DATA MART

DAN DATA MINING

BASIS DATA LANJUT

KELOMPOK :
• REFANDI SIMANJUNTAK 065120127
• M.IHSAN RAHMAN 065120147
 APA ITU DATA MART ?
Data Mart adalah subject-oriented database yang sering kali merupakan segmen yang dipartisi dari data
warehouse perusahaan. Subset data yang disimpan di Data Mart biasanya sejajar dengan unit bisnis
tertentu seperti penjualan, keuangan, atau pemasaran.
 CARA MERANCANG DATA MART ?
• Mendokumentasikan persyaratan penting untuk memahami
kebutuhan bisnis dan teknis Data Mart;
• Mengidentifikasi sumber data yang akan diandalkan oleh Data
Mart Anda untuk mendapatkan informasi;
• Menentukan subset data, apakah itu semua informasi tentang
topik atau bidang tertentu pada tingkat yang lebih terperinci;
• Merancang tata letak logis untuk data mart dengan memilih
skema yang berkorelasi dengan Data Warehouse yang lebih
besar.
 FUNGSI DATA MART ?
• meningkatkan waktu respons pengguna karena pengurangan volume data
• menyediakan akses mudah ke data yang sering diminta
• mudah diterapkan jika dibandingkan dengan Data warehouse perusahaan.
• Data Mart lebih fleksibel. Jika terjadi perubahan model, Data Mart dapat dibangun lebih cepat
karena ukurannya yang lebih kecil;
• Data dipartisi dan memungkinkan hak akses kontrol yang sangat terperinci;
• Data dapat disegmentasi dan disimpan pada platform hardware atau software yang berbeda.
 JENIS JENIS DATA MART ?
• Dependent Data Mart

• Independent Data Mart

• Hybrid Data Mart

 DEPENDENT DATA MART
Data Mart dependen memungkinkan sumber data organisasi dari Data Warehouse tunggal. Ini adalah salah
satu contoh Data Mart yang menawarkan manfaat sentralisasi. Jika Anda perlu mengembangkan satu atau
lebih Data Mart fisik, Anda perlu mengonfigurasinya sebagai data mart dependen.
 INDEPENDENT DATA MART
Data Mart independen dibuat tanpa menggunakan pusat Data Warehouse. Jenis Data Mart ini adalah
pilihan ideal untuk grup yang lebih kecil dalam suatu organisasi. Data Mart independen tidak memiliki
hubungan dengan Data Warehouse perusahaan maupun dengan Data Mart lainnya.
 HYBRID DATA MART
Data mart hybrid menggabungkan input dari sumber selain Data Warehouse. Ini dapat membantu Anda
saat menginginkan integrasi ad-hoc, seperti setelah grup atau produk baru ditambahkan ke organisasi
Anda.
 TAHAP PEMBUATAN DATA MART
• Design

• Constructing

• Populating

• Accessing

• Managing
 STRUKTUR DATA MART
• Curent Detail data

• Older Detail Data

• Lightly Summarize Data

• Highly Summarize Data

• Meta Data
 PERBEDAAN ANTARA DATA MART
DAN DATA WAREHOUSE
Data Warehouse adalah gudang informasi yang dikumpulkan dari berbagai organisasi atau departemen
dalam perusahaan. Data marts adalah subtipe dari Data Warehouse. Data marts adalah arsitektur untuk
memenuhi kebutuhan kelompok-kelompok dalam jumlah kecil. Data Marts juga hanya memegang satu
kumpulan data. Misalnya, data Keuangan atau Penjualan.
 CONTOH DATA MART
Sebagai contoh, sebuah organisasi layanan yang besar mungkin memperlakukan pusat operasi regional
sebagai unit usaha perorangan, masing-masing dengan data sendiri yang memberikan kontribusi untuk
gudang data master.

Contoh produk data mart yaitu :

• SmartMart (IBM)

• Visual Warehouse (IBM)

• PowerMart (Informatica)
 KESIMPULAN
Data warehouse merupakan suatu cara/metode dari suatu database yang berorientasi kepada subjek, non-
volatile, time-variance dan terintegrasi yang digunakan untuk mempermudah para pengambil keputusan
dalam memecahkan masalah. Keberadaan data warehouse sangat penting sebagai tools dari DSS, karena
data warehouse memang digunakan untuk itu. Dengan adanya data warehouse, diharapkan suatu
perusahaan dapat lebih unggul dari kompetitornya dan lebih jeli lagi dalam melihat peluang pasar.
DATA MINING
Data mining adalah suatu proses pengerukan atau pengumpulan informasi penting dari suatu data yang
besar. Proses data mining seringkali menggunakan metode statistika, matematika, hingga memanfaatkan
teknologi artificial intelligence. Nama alternatifnya yaitu Knowledge discovery (mining) in databases
(KDD), knowledge extraction, data/pattern analysis, data archeology, data dredging, information
harvesting, business intelligence, dan lain-lain. Jika dilihat dilihat pada gambar dalam proses KDD
tersebut, Banyak konsep dan teknik yang digunakan dalam proses data mining. Proses tersebut
membutuhkan beberapa langkah untuk mendapatkan sebuah data yang diinginkan. Dalam proses KDD
tersebut termasuk melakukan pembersihan data, integrasi data, seleksi data, transformasi, penambangan
data, evaluasi pola, dan presentasi pengetahuan.
 FUNGSI DATA MINING
1. Descriptive

Nama alternatifnya yaitu Knowledge discovery (mining) in databases (KDD), knowledge extraction,
data/pattern analysis, data archeology, data dredging, information harvesting, business intelligence, dan
lain-lain. Jika dilihat dilihat pada gambar dalam proses KDD tersebut, Banyak konsep dan teknik yang
digunakan dalam proses data mining. Proses tersebut membutuhkan beberapa langkah untuk mendapatkan
sebuah data yang diinginkan. Dalam proses KDD tersebut termasuk melakukan pembersihan data,
integrasi data, seleksi data, transformasi, penambangan data, evaluasi pola, dan presentasi pengetahuan.
 FUNGSI DATA MINING
2. Predictive
Fungsi prediksi merupakan sebuah fungsi bagaimana sebuah proses nantinya akan menemukan pola
tertentu dari suatu data. Pola-pola tersebut dapat diketahui dari berbagai variabel-variabel yang ada pada
data. Ketika sudah menemukan pola, Maka pola yang didapat tersebut bisa digunakan untuk memprediksi
variabel lain yang belum diketahui nilai ataupun jenisnya.
METODE DATA MINING
 Data Cleansing, Proses dimana data-data yang tidak lengkap, mengandung error dan tidak konsisten
dibuang dari koleksi data. Ketahui juga data lifecycle management untuk mengetahui tentang
pengolahan data.

 Data Integration, Proses integrasi data dimana yang berulang akan dikombinasikan.

 Selection, Proses seleksi atau pemilihan data yang relevan terhadap analisis untuk diterima dari koleksi
data yang ada.

 Data Transformation, Proses transformasi data yang sudah dipilih ke dalam bentuk mining procedure
melalui cara dan agresi data.
METODE DATA MINING
 Data Mining, Proses yang paling penting dimana akan dilakukan berbagai teknik yang diaplikasikan
untuk mengekstrak berbagai pola-pola potensial untuk mendapatkan data yang berguna.

 Pattern Evolution, Sebuah proses dimana pola-pola menarik yang sebelumnya sudah ditemukan
dengan identifikasi berdasarkan measure yang telah diberikan

 Knowledge Presentation, Merupakan proses tahap terakhir, Dalam hal ini digunakan teknik visualisasi
yang bertujuan membantu user dalam mengerti dan menginterpretasikan hasil dari penambangan data.
METODE DATA MINING
 CONTOH PENERAPAN DATA MINING
1. Market Analysis dan Management

Dalam sektor pemasaran biasanya data mining digunakan untuk Pemasaran target, manajemen hubungan
pelanggan (CRM), analisis pasar, cross selling, segmentasi pasar.

 Target Pemasaran, Misalnya menemukan kelompok pelanggan “model” yang memiliki karakteristik
yang sama: minat,tingkat pendapatan, kebiasaan belanja, dll. atau menentukan pola pembelian
pelanggan dari waktu ke waktu.

 Analysis lalu lintas pasar, Menemukan hubungan / hubungan antar produk penjualan, & prediksi
berdasarkan asosiasi tersebut.

 Profiling pelanggan, Jenis pelanggan apa yang membeli produk apa (pengelompokan atau klasifikasi
 CONTOH PENERAPAN DATA MINING
2. Corporate Analysis & Risk Management

• Penerapan Data mining dalam sektor perusahaan biasanya digunakan untuk prediksi, retensi pelanggan,
underwriting yang lebih baik, kontrol kualitas, analisis kompetitif.

 Perencanaan keuangan dan evaluasi aset, Misalnya analisis dan prediksi arus kas, analisis klaim
kontinjensi untuk mengevaluasi aset, analisis cross-sectional dan time series (rasio keuangan, tren
analisis, dll.)

 Planning Perencanaan sumber daya, Misalnya merangkum dan membandingkan sumber daya dan
pengeluaran

 Persaingan, Misalnya memantau pesaing dan arah pasar, mengelompokkan pelanggan ke dalam kelas
dan penetapan harga berbasis kelas prosedur, dan mengatur strategi penetapan harga di pasar yang
sangat kompetitif.
 CONTOH PENERAPAN DATA MINING
3. Fraud Detection & Mining Unusual Patterns

• Data mining juga berfungsi untuk mencari dan mendeteksi fraud pada sebuah sistem. Dengan
menggunakan data mini maka akan bisa melihat dari jutaan transaksi yang masuk.

 Pendekatan: Clustering & konstruksi model untuk penipuan, analisis outlier

 Aplikasi: Layanan kesehatan, ritel, layanan kartu kredit, telecomm. Misalnya Asuransi otomatis,
Pencucian uang, Asuransi kesehatan, Telekomunikasi, Analisis pola yang menyimpang dari norma
yang diharapkan, Industri retail, Dll.

 Itulah beberapa informasi tentang data Mining, Kamu bisa mempelajari tentang penambangan data
untuk mendapatkan dan mengumpulkan informasi/data yang berguna untuk masa depan.
KESIMPULAN
Data mining adalah suatu proses penambangan informasi penting dari suatu data. Informasi penting
ini didapat dari suatu proses yang amat rumit seperti menggunakan artificial intelligence, teknik statistik,
ilmu matematika, machine learning, dan lain sebagainya. Teknik-teknik rumit tersebut nantinya akan
mengidentifikasi dan mengekstraksi informasi yang bermanfaat dari suatu database besar.
Data mining ini memiliki banyak fungsi. Tetapi, yang paling utama adalah sebagai fungsi descriptive
dan fungsi predictive. Fungsi data mining yang lainnya, yaitu: characterization, discrimination,
association, classification, clustering, outlier and trend analysis, dan sebagainya
THANK YOU