1. KECERDASAN BISNIS
SISTEM PENUNJANG KEPUTUSAN
 Dwi Anggraini Sufianti (1B118043)
 Ekky Pratama (1B118025)
 Hehe Pangibulan (1B118003)
4KA37

2. Kecerdasan Bisnis (Business Intellegence)
Kecerdasan bisnis (Businesss Intellegence)
merupakan kategori umum digunakan untuk aplikasi
dan teknologi untuk mengumpulkan, meyimpan,
menganalisa, dan menyediakan akses pada data
membantu pengguna dari kalangan perusahaan
agar dapat mengambil keputusan dengan lebih baik
dan tepat.

3. Kegunaan Business Intelligence
 Analisa dalam perilaku konsumen, pola pembelian dan trend penjualan
 Mengukur, melacak dan memprediksi penjualan dan kinerja keuangan
 Penganggaran, perencanaan keuangan dan peramalan
 Mengetahui kinerja kegiatan pemasaran
 Optimalisasi proses dan kinerja operasional
 Meningkatkan efektifitaspengiriman dan pasokan
 Analisa CRM (Customer Relationship Management)
 Analisa Resiko
 Analisa nilai strategis
 Analisa social media

4. Sifat dan Sumber Data
Untuk memahami situasi, seorang pengambil keputusan membutuhkan data, informasi dan
pengetahuan. Pengambil keputusan harus mampu menerapkan piranti analisis(OLAP, data mining,
dsb) sehingga data, informasi dan pengetahuan dapat digunakan untuk mendapatkan manfaat.
Berikut ini adalah cara umum untuk melihat ketiganya:
 Data, item-item mengenai sesuatu, kejadian, aktivitas dan transaksi yang direkam,
diklasifikasikan, dan disimpan namun tidak diorganisasi untuk menyampaikan semua makna
spesifik. Item data dapat numerik, alphanumerik, gambar, suara, atau image.
 Informasi, data yang telah diorganisasi dalam sebuah cara yang membuat mereka bermakna bagi
penerima
 Pengetahuan, pengetahuan terdiri dari item data dan atau informasi yang diorganisasi dan
diproses untuk menyampaikan pemahaman, pengalaman, pembelajaran akumulatif, dan keahlian
yang dapat diaplikasikan pada sebuah masalah.
Data pada MSS menggunakan data rangkuman atau ekstraksi yang berasal dari sumber-sumber
utama:internal,eksternal dan personal.

5. Pengumpulan data, Masalah & Kualitas
Metode pengumpulan data mentah bisa menggunakan cara:
 Manual
Contoh: time study (selama observasi), survey (menggunakan
kuisioner), observasi (dengan menggunakan kamera video),
meminta pendapat pakar (dengan wawancara)
 Instrumen & Sensor
Digunakan untuk membantu metode manual

6. Browser Web / Internet untuk:
 Akses informasi penting oleh karyawan da pelanggan.
 Menerapkan system informasi eksekutif.
 Meneraplam system pendukung kelompok (GSS).
 Sistem manajemen bais data menyediakan data dalam HTML, di server Web secara langsung.
Layanan Database Internet dan Komersial
Untuk data eksternal
 Internet : pemasok utama data eksternal
 Bank Data Komersial: menjual akses ke basis data khusus
Dapat menambahkan data eksternal ke MSS secara tepat waktu dan dengan biaya yang masuk akal.

7. Data Warehouse
Data warehouse adalah basis data yang menyimpan data sekarang dan data masa
lalu yang berasal dari berbagai sistem operasional dan sumber yang lain (sumber
eksternal) yang menjadi perhatian penting bagi manajemen dalam organisasi dan
ditujukan untuk keperluan analisis dan pelaporan manajemen dalam rangka
pengambilan keputusan.
Sumber Data untuk Data Warehouse :
1. Data operasional dalam organisasi, misalnya basis data pelanggan dan produk,
dan
2. Sumber eksternal yang diperoleh misalnya melalui Internet, basis data komersial,
basis data pemasok atau pelanggan
Berbagai data yang berasal dari sumber digabungkan dan diproses lebih lanjut oleh
manajer data warehouse dan disimpan dalam basis data tersendiri.

8. Ada empat tugas yang bisa dilakukan dengan adanya data warehouse
1. Pembuatan Laporan
Pembuatan laporan merupakan salah satu kegunaan data warehouse yang paling umum dilakukan.
2. On-line Analytical Processing (OLAP)
OLAP mendayagunakan konsep data multi dimensi dan memungkinkan para pemakai menganalisa
data sampai mendetail, tanpa mengetikkan satupun perintah SQL.
3. Data Mining
Data mining merupakan proses untuk menggali pengetahuan dan informasi baru dari data yang
berjumlah banyak pada data warehouse, dengan menggunakan kecerdasan buatan (Artificial
Intelegence), statistik dan matematika.
4. Proses Informasi Executive
Data warehouse dapat membuat ringkasan informasi yang penting dengan tujuan membuat
keputusan bisnis, tanpa harus menjelajahi keseluruhan data.

9. Karakteristik Data Warehouse
1. Subject Oriented (Berorientasi subject)
2. Integrated (Terintegrasi)
3. Time-variant (Rentang Waktu)
4. Non-Volatile

10. DATA MART
Bagian dari data warehouse yang mendukung kebutuhan pada tingkat
departemen atau fungsi bisnis tertentu dalam perusahaan. Karakteristik yang
membedakan data mart dan data warehouse adalah sebagai berikut
(Connolly, Begg, Strachan 1999).
 Data mart memfokuskan hanya pada kebutuhan-kebutuhan pemakai yang
terkait dalam sebuah departemen atau fungsi bisnis.
 Data mart biasanya tidak mengandung data operasional yang rinci seperti
padadata warehouse.
 Data mart hanya mengandung sedikit informasi dibandingkan dengan data
warehouse. Data mart lebih mudah dipahami dan dinavigasi.

11. Komponen Data Warehouse
1. Source Data
Source data merupakan gudang data yang berasal dari berbagai sumber, antara lain:

12. Keunggulan dan Kelemahan Data Mart
Keunggulan Data Mart:
•Akses lebih mudah pada data yang sering dipergunakan
•Fleksibel dan mudah dibuat
•Peningkatan pada respom-time dari users akhir
•Biaya lebih murah dibanding data warehouse
•Mempunyai definisi users yang lebih jelas dari suatu gudang data.
Kelemahan Data Mart:
•Penilaian kerja LAN yang berbasis sistem manajemen database tidak dapat dilakukan sepenuhnya.
Data mart digunakan pada departemen penjualan,
departemen keuangan, departemen persediaan dan
pengiriman barang, managemen tingkat atas dan
sebagainya. Data mart juga bisa dipergunakan sebagai
gudang data atau segmen data.

13. OLAP (OnLine Analytical Processing)
Online Analytical Processing, atau disingkat OLAP adalah metode
pendekatan untuk menyajikan jawaban dari permintaan proses analisis yang
bersifat dimensional secara cepat, yaitu desain dari aplikasi dan teknologi yang
kompleks dan dapat mengoleksi, menyimpan, memanipulasi suatu analisis
data multidimensi yang bervolume besar untuk tujuan analisis. OLAP seringkali
disebut analisis data multidimensi.
Data multidimensi adalah data yang dapat dimodelkan sebagai atribut dimensi
dan atribut ukuran
Contoh atribut dimensi adalah nama barang dan warna barang, sedangkan
contoh atribut ukuran adalah jumlah barang

14. Kemampuan OLAP
 Konsolidasi melibatkan pengelompokan data. Sebagai contoh kantor-kantor
cabang dapat dikelompokkan menurut kota atau bahkan propinsi. Transaksi penjualan
dapat ditinjau menurut tahun, triwulan, bulan, dan sebagainya. Kadangkala
istilah rollup digunakan untuk menyatakan konsolidasi
 Drill-down adalah suatu bentuk yang merupakan kebalikan dari konsolidasi,
yang memungkinkan data yang ringkas dijabarkan menjadi data yang lebih detail
 Slicing and dicing (atau dikenal dengan istilah pivoting) menjabarkan pada
kemampuan untuk melihat data dari berbagai sudut pandang

15. Karakteristik dari OLAP
 Mengijinkan user melihat data dari sudut pandang logical dan multidimensional pada data
warehouse
 Memfasilitasi query yang komplek dan analisa bagi user
 Mengijinkan user melakukan drill down untuk menampilkan data pada level yang lebih detail
atau roll up untuk agregasi dari satu dimensi atau beberapa dimensi
 Menyediakan proses kalkulasi dan perbandingan data
 Menampilkan hasil dalam bentuk number termasuk dalam tabel dan grafik
 Menggunakan teknik analisa data Multidimensional
 Menyediakan dukungan database tingkat lanjut
 Menyediakan cara pakai yang mudah dan User Interface yang mudah dipahami

16. Data Mining
Perangkat lunak yang digunakan untuk menemukan pola-pola tersembunyi maupun hubungan-hubungan yang
terdapat dalam basis data yang besar dan menghasilkan aturan-aturan yang digunakan untuk memperkirakan
perilaku di masa mendatang
Data mining sering dikatakan berurusan dengan penemuan pengetahuan dalam basis data. Suatu aturan yang
dihasilkan oleh data mining misalnya seperti berikut : Kebanyakan pembeli mobil Forsa adalah wanita berusia di
atas 30 tahun .
a. Teknologi Untuk Data Mining
 Statistik
 Jaringan saraf (neural network)
 Logika kabur (fuzzy logic)
 Algoritma genetika
 dan berbagai teknologi kecerdasan buatan yang lain
b. Data Mining : Visualisasi Data
 Pendekatan data mining juga ada yang melalui visualisasi data
 Pada sistem seperti ini, pemakai akan dibantu untuk menemukan sendiri pola dari sejumlah data berukuran
besar dengan didasarkan visualisasi oleh data mining.

17. Fungsi-fungsi yang umum diterapkan dalam data mining (Haskett, 2000)
1. Assosiation, adalah proses untuk menemukan aturan assosiatif antara suatu kombinasi item dalam suatu waktu
2. Sequence, proses untuk menemukan aturan assosiatif antara suatu kombinasi item dalam suatu waktu dan
diterapkan lebih dari satu periode
3. Clustering, adalah proses pengelompokan seumlah data/obyek ke dalam kelompok data sehingga setiap kelompok
berisi data yang mirip
4. Classification, proses penemuan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data,
dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui.
5. Regretion, adalah proses pemetaan data dalam suatu nilai prediksi
6. Forecasting, adalah proses pengestimasian nilai prediksi berdasarkan pola-pola di dalam sekumpulan data.
7. Solution, adalah proses penemuan akar masalah dan problem solving dari persoalan bisnis yang dihadapkai atau
paling tidak sebagai informasi dalam pengambilan keputusan.

18. Contoh Studi kasus menggunakan Kecerdasan Bisnis (Business Intelligence)
 Analisis Data Mahasiswa FTI Menggunakan Business Intelligence
Oleh Nurvita Sari Retnowati. T1_682009092_Full text.pdf
 Perancangan Aplikasi Business Intelligence hasil proses belajar mengajar
Oleh Bambang Harijanto dan Gunawan Budiprasetyo.7-1-21-1-10-20171019.pdf

19. DAFTAR PUSTAKA
http://eni211292.blogspot.com/2013/12/kecerdasan-bisnis-business-intellegence.html
https://charitasfibriani.files.wordpress.com/2010/09/pertemuan-51.doc
dewiar.staff.gunadarma.ac.id/Downloads/files/16014/Tayangan+M10.pdf
kecerdasabisnis.blogspot.com/2012/10/kecerdasan-bisnis_23.html
https://brthfrnnd.wordpress.com/2016/12/23/olap-online-analytical-processing/
https://beritati.blogspot.com/2014/11/data-warehouse-dan-beberapa.html
https://www.robicomp.com/penjelasan-tentang-pengertian-data-mart-dan-fungsinya.html
http://brainmatics.com/data-mining/