Ana səhifə

Landasan teori


Yüklə 77.24 Kb.
tarix13.05.2016
ölçüsü77.24 Kb.


BAB 2

LANDASAN TEORI

    1. Teori - Teori Umum

Untuk mendukung penulisan tugas akhir ini, diperlukan beberapa teori-teori umum yang berkaitan dengan topik sebagai dasar serta sebagai referensi dan penjelasan mengenai teori-teori yang berkaitan dengan sistem informasi dan database. Berikut adalah teori-teori umum yang sering digunakan.

      1. Data

Data merupakan suatu fakta yang diperoleh dari beberapa sumber, yang pada akhirnya akan diolah dan memberikan suatu informasi yang berguna bagi perusahaan maupun organisasi dalam proses bisnisnya.

Menurut Turban & Rainer (2009, p6), Data adalah fakta mentah atau deskripsi dasar dari benda, peristiwa, aktivitas dan transaksi yang didapatkan, direkam, disimpan, diklasifikasi tetapi belum terorganisir untuk menyampaikan suatu arti spesifik.

Menurut Williams & Sawyer (2001, p25), Data terdiri dari fakta-fakta, dan gambaran mentah yang akan diproses menjadi informasi. Data penting karena pengguna memerlukan data untuk membuat informasi yang berguna.

Maka dari pendapat para ahli diatas dapat disimpulkan bahwa Data adalah fakta-fakta mentah dari suatu benda, peristiwa, aktivitas, dan transaksi yang didapatkan, direkam, disimpan, dan diklasifikasi yang kemudian akan di proses menjadi informasi yang berguna bagi pembacanya.



      1. Database

Kecepatan merupakan kunci penting dalam proses bisnis, perolehan informasi yang cepat dapat di wujudkan dengan penggunaan database.

Menurut O’Brien dan Marakas (2007, p142), “A database is an integrated collection of logically collection of logically related data elements.” Yang berarti bahwa database adalah sebuah kumpulan elemen data yang berhubungan secara logikal.

Menurut Connolly & Begg (2010, p15) Database adalah koleksi data logis dan deskripsi dan desain dari data tersebut untuk memenuhi kebutuhan informasi dari suatu perusahaan.

Maka, dari beberapa pendapat ahli di atas dapat disimpulkan bahwa database adalah koleksi atau kumpulan data yang secara logis disimpan secara sistematik sehingga dapat diperiksa menggunakan suatu program untuk memperoleh informasi yang dibutuhkan.



      1. Database Management System (DBMS)

Menurut Connolly & Begg (2010, p16), DBMS adalah sebuah sistem perangkat lunak yang memungkinkan user untuk mendefinisikan, menciptakan, memelihara dan mengontrol akses terhadap sistem basis data.

Komponen-komponen DBMS (Connolly & Begg, 2010, p18-21), di antaranya:



  • Hardware

DBMS dan aplikasi membutuhkan Hardware untuk berjalan.

  • Software

Komponen software terdiri dari perangkat lunak DBMS itu sendiri dan program aplikasi, bersama dengna sistem operasi, meliputi perangkat lunak jaringan jika digunakan dalam jaringan.

  • Data

Merupakan komponen yang paling penting dalam lingkungan DBMS.

  • Procedure

Mengacu pada instruksi dan aturan yang menentukan desain dan kegunaan dari basis data.

  • People

Komponen terakhir adalah orang yang terlibat dengan sistem yang dibangun tersebut.

Maka, dari kutipan diatas dapat disimpulkan bahwa DBMS merupakan suatu sistem perangkat lunak yang terdiri dari beberapa komponen pendukung dimana sistem tersebut mampu untuk membantu user untuk menciptakan, memelihara, dan mengontrol akses terhadap sistem basis data.




      1. Data Warehouse

Setiap data yang ada terutama data yang memiliki jumlah yang banyak seperti data perusahaan atau organisasi memerlukan data warehouse untuk menampung setiap data tersebut agar tidak terpisah atau terpencar sehingga sulit untuk menemukannya.

Menurut Turban, Sharda, Delen, & King (2011, p52), Data Warehouse adalah kumpulan data yang dihasilkan untuk mendukung pengambilan keputusan, dan juga merupakan tempat penyimpanan data saat ini dan data historikal dari kepentingan manajer di seluruh organisasi.

Menurut Connolly & Begg (2010, p1151), Data Warehouse adalah kumpulan data yang berorientasi subjek, terintegrasi, berdasarkan waktu, dan tidak mengalami perubahan secara langsung dalam mendukung proses pengambilan keputusan manajemen.

Menurut Inmon (2005, p495), Data warehouse adalah koleksi database yang terintegrasi yang dirancang untuk mendukung fungsi sistem pengambilan keputusan, di mana setiap unit data relevan pada beberapa waktu.

Maka, berdasarkan pendapat-pendapat para ahli di atas dapat disimpulkan bahwa Data Warehouse adalah kumpulan data yang berorientasi subjek dan terintegrasi yang dirancang untuk mendukung proses atau sistem pengambilan keputusan dan tidak mengalami perubahan secara langsung.

Alur dalam membangun data warehouse menurut Utley (2008, p32-33) terlihat dalam gambar dibawah. Terlihat data berada dalam sistem sumbernya, bermigrasi ke sebuah gudang data relasional, kemudian berubah menjadi batu cubes untuk dikonsumsi oleh pengguna akhir. Setiap bagian dari proses ini mengandung kompleksitas dan proses yang sangat mempengaruhi kegunaan dan penerimaan akhir dari gudang oleh pengguna bisnis.



Gambar 2.1 Process Building a Data Warehouse

(Sumber : Craig Utley, 2008, p33)



      1. ETL (Extract, Transform, Load)

Menurut Vercelis (2009, p53-54), ETL mengacu pada perangkat lunak yang ditujukan untuk tampil di sebuah otomatisasi dengan cara tiga fungsi utama : ekstraksi, transformasim dan loading data ke data warehouse. Berikut tahapannya:

  • Ekstraksi : Pada tahap pertama, data diambil dari data internal yang tersedia serta sumber-sumber data eksternal. Perbedaan logis dapat dibuat antara awal ekstraksi, dimana data yang tersedia relatif terhadap seluruh periode waktu dimasukkan ke data warehouse yang kosong, dan ekstraksi tambahan berikutnya yang memperbaharui data warehouse menggunakan data baru yang menajdi tersedia dari waktu ke waktu.

  • Transformasi : Tujuan dari tahap pembersihan dan transformasi adalah untuk meningkatkan kualitas data yang diambil dari sumber yang berbeda melalui koreksi dan inkonsistensi, ketidak-akuratan dan nilai-nilai yang hilang. Beberapa kelemahan utama yang dikeluarkan selama tahap pembersihan data adalah:

  • Inkonsistensi antara nilai tercatat dalam atribut yang berbeda memiliki arti yang sama.

  • Duplikasi data.

  • Data yang hilang.

  • Adanya nilai - nilai yang tidak dapat diterima atau diproses.

Selama fase pembersihan, aturan otomatisasi diterapkan untuk memperbaiki sebagian besar kesalahan yang berulang. Selain itu, selama fase transformasi data tambahan konversi terjadi dalam rangka untuk menjamin homogenitas dan integrasi mengenai data yang berbeda sumber. Selanjutnya agregasi data dan konsolidasi yang dilakukan guna untuk mendapatkan ringkasan yang akan mengurangi waktu respon.

  • Loading : Setelah diekstraksi dan diubah, data kemudian dimuat ke dalam tabel data warehouse untuk mempermudah proses penganalisaan data serta pengambilan keputusan dengan dukungan aplikasi.

Menurut Silver (2008, p150), ETL adalah proses - proses dalam data warehouse yang meliputi:

  • Mengekstrak data dari sumber - sumber eksternal.

  • Mentransformasikan data ke bentuk yang sesuai dengan keperluan bisnis.

  • Memasukkan data ke target akhir, yaitu data warehouse.

ETL merupakan proses yang sangat penting, dengan ETL data dapat di masukkan ke dalam data warehouse. ETL juga dapat digunakan untuk mengintegrasikan data dengan sistem yang sudah ada sebelumnya.

Tujuan ETL adalah mengumpulkan, menyaring, mengolah dan menggabungkan data yang relevan dari berbagai sumber untuk disimpan ke dalam data warehouse. Hasil dari proses ETL adalah dihasilkannya data yang memenuhi kriteria data warehouse seperti data historis, terpadu, terangkum, statis dan memiliki struktur yang dirancang untuk keperluan proses bisnis.

Lalu menurut Gonzales (2003, p37-40), Bagian tradisional dari iterasi data warehouse merupakan kebutuhan untuk akuisisi data, mencakup langkah-langkah berikut:


  • Identifikasi sumber data yang relevan.

  • Pengembangan strategi ekstrasi.

  • Transformasi data sumber untuk spesifikasi target.

  • Memuat data bersumber ke target yang telah ditetapkan.

Proses akuisisi ini disebut sebagai ekstrasi, transformasi, dan loading (ETL):

  • Extract

Ekstrasi data dan propagasi data merupakan proses mengumpulkan data dari berbagai sumber dan platform yang berbeda dan bergerak ke dalam data warehouse. Ekstrasi data merupakan proses selektif untuk mengimpor hanya informasi yang relevan yang mendukung analisis dan pengambilan keputusan. Ekstrasi data atau propagasi data lebih dari menyalin data dari satu sistem database ke database yang lain. Arsitek ETL harus mengidentifikasi data spesifik untuk mengekstrak, pemicu yang menyebabkan ekstrasi berlangsung, dan target untuk data yang diekstrak.

  • Transform

Transformasi data biasanya melibatkan resolusi kode dengan tabel pemetaan, misalnya mengubah variabel jenis kelamin:

  • 0 jika nilai perempuan.

  • 1 jika nilai laki-laki.

Pada tahap awal proses, transformasi yang digunakan lebih untuk mengkonsolidasikan data dari sumber yang berbeda, sedangkan pada tahap selanjutnya data ditransformasikan untuk memenuhi analisis masalah tertentu atau persyaratan tertentu.

  • Loading

Proses loading merupakan proses pengiriman informasi dimana informasi ini seringkali dikumpulkan, diringkas, atau dimodifikasi untuk memastikan kinerja query dan meminimalkan jumlah data yang dikirim melalui jaringan ke pengguna akhir atau alat analisis.

      1. Online Analitical Processing (OLAP)

Menurut Loshin (2003, p83), Online Analitical Processing berbeda dengan Online Transactional Processing (OLTP), sebagian besar menggambarkan OLAP dengan istilah “multidimensi” dan “memilah-milah”. OLAP merupakan alat yang menyediakan sarana untuk menyajikan data yang bersumber dari sebuah data warehouse atau data mart untuk melihat metrik komparatif di beberapa dimensi. Selain itu, metrik ini dirangkum dalam cara yang memungkinkan konsumen data untuk melakukan drill-down (mengekspos lebih detail) pada setiap nilai tertentu atau dimensi tertentu.

Dimensi data yang akan dianalisis dalam ruang lingkup OLAP diatur dalam struktur cube (hypercube), dimana ringkasan dari setiap dimensi dapa dilihat dalam konteks dimensi lain. Biasanya nilai dikumpulkan atas dan kebawah hirarki alami. Misalnya, mempertimbangkan database informasi penjualan yang mencatat setiap transaksi penjualan, termasuk tanggal, waktu, lokasi, pelanggan, produk, jumlah, harga per produk, dan total penjualan.

Sedangkan menurut Gonzales (2003, p43-44) adalah penting untuk membedakan antara kemampuan database relasional dan orang-orang dari suatu sistem pengolahan analisis online. Berbeda dengan teknologi relasional, Online Analitical Processing (OLAP) mengunakan pandangan multidimensi data agregat untuk menyediakan akses cepat ke informasi yang strategis untuk analisis lebih lanjut. OLAP memungkinkan analis, manajer, dan executive untuk mendapatkan informasi tentang data dengan cepat, akses yang yang konsisten, interactive untuk berbagai pandangan. OLAP mengubah data mentah sehingga mencerminkan dimensionalitas nyata dari perusahaan sebagaimana yang dipahami oleh pengguna. Aplikasi OLAP menjangkau berbagai fungsi organisasi. Meskipun aplikasi OLAP ditemukan di daerah fungsional yang sangat beragam, mereka semua memerlukan fitur utama sebagai berikut:


  • Multidimensional dilihat dari data yang ada.

  • Perhitungan intensif kemampuan.

  • Intelijen waktu.

      1. Dimensional Modeling

Menurut Kimball (2002, p15), Dimensional modelling adalah teknik desain untuk database untuk mendukung pengguna akhir query dalam data warehouse. Hal ini berorientasi untuk mengerti kinerja dari sebuah database dan data warehouse. Pemodelan dimensi selalu menggunakan konsep fakta (tindakan), dan dimensi (konteks).

Menurut Loshin (2003, p79), Dimensional Modeling adalah suatu teknik alternatif untuk model data yang berevolusi dan memungkinkan untuk menghasilkan informasi yang akan diwakili dengan cara yang lebih cocok untuk akses kinerja yang tinggi.



Dimensional Modeling biasanya dibuat berdasarkan star schema yang berisi dua jenis tabel data: tabel dimensi dan tabel fakta.

        1. Dimension Tables

Menurut Loshin (2003, p79), Tabel dimensi merupakan dimensi yang terkait dengan entitas sekitar dimana proses organisasi berputar. Tabel dimensi kemudian disesuaikan dengan entitas utama yang terkandung dalam data warehouse, dan di sebagian kasus mereka langsung berasal dari tabel induk yang disimpan dalam sistem OLTP, seperti pelanggan, produk, penjualan, lokasi dan waktu. Sebagai contoh, dimensi temporal biasanya didasarkan pada dua hirakri utama: {hari, minggu, tahun} dan {hari, bulan, triwulan, tahun}. Demikian pula dimensi lokal dapat secara hirarki teroganisir sebagai {jalan, kode pos, kota, daerah, negara}.

Sedangkan menurut Kimball (2002, p19-20), Tabel dimensi adalah integral ke tabel fakta. Tabel dimensi berisi deskripsi tekstual dari sebua bisnis. Dalam model yang dirancang dengan baik dimensi tabel memiliki banyak kolom atau atribut. Atribut ini menggambarkan baris dalam tabel dimensi. Tabel dimensi cenderung relatif dangkal dalam hal jumlah baris tetapi lebar dengan kolom besar yang banyak. Masing-masing dimensi didefinisikan oleh kunci tunggal utama (primary key), yang berfungsi sebagai dasar untuk integritas referensial dengan tabel fakta yang diberikan untuk bergabung. Dimensi atribut berfungsi sebagai sumber utama jika terdapat kendala dan laporan label. Sebagai contoh, ketika pengguna menyatakan bahwa ingin melihat penjualan per minggu dengan merek produk, maka atribut tanggal dan merek produk harus ada sebagai atribut dimensi.



        1. Fact Tabels

Menurut Kimball (2002, p16-17), Sebuah tabel fakta adalah tabel primary dalam model dimensi dimana pengukuran kinerja numerik dari bisnis disimpan. Dalam menyimpan dan mengukur yang dihasilkan dari suatu proses bisnis di data mart tunggal karena pengukuran data merupakan bagian terbesar dari setiap data mart untuk menghindari duplikasi dalam beberapa tempat di seluruh perusahaan. Istilah fakta digunakan untuk mewakili ukuran bisnis sehingga mudah untuk membayangkan berdiri di pasar, menonton produk yang dijual dan menuliskan kuantitas dari barang yang dijual setiap hari untuk setiap produk di setiap toko. Tabel fakta memberitahu lingkup atau cankupan untuk mengukur proses bisnis.

Sedangakan menurut Loshin (2003, p79), tabel fakta biasanya mengacu pada transaksi dan mengandung dua jenis data, yaitu:



  • Hubungan ke tabel dimensi yang diperlukan untuk memastikan referensi informasi yang terkandung dalam setiap tabel fakta.

  • Atribut nilai numerik yang menjadi ciri yang sesuai dengan transaksi dan yang mewakili target sebenarnya dari analisis data.

Sebagai contoh, sebuah tabel fakta mungkin berisi transaksi penjualan dan membuat referensi untuk beberapa dimensi tabel, seperti pelanggan, tempat penjualan, produk, pemasok dan waktu.



Gambar 2.2 Star Schema

(Sumber : Vercellis, 2009, p56)



      1. Data Mart

Menurut Vercelis (2009, p49), Data Mart adalah sistem yang mengumpulkan semua data yang dibutuhkan oleh perusahaan, organisasi, dan departemen seperti pemasaran atau logistik, untuk tujuan melakukan Business Intelligence dan aplikasi pendukung untuk mengeksekusi keputusan tertentu dengan fungsi itu sendiri.

Menurut Loshin (2003, p82), Data Mart adalah subjek berorientasi penyimpanan data, mirip dengan struktur gudang data perusahaan, tetapi memegang data yang diperlukan untuk keputusan dukungan dan kebutuhan Business Intelligence dari departemen tertentu atau kelompok dalam organisasi.

Ada perbedaan antara data mart dan data warehouse, sebagian besar karean sifat-sifat yang berbeda dari hasil yang diinginkan. Ada sebuah pemikiran yang percaya bahwa gudang data dimaksudkan untuk lebih terstruktur dan untuk analisis eksplorasi, sedangkan data mart digunakan untuk pelaporan yang lebih formal dan diarahkan untuk analisis drill-down.


      1. Data Mining

Menurut Moss (2003, p381), Data Mining adalah analisis data dengan maksud untuk menemukan permata dari informasi yang tersembunyi dalam jumlah besar data yang telah ditangkap pada saat menjalankan bisnis.

Dalam membuat atau menjalankan data mining memerlukan teknik yang gunanya adalah untuk melakukan implementasi spesifik dari algoritma yang digunakan dalam operasi data mining. Berikut ini adalah teknik-teknik data mining oleh Moss (2003, p386):



  • Associations Discovery: teknik data mining ini digunakan untuk mengidentifikasi perilaku peristiwa terntu atau suatu proses. Contoh: Seorang pelanggan mini market membeli makanan ringan, ada 85 % kemungkinan bahwa pelanggan tersebut juga akan membeli minuman ringan atau bir.

  • Sequential pattern discovery: teknik data mining ini mirip dengan asosiasi kecuali pola sekuensial dari waktu ke waktu menentukan bagaimana suatu item atau objek berhubungan satu sama lain dari waktu ke waktu. Contoh: Teknik ini dapat memprediksi bahwa seseorang yang membeli mesin cuci juga dapat membeli pengering pakaian dalam waktu enam bulan dengan probabilitas 0,7. Untuk meningkatkan peluang di atas probabilitas 70 % diprediksi, toko mungkin menawarkan setiap pembeli dikson 10 % pada pengering pakaian dalam waktu empat bulan setelah membeli mesin cuci.

  • Classification: teknik klasifikasi adalah penggunaan paling umum dari data mining. Klasifikasi melihat pada perilaku dan atribut dari kelompok yang telah ditentukan. Contoh: Untuk menemukan karakteristik pelanggan yang akan (atau tidak) membeli jenis produk tertentu, pengetahuan ini akan mengakibatkan berkurangnya biaya promosi dan surat langsung.

  • Clustering: teknik ini digunakan untuk menemukan kelompok yang berbeda dalam data. Teknik ini mirip dengan klasifikasi kecuali bahwa ada dari kelompok-kelompok tersebut yang belum ditetapkan pada awal menjalankan data mining tool. Contoh: Biasanya teknik ini gunakan untuk mendeteksi masalah seperti cacat manufaktur atau mencari kelompok afinitas untuk kartu kredit.

  • Forecasting: teknik data mining ini dibagi menjadi dua bentuk yaitu: Analisis Regresi dan Penemuan Urutan Waktu.

  • Analisis regresi menggunakan nilai-nilai yang diperoleh dari data untuk memprediksi nilai masa depan atau peristiwa masa depan berdasarkan tren historis dan statistik. Misalnya, volume penjualan aksesoris mobil sport dapat diperkirakan berdasarkan jumlah mobil sport yang dijual bulan lalu.

  • Penemuan urutan waktu berbeda dari analisis regresi dalam hal memperkirakan hanya tergantung pada waktu nilai data. Misalnya, menentukan tingkat kecelakaan selama musim liburan didasarkan pada jumlah kecelakaan yang terjadi selama musim liburan yang sama pada tahun sebelumnya. Properti waktu dapat melingkupi: pekerjaan minggu berdasarkan kalender, liburan, musim, tanggal dan rentang interval tanggal.

        1. Statistical Analysis vs Data Mining

Statistical Analysis versus Data Mining menurut Moss:

Statistical Analysis

  • Statisticians biasanya dimulai dengan sebuah hipotesis.

  • Statisticians harus mengembangkan equations mereka sendiri untuk dicocokan dengan hipotesis mereka.

  • Statisticians analisis hanya menggunakan numerical data.

  • Statisticians dapat menemukan dan menyaring data saat melakukan analisis.

  • Statisticians menginterpretasi hasil mereka sendiri dan hasil ini digunakan oleh bisnis manager dan bisnis executive.

Data Mining

  • Data mining tidak menggunakan hipotesis

  • Algoritma Data mining dapat mengembangkan equation secara otomatis.

  • Data mining dapat menggunakan tipe data yang lain selain data numeric

  • Data mining tergantung dengan susunan data yang baik.

  • Hasil dari data mining tidak mudah diinterpretasikan.

        1. Aplikasi Data Mining

Menurut Moss Penting untuk diingat meskipun semua teknologi baik, data mining harus didorong oleh kebutuhan bisnis yang kuat untuk membenarkan pengeluaran waktu dan uang. Ada lima jenis aplikasi data mining yang paling umum, yaitu:

  1. Market management

  • Cross Selling

  • Pelanggan lari

  • Promosi dan kampanye

  • Prospecting

  • Market base analysis

  1. Fraud detection

  • Credit card Fraud

  • Calling card fraud

  • Insurance fraud

  1. Risk management

  • Credit risk

  • Quality control

  1. Financial services

  • Customer retention

  • Stock performance

  1. Distribution

  • Inverntory control

      1. Business Intelligence

Menurut Vercellis (2009, p1) Business Intelligence dapat didefinisikan sebagai satu set model matematika dan analisis metodologi yang mengeksploitasi data yang tersedia untuk menghasilkan informasi dan berguna untuk proses pengambilan keputusan dan pengetahuan yang kompleks.

Sedangkan menurut Moss (2003, p29), Business Intelligence bukanlah produk atau sistem, ini adalah arsitektur dan koleksi terpadu operasional serta pendukung keputusan aplikasi dan database yang menyediakan akses mudah ke komunitas bisnis.

Menurut Steve & Nancy (2007, p2), Business Intelligence bukan merupakan:


  • Sebuah produk tunggal. Meskipun produk yang sangat baik dapat membantu untuk menerapkan BI, BI bukan merupakan produk yang bisa dibeli dan dipasang untuk memecahkan semua masalah.

  • Sebuah teknologi. Meskipun data warehouse dan teknologi seperti database relasional alat ETL dan server biasanya digunakan untuk mendukung aplikasi BI, BI bukan hanya teknologi.

  • Suatu metodologi. Meskipun metodologi yang kuat sangat penting bagi keberhasilan BI, tetapi juga perlu mengkombinasikan dengan metodologi yang sesuai teknologi sebagai solusi dan perubahan organisasi.

      1. Keuntungan Menggunakan Business Intelligence

Menurut Loshin (2003, p2), ada beberapa keuntungan yang didapat dengan menggunakan Business Intelligence yaitu:

  • Peningkatan profit. Menurut konsultan keuangan dalam portofolio bank yang khas ritel, 20% dari rekening berkontribusi keuntungan setara dengan 200% dari keseluruhan laba, sedangkan lebih dari setengah rekening menghasilkan kerugian, Business Intelligence dapat membantu bisnis klien untuk mengevaluasi nilai pelanggan seumur hidup dan profitabilitas harapan jangka pendek dan menggunakan pengetahuan ini untuk membedakan antara menguntungkan dan nonprofitable pelanggan.

  • Penurunan biaya. Apakah itu ditingkatkan manajemen logistik, menurunkan biaya operasional (seperti pergudangan menurun dan pengiriman biaya) atau penurunan investasi yang dibutuhkan untuk membuat penjualan, BI dapat digunakan untuk membantu mengevaluasi biaya organisasi.

  • Customer Relationship Management (CRM). Ini pada dasarnya aplikasi BI yang menerapkan analisis informasi pelanggan agregat untuk menyediakan respon layanan pelanggan yang lebih baik untuk menemukan cross-sell dan up-sell dan meningkatkan keseluruhan loyalitas pelanggan.

  • Penurunan resiko. Menerapkan metode BI untuk data kredit dapat meningkatkan analisis resiko kredit, sedangkan mengalisis baik pemasok dan konsumen serta kehandalan dapat memberikan wawasan tentang bagaimana merampingkan supply chain.


S
Gambar 2.3 Keuntungan Business Intelligence

(Sumber : Vercellis, 2009, p6)


      1. Arsitektur Business Intelligence

Menurut Vercellis (2009, p9), Arsitektur BI terdiri dari 3 komponen penting yaitu:

  • Sumber data. Pada tahap pertama, perlu untuk mengumpulkan dan mengintegrasikan data yang disimpan dalam sumber-sumber primer dan sekunder yang heterogen sesuai dengan jenisnya.

  • Data warehouse dan data mart. Menggunakan alat ekstraksi, transformasi dan load yang dikenal sebagai ETL data yang berasal dari berbagai sumber yang disimpan di dalam database untuk mendukung BI analisis.

  • Metodologi BI. Data akhirnya diambil dan digunakan untuk membuat model matematika dan metodologi analisis dimaksudkan untuk mendukung keputusan pembuat.

Gambar 2.4 Business Intelligence Architecture

(Sumber : Vercellis, 2009, p9)



      1. Cycle of a Business Intelligence Analysis

Berikut ini adalah siklus analisis Business Intelligence menurut Vercellis (2009, p12):

Gambar 2.5 Cycle of a Business Intelligence Analysis

(Sumber : Vercellis, 2009, p12)



  • Analysis: Selama tahap analisis, perlu untuk mengenali dan akurat menguraikan masalah yang ditemukan.

  • Insight: Tahap kedua memungkinan pengambil keputusan untuk lebih baik dan lebih mendalam memahami masalah yang ada seringkali terjadi pada tingkat kausal.

  • Decision: Selama fase ketiga, pengetahuan yang diperoleh sebagai hasil dari wawasan diubah menjadi keputusan dan kemudian menjadi tindakan.

  • Evaluation: Tahap keempat dari siklus Business Intelligence melibatkan pengukuran kinerja dan evaluasi hasil.

      1. Business Intelligence Dashboard

Menurut Steve & Nancy (2007, p24), a key performance indicator (KPI) adalah beberapa pengukuran objektif dari aspek bisnis yang sangat penting untuk keberhasilan bisnis dan dapat dikaitkan dengan sejumlah kegiatan bisnis yang berbeda, seperti kepuasan pelanggan, produktivitas, kinerja supply channel dan profitabilitas. Dalam fakta sejumlah besar KPI dapat didefinisikan dalam hal kinerja ukur terkait dengan banyak fungsi analisis BI.

Nilai lain dari konseptual BI adalah kemampuan untuk menangkap definisi bisnis indikator kinerja utama, mengelola definisi tersebut sebagai bagian dari basis pengetahuan perusahaan dan kemudian memberikan dashboard visualisasi yang mencerminkan pengukuran KPI tersebut. Berikut ini adalah beberapa contoh KPI:



  • Regional angka penjualan berdasarkan lokasi penjualan.

  • Personil statistic.

  • Real-time laporan supply chain oleh supplier.

  • Pengukuran kepuasan pelanggan.

  • Produktivitas pabrik.

  • Profitabilitas rata-rata pelanggan.

      1. Dashboards and Scorecards

Menurut Thomas & Alan (2009, p156), Dashboard adalah kumpulan dari grafik, laporan, dan KPI yang dapat membantu memantau kegiatan usaha seperti kemajuan pada inisiatif tertentu. Sebuah dashboard menyediakan banyak informasi dalam bentuk ringkasan untuk menunjukkan bagaimana kemajuan operasional perusahaan. Misalnya, anda dapat mengetahui seberapa cebat mobil anda melaju, anda dapat mengevaluasi apakah nilai ini berada dalam batas kecepatan target. Sementara informasi, anda dapat mengetahui berapa tingkat bahan bakar anda, berapa mil anda sudah melakukan perjalanan, berapa suhu mesin anda. Dashboard Business Intelligence sama seperti dashboard pada mobil anda.

Gambar 2.6 Dashboard Monitor Process

(Sumber : Simon, 2009, p157)

Menurut Simon (2009, p156), Scorecard adalah representasi visual dari strategi perusahaan. Scorecard membantu memudahkan pengambilan metrik kritis dan peta untuk tujuan strategis seluruh organisasi. Scorecard menawarkan visualisasi yang mampu mengukur setiap orang dalam organisasi untuk melihat kinerja inisiatif spesifik, unit bisnis atau perusahaan secara keseluruhan serta setiap target masing-masing individu dalam konteks strategi perusahaan yang lebih besar.

Scorecard yang ditunjukkan pada gambar diatas menyaring informasi ke sejumlah kecil metrik dan target. Dengan Scorecard, pengguna mendapatkan perspektif mengenai informasi yang ingin dilihat. Scorecard dirancang untuk meningkatkan produktivitas dengan memungkinkan pengguna untuk berhenti memilah-milah tumpukan laporan untuk menemukan apa yang benar atau salah dengan bisnis dalam hubungan dengan strategi perusahaan. Scorecard menunjukkan pengguna langsung bagaimana perusahaan, divisi, tim mereka atau mereka sendiri cara untuk menjalankan target yang ditetapkan dalam keseluruhan strategi atau rencana.

Gambar 2.7 Scorecards

(Sumber : Simon, 2009, p157)



      1. Defining the BI Project

Perencanaan proyek termasuk menciptakan project charter, yang mendefinisikan proyek memiliki beberapa bentuk menurut Moss (2003, p127):

  • Tujuan dan sasaran proyek. Ketika mendefinisikan sebuah proyek BI, pertama harus menentukan tujuan dan sasaran, apa alasan untuk membangun aplikasi BI. Tujuan proyek harus merupakan pernyataan terukur, seperti “Dalam rangka meningkatkan pangsa pasar sebesar 10 % tahun depan.”

  • Ruang lingkup. Secara tradisional ruang lingkup telah diukur dengan jumlah fungsi sistem yang akan melakukan fungsi pada proyek BI.

  • Resiko proyek. Setiap proyek tunduk pada beberapa resiko-resiko yang tidak dapat dihindari. Resiko tersebut bisa sangat mempengaruhi jadwal proyek serta deliverable project, tergantung pada kemungkinan bahwa resiko akan terwujud dan pada dampak mereka yang ditemukan pada proyek.

  • Kendala proyek. Semua proyek tunduk pada batasan proyek yang sama yaitu: ruang lingkup, waktu, anggaran dan sumber daya manusia. Pada kenyataannya kualitas merupakan ukuran penting dari seberapa baik proyek telah memenuhi persyaratan yang juga dianggap sebagai kendala yang harus seimbang dengan empat kendala lainnya.

  • Asumsi. Asumsi adalah sesuatu yang diambil untuk diberikan yang merupakan dugaan atau anggapan. Hal ini penting untuk asumsi dokumen karena asumsi yang salah bisa sangat cepat berubah menjadi resiko.

  • Perubahan kontrol prosedur. Metodologi water-fall menjadi begitu populer karena pendekatan pembangunan bertahap berusaha untuk mengekang, namun BI yang seharusnya katalis untuk meningkatkan pengambilan keputusan. Perubahan adalah baik untuk bisnis yang harus memperbaiki dan meningkatkan keputusan mereka, tetapi perubahan yang tidak terkontrol masih bisa merusak proyek.

  • Masalah prosedur manajemen. Isu, baik yang berhubungan dengan masalah bisnis atau teknis, selalu muncul selama proyek. Masalah tidak hanya harus dilacak tetapi juga harus berhasil diselesaikan. Pada akhir proyek semua masalah yang ditemukan haruslah memiliki resolusi, bahkan jika resolusi yang merupakan penundaan dari masalah pada BI.

      1. Building Business Intelligence

Pembuatan Business Intelligence dalam penelitian ini menggunakan beberapa langkah yang diterapkan dalam teori Moss (2003, p55-p445), langkah-langkah tersebut meliputi:

  1. Business Case Assessment

Dalam langkah pertama pembuatan BI membutuhkan dasar-dasar yang menjadi kebutuhan dalam pembuatan BI. Kasus yang sedang terjadi dapat menopang hasil akhir yang menjadi objek peneliti. Oleh karena itu membutuhkan sumber data dan masalah yang terjadi pada perusahaan.

  1. Enterprise Infrastructure Evaluation

Dalam pembangunan BI membutuhkan beberapa software serta hardware yang mendukung proses pembuatan BI.

  1. Project Planning

Dalam pengembangan BI dibutuhkan sebuah rencana, dimana kegunaan rencana dapat menjadi acuan sebagai deadline dalam pengembangan BI.

  1. Project Requirement Definition

Dalam proses pengembangan BI ada persyaratan untuk mengumpulkan deliverable proyek tertentu berfokus pada mendefinisikan kebutuhan bisnis.

  1. Data Analysis

Analisis data dilakukan selama analisis data diarahkan untuk memahami dan memperbaiki perbedaan dalam data bisnis.

  1. Application Prototyping

Prototyping menjadi metode yang efektif dalam mevalidasi persyaratan proyek dan menemukan bagian yang hilang dan perbedaan dalam persyaratan. Sebuah prototype membantu perusahaan melihat kemampuan teknologi BI.

  1. Meta Data Repository Analysis

Pada bagian ini meta data menggambarkan organisasi dalam hal kegiatan usaha dan bisnis.

  1. Database Design

Pendukung pengambilan keputusan BI untuk data agregat dan ringkasan data memiliki cara baru untuk database design dan cara baru dalam menyimpan data. Untuk mendukung hal ini diperlukan skema database dan teknologi BI dalam memilah-milah informasi dengan berbagai cara dan laporan analisis.

  1. ETL (Extract/Transform/Load) Design

Cara tepat menerapkan strategi yang dipilih adalah membangun lingkungan BI decision-support. Sumber data untuk aplikasi BI datang dari berbagai platform, yang dikelola berbagai sistem operasi dan aplikasi. Tujuan dari proses ETL untuk menggabungkan data dari platform yang beragam ke dalam format standar untuk database dalam lingkungan BI decision support.

  1. Meta Data Repository Design

Meta data merupakan perluasan penting untuk bisnis informasi. Dengan meningkatkan kesadaran bahwa mengelola meta data itu wajib, sehingga dibutuhkan pengakuan penting bahwa dibutuhkan tools baru serta teknik untuk mengolah meta data dibutuhkan untuk merancang tempat penyimpanan meta data sementara.

  1. ETL Development

Pada tahap ini setelah data yang dibutuhkan terkumpul, dilakukan sebuah pengembangan lebih lanjut. Pengembangan ini kemudian akan diuji tergantung pada komplesitas transformasi sumber data yang diperlukan.

  1. Application Development

Pada tahap ini pengembangan BI menggunakan analysis tools dan memperlihatkan keuntungan dalam penggunaan proses OLAP tools (Online Analytical Processing).

  1. Data Mining

Pada tahap pengolahan proses data yang terjadi dalam data warehouse dilakukan proses mining. Proses mining dilakukan untuk menentukan rule yang diterapkan pada perusahaan. Kegunaan rule tersebut berfungsi dalam meningkatkan profit penjualan.

  1. Meta Data Repository Development

Pada bagian ini setelah meta data repository diimplementasikan, kemudian harus dipertahankan dan diperluas dari waktu ke waktu. Selain itu, harus di perbaharui selama melakukan siklus ETL.

  1. Implementation

Pada tahap ini merupakan tahap penerapan. Sistem lama menggantikan sistem baru berupa Business Intelligence Decision Support.

  1. Release Evaluation

Pada tahap ini ketika sistem BI sudah berjalan sesuai dengan waktu yang diberikan, maka akan diambil beberapa hasil evaluasi untuk melihat kekurangan yang terjadi pada proses bisnis berjalan.

    1. Teori - Teori Khusus

Penggunaan teori-teori yang diambil dari ahli dimana telah dilakukan penelitian panjang untuk mendapatkan penjelasan yang lengkap dan benar mengenai suatu teori dalam bidang penjualan, pembelian, persediaan, dan analisis sistem informasi. Berikut ini beberapa teori-teori dan pengertian yang umum digunakan.

      1. Penjualan

Penjualan merupakan sebuah proses dimana kebutuhan pembeli dan kebutuhan penjualan dipenuhi, melalui antar pertukaran informasi dan kepentingan (Kotler & Keller, 2006). Penjualan dapat dibagi menjadi dua bagian, yang tediri dari:

  • Penjualan Langsung : Penjualan langsung merupakan sebuah strategi untuk mempromosikan produk atau jasa yang ditujukan untuk memengaruhi tindakan konsumen. Penjualan langsung (hardsell) lebih menekankan pengambilan keputusan yang didasarkan atas rasional atau karena adanya keuntungan tambahan yang diberikan suatu produk. Wujud dari penjualan langsung (hard sell) dapat ditemui dalam bentuk promosi penjualan (sales promotion), penjualan pribadi (personal selling), penjualan langsung (direct response marketing), serta merchandising dan point of purchase.

  • Penjualan tidak langsung merupakan strategi untuk mempromosikan suatu produk atau jasa yang ditujukan untuk menyentuh pikiran dan perasaan konsumen. Wujud penjualan tidak langsung (Soft-sell) dapat ditemui dalam bentuk iklan, humas, tanggung jawab sosial perusahaan (corporate social responsibility), dan pemasaran interaktif via internet secara tidak langsung.



11


Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©anasahife.org 2016
rəhbərliyinə müraciət