MAKALAH KEGUNAAN DATA MINING DALAM LINGKUNGAN BISNIS
Disusun oleh:
NAMA : SONNY HANDOKO
NIM : A12.2009.03398
PROGRAM
STUDI : SISTEM INFORMASI-S1
FAKULTAS
ILMU KOMPUTER
UNIVERSITAS
DIAN NUSWANTORO
SEMARANG
2012
Data Mining untuk Dunia Bisnis
Abstrak
:
Data mining adalah salah satu solusi untuk menjelaskan proses
pengalian informasi dalam suatu basis
data yang berskala besar. Saat suatu organisasi baik itu perusahaan atau suatu institusi yang mempunyai banyak sekali data-data, tidak menutup kemungkinan
banyak sekaliinformasi yang dapat diperoleh, serta bagaimana solusi data mining
bisa diterapkan dengan berbagai
teknik data mining diantaranya yaitu classification, Association dan
Clustering. Dengan data mining
dimana serangkaian prosesnya
akan menghasilkan suatu nilai tambah berupa pengetahuan baru yang selama
ini tidak diketahui secara manual dari sekumpulan data
Data Mining merupakan teknologi yang sangat berguna untuk membantu
perusahaan-perusahaan menemukan informasi yang sangat penting dari gudang data(Data
warehouse)
Dengan data mining mereka dapat meramalkan tren dan sifat-sifat perilaku bisnis yang sangat berguna untuk mendukung pengambilan keputusan penting. Analisis yang diotomatisasi
yang dilakukanoleh data mining melebihi yang dilakukan oleh sistem pendukung
keputusan tradisional yang sudah banyak digunakan.
Kata kunci : business intelligence,
data mining,data
warehousing
PENDAHULUAN
Bisnis tidak berjalan pada ruang tertutup. Oleh
karena itu keberhasilan dalam menjalankan
bisnis tidak bergantung pada bagaimana cara menjalankan
bisnis, akan tetapi pada bagaimana menjalankannya jika
dibandingkan dengan
lainnya. Kunci untuk membuat perbedaan terletak
pada pemakaian data yang tersimpan
pada sistem yang digunakan untuk bisnis sehari hari. Hasil
utama dari pengolahan data tersebut yaitu kemampuan untuk memprediksi fakta
lingkungan bisnis. Hal ini membuat kita mampu melakukan
tindakan proaktif dibandingkan
hanya reaktif. Data memberikan pengetahuan tak
ternilai tentang masa depan. Data membantu kita mengoperasikan bisnis
secara optimal, yaitu
dengan cara mengembangkan market share, meningkatkan
customer share, dan membangun loyalitas pelanggan lewat
fokus layanan yang
jelas. Permasalahannya adalah bagaimana cara mendapatkan
pengetahuan ini dari data yang dimiliki. Kuncinya yaitu data mining, yang menjadi
teknik paling populer untuk
membangun sistem pendukung keputusan cerdas, mengaplikasikan
alat dan metode yang
digunakan di matematika statistik dan mesin pembelajaran.
PEMBAHASAN
Evolusi Pengumpulan Pengetahuan
Menyimpan banyak data tentang proses bisnis hari demi hari.
Data ini sumber informasi
yang berharga tentang bisnis, cara pengoperasian bisnis, dan
pelanggan bisnis.
Menggunakan informasi yang terkandung dalam semua
data untuk memperoleh pengetahuan yang dibutuhkan untuk
menjalankan bisnis
merupakan jalan paling penting untuk meningkatkan persaingan.
Gambar 1 menunjukkan evolusi yang telah berjalan pada
beberapa tahun belakangan.
Dimulai dari dapat melakukan query terhadap data
operasional, menghasilkan report atau chart. Langkah logis berikutnya
adalah menganalisa data hasil dengan statistik tradisional atau alat OLAP,
mencari trend atau mencoba memverifikasi hipotesis.
Dapat mencoba
memodelkan relasi dalam data kita untuk mencari
perilaku bisnis kita dalam situasi
tertentu. Setelah itu kita dapat menggunakan suatu
model untuk memberikan tanda jika suatu situasi tertentu membutuhkan
perhatian kita. Dalam langkah terakhir, kita dapat berbicara Business
Intelligence (BI), yaitu pengetahuan tentang bisnis kita
digunakan untuk menjalankan keputusan yang kita buat.
Gambar 1. Evolusi dari Query ke Data Mining
Langkah pertama dalam Gambar 1
berbasis pada pertanyaan, atau pengetahuan, yang
kita masukkan sendiri dan kita validasi
Jurnal Teknologi Informasi DINAMIK Volume XIII, No.1, Januari 2008
: 9-15 ISSN : 0854-9524
Data Mining 10 untuk Dunia Bisnis
terhadap data yang tersedia. Langkah ketiga dalam
Gambar 1 yaitu data mining, dengan
berbasis pada data asli akan menghasilkan pengetahuan.
Pengetahuan baru ini digunakan
untuk memodelkan bisnis kita tanpa bergantung pada
asumsi yang tidak berasal dari data
perusahaan kita. Data mining bukan sekedar publisitas berlebihan, tetapi langkah
logis dalam pengumpulan pengetahuan yang mungkin merupakan model perusahaan
paling strategis. Melakukan langkah ini tidak berarti kita harus melakukan
langkah sebelumnya, tetapi memperhatikan langkah-langkah tersebut akan membantu
dalam persiapan. Data mining tidak akan akan mengubah sistem
yang sudah ada menjadi usang, tetapi justru akan memperbesar sistem
dengan memperkaya data yang digunakan.
Dari Data ke Keputusan
Business Intelligence (BI) adalah semua penggalian
modal bisnis untuk mendapatkan
keuntungan dari data yang tersedia, baik yang tersebar
pada sistem yang berbeda, maupun yang terintegrasi dalam tempat
penyimpanan yang terpusat. BI memberikan jalan untuk
memperoleh pengetahuan yang dibutuhkan untuk
membuat keputusan yang baik tentang
bisnis kita, seperti ditunjukkan dalam Gambar 2.
Gambar 2. Keputusan, Informasi, dan Data
Kita dapat menginterpretasikan Gambar 2 sebagai
sebuah siklus. Membuat keputusan
membutuhkan informasi yang berbasis pada data,
sedangkan data menyediakan informasi
untuk mendukung keputusan, demikian dalam hal
ini data sendiri tidak memberikan
pertimbangan atau interpretasi dan tindakan dasar.
Konteks dan pemakaian data
mengubahnya menjadi informasi. Menghubungkan potongan
informasi
memberikan petunjuk ke pengetahuan yang dapat
mendukung keputusan.
Dalam situasi ideal, hasil keputusan tersebut diumpan balik ke
lingkungan BI,
melengkapi siklus yang ditunjukkan dalam Gambar
2. Hal ini memungkinkan keputusan
dibuat berdasarkan pengetahuan nyata bukan berdasarkan
pada perasaan sehingga
menghasilkan organisasi yang mempunyai kemampuan
belajar. Lingkungan yang optimal
memungkinkan persilangan antara data warehousing dan data
mining. Data warehousing
memungkinkan akses ke data terintegrasi yang tak
ternilai yang dapat ditambang. Data mining memberikan hasil yang
dapat diintegrasikan kembali ke dalam data warehouse, dan menjadi bagian
integral dari pengetahuan organisasi kita. Dari pengetahuan ini
wilayah baru menarik untuk ditambang dapat ditemukan.
Banyak pengembangan saat ini diarahkan untuk
mengintegrasikan data mining ke dalam
lingkungan BI. Bahkan mungkin berakhir pada mesin
basisdata, memperluas kemampuan query dengan suatu seperti “select
1000 kandidat paling mungkin untuk membeli produk X dari pelanggan
kita”. Alat data mining aktual akan menjadi bagian integral
dari lingkungan BI dan dapat digabungkan dengan aplikasi yang secara langsung
mendukung alur bisnis kita.
Konsep Data Warehousing
Akan banyak terjadi manipulasi data pada lingkungan
BI apalagi setelah menambahkan
data mining. Saat itulah kita membutuhkan data warehouse.
Data warehouse sebenarnya tidak terlalu dibutuhkan,
namun akan banyak membantu jika
ada. Sebagian besar persiapan untuk data mining,
telah dilakukan ketika lingkungan BI
lengkap telah berada di tempat. Ada beberapa alasan untuk
membangun
data warehouse. Dalam gambar 3, kita akan melihat
bagaimana mengintegrasikan data dari
beberapa sistem sumber ke dalam pandangan tunggal
dari data kita.
Jurnal Teknologi Informasi DINAMIK Volume XIII, No.1, Januari 2008
: 9-15 ISSN : 0854-9524
Data Mining untuk Dunia Bisnis 11
Gambar 3. Fokus Aplikasi dan Fokus Subjek Pada
gambar 3 menunjukkan bahwa fokus
bergeser dari aplikasi operasional ke subjek yang
penting untuk bisnis, seperti produk dan
pelanggan. Disamping integrasi data, kita membutuhkan beberapa
sistem terpisah sebagai
cara menggunakan data untuk beberapa alasan:
query pada sistem operasional yang akan dijalankan
terhadap model data yang tidak
dirancang untuk hal ini, berjalan pada sistem yang
mempunyai tujuan lain; query akan berebut sumberdaya jika transaksi
berjalan pada sistem operasional, yang mengakibatkan penundaan yang
tidak dapat diterima dalam pemrosesan waktu nyata; data yang
selalu berubah mempersulit analisa; informasi harus berkorelasi antar
aplikasi untuk menjelaskan semua relasi;
data operasional lebih disesuaikan untuk kecepatan
transaksi bukan untuk pemahaman
manusia. Akses khusus dari banyak user dapat juga menimbulkan
kekhawatiran mengenai
keamanan. Pengiriman informasi bisnis dari semua
data ini dipagari oleh kapasitas bagian IT
dalam organisasi kita.
Jawaban dari banyak masalah ini, walaupun tidak sederhana,
yaitu dengan
membangun lingkungan BI dengan penyimpanan terpusat untuk
semua data
perusahaan, berisi sejarah operasional sistem terintegrasi
diperkaya dengan sumber lain yang mungkin diminati. Gambar 4
memberikan tinjauan komponen dari lingkungan BI secara umum.
Gambar 4. Lingkungan Business Intelligence
OLAP dan Data Mining
Alat Online Analytical Processing
(OLAP) memberikan lingkungan interaktif sehingga
user dapat menganalisa data bisnis
pada “kecepatan berpikir” daripada harus menunggu
hasil query selama sehari. OLAP
hidup dengan fakta bahwa tiap query akan segera
menghasilkan pertanyaan baru, yang
harus diproses sebelum kita lupa apa yang kita cari.
Dengan OLAP kita hanya dapat menemukan informasi yang
kita cari pada
tempat pertama. Kita sebut ini analisa verification-driven. Sistem data mining akan
keluar dan mencari semua informasi, tanpa interferensi
manusia atau input, sehingga
analisanya discovery-driven. Sistem data mining menggunakan
beberapa teknik untuk
menentukan kunci relasi dan kecenderungan dalam
data. Alat data mining dapat melihat pada banyak relasi pada waktu
yang sama, mementingkan hal yang dominan atau luar biasa.
Dengan cara ini kita dapat memperoleh pengetahuan
bisnis baru dari data yang sudah
ada.
Data mining dapat secara efektif menghadapi
ketidakkonsistenan pada data.
Walapun sumber kita bersih, terintegrasi, dan tervalidasi,
namun mungkin berisi data dunia
nyata yang keliru. Noise ini dapat disebabkan oleh
kesalahan input oleh user atau kesalahan
pengisian formulir oleh pelanggan. Jika tidak terlalu
sering muncul, alat data mining dapat
mengabaikan noise dan masih mencari pola keseluruhan
yang muncul pada data.
Di sisi lain, data dapat berisi pola yang hanya
benar untuk subset kecil data. Efek ini
secara statistik tidak penting, tetapi bisa jadi subset
pelanggan ini yang paling penting karena perilaku mereka. Algoritma
data mining dapat mencari suatu lokalitas sedemikian hingga tidak akan
tersesat dalam generalisasi. Efek noise dan lokalitas adalah saling
berlawanan. Bergantung pada pendekatan, alat mining
dapat melihat noise sebagai efek penting dan mengabaikan lokalitas
sebagai noise. Tidak ada aturan keras dan cepat mengenai hal ini, tetapi
masalah ini dapat diselesaikan dengan aplikasi bisnis model data
mining kita. Data mining akan melihat data dari sudut yang
berbeda pada waktu yang sama. Hal ini mencegah pengabaian
atribut yang terlihat tidak relevan. Data mining akan mencari
interdependensi antara atribut yang memungkinkan ekstraksi
semua informasi yang
relevan dari data, walaupun tersembunyi dalam kombinasi
beberapa atribut.
Output data mining dapat memberikan fleksibilitas. Sebagai
contoh, jika kita
mempunyai anggaran untuk mengirim informasi ke
1000 orang tentang produk baru, query atau analisa OLAP langsung pada
data tidak akan pernah bisa memilih secara tepat orang sejumlah tersebut
dari database. Dengan tambahan atribut pada data yang dapat
digunakan pada query atau analisa OLAP, data mining memungkinkan kita mencari
1000 orang yang paling mungkin untuk menjawab. Contoh ini juga
menunjukkan bahwa data mining tidak menggantikan OLAP, tetapi memperluasnya.
Definisi Data Mining
Definisi data mining secara formal adalah proses
mengekstrak informasi yang valid,
bermanfaat, tak dikenal, dan dapat dipahami dari data
dan menggunakannya untuk membuat keputusan bisnis.
Data mining bukan alat dalam kotak yang dapat
secara sederhana dibeli dan dijalankan
terhadap lingkungan BI kita, dan yang akan secara
otomatis menghasilkan pengertian bisnis
yang menarik. Informasi yang diekstrak harus benar dan secara
statistik berarti untuk mendukung keputusan yang cukup
beralasan. Validitas bearti kebenaran dan juga kelengkapan. Kita tidak Cuma
membutuhkan pelanggan yang benar dari database tetapi semua
pelanggan. Hal ini membutuhkan data asli dan proses data mining yang
valid.
Proses data mining memberikan hasil yang benar dan berarti,
namun pengetahuan ini
harus bermanfaat untuk bisnis. Sebagai contoh, jika
hasil menyebutkan bahwa kita harus
memvariasi tindakan pemasaran ke dalam banyak
channel, kita mungkin tidak dapat
bertindak atas pengetahuan ini. Hasil juga harus memungkinkan
kita bertindak sebelum
kompetitor kita bertindak.
Data mining dimaksudkan untuk menghasilkan informasi
baru. Jika proses hanya
mengeluarkan hasil sederhana, dorongan untuk menggunakan
data mining akan hilang. Sifat ini membedakan antara
verifikasi dan penemuan. Hasil proses data mining harus mudah
dijelaskan dalam istilah bisnis. Atau mungkin sebagai
contoh hanya sekedar model statistik
yang dapat digunakan untuk mengelompokkan pelanggan.
Model sendiri paling tidak
memberikan pengertian tentang cara pelanggan dikelompokkan
dan faktor yang mempengaruhi pengelompokkan ini. Di beberapa negara terdapat
hukum yang meminta perusahaan memberikan pengertian ini.
Aplikasi dan Operasi Data Mining
Gambar 5 menunjukkan beberapa contoh aplikasi, operasi, dan
teknik yang digunakan dalam data mining, dengan relasinya.
Gambar 5. Aplikasi, Operasi, dan Teknik
Jurnal Teknologi Informasi DINAMIK Volume XIII, No.1, Januari 2008
: 9-15 ISSN : 0854-9524
Data Mining untuk Dunia Bisnis 13
Gambar tersebut tidak beranggapan lengkap. Tetapi memberikan
ide tiga level yang
kita hadapi. Aplikasi terlihat pada level bisnis, tempat
keputusan dibuat. Operasi ditangani oleh pakar data mining pada
level informasi. Kemudian satu atau beberapa alat data mining
digunakan untuk memberikan teknik mengoperasikan data,
sebagaimana ditunjukkan
pada bagian bawah Gambar 5.
Aplikasi aktual data mining bergantung sebagian
pada bisnis kita, dan sebagian pada
imajinasi kita dan pakar mining. Tabel 1 memberikan
pandangan aplikasi data mining
yang telah digunakan. Kita distribusikan sejumlah
contoh atas tiga kategori utama.
Tabel
1. Area Aplikasi Data Mining
Sebagaimana terlihat dalam Gambar 5, aplikasi didukung oleh
operasi data mining.
Kategori utama operasi ini dijelaskan dibawah ini
beserta dengan contohnya.
Pemodelan prediktif: memrediksi nilai atribut
dengan menggunakan contoh. Contoh
aplikasi: menentukan kategori resiko pada pelanggan
baru, atau memrediksi kemungkinan
pelanggan menjawab surat.
Segmentasi basisdata: menggunakan atribut untuk mencari
kelompok record yang
tiap kelompok mempunyai kesamaan atribut, dan
perbedaan antar kelompok cukup jelas.
Contoh aplikasi: mengelompokkan pelanggan berdasarkan
sifatnya, atau sebagai langkah
persiapan untuk pemodelan prediktif. Analisa hubungan: mencari
hubungan
antar records dalam transaksi atau atas waktu. Contoh
aplikasi: menganalisa produk mana yang dijual secara bersama
untuk mengoptimalkan tata ruang toko atau inventori. Operasi tipe ini dapat
digunakan untuk menganalisa pertanyaan atau rangkaian pengobatan
medis.
Deteksi penyimpangan: mencari records atau
rangkaian records dalam basisdata yang
berisi nilai yang tidak diinginkan. Contoh aplikasi:
mengidentifikasi pola perilaku curang
atau mengontrol kualitas proses produksi.
Dorongan Bisnis
Perlu diperhatikan bahwa, jika lingkungan saat
ini memenuhi kebutuhan bisnis kita, maka
kita tidak butuh sesuatu yang lebih. Tetapi mungkin
kita ingin tahu mengapa investasi kita
tidak menghasilkan lebih dari yang telah dihasilkan.
Lebih jauh lagi ingin mengetahui
tentang pelanggan yang berpindah ke perusahaan lain, dan
mengapa mereka
melakukan itu. Hal itulah yang menjadi pintu masuknya
data mining, lebih dikarenakan
kebutuhan bisnis dibandingkan kemungkinan teknis.
Berikut ini adalah contoh dorongan bisnis terhadap
data mining. Pemenuhan pasar: sulit
untuk mencari pelanggan yang tepat untuk produk
kita, atau produk yang tepat untuk
pelanggan kita. Batas industri kabur: merger, pengambilalihan,
dan diversifikasi membuat
perubahan mendadak dalam pasar. Diferensiasi kurang
jelas: tidak jelas pelanggan macam apa yang kita atau kompetitor
kita layani atau akan layani. Channel alternatif yang berkembang pesat:
internet mendapatkan banyak perhatian dari pelanggan tertentu.
Pengurangan waktu ke pasar: memperpendek siklus waktu yang dibutuhkan
untuk tetap mengikuti, atau bahkan memrediksi, perilaku
pelanggan. Tema yang sama dari dorongan ini adalah kekurangan
informasi tentang perilaku pasar. Pada saat yang sama banyak
data tersedia, tetapi tidak ada cara jelas untuk mengekstrak informasi yang
dibutuhkan.
Jurnal Teknologi Informasi DINAMIK Volume XIII, No.1, Januari 2008
: 9-15 ISSN : 0854-9524
Data Mining 14 untuk Dunia Bisnis
Kemudahan Teknologi
Ada tiga pengembangan teknologi yang penting yang memungkinkan
aplikasi bisnis data
mining. Pertama, penelitian pada aplikasi teknik mesin
pembelajaran digunakan untuk menangani pertanyaan bisnis praktis,
memungkinkan jawaban yang tidak hanya menarik perhatian secara
sainstifik, tetapi juga berelasi pada dunia nyata. Kedua,
pengembangan teknologi hardware dan software, membangun sistem yang dapat
menyaring banyak data dalam waktu nyata. Hal ini
berarti dapat membuat prediksi tentang
perilaku sebelum terjadi secara aktual, memungkinkan
membuat keputusan yang tepat
dalam waktu yang tepat. Ketiga, konektivitas
terbuka antar basis data dan alat, membuat kemudahan akses ke
sembarang data dari sembarang paket software.
Dengan kata lain, pengembangan ini memungkinkan data mining
karena kita
mempunyai cukup kekuatan, kita tahu cara mengaplikasikannya,
dan datanya tersedia. Juga
berarti bahwa sekarang cukup mungkin untuk setiap
orang dengan latarbelakang statistik,
untuk mengaplikasikan data mining pada banyak data
untuk menjawab pertanyaan bisnis nyata.
Faktor Organisasi
Budaya dalam organisasi harus mendukung aliran data dan
informasi yang
dibutuhkan, selain harus mengakomodasi aliran hasil
dari upaya data mining. Berarti kita
membutuhkan budaya komunikasi yang terbuka.
Dalam budaya ini, orang bekerja sama secara aktif
dalam pertukaran informasi. Hal ini secara khusus dibutuhkan dalam
interaksi antara bagian bisnis dan bagian teknis. Orang harus mau menerima
informasi baru, dan berdasarkan informasi tersebut, mengubah cara mereka bekerja.
Jika ada orang yang memproteksi datanya dan
tidak mau membagi informasi baik yang
dibutuhkan maupunyang dihasilkan, maka organisasi
perlu mengambil upaya konsultasi
baik internal maupun eksternal untuk mengubah hal
ini. Hal ini bukan pekerjaan yang mudah, namun penting demi
keberhasilan upaya data mining.
Orang yang terlibat dalam aktivitas data mining
dapat dibagi menjadi tiga peran umum.
Berikut ini adalah penjelasan dari tiap peran. Pakar
domain: orang yang tahu
lingkungan, proses, pelanggan, dan kompetitor bisnis.
Umumnya adalah orang dalam fungsi
manajemen bisnis tinggi.
Administrator basisdata: orang yang tahu di
mana dan bagaimana data perusahaan
disimpan, cara mengaksesnya, dan bagaimana merelasikannya
dengan penyimpanan data lain.
Ahli mining: orang deng latar belakang analisa
data yang paling tidak mempunyai
pengetahuan statistik. Mereka dapat mengaplikasikan teknik
data mining dan
menginterpretasikan hasil secara teknis. Mereka harus
dapat membangun relasi dengan pakar domain untuk petunjuk
bisnis terhadap hasil mereka, dan dengan administrator basisdata untuk
mengakses data yang dibutuhkan untuk aktivitas mereka.
Umumnya, dua peran pertama sudah ada pada perusahaan. Peran
ketiga mungkin didapat
dari luar ketika pertama kali perusahaan masuk ke
proses data mining. Posisi ini ditempati orang dalam setelah pemindahan
pengetahuan selesai.
Satu kesulitan utama dalam mencari orang yang
tepat baik dari dalam maupun dari luar
organisasi adalah variasi domain yang harus digabungkan
dalam data mining. Dibutuhkan
lingkungan bisnis, analisa, dan teknikal untuk menopang
arus dua informasi dua arah secara
kontinyu.
Arsitektur IT
Jika budaya organisasi harus mendukung arus
informasi, maka arsitektur IT harus
mendukung arus data. Kita butuh akses yang cepat,
terukur, dan terbuka terhadap data yang tersedia dan fleksibilitas
untuk mengekstrak dan memperbarui subset data dalam lingkungan yang akan
digunakan untuk data mining. Contoh lingkungan yang baik
adalah lingkungan yang mendukung BI dan mudah dalam membuat pasar data dari gudang
pusat.
Disamping mengakses dan mengirim data, arsitektur
IT juga harus bisa mempunyai
kapasitas yang cukup untuk melakukan proses data
mining, atau mudah untuk menambah
kapasitas. Hal ini berarti menambah sistem ekstra
terdedikasi untuk mining, atau
menjalankannya sebagai tambahan dari proses yang
sudah ada dalam salah satu sistem.
Data tentu saja harus tersedia. Jumlah data mentah
biasanya bukan masalah, tetapi jumlah
data yang bersih, bermanfaat, relevan, dan terintegrasi
mungkin kurang dari yang
dipikirkan. Tidak ada aturan tetap tentang jumlah data yang
dibutuhkan untuk memulai mining.
Sebagai aturan dasar, beberapa ribu records, dan sepuluh
atau lebih atribut, adalah awal yang baik. Angka tersebut
bergantung dari teknik data mining yang digunakan.
Alat yang digunakan untuk data mining harus
dapat mendukung akses data, praproses,
mining, visualisasi, penyimpanan, dan pemeliharaan
hasil. Hal ini dapat didukung dari
paket tunggal, atau mungkin membutuhkan beberapa
alat. Integrasi antar alat adalah penting.
Kita juga harus memperhatikan skalabilitas alat yang
akan digunakan. Kita akan
selalu ingin menambah data ekstra, mengeksplorasi banyak
sejarah, atau menerima
hasil lebih cepat. Waktu pemrosesan seharusnya tidak
bergerak lebih jauh dari linieritas jumlah data, baik jumlah atribut
maupun jumlah records.
SIMPULAN
Data Mining dapat menjawab pertanyaan-pertanyaan bisnis yang dengan cara tradisional memerlukan banyak waktu dan cost tinggi. Data Mining
mengeksplorasi basis data untuk
menemukan pola-pola yang tersembunyi, mencari informasi untuk memprediksi yang mungkin saja terlupakan oleh para pelaku bisnis karena terletak di luar
ekspektasi mereka
PENUTUP
Telah ditunjukkan pada makalah ini konsep business
intelligence, data warehousing, Online
Analytical Processing (OLAP), dan data mining. Pada makalah ini juga telah didiskusikan
keuntungan data mining dan pekerjaan yang harus
dilakukan ketika merencanakan untuk
mengimplementasikan data mining.
DAFTAR PUSTAKA
http://contohprogramsourcecodemetodealgoritma.com/2012/02/08/data-mining-sebagai-solusi-bisnis/
