bahwa DSS adalah bagian dari BI — salah satu alat analitisnya
yang lain berpikir bahwa BI adalah kasus khusus DSS yang sebagian besar berkaitan
dengan pelaporan, komunikasi, dan kolaborasi (suatu bentuk DSS yang berorientasi data)
BI adalah hasil dari revolusi berkelanjutan dan, dengan demikian, DSS adalah salah satu
elemen asli BI
Dalam buku ini, kami memisahkan DSS dari BI
MSS = BI dan / atau DSS

Tampilan Sistem Kerja Decision Support (Alter, 2004)

Jatuhkan kata “Systems" dari DSS fokus pada “Decision Support"
“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”

Elemen Sistem Kerja

Proses bisnis. Variasi dalam proses rasional, urutan langkah-langkah, atau metode yang
digunakan untuk melakukan langkah-langkah tertentu
Peserta Pelatihan yang lebih baik, keterampilan yang lebih baik, tingkat komitmen yang
lebih tinggi, atau umpan balik waktu-nyata yang lebih baik atau tertunda
Informasi. Kualitas informasi yang lebih baik, ketersediaan informasi, atau penyajian
informasi
Teknologi. Penyimpanan dan pengambilan data yang lebih baik, model, algoritma,
kemampuan statistik atau grafis, atau interaksi komputer
Produk dan layanan. Cara yang lebih baik untuk mengevaluasi keputusan potensial
Pelanggan Cara yang lebih baik untuk melibatkan pelanggan dalam proses pengambilan
keputusan dan untuk mendapatkan kejelasan yang lebih besar tentang kebutuhan mereka
Infrastruktur. Penggunaan infrastruktur bersama yang lebih efektif, yang mungkin
mengarah pada peningkatan
Lingkungan Hidup. Metode yang lebih baik untuk memasukkan masalah dari lingkungan
sekitarnya
Strategi. Strategi operasional yang berbeda secara fundamental untuk sistem kerja

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

Kategori Alat Utama untuk MSS

6
 Sistem Pendukung Hibrida Terintegrasi
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
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. Oleh karena itu tren
menuju pengembangan Support Systems hybrid (terintegrasi)
Jenis integrasi
Gunakan setiap alat secara independen untuk menyelesaikan berbagai aspek masalah
Gunakan beberapa alat yang terintegrasi secara longgar. Ini terutama melibatkan transfer
data dari satu alat ke alat lain untuk diproses lebih lanjut
Gunakan beberapa alat yang terintegrasi erat. Dari sudut pandang pengguna, alat ini
muncul sebagai sistem terpadu
Selain melakukan tugas yang berbeda dalam proses penyelesaian masalah, alat dapat saling
mendukung

7
 BAB 2
Data Warehousing

1. Definisi
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
Repositori fisik di mana data relasional diorganisasikan secara khusus untuk
menyediakan data yang dibersihkan perusahaan dalam format standar

2. Karakteristik DW
 Berorientasi pada subjek
 Terintegrasi
 Time-variant (time series)
 Nonvolatile
 Diringkas
 Tidak dinormalisasi
 Metadata
 Berbasis web, relational/multi-dimensi
 Client/server
 Real-time dan/atau right-time (aktif)

3. Data warehousing Environment

• Operational data stores (ODS)
Suatu tipe database sering digunakan sebagai area sementara untuk suatu data warehouse
• Operational Data Marts
Mart data operasional.
• Enterprise data warehouse (EDW)
Data warehouse untuk perusahaan.
• Metadata
Suatu data tentang data. Dalam data warehouse, metadata mendeskripsikan konten datawarehouse dan
cara akuisisi dan penggunaannya

Data Mart
Departmen data warehouse yang hanya menyimpan data yang relevan

Dependent data mart

Subset yang dibuat langsung dari data warehouse
Independent data mart
Data warehouse kecil yang dirancang untuk unit bisnis strategis atau departemen

8
 Kerangka Konseptual DW

4. Arsitektur Umum DW
Arsitektur Tiga Tingkat (Three-tier architecture)
Perangkat lunak akuisisi data (back-end)
Data warehouse yang berisi data & perangkat lunak
Software Client (front-end) yang memungkinkan pengguna untuk mengakses dan menganalisis data
warehouse

Tier 1: Client workstation Tier 2: Application server Tier 3: Database server

Arsitektur Dua Tingkat (Two-tier architecture)

2 tingkatan pertama dalam arsitektur tiga tingkat digabungkan menjadi satu

Tier 1: Client workstation Tier 2:

Application & database server

9
 Pertimbangan Arsitektur DW
Masalah yang perlu dipertimbangkan ketika memutuskan arsitektur mana yang akan digunakan:
Database Management System (DBMS) yang mana yang harus dipakai?
Apakah akan menggunakan proses parallel dan/atau partisi?
Apakah alat migrasi data akan digunakan untuk memuat data warehouse?
Alat apa yang akan digunakan untuk mendukung pengambilan dan analisis data?

Arsitektur DW berbasis Web

Web pages
Application Server

Client (Web browser) Web Server

Internet/ Intranet/ Extranet

Data warehouse

Arsitektur Alternatif DW

10
 Arsitektur Mana yang terbaik ??
• Bill Inmon Vs. Ralph Kimball
• Enterprise DW Vs. Data Marts approach

Empirical study by Ariyachandra and Watson (2006)

11
Sepuluh faktor yang berpotensi mempengaruhi keputusan pemilihan arsitektur:
1. Saling ketergantungan informasi antar unit organisasi
2. Kebutuhan informasi manajemen tingkat atas
3. Urgensi kebutuhan akan data warehouse
4. Sifat tugas end-user
5. Kendala pada sumber daya
6. Pandangan strategis dari data warehouse sebelum implementasi
7. Kompatibilitas dengan sistem yang ada
8. Kemampuan yang dirasakan dari staf TI in-house
9. Masalah teknis
10. Faktor Sosial/politik

Enterprise Data Warehouse (by Teradata Corporation)

5. Extraction, Transformation, and Load (ETL) Process

Integrasi Data (Data integration)
Integrasi yang terdiri dari tiga proses utama: akses data, federasi data, dan perubahan tangkapan.
Enterprise application integration (EAI)
Sebuah teknologi yang menyediakan kendaraan untuk mendorong data dari sumber sistem ke dalam
data warehouse
Enterprise information integration (EII)
evolving tool space yang menjanjikan integrasi data real-time dari berbagai sumber
Service-oriented architecture (SOA)
Cara baru untuk mengintegrasikan sistem informasi

12
 Packaged application Transient data source

Data warehouse

Legacy system
Extract Transform Cleanse Load

Data mart
Other internal applications

• Masalah yang mempengaruhi pembelian alat ETL

– Alat transformasi data mahal
– Alat transformasi data mungkin memiliki kurva belajar yang panjang

• 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

6. Manfaat DW
 Mengizinkan tampilan konsolidasi data perusahaan
 Informasi yang lebih baik dan lebih tepat waktu
 Peningkatan kinerja sistem
 Penyederhanaan akses data

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

7. Pengembangan DW
Pendekatan pengembangan data warehouse
a. Model Inmon : Pendekatan EDW (top-down)
b. Model Kimball : Pendekatan Data mart (bottom-up)
c. Model mana yang terbaik?
There is no one-size-fits-all strategy to DW
d. Salah satu alternative ada pada hosted warehouse
e. Struktur Data warehouse:
The Star Schema vs. Relational
f. Real-time pada datawarehouse?

DW Development Approaches

13
 DW Structure : Star Schema

Start Schema Example for an

Automobile Insurance Data Warehouse

Driver Automotive

Facts:
Dimensions: Claim Information Central table that contains (usually summarized) information; also contains foreign keys t
How data will be sliced/ diced (e.g., by location, time period, type of automobile or driver)

Location Time

Pemodelan Dimensi

14
 Kubus Data
Objek dua dimensi, tiga dimensi, atau lebih tinggi di mana setiap dimensi data mewakili ukuran yang
menarik
- Grain
- Drill-down
- Slicing

8. Praktik Terbaik Untuk Implementasi DW

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

9. Resiko Implementasi Dw
 Tidak ada misi atau tujuan
 Kualitas data sumber tidak diketahui
 Keterampilan tidak pada tempatnya
 Anggaran tidak memadai
 Kurangnya perangkat lunak pendukung
 Sumber data tidak dipahami
 Sponsor yang lemah
 Pengguna tidak melek komputer
 Masalah politik atau perang wilayah
 Ekspektasi pengguna yang tidak realistis

15
10. Hal yang harus dihindari untuk keberhasilan DW
 Dimulai dengan rantai sponsor yang salah
 Menetapkan harapan yang tidak dapat Anda penuhi
 Terlibat dalam perilaku naif secara politis
 Memuat warehouse dengan informasi hanya karena ketersediaan
 mempercayai bahwa desain database data warehouse sama dengan desain DB transaksional
 Memilih manajer data warehouse yang berorientasi teknologi daripada berorientasi pengguna

11. Real Time DW

 Memungkinkan pembaruan data real-time untuk analisis real-time dan pengambilan keputusan secara
real-time pula sedang berkembang sangat pesat
o Push vs. Pull (of data)
 Memperhatikan real-time BI
a. Tidak semua data harus diperbarui terus menerus
b. Ketidakcocokan laporan menghasilkan laporan yg terpisah
c. Mungkin mahal biaya
d. Mungkin juga tidak layak

Active Data Warehousing (by Teradata Corporation)

12. Evolution DW

16
 13. Comparing Traditional and Active DW

14. DW Administration, Scalability dan Security

 Karena ukurannya yang besar dan sifatnya yang intrinsik, DW membutuhkan pemantauan yang kuat
untuk menjaga efisiensi, produktivitas, dan keamanannya.
 Administrasi dan manajemen datawarehouse yang berhasil memerlukan keterampilan dan kemahiran
yang melampaui apa yang diperlukan oleh administrator basis data tradisional.
a. Membutuhkan keahlian dalam perangkat lunak yang tinggi, perangkat keras, dan teknologi
jaringan berkinerja tinggi
 Scalability
o Masalah utama yang berkaitan dengan skalabilitas:
 Jumlah data di warehouse
 Seberapa cepat warehouse diharapkan tumbuh
 Jumlah pengguna bersamaan
 Kompleksitas kueri pengguna
o Skalabilitas yang baik berarti bahwa kueri dan fungsi akses data lainnya akan tumbuh secara
linear dengan ukuran warehouse
 Security
 Penekanan pada keamanan dan privasi

17
 BAB 3
Business Performance Management

1. Definisi
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 Overview
• 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 dan BI
BPM adalah hasil dari BI dan menggabungkan banyak teknologi, aplikasi, dan tekniknya
• 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
• BPM = BI + Planning (solusi terpadu)

3. Proses Closed-Loop untuk Mengoptimalkan Kinerja Bisnis

-Strategize
-Plan
-Monitor/analyze
-Act/adjust

18
 Strategi
Perencanaan Strategis (Strategic planning)
Tugas umum untuk proses perencanaan strategis:
 Lakukan analisis situasi saat ini
 Tentukan cakrawala perencanaan
 Lakukan pemindaian lingkungan
 Identifikasi faktor penentu keberhasilan
 Lengkapi analisis kesenjangan
 Buat visi strategis
 Kembangkan strategi bisnis
 Identifikasi sasaran dan sasaran strategis

• Strategic objective
Pernyataan umum atau tindakan umum yang menentukan arah yang ditargetkan untuk
suatu organisasi
• Strategic goal
Sasaran terukur dengan periode waktu yang ditentukan
• Strategic vision
Gambaran atau gambaran mental tentang bagaimana seharusnya organisasi di masa depan
• Critical success factors (CSF)
Faktor-faktor kunci yang menggambarkan hal-hal yang harus dimiliki oleh suatu
organisasi untuk menjadi sukses
• Kesenjangan strategi
– Empat sumber untuk kesenjangan antara strategi dan eksekusi:
1. Komunikasi (enterprise-wide)
2. Penyelarasan penghargaan dan insentif
3. Fokus (berkonsentrasi pada elemen inti)
4. Sumber daya

Plan
Perencanaan Operasional
a. 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)
Perencanaan Operasional dapat :
 Tactic-centric (focus operational)
 Rencana yang terfokus pada anggaran (berfokus pada keuangan)
Perencanaan dan penganggaran keuangan
b. Tujuan strategis dan metrik utama organisasi harus berfungsi sebagai pendorong top-
down untuk alokasi aset berwujud dan tidak berwujud organisasi
c. Alokasi sumber daya harus diselaraskan dengan hati-hati dengan tujuan dan taktik
strategis organisasi untuk mencapai keberhasilan strategis

Monitor
• 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

19
• 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.
• 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
–

Act and Adjust

• 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.
• 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% …

20
Harrah’s Closed-Loop Marketing Model

• 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 ...

4. Sistem Pengukuran Kinerja (KPI)

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
–
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
Area operasional dicakup oleh KPI driver
o Kinerja pelanggan
o Kinerja layanan
o Operasi penjualan
o Rencana penjualan/forecast

5. Performance Measurement
Masalah dengan sistem pengukuran kinerja yang ada
a. Sistem yang paling populer digunakan adalah beberapa varian balanced scorecard
(BSC)

21
 50-90% dari semua perusahaan menerapkan BSC
b. 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)

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 ...
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

22
 BAB 4
Business Performance Management Methodologies

1. BPM Methodologies
Sistem pengukuran kinerja yang efektif harus membantu:
a. Menyelaraskan tujuan strategis tingkat atas dan inisiatif tingkat bawah
b. Identifikasi peluang dan masalah secara tepat waktu
c. Tentukan prioritas dan alokasikan sumber daya yang sesuai
d. Ubah pengukuran saat proses dan strategi yang mendasarinya berubah
e. Menggambarkan tanggung jawab, memahami kinerja aktual relatif terhadap
tanggung jawab, dan menghargai serta mengakui prestasi
f. Ambil tindakan untuk meningkatkan proses dan prosedur ketika data
mengharuskannya
g. Merencanakan dan memperkirakan secara lebih andal dan tepat waktu

2. 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,

Arti “balance” (keseimbangan)

– BSC dirancang untuk mengatasi keterbatasan sistem yang berfokus secara finansial
– Tujuan non finansial terbagi dalam salah satu dari tiga perspektif:
1. Pelanggan (Customer)
2. Proses bisnis internal (Internal business process)
3. Pembelajaran & Pertumbuhan (Learning and growth)

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

Menyelaraskan strategi dan tindakan

Proses enam langkah
1. Mengembangkan dan merumuskan strategi
2. Merencanakan strategi

23
 3. Menyelaraskan organisasi
4. Merencanakan operasi
5. Pemantauan dan pembelajaran
6. Menguji dan mengadaptasi strategi

Peta Strategi
Tampilan visual yang menggambarkan hubungan antara tujuan organisasi utama untuk
keempat perspektif BSC

3. 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

24
 – 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

4. 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

5. Aplikasi BPM
 Manajemen strategi
 Penganggaran, perencanaan, dan perkiraan
 Konsolidasi keuangan
 Pemodelan dan optimasi profitabilitas
 Pelaporan keuangan, perundang-undangan, dan manajemen

25
 

Penjual / Vendor Aplikasi BPM Terkemuka

– Manajemen Kinerja SAP Business Objects Enterprise
– Manajemen Kinerja Oracle Hyperion
– IBM Cognos BI danmanajemen Kinerja Keuangan
– Microstrategy
– Microsoft…

6. Dashboard
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

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 ...)

26
 Tiga jenis kinerja dashboards:
Operational dashboards
Tactical dashboards
Strategic dashboards

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"

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

27
 BAB 5
Pengantar Data Mining

1. Definisi
Disiplin ilmu yang mempelajari metode untuk mengekstrak pengetahuan atau
menemukan pola dari suatu data yang besar
Ekstraksi dari data ke pengetahuan:
Data: fakta yang terekam dan tidak membawa arti
Pengetahuan: pola, rumus, aturan atau model yang muncul dari data

• 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)

Nama lain data mining:

 Knowledge Discovery in Database (KDD)
 Knowledge extraction
 Pattern analysis
 Information harvesting
 Business intelligence
 Big data

Metode Data Mining

Himpunan Data Pengetahuan

2. Contoh Data

Puluhan ribu data mahasiswa di kampus yang diambil dari sistem informasi akademik
Apakah pernah kita ubah menjadi pengetahuan yang lebih bermanfaat? TIDAK!

28
Seperti apa pengetahuan itu? Rumus, Pola, Aturan

Data Mining Tasks and Rules

3. Hubungan Data mining dan Bidang lain

Computing
Statistics
Algorithms

Machine Database
Learning Technology

Pattern Data High

Performance Computing
Recognition
Mining

4. Masalah data mining

1.Jumlah data yang luar biasa
Algoritma harus sangat skalabel untuk ditangani seperti tera-byte data
2. Dimensi data yang tinggi
Micro-array mungkin memiliki puluhan ribu dimensi
3. Kompleksitas data yang tinggi
Data stream dan data sensor
Data deret waktu, data temporal, data urutan
Struktur data, grafik, jejaring sosial dan data multi-link
Database heterogen dan basis data warisan
Data spasial, spasial, multimedia, teks dan Web
Program perangkat lunak, simulasi ilmiah
Aplikasi baru dan canggih

29
 5. Tipe Data

6. Dataset

30
 7. Peran Utama Data Mining

1. Estimasi

5. Asosiasi 2. Forecasting

4. Klastering 3. Klasifikasi

8. Clustering Waktu pengiriman, Bunga Iris, Jenis Pelanggan

9. Prediction/ Forecasting Harga saham

31
 10. Klasifikasi Kelulusan Mahasiswa

11. Asosiasi Pembelian Barang

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:
200 orang membeli Sabun Mandi
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

32
33
 BAB 6
Metode Learning Algoritma Data Mining

1. Definisi
Machine learning (ML) adalah keluarga teknologi kecerdasan buatan yang terutama
berkaitan dengan desain dan pengembangan algoritma yang memungkinkan komputer
untuk "belajar" dari data historis
a. ML adalah proses dimana komputer belajar dari pengalaman
b. Ini berbeda dari perolehan pengetahuan di ES: bukannya mengandalkan para ahli
(dan kemauan mereka) ML bergantung pada fakta sejarah
c. 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 :
d. Induksi
e. Deduksi
f. Analogi
g. Prosedur khusus lainnya yang terkait dengan mengamati dan / atau menganalisis
contoh
Machine Learning versus Human Learning
h. Beberapa perilaku ML dapat menantang kinerja pakar manusia (mis., Bermain
catur)
i. Meskipun ML kadang-kadang sesuai dengan kemampuan belajar manusia, ia tidak
dapat belajar sebaik manusia atau dengan cara yang sama seperti yang dilakukan
manusia
j. Tidak ada klaim bahwa pembelajaran mesin dapat diterapkan dengan cara yang
benar-benar kreatif
k. Sistem ML tidak berlabuh dalam teori formal apa pun (mengapa mereka berhasil
atau gagal tidak jelas)
l. Keberhasilan ML sering dikaitkan dengan manipulasi simbol (bukan hanya
informasi numerik)

34
2. Metode
Machine Learning

Supervised Learning Reinforcement Learning Unsupervised Learning

Classification Q-Learning Clustering / Segmentation

Decision Tree Adaptive Heuristic Critic (AHC), SOM (Neural Networks)
Neural Networks State-Action-Reward-State- Action (SARSA) Adaptive Resonance Theory
Support Vector Machines Genetic Algorithms Expectation Maximization
Case-based Reasoning Gradient Descent K-Means
Rough Sets
Genetic Algorithms
Discriminant Analysis
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. 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 predictor

35
4. 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

5. Semi supervised 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

36
 Proses Data Mining

6. 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

7. 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 :
1. Kelas
2. Predictor
3. Training Dataset
4. Testing Dataset

Algoritma Decision Tree

- Siapkan data training
- Pilih atribut sebagai akar

-
- Buat cabang untuk tiap-tiap nilai
- Ulangi proses untuk setiap cabang sampai semua kasus pada cabang memiliki
37
 kelas yg sama

Algoritma NeuralNework
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

8. Analisis Clustering
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

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)

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)

9. Analisi 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?

38
 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.

39
 BAB 7
Studi Kasus

1. Himpunan Dataset
Atribut adalah faktor atau parameter yang menyebabkan class/label/target terjadi
Jenis dataset ada dua: Private dan Public
Private Dataset: data set dapat diambil dari organisasi yang kita jadikan obyek penelitian
Bank, Rumah Sakit, Industri, Pabrik, Perusahaan Jasa, etc
Public Dataset: data set dapat diambil dari repositori pubik yang disepakati oleh para peneliti
data mining
UCI Repository (http://www.ics.uci.edu/~mlearn/MLRepository.html)
ACM KDD Cup (http://www.sigkdd.org/kddcup/)
PredictionIO (http://docs.prediction.io/datacollection/sample/)
Data.go.id
Trend penelitian data mining saat ini adalah menguji metode yang dikembangkan oleh peneliti
dengan public dataset, sehingga penelitian dapat bersifat: comparable, repeatable dan verifiable

2. Public Dataset (UCI Repository)

3. Metode Data Mining
Estimation (Estimasi):
Linear Regression, Neural Network, Support Vector Machine, Deep Learning, etc
Prediction/Forecasting (Prediksi/Peramalan):
Linear Regression, Neural Network, Support Vector Machine, Deep Learning, etc
Classification (Klasifikasi):
Decision Tree (CART, ID3, C4.5, Credal DT, Credal C4.5, DynamicCC4.5), Naive Bayes, K-
Nearest Neighbor, 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

4. Evaluasi (Akurasi, Error etc)

Akurasi
Ukuran dari seberapa baik model mengkorelasikan antara hasil dengan atribut dalam data yang
telah disediakan
Terdapat berbagai model akurasi, tetapi semua model akurasi tergantung pada data yang
digunakan
Kehandalan
Ukuran di mana model data mining diterapkan pada dataset yang berbeda
Model data mining dapat diandalkan jika menghasilkan pola umum yang sama terlepas dari data
testing yang disediakan
Kegunaan
Mencakup berbagai metrik yang mengukur apakah model tersebut memberikan informasi yang
berguna

Estimation:
Error: Root Mean Square Error (RMSE), MSE, MAPE, etc
Prediction/Forecasting (Prediksi/Peramalan):
Error: Root Mean Square Error (RMSE) , MSE, MAPE, etc
Classification:
Confusion Matrix: Accuracy

40
 ROC Curve: Area Under Curve (AUC)
Clustering:
Internal Evaluation: Davies–Bouldin index, Dunn index,
External Evaluation: Rand measure, F-measure, Jaccard index, Fowlkes–Mallows index, Confusion matrix
Association:
Lift Charts: Lift Ratio
Precision and Recall (F-measure)

5. Instalasi Rapid Miner

-Fitur Rapid Miner
machine learning termasuk: ETL (extraction, transformation, loading), data preprocessing, visualisasi,
modelling dan evaluasi
Proses data mining tersusun atas operator-operator yang nestable, dideskripsikan dengan XML, dan dibuat
dengan GUI
Mengintegrasikan proyek data mining Weka dan statistika R
-Atribut Rapid Miner
Atribut: karakteristik atau fitur dari data yang menggambarkan sebuah proses atau situasi
ID, atribut biasa
Atribut target: atribut yang menjadi tujuan untuk diisi oleh proses data mining
Label, cluster, weight
-Tipe nilai atribut
nominal: nilai secara kategori
binominal: nominal dua nilai
polynominal: nominal lebih dari dua nilai
numeric: nilai numerik secara umum
integer: bilangan bulat
real: bilangan nyata
text: teks bebas tanpa struktur
date_time: tanggal dan waktu
date: hanya tanggal
time: hanya waktu
-Perspektif dan View
Perspektif Selamat Datang (Welcome perspective)
Perspektif Desain (Design perspective)
Perspektif Hasil (Result perspective)

View Operator
• Process Control
Untuk mengontrol aliran proses, seperti loop atau conditional branch
• Utility
Untuk mengelompokkan subprocess, juga macro dan logger
• Repository Access
Untuk membaca dan menulis repositori
• Import
Untuk membaca data dari berbagai format eksternal
• Export
Untuk menulis data ke berbagai format eksternal
• Data Transformation
Untuk transformasi data dan metadata
• Modelling
Untuk proses data mining yang sesungguhnya seperti klasifikasi, regresi, clustering, aturan asosiasi dll
• Evaluation

41
Untuk menghitung kualitas dan perfomansi dari model

View Proses dan Parameter

View help and comment

View Problem and Log

42
-Operator dan proses
Proses data mining pada dasarnya adalah proses analisa yang berisi alur kerja dari komponen
data mining
Komponen dari proses ini disebut operator, yang didefinisikan dengan:
Deskripsi input
Deskripsi output
Aksi yang dilakukan
Parameter yang diperlukan

Sebuah operator bisa disambungkan melalui port masukan (kiri) dan port keluaran (kanan)
Indikator status dari operator:
– Lampu status: merah (tak tersambung), kuning (lengkap tetapi belum dijalankan), hijau (sudah
behasil dijalankan)
– Segitiga warning: bila ada pesan status
– Breakpoint: bila ada breakpoint sebelum/sesudahnya
– Comment: bila ada komentar
– Subprocess: bila mempunyai subprocess

Melihat Hasil

43
6. Studi Kasus
-Penentuan Bunga Iris
Lakukan training pada data Bunga Iris (ambil dari repositories rapidminer) dengan
menggunakan algoritma decision tree
Tampilkan himpunan data (dataset) dan pengetahuan (model tree) yang terbentuk
Tampilkan grafik dari cluster yang terbentuk

-Asosiasi Data Transaksi

Lakukan training pada data transaksi (transaksi.xlsx)
Pilih metode yang tepat supaya menghasilkan pola

-Klasifikasi Breast Cancer

Lakukan training pada data breast cancer
(https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Coimbra)
Gunakan operator Split Data untuk memecah data secara otomatis menjadi dua dengan
perbandingan 0.9:0.1, di mana 0.9 untuk training dan 0.1 untuk testing
Pilih metode yang tepat supaya menghasilkan pola yang bisa menguji data testing 10%

-Forecasting Harga Saham

Lakukan training pada data Harga Saham (hargasaham-training.xls) dengan menggunakan
algoritma yang tepat
Tampilkan himpunan data (dataset) dan pengetahuan (model regresi) yang terbentuk
Lakukan pengujian terhadap data baru (hargasaham-testing.xls), untuk model yang dihasilkan
dari tahapan 1
Lakukan plot berupa grafik dari data yang terbentuk dengan menggunakan Scatter Multiple

44
45
 BAB 8
Pembuatan Laporan dan Presentasi

1. Gunakan data primer atau sekunder dari UCI Repository

2. Gunakan Rapid Miner
3. Lakukan training dengan menggunakan algoritma yang tepat
4. Tampilkan himpunan data (dataset) dan pengetahuan yang terbentuk
5. Lakukan pengujian terhadap data baru (hargasaham-testing.xls), untuk model yang
dihasilkan dari tahapan
6. Tampilkan grafik
7. Tampilkan hasil evaluasi
8. Presentasi

46
 DAFTAR PUSTAKA

Imhoff C, Galemmo N, Geiger JG. Mastering Data Warehouse Design. Indianapolis, Indiana: Wiley
Publishing; 2003.
Han J, Kamber M. Data Mining: Concepts and Techniques. Soft Computing. 2006. 800 p.
Paulraj Ponniah, Data warehousing fundamentals for IT Professionals 2nd Edition, Wiley.
2010.
Ralph Kimball dan Margy Ross, The Data Warehouse Toolkit: The Definitive Guide to
Dimensional Modeling,. Wiley. 2013.

47