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)
(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?
- Predictive modeling,Adalah
untuk membantu model untuk memprediksi suatu nilai yang mempunyai
cirri-ciri tertentu.
- Association analysis, adalah untuk menghasilkan
sejumlah rule yang menjelaskan sejumlah data yang terhubung kuat satu
dengan yang lainnya.
- 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.
- Anomaly detection, adalah
untuk menemukan anomaly atau outlier yaitu data yang berbeda dengan
data-data yang lainnya.
Tidak ada komentar:
Posting Komentar