Tantangan dan Kerugian Mengimplementasikan Business Intelligence

1. Membutuhkan banyak data

Biasanya implementasi Business Intelligence diterapkan pada perusahaan besar, dalam artian perusahaan yang memiliki data transaksi yang banyak, dengan demikian untuk mendapatkan data yang besar maka dibutuhkan pula waktu yang cukup lama, biasanya perusahaan sudah berdiri 5-10tahun lebih sehingga memiliki data yang cukup banyak. Ini menjadi suatu tantangan bagi perusahaan yang memiliki data transaksi kecil, karena jika ingin mendapatkan data yang besar harus menunggu waktu yang cukup lama menjadikannya tidak efektif untuk meningkatkan perusahaan kecil.

Manfaat dan Keuntungan mengimplementasikan Business Intelligence

1.      Meningkatkan Profit

Mengapa dapat meningkatkan profit? Bagi perusahaan atau organisasi yang mengimplementasikan Business Intelligence, dapat membantu pebisnis dalam mengevaluasi para pelanggannya. Dengan Business Intelligence, perusahaan dapat mengetahui pelanggannya, berapa pelanggan yang kita punyai, apakah pelanggan dapat menghasilkan keuntungan secara jangka panjang atau pelanggan tersebut hanya menguntungkan dalam jangka pendek saja. Dengan Business Intelligence pebisnis memanfaatkan keuntungan ini, pebisnis dapat meningkatkan layanannya untuk menjawab kebutuhan-kebutuhan dari pelanggan. Maka dengan demikian pelanggan pun akan puas akan pelayanan yang diberikan dan menjadikan nilai lebih bagi perusahaan yang mengimplementasikan Business Intelligence, secara otomatis juga profit perusahaan semakin meningkat.

Cara Kerja ROLAP

Cara kerja ROLAP secara umum adalah sebagai berikut :

1. OLAP client mengirimkan query analisis ke OLAP Server.

2. OLAP server akan melakukan pemeriksaan di cache apakah sudah bisa melayani permintaan query dari client tersebut, jika sudah akan dikirimkan.

3. Jika pada cache belum terdapat data diminta, akan dilakukan query SQL ke data mart dan hasil eksekusinya disimpan di cache dan dikirimkan kepada client.

4. Demikian seterusnya.

5. Cache akan disimpan selama periode waktu tertentu dan akan dibersihkan total jika server dimatikan.

Kelebihan dan Kekurangan ROLAP

Kelebihan ROLAP

1. Dapat menangani jumbalh volume data yang sangat besar, batasan ukuran volume data yang ditangani pada teknologi ROLAP adalah batas dari volume dari Relational Database yang dipakai. Dengan kata lain pada ROLAP sendiri tidak ada batasan volume data.

2. Dapat memanfaatkan fungsi-fungsi yang ada pada Relational Database yang dipakai.

Definisi ROLAP

ROLAP (Relational online analitycal processing ) adalah proses untuk menyimpan detil data dan aggregasi kubus dengan menggunakan tabel pada database relasional datawarehouse. Berbeda dengan MOLAP, ROLAP tidak menyimpan salinan database, ia mengakses langsung pada tabel fact ketika membutuhkan jawaban sebuah query. Sehingga query pada ROLAP mempunyai response time yang lebih lambat dibandingkan ROLAP maupun HOLAP. Karakteristik model ini digunakan untuk menyimpan data yang besar dan jarang dilakukannya proses query. Misalkan, data histori dalam jumlah besar dari beberapa tahun yang sebelumnya.

Definisi dan Karakteristik OLAP

Definisi OLAP (Online Analitycal Processing)

OLAP (Online Analitycal Processing) adalah teknologi yang memproses data di dalam database dalam struktur multidimensi, menyediakan jawaban yang cepat untuk query dan analisis yang kompleks [4]. Data yang disajikan biasanya merupakan suatu fungsi agregasi seperti summary, max, min, average dan lain-lain.

Karakteristik OLAP

Adapun karakteristik dari OLAP , yaitu :

•Mengijinkan user melihat data dari sudut pandang logical dan multidimensional pada datawarehouse.

•Memfasilitasi query yang komplek dan analisa bagi user

•Mengijinkan user melakukan Drill down untuk menampilkan data pada level yang lebih detil atau roll up untuk agregasi dari satu dimensi atau beberapa dimensi

•Menyediakan proses kalkulasi dan perbandingan data

•Menampilkan hasil dalam bentuk number termasuk dalam tabel dan garfik

Kelebihan OLAP

Berbagai kelebihan bisa didapat dengan menggunakan OLAP ini diantaranya :

1.  Dapat meningkatnya produktivitas bisnis, IT developers, dan seluruh organisasi.

2.  Akses yang lebih terkendali terhadap informasi yang dapat meningkatkan efektivitas pengambilan keputusan.

3.  Mempercepat respon terhadap permintaan pasar.

4.  Mengurang “backlog”pengembangan aplikasi bagi staf IT dengan membua tpemakai akhir dapat merubah schema dan membangun model sendiri.

Kelebihan Dan Kekurangan MOLAP

Kelebihan MOLAP

1.       Performance hebat, karena MOLAP memang dibangun untuk pengambilan data yang cepat, dan optimal untuk operasi Slicing dan Dicing.

2.       Dapat membentuk kalkulasi yang komplek dan cepat.

3.       Semua kalkulasi telah dihitung saat Cube dibentuk.

MOLAP

Definisi MOLAP

Multidimensional online analitycal processing (MOLAP) adalah proses menyimpan data dan aggregasi pada struktur data multidimensi. Struktur MOLAP ini tidak tersimpan pada datawarehouse tapi tersimpan pada OLAP server. Sehingga performa query yang dihasilkan olehnya sangat  bagus. Model penyimpanan ini sesuai untuk database dengan ukuran kecil sampai sedang.

Definisi HOLAP

HOLAP (Hibrid online analitycal processing) merupakan gabungan dari model MOLAP dan ROLAP. Detil data tersimpan pada tabel relasional tapi aggregasi data disimpan dalam format multidimensi. Misalkan proses drill down dilakukan pada sebuah tabel fakta, maka retrive data akan dilakukan dari tabel database relasional sehingga query tidak secepat MOLAP. Kubus HOLAP lebih kecil daripada kubus MOLAP tapi response time query masih lebih cepat jika dibandingkan dengan ROLAP. Model penyimpanan HOLAP ini biasanya sesuai untuk kubus yang membutuhkan performa query yang bagus dengan jumlah data yang besar.

HOLAP hadir untuk mengatasi kelemahan dari ROLAP dan MOLAP, kelemahan tersebut adalah:

1.      Performa ROLAP tidak begitu baik karena agregasi selalu dilakukan ulang apabila cache sudah expired.

2.      Keterbatasan storage dari MOLAP jika digunakan untuk menyimpan kombinasi agregasi pada semua level.

Jenis Dan Penggunaan Data Mining

Jenis-jenis Tugas Data Mining

1. Classification [Predictive]

2. Clustering [Descriptive]

3. Association Rule Discovery [Descriptive]

4. Regression [Predictive]

5. Deviation Detection [Predictive]

Penggunaan Data Mining

Data mining digunakan di banyak tempat, dan bidang penerapannya juga dapat bermacam macam, misalnya:

1. Militer menggunakan data mining untuk mempelajari apa saja yang menjadi fator utama dalam ketepatan sasaran pengeboman

Kelebihan dan Kekurangan data Mining

Kelebihan Data Mining :

1. Kemampuan dalam mengolah data dalam jumlah yang besar.

2. Pencarian Data secara otomatis.

Kekurangan Data Mining :

1. Kendala Database ( Garbage in garbage out ).

2. Tidak bisa melakukan analisa sendiri.  

Definisi Bussiness Inteligence

Business intelligence, biasa disebut BI adalah teknologi yang menggunakan komputer yang berguna untuk mencari, menggali, dan menganalisis informasi dari data bisnis misalnya hasil penjualan suatu produk atau pendapatan/pengeluaran salah satu anak perusahaan.

Hasil keluaran dari teknologi BI dapat berupa tampilan lampau dari operasi bisnis, juga tampilan operasi bisnis saat ini, atau juga prediksi untuk operasi bisnis di masa depan. Fungsi umum yang biasa terdapat pada BI adalah reporting, online analytical processing, analytics, data mining, business performance management, benchmarking, text mining, dan predictive analytics.

Keuntuangan dan kerugian menggunakan data mart

}Keuntungan

  Data mart dapat meningkatkan waktu respon pengguna akhir, karena berisi data mentah yang memungkinkan sistem komputer untuk fokus pada satu tugas, sehingga meningkatkan kinerja. Berbeda dengan sistem OLTP, data mart juga dapat menyimpan data historis yang   memungkinkan pengguna untuk menganalisis kecenderungan data. Selain itu, data mart tidak begitu mahal dan kompleks sebagai data gudang untuk setup dan melaksanakan karena masalah teknis tidak begitu sulit untuk diselesaikan.

Perbedaan Data Mart dan Data Warehouse

Kadang kala kita sulit untuk membedakan antara data warehouse dan data mart karena keduanya hampir sama. Namun, jika dikaji lebih jauh ada beberapa perbedaan yang dimiliki keduanya. Data warehouse merupakan gabungan dari beberapa data mart dan levelnya berada pada perusahaan atau organisasi.

Karakteristik data mart

◦Data mart memfokuskan hanya pada kebutuhan-kebutuhan pemakai yang terkait dalam sebuah departemen atau fungsi bisnis.
◦Data mart biasanya tidak mengandung data operasional yang rinci seperti pada data warehouse.
◦Data mart hanya mengandung sedikit informasi dibandingkan dengan data warehouse. Data mart lebih mudah dipahami.

Definisi Data Mart

Data mart adalah suatu bagian pada data warehouse yang mendukung pembuatan laporan dan analisa data pada suatu unit, bagian atau operasi pada suatu perusahaan. Dalam beberapa implementasi data warehouse, data mart adalah miniature data warehouse. Data mart sering digunakan untuk memberikan informasi kepada segmen fungsional organisasi.

Tugas Data Mining (Six Tax Data Mining)

Classification - Menyusun data menjadi kelompok-kelompok yang telah ditentukan, yang melibatkan dengan memeriksa atribut-atribut dari suatu objek tertentu dan menetapkannya ke kelas yang telah didefinisikan.

Estimation - proses untuk menempatkan beberapa nilai numerik secara terus suatu objek, estimasi juga dapat digunakan sebagai bagian dari proses klasifikasi.

Prediction - berbeda dengan Estimation dan Classification, Prediction adalah upaya-upaya untuk mengklasifikasikan suatau objek berdasarkan dari behaviour yang akan ditentukan(diharapkan) dari candidate behaviour.

Teknik-teknik/Jenis-jenis Data Mining

Teknik-teknik/Jenis-jenis DataMining

1. Market Basket Analysis
Himpunan data yang dijadikan sebagai objek penelitan pada area data mining. Market basket analysis adalah proses untuk menganalisis kebiasaan pelanggan dalam menyimpan item-item yang akan dibeli ke dalam keranjang belanjaannya. Market basket analysis memanfaatkan data transaksi penjualan untuk dianalisis sehingga dapat ditemukan pola berupa item-item yang cenderung muncul bersama dalam sebuah transaksi. Selanjutnya pola yang ditemukan dapat dimanfaatkan untuk merancang strategi penjualan atau pemasaran yang efektif, yaitu dengan menempatkan item-item yang sering dibeli bersamaan ke dalam sebuah area yang berdekatan, merancang tampilan item-item di katalog, merancang kupon diskon (untuk diberikan kepada pelanggan yang membeli item tertentu), merancang penjualan item-item dalam bentuk paket, dan sebagainya. Dengan menggunakan teknologi data mining, analisis data secara manual tidak diperlukan lagi.

Definisi Data Mining

Data mining adalah suatu proses yang digunakan untuk mencari informasi dan knowledge yang berguna, dimana diperoleh dari data-data yang dimiliki. Dari buku Data Mining Technique yang dikarang oleh Berry and Linoff, proses terjadinya data mining dapat dideskripsikan sebagai virtous cycle. Didasari oleh pengembangan berkelanjutan dari proses bisnis serta didorong oleh penemuan knowledge ditindaklanjuti dengan pengambilan tindakan dari penemuan tersebut.

Tahapan Data Mining

·         Basis data relasional

Dewasa ini, hampir semua Data bisnis disimpan dalam basis data relasional. Sebuah model basis data relasional dibangun dari serangkaian tabel, setiap tabel disimpan sebagai sebuah file. Sebuah tabel relasional terdiri dari baris dan kolom. Kebanyakan model basis data relasional saat ini dibangun diatas lingkungan OLTP. OLTP (Online Transaction Processing ) adalah tipe akses yang digunakan oleh bisnis yang membutuhkan transaksi konkuren dalam jumlah besar. Bentuk data yang tersimpan dalam basis data relasional inilah yang dapat diolah oleh sistem data mining. 

Manfaat Data Mining

1. Segmentasi Pasar

Mengidentifikasi karakteristik umum dari pelanggan yang membeli produk yang sama

2. Analisis keranjang penjualan

Memahami produk atau servis yang pada umumnya dijual bersama-sama.

3. Analisis kecenderungan

Menyatakan perbedaan antara tipe pelanggan bulan ini dan yang lalu.

4. Intelligence Marketing

       Kebanyakan aplikasi data mining tujuan utamanya adalah membuat prediksi dan deskripsi.

          Prediksi menggunakan beberapa variable atau field-field basis data untuk memprediksi nilai- nilai variable masa mendatang yang diperlukan yang belum diketahui saat ini.

          Deskripsi berfokus pada penemuan pola-pola tersembunyi dari data yang ditelaah.

Metodologi Data Mining

Komponen data mining pada proses KDD seringkali merupakan aplikasi iterative yang berulang dari metodologi data mining tertentu. Pada pembahasan ini digunakan istilah pola dan model. Pola data diartikan sebagai instansiasi dari model. Sebagai contoh f(x)= 3x+ x adalah pola dari model f(x)=  ax+ x.

Data mining melakukan pencocokan model  atau menentukan pola dari atau ke data yang diobservasi.

Dalam perkembangan teknologi data mining, terdapat model yang digunakan untuk melakukan proses penggaloan informasi terhadap data-data yang ada. Menurut IBM, model data mining dapat dibagi menjadi 2 bagian yaitu: 

Hubungan antar DSS dengan Data Warehouse

          Setelah kita lihat dan selami tentang data warehouse, kita dapat menyimpulkan bahwa data warehouse adalah sebuah model database yang berguna untuk menyimpan dan memproses data dengan pendekatan kepada kegunaan data dalam pengambilan keputusan bagi EIS atau DSS.

Definisi Decision Support System

Istilah dari decision support system telah digunakan dengan banyak cara (Alter 1980) dan menerima banyak definisi yang berbeda menurut pandangan dari sang penulis (Druzdzel dan Flynn 1999). Finlay (1994) dan lainnya mendefiniskan DSS kurang lebih sebagai sebuah sistem berbasis komputer yang membantu dalam proses pengambilan keputusan.

Metodologi Perancangan Database untuk Data Warehouse

Menurut Kimball ada sembilan tahap metodologi dalam perancangan database untuk data warehouse, yaitu :

          Langkah 1 : Pemilihan proses

Anatomi Data Warehouse

Penerapan awal dari arsitektur data warehouse dibuat berdasarkan konsep bahwa data warehouse mengambil data dari berbagai sumber dan memindahkannya ke dalam pusat pengumpulan data yang besar. Konsep ini sebenarnya lebih cenderung kepada sebuah lingkungan mainframe yang terpusat.

Keuntungan Data Warehouse

Data warehouse merupakan pendekatan untuk menyimpan data dimana sumber-sumber data yang heterogen(yang biasanya tersebar pada beberapa database OLTP) dimigrasikan untuk penyimpanan data yang homogen dan terpisah. Keuntungan yang didapatkan dengan menggunakan data warehouse tersebut dibawah ini (Ramelho). 

Tugas- tugas Data Warehouse

Ada empat tugas yang bisa dilakukan dengan adanya data warehouse

Menurut Williams, keempat tugas tersebut yaitu:

1. Pembuatan laporan

Pembuatan laporan merupakan salah satu kegunaan data warehouse yang paling umum dilakukan. Dengan menggunakan query sederhana didapatkan laporan perhari,perbulan, pertahun atau jangka waktu kapanpun yang diinginkan. 

Perlunya Data Warehouse

Seperti pengertian-pengertian yang kita sebutkan sebelumnya, data warehouse diperlukan bagi para pengambil keputusan manajemen dari suatu organisasi/perusahaan.

Karakteristik Data Warehouse

Karakteristik data warehouse menurut Inmon, yaitu :

1. Subject Oriented (Berorientasi subject)

Data warehouse berorientasi subject artinya data warehouse didesain untuk menganalisa data berdasarkan subject-subject tertentu dalam organisasi,bukan pada proses atau fungsi aplikasi tertentu.

Istilah-istilah yang berhubungan dengan data warehouse

Istilah-istilah yang berkaitan dengan data warehouse :

1. Data Mart

Adalah suatu bagian pada data warehouse yang mendukung pembuatan laporan dan analisa data pada suatu unit, bagian atau operasi pada suatu perusahaan.

2. On-Line Analytical Processing(OLAP)

Merupakan suatu pemrosesan database yang menggunakan tabel fakta dan dimensi untuk dapat menampilkan berbagai macam bentuk laporan, analisis, query dari data yang berukuran besar.

Pengertian Data Warehouse

Pengertian Data Warehouse dapat bermacam-macam namun mempunyai inti yang sama, seperti pendapat beberapa ahli berikut ini :

Menurut W.H. Inmon dan Richard D.H., data warehouse adalah koleksi data yang mempunyai sifat berorientasi subjek,terintegrasi,time-variant, dan bersifat tetap dari koleksi data dalam mendukung proses pengambilan keputusan management.

Visi & Misi

Misi kami adalah untuk menciptakan teknologi-enabl ed produk dan layanan TI. Kami juga berusaha untuk memuaskan karyawan kami dengan terus tumbuh sebagai sebuah perusahaan, menawarkan lingkungan kerja yang menyenangkan dan merangsang, pengembangan jenjang karir, dan saling menguntungkan. Kami berdiri di samping Klien kami, kemudian bertindak seperti mitra khusus mereka untuk mencari tahu solusi bersama-sama.

Siapakah Kami?

Dunia Web House adalah Software House yang bergerak di bidang jasa pembuatan website yang bertempat di Bandung, Indonesia. Sebagai web developer profesional, kami fokus mengerjakan website dengan desain spesial dan aplikasi web yang disesuaikan dengan kebutuhan klien. Kami berupaya untuk membuat sebuah website yang user friendly sehingga mudah dikelola oleh siapapun