TUGAS KAPITA SELEKTA

08.41 |

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.
  1. 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.
  1. On-Line Transaction Processing(OLTP) :Merupakan suatu pemrosesan yang menyimpan data mengenai kegiatan operasional transaksi sehari-hari.
  1. 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).
  1. 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.
  1. 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
  1. 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