BAB IV DATA MINING
G. Cluster Analysis (Clustering)
Salah satu metode yang diterapkan dalam KDD adalah clustering (Berkhin, 2006). Clustering atau analisis klaster adalah suatu pengelompokan sekumpulan objek sedemikian rupa sehingga objek-objek dalam kelompok yang sama (disebut cluster) lebih mirip dalam beberapa hal antara satu sama lain dibandingkan objek-objek dalam kelompok lain (cluster). Cluster Analysis memiliki tugas utama adalah analisis data eksplorasi, dan teknik umum untuk analisis data statistik temasuk pattern recognition, image analysis, information retrieval, bioinformatics, data compression, computer graphicd dan machine learning.
Gambar 4.6. Hasil dari Cluster Analysis
Clustering membagi data ke dalam grup-grup yang mempunyai objek yang karakteristiknya sama. Clustering mengelompokkan item data ke dalam sejumlah kecil grup sedemikian, sehingga masing-masing grup mempunyai sesuatu persamaan yang esensial (Molina, 2002). Clustering memegang peranan penting dalam aplikasi data mining, misalnya eksplorasi data ilmu pengetahuan, pengaksesan informasi dan text mining, aplikasi basis data spasial, dan analisis web (Andayani, 2007).
Clustering diterapkan dalam search engine di internet. Web search engine akan mencari ratusan dokumen yang cocok dengan kata kunci yang dimasukkan. Dokumen-dokumen tersebut dikelompokkan dalam klaster-klaster sesuai dengan kata-kata yang digunakan. Klasterisasi adalah proses membagi data yang tidak berlabel menjadi kelompok-kelompok data yang memiliki kemiripan (Du, 2010).
Clustering adalah satu diantara alat bantu pada data mining yang bertujuan untuk mengelompokkan objek-objek ke dalam klaster-klaster. Klaster adalah sekelompok atau sekumpulan objek- objek data yang similar satu sama lain dalam klaster yang sama dan dissimilar terhadap objek-objek data yang berbeda klaster. Objek- objek yang akan dikelompokkan ke dalam satu atau lebih klaster sehingga objek-objek yang berada dalam suatu klaster akan mempunyai kesamaan yang tinggi diantara satu dengan yang
lainnya. Tujuan utama dari metode klaster adalah pengelompokan sejumlah data/objek ke dalam klaster (group) sehingga dalam setiap klaster akan berisi data yang semirip mungkin (Santosa, 2007).
Cluster Analysis (analisis klaster) adalah pekerjaan pengelompokan data (objek) yang didasarkan hanya pada informasi yang ditemukan dalam data yang menggambarkan objek tersebut dan hubungannya diantaranya (Tan, 2006). Tujuannya adalah agar objek-objek yang bergabung dalam sebuah kelompok merupakan objek-objek yang mirip (atau berhubungan) satu sama lain dan berbeda (atau tidak berhubungan) dengan objek dalam kelompok lain. Lebih besar kemiripannya (homogenitas) dalam kelompok dan lebih besar perbedaannya diantara kelompok yang lain (Prasetyo, 2012).
Analisis klaster juga merupakan proses membagi data dalam suatu himpunan ke dalam beberapa kelompok yang kesamaan datanya dalam suatu kelompok lebih besar dari pada kesamaan data tersebut dengan data dalam kelompok lain (Jang, et al, 2004). Potensi clustering ini dapat digunakan untuk mengetahui struktur dalam data yang dapat dipakai lebih lanjut dalam berbagai aplikasi secara luas seperti klasifikasi, pengolahan gambar, dan pengenalan pola.
Tujuan pengelompokan (clustering) data dapat dibedakan menjadi dua, yaitu pengelompokan untuk pemahaman dan pengelompokan untuk penggunaan. Jika tujuannya untuk pemahaman, klaster yang terbentuk harus menangkap struktur alami data, biasanya proses clustering dalam tujuan ini hanya sebagai proses awal untuk kemudian dilanjutkan dengan pekerjaan inti seperti peringkasan atau summarization (rata-rata, standar deviasi), pelabelan kelas pada setiap klaster untuk kemudian digunakan sebagai data latih klasifikasi, dan mencari prototype kelompok yang paling representatif terhadap data, memberikan asbtraksi dari setiap objek data dalam kelompok dimana sebuah data terletak didalamnya.
H. Algortima K-Means
Dalam statistic dan machine learning, pengelompokan K- Means merupakan metode analisis kelompok yang mengarah pada pemartisian N objek pengamatan ke dalam K kelompok (klaster) dimana setiap objek pengamatan dimiliki oleh sebuah kelompok dengan mean terdekat, mirip dengan algoritma Expectation- Maximization untuk Gaussian Mixture dimana keduanya mencoba untuk menemukan pusat dari kelompok dalam data sebanyak iterasi perbaikan yang dilakukan oleh kedua algoritma.
K-Means merupakan salah satu metode pengelompokan data nonhieararki (sekatan) yang berusaha mempartisi data yang ada kedalam bentuk dua atau lebih kelompok. Metode ini mempartisi data kedalam kelompok sehingga data berkarakteristik sama dimasukkan kedalam satu kelompok yang sama dan data berkarakteristik berbeda dikelompokkan kedalam kelompok yang lain. Adapun tujuan pengelompokan data ini adalah untuk meminimalkan fungsi objektif yang di set dalam proses pengelompokan, yang pada umumnya berusaha meminimalkan variasi di dalam suatu kelompok dan memaksimalkan variasi antar kelompok (Prasetyo, 2012).
Metode algoritma K-Means berusaha mengelompokkan data yang ada ke dalam beberapa kelompok, dimana data dalam suatu kelompok mempunyai karakteristik yang berbeda dengan data yang ada dalam suatu kelompok yang lain (Asroni, et al.
2018). Langkah-langkah clustering dengan menggunakan algoritma K-Means dapat dilihat sebagai berikut (Santosa, 2007) : 1. Pilih jumlah klaster k.
2. Inisialisasi k pusat klaster ini dapat dilakukan dengan berbagai cara. Namun yang paling sering dilakukan adalah dengan cara acak (random).
3. Tempatkan setiap data/objek ke klaster terdekat. Didalam tahap ini perlu dihitung jarak tiap data ke tiap pusat klaster.
Jarak paling dekat antara satu data dengan satu klaster tertentu akan menentukan suatu data masuk dalam klaster
mana. Untuk menghitung jarak semua data ke setiap titik pusat klaster dapat menggunakan teori jarak Euclidean Distance yang dirumuskan sebagai berikut :
, = | − |2 = ∑ −
Keterangan:
d (x,y) = jarak antara data pada titik x dan y x = titik data pertama (pusat klaster)
y = titik data kedua (data dari N) n = jumlah atribut data
4. Hitung kembali pusat klaster dengan keanggotaan klaster yang sekarang. Pusat klaster adalah rata-rata dari semua data atau objek dalam klaster tertentu. Jika dikehendaki bisa juga menggunakan median dari klaster tersebut. Jadi rata- rata (mean) bukan satu-satunya ukuran yang bisa dipakai.
5. Selanjutnya, tugaskan lagi setiap objek dengan memakai pusat klaster yang baru. Jika pusat klaster tidak berubah, maka proses clustering selesai. Jika tidak, kembali ke langkah (3) sampai pusat klaster tidak berubah lagi.
Berikut ini adalah langkah-langkah dari algoritma K-Means yang dapat dilihat pada gambar dibawah ini :
Gambar 4.7. Diagram Alir Algoritma K-Means
Berdasarkan gambar di atas, langkah-langkah clustering dengan algoritma K-Means sebagai berikut :
1. Menentukan data centroid pada sistem ini ditentukan bahwa centroid pertama adalah n data pertama dari data- data yang akan di klaster.
2. Menghitung jarak antara centroid dengan masing-masing data.
3. Mengelompokkan data berdasarkan jarak minimum.
4. Jika penempatan data sudah sama dengan sebelumnya, maka berhenti. Jika tidak, maka kembali ke langkah huruf (b).
Kelebihan dari pada algoritma K-Means (Priati & Fauzi, 2017) adalah sebagai berikut :
• Dalam implementasi menyelesaikan masalah, algoritma K- Means sangat sederhana serta fleksibel, dimana dalam
perhitungan komputasinya tidak rumit dan algoritma ini dapat diimplementasikan dalam segala bidang.
• Sangat mudah untuk dipahami, terutama dalam implementasi data yang sangat besar serta dapat mengurangi kompleksitas yang dimiliki.
Sementara itu kekurangan yang dimiliki oleh algoritma K- Means (Hermawati, 2013) yaitu :
• Algoritma ini akan bermasalah ketika terdapat klaster berbeda dan ketika data mengandung outliers.
• Pada algoritma ini, user memerlukan angka yang tepat dalam menentukan jumlah klaster sebanyak k, karena terkadang pusat klaster awal dapat berubah sehingga kejadian ini bisa mengakibatkan pengelompokan data menjadi tidak stabil.
• Algoritma ini tidak bisa maksimal dalam menentukan atau menginisisialkan nilai centroid awalnya, karena pada pengelompokan data dengan algoritma ini sangat bergantung pada nilai centroid-nya.
• Output dari algoritma K-Means ini tergantung pada nilai- nilai pusat yang dipilih pada clustering sehingga nilai awal titik pusat klaster menjadi dasar dalam penentuan klaster.
Pemilihan centroid klaster awal secara acak akan memberikan pengaruh terhadap kinerja klaster tersebut.
I. Klasifikasi (Classification)
Dalam statistik, klasifikasi adalah masalah dalam mengidentifikasi yang dari dari pengamatan suatu set kategori (sub-population). Contohnya adalah menetapkan pesan email tertentu ke kelas “spam” atau “non spam”, dan menetapkan diagnosis kepada pasien tertentu berdasarkan karakteristik yang diamati dari pasien, misalnya jenis kelamin, tekanan darah, ada atau tidaknya gejala tertentu dan lain sebagainya.
Sebuah algoritma yang mengimplementasikan klasifikasi, terutama dalam implementasi konkrit, dikenal sebagai classifier.
Istilah “pengklasifikasi” terkadang juga mengacu pada fungsi matematika, yang diimplementasikan oleh algoritma klasifikasi yang memetakan input data ke suatu kategori.
Algoritma dari Metode Classification
• Linear Classifier
- Fisher’s Linear Disciminant - Logistic Regression
- Naïve Bayes Classifier - Perceptron
• Support Vector Machines
- Least Squares Support Vector Machines
• Quadratic Classifiers
• Kernel Estimation - K-Nearest Neighbor
• Boosting (Meta-Algorithm)
• Decision Trees - Random Forest
• Neural Networks
• Learning Vector Quantization
BAB V
BUSINESS INTELLIGENCE
A. Pengertian dan Konsep Business Intelligence
Business Intelligence (BI) terdiri dari strategi dan teknologi yang digunakan oleh perusahaan untuk analisis data dari informasi bisnis (Dedic, et al. 2016). Teknologi Business Intelligence memberikan pandangan historis, aktual, dan prediktif dari operasi bisnis. Fungsi umum dari teknologi business intelligence meliputi reporting, online analytical processing, analytics, dashboard development, data mining, process mining, complex event processing, Business performance management, benchmarking, text mining, predictive analytics, dan prescriptive analytics.
Teknologi Business Intelligence dapat menangani sejumlah besar data terstruktur dan terkadang data tidak terstruktur untuk membantu mengidentifikasi, mengembangkan, dan menciptakan peluang dan strategi bisnis baru. Ini bertujuan untuk memungkinkan interpretasi yang mudah dari big data ini.
Mengidentifikasi peluang baru dan menerapkan strategi yang efektif berdasarkan wawasan yang dapat memberi bisnis dalam hal keunggulan pasar yang kompetitif dan stabilitas jangka panjang.
Business intelligence dapat digunakan perusahaan untuk mendukung keputusan bisnis mulai dari operasional hingga strategis. Keputusan operasi dasar mencakup penentuan posisi produk atau penetapan harga. Keputusan strategis bisnis melibatkan prioritas, tujuan, dan arah pada tingkat paling luas.
Dalam semua kasus, Business Intelligence paling efektif menggabungkan data yang berasal dari pasar tempat perusahaan beroperasi (data eksternal) dengan data dari sumber internal perusahaan untuk bisnis seperti data keuangan dan data operasi (data internal). Ketiga digabungkan, data eksternal dan internal dapat memberikan gambaran lengkap yang pada dasarnya
menciptakan “intelligence” yang tidak dapat diturunkan dari kumpulan data tunggal. Diantara segudang kegunaan, business intelligence memberdayakan organisasi untuk mendapatkan wawasan tentang pasar baru, untuk menilai permintaan dan kesesuaian produk dan layanan untuk segmen pasar yang berbeda dan mengukur dampak upaya pemasaran.
Aplikasi business intelligence menggunakan data yang dikumpulkan dari data warehouse atau data mart, dan konsep Business Intelligence dan data warehouse digabungkan sebagai
“BI/DW”. Sebuah gudang data yang berisi salinan analitis yang memfasilitasi dukungan dalam pengambilan keputusan.
Business intelligence adalah seperangkat teori, meodologi, proses, arsitektur, dan teknologi yang mengubah data mentah menjadi informasi yang bermakna dan berguna untuk tujuan bisnis.
BI dapat menangani sejumlah besar informasi untuk membantu mengidentifikasi dan mengembangkan peluang baru.
Memanfaatkan peluang baru dan menerapkan strategi yang efektif dapat memberikan keuntungan pasar kompetitif dan stabilitas jangka panjang.
Menurut Solomon Negash dan Paul Gray, Business Intelligence dapat didefinisikan sebagai sistem yang menggabungkan pengumpulan data, penyimpanan data, dan knowledge management dengan analisis unutk mengetahui informasi perusahaan yang kompleks untuk disajikan kepada planners dan decision maker dengan tujuan untuk meningkatkan kualitas dan waktu dalam pengambilan keputusan.
Menurut Forrester Research, Business Intelligence adalah satu set metodologi, proses, arsitektur, dan teknologi yang mengubah raw data menjadi informasi yang bermakna dan berguna untuk meningkatkan wawasan strategis, taktis, dan operasional serta pengambilan suatu keputusan yang efektif.
Business intelligence meliputi manajemen informasi (integrasi data, kualitas data, data warehouse, master-data management, text-and content-analytics, dan lainnya). Oleh karena itu, Forrester
Research mengacu pada persiapan data dan penggunaan data sebagai dua segmen yang terpisah namun terikat erat dalam arsitektur Business intelligence. Beberapa elemen Business intelligence menurut Forrester Research :
• Multidemensional Aggregation and Allocation
• Denormalization, Tagging, and Standardization
• Realtime reporting
• Metode interfacing dengan unstructured data sources
• Konsolidasi grup, budgeting, dan rolling forecast
• Inferensi statistik dan simulasi probabilistik
• Pengoptimalan indikator kinerja utama
• Version control dan process management
• Open item manageent
Forrester Research membedakan ini dari business- intelligence market, yang hanya lapiran teratas dari susunan arsitektur BI seperti reporting, analytic, dan dashboard.
Business intelligence juga menjelaskan tentang suatu konsep dan metode bagaimana untuk meningkatkan kualitas pengambilan suatu keputusan bisnis berdasarkan sistem yang berbasis data. Business Intelligence seringkali dipersamakan sebagaimana briefing books, report dan queery tools, dan sistem informasi eksekutif. BI merupakan sistem pendukung pengambilan suatu keputusan yang berbasiskan pada data-data yang telah dianalisis.
Business intelligence juga merupakan suatu cara untuk mengumpulkan, menyimpan, mengorganisasikan, membentuk ulang, meringkas data serta menyediakan informasi, baik berupa data aktifitas bisnis internal perusahaan, maupun data aktifitas bisnis eksternal perusahaan termasuk aktifitas bisnis pada pesaing yang mudah diakses serta analisis untuk berbagai kegiatan manajemen.
Business intelligence juga merupakan suatu alat analisis yang digunakan untuk mengkonsolidasikan data, menganalisis, menyimpan dan mengakses banyak data untuk membantu dalam pengambilan suatu keputusan, seperti perangkat lunak untuk queery database dan tools reporting untuk analisis data multidimensi dan data mining.
Sumber : Turban, 2011
Gambar 5.1. The Business Pressures, Respons, Support Model
Business intelligence meliputi perolehan data dan informasi dari berbagai sumber yang bervariasi dan mengolahnya ke dalam pengambilan suatu keputusan. Business Intelligence juga dapat digunakan untuk mendukung perusahaan perbankan dalam mencapai berbagai kriteria keberhasilan seperti (1) membantu pembuatan keputusan dengan kecepatan dan kualitas yang lebih baik, (2) mempercepat opersional, (3) memperpendek sikus pengembangan produk, (4) memaksimalkan nilai dari produk yang tersedia dan mengantisipasi peluang baru, dan (5) menciptakan pasar yang lebih bak dan terfokus.
Langkah-langkah proses business intelligence ada beberapa bagian dalam solusi business intelligence dapat diterjemahkan menjadi langkah-langkah dibawah ini :
1. Identifikasi masalah bisnis yang perlu diselesaikan dengan gudang data dan menentukan data yang diperlukan untuk menyelesaikan masalah tersebut.
2. Identifikasi lokasi dari data-data yang diperlukan dan mengambil dari sumber penyimpanannya.
3. Merubah data yang diperoleh dari berbagai sumber tersebut kedalam sebuah data yang konsisten.
4. Mengambil data yang telah diubah tersebut ke dalam lokasi yang tersentralisasi.
5. Membuat sebuah gudang data dengan data yang ada dalam lokasi yang tersentralisasi tersebut (data warehouse).
Perbedaan Business Intelligence dengan Competitive Intelligence
Meskipun istilah Business intelligence kadang-kadang ber-sinonim dengan competitive intelligence dikarenakan keduanya mendukung dalam hal pengambilan keputusan, tetapi Business intelligence menggunakan teknologi, proses, dan aplikasi untuk menganalisis sebagaian besar data terstrukur dan proses bisnis sementara competitive intelligence mengumpulkan, menganalisis, dan menyebarkan informasi dengan fokus topical pada perusahaan pesaing. Jika dipahami secara luas, Business intelligence dapat dianggap sebagai bagian dari competitive intelligence.
Perbedaan Business Intelligence dengan Business Analytics Business intelligence dan Business analytics terkadang digunakan secara bergantian, tetapi ada definisi lainnya. Thomas Davenport, seorang profesor teknologi informasi dan manajemen di Babson Collage berpendapat bahwa business intelligence harus dibagi menjadi queery, reporting, online analytical processing (OLAP), alat “alert”, dan analisis bisnis. Dalam definisi ini, business analytics adalah bagian dari business intelligence yang berfokus pada statistik, prediksi, dan pengoptimalam dari pada fungsionalitas reporting.
Data Tidak Terstruktur (Unstructured Data) vs Data Semi Terstruktur (Semi-Structured Data)
Data tidak terstruktur dan semi terstruktur memiliki arti yang berbeda begantung pada konteksnya. Dalam konteks sistem basis data relasional, data tidak terstruktur tidak dapat disimpan dalam
“kolom” dan “baris” dapat diprediksi. Salah satu jenis data tidak terstruktur biasanya disimpan dalam BLOB (binary large object), tipe data catch-all yang tersedia di sebagian besar sistem manajemen basis data relasional. Data tidak terstruktur juga merujuk pada pola “kolom” yang berulang secara tidak teratur atau acak yang bervariasi dari “baris” ke “baris” atau file yang tidak memiliki metadata yang terperinci.
Namun, banyak dari tipe data ini, seperti email, file teks pengolahan kata, PDF, PPT, file gambar, dan file video sesuai standar yang kemungkinan metadata. Metadata dapat mencakup informasi seperti penulis dan waktu pembuatan, dan ini dapat disimpan dalam database relasional.
Data tidak terstruktur juga bisa menjadi knowledge yang dimiliki pengguna bisnis tentang tren bisnis masa depan. Peramalan bisnis secara alami sejalan dengan sistem business intelligence karena pengguna bisnis memikirkan bisnis secara agregat. Capturing the business knowledge yang mungkin hanya ada di benak pengguna bisnis memberikan beberapa poin data terpenting untuk solusi business intelligence yang lengkap.
Metadata
Untuk memecahkan masalah dengan kemampuan pencarian dan penilaian data, perlu untuk mengetahui sesuatu tentang konten. Ini dapat dilakukan dengan menambahkan konteks melalui pengunaan metadata. Banyak sistem telah menangkap beberapa metadata (misalnya nama file, penulis, ukuran dan lain-lain), tetapi yang lebih berguna adalah metadata tentang konten aktual, misalnya
ringkasan, topik, orang, atau perusahaan. Dua teknologi yang dirancang untuk menghasilkan metadata tentang konten adalah kategorisasi otomatis dan ekstraksi informasi.
B. Sejarah Singkat Business Intelligence
Istilah business intelligence diciptakan oleh Gartner Group pada pertengahan 1990-an. Namun konsepnya jauh lebih tua; ia berakar pada sistem reporting MIS (management information system) tahun 1970-an. Selama periode itu, sistem reporting bersifat statis, dua dimensi, dan tidak memilii kemampuan analitis.
Pada awal 1980-an, konsep executive information systems (EIS) muncul. Konsep ini memperluas dukungan terkomputerisasi ke manajer dan tingkat eksekutif tingkat atas. Beberapa kemampuan yang diperkenalkan adalah reporting multidimensi dinamis, forecasting and prediction, trend analysis, drill-down to details, status acess, dan critical succes factors. Fitur-fitur ini muncul dalam puluhan produk komersial hingga pertengahan 1990-an.
Kemudian kemampuan yang sama dan beberapa yang baru muncul dengan nama business intelligence. Saat ini, sistem informasi perusahaan berbasis Business Intelligence yang baik berisi semua informasi yang dibutuhkan eksekutif. Jadi konsep awal EIS (Executive Information Systems) diubah menjadi Business Intelligence. Pada tahun 2005, sistem Business Intelligence mulai menyertakan kemampuan kecerdasan buatan (artificial intelligence) serta kemampuan analitis (analytical capabilities) yang kuat. Gambar 5.2. mengilustrasikan berbagai tools dan teknik yang mungkin disertakan dalam sistem Business Intelligence. Ini menggambarkan evolusi dari Business Intelligence.
Sumber : Turban, 2011
Gambar 5.2. Evolusi Business Intelligence
C. Arsitektur Business Intelligence
Sistem business intelligence memiliki empat komponen utama yaitu data warehouse, business analytics, tools untuk memanipulasi, menambang, dan menganalisis data warehouse, dan business performance management (BPM) untuk memantau dan menganalisis kinerja dan user interface (misalnya, dashboard).
Hubungan antar komponen di ilustrasikan pada Gambar 5.3 dan Gambar 5.4.
Perlu untuk diperhatikan bahwasanya lingkungan data warehousing sebagian besar merupakan tanggung-jawab staff teknis, sedangkan lingkungan analytical (atau dikenal dengan analytical business) adalah ranah business user. Setiap user dapat terhubung ke sistem melalui user interface, seperti browser, dan manajer dapat menggunakan komponen BPM dan juga dashboard.
Sumber : Turban, 2011
Gambar 5.3. Architecture of Business Intelligence
1. Data Warehousing
Data warehouse dan variannya merupakan landasan dari sistem business intelligence menengah hingga besar. Awalnya, data warehouse hanya mencakup data historis yang diatur dan diringkas, sehingga pengguna akhir dapat dengan mudah melihat dan memanipulasi data dan informasi. Saat ini, beberapa data warehouse menyertakan data secara real time sehingga memudahkan dalam pengambilan suatu keputusan.
2. Business Analytic
End users dapat bekerja dengan data dan informasi di data warehouse dengan menggunakan berbagai tools dan teknik. Tools dan teknik ini termasuk kedalam dua kategori utama yaitu : a. Reports and Queries
Business analytic mencakup pelaporan yang bersifat statis dan dinamis, semua jenis queery, penemuan informasi, tampilan multidimensi, penelusuran hingga detail, dan sebagainya.
Sumber : Turban, 2011
Gambar 5.4. A High-Level Architecture of Business Intelligence
D. Aplikasi dari Business Intelligence
Business intelligence dapat diterapkan untuk tujuan bisnis seperti berikut :
• Performance metric dan benchmarking menginformasikan para pemimpin bisnis tentang kemajuan dalam mencapai tujuan bisnis (business process management).
• Analytics mengukur proses bisnis untuk sampai pada keputusan yang optimal, dan untuk melakukan business knowledge discovery. Analytics mungkin beragam yang melibatkan data mining, process mining, statistical analysis, predictive analysis, predictive modelling, business process modelling, data lineage, complex event processing, dan prescriptive analytics.
• Business Reporting dengan menggunakan Business Intelligence untuk menginformasikan strategi. Business reporting mungkin melibatkan dashboards, data visualization, executive information system, dan OLAP.
• Business Intelligence dapat juga memfasilitasi kolaborasi baik di dalam maupun di luar bisnis dengan memungkinkan adanya data sharing dan electronic data interchange.
• Knowledge management berkaitan dengan creation, distribusi, penggunaan, dan management of business intelligence, dan pengetahuan bisnis secara umum.
Knowledge management mengarah kepada learning management dan regulatory complience.
E. Sistem Pendukung Keputusan (DSS)
Sistem pendukung keputusan (decision support systems) atau DSS adalah sistem informasi yang mendukung kegiatan dalam pengambilan keputusan bisnis atau organisasi. DSS melayani tingkat manajemen, operasi, dan perencanaan suatu organisasi dan membantu dalam membuat keputusan tentang masalah yang mungkin berubah dengan cepat dan tidak mudah ditentukan sebelumnya – yaitu masalah keputusan yang tidak terstruktur dan semi-terstruktur.
Akademisi menganggap DSS sebagai tools untuk mendukung proses pengambilan keputusan, pengguna DSS melihat DSS sebagai alat untuk memfasilitasi proses organisasi.
Beberapa penulis telah memperluas definisi DSS untuk memasukkan sistem apa pun yang mungkin mendukung pengambilan keputusan dan beberapa DSS menyertakan komponen software pengambilan keputusan. Sprague (1980) mendefinisikan istilah DSS dengan tepat sebagai berikut :
1. DSS cenderung ditujukan pada struktur kurang baik, underspecified masalah yang biasanya dihadapi oleh manajer tingkat atas.
2. DSS mencoba untuk menggabungkan penggunaan model atau teknik analitik dengan akses data bersifat tradisional dan fungsi dari pengambilan
3. DSS secara berfokus pada fitur yang membuatnya mudah digunakan oleh orang yang tidak mahir menggunakan komputer dalam mode interaktif, dan ;