Bagian II Bab 5 Kecerdasan Bisnis Data warehouse akuisisi data

CHAPTER 5

BUSINESS INTELLIGENCE: DATA WAREHOUSING,

DATA ACQUISITION, DATA MINING, BUSINESS

ANALYTICS, AND VISUALIZATION

Turban, Aronson, and Liang

Decision Support Systems and Intelligent Systems,

Seventh Edition



_BAB-5

SISTEM

Tujuan Pembelajaran



_{Menjelaskan masalah dalam manajemen data.}



_{Memahami konsep dan kegunaan DBMS.}



_{Mempelajari data warehousing dan data marts.}



_{Menjelaskan business intelligence/business}

analytics.



_{Membahas bagaimana meningkatkan pengambilan}

keputusan melalui manipulasi data dan analisa.



_{Memahami interaksi antara teknologi Web dan}

database.



_{Menjelaskan bagaimana teknologi database}

digunakan dalam business analytics.



_{Memahami pengaruh Web terhadap business}

Pengantar



Banyak Organisasi memiliki data yang jumlahnya terus

meningkat sangat cepat.



Menghapus data-data penting menjadi suatu masalah?



Efektif, dan tidak efektif dan bermasalah bagi sebagian

organisasi



Solusi:

menggunakan

piranti

analitik

untuk

meningkatkan

pengambilan

keputusan,

dengan

menempatkan arsitektur data dengan benar.



_{Data warehouse memberikan sebuah}

arsitektur data strategis untuk melakukan

analisis pendukung keputusan.



_{Data warehouse memungkinkan data}

mining,

sebuah

kemampuan

secara

otomatis mensintesakan sejumlah besar

informasi untuk menemukan

kebenaran-kebenaran tersembunyi

di dalam data.

Information Sharing a Principle Component of

the National Strategy for Homeland Security

Vignette



_{Jaringan dari sistem yang memberikan}

distribusi dan integrasi knowledge



_{Horizontal and vertical information sharing}



_{Peningkatan komunikasi & Mengintegrasikan}

pengetahuan.



_{Data Mining tersimpan dalam data warehouse}

yang memungkinkan diakses melalui Web

@ Menggunakan orang yang tepat, proses serta

Peningkatan komunikasi

& Mengintegrasikan

pengetahuan.



_{Mengintegrasikan pemakaian informasi secara}

bersama-sama dil intas pemerintahan federal



_{Memperluas integrasi pemakaian informasi}

bersama-sama di lintas pemerintahan bagian

dan lokal, industri swasta, dan warga negara



_{Mengadopsi standar metadata dari informasi}

elektronik yang relevan dengan keamanan tanah

air



_{Meningkatkan komunikasi keamanan publik}

Data, Information,

Knowledge



Seorang pengambil keputusan membutuhkan data, informasi

dan pengetahuan



Pengambil keputusan harus mampu menerapkan piranti

analisis OLAP, data mining dll sehingga data, informasi, dan

pengetahuan bermanfaat.



Kecerdasan bisnis membuat para pengambil keputusan dapat

mengidentifikasi hubungan diantara item-item data sehingga

memberikan pemahaman dan keunggulan kompetitif



Data diintegrasikan dalam sebuah data warehouse dan

dianalisis secara otomatis via piranti data mining atau para

analis dengan menggunakan OLAP.

Data, Information,

Knowledge

 Data

 Sesuatu yang menjadi gambaran paling mendasar mengenai sesuatu, benda, peristiwa, aktifitas dan transaksi yg direkam.

 Terdiri dari internal (data korporat) atau eksternal (komersial, Sensor dan Satelit (GIS), lembaga riset, bank, biro sensus dll )

 Data dan pengetahuan personal

 Informasi

 Data yang telah diolah menjadi sesuatu yang lebih berarti dan bernilai

 Knowledge

Data (

Pengumpulan data, Masalah dan

Kualitas

)



_{Data mentah diperoleh secara manual atau menggunakan}

instrumen (alat/sensor scanner/GPS/PDA/RFID) metode

time study, surve, kuesioner, observasi dan wawancara



_{Masalah2 Data (GIGO)}



_{Kualitas Data merupakan sesuatu yang penting}

 Kualitas menentukan manfaat

 Contextual data quality (Relevansi, nilai tambah, batasan waktu, kelengkapan, dan jmlah data)

 Intrinsic data quality (akurasi, objectivitas, kemampuan u/ dapat dipercaya, reputasi)

 Accessibility data quality (kemudahan akses, dan keamanan akses)

 Representation data quality (pemahaman, kemampuan untuk diinterpretasikan (representasi tepat dan konsisten)

 Sering kali terlupakan atau ditangani begitu saja

Data



_{Membersihkan data}



_{Ketika menggunakan warehouse}



_{Data quality action plan}



_{Best practices untuk kualitas data}



_{Mengukur hasil}



_{Topik terkait dengan Integritas Data}



_{Uniformity (Keseragaman)}



_{Version (pemeriksaan versi ketika diubah}

menggunakan metadata dan memastikan data

asli tidak berubah)



_{Completeness check (Periksa kelengkapan)}



_{Conformity check (Periksa konsistensi)}

Data



_{Integrasi Data}

(mengatasi sistem pengarsipan lemah, konflik data, tipe

dan ukuran)



_{Diperlukan akses ke berbagai sumber}



_{Seringkali berskala besar}

(enterprise-wide)



_{Database yang berbeda dan heterogen}



_{XML menjadi bahasa standard}

Sumber Data Eksternal



_{Mengumpulkan data dari banyak sumber}

eksternal bisa sangat rumit.



_{Web (}

_{kebanyakan sumber data ekst. Aadalah}

web

)



_{Intelligent agents}



_{Document management systems}



_{Content management systems}



_{Commercial databases}

Contoh: Layanan database

komersial



_{CompuServe and the source (compuserve.com)}

menyediakan bank data statistik, bibliografi

(berita, referensi, perpustakaan, dan ensiklopedi)



_Compustat

_{(compustat.com)}

_menyediakan

statistik keuangan puluhan ribu korporasi, statistik

pertanian,

perbankan,

komoditi,

demografi,

ekonomi, energi, keuangan, asuransi dll.



_{Dow Jone Information service}



Lockheed in information system

Database Management Systems



_{Software program}



_{Mendukung Sistem Operasi}



_{Mengelola data}



_{Menjalankan Query dan}

menghasilkan reports



_{Keamanan Data}



_{Dikombinasikan dengan modeling}

Database Models



_Hierarchical

 Top down, seperti struktur pohon

 Fields hanya memiliki satu “parent”, setiap “parent” dapat memiliki beberapa “children”

 Cepat



_Network

 Relationships dibuat melalui linked lists, dengan menggunakan pointers

 “Children” dapat memiliki beberapa “parents”

 Sangat fleksibel



_Relational

 Flat, tabel dua dimensi dengan multiple access queries

 Menganalisa relasi antar tabel

 Fleksibel, cepat, dan diperluas dengan data independence



_{Object oriented}

Database Models,

lanjutan



_{Multimedia Based}



Multiple data formats

 JPEG, GIF, bitmap, PNG, sound, video, virtual reality



Membutuhkan hardware tertentu untuk dapat

menampilkan semua feature yang tersedia



_{Document Based}



Penyimpanan dan manajemen dokumen



_{Intelligent Based}



Intelligent agents dan Artificial Neural Network

Data Warehouse

 Subject oriented (diorganisasi berdasar subjek tertentu: Pelanggan, klaim dll)

 _{Terintegrasi: Sudah dibersihkan sehingga data menjadi standar meski}

diperoleh dari berbagai sumber

 _{Time series; no current status (data 5 tahun, 10 tahun)}  _Nonvolatile

 _{Read only dan eklusif untuk akses data}  _{Ringkas/Rangkuman}

 Tidak normal; mungkin saja terjadi kerangkapan data (redundant)

 _{Menyajikan data dari sumber internal dan eksternal}  _{Mencakup Metadata}

 _{Data tentang data}

 _{Business metadata}  _{Semantic metadata}

ARSITEKTUR



_{May have one or more tiers}



_{Ditentukan oleh warehouse (data dan perangkat}

lunak terkait), data acquisition (

back end

) yang

mengektraksi data dari sistem legacy dan sumber

ekstrenal, dan perangkat lunak client (

front end

)

yang mengizinkan pengguna mengakses dan

meneliti data di dalam warehouse.

 One tier, dimana semua dijalankan dalam platform yang sama, sangat jarang

 Two tier biasanya menggabungkan DSS engine (client) dengan warehouse

 Lebih ekonomis

Migrasi Data



Business rules



Tersimpan dalam metadata repository



Diaplikasikan pada data warehouse secara terpusat



Data di-extract dari berbagai sumber yang

relevan



Di-load melalui data-transformation tools atau

programs



Terpisah antara operation dan decision support

environments



_{Memperbaiki masalah kualitas sebelum data}

disimpan



_{Proses membersihkan dan mengorganisasikan}

Perancangan Data

Warehouse



_{Dimensional modeling}



_{Retrieval based}



_{Diimplementasikan dengan star schema}



_{Central fact table}



_{Dimension tables}



_Grain

Pengembangan Data

Warehouse



Teknik Implementasi Data warehouse



Top down



Bottom up



_Hybrid



_Federated



_{Projects may be data centric or application centric}



_{Implementation factors}



Organizational issues



Project issues



Technical issues



Scalable

Data Marts



_{Data mart adalah sebuah subkumpulan (subset)}

data warehouse, terdiri dari subject tunggal (mis:

pemasaran, operasional)



_Dependent

 Dibuat dari warehouse

 Replika

 Functional subset dari warehouse



_Independent

 Skala lebih kecil, versi data warehouse yang “lebih murah”

 Dirancang untuk sebuah departemen/bagian

Business Intelligence and

Analytics



_{Business intelligence}



_{Akuisisi/penggabungan dari data dan}

informasi untuk digunakan dalam kegiatan

pengambilan keputusan



_{Business analytics}



_{Models and solution methods}



_{Data mining}



_{Menerapkan model dan metod pada data}

OLAP



_{Aktivitas yang dilakukan oleh end users pada}

online systems



_{Specific, open-ended query generation}

 SQL



_{Ad hoc reports}



_{Statistical analysis}



_{Building DSS applications}



_{Modeling and visualization capabilities}



_{Special class of tools}



_{DSS/BI/BA front ends}



_{Data access front ends}



_{Database front ends}

Data Mining



_{Mengorganisasikan dan menggunakan}

informasi dan knowledge dari beberapa

database



Statistical, mathematical, artificial

intelligence, and machine-learning

techniques



Otomatis dan cepat



Tools yang digunakan untuk mencari pola



Simple models

Data Mining



Data mining application classes of problems



Classification



Clustering



_Association



_Sequencing



_Regression



_Forecasting



_Others



Hypothesis or discovery driven



Iterative

Tools and Techniques



_{Data mining}



_{Statistical methods}



_{Decision trees}



_{Case based reasoning}



_{Neural computing}



_{Intelligent agents}



_{Genetic algorithms}



_{Text Mining}



_{Hidden content}



_{Group by themes}

Knowledge Discovery in Databases



_{Data mining digunakan untuk}

mencari pola (patterns) dalam data



_{Identifikasi data}



_{Preprocessing}



_{Transformasi ke format yang umum}



_{Data mining melalui algoritma}

Data Visualization



_{Teknologi pendukung visualisasi dan}

interpretasi



_{Digital imaging, GIS, GUI, tables,}

multidimensions, graphs, VR, 3D,

animation



_{Mengidentifikasi relasi dan trends}

Multidimensionality



_{Data diorganisasikan menurut standar}

bisnis, bukan ditentukan oleh seorang analis



_Konseptual



Faktor



_Dimensi



Ukuran



Waktu



Overhead dan storage yang signifikan



_Mahal

Analytic systems



_{Real-time queries and analysis}



_{Real-time decision-making}



_{Real-time data warehouses yang}

di-update harian atau lebih sering



_{Update dapat dilakukan bersamaan}

dengan menjalankan query



_{Tidak semua data ter-update secara}

terus menerus

GIS



_{Sistem terkomputerisasi untuk}

mengelola dan memanipulasi data

dengan peta digital



_{Berorientasi Geografis}



_{Geographic spreadsheet for models}



_{Software memungkinkan web}

mengakses peta

Web Analytics/

Intelligence



_{Web analytics}



_{Aplikasi dari business analytics pada}

Web sites



_{Web intelligence}



_{Aplikasi dari teknik business intelligence}