adalah merupakan sistem dan aplikasi yang berfungsi untuk mengubah data-data dalam suatu perusahaan atau organisasi (data operasional, datatransaksional, atau data lainnya) ke dalam bentuk pengetahuan. Aplikasi ini melakukananalisis data-data di masa lampau, menganalisisnya dan kemudian menggunakanpengetahuan tersebut untuk mendukung keputusan dan perencanaan organisasi.
Definisi BI lainnya adalah yang sebagaimana diungkapkan oleh DJ Powers
Business Intelligence
menjelaskan tentang suatu konsep dan metode bagiamana untuk meningkatkan kualitas pengambilan keputusan bisnis berdasarkan sistem yangberbasiskan data. BI seringkali dipersamakan sebagaimana
briefing books, report and query tools,
dan sistem informasi eksekutif. BI merupakan sistem pendukungpengambilan keputusan yang berbasiskan data-data”
Berbagai macam contoh Masalah yang bisa diatasi hanya dengan menggunakan Bisnis Intelligence antara lain sebagai berikut:
a. Manager Promosi ingin menganalisis pengaruh tiap jenis media iklan di koran, majalah, dan TV terhadap penjualan produk.
b. Manager HRD dapat menganalisis pengaruh kenaikan gaji terhadap peningkatan produktivitas pekerja di lantai pabrik.
c. Manajer Penjualan ingin mengetahui pengaruh musim dan kepadatan penduduk terhadap penjualan es krim di tiap daerah
Pengaplikasian Bisnis Intelligence:
Hingga saat ini, organisasi yang telah mengimplementasikan komponen dari Enterprise Performance Management System dan Business Intelligence Oracle pada tahun fiskal 2008 di antaranya Bank of Communications (Cina), CJ Entertainment (Korea), GM Daewoo Auto & Technology (Korea), Huadian Power (China), Hyunjin Materials (Korea), Kolon (Korea), Korea Investment & Securities (Korea), Korea Land Corporation, Korea Zinc (Korea), MIDEA (China), New World Department Stores (Hong Kong), Samsung Electronics (Korea), Sterlite Industries (India) Ltd. (India), Vedanta Resources plc (India), dan Woori Bank (Korea).
PT Coca Cola Distribution Indonesia dan Ayala Corporation dari Filipina tercatat telah mengadopsi komponen software Enterprise Performance Management (EPM) dan Business Intelligence (BI) dari Oracle.
Data Warehouse
Data warehouse merupakan tempat penyimpanan untuk ringkasan dari data historis yang diambil dari basis data-basis data yang tersebar di suatu organisasi. Data warehouse mengumpulkan semua data perusahaan dalam satu tempat agar dapat diperoleh pandangan yang lebih baik dari suatu proses bisnis/kerja dan meningkatkan kinerja organisasi.
Data warehouse mendukung proses pembuatan keputusan manajemen. Tujuan utama dari pembuatan data warehouse adalah untuk menyatukan data yang beragam ke dalam sebuah tempat penyimpanan dimana pengguna dapat dengan mudah menjalankan query (pencarian data), menghasilkan laporan, dan melakukan analisis. Salah satu keuntungan yang diperoleh dari keberadaan data warehouse adalah dapat meningkatkan efektifitas pembuatan keputusan.
Adapun karakteristik Data warehouse adalah sebagai berikut :
a. Subject Oriented atau berorientasi pada subyek. Sebuah data warehouse dikatakan berorientasi pada subyek karena data disusun sedemikian rupa sehingga semua elemen data yang terkait dengan event/objek yang sama dihubungkan
b. Time-variant, artinya bahwa perubahan data ditelusuri dan dicatat sehingga laporan dapat dibuat dengan menunjukkan waktu perubahannya
c. Non Volatile berarti bahwa data yang telah disimpan tidak dapat berubah. Sekali committed, data tidak pernah ditimpa/dihapus. Data akan bersifat static, hanya dapat dibaca dan disimpan untuk kebutuhan pelaporan
d. Integrated, artinya data warehouse akan mencakup semua data operasional organisasi yang disimpan secara konsisten.
Ke-empat karakteristik di atas saling terkait dan kesemuanya harus diimplementasikan agar suatu data warehouse bisa efektif memiliki data untuk mendukung pengambilan keputusan. Implementasi ke-empat karakteristik ini membutuhkan struktur data dari data warehouse yang berbeda dengan database sistem operasional biasa.
Sedangkan fungsi utama dari data warehouse meliputi:
a. Pengambilan dan pengumpulan data (termasuk data dari luar organisasi yang dibutuhkan)
b. Mempersiapkan data (transforming), seperti membersihkan dan mengintegrasikan data
c. Penyimpanan data (loading)
d. Penyediaan data untuk analisis (query & reporting)
Beberapa bagian penting dalam data warehouse dapat dijelaskan sebagaimana di bawah ini :
• Data mart, yang merupakan bagian dari data warehouse yang mendukung kebutuhan dari suatu fungsi bisnis atau departemen tertentu. Data mart dapat berdiri sendiri atauterhubung ke data warehouse yang telah ada. Ada beberapa karakteristik dari data mart yang membedakannya dengan data warehouse, yaitu :
- Data mart hanya berfokus pada satu kebutuhan pengguna dengan satu departemen atau fungsi bisnis
- Data mart tidak secara normal berisi data operasional terperinci
- Data mart berisi lebih sedikit data dari yang ada dalam data warehouse, lebih mudah dimengerti dan dipahami.
• Kubus data (cube), adalah unit pemrosesan data yang terdiri dari tabel fakta dan dimensi dalam suatu data warehouse.
• Aggregation, adalah hitungan awal dari data numerik. Dengan menghitung dan menyimpan jawaban dari query yang sebelumnya telah dibuat, waktu proses query dapat lebih cepat. Dengan adanya agregasi, data yang jumlahnya ribuan atau bahkan ratusan ribu dalam suatu basis data multidimensi dapat dicari dengan mudah dan tidak memakan banyak waktu. Agregasi ini merupakan pondasi dari pembentukan kubus data, karena mengorganisir kumpulan data kedalam struktur data basis data multidimensi sehingga menghasilkan respon time yang cepat.
Data Mining
Data Mining seringkali diartikan dengan “menulis banyak laporan dan query”. Namun pada kenyataannya kegiatan data mining tidak melakukan pembuatan laporan dan query sama sekali. Data mining dilakukan dengan tool khusus, yang mengeksekusi operasi data yang telah didefinisikan berdasarkan model analisis. Data mining adalah ekstraksi informasi atau pola yang penting atau menarik dari data yang berada pada basisdata yang besar yang selama ini tidak diketahui tetapi mempunyai potensi informasi yang bermanfaat.
Konsep data mining muncul dikarenakan timbulnya data explosion akibat dari penumpukan data oleh sistem pengolahan basis data terpadu di suatu organisasi. Proses data mining menggunakan berbagai perangkat analisis data untuk menemukan pola dan hubungan dalam data yang mungkin dapat digunakan untuk membuat prediksi yang valid.
Data mining menganalisis data untuk menemukan informasi yang tersembunyi pada sejumlah besar data yang disimpan. Data mining merupakan proses yang berbeda dengan analisis statistik biasa.Hasil dari operasi data mining berupa tabel-tabel dan file-file yang berisi data analisis yang dapat diakses dengan query dan reporting tools. Terdapat empat operasi umum data mining yaitu :
a. Predictive and Classification Modeling, yang biasa digunakan untuk memperkirakan suatu kejadian khusus. Diasumsikan bahwa seorang analis mempunyai pertanyaan khusus untuk ditanyakan.
b. Link Analysis, yang digunakan untuk mencari hubungan antara record-record pada basis data
c. Database Segmentation, yang digunakan untuk mengelompokkan record-record yang berhubungan ke dalam segmen-segmen. Pengelompokkan ini merupakan langkah pertama dari pemilihan data, sebelum operasi data mining lainnya dilakukan
d. Deviation Detection, yang digunakan untuk mencari record-record yang dipandang tidak normal dan memberikan alasan untuk anomali tersebut.
OLAP (Online Analytical Processing)
OLAP merupakan kunci dari BI, yang digunakan untuk menganalisisis data dan informasi yang pada akhirnya akan menjadi dasar basis Decision Support System (DSS)dan Expert Infotmation System (EIS). Beberapa aktivitas yang dapat dilakukan melalui OLAP antara lain seperti : menlakukan query, meminta laporan yang ad hoc, mendukung analisis statistik, analisis interaktif, serta membangun aplikasi multimedia.
OLAP merupakan proses komputer yang memungkinkan pengguna dapat dengan mudah dan selektif memilih dan melihat data dari sudut pandang yang berbeda-beda. Data pada OLAP disimpan dalam basis data multidimensi. Jika pada basis data relasional terdiri dari dua dimensi, maka pada basis data multidimensi terdiri dari banyak dimensi yang dapat dipisahkan oleh OLAP menjadi beberapa sub atribut.
OLAP dapat digunakan untuk data mining atau menemukan hubungan antara suatu item yang belum ditemukan. Pada basis data OLAP tidak perlu memiliki ukuran besar seperti data warehouse, karena tidak semua transaksi membutuhkan analisis tren. Dengan menggunakan open database connectivity (ODBC), data dapat diimpor dari basis data relasional menjadi suatu basis data multidimensi untuk OLAP.
Berdasarkan struktur basis datanya OLAP dibedakan menjadi 3 kategori utama :
a. Multidimensional Online Analytical Processing (MOLAP)
Multidimensional Online Analytical Processing (MOLAP) adalah OLAP yang secara langsung mengarah pada basis data multidimensi. MOLAP memproses data yang telah disimpan dalam array multidimensional di mana semua kombinasi data yang mungkin dicerminkan, masing-masing di dalam suatu sel yang dapat diakses secara langsung.
b. Relational Online Analytical Processing (ROLAP)
Relational Online Analytical Processing (ROLAP) adalah suatu format pengolahan OLAP yang melakukan analisis data secara dinamis yang disimpan dalam basis datarelasioanal bukan pada basis data multidimensi.. ROLAP merupakan bentuk teknologi dari OLAP yang paling berkembang.
c. Hybrid Online Analytical Processing (HOLAP)
Hybrid Online Analytical Processing (HOLAP) merupakan kombinasi antara ROLAP dengan MOLAP. HOLAP dikembangkan untuk mengkombinasikan antara kapasitas data pada ROLAP yang besar dengan kemampuan proses pada MOLAP.
Sedangkan yang dimaksud dengan Decision Support Systems (DSS) merupakan sistem informasi yang menggunakan model keputusan dan basis data untuk membantu proses pengambilan keputusan pada level manajerial. Adapun Executive Information Systems (EIS) adalah sistem informasi strategis bagi manajemen atas (eksekutif) yang menyediakan akses yang cepat untuk informasi selektif faktor-faktor kunci terkait implementasi strategi organisasi.
