Pembuatan  Data  Warehouse  Penjualan  Produk  dan  Penerapan  Dalam  Studi  Kasus  Divisi Greenscope  Energy –  PT. Tustika  Nagata  Surabaya

Nama   : L.Efendi

NIM    : 11.41010.0211

Tugas  : Pertemuan 3  [ MK Data Warehouse ]

No.1 - Cari Paper tema: Perusahaan yang ingin membangun Data Warehouse! 
(tidak boleh sama)

Dengan semakin berkembangnya banyak perusahaan manufaktur di Indonesia, akan sangat berpengaruh terhadap daya saing bagi perusahaan, sehingga perusahaan dituntut agar dapat memantau setiap proses penjualannya. Hal ini yang menyebabkan Greenscope Energy – PT. Tustika Nagata Surabaya dimana perusahan tersebut menghasilkan suatu barang atau benda yang bernilai guna bermula dari material kasar yang dikerjakan sesuai keinginan konsumen sehingga tercipta produk barang yang sesuai dengan apa yang diinginkan. Berdasarkan dari tahun ke tahun penjualan produk di Greenscope Energy – PT. Tustika Nagata Surabaya mengalami peningkatan yang signifikan. Namun lebih dari itu pihak manajemen mengalami kesulitan dalam mengelola laporan data penjualan dengan banyaknya berkas-berkas yang secara umum masih manual, sehingga dibutuhkan struktur penyimpanan data yang dapat memperbaiki efisiensi pengolahan dan penggalian data, terutama dalam membangun sebuah pola hubungan antar data yang dimaksud disni adalah data warehouse agar dapat memantau proses penjualan secara real time serta penggunaan association rule mining.

Kata Kunci — Association rule, data mining, data warehouse

I. PENDAHULUAN

            Green Scope Energy merupakan sebuah perusahaan yang bergerak dibidang manufacturing untuk alat-alat elektronika seprti lampu LED, Solar Cell, dan lain sebagainya. Produk-produk ini mempunyai banyak variasi jenis masing-masing produk sesuai dengan tingkatannya misalnya Lampu LED yang terdiri dari Lampu LED 9 Watt, Lampu LED 11 Watt, Lampu LED 20 Watt. Dalam menjalankan proses bisnis, bagian marketing Greenscope Energy – PT. Tustika Nagata Surabaya menemukan beberapa permasalahan yang terjadi di internal perusahaan khususnya dalam mengelola data laporan penjualan. Dalam menentukan kebijakan yang terkait dengan permasalahan yang terjadi, tentunya dibutuhkan keputusan yang menjadi solusi terbaik. Berdasarkan laporan data penjualan dari tahun ke tahun Greenscope Energy – PT. Tustika Nagata Surabaya telah mengalami peningkatan jumlah produksi sebesar 37%, sementara pada bagian marketing sendiri untuk mengelola data laporan penjualan masih kurang optimal. Sehingga dibutuhkan cara yang lebih efektif dan efisien untuk membantu jalannya proses bisnis perusahaan terutama bagian marketing perusahaan.

Pada dasarnya, banyak hal yang dapat kita lakukan lebih mudah jika kita menemukan solusi yang tepat dalam mengatasi permasalahan tersebut. Tujuan yang hendak dicapai dalam penelitian ini adalah untuk membuat data warehouse sebagai salah satu alternatif bagi perusahaan sebagai struktur penyimpanan data yang juga dapat memperbaiki pengolahan dan penggalian data, terutama dalam membangun sebuah pola hubungan antar data dan mengetahui informasi penting yang tersembunyi di dalam database melalui penggunaan association rule mining. Dengan begitu diharapkan bagian marketing perusahaan dapat lebih baik dalam memonitoring dan mengelola data internal perusahaan.

            Sementara apabila dibandingkan dengan data penjualan produk elektronik dari kompetitor lain, data penjualan di perusahaan ini memiliki salah satu keunikan yaitu merupakan produk elektronik yang mempunyai beberapa pelanggan tetap (agen). Produk yang ditawarkan merupakan produk yang diproduksi oleh perusahaan ini, dan produk yang di jual memiliki jenis yang berbeda sehingga pada tugas akhir ini ingin menemukan keterkaitan produk yang dibeli oleh pelanggan.

            Semoga dengan adanya tugas akhir ini diharapkan mampu menjadi salah satu solusi bagi perusahaan agar dapat lebih baik dalam menjalankan proses bisnisnya.

II. STUDI LITERATUR

A. Data Warehouse

            Data warehouse adalah kumpulan data yang dihasilkan untuk mendukung pengambilan keputusan serta merupakan sebuah gudang data baik data sekarang maupun data historis yang menarik bagi para manajer di seluruh organisasi. Data biasanya terstruktur dan tersedia dalam bentuk yang sudah siap dipakai untuk kegiatan proses Online Analytical Processing (OLAP), data mining, querying, reporting, dan aplikasi decision support lainnya). Sebuah data warehouse adalah koleksi data yang subject-oriented, integrated, time-variant, dan non-volatile dalam mendukung proses pengambilan keputusan manajemen [1]. Data warehouse adalah sebuah sistem yang mengekstrak, membersihkan, menyesuaikan diri, dan mengirimkan sumber data ke dalam sebuah penyimpanan data dimensional dan mendukung serta mengimplementasikan query dan analisis untuk tujuan pengambilan keputusan.

B. Association Rule Mining

Association rule mining atau pencarian aturan-aturan hubungan antar item dari suatu basis data transaksi atau basis data relasional, telah menjadi perhatian utama dalam masyarakat basis data.

            Fungsi association rule mining seringkali disebut dengan "market basket analysis", yang digunakan untuk menemukan relasi atau korelasi diantara himpunan item. Market basket analysis adalah Analisis dari kebiasaan membeli customer dengan mencari asosiasi dan korelasi antara item-item berbeda yang diletakkan customer dalam keranjang belanjaannya.

C. SQL Server

Structured Query Language (SQL) adalah sebuah bahasa yang dipergunakan untuk mengakses data dalam basis data relasional. Bahasa ini secara de facto merupakan bahasa standar yang digunakan dalam manajemen basis data relasional. Saat ini hampir semua server basis data yang ada mendukung bahasa ini untuk melakukan manajemen datanya. Mengetahui perintah perintah dasar sql merupakan modal awal untuk pengembangan database.

 SQL Server Reporting Services (SSRS) adalah platform laporan berbasis server yang menyediakan fungsionalitas pembuatan laporan untuk berbagai sumber data. SSRS terdiri dari kumpulan kakas yang digunakan untuk membuat, mengatur dan mengirim laporan, dan API yang memudahkan developer untuk mengintegrasikan laporan dengan aplikasi kustom.

III. METODE PENELITIAN

A. Pengumpulan data dan survey

            Pada tahap ini melakukan pengumpulan data dan survey mengenai data-data yang digunakan pada permasalahan tugas akhir ini. Data yang dipergunakan oleh penulis merupakan data penjualan dari tahun 2007 – tahun 2011 dengan satuan bulanan yaitu bulan Januari – Desember. Dimana jumlah data keseluruhan adalah 1564 data. Contoh data yang ditampilkan merupakan data penjualan pada tahun 2007 bulan Januari dapat dilihat pada Tabel 1.

 Dengan melakukan survei dan wawancara di Greenscope Energy – PT. Tustika Nagata Surabaya. Data yang diperoleh memiliki 4 atribut dengan scope time satuan bulanan untuk selanjutnya data yang diperoleh dari proses wawancara akan dilakukan langkah langkah sebagai berikut :

1. Melakukan cleansing data.

            Dalam proses cleansing data dimana penulis membuang data – data yang tidak diperlukan seperti tulisan yang dobel (sama), penulisan huruf yang tidak sama besar kecilnya, urutan yang tidak sama dirapikan, dan lain-lain.

Table 1. Contoh Data Pemesanan Produk

2. Membuat star schema.

Pada tahapan ini akan dilakukan perancangan star schema dan Desain Extract, Transformation, Loading (ETL) dikarenakan data warehouse menggunakan model data dimensional atau sering disebut sebagai star schema. Star schema mempunyai dua bagian, yaitu tabel fakta dan tabel dimensi. Setelah star schema dibuat maka proses selanjutnya adalah melakukan proses ETL dari database operasional ke database data warehouse. Sebelum proses ETL ini diproses harus dibuat dulu desain untuk proses ETL-nya.

3. Melakukan Extract, Transformation, Loading (ETL).

Pada tahapan ini proses ETL secara periodik mengekstrak data dari sumber sistem, mentranformasikannya ke sebuah format yang umum, dan kemudian memuatnya ke dalam data store target, yang umumnya sebuah data warehouse atau data mart. ETL sangat penting untuk integrasi data dan data warehousing.

4. Membuat cube.

Pada tahapan ini dimana dilakukan sebuah pembentukan database dimana data disimpan dalam bentuk cell, dan posisi dari sel-sel tersebut ditentukan oleh beberapa variable yang disebut dimensional. Hasil dari tahapan ini adalah sebuah visualisasi data warehouse yang telah dibuat sebelumnya.

5. Penerapan association rule mining.

            Proses penerapan association rule mining dibuat setelah hasil cube telah dapat ditampilkan. Dengan menggunakkan penerapan association rule mining penulis berharap pihak perusahaan dapat melihat tingkat kecendrungan produk yang dibeli konsumen.

B. Menentukan Tujuan

Pada tahap ini menentukan tujuan yang akan digunakan untuk pembuatan data warehouse dan penerapan penggunaan association rule mining dalam penyaranan cross-selling. Beberapa langkah dalam penentuan :

1. Analisa Strategis Perusahaan

Greenscope Energy – PT. Tustika Nagata Surabaya menginginkan proses pencatatan data penjualan yang dapat digunakan secara real time, dan dapat membantu dalam proses pengumpulan data penjualan yang telah lama dan juga dapat dilakukan analisa terhadap data tersebut seperti keterkaitan antar produk yang dibeli oleh pelanggan.

2. Penentuan dimensi

Semua dimensi diambil dari laporan data penjualan Greenscope Energy – PT. Tustika Nagata Surabaya.

3. Perancangan dan pembuatan data warehouse.

Pada tahap ini dilakukan proses perancangan data warehouse di awali dengan pembuatan desain yang disesuaikan dengan analisa kebutuhan perusahaan. Sesudah itu baru akan dilakukan pembuatan data warehouse.

4. Penerapan association rule mining dalam data warehouse.

Pada tahap ini dilakukan penerapan association rule mining pada data warehouse yang akan dibuat dengan menggunakan wizard dari SQL Server.

5. Penyesuaian Tampilan data warehouse dengan teknologi yang akan digunakan.

Pada tahap ini dilakukan penyesuaian tampilan dengan terminologi yang akan digunakan dalam pembuatan data warehouse.

Hasil dari metodologi tugas akhir dapat dilihat pada Gambar 2.

IV. DESAIN DAN IMPLEMENTASI

A. Analisis Proses Bisnis

            Seluruh pencatatan penjualan yang dilakukan oleh PT. Greenscope Energy masih bersifat manual, yaitu menggunakan metode paper work system yaitu seluruh aktifitas laporan penjualan masih menggunakan kertas yang dibantu dengan aplikasi Ms. Office, metode tersebut dianggap kurang efektif sehingga PT. Greenscope Energy mengharapkan adanya sebuah dukungan teknologi dalam mengelola data penjualan yang sangat besar dan juga proses pencatatan yang lebih terkomputerisasi agar dapat memberikan jaminan data agar tidak mengalami kehilangan data.

B. Analisis Tujuan Pembangunan Sistem Datawarehouse

Seluruh pencatatan penjualan yang dilakukan oleh PT. Greenscope Energy masih bersifat manual, yaitu menggunakan metode paper work system yaitu seluruh aktifitas laporan penjualan masih menggunakan kertas yang dibantu dengan aplikasi Ms. Office, metode tersebut dianggap kurang efektif sehingga PT. Greenscope Energy mengharapkan adanya sebuah dukungan teknologi dalam mengelola data penjualan yang sangat besar.

Data warehouse pada penelitian ini dibangun berdasarkan kebutuhan bagi PT. Green Scope Energy untuk dapat memiliki sistem pengumpulan data yang baik sehingga dapat mengetahui proses-proses transaksi penjualan dengan lebih mudah berdasarkan kebutuhan yang diinginkan oleh PT. Green Scope Energy.

C. Perancangan dan pembuatan data warehouse

Pada bagian ini akan dilakukan proses perancangan data warehouse yang selanjutnya akan dilakukan pembuatan data warehouse.

 Hasil pembuatan data warehouse, dapat ditunjukkan oleh star schema pada Gambar 3.

V. ANALISA HASIL IMPLEMENTASI

            Dari hasil analisa association rule mining dengan asumsi untuk melihat tingkat kecendrungan produk setiap kontraktor didapatkan hasil 9 rule yang memiliki nilai yang sama. 9 rule tersebut memiliki nilai importance 0, 778 dan nilai probability 1. Salah satu dari 9 rule penulis akan mengambil salah satu contoh yaitu Regulator = Existing, Lampu Industri 40 watt = Existing  Inverter = Existing. Dari hasil tersebut di jelaskan bahwa apabila konsumen membeli regulator dan lampu industri 40 watt maka kecendrungan perilaku konsumen juga membeli produk inverter. Dengan tingkat probability yaitu 1 maka dapat disimpulkan kemungkinan sudah sangat pasti. Dengan nilai probability 1 dapat dikatakan bahwa kemungkinannya cenderung pasti terjadi, apabila 0,5 adalah ragu – ragu, sedangkan < 0,5 dapat dikatakan cenderung tidak akan terjadi. Dengan mengambil nilai importance yang terbaik yaitu nilai importance yang terbesar, penulis mengambil 0,778 karena semakin ke bawah nilai importance yang di dapat semakin negatif jadi tidak perlu diambil. Pengaruh hasil importance sendiri terhadap keputusan cross selling adalah penjual bisa menawarkan produk kepada konsumen dengan produk yang sesuai dengan hasil analisa rule yang telah di dapatkan. Contoh : Terdapat seorang pembeli yang memesan regulator dan lampu industri 40 watt maka penjual di Greenscope Energy – PT. Tustika Nagata Surabaya dapat menawarkan Inverter Inverter sesuai hasil analisa rule yang telah di dapat.

        Hasil association rule mining dengan asumsi untuk setiap kontraktor dapat dilihat pada Gambar 4.

Penulis juga akan menampilkan hasil analisa association rule mining dengan asumsi untuk melihat tingkat kecendrungan produk setiap kontraktor per bulan. Dari hasil analisa tersebut didapatkan 1 buah rule yang merupakan rule yang terbesar dengan tingkat kepentingan produk sebesar 1,6 yaitu Regulator = Existing, Lampu Land Scape 40 Watt = Existing  Inverter = Existing dan tingkat probability 1 yang berarti pasti terjadi. Dengan penjelasan apabila konsumen membeli regulator dan lampu land scape 40 watt maka konsumen juga akan cenderung membeli inverter. Asumsi ini berlaku untuk mengetahui tingkat kecendrungan produk setiap kontraktor berikut dengan satuan waktu (bulanan). Hasil association rule mining setiap dim kontraktor dengan penambahan dim time (waktu) apabila dibandingkan dengan data penjualan yang ada hasilnya juga terbukti valid.    

Hasil association rule mining dengan asumsi untuk setiap kontraktor per bulan dapat dilihat pada Gambar 5.

VI. KESIMPULAN DAN SARAN

A. Kesimpulan

Data warehouse meupakan sarana untuk menyimpan data yang sebelumnya dilakukan secara kurang rapi dalam software aplikasi perkantoran oleh PT. Greenscope Energy - Tustika Nagata Surabaya. Dalam proses pemindahan data dilakukan secara ETL yaitu Extract, Tranformation, Loading.

Association rule mining merupakan teknik untuk mengetahui kombinasi item antar suatu barang yang berfungsi untuk mengetahui keterikatan antar suatu produk.

Berdasarkan hasil analisa data warehouse dan penerapan association rule mining dengan asumsi setiap dim kontraktor, biasanya produk yang dibeli cenderung tetap di masa lalu. Dimana disimpulkan bahwa terdapat 9 rule yang bernilai sama dan rule yang diambil merupakan rule dengan nilai importance terbesar sebesar 0,778 dengan probability 1. Nilai importance adalah nilai tingkat kepentingan produk. 9 rule tersebut antara lain :

1. Regulator = Existing, Lampu Industri 40 Watt = Existing  Inverter = Existing.

2. Regulator = Existing, Solar Cell 50 WP = Existing  Inverter = Existing.

3. Regulator = Existing, Solar Home System 100 WP = Existing  Inverter = Existing.

4. Regulator = Existing, Lampu Heavy Duty 40 Watt = Existing  Inverter = Existing.

5. Lampu Industri 40 Watt = Existing, Solar Home System 100 WP = Existing  Inverter = Existing.

6. Lampu Industri 40 Watt = Existing, Lampu Heavy Duty 40 Watt = Existing  Inverter = Existing.

7. Lampu Industri 40 Watt = Existing, Lampu LED 40 Watt = Existing  Inverter = Existing.

8. Solar Cell 50 WP = Existing, Solar Home System 100 WP = Existing  Inverter = Existing.

9. Solar Cell 50 WP = Existing, Lampu LED 20 Watt = Existing  Lampu Industri 40 Watt = Existing.

Dari hasil analisa association rule mining dengan asumsi setiap dim kontraktor apabila di bandingkan dengan data penjualan yang ada terbukti valid. Sedangkan penulis juga membandingkan dalam menganalisa hasil association rule mining setiap dim kontraktor dengan penambahan dim time ( waktu ). Hasilnya adalah Regulator = Existing, Lampu Land Scape 40 Watt = Existing  Inverter = Existing. Dari hasil analisa association rule mining tersebut di dapatkan nilai importance 1,6 dan nilai probability 1. Hasil association rule mining setiap dim kontraktor dengan penambahan dim time ( waktu ) apabila dibandingkan dengan data penjualan yang ada hasilnya juga terbukti valid.

B. Saran

Saran dari penulis untuk Greenscope Energy – PT. Tustika Nagata Surabaya dengan menggunakkan sistem cross selling perusahaan bisa mempermudah cara penawaran produk kepada konsumen dengan melibatkan hasil analisa tersebut. Tidak menutup kemungkinan apabila suatu saat perusahaan akan membuka cabang bagian penjualan produk maka dalam penataan ruangan juga bisa mempertimbangkan tata letak produk dengan melihat hasil analisa association rule mining. Saran bagi penelitian selanjutnya diharapkan dapat menggunakkan data yang transaksinya dilakukan setiap kali pembelian seperti mini market Indomart, Alfamart atau sejenisnya. Serta diharapkan ke depan terdapat pengklasifikasian pelanggan sehingga bisa menyarankan per katagori pelanggan.

Sumber :

[1] Amiruddin, I Ketut Eddy Purnama, Mauridhi Hery Purnomo (2007). Penerapan Association Rulemining Pada Data Nomor Unik Pendidik Dan Tenaga Kependidikan Untuk menemukan Pola Sertifikasi Guru.Institut Teknologi Sepuluh Nopember Surabaya.

[2] Kusnawi (2007), Pengantar Solusi Data Mining.Seminar Nasional Teknologi 2007 (SNT 2007) ISSN : 1978-9777.

[3] Turban, E. R. Shrda, J.E. Aronson, and D.King (2007). Business Intelegence : A Managerial Approach. Pearson Prentice Hal, Ney Jersey.

[4] O’Brien, James, A. (2005). Pengantar sistem informasi manajemen. Jakarta: Salemba Empat

[5] Peter rob, Carlos Corone, Steven Morries (2009), Database Systems, Design, Implementation and Management. 9th Edition, Pearson, 2009.

[6] Wirama Kasim, Sudianto Hendrik, Hermawan Yudhi (2008), The essential business intelegence in microsoft SQL server. Indonesia.NET Developer Community.

[7] S. Williams, N. Williams(2007),The Profitt Impact of Business Intelligence, MorganKaufmann, San Francisco, 2007.

[8] Kimball, Ralph, caserta, joe (2004). The Datawarehouse ETL Toolkit. New york : Willey Computer Publishing

[9] Inmon, W. H. (2002), Building the Data warehouse, 3. Edition. Wiley, New York [et al.].

No.2 --> Buat soal serta solusinya tentang segala yang berhubungan dengan data warehouse! (Minimal 3)

[ 1. ]  SEBUTKAN  DAN  JELASKAN  MINIMAL  4  FUNGSI  YANG  UMUM  DITERAPKAN DALAM  DATAMINING?

1.      Assosiation, adalah proses untuk menemukan aturan assosiatif antarasuatu kombinasi item dalam suatu waktu.

2.      Secuence, hampir sama dengan association bedanya seccuencediterapkan lebih dari satu periode.

3.      Clastering, adalah proses pengelompokan sejumlah data/obyek kedalam kelompok-kelompok data (klaster) sehingga setiap klaster akanberisi data yang saling mirip.

4.      Classification, adalah proses penemuan model atau fungsi yangmenjelaskan atau membedakan konsep atau kelas data, dengan tujuanuntuk dapat memperkirakan kelas dari suatu objek yang labelnya tidakdiketahui.

[ 2. ]  BERIKAN  4  CONTOH  DAN  PENJELASAN  IMPLEMENTASI  DATAMINING ?

Ø  Analisa Pasar dan Manajemen

Untuk analisa pasar, banyak sekali sumber data yang dapat digunakan seperti transaksi kartu kredit, kartu anggota club tertentu, kupon diskon, keluhan pembeli, ditambah dengan studi tentang gaya hidup publik.

Ø  Telekomunikasi

Sebuah perusahaan telekomunikasi menerapkan data mining untuk melihatdari jutaan transaksi yang masuk, transaksi mana sajakah yang masih harusditangani secara manual (dilayani oleh orang). Tujuannya tidak lain adalahuntuk menambah layanan otomatis khusus untuk transaksi-transaksi yangmasih dilayani secara manual. Dengan demikian jumlah operator penerimatransaksi manual tetap bisa ditekan minimal.

Ø  Keuangan

Financial Crimes Enforcement Network di Amerika Serikat baru-baru inimenggunakan data mining untuk me-nambang trilyunan dari berbagai subyek seperti property, rekening bank dan transaksi keuangan lainnya untuk mendeteksi transaksi-transaksi keuangan yang mencurigakan (seperti money laundry). Mereka menyatakan bahwa hal tersebut akan susah dilakukan jika menggunakan analisis standar. Mungkinsudah saatnya juga Badan Pemeriksa Keuangan Republik Indonesia menggunakan teknologi ini untuk mendeteksi aliran dana BLBI.

Ø  Asuransi

Australian Health Insurance Commision menggunakan data mining untukmengidentifikasi layanan kesehatan yang sebenarnya tidak perlu tetapi tetap dilakukan oleh peserta asuransi. Hasilnya? Mereka berhasil menghemat satu juta dollar per tahunnya.  Tentu saja ini tidak hanya bias diterapkan untuk asuransi kesehatan, tetapi juga untuk berbagai jenis asuransi lainnya.

[ 3. ]  SEBUTKAN 4 KEUNTUNGAN MENGGUNAKAN DATA WAREHOUSE!

1.      Data diorganisir dengan baik untuk query analisis dan sebagai bahan untuk pemrosesan transaksi.

2.      Perbedaan diantara struktur data yang heterogen pada beberapa sumber yang terpisah dapat diatasi.

3.      Aturan untuk transformasi data diterapkan untuk memvalidasi dan mengkonsolidasi data apabila data dipindahkan dari basisdata OLTP ke data warehouse

4.      Masalah keamanan dan kinerja bisa dipecahkan tanpa perlu mengubah sistem produksi.

[ 4. ]  SEBUTKAN 3 JENIS DASAR DAN KELEBIHAN DARI 3 JENIS DASAR SISTEM DATA WAREHOUSE!

Ø  Data Warehouse Fungsional, yaitu sistem mudah dibangun dengan biaya relatif murah.

Ø  Data Warehouse Terpusat, yaitu data benar-benar terpadu karena konsistensinya yang tinggi.

Ø  Data Warehouse Terdistribusi,nya yaitu data tetap konsisten karena sebelum data di gunakan data terlebih dahulu di sesuaikan atau mengalami proses sinkronisasi.

[ 5. ] SEBUTKAN DAN JELASKAN 4 TAHAP AWAL METODOLOGI DALAM PERANCANGAN  BASIS DATA UNTUK DATA WAREHOUSE?

1. Predictive modeling,Adalah untuk membantu model untuk memprediksi suatu nilai yang mempunyai cirri-ciri tertentu.
2. Association analysis, adalah untuk menghasilkan sejumlah rule yang menjelaskan sejumlah data yang terhubung kuat satu dengan yang lainnya.
3. Clustering,Adalah untuk mengelompokan data yang sejenis sehingga data yang berada di cluster yang sama mempunyai banyak kesamaan dibandingkan dengan data yang ada di cluster yang berbeda.
4. Anomaly detection, adalah untuk menemukan anomaly atau outlier yaitu data yang berbeda dengan data-data yang lainnya.