Apa itu Password dan Aplikasi Cek Kekuatan Password

Assalamualaikum

Hai sobat blog kali ini saya akan membahas mengenai password, alur algoritma password dan apa kegunaannya jika di terapkan pada aplikasi cek kekuatan password. Nah, mari lihat penjelasan mengenai password

(1) Apakah itu Password???

   Password adalah kode rahasia, kata sandi yang merupakan kunci untuk bisa mengakses atau membuka suatu sistem yang dikunci. Password juga bisa disebut dengan kunci. Password merupakan rahasia, jika ada orang lain yang mengetahui password tersebut, bisa jadi orang yang tidak berhak tersebut akan menghapus atau mencuri berkas-berkas yang ada. Jadi sebaiknya dalam selang waktu tertentu password sebaiknya diganti dan agar kerahasiaannya terjamin, sebaiknya hal-hal berikut ini tidak digunakan :

• Nama atau nama panggilan
• nama orang tua, pacar, saudara atau orang dekat
• sesuatu yang mudah ditebak, seperti nama kota, jenis musik yang disukai oleh orang yang mempunyai password tersebut

Password yang baik adalah password yang susah ditebak oleh orang lain dan mudah diingat oleh Anda dan hal-hal yang disarankan:

• Menggunakan kombinasi huruf besar dan huruf kecil
• Mengandung angka dan karakter tanda baca (seperti ?,! dll)
• Panjangnya minimal 6 karakter lebih panjang lebih baik
• Dan mudah untuk diketik

(2) Perkembangan Password

Perkembangan otentikasi password ini dapat dilihat dengan contoh-contoh dari kelemahan, sistem yang mudah dibahayakan, yang kebanyakan masih digunakan sampai saat ini. Dibawah ini akan diperlihatkan beberapa kategori utama dari sistem otentikasi password, bersamaan dengan beberapa contoh implementasi yang mengilustrasikan kekurangan masingmasing:

1. Otentikasi Lemah (Weak Authentication)

Secara umum, sistem dengan otentikasi yang lemah dicirikan dengan protokol yang memiliki kebocoran password langsung diatas jaringan atau membocorkan informasi yang cukup untuk diketahui ‘penyerang’ sehingga password dapat dianalisis dan ditebak.

• Cleartext Passwords
Metode otentikasi yang paling tidak aman adalah menyimpan password pada database di suatu tempat di server. Selama otentikasi, user mengirim password langsung ke server dan server akan membandingkan dengan password yang ada di server. Masalah keamanan disini sangat jelas terlihat.

• Hashed Passwords
Password pengguna dapat dijalankan melalui suatu fungsi one-way hash, dimana dapat mengubahnya ke dalam urutan byte secara acak. Sebagai fungsi ini akan lebih susah dikembalikkan: lebih mudah mengubah password menjadi hash daripada hash menjadi password. Otentikasi terdiri dari menjalankan fungsi hash ketika password diketik dan membandingkannya dengan password yang telah disimpan. Sistem seperti ini masih digunakan sampai sekarang pada sistem utama UNIX.

• Challange-Response
Untuk menghindari kemunculan password secara langsung pada jaringan yang tidak terpercaya, dibuatlah sistem challangeresponse. Server akan mengirim beberapa challange, yang mencirikan beberapa string pendek secara acak. Sayangnya, sistem challange-response sudah tidak mampu lagi mengimbangi aplikasi jaringan modern.

2. Otentikasi Kuat (Strong Authentication)

Walaupun enkripsi yang baik sudah ada sejak beberapa dekade yang lalu, pengembangan dari otentikasi protokol langsung yang kuat baru dimulai tahun 1990 dengan publikasi dari “EKE family of algorithms”.

• EKE
Merupakan keluarga protokol yang terdiri dari simetrik dan publickey cryptosystems untuk melakukan otentikasi password. Untuk pertama kalinya, protokol dapat menghindari dictionary attacks dan memung-kinkan pemberitahuan secara rahasia tanpa melibatkan pihak ketiga atau key-management.

• DH-EKE, SPEKE
EKE yang paling terkenal dan aman, sama dengan protokol pengganti kunci Diffie-Hellman. Sebagai contoh: DH-EKE, adalah EKE yang di-implementasikan menggunakan Diffie-Hellman. Perbedaan yang paling signifikan yaitu pada pertukaran pesan pada DH yang sekarang dienkripsi dengan shared password. Demikian juga dengan SPEKE, yang juga berbasis Diffie-Hellman. Tetapi password sekarang digunakan untuk mempengaruhi pemilihan dari parameter generator di dalam fungsi session-key generation.

• A-EKE
Merupakan modifikasi dari EKE, biasa disebut Augmented-EKE; di-mana server dapat menyimpan beberapa yang tidak plaintextequivalent ke password pengguna. Protokol ini adalah satu-satunya protokol yang sampai saat ini tahan terhadap dictionary attacks dan tidak mempunyai database password yang plaintext-equivalent. Sayangnya, A-EKE mengorbankan kerahasiaan dalam usahanya untuk menghindari plaintext-equivalence.

3. Gangguan Otentikasi (Inconvenient Authentication)

Ketidakhadiran otentikasi yang kuat, teknologi otentikasi password yang mudah, membuat para pendesain sistem tahun 1980an mencoba teknik lain untuk menjamin keamanan password. Kebanyakan dari sistem yang ada, tidak sepenuhnya password-based dan sering membutuhkan sesuatu yang lebih pada bagian pengguna, administrator, atau keduanya untuk meng-operasikan secara halus. Ada tiga metode yang dapat dilakukan, yaitu one-time passwords, Kerberos, dan SSH.

(3)Proteksi Password
Upaya untuk mengamankan proteksi password tersebut antara lain:
a) Salting
String password yang diberikan pemakai ditambah suatu string pendek sehingga mencapai panjang password tertentu.
b) One-time Passwords
Password yang dimiliki oleh pemakai diganti secara teratur, dimana seorang pemakai memiliki daftar password sendiri sehingga untuk login ia selalu menggunakan password berikutnya. Dengan cara ini pemakai akan menjadi lebih direpotkan karena harus menjaga daftar password tersebut tidak sampai tercuri atau hilang.
c) Satu pertanyaan dan jawaban yang panjang
Yang mengharuskan pemakai memberikan satu pertanyaan yang panjang beserta jawabannya, yang mana pertanyaan dan jawabannya dapat dipilih oleh pemakai, yang mudah untuk diingat sehingga ia tidak perlu menuliskannya pada kertas.
d) Tanggapan-tanggapan
Pemakai diberikan kebebasan untuk menggunakan satu atau beberapa algoritma sekaligus.

(4)Password Policy / Kebijakan Pengamanan
Kebijakan pengamanan atau yang biasa dikenal dengan password policy adalah sekelompok peraturan yang dibuat untuk meningkatkan keamanan informasi dengan mendorong pengguna untuk memakai password yang kuat dan menggunakannya dengan tepat. Kebijakan pengamanan sering menjadi bagian dari regulasi resmi suatu organisasi. Kebijakan pengamanan dapat dilaporkan atau ditugaskan dengan melakukan berbagai jenis pengujian ke dalam operating system. Kebijaksanaan pengamanan biasanya sederhana dan umum digunakan, dimana setiap pengguna dalam sistem dapat mengerti dan mengikutinya. Isinya berupa tingkatan keamanan yang dapat melindungi data-data penting yang disimpan oleh setiap user. Beberapa hal yang dipertimbangkan dalam kebijaksanaan pengamanan adalah siapa sajakah yang memiliki akses ke sistem, siapa sajakah yang diizinkan untuk menginstall program ke dalam sistem, siapa memiliki data apa, perbaikan terhadap kerusakan yang mungkin terjadi, dan penggunaan yang wajar dari sistem.

(5) FlowChart Algoritma Cek Kekuatan Password

(6) Membuat Aplikasi Cek Kuatan Password

     1. Pertama, kita membuat form untuk memasukkan password, dan konfirmasi password dengan 

         nama inputpass.html menggunakan notepad++

      2. Setelah itu, kita membuat file untuk pengecekan, yaitu cekpass.php

3. Apabila Anda menjalankan program tersebut, maka akan muncul tampilan seperti di bawah ini :

Apabila Anda memasukkan password dengan kombinasi huruf, atau angka, dan simbol, maka akan diberi keterangan “Kuat”, yang berarti password yang Anda masukkan kuat, sehingga aman dari segi keamanan.

Setelah Anda memasukkan password, maka Anda akan diminta untuk memasukkan konfirmasi password. Apabila Anda memasukkan konfirmasi password, dan konfirmasi yang Anda masukkan sama dengan password yang Anda masukkan sebelumnya, maka akan ditampilkan tulisan Cocok, seperti di bawah ini :

     aplikasi cek kekuatan ini menggunakan pemrograman PHP dan AJAX, apabila teman-teman mempunyai alternatif menggunakan pemrograman yang lain bisa di coba dan melihat hasilnya. Demikian mengenai cek kekuatan password.

Referensi :

http://ilmushoru.wordpress.com/2012/07/16/definisi-password-password-yang-baik/

http://admin-ict.blogspot.com/2009/06/pengertian-password-dan-perkembangannya.html

http://erick1719.wordpress.com/2010/01/29/cek-kekuatan-dan-validasi-password-dengan-php-dan-ajax/

         

         

Read More

Network Security Header IPV4 dan IPV6

IP (Internet Protocol Address atau sering disingkat IP) adalah deretan angka biner antar 32-bit sampai 128-bit yang dipakai sebagai alamat identifikasi untuk tiap komputer host dalam jaringan internet. Panjang dari angka ini adalah 32-bit (untuk IPv4 atau IP versi 4), dan 128-bit (untuk IPv6 atau IP versi 6) yang menunjukkan alamat dari komputer tersebut pada jaringan Internet berbasis TCP/IP.

IP Address terbagi atas 2, yaitu IPv4 dan IPv6 :

1. IPv4

— IPv4 adalah sebuah jenis pengalamatan jaringan yang digunakan di dalam protokol jaringan TCP/IP yang menggunakan protokol IP Versi 4. Panjang totalnya adalah 32-bit, dan ditulis dengan angka desimal yang dimana angka tersebut dipisahkan oleh tanda titik (.)
Contoh alamat IP versi 4 adalah 192.168.0.3

Alamat IPv4 terbagi menjadi beberapa jenis, yakni sebagai berikut:

• Alamat Unicast, merupakan alamat IPv4 yang ditentukan untuk sebuah antarmuka jaringan yang dihubungkan ke sebuah Internetwork IP. Alamat unicast digunakan dalam komunikasi point-to-point atau one-to-one.
• Alamat Broadcast, merupakan alamat IPv4 yang didesain agar diproses oleh setiap node IP dalam segmen jaringan yang sama. Alamat broadcast digunakan dalam komunikasi one-to-everyone.
• Alamat Multicast, merupakan alamat IPv4 yang didesain agar diproses oleh satu atau beberapa node dalam segmen jaringan yang sama atau berbeda. Alamat multicast digunakan dalam komunikasi one-to-many.

Kelas Alamat IPv4

2. IPv6

— IPv6 adalah sebuah jenis pengalamatan jaringan yang digunakan di dalam protokol jaringan TIC/IP yang menggunakan protokol internet versi 6. Panjang totalnya adalah 128-bit, dan secara teoritis dapat mengalamati hingga 2¹²⁸=3,4 x 10³⁸ host komputer di seluruh dunia. Mengunakan kombinasi antara huruf dan angka (telah di default sebelumnya) serta dipisahan oleh tanda titik dua (:). Contoh alamat IPv6 adalah 21da:00d3:0000:2f3b:02aa:00ff:fe28:9c5a.

IPv6 mendukung beberapa jenis format prefix, yakni sebagai berikut:

• Alamat Unicast, yang menyediakan komunikasi secara point-to-point, secara langsung antara dua host dalam sebuah jaringan.
• Alamat Multicast, yang menyediakan metode untuk mengirimkan sebuah paket data ke banyak host yang berada dalam group yang sama. Alamat ini digunakan dalam komunikasi one-to-many.
• Alamat Anycast, yang menyediakan metode penyampaian paket data kepada anggota terdekat dari sebuah group. Alamat ini digunakan dalam komunikasi one-to-one-of-many. Alamat ini juga digunakan hanya sebagai alamat tujuan (destination address) dan diberikan hanya kepada router, bukan kepada host-host biasa.

3. PERBEDAAN IPv4 VS IPv6, yaitu :

B. HEADER IPV4 dan IPV6

1. IPV4

Penjelasan :

2. IPv6

Penjelasan :

Paket IPv6 terdiri dari dua bagian yaitu: Paket Header dan Paket Payload.

Ukuran paket Header terdiri dari 40 oktet (320 bit) yang terdiri dari:

• versi, 4 bit
• Traffic class, 8 bit
• Label Flow, 20 bit
• Panjang Payload, 16 bit
• Header berikutnya, 8 bit
• Batasan hop, 8 bit
• alamat tujuan, 128 bit
• alamat asal, 128 bit

Ukuran panjang Payload adalah 16 bit dan bisa membawa maksimum 65535 oktet.

Referensi:

http://www.flexmedia.co.id/apa-sih-perbedaan-dari-ipv4-dengan-ipv6/

http://id.wikipedia.org/wiki/Alamat_IP_versi_4
http://id.wikipedia.org/wiki/Alamat_IP_versi_6

http://id.wikipedia.org/wiki/Protokol_Internet
http://id.wikipedia.org/wiki/IPv6http://id.wikipedia.org/wiki/Alamat_IP

Read More

TUGAS KAPITA SELEKTA

NAMA : FENY EKA PUTRI
NPM    : 1103062
KELAS: 3B/TI


1. Terminologi Data Warehouse

        Data Warehouse (yang secara harafiah berarti gudang data) adalah kumpulan seluruh data yang dimiliki oleh  perusahaan yang didesain untuk melakukan analisis dan pelaporan, dan bukan untuk pemrosesan transaksi. Jadi, dalam istilah yang lebih sederhana, data warehouse adalah basis data yang ditujukan untuk analisis, pelaporan, dan terkadang juga untuk penambangan pengetahuan (knowledge mining).

Menurut Vidette Poe, data warehouse merupakan database yang bersifat analisis dan read onlyyang digunakan sebagai fondasi dari sistem penunjang keputusan.

        Menurut Paul Lane, data warehouse merupakan database relasional yang didesain lebih kepada query dan analisa dari pada proses transaksi, biasanya mengandung history data dari proses transaksi dan bisa juga data dari sumber lainnya. Data warehouse memisahkan beban kerja analisis dari beban kerja transaksi dan memungkinkan organisasi menggabung/konsolidasi data dari berbagai macam sumber.

Dari definisi-definisi yang dijelaskan tadi, dapat disimpulkan data warehouse adalah database yang saling bereaksi yang dapat digunakan untuk query dan analisisis, bersifat orientasi subjek, terintegrasi, time-variant,tidak berubah yang digunakan untuk membantu para pengambil keputusan.

Ada beberapa ahli yang menyampaikan tentang pengertian Data Warehouse, yaitu :

    1. Menurut W.H. Inmon dan Richard D.H., data warehouse adalah koleksi data yang mempunyai sifat berorientasi subjek,terintegrasi,time-variant, dan bersifat tetap dari koleksi data dalam mendukung proses pengambilan keputusan management

    2. Menurut Vidette Poe, data warehouse merupakan database yang bersifat analisis dan read only yang digunakan sebagai fondasi dari sistem penunjang keputusan. 

     3.Menurut Paul Lane, data warehouse merupakan database relasional yang didesain lebih kepada query dan analisa dari pada proses transaksi, biasanya mengandung history data dari proses transaksi dan bisa juga data dari sumber lainnya. Data warehouse memisahkan beban kerja analisis dari beban kerja transaksi dan memungkinkan organisasi menggabung/konsolidasi data dari berbagai macam sumber.

      Istilah-istilah yang berkaitan dengan data warehouse :

1. Data Mart :Adalah suatu bagian pada data warehouse yang mendukung pembuatan laporan dan analisa data pada suatu unit, bagian atau operasi pada suatu perusahaan.

2. On-Line Analytical Processing(OLAP): Merupakan suatu pemrosesan database yang menggunakan tabel fakta dan dimensi untuk dapat menampilkan berbagai macam bentuk laporan, analisis, query dari data yang berukuran besar.

3. On-Line Transaction Processing(OLTP) :Merupakan suatu pemrosesan yang menyimpan data mengenai kegiatan operasional transaksi sehari-hari.

4. Dimension Table :Tabel yang berisikan kategori dengan ringkasan data detail yang dapat dilaporkan. Seperti laporan laba pada tabel fakta  dapat dilaporkan sebagai dimensi waktu(yang berupa perbulan, perkwartal dan pertahun).

5. Fact Table : Merupakan tabel yang umumnya mengandung angka dan data history dimana key (kunci) yang dihasilkan sangat unik, karena key tersebut terdiri dari foreign key(kunci asing) yang merupakan primary key (kunci utama) dari beberapa dimension table yang berhubungan.

6. DSS :Merupkan sistem yang menyediakan informasi kepada pengguna yang menjelaskan bagaimana sistem ini dapat menganalisa situasi dan mendukung suatu keputusan yang baik.

keuntungan data warehouse adalah sebagai berikut :

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 database OLTP ke data warehouse.
4. Masalah keamanan dan kinerja bisa dipecahkan tanpa perlu mengubah sistem produksi.

2. Terminologi Data Mart

     Data mart adalah repositori dari data dikumpulkan dari Database yang selanjutnya dapat melayani tujuan dari suatu kepentingan tertentu atau kelompok tertentu. Dalam pengembangan perangkat lunak produk, Data mart membantu dalam memenuhi tuntutan spesifik dari kelompok pengguna dalam hal konten, akses analisis, dan presentasi secara keseluruhan. Sebuah data mart adalah bentuk sederhana dari sebuah gudang data yang difokuskan pada subjek tunggal (atau area fungsional), seperti Penjualan, Keuangan, atau Marketing. Data mart sering dibangun dan dikendalikan oleh satu departemen dalam sebuah organisasi. Mengingat subjek tunggal fokus mereka, data mart biasanya menggambar data dari hanya beberapa sumber. Sumber bisa sistem operasional internal, data warehouse pusat, atau data eksternal. 

Dependent dan Independen data Mart

Ada dua tipe dasar dari data mart: dependen dan independen. Kategorisasi ini didasarkan terutama pada sumber data yang feed data mart. Dependent data mart menarik data dari data warehouse pusat yang telah dibuat. Independent data mart, sebaliknya, adalah sistem mandiri yang dibangun dengan menarik data secara langsung dari sumber eksternal operasional atau data, atau keduanya.

Perbedaan utama antara data mart independen dan dependen adalah bagaimana Anda mengisi data mart, yaitu, bagaimana Anda mendapatkan data dari sumber-sumber dan masuk ke data mart. Langkah ini, yang disebut Ekstraksi-Transformasi-Loading (ETL) proses, melibatkan memindahkan data dari sistem operasional, penyaringan, dan memuatnya ke dalam data mart.

Dengan data mart tergantung, proses ini agak disederhanakan karena diformat dan diringkas (bersih) data telah dimasukkan ke dalam gudang data sentral. Proses ETL untuk data mart tergantung sebagian besar merupakan proses mengidentifikasi subset yang tepat dari data yang relevan dengan subjek data yang dipilih mart dan bergerak salinan itu, mungkin dalam bentuk diringkas.

Dengan mart data independen, namun Anda harus berurusan dengan semua aspek dari proses ETL, sebanyak yang Anda lakukan dengan data warehouse pusat. Jumlah sumber cenderung lebih sedikit dan jumlah data yang terkait dengan data mart kurang dari gudang, mengingat fokus Anda pada subjek tunggal.

Motivasi di balik penciptaan kedua jenis data mart juga biasanya berbeda. Dependent Data mart biasanya dibangun untuk mencapai peningkatan kinerja dan ketersediaan, kontrol yang lebih baik, dan biaya telekomunikasi yang lebih rendah akibat akses data lokal yang relevan dengan departemen tertentu. Penciptaan mart data independen sering didorong oleh kebutuhan untuk memiliki solusi dalam waktu yang lebih singkat. 

Langkah-langkah dalam Menerapkan Data Mart

Merancang

Langkah desain pertama dalam proses data mart. Langkah ini mencakup semua tugas dari memulai permintaan untuk mart data melalui pengumpulan informasi tentang persyaratan, dan mengembangkan desain logis dan fisik dari data mart. Langkah desain melibatkan tugas-tugas berikut:

·         Mengumpulkan persyaratan bisnis dan teknis

·         Mengidentifikasi sumber data

·         Memilih bagian yang tepat dari data yang

·         Merancang struktur logis dan fisik dari data mart

Membangun

Langkah ini termasuk membuat database fisik dan struktur logis terkait dengan data mart untuk menyediakan akses cepat dan efisien untuk data. Langkah ini melibatkan tugas-tugas berikut:

·         Membuat database fisik dan struktur penyimpanan, seperti tablespace, terkait dengan data mart

·         Menciptakan obyek skema, seperti tabel dan indeks didefinisikan dalam langkah desain

·         Menentukan cara terbaik untuk mengatur meja dan struktur akses

Mengisi

Langkah mengisi mencakup semua tugas yang berhubungan dengan mendapatkan data dari sumber, membersihkannya, memodifikasi ke format yang tepat dan tingkat detail, dan bergerak ke dalam data mart. Lebih formal menyatakan, langkah mengisi melibatkan tugas-tugas berikut:

·         Pemetaan sumber data untuk menargetkan struktur data

·         Penggalian data

·         Pembersihan dan mengubah data

·         Memasukkan data ke dalam data mart

·         Membuat dan menyimpan metadata

Mengakses

Langkah mengakses melibatkan menempatkan data untuk menggunakan: query data, menganalisanya, membuat laporan, grafik, dan grafik, dan penerbitan ini. Biasanya, pengguna akhir menggunakan alat front-end grafis untuk mengajukan pertanyaan ke database dan menampilkan hasil query. Langkah mengakses mengharuskan Anda melakukan tugas berikut:

.   Mengatur lapisan perantara untuk alat front-end untuk digunakan. Lapisan, metalayer, menterjemahkan struktur database dan nama objek ke dalam istilah bisnis, sehingga pengguna akhir dapat berinteraksi dengan data mart menggunakan istilah yang berhubungan dengan fungsi bisnis.

·      Memelihara dan mengelola antarmuka bisnis.

·   Mengatur dan mengelola struktur database, seperti tabel diringkas, yang membantu pertanyaan disampaikan melalui alat front-end mengeksekusi dengan cepat dan efisien. 

Karakteristik Data Mart

1. Data mart memfokuskan hanya pada kebutuhan-kebutuhan pemakai yang terkait dalam sebuah departemen atau fungsi bisnis.

2.   Data mart biasanya tidak mengandung data operasional yang rinci seperti pada data warehouse.

3.  Data mart hanya mengandung sedikit informasi dibandingkan dengan data warehouse. Data mart lebih mudah dipahami.

Keutungan dan Kelemahan Data Mart :

 Keuntungan Data Mart, sebagai berikut: 

1.      Akses mudah ke data yang sering digunakan

2.      Penciptaan pandang kolektif untuk sekelompok pengguna

3.      Peningkatan respon-time dari pengguna akhir

4.      Fleksibel dan mudah cara pembuatan

5.      Lebih hemat biaya daripada Data warehouse

6.      Definisi pengguna lebih jelas dari sebuah gudang data.

 Kelemahan Data Mart, sebagai berikut :

1.   Tidak bisa sepenuhnya menilai kinerja LAN berbasis sistem manajemen database sementara port dari satu lingkungan yang lain.

2.  Dapat mendukung kelompok-kelompok pengguna kecil atau sederhana sumber data, yang tidak   ideal untuk aplikasi perangkat lunak didistribusikan dan pengembangan skala besar Perusahaan-lebar sistem manajemen database

3. Terminologi Data Mining
     Istilah data mining sudah berkembang jauh dalam mengadaptasi setiap bentuk analisa data. Pada dasarnya data mining berhubungan dengan analisa data dan penggunaan teknik-teknik perangkat lunak untuk mencari pola dan keteraturan dalam himpunan data yang sifatnya tersembunyi.

       Data mining diartikan sebagai suatu proses ekstraksi informasi berguna dan potensial dari sekumpulan data yang terdapat secara implisit dalam suatu basis data. Banyak istilah lain dari data mining yang dikenal luas seperti knowledge mining from databases, knowledge extraction, data archeology, data dredging, data analysis dan lain sebagainya [AGR-93].

      Data mining adalah serangkaian proses untuk menggali nilai tambah berupa informasi yang selama ini tidak diketahui secara manual dari suatu basisdata dengan melakukan penggalian pola pola dari data dengan tujuan untuk memanipulasi data menjadi informasi yang lebih berharga yang diperoleh dengan cara mengekstrasi dan mengenali pola yang penting atau menarik dari data yang terdapat dalam basis data.

> Kegunaan, Kepastian dan Keakuratan Hasil

Informasi yang diperoleh harus secara akurat menggambarkan isi basis data dan berguna untuk aplikasi terkait. Kekurangsempurnaan yang ada haruslah dapat diekspresikan dengan suatu ukuran yang pasti dalam bentuk aturan-aturan kuantitif dan perkiraan-perkiraan yang masuk akal. Noise dan data-data yang tidak diperlukan harus ditangani dengan rapi dalam sistem data mining. Hal ini juga akan memotivasi suatu studi sistematik untuk mengukur kualitas dari informasi yang dihasilkan, termasuk seberapa menariknya dan tingkat kepercayaannya yang dapat diukur secara statistik, analitis dan menggunakan model simulasi.

> Tahapan Dalam Data Mining
1. Basis Data Relational
2. Ekstraksi Data
3. Transformasi Data
4. Pembersihan Data
5. Bentuk Standar
6. Reduksi Data
7. Menjalankan Algoritma

4. Terminolgi Data OLAP (On-line Analytical Processing)

     Dengan adanya data warehouse,semua informasi baik detail maupun hasil summary yang dibutuhkan dalam proses analisa mudah didapat. OLAP Merupakan suatu pemrosesan database yang menggunakan tabel fakta dan dimensi untuk dapat menampilkan berbagai macam bentuk laporan, analisis, query dari data yang berukuran besar. OLAP mendayagunakan konsep data multi dimensi dan memungkinkan para pemakai menganalisa data sampai mendetail, tanpa mengetikkan satupun perintah SQL. Hal ini dimungkinkan karena pada konsep multi dimensi, maka data yang berupa fakta yang sama bisa dilihat dengan menggunakan fungsi yang berbeda. Fasilitas lain yang ada pada sofware OLAP adalah fasilitas rool-up dan drill-down. Drill-down adalah kemampuan untuk melihat detail dari suatu informasi dan roll-up adalah kebalikannya.

   Online Analytical Processing (OLAP) menawarkan metode analisis data secara kompleks dan terkustomisasi yang disesuaikan dengan kebutuhan akan informasi oleh para analis maupun eksekutif. Data yang dikelola oleh OLAP berasal dari data warehouse. Pengguna OLAP umumnya memanfaatkan OLAP dengan pola analisis seperti berikut ini :

1. Meringkas dan mengumpulkan sejumlah besar data
2. Melakukan filtering, pengurutan, dan memberikan peringkat (rangking)
3. Membandingkan beberapa set dari data
4. Membuat sketsa/bagan/diagram
5. Menganalisis dan menemukan pola dari data
6. Menganalisis kecenderungan data

Keuntungan OLAP

•     Meningkatkan produktifitas pema- kai akhir bisnis, pengembang IT, dan keseluruhan organisasi. Peng-awasan yang lebih dan akses tepat waktu terhadap informasi strategis dapat membuat pengambilan kepu-tusan lebih efektif.

•      Mengurangi “backlog” pengembang an aplikasi bagi staf IT dengan membuat  pemakai akhir dapat me-rubah schema dan membangun model sendiri.

•   Penyimpanan pengawasan organisasi melalui integritas data koorporasi sebagai aplikasi OLAP  tergantung pada data warehouse dan sistem OLTP untuk memper-baharui sumber tingkatan data mereka.

•          Mengurangi aktifitas query dan lalu lintas jaringan pada sistem OLTP atau pada data warehouse

•      Meningkatkan hasil dan keuntung-an secara potensial dengan meng-izinkan organisasi untuk merespon permintaan pasar lebih cepat

Penyajian Data Multidimensi

•       Server basis data OLAP menggunakan struktur multidimensi untuk menyimpan data dan hubung an antar data. Struktur multidimensi data dapat digambarkan seperti ku- bus data, dan kubus di dalam ku- bus data. Setiap sisi kubus adalah sebuah dimensi.

•          Data multidimensi adalah data yang dapat dimodelkan sebagai atribut dimensi dan atribut ukuran

•       Contoh atribut dimensi adalah nama barang dan warna barang, contoh atribut ukuran adalah jumlah barang

Server basis data OLAP multi dimensi mendukung operasi analitikal, seperti :

•          Konsolidasi

melibatkan pengelompokkan data seperti ekspresi roll-up sederhana atau kompleks yang melibatkan hubungan antar data.

Contoh : kantor-kantor cabang dikelompokkan menurut kota, dan kota dikelompokkan berdasarkan negara

•          drill-down :

kebalikan dari konsolidasi,  menampilkan data secara rinci yang berisikan penggabungan data.

•          slicing & dicing (atau dikenal dengan istilah pivoting) :

menerangkan kemampuan untuk melihat data dari sudut pandang yang berbeda-beda.

Peralatan OLAP

Aturan-aturan Codd untuk peralatan OLAP :

1. Multi-dimensional conceptual view
2. Transparency
3. Accessibility
4. Consistent reporting performance
5. Client-server architecture
6. Generic dimensionality
7. Dynamic sparse matrix handling
8. Multi user support
9. Unrestricted cross dimensional operations
10. Intuitive data manipulaiton
11. Flexible reporting
12. Unlimited dimensions & aggregation levels

Kategori Peralatan OLAP

•        Peralatan OLAP dikategorikan sesuai dengan arsitektur basis data yang digunakan (menyediakan da ta untuk kebutuhan OLAP).

•          3 kategori utama peralatan OLAP (Berson & Smith, 1997) :

   a. Multi-dimensional OLAP (MOLAP atau MD-OLAP)

   b. Relational OLAP (ROLAP), disebut juga multi-relational OLAP

   c. Managed Query Environment (MQE), disebut juga hybrid OLAP (HOLAP)

5. Terminologi Data MOLAP (Multi Dimensional OLAP) Server

     MOLAP adalah tipe OLAP yang memiliki storage sendiri, yang isinya merupakan precomputed agregasi data - sum, count, min, max, dan sebagainya - yang terlibat pada berbagai level detil. Storage ini berupa format yang hanya dikenali oleh MOLAP server tersebut dan telah khusus dioptimalkan untuk penggunaan oleh aplikasi tersebut.

Gambar di bawah ini adalah ilustrasi sebuah pivot view yang berasal dari MOLAP server. Fragmen-fragmen table, yaitu data olahan (precomputed aggregate) penyusun pivot tadi tampak di samping kanan gambar

Cara kerja MOLAP secara umum dibagi ke dalam dua tahap sebagai berikut :

1. Tahap konstruksi dan populasi data, pada tahap ini sumber data akan dibaca, dilakukan perhitungan agegrasi (summary group) pada berbagai level dimensi, dan hasilnya akan disimpan di storage MOLAP. Jika objek data diperumpamakan dengan table, maka untuk satu cube akan banyak fragmen table yang isinya adalah detil agregasi dari level tertentu

2. Tahap query atau layanan permintaan data analisis, pada tahap ini OLAP Server akan melayani permintaan query dari client dan membaca data dari storage MOLAP. Table yang akan dibaca adalah suatu fragmen yang akan disesuaikan dengan permintaan dari client. Pada fase query ini, jika OLAP Server terputus dengan data source tidak apa-apa karena sudah tidak ada kaitannya.

Ilustrasi Pivot di MOLAP dan Fragmen Table Penyusunnya

Keuntungan dari MOLAP ini yang paling jelas adalah performa kecepatan akses yang sangat baik. Namun kelemahannya adalah jika kombinasi agregasi data yang dihasilkan untuk semua level, maka ukuran penyimpanan akan bisa lebih besar daripada sumbernya sendiri. Atas alasan inilah biasanya MOLAP memiliki batasan sendiri untuk jumlah row dan kombinasi level agregasi yang diijinkan. 

Jadi bagaimana kelemahan ini ? Padahal MOLAP adalah pilihan yang ideal jika mempertimbangkan performa sebagai prioritas penggunaan system ? HOLAP adalah jawabannya !

6. Terminologi Data ROLAP (Relational OLAP)

   ROLAP adalah tipe OLAP yang bergantung kepada database relasional atau RDBMS (Relational Database Management System) sebagai media penyimpanan (storage) data yang akan diolah. Dengan strategi tersebut maka OLAP Server terhindar dari masalah pengelolaan data storage dan hanya menerjemahkan proses query analysis (MDX) ke relational query (SQL). Otomatis proses optimasi ROLAP akan sangat ditentukan di sisi produk RDBMS yang digunakan misalkan dari sisi penanganan jumlah data dan strategi indexing.

Cara kerja ROLAP secara umum adalah sebagai berikut :

• OLAP client mengirimkan query analisis ke OLAP Server.
• OLAP server akan melakukan pemeriksaan di cache apakah sudah bisa melayani permintaan query dari client tersebut, jika sudah akan dikirimkan.
• Jika pada cache belum terdapat data diminta, akan dilakukan query SQL ke data mart dan hasil eksekusinya disimpan di cache dan dikirimkan kepada client.
• Demikian seterusnya.
• Cache akan disimpan selama periode waktu tertentu dan akan dibersihkan total jika server dimatikan.

Gambar di bawah ini adalah contoh tampilan web dari  Mondrian / Pentaho Analysis yang merupakan ROLAP (bagian atas gambar). Tiap level data yang dianalisis akan dikonstruksi menjadi SQL yang terlihat pada bagian bawah gambar 

Keuntungan dari ROLAP ini adalah tidak memerlukan storage tambahan. Namun kelemahannya adalah  jika data untuk suatu cube sangat besar (masif) maka performa pengambilan data akan cukup buruk.

7. Terminologi Data HOLAP (Hybrid OLAP)

HOLAP hadir untuk mengatasi kelemahan dari ROLAP dan MOLAP, kelemahan tersebut adalah :

• Performa ROLAP tidak begitu baik karena agregasi selalu dilakukan ulang apabila cache sudah expired.
• Keterbatasan storage dari MOLAP jika digunakan untuk menyimpan kombinasi agregasi pada semua level.

Jadi HOLAP merupakan kombinasi atau "jalan tengah" antara keduanya dimana HOLAP akan menyimpan data precomputed aggregate pada media penyimpanan (storage) HOLAP sendiri. 

Yang disimpan pada storage HOLAP adalah data untuk beberapa level teratas atau high level view. Sedangkan untuk level yang lebih rendah atau lebih rinci akan disimpan di database relasional. Ilustrasi dari penjelasan tersebut bisa dilihat pada gambar di bawah ini 

Ilustrasi Pivot di HOLAP dan Media Penyimpanannya

8. Business Intelligence

Istilah Business Intelligence pertama kali didengungkan pada tahun 1989 oleh Howard Dresner. Dia menggambarkan istilah tersebut sebagai seperangkat konsep dan metode yang berguna untuk meningkatkan pembuatan keputusan dengan bantuan sistem yang berbasiskan fakta atau realita yang terjadi. Menurut tim studi Busines Intelligence pada Departemen Keuangan Indonesia menyatakan, Business Intelligence (BI) merupakan sistem dan aplikasi yang berfungsi untuk mengubah data-data dalam suatu perusahaan atau organisasi (data operasional, data transaksional, atau data lainnya) ke dalam bentuk pengetahuan. Aplikasi ini melakukan analisis data-data di masa lampau, menganalisisnya dan kemudian menggunakan pengetahuan tersebut untuk mendukung keputusan dan perencanaan organisasi(Indonesia, 2007).

Menurut Nadia Branon, Business Intelligence merupakan kategori yang umum digunakan untuk aplikasi dan teknologi untuk mengumpulkan, menyimpan, menganalisa, dan menyediakan akses pada data agar dapat membantu pengguna dari kalangan perusahaan agar dapat mengambil keputusan dengan lebih baik dan tepat.

Dari definisi itu, dapat dikatakan bahwa Business Intelligence merupakan suatu sistem pendukung keputusan yang berdasarkan pada data-data fakta kinerja perusahaan. Business Intelligence berguna untuk mengefisienkan finansial, manusia, material serta beberapa sumber daya lainya.

Business Intelligence (BI) merupakan sebuah proses untuk melakukan ekstraksi data-data operasional perusahaan dan mengumpulkannya dalam sebuah data warehouse. Selanjutnya data di data warehouse diproses menggunakan berbagai analisis statistik dalam proses data mining, sehingga didapat berbagai kecenderungan atau pattern dari data. Hasil penyederhanaan dan peringkasan ini disajikan kepada end user yang biasanya merupakan pengambil keputusan bisnis. Dengan demikian manajemen dapat mengambil keputusan berdasarkan fakta-fakta aktual, dan tidak hanya mengandalkan intuisi dan pengalaman kuantitatif saja.

Business Intelligence Software (BI) secara singkat juga dikenal sebagai dashboard. Ini karena secara umum BI berfungsi seperti halnya dashboard pada kendaraan. BI memberikan metrik (ukuran-ukuran) yang menentukan performa kendaraan (organisasi). BI juga memberikan informasi kondisi internal, seperti halnya suhu pada kendaraan. Dan BI juga memberikan sinyal-sinyal pada pengemudi bila terjadi kesalahan pada kendaraan, seperti bila bensin akan habis pada kendaraan. 

Contoh Masalah dalam Bisnis Intelligence

Berbagai macam contoh Masalah yang bisa diatasi hanya dengan menggunakan Bisnis Intelligence antara  lain sebagai berikut:

1.  Manager Promosi ingin menganalisis pengaruh tiap jenis media iklan di koran, majalah, dan TV terhadap penjualan produk.

2.  Manager HRD dapat menganalisis pengaruh kenaikan gaji terhadap peningkatan produktivitas pekerja di lantai pabrik.

3.   Manajer Penjualan ingin mengetahui pengaruh musim dan kepadatan pendudukterhadap penjualan es krim di tiap daerah

Komponen-Komponen Business intelligence

1.             Data Operasional

·               Customer

·               Inventory

·               Credit

·               Sales

·               Operational

·               External

2.             ETL

3.             Data Warehouse

4.             Data Mining

5.             OLAP (On-Line Analytical Processing)

6.             OLTP (On-Line Transaction Processing)

Manfaat dan Keuntungan dalam mengimplementasikan Business Intelligence:

1. Meningkatkan Profit

    Mengapa dapat meningkatkan profit? Bagi perusahaan atau organisasi yang mengimplementasikan Business Intelligence, dapat membantu pebisnis dalam mengevaluasi para pelanggannya. Dengan Business Intelligence, perusahaan dapat mengetahui pelanggannya, berapa pelanggan yang kita punyai, apakah pelanggan dapat menghasilkan keuntungan secara jangka panjang atau pelanggan tersebut hanya menguntungkan dalam jangka pendek saja. Dengan Business Intelligence pebisnis memanfaatkan keuntungan ini, pebisnis dapat meningkatkan layanannya untuk menjawab kebutuhan-kebutuhan dari pelanggan. Maka dengan demikian pelanggan pun akan puas akan pelayanan yang diberikan dan menjadikan nilai lebih bagi perusahaan yang mengimplementasikan Business Intelligence, secara otomatis juga profit perusahaan semakin meningkat.

2. Menurunkan Biaya

   Dalam mengimplementasikan Business Intelligence dalam suatu perusahaan atau organisasi, secara tidak langsung akan menurunkan beberapa biaya yang juga menjadi beban bagi organisasi tersebut. Seperti menurunkan biaya operasional yang berlebih, biaya pencarian pelanggan baru, karena dengan Business Intelligence perusahaan dapat mengetahui informasi pelanggan lama yang berpotensial dalam perusahaan, cukup meningkatkan pelayanan kepada tersebut, dibandingkan kita harus mengeluarkan biaya untuk pelanggan baru yang kita belum mengenal potensi pelanggan baru. Business Intelligence dapat membantu mengevaluiasi biaya organisasi yang dikeluarkan.

3. Meningkatkan Pemasaran

  Di dalam persaingan bisnis yang semakin memanas, banyak perusahaan besar menerapkan Business Intelligence untuk bertahan dalam persaingan bisnis karena dapat dimanfaatkan untuk mengevaluasi, menganalisis pelanggan. Dengan demikian pula perusahaan dapat mengetahui pangsa pasar yang produktif serta menguntungkan bagi  perusahaan, sehingga perusahaan dapat tetap bartahan dalam mempertahankan pasarnya bahkan memperluas pemasarannya. Ini menjadikan suatu strategi bagi perusahaan tersebut.

4. Mempermudah Pengambilan Keputusan

  Business Intelligence sering kali digunakan untuk membantu dalam pengambilan keputusan. Business Intelligence memanfaatkan dan menganalisis data, informasi dan pengetahuan untuk memberikan nilai tersendiri bagi perusahaan serta membantunya dalam pengambilan keputusan. Business Intelligence mampu memberikan solusi melalui informasi yang diperoleh dari perusahaan itu sendiri. Suatu data yang pada awalnya tidak dapat membantu dalam pengambilan keputusan, dengan Business Intelligence data atau informasi yang ada dapat di terintegrasikan dan mudah dimengerti. Dengan demikian, Business Intelligence membantu perusahaan agar dapat mengambil keputusan yang tepat karena pemanfaatan informasi yang baik.

Tantangan dan Kerugian Mengimplementasikan Business Intelligence:

1. Membutuhkan banyak data

   Biasanya implementasi Business Intelligence diterapkan pada perusahaan besar, dalam artian perusahaan yang memiliki data transaksi yang banyak, dengan demikian untuk mendapatkan data yang besar maka dibutuhkan pula waktu yang cukup lama, biasanya perusahaan sudah berdiri 5-10tahun lebih sehingga memiliki data yang cukup banyak. Ini menjadi suatu tantangan bagi perusahaan yang memiliki data transaksi kecil, karena jika ingin mendapatkan data yang besar harus menunggu waktu yang cukup lama menjadikannya tidak efektif untuk meningkatkan perusahaan kecil.

2. Perubahan Budaya Perusahaan

   Banyak perusahaan yang tidak bisa menerima perubahan budaya yang terjadi pada perusahaanya. Maka ini menjadi suatu tantangan bagi perusahaan dalam mengubah budaya lama pada perusahaan menjadi budaya baru yakni dalam mengimplementasikan Business Intelligence. Perusahaan yang pada awalnya memiliki data, informasi yang tidak di olah dengan baik, dengan Business Intelligence data tersebut diolah sebaik mungkin agar memiliki nilai bagi perusahaanya. Dibutuhkan juga pekerja yang intelektual untuk dapat mengolah data dan informasi dengan baik.

3. Resiko Kegagalan

   Dalam mengimplementasi apapun pasti memiliki resiko, resiko ini menjadi suatu tantangan maupun kerugian bagi suatu perusahaan. Business Intelligence dibutuhkan untuk mengolah data, informasi dan pengetahuan agar menjadi bermanfaat bagi perusahaan. Memiliki resiko kegagalan yang cukup riskan dalam mengolah data dan informasi, mengapa? Karena data dan informasi yang diolah itu cukup banyak dan akibat data yang sangat banyak maka pengumpulan datanya pun tidak teratur, cukup rumit untuk diolah. Sehingga dapat menyebabkan adanya resiko kegagalan yang akan terjadi jika tidak dikelola dengan sebaik mungkin.

contoh perusahaan yang menggunakan business intelligence :

1. United Pipe & Supply Co.

2. PT. Adaro Energy Tbk

3. PT. INTEGRITY INDONESIA

 

          

Read More