TUGAS PAPER

Data Mining dan Contoh Penerapan Data Mining Dalam Perusahaaan

Nama :

Leni Gustini 1501166301

06 PJM

Abstrak

Tujuan dari pembahasan mengenai topik data mining ini adalah untuk memberikan

pengetahuan dan informasi kepada para pembaca mengenai data mining yang telah dikenal di

perusaahan. Di dalam perusahaan pasti mempunyai data yang penting, data-data penting itu

dikumpulkan dan di simpan di dalam data warehouse. Dalam data warehouse berisi kumpulan

data yang akan berguna bagi perusahaan untuk mengambil keputusan. Namun, data yang ada

di data warehouse sangatlah banyak, jadi kita harus menggunakan data mining dalam

pencarian data ataupun informasi yang dicari.

Selain data mining, ada juga data mart yang saling terkait yang digunakan untuk

memdukung satu sama lain. Data mining sendiri dapat berguna dan memberikan solusi bagi

perusahaan seperti yang akan di bahas didalam paper ini dan juga kita bisa melihat contoh

penerapan data mining di beberapa perusahaan.

Metode analisa yang digunakan didalam paper ini adalah metode pengumpulan data

melalui e-jurnal,artikel,penelitian ilmah maupun sumber lain yang dapat ditemukan dengan

pencarian melalui internet.

Kata kunci : Data, Data Warehouse, Data Mining, Data Mart

BAB I

Pendahuluan

1.1 Latar Belakang

Saat ini kemajuan teknologi sudah sangatlah berkembang dengan pesat.

Kebutuhan perusahaan dan traksaksi yang dilakukan perusahaan sangatlah banyak,

setiap transaksi di dalam perusahaan di kumpulkan dan disimpan agar data atau

informasi tersebut dapat membantu perusahaan dalam pengambilan keputusan.

Kumpulan data yang ada disimpan di dalam perusahaan disebut data warehouse,

karena kumpulan data yang banyak bagaimana cara perusahaan mencari atau

menemukan informasi dan data yang dibutuhkan oleh perusahaan untuk suatu

masalah.

Dalam perkembangannya,munculah data mining yang digunakan untuk

mencari data, informasi maupun knowledge yang berguna bagi perusahaan. Dengan

kehadiran data mining inilah perusahaan dapat mencari informasi maupun knowledge

yang ada di data warehouse. Namun, masih banyak orang yang tidak mengetahui

mengenai data mining, padalah dengan penerapan data mining ini dapat membantu

perusahaan untuk mengatasi masalah yang ada, asal mengetahui lebih dalam mengenai

data mining dan teknik dan langkah-langkah apa saja yang dibutuhkan dalam

penerapan data mining. Oleh karena itu , saya memilih topik ini agar para pembaca

khususnya bagi mahasiswa Bina Nusantara dapat mengetahui lebih jelas lagi

mengenai data mining.

1.2 Ruang Lingkup

Rung Lingkup dari penulisan paper ini akan dibatasi pada pengertian data mining,

solusi yang diberikan,langkah-langkah data mining, tugas-tugas data mining, , tool data

mining, karakterik data mining,tujuan data mining,teknik-teknik untuk data mining dan

contoh penerapan data mining.

1.3 Tujuan dan Manfaat

Adapun tujuan dalam penulisan Paper ini adalah:

1. Mengetahui mengenai data mining

2. Mengetahui solusi yang diberikan oleh data mining

3. Mengetahui mengenai langkah-langkah data mining

4. Mengetahui mengenai teknik-teknik data mining

5. Mengetahui mengenai tujuan data mining

6. Mengetahui tugas-tugas data mining

7. Mengetahui artsitektur data mining

8. Mengetahui karatkteristik dan tool data mining

9. Mengetahui contoh penerapan data mining di beberapa perusahaan

Manfaat yang di dapat dari penulisan paper ini adalah :

1. Dapat mengetahui apakah data mining itu

2. Mampu mempertimbangkan penggunaan data mining agar bisa diterapkan di

kehidupan nyata

3. Mampu menerapkan data mining secara benar dan tepat

1.4 Metodologi

Metedologi yang digunakan dalam penulisan paper ini adalah :

1. Memberikan definisi mengenai data mining

2. Mengumpulkan informasi dan data dari berbagai sumber yang telah diketahui

kebenarannya mengenai data mining

3. Analisis informasi dan data mengenai data mining yang telah diperoleh

 

BAB II

LANDASAN TEORI

2.1. Data

2.1.1. Pengertian Data

Pengertian data menurut Webster New World Dictornary data adalah

sesuatu yang diketahui dan dianggap, yang berati data tersebut sudah

diketahui kebenarannya dan dapat mengambarkan suatu kejadian atau

kondisi.

Pengertian data menurut Inmom (2005) data adalah sekumpulan

fakta,instruksi tempat penyimpanan yang berguna untuk kepentingan

komunikasai, memperbaiki dan prosesnya dilakukan secara otomatis dan

mempresentasikan informasi yang bisa dimengerti untuk user.

Pengertian data menurut Turban (2010) data adalah gambaran dasar dari

event,benda,kegiatan dan transaksi yang ditulis, direkam, dikelompokan

dan disimpan tetapi belum diolah dan terorganisir untuk memberikan arti

atau informasi.

2.1.2. Pembagian Data dan Kriteria Data

Pembagian data menurut Lugan (2010) adalah sebagai berikut :

1. Menurut Sifat

Menurut sifat data, data dapat dibagi lagi menjadi dua yaitu

sebagai berikut:

Data Qualitative

Data Quantitative

2. Menurut Waktu

Menurut waktu data, data dapat dibagi lagi menjadi dua yaitu

sebagai berikut :

Data Silang

Data Berkala

3. Menurut Cara Memperoleh

Menurut cara memperoleh data, data dapat dibagi lagi menjadi

dua yaitu sebagai berikut :

Data Primer

Data Skekunder

4. Menurut Sumber

Menurut sumber, data dapat dibagi lagi menjadi dua yaitu

sebagai berikut :

Data Internal

Data External

2.2. Data Warehouse

2.2.1 Pengertian Data Warehouse

Pengertian data warehouse menurut Inmon (2005) data warehouse

adalah kumpulan data yang berorientasikan objek, non-volatile, time

variant dan terintegrasi yang digunakan untuk mendukung proses

pengambilan keputusan dalam perusahaan.

Pengertian data warehouse menurut Connoly dan Begg (2010) data

warehouse adalah kumpulan data yang berorientasikan,

objek,terintegrasi, time based dan tidak mengalami perubahan untuk

mendukung proses pengambilan keputusan dalam perusahaan.

Pengertian data warehouse menurut Hsiang Yuan (2007) data

warehouse adalah solusi yang digunakan untuk mekonversikan data

dari database yang saling berdistribusi.

Pengertian data warehouse O’Brien (2010) data warehouse adalah

kumpulan data yang telah diekstrak dari database operasional,history

yang telah dibersihkan,dikelompokan dan diubah untuk ditelusuri dan

dianalisis untuk proses pengambilan keputusan di dalam perusahaan.

2.2.2 Karakteristik Data Warehouse

Menurut Inmon karakteristik data warehouse adalah sebagai berikut :

1. Integration

Di dalam data warehouse tersimpan data-data yang berasal

dari berbagai sumber termasuk transaksi yang ada di

perusahaan yang dimpan di dalam format yang konsisten

dan saling terintegrasi satu sama lain, karena itu data tidak

dapat terpisah-pisah atau terpecah karena data tersebut

merupakan satu kesatuan.

Gambar 2.1. Integration Data Warehouse

2. Subject Oriented

Subject orieted maksudnya data warehouse di rancang

untuk menganalisis data berdasarkan subject tertentu di

dalam organisasi, namun bukan pada proses maupun fungsi

pada aplikasi tertentu.

3. Time Variant

Data yang ada di dalam datawarehouse relavant dan akurat

dalam rentang waktu tertentu. Kita bisa melihat rentang

waktu untuk memastikan kebenaran data dengan beberapa

cara.

Gambar 2.2. Time Variance Data Warehouse

4. Non Volalite

Non volalite adalah dimana data pada data warehouse tidak

terupdate seacara real time tetapi direfresh dari operational

system secara terus-menerus. Data yang baru akan

ditambahkan untuk database itu yang dimana database

tersebut akan mengalami perubahan.

Gambar 2.3. Non Volalite Data Warehouse

2.3. Pengertian Data Mart

Pengertian data mart menurut Huisman (2009) adalah, data mart sebagain kecil dari

data warehouse yang berkaitan dengan proses binis yang detil.

Pengertian data mart menurut Inmon(2005) adalah stuktur data perunit atau perdivisi

yang didapatkan dari data warehouse dimana data tersebut di normalisasikan sesuai

dengan kebutuhan divisi atau unit tersebut.

Pengertian data mart menurut Connoly dan Begg (2010) adalah seluruh database yang

di dalamnya berisi data perusahaan yang akan mendukung syarat analitis dari unit

perusahaan .

BAB III

Pembahasan

4.1. Data Mining

Data mining adalah proses pencarian pengetahuan di dalam data warehouse maupun

dalam kumpulan data untuk mencari data atau informasi yang yang dicari. Menurut para ahli,

ada beberapa pengertian dari data mining, yaitu sebagai berikut :

Menurut Han dan Kamber (2006) data mining adalah proses untuk mengekstrak

maupun menggali knowledge yang dibutuhkan dari kumpulan data yang berskala

besar.

Menurut Connolly dan Begg (2010) data mining adalah proses ektraksi atau menggali

data yang tidak diketahui dari database yang besar namun data tersebut dapat berguna

dan di pahami guna membantu penggambilan keputusan.

Dengan adannya data mining bisa memberikan beberapa solusi yaitu seperti :

1.Memprediksikan target pasar

Data mining dapat digunakan untuk pengelompokan model pembeli dan

melakukan classification pada setiap customer yang sesuai dengan

karateristiknya

2. Cross Market Analysis

Data mining bermanfaat untuk memperlihatkan hubungan antar produk

dengan produk lainnya

3. Memperlihatkan pola pembelian dari waktu ke waktu

Data mining dapat digunakan untuk memperlihatkan pola pembelian dari

waktu ke waktu

5.Customer Profil

Data mining dapat digunakan untuk membantu user , dimana user bisa

melihat customer profil sehingga user dapat mengetahui produk apa yang

paling disukai oleh customer

6. Summary Information

Data mining dapat digunakan untuk membuat laporan summary spserti

adanya grafik maupun gambar yang lengkap berserta dengan nilai

statistiknya

4.2. Tujuan Data Mining

Menurut Hoffer,Prescott dan McFadden ( 2007) tujuan dari data mining adalah

sebagai berikut:

1. Explanatory

Explanatory digunakan untuk menjelaskan kondisi penelitian,

contohnya seperti mengapa penjualan kayu meningkat di Rusia.

2. Exploratory

Exploratory digunakan untuk menganalisa data mana yang

memiliki hubungan baru. Contohnya pola apa yang sesuai untuk

kasus korupsi yang terjadi di Indonesia

3. Confirmatory

Confirmatory digunakan untuk mempertegas dugaan atau

hipotesis, sama seperti pendapatan rumah tangga lebih banyak

digunakan untuk membeli kebutuhan rumah tangga dibandingan

dengan satu kali pendapatan rumah

4.3. Langkah-Langkah Data Mining

Dalam data mining kita perlu menentukan langkah- langkahnya. Menurut standar dari

Industry Standard Process for Data Mining atau yang disingkat menjadi CRISP DM langkah-

langkah tersebut adalah :

1. Business Understanding

Menentukan tujuan dan menganalisis kebutuhan yang ada dalam bisnis tersebut

Menerjemahkan tujuan dan batasan yang ada dan membuat formula dari tujuan dan

batasan tersebut berdasarkan masalah yang terjadi pada data mining tersebut

Mempersiapkan strategi untuk mencapai tujuan yang telah ditetapkan

2. Data Understanding

Pengumpulan data

Menganalisis data untuk lebih mengenali data yang dilolah untuk menemukan

informasi

Evaluasi data serta kualitas data tersebut

Bisa juga kita memilih data yang kecil yang dapat mengambarkan masalah yang ada

3. Data Preparation

Menyiapkan data dan mengumpulkan data yang akan digunakan untuk digunakan

dalam langkah berikutnya

Pilihlah case dan variabel yang sesuai guna keperluan analisis yang akan dilakukan

Jika diperlukan, lakukanlah perubahan pada beberapa variabel

Menyiapkan data yang akan digunakan untuk perangkat pemodelan

4. Modeling

Memilih dan menerapkan teknik pemodelan yang sesuai

Kalibrasi model untuk memberikan hasil yang optimal.

Ada beberapa teknik yang berbeda namun bisa digunakan untuk mengatasi masalah

yang sama di dalam data mining

Proses dapat kembali ke langkah data preparation agar data dapat sesuai dengan

kebutuhan di dalam teknik mining

5. Evaluation

Evaluasi model yang digunakan untuk mendapatkan hasil yang maksimal sebelum

digunakan

Mencari apakah ada model yang telah memenuhi tujuan dalam langkah awal

Tentukan apakah ada masalah yang belum ditangani

Ambil sebuah keputusan yang sesuai dari hasil data mining

6. Deployment

Gunakan model yang telah dibuat dalam langkah-langkah ini

Contoh deployment : membuat laporan untuk deployment yang sederhana dan

deployment kompleks seperti penerapan data mining secara paralel

Gambar 4.1 Langkah-langkah Data Mining (sumber:wikipedia)

Sedangkan langkah-langkah data mining di dalam proses KKD atau yang disebut juga

sebagai Knowledge Discovery in Database adalah :

1. Data Cleaning

Adalah langkah dimana kita akan menghilangkan atau membuang redudansi data, data

yang tidak konsisten, dan memperbaiki kesalahan pada data. Data cleaning akan

berdampak pada hasil informasi yang ada dalam data mining

2.Data Integration

Adalah langkah dimana kita dapat menambahkan informasi maupun sumber kedalam

data atau infromasi yang sudah ada, data integration bisa disebut juga sebagai

pengabunggan data menjadi data yang baru yang hasilnya menjadi akurat dan detail.

3. Data Selection

Adalah langkah dimana kita memilih data yang sesuai dan relavant untuk dilakukan

analisis dari data yang sudah ada, yang hasilnya akan disimpan kedalam database yang

terpisah

4. Data Transformation

Adalah langkah dimana data diubah sesuai dengan format untuk data mining

5. Data Mining

Adalah langkah dimana proses untuk mencari knowledge,informasi maupun pola

dengan menggunakan metode ataupun teknik alogaritma

6. Pattern Evolution

Adalah langkah dimana kita mengidentifikasikan pola menarik dari data mining yang

dilakukan

7. Knowledge Presentation

Adalah langkah dimana ditampilkannya gambaran visualisasi berupa pola dari hasil

informasi atupun knowledge yang dilakukan dengan data mining

Gambar 4.2 Langkah-langkah data mining pada proses KKD

4.4. Teknik-teknik Data Mining

Teknik-teknik yang sering dipakai di dalam data mining adalah sebagai berikut :

1. Association Rule Mining

Teknik ini dipakai untuk mengetahui perilaku dari kejadian khusus maupun

proses dimana hubungan asosiasi muncul pada setiap kejadian. Contohnya

adalah aturan asosiatif dari analisis pembelian pada suatu pasar dari sini bisa

diketahui kemungkinan seorang customer yang membeli susu dengan roti

secara bersamaan. Sehingga penjual dapat mengetahui pembelian apa saja

yang mungkin dibeli dan memberikan diskon pada barang tertentu.

2.Clustering

Teknik clustering sering di masukan sebagai metode unsupervised learning.

Karena clustering dapat digunakan untuk memberikan label pada class data

yang belum diketahui atau dikenali. Clustering sendiri melakukan

pengelompokan data tanpa didasarkan class tertentu. Prinsip dari teknik

clustering adalah untuk memaksimalkan persamaan antara anggota class dan

meminimalisir persamaan class.

3. Classification

Teknik classification meupakan proses untuk menemukan model maupun fungsi

yang dapat menjelaskan atau membedakan class dari data yang bertujuan untuk

menentukan class dari suatu object yang belum diketahui. Teknik classification ini

mempunyai aturan ‘if-then’, seperti desicion tree. Contoh teknik classification

lainnya adalah fuzzy, k-nearest, dan bayesian.

4.5. Arsitektur Data Mining

Komponen aristektur data mining menurut Han dan Kamber adalah sebagai berikut :

1. Database, Data Warehouse, WWW

Adalah tempat penyimpanan informasi, selain itu kita juga bisa menyimpan

informasi ketempat yang lain yang bisa berbentuk database,spreadsheet maupun

data warehouse. Dalam data atau informasi tersebut dijalanlan data intregation,

data selection dan data cleaning.

2. Data Mining Engine

Data mining engine mempunyai peran penting dalam arsitektur data mining

dimana data mining engine ini terdapat modul fungsional misalnya seperti

assosiaction,analisis cluster, dan classification

3. Database dan Data Warehouse Server

Database dan data warehouse server bertanggung jawab atas pengambilan

data yang benar dan akurat sesuai dengan request dari user.

4.Knowledge Based

Knowledge based merupakan sebuah domain knowledge yang berguna

untuk dalam pencarian dan evalusi pola-pola yang telah dihasilkan.

Knowledge meliputi konsep hiraki yang berguna untuk organisasi value

maupun artibut kedalam level tertentu

5. GUI

GUI akan berinteraksi dengan user dan data mining, cara user berinteraksi

dengan GUI ini adalah dengan cara menggunakan query yang akan

dikirimkan dan dikembalikan sesuai dengan request dari user

6. Data Cleaning

Data cleaning digunakan untuk menghilangkan maupun membuang data

yang tidak benar, redudansi data dan noise yang ada.

7. Pattern Evaluation

Pattern evaluation digunakan untuk menemukan value yang berasal dari

knowledge

8. Data Integration

Data integration ini digunakan untuk mengabung data dari berbagai

macam sumber

Gambar 4.3. Arsitektur data mining

4.6. Tool Data Mining

Karakteristik dari tool data mining adalah sebagai berikut :

Fasilitas Persiapan Data

Fasilitas untuk visualisasi hasil

Pemilihan operasi data mining /algoritma

Skalabilitas dan Kinerja Produk

Macam-macam data mining tool adalah sebagai berikut :

Informations Discovery Inc Data Mining Suite

Integral Solution Ltd Clementine

SAS Institute Inc SAS System

IBM’s Intelligent Miner

DataMind Corps Data Crusher     

4.7. Tugas Data Mining

Menuut Tan,dkk 2006, tugas utama data mining dibagi menjadi dua, yaitu :

1. Predictive

Memprediksikan value dari atribut yang berdasarkan value dari atribut lainnya

2. Descriptive

Untuk mendapatkan pola seperti correlation,cluster,anomaly,trend,trajectory

yang dapat memberikan kesimpulan atas hubungan yang ada di dalam data

Tugas Data Mining adalah sebagai berikut :

1. Predictive Modeling

Predictive modeling terpaku pada proses pembanginan

model untuk variable target sebagai fungsi dari variable

yang menjelaskan. Predictive modeling dibagi menjadi dua

kategori yaitu :

a. Classification

Classification digunakan untuk target variable disket

b. Regression

Regression digunakan untuk target variable kontinu

2. Analisa Asosiasi

Analisa asosiasi berguna untuk menemukan pola

yang dapat mengambarkan fitur yang saling

berhubungan

3. Analisa Cluster

Analisa cluster adalah proses yang berguna untuk mencari

kelompok-kelompokdata sehingga data yang berada dalam

satu kelompok memiliki persamaan dibandingan dengan

kelompok data

4. Deteksi Anomaly

Deteksi anomaly adalah proses identifikasi karakteristik

data yang memiliki perbedaan secara dignifikan dengan data

yang lain

Gambar 4.4. Tugas Data Mining

4.8. Contoh Penerapan Data Mining di dalam Perusahaan

Berikut adalah beberapa contoh perusahaan yang menggunakan data mining, yaitu :

1. Perusahaan Australian Health Insurance Commision yang bergerak dalam bidang

asuransi menggunakan data mining yang digunakan untuk meindentifikasi layanan

kesehatan. Hasil dari penggunaan data mining ini membuat Australian Health

Insurance Commision dapat menghemat $1.000.000/ tahun .

2. IBM Surf-Aid menggunaka alogaritma data mining yang digunakan untuk

mencatat akses halaman web yang berkaitan pada pemasaran untuk melihat perilaku

dan minat pelanggan serta mengamati apakah pemasaran dengan web efektif

3. Financial Crimes Enforcement Network yang terletak di AS menggunakan data

mining untuk menggali atau menambang triliun dari berbagai sumber seperti rekening

bank, transaksi keuangan dan lain-lain untuk menemukan adanya transaksi keuangan

yang mencuringakan seperti penggelapan

BAB IV

Kesimpulan dan Saran

4.1 Kesimpulan

Kesimpulan yang bisa didapat dari paper ini adalah data mining merupakan proses

pencarian maupun penggalian mengenai informasi maupun knowledge yang dicari agar

informasi atau knowledge itu bisa digunakan untuk membantu perusahaan untuk mengambil

keputusan. Di dalam data mining terdapat langkah-langkah maupun teknik-teknik yang bisa

digunakan sesuai kondisi maupun masalah yang muncul. Selain itu data mining mempunyai

karakteristik maupun tool yang beguna bagi perusahaan. Data mining juga dapat memberikan

solusi bagi perusahaan dalam memecahkan masalah yang ada di perusahaan contohnya seperti

IBM Surf-Aid, Financial Crimes Enforcement Network dan Australian Health Insurance

Commision.

4.2 Saran

Data mining sangatlah penting bagi perusahaan dalam pencarian informasi maupun

knowledge yang dibutuhkan yang ada di dalam data warehouse. Namun, tidak semua

penerapan data mining di dalam perusahaan benar atau tepat. Untuk mendapatkan hasil

maksimal dari penerepan data mining, perusahaan harus mengerti lebih dalam mengenai data

mining, seperti teknik yang tepat untuk perusahaan tersebut.Perusahaan juga bisa mempelajari

data mining dari perusahaan yang telah sukses dalam menerapkan data mining sehingga

perusahaan dapat menerapkan data mining secara benar dan dapat mengatasi permasalahan

yang ada di dalam perusahaan.

Daftar Pustaka

http://mugi.or.id/blogs/luki/archive/2010/07/17/tentang-crisp-dm.aspx

http://upload.wikimedia.org/wikipedia/commons/b/b9/CRISP-

DM_Process_Diagram.png

http://informatika.web.id/category/data-mining

http://annisapuspakirana.staff.ub.ac.id/data-mining-data-warehouse/

http://repository.usu.ac.id/bitstream/123456789/33409/3/Chapter%20II.pdf

http://informatika.web.id/tugas-data-mining.htm

http://biwfobim.wordpress.com/2012/08/05/penerapan-data-mining-dalam-bisnis/

http://repository.usu.ac.id/bitstream/123456789/31270/3/Chapter%20II.pdf

http://hibah.ilearning.me/wp-content/uploads/sites/381/2013/11/

AsepSaefullah_STMIKRaharja_PDP.pdf

http://www.pengertianahli.com/2013/11/pengertian-data-dan-jenis-data.html

http://library.binus.ac.id/eColls/eThesisdoc/Bab2/2012-1-00631-SI%20Bab2002.pdf

http://www.academia.edu/4517858/Pengertian_Data

DAFTAR RIWAYAT HIDUP

Picture

Binusian ID :1501166301

Full Name : Leni Gustini

Email : shinyeon_yeon.yahoo.com

Address Current

Jl Haji Senen no 54

Jakarta Barat 00000

DKI Jakarta, Indonesia

Permanent

Jl Raya Kosambi n0 52

Karawang 41313

Phone Numbers : Mobile : 62-85-781898236

Home : 62-26-7436449

Fax : 62-85-781898236

Office: 62-85-781898236

Gender : Female

Birth Place/Date : Jungkat, 01 Agustus 1993

Nationality : Indonesia

Martial Status : Single

Region : Christian

Formal Education

Jan 2011-Present :Bina Nusantara University, Jakarta

,Indonesia

Bacheleor (S1), Information Systems GPA:

3.52

Organization Experience

Oct 2011 – Present : HIMSISFO, Commite

Commitee