Data Lifecycle and Mining for Business Intelligence

 
B
u
s
i
n
e
s
s
 
I
n
t
e
l
l
i
g
e
n
c
e
B
a
b
 
4
 
D
a
t
a
 
L
i
f
e
 
C
y
c
l
e
,
 
D
a
t
a
 
M
i
n
i
n
g
,
 
a
n
d
K
n
o
w
l
e
d
g
e
 
D
i
s
c
o
v
e
r
y
 
f
o
r
 
B
I
 
M. Afdal, ST., M.Kom
m.afdal@uin-suska.ac.id
 
01
 
Dapat menjelaskan tahapan pengolahan data menjadi informasi yang berguna bagi bisnis
 
Data Life Cycle
 
Data Mining
 
02
 
03
 
Knowledge
Discovery for BI
 
Content
 
Learning Outcome
 
Business Intelligence
 
Business Intelligence adalah proses, teknologi, dan alat yang diperlukan
untuk mengubah data menjadi informasi; informasi menjadi
pengetahuan dan; pengetahuan ke dalam rencana yang mendorong
tindakan bisnis yang menguntungkan.
 
Data Life Cycle
 
01
 
Data Life Cycle
 
Siklus hidup data sering kali
digambarkan sebagai sebuah siklus
karena pembelajaran dan wawasan
yang diperoleh dari satu proyek
data biasanya menginformasikan
proyek data berikutnya. Dengan
cara ini, langkah terakhir dari proses
akan diumpankan kembali ke
langkah pertama.
 
Data Lifecycle
Management
 
Manajemen siklus hidup data (DLM) mengacu pada kebijakan, alat, dan
pelatihan internal yang membantu menentukan siklus hidup data. Ini
pada dasarnya adalah kerangka kerja untuk mengelola bagaimana data
dikumpulkan, dibersihkan, disimpan, digunakan, dan akhirnya dihapus.
 
Data Mining
 
02
 
Data Mining
 
Penambangan data adalah proses memilah kumpulan data besar untuk
mengidentifikasi pola dan hubungan yang dapat membantu
memecahkan masalah bisnis melalui analisis data. Teknik dan alat
penambangan data memungkinkan perusahaan memprediksi tren masa
depan dan membuat keputusan bisnis yang lebih tepat.
 
Data Mining Process
: Bagaimana cara kerjanya?
 
1.
Pengumpulan data
2.
Persiapan data
3.
Menambang data
4.
Analisis dan interpretasi data
 
Jenis dari teknik 
Data Mining :
 
1.
Association rule mining
2.
Classification
3.
Clustering
4.
Regression
5.
Sequence and path analysis
6.
Neural networks
 
Manfaat dari 
Data Mining
 
1.
Pemasaran dan penjualan yang lebih efektif
2.
Layanan pelanggan yang lebih baik
3.
Peningkatan manajemen rantai pasokan
4.
Peningkatan waktu operasional produksi
5.
Manajemen risiko yang lebih kuat
6.
Biaya lebih rendah
 
Knowledge Discovery
for Business Intelligence
 
03
 
Knowledge
Discovery Process
 
Knowledge Discovery Process (KDP) membentuk proses keseluruhan
untuk mengekstraksi pengetahuan baru dari data.
 
Proses Penemuan Pengetahuan
 
A urutan langkah (dengan putaran umpan balik) yang harus diikuti untuk
menemukan pengetahuan baru (misalnya pola)
1.
Model PPK yang terdefinisi dengan baik adalah struktur dan pendekatan yang
logis, kohesif, dan dipikirkan dengan matang, yang disajikan kepada para
pengambil keputusan yang mungkin mengalami kesulitan dalam memahami
kebutuhan, nilai, dan mekanisme di balik PPK.
2.
untuk memastikan produk akhir berguna bagi pengguna/pemilik data
3.
Proyek KD memerlukan upaya manajemen proyek yang signifikan yang perlu
didasarkan pada kerangka kerja yang solid
4.
KD hendaknya mengikuti disiplin ilmu lain yang sudah mapan modelnya
 
Knowledge Discovery Process
 
KDP didefinisikan sebagai proses non-sepele dalam mengidentifikasi pola-pola
yang valid, baru, berpotensi berguna, dan pada akhirnya dapat dipahami data :
Terdiri dari banyak langkah (satu adalah Data Mining), masing-masing berupaya
menyelesaikan tugas penemuan tertentu, dan diselesaikan dengan penerapan
metode DM
Dukungan proses KD, termasuk bagaimana data disimpan dan diakses,
bagaimana menggunakan algoritma yang efisien dan terukur untuk menganalisis
kumpulan data yang besar, bagaimana menafsirkan dan memvisualisasikan
hasilnya, dan bagaimana memodelkan dan mendukung interaksi antara manusia
dan mesin
Dukungan untuk mempelajari dan menganalisis domain aplikasi
 
Gambaran Umum 
Knowledge Discovery
Process
 
Terdiri dari beberapa langkah yang dijalankan secara berurutan
langkah selanjutnya adalah Dimulai setelah berhasil menyelesaikan langkah
sebelumnya, dan memerlukan hasil yang dihasilkan oleh langkah sebelumnya
sebagai masukannya.
Dia membentang antara tugas memahami domain proyek dan data, melalui
persiapan dan analisis data, hingga evaluasi, pemahaman dan penerapan hasil
yang dihasilkan
Dia bersifat iteratif, yaitu mencakup putaran umpan balik yang dipicu oleh revisi
 
Knowledge Discovery Process Models
 
CRISP-DM (CRoss-Industry Standard Process for Data Mining) model
Dirancang pada akhir tahun 1990an oleh empat perusahaan: Integral Solutions Ltd. (penyedia
solusi Data Mining komersial), NCR (penyedia database), Daimler Chrysler (produsen mobil), dan
OHRA (perusahaan asuransi)
 CRISP-DM Kelompok Minat Khusus dibentuk untuk mendukung model proses yang
dikembangkan
Mencakup lebih dari 300 pengguna dan penyedia alat/layanan
terdiri dari enam langkah
 
Knowledge Discovery Process Models
 
1.
Memahami Bisnis
2.
Pemahaman Data
3.
Persiapan data
4.
Pemodelan
5.
Evaluasi
6.
Penyebaran
 
CRISP-DM Model
 
Ditandai dengan kosakata yang mudah dipahami dan dokumentasi yang baik
Mengakui sifat berulang yang kuat dari proses dengan perulangan di antara
beberapa langkah
Model yang berhasil dan diterapkan secara luas, terutama karena landasannya
pada pengalaman Penemuan Pengetahuan yang praktis, industri, dan dunia
nyata
 
Referensi
 
https://www.techtarget.com/searchbusinessanalytics/definition/data-
mining#:~:text=Data%20mining%20is%20the%20process,make%20more%2Dinfor
med%20business%20decisions.
Slide Note
Embed
Share

Explore the data life cycle, data mining, and knowledge discovery in business intelligence to transform data into valuable information for profitable business actions. Learn about data life cycle stages, data mining process, and data lifecycle management framework. Discover how data mining allows businesses to predict future trends and make informed decisions.


Uploaded on Mar 28, 2024 | 3 Views


Download Presentation

Please find below an Image/Link to download the presentation.

The content on the website is provided AS IS for your information and personal use only. It may not be sold, licensed, or shared on other websites without obtaining consent from the author. Download presentation by click this link. If you encounter any issues during the download, it is possible that the publisher has removed the file from their server.

E N D

Presentation Transcript


  1. Business Intelligence Business Intelligence Bab 4 Data Life Cycle, Data Mining, and Knowledge Discovery for BI M. Afdal, ST., M.Kom m.afdal@uin-suska.ac.id

  2. Content 02 03 Knowledge Discovery for BI 01 Data Life Cycle Data Mining Learning Outcome Dapat menjelaskan tahapan pengolahan data menjadi informasi yang berguna bagi bisnis

  3. Business Intelligence Business Intelligence adalah proses, teknologi, dan alat yang diperlukan untuk mengubah data menjadi informasi; informasi menjadi pengetahuan dan; pengetahuan ke dalam rencana yang mendorong tindakan bisnis yang menguntungkan.

  4. 01 Data Life Cycle

  5. Data Life Cycle Siklus hidup data sering kali digambarkan sebagai sebuah siklus karena pembelajaran dan wawasan yang diperoleh dari satu proyek data biasanya menginformasikan proyek data berikutnya. Dengan cara ini, langkah terakhir dari proses akan diumpankan kembali ke langkah pertama.

  6. Data Lifecycle Management Manajemen siklus hidup data (DLM) mengacu pada kebijakan, alat, dan pelatihan internal yang membantu menentukan siklus hidup data. Ini pada dasarnya adalah kerangka kerja untuk mengelola bagaimana data dikumpulkan, dibersihkan, disimpan, digunakan, dan akhirnya dihapus.

  7. 02 Data Mining

  8. Data Mining Penambangan data adalah proses memilah kumpulan data besar untuk mengidentifikasi pola dan hubungan yang dapat membantu memecahkan masalah bisnis melalui analisis data. Teknik dan alat penambangan data memungkinkan perusahaan memprediksi tren masa depan dan membuat keputusan bisnis yang lebih tepat.

  9. Data Mining Process: Bagaimana cara kerjanya? Pengumpulan data Persiapan data Menambang data Analisis dan interpretasi data 1. 2. 3. 4.

  10. Jenis dari teknik Data Mining : Association rule mining Classification Clustering Regression Sequence and path analysis Neural networks 1. 2. 3. 4. 5. 6.

  11. Manfaat dari Data Mining Pemasaran dan penjualan yang lebih efektif Layanan pelanggan yang lebih baik Peningkatan manajemen rantai pasokan Peningkatan waktu operasional produksi Manajemen risiko yang lebih kuat Biaya lebih rendah 1. 2. 3. 4. 5. 6.

  12. 03 Knowledge Discovery for Business Intelligence

  13. Knowledge Discovery Process Knowledge Discovery Process (KDP) membentuk proses keseluruhan untuk mengekstraksi pengetahuan baru dari data.

  14. Proses Penemuan Pengetahuan A urutan langkah (dengan putaran umpan balik) yang harus diikuti untuk menemukan pengetahuan baru (misalnya pola) Model PPK yang terdefinisi dengan baik adalah struktur dan pendekatan yang logis, kohesif, dan dipikirkan dengan matang, yang disajikan kepada para pengambil keputusan yang mungkin mengalami kesulitan dalam memahami kebutuhan, nilai, dan mekanisme di balik PPK. untuk memastikan produk akhir berguna bagi pengguna/pemilik data Proyek KD memerlukan upaya manajemen proyek yang signifikan yang perlu didasarkan pada kerangka kerja yang solid KD hendaknya mengikuti disiplin ilmu lain yang sudah mapan modelnya 1. 2. 3. 4.

  15. Knowledge Discovery Process KDP didefinisikan sebagai proses non-sepele dalam mengidentifikasi pola-pola yang valid, baru, berpotensi berguna, dan pada akhirnya dapat dipahami data : Terdiri dari banyak langkah (satu adalah Data Mining), masing-masing berupaya menyelesaikan tugas penemuan tertentu, dan diselesaikan dengan penerapan metode DM Dukungan proses KD, termasuk bagaimana data disimpan dan diakses, bagaimana menggunakan algoritma yang efisien dan terukur untuk menganalisis kumpulan data yang besar, bagaimana menafsirkan dan memvisualisasikan hasilnya, dan bagaimana memodelkan dan mendukung interaksi antara manusia dan mesin Dukungan untuk mempelajari dan menganalisis domain aplikasi

  16. Gambaran Umum Knowledge Discovery Process Terdiri dari beberapa langkah yang dijalankan secara berurutan langkah selanjutnya adalah Dimulai setelah berhasil menyelesaikan langkah sebelumnya, dan memerlukan hasil yang dihasilkan oleh langkah sebelumnya sebagai masukannya. Dia membentang antara tugas memahami domain proyek dan data, melalui persiapan dan analisis data, hingga evaluasi, pemahaman dan penerapan hasil yang dihasilkan Dia bersifat iteratif, yaitu mencakup putaran umpan balik yang dipicu oleh revisi

  17. Knowledge Discovery Process Models CRISP-DM (CRoss-Industry Standard Process for Data Mining) model Dirancang pada akhir tahun 1990an oleh empat perusahaan: Integral Solutions Ltd. (penyedia solusi Data Mining komersial), NCR (penyedia database), Daimler Chrysler (produsen mobil), dan OHRA (perusahaan asuransi) CRISP-DM Kelompok Minat Khusus dibentuk untuk mendukung model proses yang dikembangkan Mencakup lebih dari 300 pengguna dan penyedia alat/layanan terdiri dari enam langkah

  18. Knowledge Discovery Process Models 1. Memahami Bisnis 2. Pemahaman Data 3. Persiapan data 4. Pemodelan 5. Evaluasi 6. Penyebaran

  19. CRISP-DM Model Ditandai dengan kosakata yang mudah dipahami dan dokumentasi yang baik Mengakui sifat berulang yang kuat dari proses dengan perulangan di antara beberapa langkah Model yang berhasil dan diterapkan secara luas, terutama karena landasannya pada pengalaman Penemuan Pengetahuan yang praktis, industri, dan dunia nyata

  20. Referensi https://www.techtarget.com/searchbusinessanalytics/definition/data- mining#:~:text=Data%20mining%20is%20the%20process,make%20more%2Dinfor med%20business%20decisions.

More Related Content

giItT1WQy@!-/#giItT1WQy@!-/#giItT1WQy@!-/#giItT1WQy@!-/#giItT1WQy@!-/#giItT1WQy@!-/#giItT1WQy@!-/#giItT1WQy@!-/#giItT1WQy@!-/#