6. Dasar Dasar Intelejen Bisnis Database dan Manajemen Informasi

(1)

SISTEM INFORMASI

(2)

Containt

• Sistem Informasi di Bisnis Global Saat Ini

• E-Bisnis Global dan Kolaborasi

• Sistem Informasi, Organisasi, dan Strategi

• Isu Sosial dan Etikal dalam Sistem Informasi

• Infrastruktur Teknologi Informasi dan Perkembangan Teknologi

• Dasar-dasar Business Intelegence: Manajemen database dan Informasi

• Telekomunikasi, Internet dan Teknologi Wireless

• _{Sistem Pengaman Informasi} • _Menuju _{Penyempurnaan}

Operasional dan pendekatan pelanggan

• _{E-Commerce : Pasar Digital,}

Barang Digital

• _{Mengelola pengetahuan dan}

kolaborasi

• _Meningkatkan _kualitas

pembuatan keputusan

• _Membangun _Sistem

Informasi

(3)

• _{Konsep Pengorganisasian FIle}

–

Database: Sekumpulan file yang terelasi

–

File: Sekelompok records yang berjenis sama

–

Record: Sekumpulan Field yang terelasi

–

Field: Sekumpulan karakter berupa kata or

angka

• Mendeskripsikan entity (manusia, tempat, peristiwa yang bisa disimpan sebagai informasi)

• Attribute: Setiap karakteristik, atau kualitas, menggambarkan entitas

– _{Contoh: Atribut TANGGAL atau KELAS menjadi milik entitas} MATA KULIAH

(4)

(5)

• Masalah-masalah dalam lingkungan data

tradisional (file dikelola secara terpisah

oleh departemen yang berbeda)

–

Data redundancy:

• _{Adanya duplikasi data di beberapa file}

–

Data inconsistency:

• Atribut yang sama memiliki nilai yang berbeda

–

Ketergantungan program data:

• _{Setiap perubahan pada program perangkat lunak,} mensyaratkat perubahan terhadap data yang diakses

–

Kurangnya fleksibilitas

–

Sistem keamanan yang buruk

–

Kurangnya ketersediaan dan pendistribusian data

(6)

(7)

• _Database

–Melayani berbagai aplikasi dengan memusatkan data dan mengurangi penggandaan data

• _{Database management system (DBMS)}

– Antarmuka antara aplikasi dengan file data fisik

– Memisahkan tampilan data logis dan data fisik dari data

– Mengatasi masalah-masalah pada lingkungan file tradisional

• Mengurangi redundansi

• Mengurangi inkonsistensi

• Memisahkan programs and data

• Memungkinkan organisasi untuk mengelola, menggunakan, dan mengamankan data secara terpusat

(8)

Suatu database sumber daya manusia menyelesaikan banyak tampilan data, bergantung informasi yang diminta oleh pengguna. Ilustrasi yang ditampilkan di atas terdiri atas dua tampilan, satu tampilan untuk

kepentingan spesialis tunjangan dan satunya lagi untuk departemen penggajian

(9)

• _{DBMS Relasional}

– Representasi data pada tabel dua dimensi

– Tiap tabel berisikan data pada entitas dan attribut

• _{Tabel: grid of columns and rows}

– Rows (tuples): Records untuk entitas yang berbeda

– Fields (columns): Merepresentasikan attribut untuk entitas

– Key field: Field used to uniquely identify each record

– Primary key: Field dalam tabeldigunakan untuk fields kunci

– Foreign key: Primary key digunakan pada tabel kedua

(10)

(11)

• _{Operasi DBMS Relasional}

–

_{Tiga operasi dasar digunakan untuk}

membangun set data yang berguna

• SELECT:

Menampilakan suatu bagian

yang berisi seluruh rekaman bedasarkan

kriteria

• JOIN:

Mengombinasikan tabel-tabel yang

memiliki keterkaitan

• _PROJECT:

_{Menampilakn kolom-kolom}

dari suatu tabel berdasarkan kriteria

(12)

(13)

• _{Database Non-relational : “NoSQL”}

• _{Model data yang lebih fleksibel}

• _{Didistribusikan pada banyak perangkat}

• _{Kemudahan dalam skalabilitas}

• _{Menangani data tidak terstruktur dan}

terstructur dalam volume besar seperti (Web,

social media, graphics)

• _{Database pada sistem cloud computing}

• _{Typically, less functionality than on-premises}

DBs

• _{Amazon Relational Database Service,}

Microsoft SQL Azure

• _{Private clouds}

(14)

• _{Kapabilitas sistem manajemen database}

– Kapabilitas definisi data: Menspesifikasikan struktur konten database, dalam pembuatan database.

– Kamus data: file Otomatis atau manual yang

menyimpan definisi-definisi elemen data berikut karakteristiknya

– Data manipulation language: digunakan to membuat, merubah, menghabis, mendapatkan data kembali

daridatabase

• Structured Query Language (SQL)

• Microsoft Access user tools for generating SQL

– Banyak DBMS memiliki kemampuan untuk membuat laporan (Crystal Reports)

(15)

FIGURE 6-6

(16)

Illustrated here are the SQL statements for a query to select suppliers for parts 137 or 150. They produce a list with the same results as Figure 6-5.

FIGURE 6-7

(17)

(18)

• Mendisain Database

– Desain Konceptual (logical) : abstract model dari business perspective

– Physical design: Bagaimana database diatur dan diakses langsung pada penyimpanan

• Identifikasi proses desain:

– Hubungan antara elemen data, elemen database yang berlebihan

– Cara yang paling efisien untuk mengelompokan elemen data untuk memenuhi kebutuhan bisnis dan kebutuhan program apikasi

• Normalisasi

– Perampingan pengelompokan yang kompleks untuk meminimalisasi elemen data yang berlebihan dan hubungan many-to-many

(19)

(20)

After normalization, the original relation ORDER has been broken down into four smaller relations. The relation ORDER is left with only two attributes and the relation LINE_ITEM has a combined, or concatenated, key consisting of Order_Number and Part_Number.

FIGURE 6-10

(21)

• _{Aturan referensial integritas}

• _{igunakan oleh RDMS untuk memastikan}

hubungan antara tabel tetap konsisten

• _{Entity-relationship diagram}

• _{Digunakan oleh desainer database untuk}

mendokumentasikan model data

• _{Menggambarkan hubungan antara entitas}

(22)

This diagram shows the relationships between the entities SUPPLIER, PART, LINE_ITEM, and ORDER that might be used to model the database in Figure 6-10.

FIGURE 6-11

(23)

• _{Big data}

• Lonjakan data yang tidak terstruktur /

semi-srtuktur dari lalu lintas web,

social media, sensors, dsb.

• Petabytes, exabytes of data

• _{Volume terlalu besar untuk ukuran DBMS}

• Dapat melihat pola yang lebih

berbentuk dan anomali

(24)

• _{Infrastruktur Intelijen Bisnis}

• Saat ini mencakup berbagai alat untuk

sistem yang terpisah, dan data besar

• _{Contemporary tools:}

• Data warehouses

• Data marts

• _Hadoop

• In-memory computing

• Analytical platforms

(25)

• _{Data warehouse:}

–

Data historis dan data terkini dari bayaknya data sistem

transaksi operasional

–

Mengkonsolidasikan dan standarisasi informasi untuk

digunakan di seluruh perusahaan, namun data tidak

dapat diubah

–

Menyediakan analisis dan alat pelaporan

• _{Data marts:}

–

Bagian dari data warehouse

–

Diringkas atau terfokus sebagian data untuk digunakan

oleh populasi tertentu dari pengguna

–

Biasanya focus pada satu jenis bisnis

(26)

(27)

• _Hadoop

• Memungkinkan pendistribusian proses data

berkapasitas besarsecara paralel pada

komputer-komputer berbiaya terjangkau

• Layanan utama

• Hadoop Distributed File System (HDFS): penyimpan

file data

• MapReduce: memecah data dalam sebuah clusters

• Hbase: NoSQL database

• Digunakan oleh Facebook, Yahoo, NextBio

(28)

• _{Komputasi dalam memori}

• Digunakan pada analisis big data

• Menggunakan memory utama komputer (RAM) dalam penyimpanan data untuk menghindari keterlambatan dalam mengambil data dari penyimpanan disk

• Dapat mengurangi proses jam/hari pengolahan dalam hitungan detik

• Diperlukan hardware yang optimal

• _{Analytic platforms}

• Platform berkecepatan tinggi baik menggunakan baik teknoogi terkait maupun yang tidak terkait yang

dioptimalkan untuk menganalisa kumpulan data besar

(29)

• _{Perangkat Analitis: hubungan, pola,}

tren

–

_{Alat bantu untuk mengkonsolidasikan,}

menganalisis, dan memberikan akses ke

sejumlah besar data untuk membantu

pengguna membuat keputusan bisnis yang

lebih baik

• _{Multidimensional data analysis (OLAP)}

• _{Data mining}

• _{Text mining}

• _{Web mining}

(30)

• _{Pemrosesan analitis Online}

(OLAP)

–

Mendukung analisis data multidimensi

• _{Melihat data menggunakan beberapa}

dimensi

• _{Setiap aspek dari informasi (produk, harga,}

biaya, wilayah, jangka waktu) merupakan

dimensi yang berbeda

• _{Contoh: Berapa banyak mesin cuci dijual di}

Timur pada bulan Juni dibandingkan dengan

daerah lain?

(31)

Tampilan ini menunjukkan produk versus wilayah. Jika

diputar kbusnya 90 derajat,

permukaannya akan

menunjukkan produk versus proyeksi

penjualan dan penjualan

aktualnya. Srta

tampilan-tampilan lain yang

memungkinkan

(32)

• _{Data mining:}

• Menemukan pola tersembunyi, hubungan dalam

datasets

• Contoh: pola belanja konsumen

• Menyimpulkan aturan untuk memprediksi

perilaku mendatang

• _{Jenis informasi yang dapat diperoleh dari data}

mining:

(33)

• _{Text mining}

• Mengekstrak elemen kunci dari set

data besar yang tidak terstrukturs

• _{Penyimpanan e-mails}

• _{Transkrip pusat layanan}

• _{Kasus hukum}

• _{Laporan layanan, dsb}

• Perangkat Lunak analisis sentimen

• _{Mines e-mails, blogs, social media to detect}

opinions

(34)

• _{Web mining}

–

Penemuan dan analisis pola yang berguna

dan informasi dari Web

– Memahami perilaku pelanggan

– Mengevaluasi efektivitas situ Web, dsb

–

Web content mining

• Mines content of Web pages

–

Web structure mining

• Analisis link ke dan dari Web page

–

Web usage mining

• Mines user interaction data recorded by Web server

(35)

Pengguna mengakses database internal organisasi melalui web dengan menggunakan desktop komputer PC dan perangkat lunak browser web mereka

(36)

• Menetapkan kebijakan informasi

• _{Aturan perusahaan, prosedur, aturan untuk}

pembagian, mengelola, stadaridisasi data

• _{Administrasi data}

• _{Menetapkan kebijakan informasi dan prosedur untuk mengelola}

data

• _{Tata kelola (}

_{data governance}

₎

• Berkaitan dengan kebijakan dan proses untuk mengelola ketersediaan, kegunaan, integritas, dan keamanan data, terutama mengenai peraturan pemerintah

• _{Administrasi database}

• Pembuatan dan pemeliharaan database

(37)

• _{Memastikan kualitas data}

–

_{Lebih dari 25% dari data penting 1000}

database perusahaan Fortune yang tidak

akurat atau tidak lengkap

– Redundansi data – Inconsistensi data – Kesalahan Inputan

–

_{Sebelum database baru dipergunakan, perlu:}

• DiIdentifikasi dan dikoreksi kesalahan datanya

• _{Menciptakan program-program yang lebih baik}

untuk mengedit data ketika database tersebut

mulai dioperasionalkan

(38)

• _{Audit kualitas data:}

–Survey terstruktur atas keakuratan dan tingkat

kelengkapan dari data dalam suatu sistem informasi

• Survey sampel dari file data ,

• Survey pengguna data atas persepsi mengenai kulitas data

• _{Pembersihan data}

–Perangkat lunak untuk mendeteksi dan mengoreksi data dalam database yang tidak benar, tidak

lengkap, tidak diformat dengan tepat atau berlebihan

–Menekannkan konsistensi diantara serangkaian data yang berbeda yang berasal dari sistem informasi

yang terpisah