Tugas I – Bisnis Intelegent

1.      Buatlah tabel perbedaan mendasar antara :

a.       Data Mining VS Bisnis Intelegent

b.      Data Warehous VS Bisnis Intelegent

c.       Data Warehous VS Data Mining

2.      Buatlah contoh kasus penerapan :

a.       Data Mining

b.      Data Warehous

c.       Bisnis Intelegent

3.      Jelaskan diagram alur dari Bisnis Intelegent dibawah ini :

Jawaban :

1.      Tabel Perbedaan mendasar antara :

a.       Data Mining VS Bisnis Intelegent

Data Mining	Bisnis Intelegent
Data seringkali terkubur dalam database yang sangat besar, yang terkadang berisi data selama bertahun-tahun	Ketersediaan data yang relevan dapat diatasi sehingga dapat menyuguhkan data-data yang relevan
Prinsip kerja data mining merupakan suatu rangkaian proses yang terdiri dari pembersihan data, Integrasi data, Transformasi data, Aplikasi teknik DM, Evaluasi, Presentasi pengetahuan (dengan teknik visualisasi)	Prinsip kerja sistem BI memberikan sudut pandang historis saat ini, serta prediksi operasi bisnis, terutama dengan menggunakan data yang telah dikumpulkan ke dalam suatu gudang data dan kadang juga bersumber pada data operasional.
Tidak dirancang untuk memprediksi masa lalu dan masa depan yang terlalu jauh	Mampu memprediksi masa lalu, masa kini, dan masa yang akan datang

b.      Data Warehouse VS Bisnis Intelegent

Data Warehouse	Bisnis Intelegent
Data warehouse dapat dimuat dan diakses tetapi tidak dapat diperbaharui. Maksudnya adalah data tidak dapat diubah, dihapus atau ditambah	Bisnis Intelegent dapat memberikan kemudahan akses untuk informasi terbaru dari bisnis yang berjalan serta peluang yang diproyeksikan
3 komponen utama : Data staging area, Data presentation area, Data access tools	4 komponen utama : data operasional, ETL, data Warehouse dan OLAP atau data mining
Data Warehouse yaitu cara menyimpan data dan menciptakan informasi melalui memanfaatkan data mart. Data Mart adalah kategori informasi atau data yang dikelompokkan bersama untuk memberikan informasi ke kategori	Bisnis Intelegent yaitu memanfaatkan dari Data Warehouse untuk membantu membuat keputusan bisnis dan rekomendasi. Informasi dan data aturan mesin memanfaatkan di sini untuk membantu membuat keputusan ini bersama dengan alat analisis statistik dan alat data mining

c.       Data Warehouse VS Data Mining

Data Warehouse	Data Mining
Teknologi data warehouse digunakan untuk melakukan OLAP (On-line Analytical Processing)	Teknologi data mining digunakan untuk melakukan information discovery yang informasinya lebih ditujukan untuk seorang Data Analyst dan Business Analyst (dengan ditambah visualisasi tentunya)
Dalam prakteknya, data warehouse juga mengambil data dari data mining, dibandingkan OLAP mengingat database bukan satu-satunya bidang ilmu yang mempengaruhi data mining	Dalam prakteknya, data mining juga mengambil data dari data warehouse. Hanya saja aplikasi dari data mining lebih khusus dan lebih spesifik
Database biasa yang berisi summary atau rekap untuk subject tertentu yang sudah diketahui	Proses pengolahan data untuk mendapatkan informasi yang belum diketahui

2.      Contoh Kasus Penerapan dari :

a.       Data Mining

Contoh Kasus Penerapan Data Mining pada Toko Buku

 Data mining adalah suatu metode pencarian informasi berharga yang berupa pola yang menarik dalam tumpukan data. Data mining sangat penting dalam dunia bisnis saat ini. Data mining sangat diperlukan agar seseorang dapat survive dalam persaingan bisnis. Salah satu contoh kasus yang dapat diambil dalam penerapan data mining yaitu misalnya pada toko buku. Toko buku tersebut memiliki database pembelian buku-buku yang telah dibeli. Penjual dapat memanfaatkan database tersebut menggunakan data mining. Dengan menggunakan data mining penjual dapat mengetahui buku-buku dengan kategori apa saja yang paling banyak terjual, yang kurang banyak terjual, atau tidak pernah terjual.

Selain itu penjual dapat mengetahui pada waktu-waktu kapan saja buku tertentu terjual paling banyak. Misalnya berdasarkan database penjualan, pada tahun ajaran baru, buku-buku pelajaran SD, SMP, dan SMA adalah yang paling banyak terjual. Penjual dapat menyiasatinya untuk meningkatkan pendapatan dengan cara menempatkan buku-buku pelajaran SD, SMP, dan SMA ke rak buku bagian belakang karena barang tersebut pasti dicari dan menempatkan buku-buku yang kurang banyak terjual atau tidak pernah terjual di rak buku bagian depan. Selain itu penjual dapat menambah stok buku pelajaran  SD,SMP, dan SMAnya dan menambah barang-barang lain yang kemungkinan besar terjual laris manis pada tahun ajaran baru. Misalnya pupen, buku tulis, tas, dll. Sehingga yang dijualnya bukan hanya buku-buku saja tetapi juga barang-barang lain yang juga kemungkinan besar juga ikut terjual pada tahun ajaran baru. Penjual juga dapat meningkatkan penjualannya dengan memudahkan pembeli mencari buku yang diinginkan yaitu dengan memberi label untuk setiap rak kelompok buku. Misalnya buku-buku komputer dikelompokkan dalam satu rak dan rak tersebut diberi label komputer sehingga pembeli mudah menemukannya meskipun diletakkan di rak buku bagian belakang.

b.      Data Warehouse

Contoh Kasus Penerapan Data Warehouse pada Perusahaan Berskala Kecil

Karena data warehouse sangat mahal, mereka biasanya digunakan oleh perusahaan-perusahaan besar. Beberapa perusahaan yang lebih kecil, menggunakan data warehouse yang skala nya lebih kecil, yang biasa disebut data mart. Data mart adalah data warehouse yang kecil yang didesain untuk kebutuhan pemakai akhir pada sebuah unit bisnis strategi (SBU = Strategic Business Unit) atau departemen. Dalam tahapan sebelumnya, data mart jauh lebih murah dari pada data warehouse.

Data mart biasanya menghabiskan dana sampai $100,000, bandingkan dengan data warehouse yang menghabiskan $1 juta atau lebih. Ditambah lagi, data mart dapat diimplementasikan lebih cepat, biasanya kurang dari 90 hari. Hal ini dikarenakan data mart hanya berisi lebih sedikit informasi dari pada data warehouse, data mart juga memiliki respon yang lebih cepat dan lebih mudah untuk dipelajari. Data mart mendukung lebih ke lokal dari pada pengontrolan terpusat oleh manajer suatu departemen. Data mart juga memberikan hak kepada SBU untuk membuat sebuah sistem pendukung keputusan tanpa mengandalkan Data mart memfokuskan hanya pada kebutuhan-kebutuhan pemakai yang terkait dalam sebuah departemen atau fungsi bisnis. Data mart biasanya tidak mengandung operasional yang rinci seperti pada data warehouse. Data mart hanya mengandung sedikit informasi dibandingkan dengan data warehouse. Data mart lebih mudah dipahami dan dinavigasi.

c.       Bisnis Intelegent

Contoh Kasus Penerapan Bisnis Intelegent pada Industri Pendidikan

Saat ini penerapan business intelligence pada industri pendidikan masih relatif sedikit apabila dibandingkan dengan industri perbankan, kesehatan, asuransi, dll (Lihua, Yongsheng, & Zhonglei, 2008). Penerapan business intelligence pada industri pendidikan dapat dilakukan pada proses penerimaan mahasiswa baru, manajemen pengajaran, dll (Rebbapragada, Basu, & Semple, 2010), (Liu & Zhang, 2010).  Menurut Rebbapraga (2010), persaingan untuk penerimaan siswa baru semakin ketat setiap tahun dengan sebagian besar kampus menerima aplikasi penerimaan siswa dan makin selektif dalam penerimaannya. Tingkat penerimaan pada kampus ternama mencapai 10% dan ketidakpastian menyebabkan siswa yang memiliki talenta melamar pada sekolah pada lapisan yang berikutnya. Hal ini menyebabkan siswa memasukkan aplikasi ke beberapa sekolah dan setiap sekolah memiliki tinggat waktu yang berbeda. Akibatnya siswa sering menghadapi dilema pada saat mereka kehabisan waktu untuk menerima tawaran dari universitas yang lebih rendah dari prioritas mereka. Tantangan dalam admisi proses adalah proses mengidentifikasi pelamar terbaik meliputi beberapa parameter dan saat kandidat yang diinginkan teridentifikasi maka keputusan untuk menawarkan penawaran serta komposisi dari penawaran tersebut cukup susah. Selain dapat digunakan dalam proses penerimaan mahasiswa, penerapan data mining dapat digunakan untuk mendukung manajemen pengajaran. Setiap universitas mengelola nilai mahasiswa dalam jumlah besar dari berbagai fakultas yang berbeda-beda. Dengan adanya penerapan data warehouse dan menganalisa data tersebut dengan menggunakan berbagai teknik data mining, pihak pengelola fakultas dapat mengeksploitasi berbagai informasi tersembunyi dan dapat melakukan peramalan dan analisis sehingga pengelola fakultas dapat menggunakannya untuk meningkatkan kualitas pengajaran dan pengetahuan.  

Menurut Rebbapragada et al (2010), para peneliti yakin bahwa data mining dan teknik manajemen penghasilan dapat digunakan secara efektif untuk menyelesaikan masalah tersebut. Dengan menggunakan data mining untuk mengembangkan model yang dapat memprediksi kualitas dari pelamar dengan menggunakan data kinerja siswa pada masa lalu berdasarkan kinerja siswa pada tahun pertama dalam hal GPA yang diperoleh  dan beberapa parameter penting yang dikumpulkan dari data pelamar seperti high school GPA, SAT math score, SAT verbal score, strength of curriculum, adjusted GPA, adjusted test scores, subjective score and overall assessment score. Penelitian ini menggunakan metode neural networks karena memiliki kinerja yang lebih baik dibandingkan decision trees, disamping itu kemampuan neural networks dalam beradaptasi dengan perubahan kondisi membuat metode ini cocok dengan konteks penerimaan siswa baru. Model manajemen penghasilan sudah banyak digunakan oleh perusahaan di industri penerbangan dan hotel, teknik ini dapat memaksimalkan penghasilan dengan mengumpulkan harga terbaik untuk setiap bangku/sumber daya meskipun terdapat ketidakpastian terhadap permintaan dimasa yang akan datang. Pada penelitian ini menggunakan model yang dinamis yaitu markovian periods karena memiliki kemampuan untuk menangani permintaan yang datang secara acak. Tabel harga penawaran dapat digunakan sebagai referensi oleh staf admisi untuk menerima atau menolak aplikasi dari calon siswa.

Tabel 1 menyediakan asumsi jumlah aplikasi yang diterima setiap minggu untuk tiga kategori selama 4 minggu, jumlah aplikasi tersebut termasuk pelamar yang diterima dan ditolak.  Tabel 2 menunjukkan tabel harga penawaran untuk periode waktu dengan penambahan 4000, setiap pengumpulan 4000 periode sekitar 3.3 hari.

Tabel 1. Jumlah aplikasi yang diterima setiap minggu

Sumber : Surya Rebbapragada, at all, 2010

Tabel 2. Tabel penawaran harga.

Sumber : Surya Rebbapragada, at all, 2010

Dengan menggunakan pendekatan diatas, pihak universitas dapat langsung mengambil keputusan terhadap semua pendaftaran siswa dan pada saat yang bersamaan dapat memaksimalkan proses penerimaan  dengan menerima mahasiswa terbaik pada kapasitas yang ditawarkan.

Berdasarkan hasil penelitian yang dilakukan oleh Zhiwu Liu dan Xiuzhi Zhang (2010), mereka menganalisis nilai mahasiswa dari beberapa mata kuliah industrial enterprise electrification di sebuah universitas untuk mengetahui koneksi nilai dari beberapa mata kuliah yang berbeda melalui teknik decision tree. tabel 3 merupakan database nilai mahasiswa berisi no urut mahasiswa, dan hasil dari beberapa mata kuliah utama (fundamental of electrical engineering-FEE, electrical machine and drive-EMD, automatic control principle-ACP,     automatic control system-ACS, and higher mathematic-HM).

Tabel 3. Nilai dari mahasiswa

Sumber : Liu dan Zhang, 2010

Untuk memudahkan untuk melakukan data mining, data pada tabel 3 sebaiknya dirubah dengan kondisi sebagai berikut: jika nilai dibawah 60 maka diisi dengan 0 (tidak lulus) dan jika nilai diatas 60 maka diisi dengan 1 (lulus). Dengan menggunakan algoritma decision tree C4.5,

1.Jika nilai mata kuliah FEE (A) lulus, maka nilai mata kuliah ACS(C1) pada umumnya lulus. Tingkat akurasinya adalah 86.4% dan covering rate untuk jumlah mahasiswa adalah 59.5%.

2.Jika nilai mata kuliah FEE (A) tidak lulus, dan nilai mata kuliah EMD (B) juga tidak lulus, maka nilai mata kuliah ACS (C1) pada umumnya tidak lulus. Tingkat akurasinya adalah 85.7% dan covering rate untuk jumlah mahasiswa adalah 10%.

3.Jika nilai mata kuliah FEE (A) tidak lulus, tetapi nilai mata kuliah EMD (B) lulus, maka nilai ACS (C1) masih bisa lulus. Tingkat akurasinya adalah 81.25% dan covering rate untuk jumlah mahasiswa adalah 30.5%.

Gambar 1. Decision tree untuk mengevaluasi nilai mahasiswa

Sumber : Liu dan Zhang, 2010

Dengan pendekatan diatas dalam mengevaluasi nilai mahasiswa, maka pengelola fakultas dapat melihat hubungan antara kinerja mahasiswa terhadap mata kuliah FEE, ACS, dan EMD. Berdasarkan hasil evaluasi yang telah dilakukan, pengajar mata kuliah EMD perlu memberikan perhatian yang lebih kepada mahasiswa yang tidak lulus EMD dan ACS

3.      Penjelasan diagram alur dari Bisnis Intelegent dibawah ini :

Keberadaan Bianis Intelegent dalam suatu perusahaan diawali dari pelaku bisnis itu sendiri karena merekalah yang lebih mengetahui Teknologi informasi dan analisa apa-apa saja yang dibutuhkan dalam rangka meningkatkan kinerja bisnis dan mereka jugalah yang membutuhkan Bisnis Intelegent. Disinilah nilai Bisnis Intelegent bisa menjadi besar dan berguna bagi perusahaan. Pelaku bisnis mulai dari eksekutif, manajemen bahkan sampai ke operasional harus berperan aktif juga dalam penerapan Bisnis Intelegent dan divisi IT harus bisa berkolaborasi dalam hal penyiapan data-data dan arsitektur sistem. Terlepas dari perangkat lunak apa yang digunakan. Bukan hanya sekedar suatu pelaporan atau analisa saja tapi Bisnis Intelegent diharapkan dapat menjadi alat bantu utama bagi pelaku bisnis dalam meningkatkan kinerja bisnis, tentunya kebutuhan ini dalam tiap masa akan selalu berubah mengikuti perkembangan bisnis itu sendiri.