6 BAB II
TINJAUAN PUSTAKA
2.1 Pengertian Program Televisi
Perencanaan program televisi dapat diartikan sebagai pekerjaan yang mencangkup persiapan rencana jangka pendek, jangka menengah dan jangka panjang.
Perencanaan tersebut memungkinkan sebuah stasiun TV untuk melakukan siaran dan menargetkan tujuan program maupun tujuan finansial [1]. Perencanaan program televisi tersebut kemudian dikembangkan kedalam program televisi.
Program televisi dibagi menjadi dua jenis yaitu: program hiburan dan program informasi. Program hiburan diartikan sebagai program televisi yang berorientasi memberikan hiburan kepada pemirsa, sedangkan program informasi adalah program yang didalamnya terkandung nilai faktualitas dan aktualitas [3].
Perbedaan antara kedua program tersebut dapat dilihat pada Tabel 2.1.
Tabel 2. 1 Perbedaan Program Hiburan dan Informasi
Hiburan Informasi
Imajinatif Faktual
Fiksional Non-Fiksional
Artistik Informatif
Dramatif Efektif
Improvisasi tidak terbatas Improvisasi terbatas
Abstrak Nyata
Norma- norma Etika
Waktu tak terbatas Waktu terbatas
Senang Percaya
Sumber: Latief dan Utut (2015)
Tabel 2.1 menampilkan perbedaan program hiburan dan informasi. Tabel 2.1 memperlihatkan perbedaan sifat dari program televisi hiburan dan informasi.
Perbedaan tersebut dapat dijadikan pedoman perancangan sebuah program televisi.
Program televisi dikemas dalam berbagai format program televisi. Program televisi memiliki format yang berberbeda sesuai dengan jenisnya. Program televisi
7 dapat ditayangkan dalam bentuk format seperti: program berita, dokumenter, talkshow, drama, dan film [14].
2.2 Business Intelligence
Business intelligence (BI) merupakan istilah untuk menggambarkan keputusan manajerial berbasis bukti atau fakta yang telah ada lebih dari 20 tahun. Saat ini BI digunakan untuk menggambarkan tahap awal dari analisis bisnis [6]. Tiga jenis analisis tersebut digambarkan pada Gambar 2.1.
Gambar 2. 1 Tiga Jenis Analisis
Sumber: Delen dkk (2018)
Gambar 2.1 menampilkan tiga jenis analisis yaitu: analisis deskriptif, analisis prediktif dan analisis preskriptif. Analisis deskriptif menjelaskan situasi yang terjadi saat ini. Analisis prediktif menjelaskan kemungkinan yang dapat terjadi.
8 Analisis preskritif menjelaskan tindakan yang harus dilakukan dan mengapa hal tersebut harus dilakukan.
Kecerdasan bisnis diartikan sebagai istilah yang menggabungkan arsitektur, basis data, alat analitik, metodologi, dan aplikasi. Kecerdasan bisnis memiliki arsitektur yang terdiri dari empat komponen. Komponen arsitektur tersebut yaitu: data warehouse, analisis bisnis, business performance management (BPM), dan user interface [6].
Berdasarkan penelitian yang telah dilakukan Vajira Kachorn & Chongwatpol (2016) tentang peran BI. BI dapat digunakan untuk memberikan feedback yang berguna kepada penyelenggara festival. BI juga dapat digunakan sebagai promosi pemasaran lanjutan. Tujuan pemasaran lanjutan tersebut ialah untuk menarik perhatian pengunjung untuk datang kembali dalam festival dan meningkatkan kepuasan pelanggan [5].
2.3 Media Sosial
Media sosial merupakan platform untuk berbagi informasi. Media sosial saat ini merupakan platfoarm yang sangat disukai oleh masyarakat. Media sosial disukai karena memiliki fasilitas yang dapat mempermudah berkomunikasi, berbagi dokumen, mengobrol hingga membuat sebuah komunitas [7].
Berdasarkan data statistik yang diperoleh dari smartinsights.com menunjukan bahwa jumlah pengguna aktif Facebook mencapai 1,59 triliun, Twitter mencapai 320 juta, Instagram mencapai 400 juta, dan seterusnya. Pengguna media tersebut berasal dari kalangan anak-anak, remaja sampai dewasa. Pengguna media sosial menggunakan media sosial dengan tujuan yang berbeda. Pengguna tersebut umumnya menggunakan media sosial untuk berpromosi, berkampanye, dan berkomunikasi [7].
2.4 Data Mining
Data mining adalah istilah yang digunakan untuk mendeskripsikan discovery atau
"mining" pengetahuan dari data yang memiliki ukuran yang besar. Data mining merupakan proses yang menggunakan statistik, matematis, dan teknik kecerdasan buatan. Data mining memiliki fungsi untuk mengekstraksi dan mengidentifikasi
9 informasi yang berguna berupa pengetahuan (atau pola) dari kumpulan data yang besar. Data mining memiliki pola berbentuk aturan bisnis, afinitas, korelasi, tren, atau model prediksi [15].
Literatur lain mendefinisikan data mining sebagai proses nontrivial dalam mengidentifikasi pola yang valid, novel, dan potentially useful. Pola pada data mining dapat dipahami dalam bentuk data yang disimpan di database terstruktur.
Secara umum data mining digunakan untuk mengelompokan empat pola yaitu:
Associations, Predictions, Clusters dan Sequential relationships [6].
Data mining memiliki tasksonomi, peran, dan tipe data. Taksonomi data mining terdiri dari tugas dan metode data mining, algoritma data mining dan tipe pembelajaran. Taksonomi dari data mining dapat dilihat pada Gambar 2.2.
Gambar 2. 2 Taksonomi Data Mining Sumber: Delen dkk, 2018
Gambar 2.2 menampilkan taksonomi data mining yang terdiri dari tugas dan metode data mining, algoritma data mining, dan tipe pembelajaran. Tugas dan metode data mining berupa prediksi, asosiasi dan segmentasi. Algoritma data mining berupa pohon keputusan, jaringan tiruan saraf dan lainnya. Tipe pembelajaran data mining terdiri dari supervised dan unsupervised.
Tugas dan Metode Data mining Algoritma Data mining Tipe Pembelajaran
10 Data mining memiliki Lima peran dalam penggunaanya. Peran tersebut antara lain: estimasi, prediksi, klasifikasi, clustering, dan asosiasi [16]. Perbedaan peranan tersebut dapat dilihat pada pada Tabel 2.2.
Tabel 2. 2 Perbedaan Peranan Data Mining
Jenis Atribut Kelas/Label/Target Keterangan
Estimasi Numerik Numerik -
Prediksi Numerik Numerik Rentang Waktu
Klasifikasi Numerik/Kategorikal Numerik/Kategorikal -
Clustering Numerik - -
Asiosiasi - - Hubungan Antar Atribut
Sumber: Suntoro (2014)
Tabel 2.2 menampilkan peran dari data mining. Setiap peran data mining memiliki atau tidak memiliki atribut, kelas, dan keterangan. Atribut, kelas dan keterangan dapat berbeda sesuai dengan peranannya.
Tipe data yang digunakan pada data mining dibedakan menjadi tiga tipe. Tiga tipe data tersebut yaitu: numerik, tipe kategorikal, dam rentang waktu [16]. Perbedaan tipe data tersebut dapat dilihat pada Tabel 2.3.
Tabel 2. 3 Tipe data pada data mining Tipe Data Jenis
Atribut Deskripsi Contoh
Numerik
Ratio
Data yang diperoleh berasal dari pengukuran, dimana jarak antara dua titik pada skala telah diketahui
Mempunyai titik nol yang absolut
Umur
Berat Badan
Tinggi Badan
Jumlah Uang
Interval
Data yang diperoleh berasal dari pengukuran, dimana jarak antara dua titik pada skala telah diketahui
Tidak mempunyai titik nol yang absolut
Suhu 0°c-100°c
Umur 20-30 tahun
Kategorikal Ordinal
Data yang diperoleh dari dengan cara kategori atau klasifikasi
Tetapi diantara data tersebut terdapat hubungan atau berurutan
Tingkat kepuasan pelanggan (Puas, sedang,tidak puas)
11 Tipe Data Jenis
Atribut Deskripsi Contoh
Nominal
Data yang diperoleh dari dengan cara kategori atau klasifikasi
Menunjukan beberapa objek yang berbeda
Kode Pos
Jenis Kelamin
Nomor Id Pelanggan
Nama Kota Sumber: Suntoro (2014)
Tabel 2.3 menampilkan perbedaan tipe data dalam data mining. Setiap tipe data memiliki atribut yang berbeda. Tipe data numerik terdiri dari dua atribut yaitu:
ratio dan interval. Tipe kategorikal memiliki dua jenis atribut yaitu: ordinal dan nominal. Setiap atribut dapat memiliki deskripsi dan contoh penggunaan yang berbeda.
Data mining memiliki tiga metode yang dapat diterapkan dalam dunia industri maupun dalam karya ilmiah. Metode data mining tersebut adalah CRISP-DM (cross industry for data minning), knowledge discovery from data (KDD), dan SEMMA (semple, explore, modify, model and asses) [16]. CRISP-DM memiliki enam tahapan antara lain, sebagai berikut:
1. Business Understanding
Business Understanding merupakan tahapan paling awal. Tahap ini merupakan tahapan paling penting namun, sering diabaikan. Tahap ini dilakukan penentuan tujuan bisnis, penilaian terhadap situasi saat ini dan tujuan digunakannya data mining [16].
2. Data Understanding
Data understanding merupakan kegiatan persiapan, evaluasi data, dan pengumpulan data. Data yang berhasil dikumpulkan pada tahap ini, kemudian dideskripsikan. Deskripsi data tersebut berupa: atribut, kelas dan tipe data [16].
3. Data preparation
Data Preparation atau data pre-processing merupakan tahapan dimana setelah data dikumpulkan data dilakukan beberapa proses. Proses pertama berupa data diidentifikasi. Proses kedua berupa data dipilih dan dibersihkan. Proses ketiga data dibangun kedalam format yang diinginkan [16].
12 Menurut (Zhang dkk, 2010) Data preparation merupakan tahap fundamental dari sebuah analisis data dan merupakan proses yang sangat penting karena 80%
waktu rekayasa data dihabiskan untuk data cleaning and preparation. Tujuan dari data preparation adalah untuk mengambil data yang telah diidentifikasi dan mempersiapkan data tersebut untuk dianalisis menggunakan data mining [17].
4. Modeling
Model diartikan sebagai aplikasi dari suatu algoritma untuk mencari, mengidentifikasi, dan menampilkan pola. Algoritma tersebut dipilih berdasarkan tipe data. Berdasarkan tipe data tersebut, kita dapat mengetahui bahwa data perlu dilakukan estimasi, prediksi, klasifikasi, clustering atau asosiasi [16].
5. Evaluation
Pada tahapan ini dilakukan evaluasi model yang paling baik pada proses data mining. Sebagai contoh pemilihan model pada evaluasi klasifikasi. Klasifikasi data mining pengukuran evaluasi yang paling banyak digunakan adalah akurasi, sensitity, specitivity, G- Mean, F- Meansure dan lainnya.
6. Deployment
Deployment merupakan tahapan paling akhir dari metode CRISP-DM. Tahapan ini merupakan tahapaan setelah model terbaik dievaluasi, model tersebut, kemudian dilakukan otomatisasi model atau pengembangan aplikasi. Tahap Doployment mengintegrasikan model kedalam Sistem Informasi Menejemen (SIM) atau operasional yang ada [17].
2.5 Decision Tree
Decision tree atau pohon keputusan merupakan gambaran skematik dari pilihan yang tersedia dan kemungkinan hasilnya dapat digunakan untuk pengambilan keputusan. Pohon keputusan memiliki cabang dan ranting yang dibaca dari kiri kekanan. Pohon keputusan memiliki fungsi untuk menganalisis keputusan yang berjenjang. Pohon keputusan memiliki simpul yang dihitung nilai harapan dan alternatif yang memiliki keterkaitan [18].
2.6 Potensi Pelanggan
Pelanggan memiliki peran penting untuk pengembagan strategi bisnis. Pelanggan merupakan sumber keuntungan dalam sebuah perusahaan. Pemahaman terhadap
13 pelanggan dapat digunakan perusahaan dalam melakukan investasi kepada pelanggan potensialnya [19].
Menurut Sutherland dan Canwell (2004), Konsep fundamental prinsip Pareto menjelaskan bahwa, bisnis memperoleh 80% pendapatannya dari 20%
pelanggannya. Berdasarkan pendapat tersebut penting menetapkan posisi produk terhadap pelanggan yang paling menguntungkan bagi perusahaan. Penempatan produk juga merupakan kunci kesuksesan bagi perusahaan [10].
