9

BAB II

LANDASAN TEORI

2.1 Cross-selling

Cross-selling berkaitan dengan upaya untuk meningkatkan jumlah produk

atau jasa yang pelanggan gunakan dalam suatu perusahaan. Cross-selling produk

dan jasa kepada pelanggan yang ada membutuhkan biaya yang lebih rendah dari

biaya untuk memperoleh pelanggan baru, karena perusahaan sudah memiliki

hubungan dengan pelanggan. Sebuah implementasi yang tepat dari cross-selling

hanya dapat dicapai jika ada suatu infrastruktur informasi yang memungkinkan

manajer untuk menawarkan produk dan layanan kepada pelanggan yang cocok

dengan kebutuhan mereka, tetapi belum dijual kepada mereka (Kamakura et al,

2003).

Selain itu, cross-selling juga efektif untuk retensi pelanggan dengan

meningkatkan biaya peralihan dan meningkatkan loyalitas pelanggan, sehingga

secara langsung berkontribusi terhadap keuntungan yang didapat dari pelanggan

dan lifetime value. Semakin banyak layanan perusahaan yang digunakan oleh

pelanggan, semakin tinggi pula biaya peralihan ke perusahaan lain, yang pada

akhirnya akan mengarah pada kesetiaan dan kepemilikan pelanggan atas

perusahaan. Hubungan tersebut diilustrasikan oleh Kamakura et al. (2003) seperti

pada Gambar 2.1 dari hasil penelitiannya mengenai cross-selling pada institusi

finansial. Grafik ini menunjukkan hubungan jumlah tahun menjadi pelanggan

10

terhadap jumlah jasa yang digunakan. Gambar 2.1 menunjukkan hubungan positif

yang kuat dari jumlah tahun menjadi pelanggan dengan jumlah jasa yang

digunakan dari perusahaan. Semakin lama hubungan, pelanggan cenderung

menggunakan lebih banyak layanan dari perusahaan dan ketika pelayanan yang

digunakan lebih banyak, biaya peralihan meningkatkan, sehingga mengakhiri

hubungan dengan perusahaan menjadi kurang menarik. Kesimpulannya, retensi

pelanggan meningkat melalui cross-selling seiring dengan biaya peralihan yang

meningkat karena adanya beberapa hubungan layanan.

Gambar 2.1 Hubungan antara Jumlah Tahun Menjadi Pelanggan terhadap Jumlah Layanan yang Digunakan

Bersamaan dengan meningkatnya intensitas interaksi yang memuaskan

dengan pelanggan, perusahaan belajar lebih banyak tentang kebutuhan dan

11

keinginan pelanggan. Hal ini membuat kemampuan perusahaan untuk menjaga

loyalitas pelanggan dan melawan pesaing meningkat. Pada saat yang sama,

loyalitas yang meningkat mengarah pada peningkatan keuntungan. Dan

selanjutnya, penggunaan layanan yang lebih banyak akan mengarah pada

keuntungan yang lebih besar, jika layanan tersebut dicross-sell dengan benar.

Kamakura et al. (2003) menggambarkan hal ini pada Gambar 2.2. Gambar ini

memetakan profitabilitas pelanggan terhadap jumlah layanan yang mereka

gunakan dari perusahaan. Satu lagi bukti bahwa ada hubungan positif yang

signifikan yang menunjukkan bahwa cross-selling secara langsung meningkatkan

keuntungan dengan meningkatkan lifetime value dari pelanggan.

Gambar 2.2 Hubungan antara Kontribusi Pelanggan terhadap Jumlah Layanan yang Digunakan

12

Common sense assessment atau penilaian berdasarkan akal sehat dari

karakteristik atau perilaku kostumer adalah salah satu cara yang paling umum

digunakan para praktisi melakukan prediksi atas produk tambahan yang akan

diambil oleh kostumer. Biasanya dilakukan dengan mengidentifikasi grup atau

segmen kostumer yang paling banyak mengadopsi sebagian produk dan

menargetkan mereka. Rossi, McCulloch & Allenby (1996) menemukan bahwa

prediktor perilaku kostumer di masa depan yang bagus adalah informasi penjualan

di masa lalu, dengan tingkat respon hingga 250%. Bahkan mereka menemukan

bahwa dengan mengetahui produk yang saat ini dimiliki kostumer, dapat

meningkatkan peluang pengadopsian produk baru hingga 50%.

Reinartz & Kumar (2003) menemukan bahwa data sosio-demografis dapat

menjelaskan karakteristik retensi kostumer dan kondisi sosio-demografis yang

disarankan untuk mengidentifikasi kostumer yang tertarik pada suatu produk.

2.2 Data warehouse

2.2.1 Pengertian Data warehouse

Dalam sebuah organisasi, umumnya data disimpan dalam banyak

database. Masing-masing database terpisah menurut sistemnya masing-masing

dan tidak terintegrasi menjadi satu. Contohnya data untuk pemasaran, sales,

payroll, dan sebagainya. Masing-masing database bersifat unik, dengan logical

relationship antar satu dengan yang lainnya, akan tetapi tanpa physical

relationship. Data warehouse digunakan untuk menggabungkan data ke pusat

data dan menyusun untuk membuat analisis yang lebih mudah, sebab lebih sedikit

13

dinormalisasi daripada database aplikasi tradisional. Data dari data warehouse

harus dapat digunakan untuk menjawab permasalahan bisnis dari manajemen dan

pengguna lainnya.

Menurut Inmon (2005, p29), data warehouse adalah koleksi data yang

mempunyai sifat berorientasi pada subjek, terintegrasi, variasi waktu, dan koleksi

data-nya non-volatile dalam mendukung proses pengambilan keputusan di

manajemen.

Data warehouse berbentuk data-data yang telah dikelompokkan menurut

jenis dan karakteristik data yang sama. Pada data warehouse, database berisi

(dalam mayoritas kasus) data-data historis perusahaan yang disimpan sedemikian

rupa sehingga dapat membantu analisis. Data pada data warehouse dapat berasal

dari relational database, text file, maupun data source lain.

Data-data pembentuk data warehouse ini diperoleh dari proses OLTP (On-

Line Transaction Processing), dimana setiap pengkinian atau manipulasi data

akan disesuaikan kembali dengan data pada data warehouse. Pengambilan data

dari OLTP dan penyimpanan di data warehouse biasa dideskripsikan sebagai

proses ETL, yang merupakan kepanjangan dari Extract, Transform, and Loading.

• Proses Extract adalah proses pengambilan data dari source ke staging area.

Pada proses ini dilakukan bulk copy, yaitu penyalinan data secara langsung

dari raw data (data asli atau mentah), tanpa melakukan proses manipulasi

data. Tujuannya adalah agar proses ini berlangsung cepat dan tidak

mengganggu proses transaksi pada OLTP.

14

• Proses Transform data adalah proses manipulasi data pada staging area,

sehingga data tersebut cocok dengan struktur data pada data warehouse.

• Proses Load adalah proses pemasukan data dari staging area ke data

warehouse.

Data pada data warehouse dirancang agar dapat diquery secara cepat.

Pada OLTP, tabel-tabel biasanya terdapat dalam bentuk normal ke 3 (N-3).

Sedangkan dalam data warehouse, tabel-tabel yang dipakai membentuk suatu star

schema, yaitu gabungan antara sebuah fact table dan beberapa dimension table.

Model ini akan menghasilkan query yang cepat. Tujuan utama data warehouse

adalah memprovide data dari seluruh perusahaan ke suatu keadaan dimana data

tersebut dapat digunakan oleh user yang akan mengambil keputusan bisnis. Tidak

akan ada redudansi data, dikarenakan sumber data berpusat pada satu data

warehouse.

2.2.2 Karakteristik Data warehouse

Menurut Inmon (2005, p29) data warehouse memiliki empat karakteristik

utama, antara lain sebagai berikut:

1. Subject-Oriented

Data warehouse berorientasi subyek artinya data warehouse didesain untuk

menganalisa data berdasarkan subyek-subyek tertentu dalam organisasi, bukan

pada proses atau fungsi aplikasi tertentu.

15

Data warehouse diorganisasikan di sekitar subyek-subyek utama dari

perusahaan (kostumer, produk dan penjualan) dan tidak diorganisasikan pada

area-area aplikasi utama (tagihan kostumer, kontrol stok dan penjualan

produk). Hal ini dikarenakan kebutuhan dari data warehouse untuk

menyimpan data-data yang bersifat sebagai penunjang suatu keputusan, dari

pada aplikasi yang berorientasi terhadap data. Jadi dengan kata lain, data yang

disimpan adalah berorientasi kepada subyek bukan terhadap proses.

2. Integrated

Data warehouse dapat menyimpan data-data yang berasal dari sumber-sumber

yang terpisah kedalam suatu format yang konsisten dan saling terintegrasi satu

dengan lainnya. Dengan demikian data tidak bisa dipecah-pecah karena data

yang ada merupakan suatu kesatuan yang menunjang keseluruhan konsep data

warehouse itu sendiri. Syarat integrasi sumber data dapat dipenuhi dengan

berbagai cara sepeti konsisten dalam penamaan variabel, konsisten dalam

ukuran variabel, konsisten dalam struktur pengkodean dan konsisten dalam

atribut fisik dari data.

16

Gambar 2.3 Pokok persoalan dari integrasi

3. Time Variant

Model analisis yang diterapkan pada sebuah data warehouse berfokus pada

perubahan data faktual berdasarkan waktu. Dalam hal ini data warehouse

harus mampu menyimpan data untuk suatu obyek tertentu dalam kurun waktu

yang berbeda-beda. Waktu merupakan bagian data yang sangat penting di

dalam data warehouse.

17

Gambar 2.4 Time Variant

4. Non-volatile

Karakteristik keempat dari data warehouse adalah non-volatile, maksudnya

data pada data warehouse tidak di-update secara real time tetapi di refresh

dari sistem operasional secara reguler. Data yang baru selalu ditambahkan

sebagai suplemen bagi database itu sendiri dari pada sebagai sebuah

perubahan. Database tersebut secara kontinu menyerap data baru ini,

kemudian secara incremental disatukan dengan data sebelumnya.

Berbeda dengan database operasional yang dapat melakukan update, insert

dan delete terhadap data yang mengubah isi dari database sedangkan pada

data warehouse hanya ada dua kegiatan memanipulasi data yaitu loading data

(mengambil data) dan akses data (mengakses data warehouse seperti

melakukan query atau menampilan laporan yang dibutuhkan, tidak ada

kegiatan updating data).

18

Gambar 2.5 Pokok persoalan dari non-volatile

2.2.3 Bentuk Data warehouse

Berikut ini adalah bentuk-bentuk dari data warehouse:

1. Functional Data warehouse

Functional data warehouse ini merupakan bentuk database dimana data

warehouse dibuat lebih dari satu dan dikelompokkan berdasarkan masing-

masing fungsi yang ada dalam perusahaan, seperti fungsi finansial/keuangan,

fungsi marketing/pemasaran, fungsi kinerja personalia, dan lain-lain.

Keuntungan dari bentuk ini adalah sistem akan mudah dibangun dengan biaya

yang relatif murah. Kerugian dari penggunaan bentuk ini adalah resiko

kehilangan konsistensi data dan terbatasnya kemampuan pengguna dalam hal

pengumpulan data.

19

Gambar 2.6 Functional Data warehouse

2. Centralized Data warehouse

Centralized data warehouse ini merupakan database fisikal tunggal yang

memuat semua data untuk area fungsional yang khusus, departemen, divisi,

atau perusahaan. Data warehouse ini digunakan ketika terdapat kebutuhan

akan data informasional dan terdapat banyak end-user yang sudah terhubung

ke komputer pusat atau jaringan.

Gambar 2.7 Centralized Data warehouse

20

Bentuknya menyerupai functional data warehouse, akan tetapi sumber

datanya lebih dahulu dikumpulkan atau diintegrasikan pada suatu tempat

terpusat, baru kemudian data tersebut dibagi-bagi berdasarkan fungsi-fungsi

yang dibutuhkan oleh perusahaan. Bentuk data warehouse terpusat ini sering

digunakan oleh perusahaan-perusahaan yang belum mempunyai jaringan

eksternal. Keuntungan bentuk centralized Data warehouse ini adalah data

benar-benar terpadu karena konsistensi yang tinggi. Namun demikian

membutuhkan waktu yang lama dan biaya yang mahal dalam membentuk data

warehouse seperti ini.

3. Distributed Data warehouse

Distributed data warehouse adalah data warehouse dimana komponen tertentu

dari data warehouse tersebut didistribusikan melewati sebuah database fisikal

yang berbeda. Distributed data warehouse biasanya melibatkan data yang

paling teredundansi, dan sebagai akibatnya, menimbulkan proses load dan

update yang sangat kompleks.

Gambar 2.8 Distributed Data warehouse

21

Distributed data warehouse ini menggunakan gateway yang berfungsi sebagai

jembatan antara lokasi data warehouse dengan workstation yang

menggunakan sistem yang beranekaragam, sehingga pada bentuk data

warehouse ini memungkinkan perusahaan untuk mengakses sumber data yang

terdapat diluar lokasi perusahaan (eksternal). Bentuk data warehouse ini

mempunyai kelebihan dalam hal pengaksesan data dari luar perusahaan yang

telah mengalami sinkronisasi terlebih dahulu dan tetap terjaga konsistensinya.

Tetapi bentuk ini juga memiliki kerugian yaitu bentuk ini merupakan yang

paling mahal dan paling kompleks untuk diterapkan karena sistem operasinya

dikelola secara terpisah.

2.2.4 Arsitektur Data warehouse

Arsitektur data warehouse berdasar pada sebuah server relational

database management system yang berfungsi sebagai pusat penyimpanan data

yang bersifat informatif.

a. Operational Data

Sumber data untuk data warehouse disediakan dari:

• Mainframe data operasional disimpan dalam generasi pertama hirarki

database dan database jaringan.

• Data–data antar bagian departemen yang tersimpan dalam beraneka ragam

sistem proprietary file.

22

• Data internal yang tersimpan di workstation dan private server.

• Data yang berasal dari sistem-sistem eksternal.

b. Operational Datastore

Operational Datastore (ODS) adalah tempat penyimpanan data operasional

terkini dan terintegrasi yang digunakan untuk analisa. ODS sering terstruktur

dan datanya disediakan dengan cara yang sama seperti pada data warehouse.

c. Load Manager

Load manager melaksanakan semua operasi yang berhubungan dengan

ekstraksi dan pemuatan data ke dalam data warehouse. Data diperoleh

langsung dari sumber data atau dari operational datastore. Load manager juga

melakukan transformasi data sederhana untuk mempersiapkan data sebelum

masuk ke dalam data warehouse.

d. Warehouse Manager

Warehouse manager melaksanakan semua operasi yang berhubungan dengan

manajemen data dalam data warehouse. Operasi-operasi yang dilaksanakan

oleh warehouse manager meliputi hal-hal sebagai berikut.

• Analisis data untuk memastikan konsistensinya

• Transformasi dan penggabungan sumber data dari tempat penyimpanan

sementara ke dalam tabel-tabel data warehouse

• Pembuatan index dan view pada tabel-tabel dasar

23

• Generate denormalisasi (jika diperlukan)

• Generate Aggregation (jika diperlukan)

• Back-up dan archive data

e. Query Manager

Query Manager (juga disebut komponen back-end) melaksanakan semua

operasi yang berhubungan dengan manajemen dari query user. Komponen ini

dibuat dengan tool data akses end-user, tool pengawasan data warehouse,

fasilitas database, dan program yang dibuat sendiri.

f. Detailed Data

Pada bagian ini merupakan tempat data warehouse menyimpan semua rincian

data dalam skema database, yang bertujuan untuk melengkapi kumpulan data

untuk data warehouse.

g. Lightly dan Highly Summarized Data

Bagian data warehouse ini menyimpan semua rangkuman data yang

dihasilkan oleh warehouse manager. Tujuan dari rekapitulasi informasi baik

Lightly dan Highly Summarized Data ini adalah untuk mempercepat kinerja

query.

h. Archive/Backup Data

Bagian data warehouse ini menyimpan data detail dan rekapitulasi data untuk

tujuan archive dan backup.

24

i. Meta-Data

Bagian data warehouse ini digunakan untuk menyimpan seluruh definisi

meta-data (data tentang data) yang digunakan oleh seluruh proses di dalam

proses data warehouse.

j. End-user Access Tools

Tujuan utama dari data warehouse adalah menyediakan informasi kepada user

untuk mendukung pengambilan keputusan. User akan berinteraksi dengan

data warehouse menggunakan tools akses end-user.

2.3 Business Intelligence

2.3.1 Definisi Business Inteligence

Turban (2007) menjelaskan Business Intelligence sebagai pendekatan baru

bagi perusahaan yang mengumpulkan, mengatur, dan menggunakan informasi.

Dia percaya bahwa cara lama telah berubah untuk merefleksikan teknologi yang

baru dan masa kini, karena perusahaan membutuhkan keputusan yang cepat (real-

time) berdasarkan data yang ada.

Saat ini, dalam situasi bisnis yang berdaya saing tinggi, nilai dari sistem

informasi strategis sangat terlihat. Tingginya tingkat adopsi dan investasi pada

software BI dan pelayanannya membuktikan bahwa sistem ini sangat dibutuhkan

dalam mendukung pengambilan keputusan bagi perusahaan dalam kondisi pasar

saat ini.

25

Turban mengumpamakan Business Intelligence sebagai sebuah payung,

yang melingkupi arsitektur, tools, database, aplikasi dan metodologi. Turban juga

mengatakan bahwa tujuan utama dari Business Intelligence adalah memungkinkan

akses interaktif dan eksploitasi terhadap data, serta menyediakan data tersebut

untuk digunakan oleh para manajer dan para analis. (Turban et al., 2007)

Dobbs menjelaskan sumber data yang berbeda yang telah dikumpulkan

dan disimpan di perusahaan harus diekstrak dari berbagai sumber, kemudian

diubah menjadi format yang konsisten dan dimuat serta disimpan dalam data

warehouse dan dianalisa untuk mendapatkan keputusan yang tepat, sehingga

menjadi efisien bagi perusahaan. Dengan ini perusahaan dapat membuat

keputusan bisnis yang lebih baik dan lebih cepat dibandingkan dengan para

pesaingnya. (Dobbs et al., 2002)

Green mengindikasikan sebuah bisnis memiliki 8 (delapan) nilai

penggerak yang menyusun kerangkanya. Green juga menambahkan kunci untuk

menangkap informasi bisnis adalah memberikan pertanyaan yang tepat dan

mengetahui dengan jelas apa yang dibutuhkan untuk menjawab pertanyaan

tersebut. Masing-masing nilai penggerak ini mencerminkan pertanyaan utama

yang bersamaan dengan kinerjanya. Berikut dibawah ini adalah layer dari

informasi bisnis yang menempatkan bisnis untuk membangun sebuah intelligence.

26

Gambar 2.9 Menyelaraskan pengendali kapasitas dengan operasi bisnis

Beberapa orang menjelaskan Business Intelligence dengan pendekatan

yang berbeda, salah satu pendekatan ini telah dijelaskan oleh Green. Green

percaya bahwa Business Intelligence membaur menjadi informasi bisnis dan

bukan merupakan entitas tunggal. Green mengumpulkan 3 (tiga) komponen yaitu:

Relationship Intelligence, Competence Intelligence dan Structure Intelligence.

• Relationship Intelligence mengenal bagaimana relasi antara para pekerja

knowledge mempengaruhi kinerja perusahaan.

• Competence Intelligence mengenal bagaimana kemampuan dari para pekerja

knowledge mempengaruhi kinerja perusahaan.

• Structure Intelligence mengenal bagaimana lingkungan infrastruktur

perusahaan mempengaruhi kinerja perusahaan. (Green, 2007)

27

Tabel 2.1 Business Intelligence dengan Tiga Komponen Besar di dalamnya

Chou menegaskan bahwa banyak perusahaan yang menggunakan BI agar

perusahaan dapat merasiokan ROI (return on investment) mereka. Menurut

pandangan Chou, BI mengumpulkan data dengan menggunakan ERP, CRM

(Customer Relationship Management) dan data intensif lainnya. Sistem BI dapat

menggambarkan data dalam sistem ERP dan kemudian menghasilkan analisa-

analisa yang beragam dan kemudian menjadikannya dalam bentuk laporan yang

28

akan membantu para pengguna dalam mengambil keputusan dengan akurat dan

tepat waktu.

Chou juga menambahkan bahwa BI sangat kompeten untuk menganalisa

skenario bisnis baik dalam jangka waktu yang pendek maupun jangka waktu yang

panjang; hal ini dapat terjadi dengan menggunakan data yang mudah diakses dan

dibatasi oleh sistem informasi perusahaan tersebut. Teknologi BI dapat

diutilisasikan untuk perusahaan apapun untuk melakukan konfigurasi informasi ke

dalam sistem ERP dan data-data lainnya seperti data warehouse dan data lainnya

untuk mencapai pengambilan keputusan yang efektif. Banyak perusahaan harus

bergantung pada sumber informasi tunggal (contoh sistem transaksi) untuk

menjalankan operasi harian mereka. Bagaimanapun juga, sistem transaksi ini

tidak pernah menemukan kebutuhan dari pihak manajemen untuk menemukan

tren dan model yang akan meningkatkan bisnis mereka. (Chou et al, 2005)

Rasmussen percaya bahwa perusahaan membutuhkan BI yang efektif

untuk pengambilan keputusan yang lebih baik. Rasmussen mengatakan bahwa

pada masa lalu, perusahaan telah menghabiskan waktu yang banyak dalam

menyiapkan data dan laporan keuangan, tetapi mereka menghabiskan waktu yang

sedikit untuk melakukan analisa terhadap data. (Rasmussen et al, 2002)

Chou mempertimbangkan proses BI sebagai competitive advantage bagi

perusahaan dalam pangsa pasar masa kini. Knowledge dan informasi mengenai

para customer, dealer, produk, dan pasar akan memperbolehkan pengambilan

keputusan yang bijaksana dalam perusahan yang akan mengakibatkan

pertambahan pendapatan, pengurangan biaya dan menambah keuntungan atau

29

profit. Terpisah dari alat-alat pelaporan yang kuno seperti, spreadsheet, alat

laporan yang disediakan oleh BI menyediakan interface secara visual untuk

mengarahkan dan mengemudikan melalui sumber data yang multi dimensional

yang tersimpan dalam sistem transaksi. Hal ini dapat dijadikan pertanda bagi para

pengambil keputusan dan para analisator akan mendapatkan akses yang lebih

mudah, lebih cepat untuk mengakses informasi yang updated dan yang tentu saja

akan mendukung pengambilan keputusan yang lebih cepat dan lebih baik. Pada

akhirnya Chou menyimpulkan bahwa BI dapat merubah pandangan yang berbeda

dari sistem data yang tersedia. (Chou et al, 2005)

Gambar 2.10 Mengapa solusi dari Business Intelligence sangat dibutuhkan

2.3.2 Business Inteligence Tools

Business Intelligence memiliki beberapa tools; dimana tools tersebut dapat

digunakan untuk memproduksi beberapa aspek dari sudut pandang bisnis melalui

30

pengontrolan terhadap data yang telah ada (existing data) yang direkam oleh

sistem informasi milik perusahaan.

Cody menyatakan bahwa Business Intelligence menyelesaikan pembuatan

keputusan dengan cara memanfaatkan data warehouse dan online analytical

processing techniques (OLAP). Ia menjelaskan bahwa data warehouse sebagai

proses untuk mengumpulkan data-data yang berhubungan dan memasukkannya ke

dalam tempat penyimpanan data, dimana semua data diatur dan diberikan

otorisasi sehingga tujuan untuk pengambilan keputusan dapat dicapai.

Adanya beberapa jenis data bisnis telah ditransformasi dan diambil dari

sistem transaksi menjadi data warehouse. Yang terpenting dari proses data

warehouse adalah data cleansing dimana adanya variasi terhadap skema data dan

nilai data dari sistem transaksi ditetapkan dan ditentukan.

Tools dari berbagai vendor menyediakan cara permintaan data dan

tampilan ke data warehouse yang berbeda untuk semua penggunanya. Untuk data

yang besar, data warehouse dapat menahan hingga 10 TB data (Cody et al., 2002;

Herschel dan Jones, 2005).

Azvine memperkenalkan fitur-fitur yang umum pada Business Intelligence

software yaitu sebagai berikut:

• Laporan dan Visualisasi dengan menggunakan trend analysis,

• Customer behavior analysis, dan

• Predictive modeling.

31

Ia mengindikasikan bahwa Business Intelligence membutuhkan 3 (tiga)

kategori utama dari teknologi – data warehouse, analytical tools, dan reporting

tools. Ia menjelaskan bahwa data warehouse sebagai alat untuk mengumpulkan

data dari sumber-sumber yang berbeda, dimana bisa saja itu berupa database, teks

yang tidak terstruktur dan menyatukan mereka untuk dilakukan analisa yang lebih

dalam lagi. Sedangkan analytical tools sebagai alat untuk menganalisa dan yang

kemudian mendapatkan pengetahuan. Visualisasi dan alat untuk pelaporan

menciptakan output yang didesain untuk para pengguna informasi yang biasanya

merupakan pengguna bisnis dan bukan analis. Tools yang disebutkan diatas

menghasilkan laporan-laporan dengan beberapa detil yang berbeda (Azvine et al.,

2005).

Chou menekankan bahwa Business Intelligence memainkan peran besar

dari modifikasi yang terjadi terhadap kualitas pengambilan keputusan. Bisnis

perlu memfokuskan kegiatan Business Intelligence mereka dalam area

pengurangan biaya, analisa profitabilitas, analisa penggunaan produk / jasa, target

pemasaran, hubungan pemasaran dan CRM dalam rangka untuk membuat bisnis

mereka semakin kompetitif. (Chou et al., 2005)

2.3.3 Model-Model Business Inteligence

Von Krogh memperkenalkan Business Intelligence sebagai proses untuk

mengumpulkan semua informasi dari berbagai bidang bisnis; proses

mentransformasi data menjadi informasi dan kemudian menjadi knowledge. BI

merupakan kompetensi inti yang sangat berharga dan harus dikelola seperti faktor

32

tradisional tenaga kerja, modal dan bahan baku (Von Krogh et al., 1998; dikutip

oleh Green, 2006).

Schermerhorn mengatakan bahwa proses Business Intelligence umumnya

terdiri dari serangkaian kegiatan yang melibatkan mengidentifikasi,

mengumpulkan, mengembangkan, menganalisa, dan menyebarkan informasi.

Salah satu langkah penting dalam proses ini adalah untuk mengidentifikasi

pelanggan, pemasok, pesaing, pemegang saham, kelompok masyarakat yang

berkepentingan, serikat buruh, partai politik, pemerintah atau variabel lain di

lingkungan yang akan dipantau (Schermerhorn, 2001; dikutip oleh Chau et al,

2006).

Azvine telah memperkenalkan cara pandang yang berbeda dari BI dan

menetapkan bahwa BI adalah tentang bagaimana memotret, mengakses,

memahami, menganalisis dan mengubah salah satu aset yang paling berharga dari

suatu perusahaan - data mentah - menjadi informasi bermanfaat dalam rangka

meningkatkan kinerja bisnis. (Azvine et al., 2005)

Michalewicz menggambarkan tujuan umum dari sistem BI sebagai

berikut; (1) Penerimaan data dari beragam sumber yang berbeda, (2)

mengkonversi data menjadi informasi, dan kemudian menjadi pengetahuan, dan

(3) menyediakan sebuah antarmuka grafis yang dapat diakses untuk menampilkan

pengetahuan ini. Dalam pandangannya sistem BI bertanggung jawab atas

pengumpulan dan pengolahan data, dan menyajikan pengetahuan dengan cara

yang mudah dipahami, yang berarti meningkatkan kemampuan pengguna akhir

33

untuk membuat keputusan yang baik. Gambar berikut ini menunjukkan proses

yang mendukung sistem BI tradisional. (Michalewicz et al., 2007)

Gambar 2.11 Transformasi data menjadi pengetahuan

Dalam gambar ini, Anda dapat melihat proses BI.

Gambar 2.12 Business Intelligence - merubah data menjadi informasi kemudian menjadi tindakan

Nadeem menjelaskan BI sebagai proses pengumpulan informasi

berkualitas tinggi dan bermakna tentang subyek yang diteliti yang akan membantu

34

individu menganalisis informasi, menarik kesimpulan atau membuat asumsi.

(Jonathan, DMR 2000; dikutip oleh Nadeem dan jaffri, 2007)

Gambar 2.13 Proses BI

Rieger menjelaskan BI sebagai proses tiga langkah. Proses tersebut adalah:

"integrasi data, penyimpanan data dan penggunaan data" dan ia menunjukkan

bahwa langkah yang paling penting dalam proses ini adalah integrasi data, yang

mencakup teknik untuk mengambil data dari sumber data internal atau eksternal.

Umumnya, data diambil dari sistem database melalui suatu proses yang disebut

ETL (extract, transform, and load). (Rieger, 2005)

Giovinazzo mendefinisikan proses BI sebagai loop yang terdiri dari tiga

langkah mendasar: "memperoleh data, menganalisis data, dan mengambil

tindakan berdasarkan data". (Giovinazzo, 2002)

35

Gambar 2.14 Business Intelligence loop

2.4 Data mining

2.4.1 Definisi Data mining

Menurut arti kata secara harafiahnya data mining berarti menambang data

atau informasi. Informasi tersebut haruslah bersifat valueable atau mempunyai arti

bagi perusahaan dan memberikan keuntungan. Secara makro, algoritma data

mining adalah bagian dari KDD (Knowledge Discovery in Database). Data

mining tidak spesifik untuk tiap industri. Data mining menyediakan teknologi

yang pintar dan kemampuan untuk menjelajahi kemungkinan informasi atau

pengetahuan yang tersimpan di sebuah data (Berson, Alex, 1999, p33).

Data mining merupakan perkembangan proses setelah proses data

warehouse. Perbedaan mendasar antara data mining dengan data warehouse atau

36

pun data analysis adalah data mining mengambil sumber-sumber data yang

hendak diolah dari data warehouse. Data tersebut kemudian akan di analisis lebih

lanjut untuk mendapatkan informasi berharga (Comaford, 1997). Salah satu

kegunaan data mining adalah prosesnya dapat digunakan untuk menemukan pola

yang bernilai dan hubungan yang tersembunyi dalam database yang sangat besar.

Oleh karena pencarian menggunakan tabel dan record sangat jarang menemukan

pola yang berguna, maka data biasanya dianalisa secara otomatisasi (Adriaans dan

Zantinge 1996, p5).

Data mining adalah pengembangan manual ilmu statistik dengan sedikit

artificial intelligence; seperti sebuah mesin yang mempelajari data untuk

mengatasi masalah dengan menghasilkan informasi yang tidak kelihatan atau

tidak disadari oleh pengguna informasi tersebut (Thearling, Kurt, 1997).

Pada dasarnya data mining menyangkut analisis data dan penggunaan

teknik-teknik dalam menemukan pola dan keteraturan kumpulan data. Pada proses

data mining, komputerlah yang bertanggung jawab untuk menemukan pola

dengan identifikasi rules dan fitur dalam data. Idenya adalah menemukan “emas”

di tempat yang tidak terduga. Data mining menggali pola-pola yang tidak terlihat

sebelumnya atau yang tidak disadari sebelumnya (www.pcc.qub.ac.uk). Data

mining adalah proses penemuan korelasi baru, pola dan trend yang bermanfaat

dengan menggali sejumlah besar kumpulan data yang tersimpan dalam data

warehouse (Berson, 1999, p33).

37

2.4.2 Tahapan Data mining

Istilah data mining sering kali digunakan secara bergantian untuk

menjelaskan proses penggalian informasi tersembunyi dalam suatu database yang

besar. Data mining adalah suatu rangkaian proses. Data mining dapat dibagi

menjadi beberapa tahap sebagai berikut.

1. Data selection

Pemilihan (seleksi) data baru sekumpulan data operasional perlu dilakukan

sebelum tahap penggalian informasi dalam data mining dimulai. Data hasil

seleksi yang akan digunakan untuk proses data mining, disimpan dalam suatu

berkas; terpisah dari database operasional.

2. Pre-processing Cleaning

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses

pembersihan pada data yang menjadi fokus data mining. Proses pembersihan

mencakup antara lain membuang duplikasi data, memeriksa data yang tidak

konsisten, dan memperbaiki kesalahan pada data, seperti juga kesalahan cetak

(tipografi). Juga dilakukan proses enrichment, yaitu proses “memperkaya”

data yang sudah ada dengan data atau informasi lain yang relevan dan

diperlukan untuk data mining, seperti data atau informasi eksternal.

3. Tranformation

Coding adalah proses transformasi pada data yang telah dipilih, sehingga data

tersebut sesuai untuk proses data mining. Proses coding dalam data mining

38

merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi

yang akan dicari dalam database.

4. Data mining

Data mining adalah proses mencari pola atau informasi menarik dalam data

terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode,

atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau

algoritma yang tepat sangat bergantung pada tujuan dan proses data mining

secara keseluruhan.

5. Interpretation Evaluation

Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan

dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap

ini merupakan bagian proses data mining yang disebut dengan interpretation.

Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan

bertentangan dengan fakta atau hipotesis yang ada sebelumnya.

Dalam proses data mining yang sesungguhnya, dapat saja terjadi iterasi atau

pengulangan pada tahap-tahap tertentu. Seorang analis dapat saja kembali ke

tahap sebelumnya pada proses data mining. Pada saat coding atau data mining

misalnya, analis menyadari proses cleaning belum dilakukan dengan sempurna,

atau mungkin saja analis menemukan data atau informasi baru untuk

“memperkaya” data yang sudah ada.

39

2.4.3 Metode Data mining

Walaupun data mining adalah bagian kecil dari KDD, tetapi pada saat

penerapannya, sangat dirasakan bahwa sembilan proses perencanaan dari KDD

semuanya terkait jelas dan masuk ke dalam bagian proses data mining. Sebagai

salah satu bagian dari sistem informasi, data mining meyediakan perencanaan,

mulai dari ide hingga implementasi akhir. Komponen-komponen perencanan data

mining adalah sebagai berikut (Goebel, Gruenwalds, 1999).

• Analisis masalah berdasarkan tingkatan fakta yang ada dilapangan

• Memilih atau membuat tabel-tabel data yang hendak dipelajari

• Mengekstrak dan membersihkan data untuk kemudian diintegrasikan

• Memvalidasi data, mengurangi redundansi dan kerusakan data

• Membuat dan melatih model, namun tidak lupa membuat hipotesisnya

• Query data

• Memilih dan menerapkan teknik data mining yang tepat, sesuai dengan

kondisi fakta yang berlaku di lapangan

• Memprediksi hasil data mining tersebut, supaya gambarannya bisa diperoleh

secara visual

• Hasil data mining tersebut diuji kembali dalam berbagai kondisi, kemudian

baru dilakukan proses pemeliharaan data mining atau maintance data

mining’s software.

40

Menurut Seidman, sebagai salah satu bagian dari sistem informasi, data

mining menyediakan perencanaan, mulai dari ide dasar hingga implementasi

akhir. Komponen-komponen dari rencana data mining adalah sebagai berikut

(Seidman, 2000, pp 9-11).

1. Analisis masalah

Data sumber harus dianalisis, apakah layak untuk dijadikan data mining atau

tidak. Kualitas dan kelimpahan data adalah faktor utama untuk memutuskan

apakah data tersebut cocok. Sebagai tambahan, proses data mining harus

dilakukan dengan hati-hati dan dipastikan bahwa data tersebut mengandung

jenis informasi yang tepat dan dapat diekstrak.

2. Mengekstrak dan membersihkan data

Data pertama kali diekstrak dari data aslinya seperti OLTP Database, text file,

Microsoft Access database, dan bahkan spreadsheet. Kemudian data tersebut

diletakkan dalam data warehouse yang mempunyai struktur model data yang

kompatibel. Umumnya Data Transformation Services (DTS) dipakai untuk

mengekstrak data dan membersihkan data yang tidak konsisten dan yang tidak

kompatibel dengan format tertentu.

3. Validasi Data

Setelah data diekstrak dan dibersihkan, data tersebut ditelusuri kembali agar

data tersebut ada dan lengkap.

41

4. Membuat dan melatih model

Ketika algoritma diterapkan pada model, maka sebuah struktur dibangun.

Pada tahap ini sangat penting untuk memastikan bahwa data yang dibangun

sesuai dengan fakta yang ada pada sumber. Hal ini tidak dapat dilakukan

secara rinci, akan tetapi keanehan data yang serius dapat ditemukan dengan

mudah pada model yang dibangun.

5. Membuat query model data dari Data mining

Ketika model yang tepat telah diciptakan dan dibangun, data tersebut siap

digunakan sebagai pendukung keputusan. Hal ini biasanya melibatkan

penulisan aplikasi front end query dengan suatu program aplikasi atau suatu

program database seperti SQL Server melalui OLE DB atau melalui data

mining.

6. Pemeliharaan model data mining

Karakteristik data mining yang telah terisi harus terjaga validasinya, seperti

persediaan jumlah ikan pada toko ikan. Apabila terjadi suatu perubahan pada

persediaan stok ikan tersebut maka perubahan tersebut haruslah dicatat

(updated), sehingga data mining yang terbentuk akan menjadi lebih efektif.

2.4.4 Teknik Data mining

Dilihat dari sejarahnya data mining berasal dari gabungan berbagai cabang

ilmu. Berbagai cabang ilmu tersebut meliputi matematika, statistika, dan teknik

42

informasi. Untuk klasifikasi, teknik data mining dikelompokkan menjadi vector

machines, tingkat korelasi sederhana, regresi linier, regresi non linier, algoritma

genetika, jaringan syaraf tiruan, dan sistem pengambilan keputusan berdasarkan

model pohon pengambilan keputusan, serta pemodelan-pemodelan ilmu

matematika dan statistika. Sampai saat ini para ilmuwan belum dapat

mengelompokannya secara makro. Pohon pengambilan keputusan atau decision

tree akan dijelaskan lebih lanjut pada bagian berikutnya. Contoh gambar

pengambilan keputusan berdasarkan model pohon pengambilan keputusan adalah

sebagai berikut.

Gambar 2.15 Pohon Pengambil Keputusan

Perkembangan cabang-cabang ilmu tersebut mendorong perkembangan

teknik-teknik data mining. Salah satu teknik, adalah Evolutionary Operations

(EVOP, George B Dantzig, 1947) yang terbagi antara algoritma metode simplex

43

dan metode simplex M. Penerapan EVOP sudah dilakukan pada perusahaan

farmasi di beberapa negara eropa sejak tahun 1991. Perkembangan EVOP

memunculkan metode baru yakni fungsi variabel simplex berdasarkan skala

proses produksi yang besar. Contohnya terlihat pada gambar berikut ini.

Gambar 2.16 Fungsi Variabel Simplex Skala Besar

Seiring perkembangannya, teknik data mining disusun dan dirapikan secara

keilmuan, lalu dihasilkanlah dua pembagian teknik mendasar (makro), yaitu

teknik klasik (Classical Techniques) dan teknik generasi berikut (Next

Generation). Teknik klasik terdiri dari teknik statistik, neighborhoods, dan

clustering, sedangkan teknik generasi berikut atau yang biasa dikenal predictive

analytics terdiri dari decision trees, networks, dan rules.

44

1. Teknik Klasik

a. Statistik

Statistik adalah salah satu cabang ilmu matematika mengenai lokasi dan

deskripsi data. Teknik statistik pada data mining adalah teknik yang

dikendalikan oleh data dan digunakan untuk menemukan pola-pola informasi

dan membangun model-model prediktif.

Salah satu hal terpenting tentang statistik adalah dalam hal representasi

high-level view dari database yang ada, yang menyediakan informasi-

informasi berguna tanpa mengharuskan setiap record dimengerti secara detail

(Berson, 2000, p126).

Salah satu cara terbaik dalam meringkas data adalah dengan

menyediakan histogram data tersebut. Beberapa kategori yang paling sering

digunakan untk meringkas data antara lain adalah sebagai berikut.

• Max, yaitu nilai maksimum dari predictor

• Min, yaitu nilai minimum dari predictor.

• Mean, yaitu nilai rata-rata dari predictor.

• Median, yaitu nilai tengah dari predictor.

• Modulus, yaitu nilai yang paling sering muncul dari predictor.

• Variance, yaitu ukuran sebaran nilai rata-rata.

b. Neighborhoods

45

Nearest neighbor adalah suatu teknik prediksi yang hampir sama seperti

clustering. Teknik ini digunakan untuk memprediksi nilai prediksi dalam

suatu record, mencari record lain yang mempunyai nilai prediksi yang mirip

dalam database historik, dan menggunakan nilai prediksi dari record yang

terdekat dengan record yang belum diklarifikasi (Berson, 2000, pp 134-139).

Teknik nearest neighbor adalah teknik data mining yang paling mudah

digunakan dan dimengerti karena teknik ini bekerja seperti cara manusia

berpikir, yaitu dengan mengenali contoh-contoh yang hampir sama. Teknik

algoritma prediksi nearest neighbor dapat dinyatakan sebagai berikut.

“Obyek-obyek yang saling berdekatan akan memiliki nilai prediksi yang

hampir sama. Karena itu, jika diketahui nilai prediksi dari salah satu obyek-

obyek tersebut, maka dapat memprediksi nilai obyek yang paling dekat

(nearest neighbor).”

Aspek lain, yang juga penting pada sistem yang digunakan untuk

prediksi, adalah pengguna tidak hanya diberikan prediksi, tetapi juga tingkat

kepercayaan pada prediksi itu. Algoritma nearest neighbor menyediakan

informasi dengan tingkat kepercayaan melalui berbagai cara. Jika

“tetangganya” memiliki nilai yang sangat mirip atau sama persis, maka tingkat

kepercayaannya akan lebih tinggi daripada jika “tetangga” terdekatnya

memiliki nilai yang jauh.

c. Clustering

Clustering adalah suatu metode di mana record dikelompokkan bersama.

Hal ini dilakukan untuk memberikan high-level view terhadap apa yang ada

46

dalam database. Clustering kadang-kadang digunakan untuk membuat

segmentasi pasar, yang sangat berguna bagi orang-orang pemasaran.

Cluster membangun seluruh record yang terdapat di dalamnya yang

memiliki nilai yang sama dari predictor tertentu yang dikelompokkan.

Membentuk cluster yang homogen dengan nilai predictor yang sama sulit

untuk dilakukan, jika terdapat banyak predictor dan atau predictor lain

memiliki nilai yang berbeda (high cardinality). Cluster yang homogen

dibentuk dan memecah cluster yang tidak homogen dipecah menjadi cluster

yang lebih kecil dan homogen.

Batasan penting dalam clustering adalah jumlah cluster secara logis

dibentuk. Logis atau tidak logis ditetapkan oleh pengguna. Namun sulit untuk

mengukur cluster yang tidak dapat diterima (terlalu generalisasi) dan banyak

cluster dan record asli yang juga tidak diterima. Banyak algoritma clustering

memperbolehkan pengguna untuk memilih jumlah kelompok yang ingin

dibentuk dari database. Atau algoritma memperbolehkan pengguna

membentuk sejumlah kelompok secara interaktif setelah clustering terbentuk

(Berson, 2000, pp 139-146).

2. Teknik Predictive Analytics

a. Decision tree

Decision tree adalah sebuah predictive model yang dapat dilihat sebagai

pohon. Masing masing cabang dari pohon mengklasifikasikan pertanyaan dan

47

daun dari pohon merupakan bagian dari dataset dengan klasifikasinya.

Decision tree mewakili serangkaian pertanyaan-pertanyaan. Jika pertanyaan-

pertanyaan tersebut dipilih sangat baik, serangkaian pertanyaan pendek cukup

untuk menggolongkan secara akurat sebuah record yang masuk.

Decision tree merupakan tools yang paling bagus dan paling terkenal

untuk klasifikasi dan prediksi. Pada metode berbasis tree, decision tree

mewakili rules yang bertolak belakang dengan neural network.

Algoritma untuk merancang decision tree bervariasi dan masing-masing

memiliki ciri-ciri explicability. Dua algoritma yang paling sering digunakan

adalah CART (Classification and Regression Trees) adalah suatu algoritma

prediksi dan explorasi data, dikembangkan oleh Leo Breiman, Jerome

Friedman, Richard Olshen, dan Charles Stone dan CHAID (Chi-Square

Automatic Interaction Detector). CHAID menggunakan chi square test untuk

menentukan predictor categorical mana yang lebih jauh dari independent

dengan nilai yang diprediksi. Teknik-teknik tersebut menggunakan klasifikasi

dan regresion trees serta deteksi interasi secara otomatis chi-squared.

Algoritma yang lebih baru adalah C4.5 yang semakin terkenal (Berson, 2000,

pp156-165).

b. Neural network

Neural network merupakan teknik data mining yang paling umum.

Neural network mempelajari dari training set dan membentuk suatu pola di

dalamnya untuk klasifikasi dan prediksi. Keuntungan utama dari neural

network adalah dapat diterapkan secara luas. Teknik ini sangat menarik karena

48

dapat mendeteksi pola data secara analog, sejalan dengan pikiran manusia;

merupakan bagian penting untuk data mining tool.

Neural network memiliki dua kekurangan utama. Pertama, sulit untuk

mengerti model yang dihasilkan. Kedua, kadang-kadang sensitif terhadap

format data yang masuk. Representasi data yang berbeda dapat menghasilkan

hasil yang berbeda pula. Karena itu pengaturan data merupakan bagian yang

sangat penting sebelum digunakannya (Berson, 2000, p167).

c. Rule Induction

Rule induction merupakan salah satu bentuk utama dari data mining dan

mungkin bentuk paling umum dari knowledge discovery dalam unsupervise

learning system. Teknik ini juga merupakan bentuk dari data mining yang

paling mendekati proses berpikir sebagian besar orang berpikir mengenai data

mining. Data mining adalah menggali emas melalui database besar. Emasnya

dalam hal ini merupakan sebuah rule yang memberikan sesuatu mengenai

database yang tidak diketahui dan mungkin tidak secara jelas dikemukakan.

Rule induction di dalam database dapat menjadi usaha besar, di mana

semua pola diambil dari data secara sistematis. Kemudian keakuratan dan

kepentingan ditambahkan agar pengguna mengetahui seberapa kuat pola

tersebut dan seberapa sering pola tersebut muncul kembali.

Rules yang diambil dari database digali dan dipesan untuk disajikan

kepada pengguna, berdasarkan persentase kebenarannya dan seberapa sering

dipergunakan.

49

Kelemahan rule induction ternyata sekaligus merupakan kekuatannya

juga. Teknik ini menghasilkan segala kemungkinan pola yang menarik dari

database. Hal ini merupakan kekuatan karena tidak ada input yang lolos.

Kelemahannya adalah pengguna dihadapkan pada rules dalam jumlah besar

yang sulit untuk ditelusuri satu per satu (Berson, 2000, p183).

2.4.5 Penggunaan Data mining

Banyak perusahaan menggunakan data mining untuk keperluan sebagai

berikut (Berson, 2000, p34).

1. Knowledge Discovery

Tujuan dari penemuan adalah untuk menemukan korelasi, hubungan atau pola

tersembunyi pada data yang tersimpan dalam database suatu perusahaan.

2. Visualize Data

Seorang analis harus dapat memvisualisasikan informasi yang besar yang

tersimpan di dalam database. Tujuannya adalah mengurangi besar data yang

harus ditangani dan menemukan cara yang jitu untuk menampilkannya.

3. Correct Data

Jika beberapa database digabungkan, sering terjadi ketidaklengkapan data

yang terdiri dari informasi yang salah dan saling bertentangan. Teknik data

mining dapat membantu mengidentifikasian dan memperbaiki kesalahan

secara konsisten.

50

2.4.6 Kategori Data mining

Teknik data mining berhubungan dengan penemuan dan pembelajaran.

Pembelajaran tersebut dapat dibagi menjadi tiga metode utama, yaitu supervised,

unsupervised, dan reinforcement (Berson, 2000, pp36-37).

1. Supervised

Teknik ini melibatkan tahap pelatihan di mana data lama yang telah dilatih

tersebut memiliki characteristic map yang telah diketahui terlebih dahulu

untuk diberikan pada algoritma data mining. Proses ini melatih algoritma

untuk mengenali variabel dan nilai-nilai kunci yang kemudian menjadi dasar

untuk membuat prediksi ketika membaca data baru.

2. Unsupervised

Tidak melibatkan tahap pelatihan, tetapi bergantung pada penggunaan

algoritma yang mendeteksi semua bentuk seperti asosiasi dan rangkaian yang

terjadi berdasarkan kriteria yang spesifik dalam memasukkan data.

Pendekatan ini menghasilkan bentuk yang mempunyai banyak peraturan, yang

menggolongkan penemuan asosiasi, cluster, dan segment. Peraturan ini

kemudian akan menentukan pola secara universal.

3. Reinforcement

Walaupun jarang digunakan dibandingan metode lain, tetapi reinforcement

memiliki aplikasi guna mengoptimalkan waktu dan penyesuaian kontrol.

Metode ini sangat mirip dengan realita karena tidak menyediakan tindakan

51

untuk melakukan koreksi dengan segera tetapi dapat digunakan untuk

memecahkan sebagian masalah ketergantungan waktu yang sulit.

2.5 Kualitas Informasi (Information Quality)

2.5.1 Hubungan Antara Kualitas Informasi dan Business Intelligence

Fokus pada kualitas informasi yang terkait dengan business intelligence

telah disorot oleh sejumlah artikel (Dubois, 2005; Raghunathan, 1999; Watson &

Wixom, 2007; Wixom et al., 2001; Han & Gao, 2009; Yeoh et al. , 2008)

"Kemampuan aplikasi BI untuk membantu para eksekutif membuat

keputusan akhirnya tergantung pada kualitas relatif dari data dalam aplikasi"

(Dubois, 2005, hal.1)

Kualitas informasi telah menjadi bagian dari implementasi sistem informasi

sejak DeLone & McLean mengusulkannya sebagai faktor penting untuk

implementasi pada tahun 1992. Yeoh et al. (2008, hal 90) juga menemukan

bahwa:

"Kualitas data, khususnya pada sistem sumber, sangat penting jika sistem BI

ingin diimplementasi dengan sukses."

Yeoh et al. (2008) menyatakan bahwa data perusahaan hanya dapat

dimanfaatkan untuk nilai yang lebih besar jika kualitas dan integritas data telah

terjamin. Mereka juga menemukan bahwa tidak cukup waktu untuk memastikan

bahwa kualitas informasi yang dikelola oleh proses pemerintahan data.

52

Raghunathan (1999) meneliti pengaruh kualitas informasi dan kualitas

pengambilan keputusan pada kualitas keputusan untuk menyelidiki apakah

kualitas informasi dapat meningkatkan kinerja aktual pengambilan keputusan.

Kualitas pengambil keputusan kualitas mengacu pada kualitas proses pengambilan

keputusan. Mereka sampai pada kesimpulan bahwa:

"Dalam situasi di mana hubungan yang tepat antar variabel masalah ada,

kualitas keputusan meningkat bersamaan dengan peningkatan kualitas informasi

untuk para pengambil keputusan dengan pengetahuan yang akurat tentang

hubungan tersebut. Namun, untuk pembuat keputusan yang tidak memiliki

pengetahuan cukup akurat tentang hubungan tersebut, kualitas keputusan bisa

menurun ketika kualitas informasi meningkat. Jika kualitas pengambil keputusan

meningkat secara bersamaan dengan kualitas informasi, maka kinerja meningkat

dengan kualitas informasi." (Ragunathan, 1999, hal 284)

Strong et al. (1997) menyajikan beberapa contoh masalah kualitas informasi

yang dapat berguna ketika menggambarkan area tersebut. Misalnya, ada masalah

ketidakkonsistenan di mana dua sistem yang seharusnya berisi informasi yang

sama tetapi ternyata tidak. Hal ini juga bisa menyulitkan atau memakan waktu

dalam menggunakan informasi karena jumlah informasi dalam sistem sangat

banyak. Masalah-masalah ini mempengaruhi penggunaan informasi (Strong et al.,

1997) dan seperti yang telah dijelaskan oleh Ragunathan (1999) di atas, aspek-

aspek kualitas informasi dan pengetahuan pengambil keputusan tentang aspek-

aspek yang mempengaruhi pembuat keputusan dan keputusan mereka. Tujuan

utama dari BI adalah untuk mendukung pengambilan keputusan suara (Marshall et

al., 2004).

53

2.5.2 Membangun Kualitas Informasi

BI bergantung pada beberapa jenis data warehouse untuk

mengkonsolidasikan data dan karena itu penting untuk menyertakan hubungan

antara IQ dan DW. Banyak artikel berpengaruh tentang IQ juga disusun dengan

fokus pada DW dan mencoba untuk menjelaskan bahwa DW pasti menciptakan

beberapa peningkatan dalam IQ, masih ada lagi perbaikan yang bisa dibuat dan

banyak isu-isu terkait pada area ini (Watson et al., 2001).

Bagian paling penting dari DW, menurut Han dan Gao (2009), bukan

teknologi itu sendiri, melainkan untuk mencapai sebuah cara yang berkelanjutan

untuk memastikan kualitas informasi. English (1996) menyatakan bahwa kualitas

informasi di sebuah data warehouse sangat penting dan bahwa keberhasilan

kualitas informasi tergantung pada data cleansing dan peningkatan kualitas data.

Data cleansing merujuk kepada:

"Proses ekstraksi data dari sumber yang paling otoritatif, pengkondisian atau

rekondisi ke keadaan berkualitas, dan memuatnya ke warehouse. Hal ini termasuk

menganalisa data untuk menemukan makna atau penggunaan sebenarnya,

standardisasi data ke dalam atribut atom, mengidentifikasi dan

mengkonsolidasikan duplikasi, menghitung turunan dan ringkasan data, dan

akhirnya memuat data ke dalam warehouse." (English, 1996, p56)

Perbaikan kualitas data, bagaimanapun juga, memperhatikan proses

mencegah data yang tidak berkualitas agar tidak masuk (English, 1996).

Han & Gao (2009) menyoroti fakta bahwa terlalu banyak pengembang DW

salah memulai karena fokus awal mereka adalah untuk membuat business

54

intelligence dan membuat analisa atau pelaporan analisis. Ini tidak dapat dicapai

tanpa adanya data yang dapat diandalkan dan untuk membuat data yang dapat

diandalkan perlu melangkah lebih jauh dari sekedar membersihkan data yang ada

(Han & Gao, 2009).

"Jika sistem secara konsisten melanggar aturan bisnis atau jika aturan bisnis

tidak didefinisikan dengan baik, maka sebanyak apapun pekerjaan yang dilakukan

di daerah staging (persiapan, format dan pembersihan data untuk penggunaan

DW) tetap tidak akan menghasilkan data yang bersih." (Han & Gao, 2009, hal

216-217)

Pentingnya memahami hubungan antar variabel data (Raghunathan, 1999)

serta menetapkan aturan bisnis dan proses tata kelola yang baik, untuk

memastikan bahwa data yang dibersihkan tetap bersih dan kualitatif (Han & Gao,

2009; English, 1996) adalah penting dalam realisasi Kualitas Informasi.